Un invité, une histoire, un produit. Antoine Lizée présente seul, mais raconte le travail d'une équipe de douze personnes. Le fil rouge : construire un produit IA à impact, ce n'est pas partir de la techno, c'est partir de la valeur pour l'utilisateur. Le reste, les modèles, les agents, l'infrastructure, découle de là. Le live alterne entre la vision produit, une démo live sur mobile, et les choix d'ingénierie qui permettent de tenir un produit de santé pour huit cent mille personnes sans jamais transiger sur la sécurité.
1. Pourquoi une boîte de santé se lance dans l'IA
D'Alan à la conviction IA
Antoine revient à 2016, quand il rentre de San Francisco pour monter Alan. L'intention de départ n'est pas de faire une mutuelle, mais de créer un acteur majeur de la santé. La complémentaire santé était la bonne opportunité business pour y arriver.
Fin 2022 : le choc GPT
L'arrivée de GPT crée une conviction forte. L'IA est une révolution technologique d'ampleur, comparable à Internet ou au PC. Antoine construit un proto. Alan décide d'y aller, parce que ne pas y aller n'est pas une option.
"On se dit, en fait, l'IA, c'est le futur. Ça va tout changer. On ne peut pas se permettre de ne pas y aller."
2. Trois piliers pour un compagnon de santé
Le compagnon du quotidien
En 2023, Alan formalise la vision de Mo autour de trois piliers. Le premier, c'est le compagnon : à tes côtés au quotidien, familier, facile d'accès, rapide. Le but est que Mo devienne un réflexe pour tout ce qui touche à la santé.
Une expertise médicale irréprochable
Le deuxième pilier, c'est une expertise médicale profonde et irréprochable, ancrée dans les guidelines et pertinente localement. L'objectif est que Mo devienne aussi bon, voire meilleur qu'un médecin seul sur la pure expertise théorique.
Passer des mots aux actions
Le troisième, c'est de passer des mots aux actions. Aider concrètement à régler ses problèmes de santé, via une intégration forte dans l'écosystème Alan et le système de santé local.
Deux zones d'impact
Mo a deux zones d'impact : la prévention et l'accompagnement du quotidien d'un côté, la navigation dans le système de santé de l'autre. Antoine cite un exemple parlant. Entre trois et cinq pour cent des conversations partent d'une question anodine qui ne l'est pas, et où Mo oriente le membre vers un médecin ou les urgences.
3. Prouver que c'est la bonne direction avant d'accélérer
L'étude scientifique de fin 2023
Fin 2023, la vision est ambitieuse mais soulève des questions. Les gens sont-ils prêts, y a-t-il trop de risques. Alan mène une étude scientifique, publiée en novembre, transparente sur ce qui a été fait et appris.
Le setup et les résultats
Le setup : injecter Mo dans une conversation où un membre attend un médecin, en proposant tout de suite d'échanger. Deux résultats clés. Quatre-vingt pour cent des patients continuent avec Mo, alors que l'objectif visé était de cinquante. Et dans quatre-vingt-quatre pour cent des cas, les médecins jugent les conversations bonnes ou excellentes.
"On visait à cinquante pour cent, on a eu quatre-vingt. On bénéficie aussi de cette confiance. Mais ça nous a convaincus que les peurs qu'on projetait n'étaient pas fondées."
4. De 40 000 à 600 000 membres en deux semaines
Six mois de build, neuf mois de bêta
Janvier 2024, Alan repart de zéro pour reconstruire le produit fidèle à la vision. Six mois de build jusqu'en juillet, puis un bêta programme de neuf mois passé à s'assurer que le produit fonctionne et qu'il est sûr, en l'ouvrant progressivement de cinq cents à quarante mille personnes.
Le lancement du 23 mars
Le 23 mars, pour les dix ans d'Alan, Mo est release à tout le portefeuille. En deux semaines, le produit passe de quarante mille à six cent mille personnes.
Démo live sur mobile
Antoine fait ensuite une démo live sur son mobile. Conversation type WhatsApp, un grain de beauté photographié, un rappel programmé à trois mois, un mal de dos avec proposition d'exercice, le Health Profile qui rassemble ce que Mo a appris, la vue timeline, et le passage de relais vers un médecin humain avec récap automatique du contexte.
5. La moitié de l'effort dans une couche invisible
L'épouvantail : un mauvais conseil dans Le Monde
Dans la santé, l'erreur n'est pas permise. Antoine évoque son épouvantail : le titre d'article dans Le Monde sur une IA qui donne un mauvais conseil. La réponse d'Alan : Mo est un produit qui a l'IA et qui a les médecins. Les médecins sont partie constitutive du produit et sa garantie de sécurité.
Analyse et review sous quinze minutes
Jusqu'à cinquante pour cent des efforts de build sont passés dans cette infrastructure. Toutes les conversations sont analysées par un système de détection. Les conversations à revoir sont vues par des médecins en moins de quinze minutes. Aujourd'hui, environ quinze pour cent des conversations partent en revue, un pourcentage que l'équipe veut faire baisser en raffinant la détection.
