Faites un test. Pensez aux dernières décisions qu'un algorithme a prises à votre sujet : cet article qui remonte dans votre fil d'actualité, votre plafond de carte bancaire, votre prime d'assurance, le prix de votre dernier VTC, le blocage d'un paiement suspect. Aucune de ces décisions n'a été prise par un modèle de langage. Toutes l'ont été par des systèmes qui tournent sur des données rangées en lignes et en colonnes.

Depuis le lancement de ChatGPT fin 2022, nous avons été fascinés par les modèles de langage. Du jour au lendemain, des agents conversationnels capables de produire à la demande de la prose, du code, des images, et même des conseils de vie. L'IA est devenue un sujet de dîner, et les comités de direction n'ont pas fait exception : éblouis par les démonstrations, dirigeants et investisseurs en ont extrapolé des gains de productivité massifs.

Sauf que ce saut doit davantage à l'espérance qu'aux preuves. C'est aussi une erreur d'appréciation. L'IA qui génère est celle que l'on peut regarder fonctionner ; l'IA qui décide opère en coulisses, et c'est elle qui rapporte. Cette seconde catégorie a un nom : l'IA tabulaire. C'est la plus grande catégorie d'IA en entreprise, et la moins discutée.

À entendre « IA tabulaire », on pense aujourd'hui aux modèles de fondation tabulaires (TFM ou Tabular Foundation Models, par opposition aux LLM), cette nouvelle génération de modèles capables de prédire sur des tableaux sans entraînement préalable : TabICL de l'équipe SODA à l'Inria, TabPFN de l'allemand Prior Labs, NEXUS de l’américain Fundamental, et les autres que l'on retrouve sur le classement TabArena.

C'est une branche passionnante, mais l'IA tabulaire est bien plus vaste. Le programme de l'atelier « AI for Tabular Data » organisé fin 2025 à EurIPS, satellite européen de la prestigieuse conférence NeurIPS, en donne la mesure : méthodes, jeux d'évaluation, applications, systèmes, perspectives interdisciplinaires.

Disons-le simplement. L'IA tabulaire est le sous-ensemble de l'IA qui fonde des décisions sur des données tabulaires, c'est-à-dire toute donnée structurée en lignes et en colonnes : tableurs, bases de données relationnelles, séries temporelles. Elle poursuit des objectifs variés : modélisation statistique et prédictive (régression, classification, prévision), modélisation générative, compréhension des tables, raisonnement causal. Et elle mobilise une boîte à outils plurielle : bibliothèques d'apprentissage automatique comme scikit-learn, modèles de fondation tabulaires, modèles de langage, agents. C'est une catégorie, pas un modèle. La réduire au dernier modèle de fondation reviendrait à réduire le logiciel à un seul langage de programmation.

Chaque ligne est une observation, un client, une transaction ; chaque colonne un attribut, un âge, un montant, selon un schéma défini. C'est la langue commune des opérations et de la décision en entreprise. C'est ce que les organisations produisent et accumulent en fonctionnant : transactions, clients, produits, actifs, risques. Elle est au cœur des systèmes d'information depuis les premiers livres de comptes, elle vit dans les ERP et les CRM, et tant que les entreprises auront besoin de compter, de comparer et de décider, elle restera le socle sur lequel reposent tous les modèles, tous les agents et toutes les décisions.

Elle est aussi l'actif le plus propriétaire d'une entreprise : des données sur lesquelles aucun modèle public n'a été entraîné et qu'aucun concurrent ne peut copier. Son empreinte est visible dans tous les secteurs : décisions de crédit, détection de fraude, maintenance prédictive, tarification, prévision d'attrition, modèles opérationnels. Là où beaucoup de cas d'usage génératifs restent périphériques, celui-ci touche le cœur du métier : une meilleure prévision se traduit directement en résultat.

