dotAI 2025
Site archivé (nouvel onglet) ↗Programme (nouvel onglet) ↗Chaîne YouTube (nouvel onglet) ↗Synthèse de novembre 2025 →
Jeudi 6 novembre 2025, Folies Bergère (« November 6th 2025 », site officiel archivé). Une journée, une piste : 8 talks de 20 minutes avec Q&A et 6 lightning talks de 10 minutes l'après-midi ; maîtresse de cérémonie Anne-Claire Baschet (Mirakl) ; 1 500 participants annoncés ; clôture par le lancement de l'European AI Championship et une soirée Dust. Side-events : ateliers Labelia/Datacraft (4/11) et Pruna AI (5/11).
Une journée sur la fiabilité de l'IA en production : typer et contraindre les sorties des LLM (Gupta, Louf), confier aux petits modèles les tâches ennuyeuses (Potencier), faire collaborer des agents qui se vérifient entre eux (Polu), tout en rappelant que l'humain reste dans la boucle et que l'autonomie des agents en production n'en est qu'au niveau 2 (Palcuie).
14 sessions résumées · 13 vidéos · mise à jour le lundi 28 septembre 2026 · synthèse à compléter
Sources lues et limites de cette synthèse
Corpus : Agenda et page d'accueil officiels archivés (Wayback Machine, 14 sessions), playlist dotAI 2025 de la chaîne dotConferences (13 vidéos publiées le 14/11/2025, dont 10 transcrites), un compte-rendu de participant (blog de Bartosz Teleńczuk, 7/11/2025), un fil Bluesky de participant (Charles Vin, 6-7/11) et un post Bluesky de speaker (Gaël Varoquaux). Sept recherches web (LinkedIn, blogs, presse) n'ont rien apporté d'autre.
Limites : Retours participants très minces : un seul compte-rendu détaillé et un fil Bluesky, aucun post LinkedIn lisible (mur de connexion, résultats limités aux annonces d'avant l'événement). Les résumés reposent surtout sur les transcriptions automatiques ; trois lightning talks (Chopra, Charpentier, Gouze) ne sont connus que par le blog, et celui d'Alex Laterre (InstaDeep) n'a ni vidéo ni titre retrouvé.
Synthèse globale
1. La fiabilité comme fil rouge
Le seul compte-rendu détaillé (Bartosz Teleńczuk) lit toute la journée à travers la fiabilité : l'IA est non déterministe, comme le monde physique rappelé par Natalia Segal (NVIDIA), et l'ingénierie consiste à dompter cette incertitude. Les talks le confirment sous plusieurs angles : un logiciel ne devrait pas tomber « 5 % du temps » parce qu'il appelle un modèle (Vaibhav Gupta), l'humain doit rester dans la boucle pour le code généré (Katia Gil Guzman), l'évaluation est plus difficile que la construction d'agents (Viktoria Semaan), la livraison reste source d'anxiété (Nnenna Ndukwe).
2. Remettre de l'ingénierie logicielle autour des LLM
Un bloc cohérent de talks refuse de traiter le LLM comme une exception : types (BAML, Gupta), génération contrainte au niveau du token et composition façon Unix (Rémi Louf), séparation fit/transform et pipelines rejouables pour la data science (Gaël Varoquaux), une tâche par prompt et validation automatique (Fabien Potencier). Le vocabulaire nouveau (tool calling, agents, handoffs) est ramené à des primitives connues : unions, boucles while, signatures de fonction. Teleńczuk y voit deux paradigmes concurrents (relance jusqu'au succès chez Gupta, prévention à la source chez Louf).
3. Des agents qui se vérifient entre eux
Stanislas Polu (Dust) pousse l'idée la plus prospective : les progrès récents viendraient moins de l'entraînement que de réseaux d'agents qui proposent, relisent et votent, avec des résultats concrets annoncés en recherche de vulnérabilités. La vérification croisée revient ailleurs sous des formes plus modestes : revue de PR par Codex (Gil Guzman), juges IA et experts métier (Semaan), second LLM de contrôle avant la PR humaine (Potencier).