Trois agents LLM en parallèle
Le flagging repose sur trois agents LLM en parallèle : agent d'estimation, agent de caractérisation, agent de détection. L'exigence est un recall de cent pour cent, validé sur un jeu de données de mille à deux mille cas. Le flagging arrive après l'envoi du message, avec deux à trois minutes de buffer, et par défaut la conversation est envoyée si le flagging échoue.
Co-construction avec un médecin
Le produit a été co-construit avec Pierre-Auguste Bocoté, médecin généraliste qui participe à Mo depuis trois ans. Au lancement de mars, le nombre de reviews a été multiplié par huit, jusqu'à environ deux mille par jour.
"Si on n'avait pas cette partie docteur, on ne pourrait pas shipper. Et donc on n'aurait pas de produit."
6. Six mois à entraîner un modèle, puis demi-tour
Le premier réflexe : entraîner son modèle
Au début, comme tout bon machine learning engineer, l'équipe a voulu entraîner son propre modèle. Six mois passés dessus, dont beaucoup sur l'acquisition et l'anonymisation des données. Puis demi-tour.
Le changement de point de vue
La raison : un modèle end-to-end a un cycle de développement trop long, on ne peut pas itérer vite, et on a toujours du retard sur le SOTA. Le changement de point de vue a été de passer de construire un modèle à orchestrer les LLM off the shelf pour itérer plus vite et garder le maximum de performance disponible.
Un LLM, ce n'est pas si différent d'une base de données
Antoine défend une idée volontairement provocante. Un LLM, ce n'est pas si différent d'une base de données. On ne demande pas si un produit tourne sur MySQL ou Postgres. L'expertise d'Alan, c'est d'identifier, évaluer, choisir et orchestrer ces briques tech. Ils ont construit leur propre framework agentique léger, avant tout le monde, plutôt que d'utiliser les alternatives de l'époque.
Le MoLab pour les derniers pourcents
Les modèles utilisés aujourd'hui mélangent OpenAI, Anthropic, Gemini et Mistral. L'équipe lance en ce moment le MoLab, où quatre à cinq personnes développeront leurs propres modèles pour les derniers pourcents de qualité, là où les modèles du marché ne suffisent plus en reproductibilité, latence et coûts.
"Tu pars de la valeur que tu veux créer pour tes utilisateurs, tu repars en arrière, et ensuite tu construis le produit à partir des briques tech disponibles."
7. Pourquoi la souveraineté coûte six mois de retard sur le SOTA
HDS et RGPD comme socle
Les briques fondamentales de régulation sur la donnée de santé existent depuis des années. Les deux gros sujets sont l'HDS, hébergement des données de santé, et le RGPD, qui contient une section spécifique sur la donnée de santé.
Consentement, EU Data Residency, Zero Data Retention
Les obligations principales : beaucoup de consentement, la EU Data Residency, tout reste en Europe, et la Zero Data Retention, contractuelle, où les fournisseurs de modèles ne gardent aucune donnée. Sur le Cloud Act, Alan travaille avec des modèles américains distribués par d'autres entités comme Azure et Microsoft, qui ne conservent pas les données. L'impact concret : Alan n'a pas accès au SOTA, mais au SOTA plus six mois environ.
Co-construire la régulation européenne
Sur le cadre IA en santé qui arrive au niveau européen, Alan veut co-construire la régulation, s'estimant parmi ceux qui ont commencé tôt.
8. Trois piliers d'eval, une équipe de douze et une startup dans la startup
Trois piliers d'évaluation offline
L'évaluation offline repose sur trois piliers. Des benchmarks propriétaires gardés privés, pour évaluer les capacités fondamentales d'un modèle. Des conversations offline rejouées tour par tour, grâce à la capacité de replay du framework agentique. Et les patient cards : un agent simule un patient avec un comportement et un ton donnés, Mo joue la conversation complète, et on vérifie qu'il arrive aux bonnes conclusions même par un chemin différent.
Suivi continu après le ship
Une fois shippé, tout est suivi en continu via des agents qui taguent les conversations à l'échelle.
Coût, latence, intelligence : le triptyque
Sur les coûts, Antoine décrit un triptyque coût, latence, intelligence, dont on n'obtient souvent qu'un sommet. Une conversation Mo coûte de cinquante centimes à un euro, soit dix à cent fois moins qu'une consultation avec un vrai médecin. L'équipe n'optimise pas les coûts aujourd'hui, priorité à la qualité et au déploiement.
Founder mindset et research scientist
Côté équipe, douze personnes construisent Mo, avec deux profils clés. Le founder mindset, des gens qui ont monté des startups et veulent aller très vite. Et le research scientist, qui comprend les modèles et mène les évaluations.
Une startup dans la startup
L'équipe fonctionne comme une startup dans la startup, financée par le board d'Alan avec un seed puis une série A, et doit doubler d'ici la fin de l'année. Le critère de succès est la rétention : aujourd'hui, dix pour cent des membres qui ont découvert Mo reviennent toutes les semaines.
"Nos compétiteurs, c'est OpenAI grosso modo. Donc on a vraiment une exigence de vélocité qui est hyper forte."