La startup Probably a levé neuf millions de dollars en capital-amorçage auprès d'A16Z pour développer une approche plus rigoureuse visant à éliminer les hallucinations et les erreurs factuelles des intelligences artificielles génératives. Fondée par Peter Elias, l'entreprise part du constat que, malgré la puissance croissante des grands modèles de langage, la fiabilité absolue reste un défi majeur. L'objectif affiché est d'atteindre une précision de 99,99 %, un standard habituellement réservé aux systèmes déterministes, mais extrêmement difficile à reproduire avec l'IA probabiliste. Pour y parvenir, Probably a conçu un premier outil d'aide à la data science capable de générer des réponses rapides à partir de bases de données complexes. Chaque sortie est accompagnée de citations précises et d'une piste d'audit détaillée. Le cœur de la technologie repose sur un système de validation déterministe qui agit comme un filet de sécurité. Lorsqu'un modèle génère une première réponse, elle est immédiatement confrontée aux données source. Toute incohérence provoque un rejet automatique. Le modèle a été spécifiquement entraîné pour travailler avec ce validateur, optimisant ainsi la rapidité et la justesse des résultats. Peter Elias souligne que cette architecture permet de réduire considérablement la complexité requise par l'intelligence artificielle sous-jacente. Un harnais de validation bien conçu diminue l'ambiguïté du contexte et soulage le modèle, qui n'a plus besoin d'être de dernière génération. Cette approche technique permet actuellement d'exécuter l'outil sur des modèles d'IA nettement plus légers, jusqu'à quatre fois moins puissants que les modèles de pointe. En conséquence, le logiciel peut fonctionner sur du matériel local, comme un ordinateur de bureau, plutôt que de dépendre de coûteux centres de données. Cette stratégie répond directement aux préoccupations actuelles des entreprises. Alors que le coût des tokens générés par les API d'IA augmente, de nombreuses organisations reconsidèrent leurs budgets technologiques. Exécuter des modèles plus petits en local réduit drastiquement ces frais récurrents. Au-delà de l'analyse de données, le moteur de Probably est conçu pour être adaptable à tout secteur exigeant une grande rigueur, tels que la comptabilité ou le domaine médical. Selon le fondateur, les principaux laboratoires d'intelligence artificielle n'ont pas priorisé cette piste de recherche, probablement parce que leur modèle économique s'appuie en partie sur la correction humaine des erreurs générées par leurs propres outils. Avec ce nouveau financement, Probably entend démontrer qu'une ingénierie contextuelle rigoureuse peut concilier fiabilité opérationnelle et viabilité économique, offrant ainsi une alternative crédible aux approches traditionnelles de l'IA générative.