4. L'IA comme « technologie normale » et ennuyeuse
Potencier revendique d'utiliser des petits modèles locaux pour les tâches ennuyeuses, et Ndukwe rêve de déploiements « ennuyeux ». Teleńczuk relie ce thème à l'idée de « normal technology » : les bénéfices ne sont pas automatiques et demandent données propres et documentation (Claire Gouze). Il cite aussi leboncoin (Elisa Gilles et Giulia Bianchi, partenaire exclusif de l'édition) : seulement 36 % de leurs cas d'usage relèvent de la GenAI, le reste étant du machine learning classique. Alex Palcuie (Anthropic) clôt sur le même registre : l'autonomie des agents en production n'en est qu'au niveau 2 d'une échelle calquée sur la voiture autonome.
5. Efficacité, énergie et souveraineté
Plusieurs talks touchent aux ressources : mur de la mémoire (Tejas Chopra, Netflix), énergie d'inférence (Bertrand Charpentier, Pruna AI), petits modèles spécialisés (Potencier, Segal avec un VLM de 7 milliards de paramètres). Varoquaux rappelle que la pile ML repose sur une recherche financée par l'argent public (Inria), et Teleńczuk rapproche ce plaidoyer du supercalculateur interne d'InstaDeep (Alex Laterre) et de l'exigence de résidence européenne des données portée par leboncoin.
6. Tensions et critiques
- Talks d'éditeurs : l'ouverture par OpenAI a été perçue comme « une promotion pour OpenAI Codex » (Charles Vin) ; Databricks (Semaan) et NVIDIA (Segal) présentent aussi largement leurs produits, alors que le site promet des talks « curated, not sold ».
- Chiffres invérifiables : 70 % de PR en plus chez OpenAI, plus de 90 % d'agents bloqués au PoC, 50 % du temps d'intégration en parsing, zero-days Tor : tous avancés par les speakers eux-mêmes.
- Un entre-soi technique : pour Teleńczuk, les cas d'usage sont surtout « faits par des informaticiens pour des informaticiens », ce qui limite leur portée auprès du public.
- Ambiance : Charles Vin, venu de la recherche, note « plus de démos produit, moins de théorie », mais un contenu « super insightful ».
7. Le format et les biais du corpus
Format dotConferences maintenu : une piste, talks de 20 minutes maximum, lightning talks après le déjeuner, Q&A en direct, 1 500 participants annoncés, maîtresse de cérémonie Anne-Claire Baschet (Mirakl). Teleńczuk salue une organisation « impeccable » et un lieu « superbe ». Le corpus reste très mince : un blog, un fil Bluesky, aucun post LinkedIn lisible ; l'essentiel des résumés vient des transcriptions automatiques des vidéos.
Actions concrètes citées
- Traiter chaque appel LLM comme une fonction typée : outil = union, appels parallèles = tableau d'unions, agent = boucle while avec un état (Gupta).
- Contraindre la génération au niveau du token plutôt qu'empiler parsing et retries : « on construit des systèmes de gestion d'erreurs qui font occasionnellement de l'IA » (Louf).
- Pour les tâches répétitives, préférer un petit modèle local, une seule tâche par prompt, un contexte court et précis, puis valider par schéma, lint et tests avant la relecture humaine (Potencier).
- Donner du contexte aux agents de code comme à un nouveau coéquipier (AGENTS.md, tests exécutables, MCP) et raisonner en tech lead qui spécifie et relit (Gil Guzman).
- Faire vérifier le travail d'un agent par d'autres agents (proposeur, relecteurs, vote) : la recherche sur ces réseaux d'agents ne demande qu'une clé d'API (Polu).
