Stefan Mesken, Chief Scientist chez DeepL – Série d’entretiens

Stefan Mesken, Chief Scientist chez DeepL, a passé plus de cinq ans chez DeepL en faisant progresser ses recherches et son leadership scientifique, en commençant comme chercheur en octobre 2020, en progressant au poste de VP de la recherche en novembre 2023, et en prenant son poste actuel en avril 2025 à Munich. Avant de rejoindre DeepL, il a travaillé en tant que Data Scientist chez real.digital dans la région de Cologne-Bonn et a mené des recherches en logique mathématique à l’Université de Münster. Sa carrière relie les recherches mathématiques fondamentales et l’IA appliquée, le positionnant pour diriger la direction scientifique derrière les grands modèles de langage et les systèmes d’IA multilingues de DeepL.

DeepL est une entreprise allemande d’IA qui se concentre sur la construction de systèmes d’IA de langage avancés qui permettent des traductions précises et une communication contextuelle dans plus de 100 langues. Fondée en 2017 et ayant son siège social à Cologne, l’entreprise sert des millions d’utilisateurs dans le monde entier et propose des solutions d’entreprise via des abonnements et des offres d’API. Sa plateforme s’est élargie au-delà de la traduction pour inclure un ensemble plus large d’IA de langage, y compris l’assistance à l’écriture et les capacités vocales, conçues pour soutenir une communication sécurisée et scalable pour les entreprises et les organisations mondiales.

Vous avez commencé votre carrière en logique mathématique avant de passer à la science des données appliquée et de diriger finalement l’organisation de recherche de DeepL. En regardant en arrière, comment ce travail précoce en raisonnement formel a-t-il influencé votre façon de penser à la construction de systèmes d’IA autonomes et d’entreprise de niveau élevé ?

Ce qui m’a attiré dans le domaine de la théorie des ensembles et de la logique mathématique, c’est une curiosité insatiable pour apprendre comment ces systèmes complexes fonctionnent – à partir des principes fondamentaux et dans une profondeur de plus en plus grande. Cette curiosité a été constante dans ma vie depuis l’enfance. C’est également l’aspect de mon travail que j’aime le plus. Actuellement, le défi est de faire progresser l’état de l’IA avec un focus intense sur l’utilisabilité dans la vie réelle. Au-delà de la sécurité et de la confiance, je consacre mon temps à garantir que les entreprises et les utilisateurs de tous types puissent bénéficier de cette technologie incroyable. Jusqu’à présent, la tendance a été différente : la plupart des utilisations de l’IA dans la vie réelle sont soit entièrement passives (par exemple, des systèmes de recommandation que vous consommez mais ne contrôlez pas) soit principalement utilisées par des personnes hautement formées et techniques (par exemple, des assistants de codage). Je veux combler cet écart : chaque individu et entreprise doit être en mesure de réussir et de révolutionner la façon dont ils abordent le travail.

DeepL a construit sa réputation sur des traductions de haute précision. Comment cette fondation en modélisation de langage a-t-elle façonné la réflexion de l’entreprise sur le passage d’une traduction à des systèmes d’IA plus généraux ?

Ce qui rend l’IA si magique, c’est que des concepts et des idées très similaires peuvent conduire à de nouvelles solutions dans des domaines très différents : les moteurs de jeu d’échecs, les systèmes de recommandation, le pliage de protéines, les voitures autonomes, les moteurs de traduction et bien d’autres. Ils sont tous alimentés par le même ensemble de principes et de techniques. Ayant maîtrisé ces techniques pendant presque une décennie maintenant, nous réfléchissons naturellement à de nouveaux problèmes sur lesquels nous concentrer. À l’interne, cela a toujours été le cas, conduisant à l’invention du Glossaire, Write, Voice, Customization Hub, et bien d’autres choses.

En tant que Chief Scientist, comment distinguez-vous entre la construction de modèles de langage qui génèrent une sortie fluide et la construction de systèmes qui peuvent agir de manière fiable à l’intérieur de flux de travail d’entreprise réels ?

Les idées fondamentales sont remarquablement similaires : nous devons comprendre en profondeur ce que nos utilisateurs veulent, puis aligner nos systèmes d’IA avec ces objectifs et préférences. Parfois, ils sont évidents et explicites ; d’autres fois, ils sont nuancés et implicites. Dans les deux cas, c’est notre travail de garantir que le travail que nous produisons ait une grande valeur pour nos utilisateurs.
DeepL s’est toujours distingué dans ce domaine en raison de notre focus sur le client. Nous ne poursuivons pas des benchmarks artificiels ou des publications académiques – nous poursuivons la satisfaction client. Cela n’a jamais été plus important qu’aujourd’hui, alors que nous élargissons notre horizon et aidons les gens dans leur travail quotidien.

DeepL Agent représente un changement de l’IA d’assistance à l’exécution autonome. Quels ont été les plus grands défis techniques pour faire fonctionner cette transition dans la pratique ?

De loin, le plus grand défi dans la construction de DeepL Agent est l’utilisabilité. Pendant des années, l’écosystème de l’IA a principalement servi les développeurs de logiciels et les experts techniques. Avec DeepL Agent, nous visons à changer cela et à équiper chaque travailleur du savoir avec des outils sophistiqués pour résoudre et automatiser des problèmes complexes. Pour y parvenir, nous devons avoir le même niveau de sophistication dans la reconnaissance, le raisonnement, la planification et l’action. Au lieu de présenter aux utilisateurs un ensemble riche mais complexe d’outils, nous avons travaillé dur pour créer une solution cohérente, fluide et élégante pour l’assistance et l’automatisation des flux de travail de bout en bout.

