Créer de la valeur avec l’IA, au-delà de la puissance de calcul

DÉCOUVREZ LA HUITIÈME GÉNÉRATION DU MOTEUR SENSIA

Comprendre ce qui compte dans des centaines de milliers d’avis consommateurs, faire émerger les opportunités et pouvoir examiner ce qui les fonde : c’est l’ambition qui guide Sensia depuis ses débuts.

Nous présentons aujourd’hui la huitième génération de notre moteur. Elle réunit nos derniers modèles d’IA spécialisés et de nouvelles capacités pour sélectionner l’information pertinente, approfondir les analyses et explorer les résultats par la conversation.

Cette mise à jour majeure est disponible dès aujourd’hui pour tous nos clients, dans l’ensemble de nos offres et programmes.

Pour les équipes, cela signifie pouvoir passer d’une question sur tout un marché à l’examen d’une marque, d’un produit ou d’une expérience, en conservant le lien avec les avis sources.

Nous avons mis cette technologie à l’épreuve : les principaux enseignements stratégiques et leur hiérarchisation restent cohérents lorsque l’IA passe de sélections ciblées à des volumes de données beaucoup plus importants. Une démonstration de la capacité de Sensia à faire émerger l’essentiel dans une masse d’informations — et un éclairage sur ce qui crée de la valeur à l’heure des investissements massifs dans l’IA.

Des investissements historiques. Une question de valeur.

Le secteur de l’IA investit à une échelle historique. Les dépenses combinées des plus grands fournisseurs de cloud pour 2026 ont dépassé les 700 milliards de dollars, selon le Morning Bid de Reuters, repris par 24/7 Wall St. (Yahoo Finance). Ces investissements élargissent les capacités disponibles. La question est désormais de savoir où elles produiront des résultats à la hauteur des moyens engagés.

Il faut distinguer trois niveaux de création de valeur. Les infrastructures fournissent la puissance de calcul. Les fournisseurs de modèles la transforment en capacités générales d’IA. Les entreprises intègrent ces capacités à leurs processus pour obtenir des résultats concrets. Chacun doit trouver son équilibre économique, à un rythme différent.

Pour les infrastructures, Gartner formule l’enjeu en chiffres : afin de couvrir les dépenses annoncées, les coûts de financement et un rendement de 12 % sur le capital investi, les propriétaires de centres de données d’IA auraient besoin de 8 500 milliards de dollars de chiffre d’affaires cumulé d’ici 2030. Les revenus liés à l’IA que Gartner prévoit pour ces centres sur la période ne dépassent pas 3 600 milliards de dollars (Gartner).

Cet écart souligne l’importance des usages qui devront rentabiliser ces capacités. L’infrastructure est financée avant que les applications qui doivent en tirer parti aient toutes trouvé leur place.

Le renouvellement du matériel ajoute une autre dimension. Une analyse de Princeton estime que les puces les plus avancées conserveraient leur avantage économique pendant un à trois ans, contre cinq ou six ans retenus dans les comptes des entreprises ; son auteur présente cette estimation comme un travail en cours (Princeton CITP). Des générations plus anciennes peuvent néanmoins rester rentables : Ornn rapporte une hausse de l’utilisation des A100 chez les fournisseurs suivis, de 74 % à 90 % entre mars et septembre 2026 (Ornn). Choisir les capacités adaptées à chaque tâche devient une compétence économique à part entière.

Les résultats de Microsoft illustrent à la fois la croissance de la demande et le poids des investissements. Azure a enregistré une croissance de 41 % et dépassé les 100 milliards de dollars de chiffre d’affaires annuel, tandis que la marge brute du cloud est descendue à 66 %, sous l’effet notamment des investissements dans l’infrastructure d’IA (rapport annuel 2026 de Microsoft). Ces chiffres concernent l’ensemble de l’activité cloud ; ils ne mesurent pas directement la rentabilité des usages de l’IA dans les entreprises.

Pour celles-ci, le passage de l’expérimentation à l’usage quotidien reste décisif. L’étude du MIT de 2025 sur les programmes d’IA générative souligne notamment les difficultés d’intégration dans les processus de travail (Computing).

L’enjeu est donc de déterminer quelles capacités créent de la valeur dans un usage, lesquelles développer et sur quels partenaires s’appuyer.

Lire davantage ne signifie pas apprendre davantage

Prenons le sujet sur lequel travaille Sensia : comprendre ce que les consommateurs disent des produits d’une catégorie, à l’échelle d’un marché. Un seul ensemble de données peut contenir des centaines de milliers d’avis, portant sur de nombreux produits, rédigés en plusieurs langues. Certains décrivent une expérience précise ; d’autres répètent une appréciation générale. Tous ne répondent pas à la même question.

La réponse intuitive consiste à transmettre autant de données que possible à une IA puissante. Mais chaque modèle ne peut traiter qu’une quantité limitée de texte à la fois. Et, même lorsque cette capacité augmente, lire plus ne garantit pas de mieux comprendre ce qui compte.