- Ne pas licencier les SRE : cartographier l'autonomie des agents de production sur les niveaux de la voiture autonome (détection, réponse, prévention) ; on est aujourd'hui au niveau 2 (Palcuie, retenu par Teleńczuk).
- Séparer fit et transform dans la préparation des données pour pouvoir rejouer le pipeline sur des données nouvelles et faire de la validation croisée (Varoquaux).
- Commencer petit pour gagner la confiance dans une livraison pilotée par l'IA : laisser d'abord l'IA choisir la première cohorte canary (Ndukwe).
- Mesurer l'énergie à l'inférence, qui pèse la majorité de la consommation de l'IA, et la réduire par quantization, cache, compilation et flash attention (Charpentier, via Teleńczuk).
Session par session
Jeudi 6 novembre
Conférence▶ vidéo + transcript
Coding Agents
Katia Gil Guzman — OpenAI
Retours : Bartosz Teleńczuk (blog), Charles Vin (Bluesky)
- Sur scène : le vibe coding ne passe pas à l'échelle, l'agent de code est de la délégation (planifier, agir, s'adapter) dans le terminal, l'IDE, le cloud, GitHub ou Slack.
- Démo sur un vrai projet : refonte de la page d'accueil de developers.openai.com à partir de maquettes Figma, quatre variantes en parallèle (« best of N »), puis itérations section par section et revue par Codex.
- Chiffres avancés par la speaker : les ingénieurs d'OpenAI fusionnent environ 70 % de PR de plus par semaine ; review chez Cisco réduite de 50 %.
- Conseils : traiter l'agent comme un nouveau coéquipier (fichier AGENTS.md, tests exécutables, images, serveurs MCP), découper en tâches autonomes, lancer des tâches cloud avant le déjeuner ; « pensez comme un tech lead ».
- Retenu par un participant : les agents font des erreurs comme des humains, le code généré ne se livre pas sans « regarder sous le capot » (Teleńczuk).
- Lecture critique : talk d'ouverture perçu comme « une promotion pour OpenAI Codex » (Charles Vin, Bluesky).
Conférence▶ vidéo + transcript
Clean code in Data Science
Gaël Varoquaux — Inria, Probabl
Retours : Bartosz Teleńczuk (blog), Gaël Varoquaux (speaker, Bluesky)
- Sur scène, en live coding : le code de data science est spaghetti parce que la préparation des données dépend du jeu de données et se fait de façon interactive, ce qui explique en partie que tant de projets n'aillent pas en production.
- Démo : Copilot génère un modèle qui tourne (sans le parallélisme demandé) ; à la main, un
get_dummiesappliqué séparément sur train et test casse le modèle. Leçon : séparer fit et transform, y compris dans la préparation des données. - skrub : TableVectorizer pour de bonnes baselines, puis DataOps qui trace le code pandas/polars multi-tables dans un graphe rejouable, ajustable (
choose_from) et validable par validation croisée ; skore pour suivre les évaluations. - « L'IA de code ne nous sauve pas » : un code généré qu'on ne comprend pas reste un passif.
- Retenu par un participant : la pile ML repose sur une infrastructure numérique publique (Inria, bénévoles) qu'il faut financer pour une souveraineté européenne des données (Teleńczuk).
Conférence▶ vidéo + transcript
The Outer-Loop Era
Stanislas Polu — Dust
- Sur scène : plusieurs résultats récents (or aux Olympiades de maths avec Gemini 2.5 Pro dans une boucle proposeur-vérificateurs, preuves formelles, CodeMender, agent de sécurité d'OpenAI) viennent d'agents qui collaborent, sans entraînement.
- Hypothèse de la « boucle externe » : les futures capacités de raisonnement viendront surtout de réseaux d'agents disposant d'environnements universels (MCP, web, ordinateur) et d'un schéma de collaboration (se découper en sous-tâches, vérifier le travail des autres).
