Un événement pour réfléchir au virage numérique
Le Rendez-vous numérique Québec 2026 a permis de prendre le pouls des grandes transformations qui touchent actuellement les organisations, les entreprises, les développeurs et le monde de la recherche appliquée. Sans surprise, l’intelligence artificielle a occupé une place centrale dans les discussions.
Mais au-delà de l’enthousiasme technologique, les conférences ont surtout rappelé une idée importante : l’IA n’est pas seulement un outil spectaculaire. Elle transforme les infrastructures, les méthodes de travail, la gestion des données, les modèles d’affaires, les pratiques de développement logiciel et même notre rapport à l’éthique.
L’IA exige des infrastructures solides
L’une des conférences marquantes a porté sur les infrastructures numériques nécessaires au développement de l’IA. Martin Bouchard, de QScale, a présenté les enjeux liés aux centres de données, à la puissance de calcul et à la souveraineté numérique.
L’IA demande énormément de ressources : serveurs, puces spécialisées, refroidissement, énergie et sécurité physique. Cette réalité soulève une question stratégique importante : peut-on dépendre entièrement d’infrastructures situées ailleurs pour assurer notre avenir numérique?
Le Québec possède certains avantages, notamment en énergie et en refroidissement naturel. Toutefois, la conférence a aussi rappelé que le leadership technologique ne se conserve pas automatiquement. Il faut investir dans les infrastructures, soutenir la recherche appliquée et créer des lieux où les entreprises, les chercheurs et les développeurs peuvent collaborer.
Les données deviennent le moteur de l’innovation
Plusieurs présentations ont insisté sur un point fondamental : il n’y a pas d’IA utile sans données de qualité.
Dans la conférence sur l’approche centrée sur l’information, Ihsen Hedhli, de l’IID, a rappelé que les projets d’IA échouent souvent lorsque les organisations ne maîtrisent pas suffisamment leurs données. L’intelligence artificielle ne repose pas seulement sur des algorithmes ou des modèles performants. Elle dépend aussi de la qualité, de la disponibilité, de l’étiquetage et de la pertinence des données utilisées.
Les organisations doivent donc penser l’IA comme un projet d’affaires autant que comme un projet technologique. Il faut identifier les bons cas d’usage, impliquer les experts du domaine, mesurer la valeur réelle et prévoir le déploiement du modèle dans le temps. Une fois en production, le modèle doit être surveillé, car les données évoluent, les comportements changent et les besoins d’affaires peuvent se transformer.
Les jumeaux numériques et l’IA appliquée
La conférence de Bentley, présentée par Karl-Alexandre JahJah, a montré comment l’IA peut être utilisée dans le domaine des jumeaux numériques. Ces environnements permettent de représenter des infrastructures, des sites de construction ou des systèmes complexes à partir de données variées : plans, capteurs, drones, géospatial, géotechnique, données d’ingénierie et documents techniques.
L’IA peut alors servir à analyser un site, vérifier la conformité d’un projet, estimer certains coûts ou assister les professionnels dans leurs décisions. Ce type d’application illustre bien le potentiel de l’IA dans les domaines industriels et techniques.
Cependant, ces projets posent aussi des défis importants. Les données sont nombreuses, souvent hétérogènes, et elles proviennent de sources très différentes. La confiance des utilisateurs devient donc essentielle. Les entreprises doivent être transparentes sur l’utilisation des données et éviter d’entraîner des modèles sans autorisation claire.
Les données synthétiques comme accélérateur
Une autre piste prometteuse présentée lors de l’événement concerne les données synthétiques. Julien Coll, du CDRIN, a expliqué comment elles peuvent servir à entraîner des modèles d’intelligence artificielle dans différents secteurs.
Les données synthétiques sont générées artificiellement, par exemple à l’aide de moteurs 3D, de modèles procéduraux ou de modèles de diffusion. Elles peuvent compléter les données réelles, surtout lorsque celles-ci sont difficiles, coûteuses ou longues à obtenir.
Un avantage important est la facilité d’annotation. Dans un environnement synthétique, on sait exactement où se trouvent les objets à détecter. Cela peut faire gagner énormément de temps lorsqu’on entraîne des modèles de vision par ordinateur.
