Vingt-cinq ans entre le code et la direction des systèmes d'information
Twenty-five years between code and running information systems
Fünfundzwanzig Jahre zwischen Code und IT-Leitung
Formé à l'UTBM en informatique, dans un cursus par unités de valeur qui mêlait déjà les bases de l'intelligence artificielle, la robotique, l'ergonomie et la philosophie. Arrivé au Sénégal en 2003 pour un stage de fin d'études, je n'en suis jamais reparti. J'ai passé vingt et un ans à diriger les systèmes d'information d'un grand groupe agricole, à construire de mes mains une bonne partie de ce qu'il utilisait, avant de me mettre à mon compte en 2026.
Trained in computer science at UTBM, in a course-unit curriculum that already mixed the foundations of artificial intelligence with robotics, ergonomics and philosophy. I came to Senegal in 2003 for a graduation internship and never left. I spent twenty-one years running the information systems of a large agricultural group, building much of what it used with my own hands, before going independent in 2026.
Informatikstudium an der UTBM, in einem modularen Studiengang, der schon damals die Grundlagen der künstlichen Intelligenz mit Robotik, Ergonomie und Philosophie verband. 2003 kam ich für ein Abschlusspraktikum in den Senegal und bin geblieben. Einundzwanzig Jahre lang habe ich die IT eines großen Agrarkonzerns geleitet und einen Großteil seiner Werkzeuge selbst gebaut, bevor ich mich 2026 selbstständig gemacht habe.
avr. 2026 –Apr. 2026 –Apr. 2026 –
DSI externalisée · Consultant IA & CybersécuritéOutsourced CIO · AI & Cybersecurity ConsultantExterner IT-Leiter · Berater für KI & Cybersicherheit· Synelix · IndépendantIndependentFreiberuflich
2005 – 2026
DSICIOIT-Leiter· Grands Domaines du Sénégal
Vingt et un ans à la tête des systèmes d'information d'un groupe agro-industriel : logiciel de gestion maison couvrant les champs, la station de conditionnement, la logistique et le contrôle de gestion ; capteurs LoRaWAN, suivi satellitaire des cultures, automates d'irrigation connectés, traçabilité des récoltes par QR code ; optimisation continue des coûts IT et télécoms.
Twenty-one years leading the information systems of an agro-industrial group: in-house management software covering fields, packing station, logistics and management control; LoRaWAN sensors, satellite crop monitoring, connected irrigation automata, QR-code harvest traceability; continuous optimisation of IT and telecom costs.
Einundzwanzig Jahre an der Spitze der IT eines Agrarkonzerns: selbst entwickelte Unternehmenssoftware für Felder, Packstation, Logistik und Controlling; LoRaWAN-Sensoren, Satellitenüberwachung der Kulturen, vernetzte Bewässerungsautomaten, Ernte-Rückverfolgung per QR-Code; laufende Optimierung der IT- und Telekommunikationskosten.
2003 – 2005
Ingénieur logiciel et business developerSoftware engineer and business developerSoftwareingenieur und Business Developer· Ariane, Dakar
Premiers enregistreurs numériques et vidéosurveillance pour la grande distribution.
First digital recorders and video surveillance for large retail.
Erste digitale Rekorder und Videoüberwachung für den Einzelhandel.
2002 – 2003
Stage de fin d'étudesGraduation internshipAbschlusspraktikum· Ministère de l'Éducation nationale du SénégalSenegal Ministry of EducationBildungsministerium des Senegal
Plateforme de suivi des programmes financés par la Banque mondiale.
Monitoring platform for World Bank-funded programmes.
Plattform zur Verfolgung der von der Weltbank finanzierten Programme.
2000 – 2001
DéveloppeurDeveloperEntwickler· Indosuez Wealth Management, Paris
Plateforme de gestion des risques pour le contrôle interne.
Risk management platform for internal control.
Risikomanagement-Plattform für die interne Revision.