- srchd (open source) : les agents éditent leur propre prompt, publient des « articles » relus par d'autres agents et votent pour la meilleure solution, comme une communauté de recherche.
- Résultats annoncés : des failles réelles dans Dust (fuite de secret MCP à des non-admins) et, d'après la transcription, deux zero-days de déni de service sur le réseau Tor, pour quelques centaines de dollars d'API.
- Message : une recherche démocratisée, accessible avec une clé d'API. Aucun retour de participant trouvé.
Conférence▶ vidéo + transcript
BAML: a new programming language for AI
Vaibhav Gupta — Boundary
Retours : Bartosz Teleńczuk (blog)
- Sur scène : « une entreprise qui tombe 5 % du temps n'est pas une entreprise » ; un logiciel ne doit pas être moins fiable parce qu'il appelle un modèle, et aucun cloud ne peut réparer une mauvaise sortie de LLM.
- Parallèle avec React : un langage dédié apporte coloration, erreurs à la compilation et problèmes qu'on n'a plus à gérer.
- Tout se modélise avec des types : un appel LLM est une fonction typée, le tool calling une union, les appels parallèles un tableau d'unions, un agent une boucle while avec un état, un handoff une signature de fonction. Pas besoin de nouveau vocabulaire ni de framework.
- Démo : tests de prompts, bouton « run » façon Jupyter, parsing tolérant (même sans JSON valide), contraintes de type, clients générés pour Python, TypeScript et d'autres langages. Plus de 1 000 entreprises en production selon le speaker.
- Retenu par un participant : un système de types qui donne des garanties dures sur les sorties, avec relance automatique en cas d'échec (Teleńczuk).
Lightning talk▶ vidéo
AI Agents for data: get insights, not SQL
Claire Gouze — nao Labs
Retours : Bartosz Teleńczuk (blog)
- Vidéo publiée, non transcrite ; résumé d'après un unique compte-rendu.
- Les agents ne tirent des insights des données internes qu'à deux conditions : des modèles de données propres et des règles de documentation strictes (Teleńczuk).
- Pour le blogueur, c'est « peut-être le cœur de toute la discussion » : l'IA est puissante mais ses bénéfices ne sont pas automatiques.
Lightning talk▶ vidéo
AI and memory: A wall to cross!
Tejas Chopra — Netflix
Retours : Bartosz Teleńczuk (blog)
- Vidéo publiée, non transcrite ; résumé d'après un unique compte-rendu.
- Les LLM sont de plus en plus limités par la mémoire, dont la taille sur les puces IA progresse moins vite que le calcul : sans précautions d'infrastructure d'entraînement et d'architecture, le calcul reste sous-utilisé (Teleńczuk).
Lightning talk
Lightning talk InstaDeep (titre non retrouvé)
Alex Laterre — InstaDeep
Retours : Bartosz Teleńczuk (blog)
- Aucune vidéo dans la playlist officielle ; résumé d'après un unique compte-rendu.
- Un supercalculateur et une plateforme d'orchestration construits en interne pour accélérer la découverte de médicaments (Teleńczuk).
- Rapproché par le blogueur du plaidoyer de Varoquaux pour une infrastructure IA européenne.
Lightning talk▶ vidéo
Optimize AI Energy
Bertrand Charpentier — Pruna AI
Retours : Bartosz Teleńczuk (blog)
- Vidéo publiée, non transcrite ; résumé d'après un unique compte-rendu.
- L'inférence représenterait 80 % de l'énergie consommée par l'IA ; des choix d'implémentation (quantization, cache, compilation, flash attention, factorisation) réduisent fortement énergie et émissions (Teleńczuk).
- Réserve du blogueur : l'effet rebond peut annuler ces gains, d'où l'intérêt complémentaire des petits modèles spécialisés.
Lightning talk▶ vidéo + transcript
LLMs as constrained generators
Fabien Potencier — Upsun
Retours : Bartosz Teleńczuk (blog)
- Sur scène : 40 ans de code, défenseur des technologies ennuyeuses ; il ne fait pas confiance aux LLM et veut un code identique à celui qu'il aurait écrit.
