Darren Kimura, PDG et président d'AI Squared – Série d'entretiens

Darren Kimura est un entrepreneur, inventeur et investisseur expérimenté, actuellement président-directeur général d'AI Squared. Fort de plus de 25 ans d'expérience dans les secteurs des technologies et des énergies propres, il a dirigé des entreprises telles qu'Energy Industries Corporation, Sopogy et LiveAction, et a cofondé la société de capital-risque Energigm Ventures. Connu pour avoir inventé la technologie solaire MicroCSP, Kimura a joué un rôle clé dans le développement d'entreprises axées sur l'edge computing, l'IA et les solutions SaaS.

AI au carré est une plateforme low-code conçue pour aider les entreprises à intégrer les informations issues de l'IA directement dans leurs outils existants, tels que Salesforce, Slack, Google Sheets et ServiceNow. En simplifiant le déploiement de l'IA et en favorisant la prise de décision en temps réel, la plateforme permet aux équipes d'ingénierie, de vente et d'exploitation de générer une valeur commerciale mesurable. Au service de clients des secteurs de la finance, de la supply chain et du secteur public, AI Squared accélère l'adoption de l'IA en entreprise en la rendant fluide, contextuelle et exploitable.

Vous avez dirigé plusieurs entreprises dans différents secteurs. Qu'est-ce qui vous a poussé à rejoindre et finalement à diriger AI Squared ?

J'ai toujours été attiré par la résolution de problèmes concrets et complexes, exigeant une compréhension approfondie des technologies et une exécution irréprochable. J'ai débuté ma carrière dans l'efficacité énergétique et les énergies renouvelables, capturant des données machines à grande échelle et aidant les utilisateurs à les comprendre et à les exploiter. Au fil du temps, j'ai évolué vers un traitement des données plus proche du lieu de travail, en périphérie, dans des systèmes sécurisés ou au sein des flux de travail de l'entreprise.

Lorsque j'ai découvert AI Squared pour la première fois, j'ai immédiatement compris qu'ils s'attaquaient à un défi réel et urgent : comment faire passer l'IA du laboratoire à l'usage quotidien. La plupart des entreprises se concentrent encore sur la création de modèles. AI Squared, quant à elle, se concentrait sur le déploiement.

Ce qui m'a convaincu encore plus, c'est leur fondation. L'entreprise, née au sein de la NSA, a passé les six dernières années à gagner la confiance du ministère de la Défense, de la communauté du renseignement, de la communauté spatiale et de certaines des plus grandes entreprises du Fortune 500, grâce à des projets concrets et des résultats significatifs qui continuent de croître d'année en année. Cela m'a confirmé deux choses : premièrement, ils prenaient la sécurité, la conformité et l'impact au sérieux. Deuxièmement, c'était une équipe en qui je pouvais avoir confiance.

Comment votre expérience de mise à l’échelle de ZEDEDA et de travail dans le capital-risque a-t-elle façonné votre approche du déploiement de l’IA au niveau de l’entreprise ?

Chez ZEDEDA, nous avons travaillé en périphérie de la communauté open source en tant que système d'exploitation. Cela m'a permis de comprendre en profondeur les contraintes concrètes auxquelles nos clients étaient confrontés dans le cadre de leur transformation numérique. Nous disposions d'une équipe d'ingénieurs de premier ordre composée de Cisco, Sun Microsystems, Juniper et Arista, mais j'ai également appris l'importance d'associer cette excellence technique à une stratégie de commercialisation solide.

Du côté du capital-risque, j'ai acquis une vision différente. J'ai vu comment les entreprises de deep tech se développent, plus lentement au début, puis plus rapidement à mesure qu'elles s'appuient sur des bases solides. Cela m'a appris à penser en termes de systèmes : le market timing, la maturité produit, la maturité client et la stratégie d'investissement doivent tous être cohérents. C'est la perspective que j'ai adoptée pour le déploiement de l'IA chez AI Squared. Il ne s'agit pas de déployer des modèles, mais de fournir des résultats fiables, mesurables et évolutifs pour les entreprises.

AI Squared met l'accent sur l'intégration de l'IA dans les systèmes déjà utilisés. À quoi ressemble concrètement la résolution du « dernier kilomètre » de l'IA ?

87 % des projets d'IA n'atteignent jamais la phase de production, car l'intégration est lente, complexe et déconnectée des utilisateurs finaux. AI Squared résout ce problème en créant un pipeline d'intégration de données de niveau sécurité nationale qui connecte les modèles d'IA/ML à des sources de données comme Databricks ou Snowflake, ainsi qu'aux systèmes déjà utilisés par ces entreprises, comme les CRM, les ERP et les applications personnalisées.

Comment votre plateforme contribue-t-elle à combler le fossé entre les équipes de science des données et les utilisateurs professionnels ?