Le signal le plus net est venu cette année de Philipp Herzig, directeur technique de SAP, au sommet WELT à Berlin. La plus grande opportunité inexploitée de l'IA d'entreprise, expliquait-il, n'est pas les modèles de langage, mais les systèmes capables de donner du sens aux tables sur lesquelles tournent les entreprises. Il évoquait les quelque 400 000 tables d'un ERP, en finance, chaîne d'approvisionnement, logistique et achats, et les questions que posent réellement les dirigeants : quel est l'effet de telle initiative sur ma trésorerie, sur mon besoin en fonds de roulement ? Comment faire baisser mes coûts de stock ? C'est là, disait-il, qu'est l'argent.

C'est exact, et c'est trompeur. IDC estime que 80 à 90 % des données d'entreprise sont non structurées : documents, courriels, images, enregistrements. Mais cela mesure ce que les entreprises stockent, pas ce qui conduit leurs décisions. Le même institut relève qu'environ 60 % des dépenses technologiques soutiennent déjà la minorité structurée, précisément parce que c'est là que les décisions opérationnelles se prennent.

Un octet n'est pas une décision. Un contrat est relu trois fois dans sa vie. Une table de transactions est interrogée des millions de fois par jour, et chaque interrogation engage un euro. Le non structuré domine le stockage, le structuré domine la décision.

Personne ne publie de recensement de l'IA en entreprise par type de données. Il faut donc trianguler, et les angles convergent.

Sur la valeur en jeu, le chiffre qui a lancé la ruée date de 2023 : McKinsey évaluait le potentiel de l'IA générative entre 2 600 et 4 400 milliards de dollars par an. Ce que les présentations omettent, c'est que ce montant s'ajoute aux 11 000 à 17 700 milliards attribués à l'IA non générative et à l'analytique. Rapportée aux cas d'usage, l'IA générative pèse entre un cinquième et un tiers du total, selon la générosité du calcul.

Sur les dépenses, IDC situe l'IA générative à 17 % des dépenses mondiales en IA, avec une projection à 32 % en 2028 : le segment le plus dynamique, et toujours minoritaire.

Sur les usages, un analyste de Gartner a livré la formule la plus juste : l'IA générative, c'est 90 % du temps d'antenne et 5 % des cas d'usage. Les praticiens le confirment : dans l'enquête de référence de Kaggle, deux tiers des professionnels de la donnée travaillent d'abord sur des données relationnelles, et plus de 80 % dans la distribution et l'assurance.

Sur la localisation de la valeur, le Boston Consulting Group situe entre 62 et 70 % de la valeur de l'IA dans les fonctions cœur : opérations, tarification, chaîne d'approvisionnement, R&D. C'est le pain quotidien des systèmes tabulaires de prévision, de scoring et de modélisation du risque.

Sur les retours constatés enfin, 88 % des entreprises déclarent utiliser l'IA, mais 39 % seulement constatent un effet sur leur résultat opérationnel, selon le dernier état des lieux de McKinsey. Pendant ce temps, la détection de fraude, le risque de crédit et la prévision de la demande composent leurs gains depuis vingt ans.

Appliquez une décote prudente pour l’IA qui touche la vision, la parole et le traitement classique du langage : l'IA tabulaire représente encore au moins la moitié, probablement les deux tiers, de la valeur de l'IA en entreprise, et la très grande majorité de ce qui tourne réellement en production. L'IA qui détient l'essentiel de la valeur ne reçoit qu'une miette de l'attention.

Trois biais sont à l'œuvre.

La démontrabilité d'abord. Un agent conversationnel se démontre en trente secondes devant quiconque sait lire ou entendre. Un modèle antifraude qui évite des dizaines de millions de pertes exige un bagage technique pour être apprécié, et ne se démontre pas : la perte n'a simplement pas lieu. Nous surestimons ce que nous voyons fonctionner.

La nouveauté ensuite. L'apprentissage automatique sur tableaux fonctionne depuis vingt ans, essentiellement sur des arbres de décision boostés (gradient boosting) : sa maturité se lit, à tort, comme de l'obsolescence. L'apprentissage profond (deep learning), qui a transformé le texte et l'image, a longtemps échoué sur les tableaux. La recherche s'est détournée et les tables sont devenues la modalité sous-étudiée de l'IA. Cela change.