- Cible : les tâches ennuyeuses que les templates ne savent pas faire (config Upsun optimisée, montée de version Symfony), avec un résultat quasi déterministe, reproductible, sans refactoring non demandé.
- Méthode : pas besoin d'un modèle frontière (coût, planète, généricité) ; une seule tâche par prompt ; un contexte aussi court que possible mais précis (faits extraits du code, guide ciblé) ; « si je n'ai pas plaisir à lire le contexte, il y a un problème ».
- Validation par schéma, lint, tests, un second LLM, boucle de correction, puis un humain valide la PR ; pas de framework, les guides écrits pour les LLM servent aussi aux humains.
- Retenu par un participant : l'IA peut devenir une technologie « ennuyeuse » grâce aux petits modèles spécialisés et aux bons outils de vérification (Teleńczuk).
Lightning talk▶ vidéo + transcript
Architecting autonomous pipelines
Nnenna Ndukwe — Qodo AI
Retours : Bartosz Teleńczuk (blog)
- Sur scène : malgré feature flags et déploiements progressifs, l'anxiété du déploiement demeure ; le rachat de Statsig par OpenAI est lu comme le signe d'une livraison progressive native IA.
- Vision : des pipelines qui raisonnent, diagnostiquent et s'auto-réparent (analyse d'impact du code, fenêtres de montée en charge adaptatives, détection d'anomalies croisant logs, code et incidents passés, rollback prédictif), avec l'humain dans la boucle.
- Confiance : commencer petit (laisser l'IA choisir la première cohorte canary), investir dans la qualité des données ; objectif affiché : moins d'alertes et des déploiements « ennuyeux ».
- Retenu par un participant : l'IA « started small and scaled smart » pour réduire le stress de la livraison (Teleńczuk).
Conférence▶ vidéo + transcript
Why most AI agents fail (and how to fix it)
Viktoria Semaan — Databricks
Retours : Bartosz Teleńczuk (blog)
- Sur scène : plutôt que résister à l'IA, s'en servir pour s'« empowerer » ; selon la speaker, plus de 90 % des organisations échouent à passer leurs agents du PoC à la production, faute de maîtriser la chaîne (données, index vectoriel, frameworks, gouvernance, déploiement).
- Démo d'un agent de librairie multi-agents (RAG sur avis et résumés, agent text-to-SQL sur l'inventaire) construit avec Agent Bricks.
- Évaluer est plus dur que construire : traces MLflow, juges IA, retours d'experts métier ; benchmarks générés automatiquement puis auto-optimisation (dans sa démo : 27 fois plus rapide, coût -69 %).
- Retenu par un participant : des benchmarks intégrés à la plateforme d'agents ; l'IA n'est pas prête à être totalement autonome (Teleńczuk).
- Lecture critique : talk très centré sur le produit Databricks.
Conférence▶ vidéo + transcript
AI needs its Unix moment
Rémi Louf — .txt
Retours : Bartosz Teleńczuk (blog), Charles Vin (Bluesky)
- Sur scène : Unix a gagné grâce à un contrat simple, texte en entrée, texte en sortie, avec un enregistrement par ligne ; l'IA a besoin du même moment pour que ses outils se composent avec
sort,uniqoujq. - Problème : la structure est un comportement appris, jamais garanti ; d'après ~200 entretiens, environ 50 % du temps d'intégration des LLM passe en parsing et retries : « des systèmes de gestion d'erreurs qui font occasionnellement de l'IA ».
- Solution : la génération structurée contraint les tokens possibles à chaque pas ; on prévient les erreurs au lieu de les corriger (bibliothèque open source Outlines).