2000
Développeur webWeb developerWebentwickler· Assurweb, Paris
CISA · ISACAISO 27001 Lead ImplementerISO 20000ISO 9001
Aventures entrepreneurialesVenturesUnternehmungen
Construire des services que les PME d'ici peuvent réellement s'offrir
Building services that SMEs here can actually afford
Dienste bauen, die sich die KMU hier wirklich leisten können
Une conviction commune à tout ce que je monte : une entreprise de vingt personnes à Dakar mérite le même niveau de sécurité et d'outillage qu'une entreprise de deux cents à Lyon, sans dépendre d'une plateforme dont elle ne contrôle ni les données ni la facture.
One conviction runs through everything I start: a twenty-person company in Dakar deserves the same level of security and tooling as a two-hundred-person company in Lyon, without depending on a platform whose data and invoice it does not control.
Eine Überzeugung zieht sich durch alles, was ich aufbaue: Ein Unternehmen mit zwanzig Mitarbeitern in Dakar verdient dasselbe Maß an Sicherheit und Werkzeugen wie eines mit zweihundert in Lyon, ohne von einer Plattform abzuhängen, deren Daten und Rechnung es nicht kontrolliert.
2026Conseil en IA et cybersécuritéAI and cybersecurity consultingBeratung in KI und Cybersicherheit
DSI externalisée pour des dirigeants qui n'ont pas la taille pour un directeur informatique à plein temps, mais en ont tous les besoins : schéma directeur, sécurisation Microsoft 365, choix et déploiement d'un ERP, premiers usages raisonnés de l'IA.
Outsourced CIO for executives who are too small for a full-time IT director but have every one of the needs: IT roadmap, Microsoft 365 hardening, ERP selection and rollout, first sensible uses of AI.
Externer IT-Leiter für Geschäftsführer, die zu klein für einen Vollzeit-IT-Direktor sind, aber alle seine Aufgaben brauchen: IT-Strategie, Absicherung von Microsoft 365, Auswahl und Einführung eines ERP, erste sinnvolle Anwendungen von KI.
2005 – 2026Un ERP, du champ au clientAn ERP, from the field to the customerEin ERP, vom Feld bis zum Kunden
Parti d'un logiciel de gestion pour une station de conditionnement de tomates, étendu pas à pas aux activités aux champs, à la logistique, aux budgets et au contrôle de gestion, et utilisé pendant vingt ans. Une aventure entrepreneuriale de l'intérieur, qui m'a appris qu'un outil vit ou meurt par les gens qui le font tourner au quotidien.
Started as management software for a tomato packing station, extended step by step to field operations, logistics, budgets and management control, and used for twenty years. An entrepreneurial journey from the inside, which taught me that a tool lives or dies by the people who run it every day.
Begonnen als Verwaltungssoftware für eine Tomaten-Packstation, Schritt für Schritt auf Feldarbeit, Logistik, Budgets und Controlling ausgeweitet und zwanzig Jahre lang im Einsatz. Ein unternehmerisches Abenteuer von innen, das mich gelehrt hat: Ein Werkzeug lebt oder stirbt mit den Menschen, die es täglich bedienen.
Blog
Expliquer simplement ce qui se passe sous le capot
Explaining plainly what happens under the hood
Einfach erklären, was unter der Haube passiert
Des articles courts, écrits pour des dirigeants et des curieux plutôt que pour des ingénieurs. Deux fils : l'intelligence artificielle, la cybersécurité.
Short pieces, written for executives and the curious rather than for engineers. Two threads: artificial intelligence, cybersecurity.
Kurze Texte, geschrieben für Entscheider und Neugierige, nicht für Ingenieure. Zwei Themen: künstliche Intelligenz, Cybersicherheit.
La panne la plus fréquente en Afrique de l'Ouest n'est pas un pirate, c'est une coupure de courant. Et la sauvegarde que personne n'a jamais testée ne protège de rien.
The most common outage in West Africa is not a hacker, it is a power cut. And a backup nobody has ever tested protects against nothing.
Der häufigste Ausfall in Westafrika ist kein Hacker, sondern ein Stromausfall. Und eine Sicherung, die nie getestet wurde, schützt vor nichts.
Quand on parle de sécurité informatique à un dirigeant, il pense à un pirate encapuchonné. Dans la réalité de nos entreprises, la première cause de perte de données n'a rien de sophistiqué : c'est une coupure de courant, un disque qui rend l'âme un mardi matin, ou un employé qui supprime le mauvais dossier. Le pirate arrive loin derrière.
