Tech • IA • Robotique • Jeu
Dans la stratégie IA de Shopify avec le CTO Mikhail Parakhin
7/10INTRO
Shopify utilise de grands modèles de langage pour créer des systèmes qui font plus qu’automatiser le travail routinier, notamment un jumeau numérique qui prédit les résultats des marchands et des outils de gestion qui signalent les risques sur les projets avant que des retards ne surviennent.
POINTS CLÉS
De la prédiction de texte à la prédiction d’entreprise
Les responsables technologiques de Shopify décrivent les entreprises comme des séquences d’actions, un peu comme un texte est une séquence de jetons. Dans ce cadre, une entreprise peut être modélisée à travers des événements tels que le lancement de produits, l’ajout de moyens de paiement, la souscription de prêts, le changement des délais de livraison ou le démarrage de campagnes publicitaires. Cette approche fondée sur les séquences permet à un système d’apprentissage automatique de prédire les actions et résultats probables à venir.
Un jumeau numérique pour les marchands
Le système de prédiction HST de l’entreprise crée un jumeau numérique d’une activité et teste des interventions sur le modèle plutôt que directement sur le marchand. Les équipes peuvent exécuter des scénarios contrefactuels, comme proposer un prêt, accélérer la livraison ou lancer des publicités, puis identifier quelle séquence d’actions a le plus de chances d’accroître la croissance. Ces recommandations peuvent ensuite être déployées en production via des offres de financement, des invites ou des communications.
Le plafond, pas seulement le plancher
L’argument central est que la plus grande valeur de l’IA ne réside pas seulement dans l’élévation du plancher de productivité en accélérant des tâches connues, mais dans l’élévation du plafond des capacités en permettant un travail qui n’aurait auparavant pas été tenté. Cette distinction compte, car les économies de travail sont relativement faciles à mesurer, tandis que des produits ou systèmes de décision entièrement nouveaux créent une valeur qui aurait autrement été absente. Le projet de jumeau numérique est présenté comme un exemple de capacité pratiquement hors de portée avant les modèles actuels.
Collaboration humain-modèle sur des problèmes difficiles
La même logique s’applique au-delà du développement produit. Un problème mathématique difficile impliquant une fonction de perte de Wasserstein et la transformation de distributions vers une forme gaussienne était resté non résolu pendant des années, avant de devenir traitable grâce à une collaboration itérative avec un modèle. Le résultat n’était ni une automatisation pure ni un modèle agissant seul, mais un flux de travail « centaure » dans lequel le jugement humain et la génération par le modèle étaient conjointement nécessaires.
Mesurer les gains de productivité
Shopify affirme être devenu très précis dans la mesure de l’effet de l’IA sur l’exécution, au-delà de simples comptages de pull requests. Des systèmes internes estiment la complexité des projets et comparent la production après normalisation de cette complexité, ce qui permet aux équipes de quantifier combien de projets supplémentaires peuvent être achevés et à quelle vitesse. Cela rend mesurables les effets d’élévation du plancher, même si les effets d’élévation du plafond restent plus difficiles à exprimer dans une formule classique de ROI.
Les cas d’usage en management ont changé les attentes
Une grande surprise a été l’utilité des modèles pour le management, et pas seulement pour le code. Des outils internes analysent désormais des signaux organisationnels afin d’identifier les projets susceptibles de déraper avant même que les échéances ne soient manquées, et de détecter des signes d’insatisfaction ou de friction au sein des équipes. Cela déplace le rôle d’un responsable technique: il ne s’agit plus de vérifier si chaque tâche individuelle a été accomplie, mais de superviser des ingénieurs qui supervisent eux-mêmes des flux de travail pilotés par des modèles.
Commencer par les plus grands modèles
Le principe opérationnel consiste à commencer avec le plus grand modèle disponible, car c’est là que les gains d’élévation du plafond ont le plus de chances d’apparaître. Shopify a adopté en interne un accès aux jetons pratiquement illimité et investit massivement dans l’inférence, l’entraînement et l’optimisation afin que le personnel puisse utiliser les modèles les plus puissants disponibles. L’idée est que les dirigeants ne peuvent pas juger ce qu’ils ratent tant qu’ils n’ont pas d’abord testé les systèmes les plus capables.
Une stratégie en haltère pour maîtriser les coûts
En même temps, l’entreprise défend une stratégie en haltère. Pour le codage, le développement, les tests et la recherche, les équipes doivent investir dans les plus grands modèles qu’elles peuvent justifier, car c’est là que la découverte et l’effet de levier sont les plus élevés. Pour les services en production, elles doivent optimiser le coût et le débit, souvent en utilisant des modèles moins chers ou affinés, puis réinjecter les économies ainsi réalisées dans les usages de développement haut de gamme.
Risques liés à la vitesse et à la conformité
Une exécution plus rapide, pilotée par les modèles, modifie aussi les besoins de gouvernance. Comme les modèles excellent à déduire ce que les utilisateurs semblent vouloir, ils peuvent produire des résultats soignés mais erronés si l’invite initiale reflète un mauvais objectif. Cela rend le jugement technique et une supervision attentive encore plus importants, surtout lorsque plusieurs systèmes ou agents d’IA travaillent en parallèle et que les responsables doivent éviter les conflits, l’emballement de l’usage des jetons ou la mise en production trop rapide de décisions de faible qualité.
CONCLUSION
L’approche de Shopify considère l’IA comme un système permettant de découvrir des actions et des produits auparavant irréalisables, et pas seulement de réduire l’effort sur le travail existant. Dans cette perspective, l’avantage concurrentiel vient de l’association entre des modèles de premier plan et une forte supervision humaine pour élargir ce que les entreprises peuvent réellement construire et gérer.
Poser une question