Des prompts aux produits : Copilot prend le devant de la scène pour montrer comment l'IA livre

L'IA devient transformatrice non pas lorsque les machines pensent plus vite, mais lorsque l'imagination humaine et les systèmes intelligents se poussent mutuellement vers l'avant. Les modèles peuvent générer des résultats, mais l'impact réel ne se produit que lorsque les idées créatives sont associées à des systèmes robustes et scalables qui couvrent les flux de travail, les données et la prise de décision en temps réel.

Lors de TechSparks 2025, le panel "Rendre l'IA réelle : Là où la créativité rencontre l'intelligence et l'échelle" a exploré cette puissante intersection. Modéré par Sandeep Alur, Directeur de la technologie (CTO) du Microsoft Innovation Hub, Microsoft Inde, la session a réuni Mathangi Sri Ramachandran, Directrice de YuVerse, Groupe Yubi ; Rahul Regulapati, Fondateur de Galleri5—acquis par Collective Artists ; Samanyou Garg, Fondateur de Writesonic ; et Vishal Virani, Co-fondateur et PDG de Rocket. Alur a co-modéré aux côtés de Copilot, l'assistant d'IA de Microsoft, qui a posé des questions en temps réel, offrant une démonstration en direct de la collaboration homme-IA en action.

Équilibrer la créativité avec les besoins des entreprises

La conversation a débuté par une question sur la préparation des entreprises : comment les équipes utilisant des outils de développement pilotés par l'IA peuvent-elles équilibrer la créativité avec les exigences de sécurité, de scalabilité et de fiabilité ?

Vishal Virani a décomposé cela à travers le prisme de ce que le "vibe coding" peut—et ne peut pas—offrir aujourd'hui. Il a déclaré que les plateformes actuelles ne génèrent toujours pas d'applications de qualité production de manière indépendante. Ce qu'elles peuvent faire, c'est accélérer considérablement le développement initial. Rocket, par exemple, permet aux équipes d'assembler des flux front-end, d'intégrer des API privées en utilisant des collections Postman, et d'aligner les builds avec les systèmes de design internes—le tout dans une période de configuration compacte. Sa véritable force réside dans la personnalisation : en 15 à 20 jours, Rocket peut configurer tout son environnement selon les besoins d'un client entreprise.

Il a ajouté que des modèles plus puissants élargiront les capacités de ces outils. "D'ici l'arrivée de GPT-5, Sonnet 5 ou Sonnet 6, nous serons capables de générer du code pur et sécurisé," a-t-il déclaré. Pendant l'échange, Alur a mentionné que le "vibe coding" a récemment été déclaré mot de l'année par le dictionnaire Collins.

Virani a partagé un exemple d'une équipe de property-tech où un chef de produit a saisi un énoncé de problème et généré un ensemble d'options, incluant des versions adaptées aux utilisateurs de la génération Z et à un public de plus de 60 ans. Le manager lui a dit que la plateforme avait déplacé l'effort de la rédaction de PRD vers l'exploration des possibilités.

Il a également fait référence à Devin, un outil écarté lors de son lancement pendant l'ère GPT-3 mais conçu pour ce que les modèles de générations ultérieures permettraient. Lorsque ces modèles sont arrivés, son adoption aux États-Unis a rapidement augmenté.

Redéfinir la découverte avec l'optimisation des moteurs génératifs

La conversation s'est ensuite tournée vers la façon dont l'IA redéfinit la découverte de produits. Samanyou Garg a noté que les utilisateurs s'appuient de plus en plus sur les assistants d'IA plutôt que sur les moteurs de recherche traditionnels ; ChatGPT à lui seul a dépassé les 700 millions d'utilisateurs actifs hebdomadaires. Une étude récente de Forrester montre que 89% des décisions d'achat B2B impliquent désormais des conversations médiées par l'IA, rendant la visibilité au sein de ces systèmes indispensable.

Pourtant, il n'existe pas de "console de recherche" pour l'IA aujourd'hui. Les entreprises ont peu de visibilité sur les prompts qui font apparaître leurs produits ou sur la façon dont leurs concurrents apparaissent. Writesonic vise à résoudre ce problème en suivant la visibilité des marques dans les assistants d'IA et en identifiant où l'optimisation est nécessaire.

Garg a souligné que les modèles d'IA accordent trois à six fois plus de poids aux sources tierces comme Reddit et Wikipedia qu'au contenu appartenant à la marque, faisant des sentiments externes et des avis des entrées cruciales. Il a également souligné l'importance de mettre à jour continuellement le contenu appartenant à la marque, car les informations obsolètes peuvent toujours être extraites par les modèles.

Garg a présenté ce changement comme l'essor de l'optimisation des moteurs génératifs (GEO), optimisant non seulement pour les moteurs de recherche, mais aussi pour la façon dont les modèles d'IA interprètent, classent et présentent une marque.

L'IA comme infrastructure créative

La discussion est ensuite passée de la découverte à la créativité. Rahul Regulapati a parlé du travail de Galleri5 sur la série Mahabharat générée par IA, maintenant parmi les meilleures émissions sur Star Plus. Alors que Galleri5 a construit l'infrastructure d'IA alimentant la production, une équipe créative complète, comprenant un réalisateur, un scénariste, des unités de cascades et de chorégraphie, et des artistes de personnages, s'est occupée de la réalisation. Entre 50 et 100 personnes ont travaillé dans des rôles créatifs et techniques.

