Le débat sur les modèles de fondation a rendu familière une observation que leur nom même suggère : ils sont une base, non un édifice (Bommasani et al., 2021). Un modèle généraliste dispose d'une compétence linguistique étendue et d'une connaissance encyclopédique superficielle ; un système destiné à un domaine professionnel doit disposer d'autre chose, à savoir la connaissance opérationnelle de ce domaine : quels documents circulent, quelles règles les gouvernent, ce qui compte comme erreur et qui en répond. La thèse de cet article est que cette connaissance ne réside pas dans le modèle, et que l'avantage compétitif d'un produit vertical naît précisément de ce qui est construit autour du modèle.
Le modèle est un composant, et le plus remplaçable
La qualité d'un système appliqué dépend de quatre éléments : les données disponibles et leur structure ; les règles du processus dans lequel le système s'insère ; les outils par lesquels le modèle peut agir (lire un registre, interroger une archive, produire un document au format requis) ; la manière dont l'utilisateur vérifie le résultat. Le modèle de langage n'est qu'un de ces éléments et il est, par construction, le plus facile à remplacer : les interfaces des fournisseurs convergent, les coûts baissent, les performances des modèles de même génération se rapprochent. Ce qui ne se remplace pas en un après-midi, c'est tout le reste.
La connaissance incorporée
Ontologies du domaine, règles de validation, flux de travail et interfaces condensent des années de connaissance du secteur sous forme exécutable. Savoir que dans une coopérative la ristourne suit des règles propres et n'est pas un dividende ; qu'un document de transport a des champs obligatoires différents selon la marchandise et le trajet ; qu'un poste de bilan se lit avec sa note explicative : cette connaissance précède le modèle et le contraint. La direction est cohérente avec ce qui a été observé dans les domaines spécialisés, où des modèles entraînés ou adaptés sur la langue du secteur montrent des avantages sur les tâches internes au domaine (en finance, BloombergGPT en est le cas connu : Wu et al., 2023) ; mais l'adaptation du modèle n'est qu'une partie, et souvent la moindre, de l'adaptation du système.
Pourquoi le généraliste, seul, ne suffit pas
Trois manques sont structurels. Le premier concerne la sémantique de l'erreur : un modèle généraliste ne possède pas le critère qui, dans le domaine, sépare le juste du faux, et une réponse plausible mais erronée lui est indiscernable d'une réponse correcte ; la notion d'erreur est normative, elle appartient au domaine et doit être codée dans des validations explicites. Le deuxième concerne les outils : sans accès aux archives, aux registres et aux formats du processus, le modèle peut décrire une action mais non l'accomplir de manière vérifiable. Le troisième concerne les contraintes d'acceptabilité : formats prescrits, échéances, compétences et responsabilités, qui décident si une sortie formellement correcte est aussi utilisable. Tout cela peut se construire autour d'un modèle, et le construire est exactement le travail d'un produit vertical.
Quatre domaines, une méthode
MurphFin opère sur les données économiques et financières, où la structure du bilan est elle-même connaissance ; Trakka sur le transport routier, où les documents et leurs contraintes constituent le processus ; CoopSuite sur les coopératives, où les règles propres du secteur définissent la correction ; Cryterio sur l'information, où les sources sont le produit. Les problèmes diffèrent, le principe non : partir du travail réel et construire l'intelligence autour de lui, non l'inverse.
Un avantage qui s'accumule
Chaque cas réel qui traverse le système améliore ontologies, validations et flux : les cas limites deviennent des règles, les erreurs deviennent des contrôles, les exceptions deviennent de la documentation exécutable. C'est une accumulation lente, difficile à comprimer et difficile à répliquer, parce qu'elle exige une exposition prolongée au domaine et non seulement de la puissance de calcul. C'est pourquoi les produits Analytiko™ sont conçus comme une infrastructure de domaine contenant un modèle, et non comme un modèle entouré d'une interface : dans le premier type de système, le modèle est un composant évolutif ; dans le second, le seul contenu.
Références : Bommasani R. et al., « On the Opportunities and Risks of Foundation Models », arXiv:2108.07258, 2021 · Wu S. et al., « BloombergGPT: A Large Language Model for Finance », arXiv:2303.17564, 2023.
Analytiko · 2 septembre 2026