Presque toutes les entreprises que je rencontre ont une sauvegarde. Très peu ont déjà restauré quelque chose. Or une sauvegarde est une promesse, et la restauration est le seul moment où l'on vérifie que cette promesse était tenue. Un fichier de sauvegarde corrompu, un mot de passe de chiffrement perdu, une clé USB laissée dans le tiroir du serveur qu'elle était censée protéger : tout cela ressemble à une sauvegarde jusqu'au jour où l'on en a besoin.
La règle 3-2-1, sans jargon
Trois copies de vos données, sur deux supports différents, dont une hors de vos murs. La copie hors les murs est celle qui vous sauve d'un incendie, d'un vol ou d'un rançongiciel qui chiffre tout ce qu'il trouve sur le réseau, sauvegardes comprises. Elle n'a pas besoin d'être dans un cloud américain : un disque chez un partenaire de confiance, un serveur dans un autre quartier, suffisent largement à condition qu'ils soient à jour.
Le test que personne ne fait
Une fois par trimestre, choisissez un fichier au hasard, ou mieux, un serveur entier, et restaurez-le ailleurs. Chronométrez. Notez ce qui a manqué. Ce test prend une demi-journée, coûte quelques dizaines de milliers de francs de temps, et c'est la seule dépense de sécurité dont le retour est certain.
Une entreprise qui sait combien de temps il lui faut pour repartir après une panne n'a pas résolu tous ses problèmes de sécurité. Mais elle a résolu celui qui arrive le plus souvent.
Talk to an executive about IT security and they picture a hooded hacker. In the reality of our companies, the leading cause of data loss is nothing sophisticated: a power cut, a disk that dies on a Tuesday morning, an employee who deletes the wrong folder. The hacker comes a long way behind.
Almost every company I meet has a backup. Very few have ever restored anything. A backup is a promise, and a restore is the only moment you check that the promise was kept. A corrupted backup file, a lost encryption password, a USB drive left in the drawer of the very server it was meant to protect: all of these look like a backup until the day you need one.
The 3-2-1 rule, without the jargon
Three copies of your data, on two different media, one of them off your premises. The off-site copy is what saves you from a fire, a theft, or ransomware encrypting everything it can reach on the network, backups included. It does not need to sit in an American cloud: a disk at a trusted partner's, a server in another neighbourhood, are more than enough, provided they are up to date.
The test nobody runs
Once a quarter, pick a file at random, or better, a whole server, and restore it somewhere else. Time it. Write down what was missing. The test takes half a day, costs a few hours of someone's time, and it is the only security expense with a guaranteed return.
A company that knows how long it takes to get going again after an outage has not solved all its security problems. But it has solved the one that happens most often.
Spricht man mit einem Geschäftsführer über IT-Sicherheit, denkt er an einen Hacker mit Kapuze. In der Realität unserer Unternehmen ist die häufigste Ursache für Datenverlust nichts Raffiniertes: ein Stromausfall, eine Festplatte, die an einem Dienstagmorgen den Geist aufgibt, ein Mitarbeiter, der den falschen Ordner löscht. Der Hacker kommt weit dahinter.
Fast jedes Unternehmen, das ich treffe, hat eine Sicherung. Nur sehr wenige haben je etwas wiederhergestellt. Eine Sicherung ist ein Versprechen, und die Wiederherstellung ist der einzige Moment, in dem man prüft, ob es gehalten wurde. Eine beschädigte Sicherungsdatei, ein verlorenes Verschlüsselungspasswort, ein USB-Stick in der Schublade genau des Servers, den er schützen sollte: All das sieht aus wie eine Sicherung, bis zu dem Tag, an dem man sie braucht.
Die 3-2-1-Regel, ohne Fachjargon
Drei Kopien Ihrer Daten, auf zwei verschiedenen Medien, eine davon außerhalb Ihrer Räume. Die externe Kopie rettet Sie bei Feuer, Diebstahl oder einem Erpressungstrojaner, der alles verschlüsselt, was er im Netzwerk findet, Sicherungen eingeschlossen. Sie muss nicht in einer amerikanischen Cloud liegen: eine Festplatte bei einem vertrauenswürdigen Partner, ein Server in einem anderen Stadtviertel reichen völlig, sofern sie aktuell sind.