D’un point de vue architectural, quels sont les capacités qui doivent être en place avant qu’un système d’IA puisse être considéré comme fiable pour fonctionner de manière autonome dans des environnements d’entreprise ?

Pour une large gamme de tâches administratives, la technologie est déjà là. DeepL Agent peut agir de manière fiable dans votre environnement, demander conseil lorsqu’il en a besoin et offrir une vérification humaine dans la boucle chaque fois que cela est souhaité. Ce niveau d’intelligence synthétique était pure fiction il y a quelques mois à peine. Pourtant, il y a encore un long chemin à parcourir. Au cours des prochaines années, les agents d’IA deviendront une couche de productivité collaborative dans les entreprises — travaillant inlassablement en arrière-plan, collaborant avec les humains et les autres pour éliminer les tâches fastidieuses et nous donner les moyens de résoudre des problèmes qui étaient auparavant hors de portée.

Vous avez parlé d’une compréhension approfondie du langage comme d’un prérequis pour les agents d’IA responsables. Ce que signifie « approfondi » dans ce contexte, au-delà de la fluidité de surface ?

Le langage est remarquablement ambigu et dépendant du contexte — en particulier dans les domaines professionnels. Vous avez probablement déjà vécu cela : écouter un groupe d’amis discuter d’un hobby que vous ne partagez pas ou d’une spécialisation professionnelle dont vous manquez d’expérience… Cela peut ne pas avoir de sens pour les outsiders, mais d’une manière ou d’une autre, ils se comprennent parfaitement. Nous voulons que l’assistance d’IA se sente aussi fluide que parler à un collègue expérimenté et de confiance avec qui vous partagez des années de collaboration. Les préférences implicites devraient rester implicites. Vous ne devriez pas avoir à expliquer à plusieurs reprises comment vous voulez que le travail soit fait. Cela peut sembler évident, mais cela nécessite une immense recherche pour le faire correctement. C’est ce que j’entends par « compréhension approfondie du langage ».

Comment abordez-vous les garanties et la supervision lors du déploiement de systèmes autonomes qui peuvent prendre des actions réelles plutôt que de simplement faire des recommandations ?

Pour que l’assistance d’IA fonctionne dans les contextes commerciaux, nous devons équilibrer soigneusement les capacités avec le contrôle. Une plus grande capacité crée des opportunités immenses pour la productivité, mais si elle n’est pas contrôlée, elle devient une responsabilité. Cela ne peut pas arriver. Dès le premier jour, DeepL Agent a été équipé de garanties d’entreprise de niveau élevé, mises en œuvre sous plusieurs formes. Les espaces de travail partagés donnent aux utilisateurs un contrôle précis sur les données et l’accès, tout en alimentant les traces d’audit, la supervision humaine et la vérification humaine dans la boucle. De plus, les administrateurs système ont un contrôle granulaire sur les systèmes que DeepL Agent peut parcourir et des mécanismes pour avertir les outils sous-jacents lorsqu’ils sont exploités par l’agent.

Quelles leçons avez-vous apprises sur le passage des idées de la recherche à la production sans sacrifier la fiabilité ou la discipline scientifique ?

L’écart entre la recherche et le développement de produits est plus large que ce qui est généralement cru. Les deux commencent par une approche rigoureuse pour résoudre des problèmes auparavant insolubles et un enregistrement méticuleux de ce qui fonctionne et de ce qui ne fonctionne pas. Alors que la recherche peut simplifier la portée et supposer un modèle de monde plus simple, le développement de produits doit tenir compte de la complexité des contextes réels des utilisateurs. Dans l’assistance d’IA, l’utilisation d’outils est un exemple premier. Il est tentant de supposer que les environnements seront toujours préparés pour l’automatisation, avec un accès système réglé et des API prêtes. La réalité diffère. Tout comme les voitures autonomes doivent gérer la complexité totale de l’infrastructure d’aujourd’hui, les agents d’IA doivent fonctionner efficacement au sein des modèles d’accès, des données et des systèmes sur lesquels les entreprises s’appuient. Cette prise de conscience précoce est au cœur de la conception de DeepL Agent.

Alors que DeepL s’étend d’une plateforme de langage ciblée à un système d’IA d’entreprise plus large, comment décidez-vous quels capacités doivent rester étroitement contrôlées et lesquelles doivent être exposées pour un comportement plus autonome ?

Le niveau de contrôle requis pour une tâche est déterminé par deux facteurs : la fiabilité de la personne ou du système qui l’exécute et l’impact potentiel des erreurs. Cela s’applique également à l’exécution humaine et à l’exécution par machine. La fiabilité de l’IA a augmenté massivement au cours des dernières années et continuera à s’améliorer. Par conséquent, un contrôle serré sera nécessaire pour de moins en moins de tâches. Finalement, la fiabilité de l’IA dépassera même les niveaux d’expertise humaine pour de nombreuses tâches. Cela s’applique également aux mécanismes de contrôle, qui seront de plus en plus déplacés vers une supervision par l’IA. À l’interne, DeepL Agent le fait déjà, demandant de l’aide aux utilisateurs chaque fois que l’auto-correction n’est pas possible.

En regardant vers l’avenir, quels sont les progrès que vous pensez avoir le plus d’impact sur l’IA d’entreprise au cours des deux prochaines années ?

Les agents d’IA n’aideront pas seulement avec des tâches individuelles. Ils formeront une couche collaborative de productivité dans les entreprises qui travaillera pour notre compte pour réduire les distractions, préparer et mettre en surface les informations exactement lorsqu’elles sont nécessaires et résoudre les problèmes et les tâches de plus en plus sophistiquées entièrement en arrière-plan.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter DeepL.