LLM et IA en 2025 : des expériences, des frustrations et quelques grandes surprises
2025 a été une année d'expérimentation pratique pour nous avec les LLMs et l'IA appliquée. Au lieu de simplement observer le secteur de loin, nous avons passé l'année à construire, à tester, à faire échouer des choses et à essayer des idées qui parfois fonctionnaient et parfois pas.
Notre impression générale est mitigée. Certaines parties de la technologie sont impressionnantes et progressent incroyablement rapidement. D'autres parties semblent encore jeunes et fragiles. Voici un résumé de ce que nous avons appris et de la manière dont cela façonne ce que nous voulons faire à l'avenir.
Mélanger la recherche sémantique et la recherche textuelle complète
Une grande partie de notre travail cette année a porté sur des systèmes de recherche construits autour des LLMs. Nous avons expérimenté beaucoup de choses en mélangeant la recherche sémantique (embeddings + bases de données vectorielles) avec la recherche textuelle classique.
En pratique, le mélange est puissant. La recherche sémantique aide à retrouver des informations pertinentes du point de vue conceptuel, tandis que la recherche textuelle maintient les choses précises et explicables. Lorsque les deux sont bien ajustés, les résultats sont nettement meilleurs que lorsqu'on utilise l'une seule des deux méthodes.
Le problème est la complexité. Il faut synchroniser les index vectoriels, ajuster le classement et gérer l'infrastructure, ce qui demande un véritable effort d'ingénierie. Ce n'est pas encore un système plug-and-play.
Notre recommandation honnête actuelle est : si vous n'avez pas les ressources pour des expérimentations risquées et une certaine quantité d'essais et d'erreurs, il pourrait être préférable de reporter. L'écosystème s'améliore rapidement, mais aujourd'hui, il préfère encore les équipes qui peuvent explorer et itérer.
RAG contre le contexte large : cela dépend
Nous avons également passé du temps à comparer les pipelines RAG avec des approches qui s'appuient davantage sur des fenêtres de contexte larges.
Nous espérions trouver un gagnant évident. Nous n'en avons pas trouvé.
RAG est excellent lorsqu'il s'agit de gérer des bases de connaissances grandes ou en constante évolution. Les approches basées sur un grand contexte simplifient l'architecture, mais peuvent devenir coûteuses et imprévisibles à l'échelle. Dans les systèmes réels, nous nous retrouvons souvent avec des hybrides.
La principale conclusion est que aucune recette universelle n’est encore disponible. Les décisions d’architecture restent très spécifiques à l’application, et beaucoup de ce qui fonctionne vient de l’expérimentation plutôt que de bonnes pratiques établies.
Utilisation de bases de données vectorielles pour l’apprentissage automatique tabulaire (un détour étrange)
À un certain point, nous avons décidé de tester quelque chose de très fou : utiliser des bases de données vectorielles pour effectuer un apprentissage automatique tabulaire classique.
Du point de vue pratique, cela n’a pas été très réussi. Pour les tâches prédictives standard, les pipelines d’apprentissage automatique traditionnels restent encore beaucoup plus efficaces et simples.
Cependant, ce détour a été étonnamment productif. Il nous a forcés à explorer plus en profondeur les regroupements, les métriques de similarité et l’ingénierie des caractéristiques. Cette exploration a ouvert de nouvelles directions de recherche et s’est finalement révélée utile pour les articles de recherche que nous développons toujours.
Ainsi, même si l’idée initiale n’a pas abouti comme une approche de produit, elle a payé en tant que recherche.
Le grand bond de la programmation avec l’IA
La plus impressionnante modification de cette année est la programmation avec l’IA.
Au début de 2025, les systèmes de programmation agentiques avaient des difficultés à gérer des tâches relativement simples. Créer une bonne page d’accueil nécessitait souvent beaucoup de travail manuel. À la fin de l’année, ces mêmes systèmes pouvaient générer et organiser des projets complexes, composés de plusieurs composants, d’une manière qui paraît réellement exploitable.
Cela change ce que les petites équipes peuvent réellement créer. Le coding en IA n’est plus seulement une autocomplétion sophistiquée. Il commence à se sentir comme un partenaire réel de développement.
Nous sommes honnêtement impressionnés par la vitesse d’amélioration ici.
Nos priorités pour 2026
Tout cela mène directement à nos plans pour 2026.
Nous voulons profiter de ce que nous avons appris et nous concentrer fortement sur la programmation avec l’IA pour aider les petites entreprises à travers des applications très spécifiques pour iOS. Plutôt que de construire des plateformes larges, nous sommes plus intéressés par des outils ciblés qui résolvent des problèmes concrets.
Nous allons explorer plus en détail pourquoi nous nous concentrons sur iOS et comment nous concevons notre stratégie de produit à l’avenir dans de prochaines publications.
Réflexions finales
Si nous devions résumer 2025 en une seule phrase : la technologie est puissante mais toujours inégale.
La recherche hybride fonctionne, mais elle est complexe. RAG par rapport au contexte dépend de la situation. Certaines idées expérimentales échouent de manière utile. Et le codage avec l’IA a fait un saut qui ouvre de nouvelles possibilités pour les petites équipes.
Nous terminons l’année avec des sentiments mitigés concernant la maturité, mais beaucoup d’optimisme quant à la direction. Les choses avancent rapidement, et la distance entre la recherche et les applications pratiques se réduit.
Pour des équipes prêtes à expérimenter et à tolérer l’incertitude, c’est une période très intéressante pour créer de nouveaux projets.