Des recherches menées par Chroma montrent d’ailleurs que les modèles n’exploitent pas toujours uniformément les longs documents qui leur sont transmis, et que leur fiabilité peut diminuer lorsque le volume augmente, selon les tâches étudiées (Chroma).

La difficulté se situe en amont : comment reconnaître, dans cette masse, les informations qui répondent réellement à la question ? Comment les organiser, les mettre en perspective et conserver les avis qui permettent de vérifier l’analyse ?

Sélectionner correctement suppose déjà de comprendre. C’est dans cette capacité que Sensia investit depuis ses débuts.

Comment fonctionne le moteur Sensia

Avant qu’une synthèse soit rédigée, le moteur Sensia analyse les avis pour comprendre les sujets abordés, les produits concernés et les opinions exprimées. Il s’appuie sur une vingtaine de modèles d’IA propriétaires, spécialisés dans le langage de catégories comme les soins de la peau ou l’alimentation pour animaux de compagnie.

Cette compréhension permet de calculer des indicateurs et de sélectionner l’information pertinente pour chaque question. Une analyse des attentes, une comparaison concurrentielle et l’examen d’une expérience produit ne mobilisent pas exactement les mêmes éléments.

Le moteur confie ensuite cette matière préparée à un modèle d’IA généraliste, capable de raisonner, de synthétiser et de rédiger. Les équipes peuvent explorer les résultats par la conversation et retrouver les avis qui les étayent.

La compréhension spécialisée, la mesure et la préparation de l’information constituent le socle propre à Sensia. Les capacités des modèles généralistes viennent le compléter et peuvent évoluer avec les progrès du secteur.

Architecture générale du moteur Sensia. Les méthodes de compréhension des données, de sélection et de préparation de l’information sont propriétaires.

Ce que permet la huitième génération

Cette nouvelle génération fait évoluer l’ensemble du moteur : nos modèles spécialisés atteignent leur huitième génération, tandis que la préparation de l’information et les capacités d’approfondissement progressent.

Le moteur peut adapter davantage la profondeur de l’analyse à chaque question. Une première lecture s’appuie sur une sélection ciblée ; un sujet nécessitant plus de détail peut mobiliser plusieurs milliers d’avis.

Cette possibilité bénéficie de l’augmentation de la quantité de texte que les modèles généralistes peuvent recevoir à la fois, appelée « fenêtre de contexte ». Elle donne à Sensia davantage de latitude pour approfondir une question, en s’appuyant sur son savoir-faire de sélection.

L’enjeu est de choisir ce qui mérite d’être approfondi. Les données supplémentaires peuvent enrichir l’analyse, mais entraînent aussi un coût et un délai. Nous avons donc mesuré ce qu’elles apportent aux enseignements et aux priorités déjà dégagés par les sélections ciblées.

La huitième génération à l’épreuve

Pour tester le moteur, nous avons choisi cinq analyses de production issues de trois de nos ensembles de données les plus vastes et les plus hétérogènes, dans les soins de la peau et l’alimentation pour animaux de compagnie.

Nous avons fait varier la quantité d’avis examinés, depuis quelques centaines jusqu’à environ 9 000 par section, avec le même modèle généraliste. Sur deux sections, nous avons également comparé notre configuration de production à un modèle de raisonnement haut de gamme recevant davantage de données.

Dans toutes ces configurations, les données étaient préparées par Sensia. Les tests permettent de répondre à trois questions.

Les sélections ciblées permettent-elles déjà de retrouver l’essentiel ?

Avec une quantité limitée d’avis sélectionnés, Sensia faisait déjà émerger les principaux enseignements stratégiques et leur ordre de priorité, confirmés par une lecture beaucoup plus étendue. Nous avons poussé la lecture jusqu’à la capacité maximale du modèle généraliste pour mettre cette sélection à l’épreuve.

Sur les cinq analyses et les six volumes comparés, les grands domaines d’opportunité, le premier facteur de choix et les arbitrages essentiels sont restés cohérents dans les analyses où ils ont été évalués.

Une lecture plus étendue a enrichi certains éléments à l’appui : références supplémentaires à des produits, détails complémentaires ou citations plus longues. Elle a apporté de la nuance tout en confirmant les principales orientations stratégiques et leur ordre de priorité.

Sur ces mêmes vingt sections, le coût d’usage du modèle généraliste à sa capacité maximale était environ treize fois supérieur à celui de la configuration d’environ 1 000 avis.

Cette comparaison montre l’intérêt de pouvoir approfondir un sujet tout en sachant ce que la sélection ciblée permet déjà de comprendre.

La sélection laisse-t-elle de côté une part importante des avis pertinents ?

Une sélection limitée pourrait omettre des produits qui concentrent une part importante des avis sur le sujet. Pour examiner ce risque, nous avons reconstitué l’ensemble des avis pertinents pour quatre questions, puis mesuré le poids des produits représentés dans les échantillons.