L'économie du récit enfin. L'IA générative a créé un marché grand public, le capital-risque a besoin d'histoires, et les cabinets suivent la demande de leurs clients. Aucun de ces signaux ne mesure la valeur créée.

Les tableaux ont eu, à leur tour, leur moment de rupture. Le sujet a été ouvert dès 2022 par Noah Hollmann et ses collègues, à Fribourg, avec TabPFN : un modèle pré-entraîné capable de prédire sur un tableau sans entraînement spécifique, là où la recherche considérait la question comme close. En 2024, CARTE, issu de l'équipe de Gaël Varoquaux à l'Inria et présenté à la conférence ICML, a franchi une étape supplémentaire. Un modèle classique lit un tableau comme une grille de nombres sans contexte : il ignore que la colonne « ville » contient des villes, ou que Renault est un constructeur automobile. Pré-entraîné sur un vaste graphe de connaissances, CARTE apporte cette connaissance du monde aux tables, ce qui lui permet d'exploiter des libellés en langage naturel et de transférer ce qu'il a appris d'un tableau à un autre, même lorsque les colonnes n'ont ni le même nom ni le même format. En 2025, la version aboutie de TabPFN, portée par la start-up allemande Prior Labs, était publiée dans Nature. Ont suivi TabICL, également né à l'Inria, puis TabFM, que Google a intégré à BigQuery en 2026.

L'argent a suivi la science : SAP a racheté Prior Labs et engagé plus d'un milliard d'euros, tandis que Fundamental levait 255 millions de dollars. Et le paradoxe est réjouissant : l'IA générative n'est pas la rivale de l'IA tabulaire, elle en est l'accélérateur. Les assistants de code écrivent aujourd'hui des chaînes de traitement par millions. Le modèle de langage devient l'interface, le modèle tabulaire reste le moteur.

Relisez votre portefeuille IA par type de données, pas par effet de mode. Quelle part du budget va à ce que vous pouvez montrer, quelle part à ce qui décide ? La répartition devrait refléter la valeur, pas l'attention.

Rouvrez le tiroir. Les cas d'usage abandonnés il y a deux ans pour cause de coût de construction méritent un nouveau dossier : les modèles de fondation tabulaires et les agents en ont changé l'économie.

Mettez de la rigueur dans la boucle. À mesure que les agents produisent des analyses, investissez dans l'évaluation et la méthode. Une prévision fausse n'hallucine pas visiblement : elle dégrade silencieusement une tarification, un stock ou une décision de crédit, à grande échelle.

Le mythe ne tient pas à un mauvais chiffre, mais à une amnésie. L'IA d'entreprise n'est pas née avec ChatGPT : son premier chapitre s'est écrit sur des tableaux, dès les années 1990, avec le scoring de crédit, la détection de fraude et la prévision de la demande. L'IA générative en a ouvert un deuxième, spectaculaire, qui a fait oublier le premier alors même qu'il continuait de produire l'essentiel de la valeur. Le troisième chapitre commence, et il réconcilie les deux. L'IA la plus ancienne de l'entreprise est aussi celle qui vient de connaître sa rupture la plus récente. L'avenir de l'IA d'entreprise ressemble étrangement à son passé : il se joue en lignes et en colonnes.

À propos de l’auteur

Entrepreneur à Paris depuis vingt-cinq ans, Yann Lechelle est cofondateur et président exécutif de Probabl, « The Tabular AI company », entreprise à mission issue de l'Inria. Probabl est l'opérateur officiel de scikit-learn, logiciel libre d'intelligence artificielle téléchargé plus de 2 milliards de fois sur les 12 derniers mois, qui fait tourner en coulisses les modèles prédictifs de la banque, de l'assurance, de la distribution et de l'industrie. Sur ce socle, Probabl développe une solution agentique, où des agents d'IA assistent les équipes pour construire plus vite des modèles d'IA tabulaire fiables. Yann Lechelle a notamment dirigé Scaleway, opérateur cloud français de premier rang. Il est diplômé de l'Université Américaine de Paris et de l'INSEAD.