Je visite une boîte avec 47 modèles en production. Excitant non? Sauf que 38 d'entre eux? Mal maintenus, peu utilisés, redondants. C'est du gaspillage massif - infrastructure, maintenance, expertise - pour une valeur business quasi nulle.
Algorithmia (2025) confirme : 90% des modèles ML ne génèrent pas de valeur mesurable. C'est l'urgence cachée du Machine Learning en 2026 - moins parler de nouveaux modèles, plus réfléchir à ne déployer que ceux qui comptent vraiment.
Le piège de la dispersion
Beaucoup d'équipes ML souffrent du syndrome identique : des dizaines de modèles, la moitié ne produisant rien. C'est quoi le coût? Infrastructure à maintenir. Dépendances complexes. Expertise fragmentée. Alors que vous pourriez concentrer 80% de votre force sur les 3 ou 4 modèles qui vraiment font bouger les aiguilles - revenu, rétention, coût, satisfaction.
Le recentrage signifie : identifier les vraies stars, leur donner des ressources généreuses, décommissionner le reste. Pas brutal. Stratégique.
Identifier le core: trois critères
Un modèle ML "core product" passe trois filtres. Un : utilisé quotidiennement par les utilisateurs finaux. Pas un batch qui tourne une fois par mois. Deux : impact mesurable sur une métrique business clé. Trois : besoin d'amélioration continue. Les données et patterns bougent, faut adapter.
Exemples concrets : moteur de recommandation, scoring de risque temps réel, prévision de la demande, détection de fraude, pricing dynamique. Ces modèles tournent 24/7. Chaque point de pourcentage de précision se traduit en millions d'euros.
L'excellence sur le core
Concentrer les ressources permet l'impossible sinon. Feature engineering avancé - exploiter les données comportementales et contextuelles. Optimisation des hyperparamètres via search automatisé. Monitoring de drift continu avec retraînement automatisé. A/B testing systématique de chaque version.
Cette profondeur produit des gains incrémentaux hautement significatifs. Améliorer la précision de 1% sur un moteur de recommandation? Potentiellement des millions de revenu supplémentaires.
La rationalisation inconfortable
L'exercice de rationalisation est brutal mais indispensable. Pour chaque modèle en prod, trois questions.
Est-il utilisé? Plus de X requêtes/jour?
Génère-t-il de la valeur mesurable? Impact quantifié sur un KPI?
Est-il maintenu? Dernière mise à jour <6 mois?
Si la réponse est non à une question, le modèle doit partir ou être remplacé par une heuristique simple. Ce nettoyage libère les ressources d'infrastructure, le temps d'équipe, réduit la dette technique.
L'objectif : un portefeuille lean de modèles à fort impact. Pas de vanité, juste de l'opérationnel.
ML et GenAI: complémentaires
GenAI ne remplace pas le ML classique. Elle le complète.
Le ML excelle sur les tâches structurées, quantitatives, haute performance - scoring, prévision, classification avec millions d'exemples. GenAI excelle sur les tâches non-structurées, qualitatives, flexibles - texte, génération, raisonnement.
Votre moteur de recommandation reste un modèle ML classique. Mais GenAI peut enrichir les features - embeddings de descriptions produit - améliorer l'explicabilité - générer des explications en langage naturel - personnaliser la présentation des recommandations.
Les deux mondes travaillent ensemble.
Gouvernance du portefeuille
La gouvernance doit être formalisée. Review board trimestriel - data lead, product, business - évalue chaque modèle sur usage, valeur, maintenance. Un budget d'innovation 15-20% pour les expérimentations, avec processus clair de promotion vers le core si le modèle prouve sa valeur.
Un processus de décommissionnement documenté assure que retirer un modèle n'impacte pas les utilisateurs. La transparence sur l'allocation des ressources construit la confiance entre data et business.
Résultats mesurables, toujours
En production, chez Bomzai, on parle de résultats mesurables. Pas « on a un super modèle » mais « ce modèle génère 3M€ supplémentaires par année ». C'est ça qui justifie l'investissement. C'est ça qui guide la priorisation.
Faire moins mais beaucoup mieux : c'est la philosophie du ML à impact. Concentrer les ressources sur les projets core transforme l'équipe ML d'un centre de coût en moteur de création de valeur mesurable et durable.
C'est pas sexy. C'est opérationnel. Et c'est ça qui compte.