À environ 1 500 avis sélectionnés par question, les produits représentés concentraient entre 98,1 % et 99,5 % du volume total d’avis pertinents.

Cette mesure apporte un second éclairage sur la sélection Sensia : les échantillons incluent les produits portant la quasi-totalité de ce volume. Elle complète la comparaison des enseignements présentée précédemment.

Le niveau de couverture varie selon la question. Avec environ 1 000 avis, les produits représentés concentraient déjà entre 94 % et 99 % du volume d’avis pertinents. Pour l’une des questions, cette part passait de 94,4 % à environ 1 000 avis à 98,1 % à environ 1 500.

La profondeur s’ajuste donc à la question et à l’apport des données supplémentaires. Un produit ou un sujet particulier peut également justifier un examen ciblé.

Une IA de raisonnement plus puissante change-t-elle les enseignements ?

Sur deux sections, nous avons comparé notre configuration de production à un modèle généraliste haut de gamme, configuré pour un raisonnement approfondi. Celui-ci a reçu environ deux fois plus de données, elles aussi préparées par Sensia.

Les deux configurations ont produit des enseignements principaux comparables. Le modèle de référence a apporté quelques nuances de formulation ; aucune nouvelle décision majeure n’a été observée dans les sections examinées. Son coût d’usage était plus de trente fois supérieur.

Nous détaillons les implications de ces résultats pour les équipes métier dans Quatre exigences pour évaluer une analyse de marché produite par l’IA. Les choix d’architecture, de ressources et de partenariat sont développés dans notre article consacré aux programmes d’IA d’entreprise.

Un savoir-faire construit avant la synthèse

Ces résultats mettent en évidence la valeur du travail effectué avant la rédaction : comprendre ce que les données expriment, mesurer les phénomènes observés et préparer l’information pertinente pour chaque question.

La sélection est le résultat de cette compréhension spécialisée. Dans les cas étudiés, elle permettait déjà de dégager les enseignements principaux retrouvés avec des volumes et des coûts beaucoup plus importants.

Ce savoir-faire se construit catégorie par catégorie. Il repose sur des modèles propriétaires, des données qualifiées, des méthodes de mesure et un effort continu d’évaluation et de maintenance. La huitième génération prolonge cet investissement et en élargit les possibilités d’usage.

Pour les entreprises qui intègrent l’IA à leurs processus, l’arbitrage porte aussi sur ces capacités : lesquelles souhaitent-elles développer et maintenir, et sur lesquelles peuvent-elles s’appuyer auprès d’un spécialiste ? Sensia apporte ce socle de compréhension des consommateurs, sur lequel les équipes peuvent faire progresser leurs usages.

Cette architecture permet également de bénéficier des progrès des modèles généralistes. La compréhension des données repose sur les technologies Sensia ; le modèle chargé du raisonnement et de la synthèse peut évoluer après évaluation de ses résultats.

Le passage de GPT-5.4 à Luna illustre cette liberté de faire évoluer le modèle généraliste tout en conservant le socle technologique Sensia.

L’objectif est de faire bénéficier les clients des progrès de l’IA tout en conservant et en renforçant la compréhension spécialisée qui donne sa valeur à l’analyse.

Un avantage qui se renforce

Les investissements dans les modèles et les infrastructures continueront d’élargir les capacités disponibles. Sensia et ses clients en bénéficieront.

À mesure que ces capacités se diffusent, le savoir-faire nécessaire pour transformer des données en connaissances utiles prend une importance croissante. C’est celui que nous développons depuis nos débuts : comprendre les marchés, sélectionner l’information pertinente et permettre aux équipes d’en explorer les implications.

La huitième génération du moteur franchit une nouvelle étape dans cette ambition.

« Notre ambition est de permettre à chacun de comprendre ce qui compte pour les consommateurs et d’en tirer des idées. Avec Sensia, nous voulons faire de cette compréhension une capacité partagée dans l’entreprise, pour que chaque équipe puisse repérer les opportunités et agir avec confiance. »

Antoine Poupel, CEO de Sensia

C’est cet avantage que nous construisons, génération après génération.

À propos du benchmark : cinq analyses de production, soit vingt sections, issues de trois ensembles de données de référence dans les soins de la peau et l’alimentation pour animaux de compagnie. Les analyses ont été régénérées à six profondeurs de lecture, jusqu’à la capacité maximale du modèle généraliste. Deux sections ont également été comparées avec une configuration de raisonnement haut de gamme recevant davantage de données : 122 générations au total, en octobre 2026. La couverture a été mesurée sur quatre questions. Les enseignements principaux et leur hiérarchisation ont été évalués par lecture comparative. Le benchmark étudie le moteur actuel dans plusieurs configurations ; il ne constitue pas une comparaison contrôlée avec la génération précédente. Le coût d’usage des modèles généralistes est calculé aux tarifs publics du fournisseur et ne représente pas le coût total de la plateforme Sensia. Consulter les résultats détaillés dans le rapport de benchmark.