- Démo en ligne de commande avec un modèle local : 100 tickets de support, 200 appels LLM chaînés en pipe, zéro échec. Principes : faire une chose bien, structurer les sorties, composer ; « n'acceptez pas le manque de fiabilité comme nouvelle réalité ».
- Retenu par les participants : un de leurs talks préférés, la démo d'outils CLI pour LLM « a réveillé le nerd » (Charles Vin, Bluesky) ; la vision d'une « révolution Unix » de l'IA (Teleńczuk).
Conférence▶ vidéo + transcript
Reasoning VLM for Physical AI
Natalia Segal — NVIDIA
Retours : Bartosz Teleńczuk (blog), Charles Vin (Bluesky)
- Sur scène : après l'IA de perception, générative puis agentique, la prochaine vague serait l'IA physique (usines, véhicules autonomes, robots, villes).
- Cosmos Reason : un VLM de 7 milliards de paramètres (base Qwen) post-entraîné pour raisonner sur le monde physique ; SFT sur trois familles de données (sens commun physique, raisonnement incarné, physique intuitive : continuité de l'espace, du temps, des objets).
- RL avec des QCM à réponse unique pour obtenir une récompense vérifiable, jeux de données curés avec humain dans la boucle et publiés sur Hugging Face ; modèle open source.
- Usages : annotation et critique de données (repérer une vidéo synthétique physiquement impossible), planification de robots, analyse vidéo.
- Retenu par les participants : le talk « le plus technique » de la journée (Charles Vin, Bluesky) ; le rappel que le monde physique est ordonné mais trop complexe pour être prédit (Teleńczuk).
Conférence▶ vidéo + transcript
Agents for production engineering
Alex Palcuie — Anthropic
Retours : Bartosz Teleńczuk (blog)
- Sur scène : demander à Claude d'analyser la prod, trouver la cause racine et livrer le correctif, « ça ne marche pas » ; mais certains morceaux deviennent réels (prototypes, outils internes jetables, analyse de données en langage naturel).
- La fiabilité ne se « saupoudre » pas par une équipe SRE isolée ; les anciennes solutions ponctuelles (détection d'anomalies, analyse de logs) ne marchaient que dans des contextes étroits, MCP est le tissu conjonctif qui change la donne.
- Cas d'usage gradués : graphes pertinents au moment de l'astreinte, rédaction de post-mortems, priorisation des actions, évaluation du risque d'un changement avant déploiement.
- Grille inspirée des niveaux SAE de la voiture autonome (détection, réponse, prévention) : la plupart des logiciels sont au niveau 2, on entrevoit le niveau 3 ; le niveau 5 demanderait peut-être l'AGI.
- Conclusion : « ne licenciez pas votre équipe SRE demain en espérant que Claude soit d'astreinte ». Retenu par un participant comme la déconstruction du hype et du réel en fin de journée (Teleńczuk).
Sources
- Agenda officiel dotAI 2025 (Wayback Machine, 12/11/2025) (nouvel onglet) ↗
- Site dotAI 2025 : date, lieu, speakers (Wayback Machine, 12/11/2025) (nouvel onglet) ↗
- Playlist YouTube dotAI 2025 (13 talks, publiés le 14/11/2025) (nouvel onglet) ↗
- Aftermovie dotAI 2025 (nouvel onglet) ↗
- Blog : « Reliability and sustainability: my takeaways from dotAI 2025 » (Bartosz Teleńczuk, 7/11/2025) (nouvel onglet) ↗
- Bluesky : fil de Charles Vin (talks préférés, 7/11/2025) (nouvel onglet) ↗
- Bluesky : Charles Vin sur le talk d'ouverture (6/11/2025) (nouvel onglet) ↗
- Bluesky : Gaël Varoquaux sur son talk (speaker, 17/11/2025) (nouvel onglet) ↗
- Page partenaire leboncoin tech (Wayback Machine) (nouvel onglet) ↗
- Posts LinkedIn : aucun lisible trouvé (recherches web du 28/09/2026)