Regulapati a décrit l'IA comme une infrastructure qui supprime les contraintes de production. Les équipes peuvent maintenant filmer des mouvements de base dans de plus petits studios et utiliser des pipelines d'IA pour les transformer en séquences cinématographiques expansives qui nécessiteraient auparavant des budgets massifs ou des installations physiques complexes. Les délais de production qui s'étendaient autrefois sur deux ans peuvent maintenant se réduire à deux mois, et les coûts qui atteignaient auparavant 100 crores de roupies peuvent être considérablement réduits. Tout au long du processus, le contrôle créatif reste intact—le directeur de la photographie dicte toujours les objectifs et le style visuel, et le résultat doit correspondre à cette vision.

Il a ajouté que les audiences regardent Mahabharat pour son récit, pas pour sa technologie. Pour l'avenir, il s'attend à ce que la plupart des contenus deviennent partiellement ou totalement basés sur l'IA dans les 12 à 24 prochains mois, avec des équipes créatives dirigeant fermement le processus.

De la preuve à l'échelle massive

Le panel s'est ensuite tourné vers la question de l'échelle, avec Mathangi Sri Ramachandran expliquant comment YuVerse exploite des systèmes d'IA dans des environnements à haut volume et à enjeux élevés. L'entreprise gère près de 30 millions d'appels par mois via des bots conversationnels, parallèlement au traitement de documents à grande échelle et à la génération de vidéos personnalisées. Comme elle l'a dit, "tout ce que nous essayons aujourd'hui est à l'échelle demain."

L'un des produits phares de YuVerse, YuVin, crée des millions de vidéos personnalisées, chacune adaptée à un utilisateur individuel plutôt que de s'appuyer sur un seul actif produit en masse. L'équipe expérimente maintenant avec des formats interactifs vidéo-à-vidéo qui pourraient davantage changer la façon dont les marques communiquent.

Ramachandran a souligné un écart persistant entre les performances des machines et les attentes des utilisateurs. Les centres d'appels traditionnels fonctionnent généralement avec une précision de 60 à 70%, tandis que les bots d'IA atteignent 98-99%, pourtant la validation d'une preuve de concept exige toujours 50 à 100 itérations car la tolérance aux erreurs des machines reste extrêmement faible. La préférence de l'Inde pour la voix, même sur WhatsApp, rend l'IA conversationnelle particulièrement attrayante, mais ces attentes continuent de ralentir l'adoption.

Retraçant l'évolution du domaine, elle a décrit comment l'IA conversationnelle est passée des systèmes dirigés par des linguistes aux scientifiques informatiques, puis aux RNN et LSTM, et maintenant aux LLM. Elle a noté que l'Inde a toujours été "un marché extrêmement conversationnel", mais l'adoption généralisée n'a décollé que récemment avec l'arrivée de modèles de langage plus capables. Néanmoins, elle a souligné que la tolérance aux erreurs des machines doit augmenter pour accélérer le déploiement.

Le modérateur Sandeep Alur a proposé un recadrage : au lieu de se concentrer uniquement sur les taux d'erreur, les entreprises devraient considérer le coût de l'erreur. Si ce coût est faible, a-t-il soutenu, les équipes devraient aller de l'avant plutôt que de poursuivre une perfection qui ralentit l'échelle.

Construire pour les flux de travail de demain

Lorsque la conversation s'est déplacée vers la prochaine vague d'outils low-code et no-code, Virani a précisé que les plateformes de vibe-coding sont mieux utilisées pour la conceptualisation, pas pour livrer du code de qualité production. Il a cité un chef de produit property-tech qui a utilisé Rocket pour explorer des idées que les concurrents n'avaient pas envisagées et tester rapidement des versions destinées à la génération Z par rapport aux utilisateurs de plus de 60 ans, un travail qui prend généralement un mois, achevé en une seule journée.

Selon Virani, la plus grande barrière à l'adoption n'est pas la capacité mais l'état d'esprit. Les entreprises luttent souvent parce qu'elles essaient de forcer les flux de travail existants dans de nouveaux outils. "Si vous essayez d'adapter votre flux de travail à n'importe quel outil, vous ne pourrez jamais adopter l'IA," a-t-il déclaré. Le marché américain, a-t-il ajouté, a adopté l'approche opposée : évaluer d'abord les outils, puis adapter les flux de travail autour d'eux. Les préoccupations de sécurité et de conformité changent également selon que les équipes explorent des idées ou déploient à grande échelle.

Sur la découverte de produits, Garg a expliqué comment la recherche pilotée par l'IA redéfinit la visibilité. Les systèmes d'IA accordent trois à six fois plus de poids aux sources tierces comme Reddit, Wikipedia, les avis indépendants qu'au contenu appartenant à la marque. Cela signifie que des informations obsolètes ou négatives n'importe où en ligne peuvent apparaître dans les réponses générées par l'IA. Pour les marques espérant apparaître dans les recommandations d'IA, la gestion de la réputation doit maintenant s'étendre aux plateformes d'avis, aux médias et aux conversations sociales.

Rendre l'IA réelle

En conclusion de la session, chaque panéliste a offert un enseignement concis sur ce que signifie "rendre l'IA réelle". Ramachandran a souligné l'importance de se concentrer sur les résultats qui comptent vraiment et de s'assurer que l'IA reste gouvernée par l'humain. Regulapati a soutenu que l'IA devient réelle lorsqu'elle remplace des processus, pas des personnes. Garg a pointé vers les fondamentaux : parler aux utilisateurs, identifier les frictions et corriger les flux de travail avec une approche dirigée par l'humain. Virani a souligné une vérité technique : le bon contexte compte plus que les grandes entrées, et sans cet ancrage, les systèmes d'IA peuvent halluciner.

Copilot, bouclant la boucle sur son rôle tout au long de la discussion, a offert un résumé final sur scène : rester ancré aux résultats réels, utiliser l'IA pour soutenir les personnes, maintenir des flux de travail dirigés par l'humain, et toujours travailler avec le bon contexte.

.