AI Squared simplifie le transfert du développement des modèles à la production. Les équipes de data science peuvent déployer des modèles en toute sécurité via notre plateforme, tandis que les utilisateurs métier bénéficient d'informations issues des outils qu'ils utilisent déjà dans Salesforce, Teams, Slack ou tout autre système d'enregistrement.

Vous travaillez avec la NSA, l'US Navy et d'autres agences fédérales. Comment des priorités telles que la conformité, la transparence et l'utilisation éthique influencent-elles la feuille de route produit d'AI Squared ?

L'éthique, la conformité et la transparence sont au cœur de notre feuille de route. Forts de notre collaboration avec les agences fédérales, nous savons que nous devons privilégier la traçabilité, l'auditabilité et l'explicabilité. Nous appliquons des principes de confiance zéro, prenons en charge des environnements de déploiement sécurisés et appliquons des modèles de gouvernance clairs.

Quel rôle pensez-vous que joue l’IA discriminante dans l’amélioration de la prise de décision des agences fédérales ?

L'IA discriminante est précise, interprétable et efficace. Elle est idéale pour les environnements à enjeux élevés où des réponses claires sont requises, qu'il s'agisse d'une menace ou non. Au sein des agences fédérales, elle permet un tri, une détection des risques et une priorisation plus rapides. Elle complète les modèles génératifs en fournissant des résultats structurés et validés qui soutiennent la prise de décision critique.

En matière de sécurité nationale, où voyez-vous le plus grand risque – et l’opportunité – pour l’adoption de l’IA ?

Le plus grand risque réside dans l'autonomie non gérée, le déploiement de systèmes d'IA sans transparence, supervision ni sécurité intégrée. L'opportunité réside dans l'accélération de la connaissance situationnelle et de la rapidité de décision. L'IA peut analyser de vastes données en temps réel pour faire émerger des schémas que les humains pourraient manquer. Mais pour concrétiser cette valeur, elle doit être fiable, traçable et intégrée à des systèmes impliquant l'humain.

Quelles sont les erreurs les plus courantes commises par les entreprises lors du déploiement de GenAI ?

La plus grande erreur consiste à privilégier la nouveauté à la nécessité. Trop d'entreprises déploient GenAI sans cas d'utilisation clair, plan de gouvernance ou indicateurs de réussite. Cela entraîne une lassitude des pilotes, des prototypes non évolutifs et des problèmes de confiance. GenAI est puissant, mais comme toute technologie, il doit être adapté au problème, à l'utilisateur et au workflow.

Pouvez-vous partager un exemple où AI Squared a aidé une entreprise à éviter le « syndrome de l’objet brillant » et à produire un impact mesurable ?

Une entreprise souhaitait créer un LLM personnalisé pour classer les tickets de service client. Nous lui avons montré comment un classificateur simple et intégré, déployé via notre plateforme, pouvait atteindre une précision de 90 % dans son CRM en moins de deux semaines. Pas de nouvelles interfaces, pas de formation personnalisée. C'est là toute la puissance de la résolution du bon problème avec le bon outil.

Quelles sont les tendances émergentes qui vous enthousiasment le plus dans le domaine de l’IA d’entreprise au cours des 3 à 5 prochaines années ?

Trois d'entre eux se démarquent :

1. Des LLM véritablement multimodaux et axés sur des tâches spécifiques
2. Systèmes d'IA agentiques qui agissent et ne se contentent pas de générer du contenu
3. Une gouvernance standardisée qui permet l'adoption de l'IA dans les secteurs réglementés

Ces tendances poussent l’IA à devenir plus utilisable, plus fiable et plus intégrée dans les opérations quotidiennes.

Comment AI Squared fait-elle évoluer sa plateforme pour suivre le rythme des LLM et des écosystèmes de modèles en constante évolution ?

Nous sommes conçus pour être indépendants des modèles. Qu'il s'agisse d'un modèle open source, d'un LLM commercial ou d'un modèle discriminant propriétaire, notre plateforme permet aux organisations de le déployer et de le gérer en toute sécurité au sein de leurs workflows existants. Nous nous concentrons sur l'orchestration, le contrôle de version et la gouvernance, afin que la pile de modèles puisse évoluer sans perturber l'expérience utilisateur.

À quoi ressemble le succès d’AI Squared dans le prochain chapitre sous votre direction ?

Réussir, c'est devenir la méthode par défaut pour les entreprises et les agences gouvernementales d'opérationnaliser l'IA. Cela signifie réduire le délai de rentabilisation de quelques mois à quelques jours, et rendre le déploiement de l'IA aussi fluide et sécurisé que le lancement d'une nouvelle fonctionnalité. Sous ma direction, nous nous concentrons sur l'évolutivité, la confiance et les résultats concrets, non pas sur l'innovation en soi, mais sur l'impact là où il est le plus important.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter AI au carré.