Cette approche n’est toutefois pas magique. Elle demande une expertise importante et doit être utilisée avec prudence. Les données synthétiques doivent rester représentatives du monde réel, sinon le modèle risque de bien fonctionner en laboratoire, mais de moins bien performer sur le terrain.
L’éthique : un enjeu incontournable
La conférence de Gaëlle Cachat-Rosset, de l’Université Laval, a rappelé que les systèmes d’IA ne sont jamais neutres. Les données utilisées pour les entraîner peuvent contenir des biais historiques, sociaux ou culturels. Une IA peut donc reproduire, amplifier ou rendre invisibles certaines discriminations.
Les exemples présentés montrent que les biais peuvent apparaître à plusieurs niveaux : dans l’échantillonnage des données, dans les interactions avec les utilisateurs ou dans les choix de conception. Le cas bien connu de l’outil de recrutement d’Amazon, abandonné en raison de biais envers les femmes, illustre bien les risques d’une IA mal encadrée.
L’éthique ne doit donc pas être ajoutée à la fin d’un projet. Elle doit faire partie de la réflexion dès le départ. Avant de développer un système d’IA, il faut se demander qui sera touché, quelles données seront utilisées, quels biais sont possibles et comment les impacts seront mesurés.
L’IA clé en main : accélérer sans perdre le contrôle
Une autre tendance abordée est celle de l’IA clé en main. Des plateformes comme Hugging Face, Kaggle ou GitHub permettent aujourd’hui d’accéder rapidement à des modèles, des jeux de données et des outils prêts à être testés.
Cette accessibilité change la façon de prototyper. Une petite équipe peut maintenant tester rapidement une idée, comparer quelques modèles, vérifier les performances et déterminer si un projet mérite d’être poursuivi. Cela réduit la barrière d’entrée pour les développeurs et les organisations.
Mais cette facilité vient avec des responsabilités. Les aspects légaux, les licences, la qualité des données et les limites des modèles doivent être vérifiés. Utiliser un modèle existant ne dispense pas de comprendre ce qu’il fait, d’où viennent ses données et dans quel contexte il peut être utilisé.
Le développement logiciel transformé par les agents IA
La rencontre Pipemind Québec, avec Olivier Simon, a offert une perspective très concrète sur l’impact de l’IA dans le développement logiciel. Selon les exemples présentés, les développeurs peuvent devenir beaucoup plus productifs avec l’aide d’agents de codification.
Le rôle du développeur évolue. Il ne se limite plus à écrire du code ligne par ligne. Il doit comprendre le besoin du client, rédiger de bonnes spécifications, choisir le bon modèle, encadrer les agents, vérifier les tests et assurer la qualité du résultat.
L’approche « spécifications d’abord » devient particulièrement importante. Plus les consignes sont claires, plus l’agent peut produire un résultat utile. Le développement piloté par les tests prend aussi une nouvelle importance : le développeur peut lire les tests, définir le comportement attendu, puis laisser l’agent générer une partie du code.
Cette transformation ne rend pas le développeur inutile. Au contraire, elle augmente l’importance de son jugement. Il doit savoir quoi demander, comment valider, quand corriger et comment éviter les dérives de coûts ou de complexité.
Un message central : collaborer pour aller plus loin
À travers les conférences, un message revient souvent : l’IA ne peut pas être développée en vase clos. Elle demande des infrastructures, des données, des experts métiers, des développeurs, des chercheurs, des décideurs et des utilisateurs.
Les organisations qui réussiront ne seront pas nécessairement celles qui utilisent l’IA le plus rapidement, mais celles qui sauront l’intégrer avec méthode. Il faut expérimenter, mesurer, corriger, documenter et collaborer.
Conclusion
Le Rendez-vous numérique Québec 2026 a montré que l’intelligence artificielle n’est plus un sujet futuriste. Elle est déjà présente dans les infrastructures, les outils de conception, les plateformes de données, les méthodes de développement et les décisions organisationnelles.
L’événement a aussi rappelé que l’IA doit être abordée avec sérieux. Les promesses sont grandes, mais les défis le sont aussi : souveraineté numérique, qualité des données, confiance, biais, impacts environnementaux, licences, sécurité et transformation des métiers.
Pour le Québec, l’enjeu est clair : il ne suffit pas d’utiliser l’IA. Il faut développer une capacité collective à la comprendre, à la maîtriser et à l’orienter vers des usages utiles, responsables et durables.