Der Test, den niemand macht
Wählen Sie einmal im Quartal eine zufällige Datei, oder besser einen ganzen Server, und stellen Sie ihn woanders wieder her. Stoppen Sie die Zeit. Notieren Sie, was gefehlt hat. Der Test dauert einen halben Tag, kostet ein paar Stunden Arbeitszeit, und er ist die einzige Sicherheitsausgabe mit garantierter Rendite.
Ein Unternehmen, das weiß, wie lange es nach einem Ausfall braucht, um wieder zu laufen, hat nicht alle seine Sicherheitsprobleme gelöst. Aber es hat das gelöst, das am häufigsten eintritt.
Brouillon à relire et réécrire avant publication.
Draft, to be reviewed and rewritten before publishing.
Entwurf, vor der Veröffentlichung zu überarbeiten.
Un réseau de neurones n'a rien d'un cerveau. C'est une très longue formule mathématique dont on ajuste les paramètres, des millions ou des milliards de petits nombres, jusqu'à ce que ses réponses ressemblent à celles qu'on attend. Apprendre, pour une machine, c'est régler ces nombres. Rien de plus, rien de moins.
Pour régler, il faut des exemples. On montre à la machine une photo et le mot « chat », une autre et le mot « chien », des millions de fois. À chaque erreur, on modifie légèrement les paramètres dans la direction qui aurait réduit l'erreur. C'est lent, répétitif, et ça marche.
L'élève qui apprend les annales par cœur
Le piège s'appelle le surapprentissage. Imaginez un élève qui, plutôt que de comprendre le cours, mémorise les corrigés des dix dernières années. Le jour où le sujet ressemble à un ancien, il excelle. Le jour où il est nouveau, il s'effondre. Une machine fait exactement la même chose si on la laisse apprendre trop longtemps sur trop peu d'exemples : elle retient les cas au lieu d'en tirer une règle.
Généraliser, c'est le contraire : réussir sur des exemples jamais vus. C'est la seule chose qui compte, et c'est ce que l'on mesure en gardant de côté des exemples que la machine n'a pas le droit de voir pendant l'apprentissage.
Ce que ça change pour une entreprise
Un modèle qui a été entraîné sur des données qui ne ressemblent pas aux vôtres généralisera mal chez vous. C'est vrai des factures, des contrats, des courriers clients, et c'est encore plus vrai en Afrique de l'Ouest, où nos documents, nos noms et nos formats sont sous-représentés dans les jeux de données qui ont servi à construire les grands modèles. Avant de croire un chiffre d'exactitude, demandez sur quoi il a été mesuré.
A neural network is nothing like a brain. It is a very long mathematical formula whose parameters, millions or billions of small numbers, are adjusted until its answers look like the ones we expect. For a machine, learning means tuning those numbers. Nothing more, nothing less.
Tuning needs examples. We show the machine a photo and the word "cat", another and the word "dog", millions of times. At each mistake, the parameters are nudged in the direction that would have reduced the error. It is slow, repetitive, and it works.
The student who memorises past papers
The trap is called overfitting. Picture a student who, rather than understanding the course, memorises the answer keys of the last ten years. When the exam looks like an old one, they excel. When it is new, they collapse. A machine does exactly the same if it is allowed to learn for too long on too few examples: it retains the cases instead of extracting a rule.
Generalising is the opposite: succeeding on examples never seen. It is the only thing that matters, and it is measured by holding back examples the machine is not allowed to see during training.
What this changes for a company
A model trained on data that does not look like yours will generalise poorly for you. That is true of invoices, contracts and customer letters, and even more so in West Africa, where our documents, names and formats are under-represented in the datasets used to build the large models. Before trusting an accuracy figure, ask what it was measured on.
Ein neuronales Netz hat nichts mit einem Gehirn zu tun. Es ist eine sehr lange mathematische Formel, deren Parameter, Millionen oder Milliarden kleiner Zahlen, so lange angepasst werden, bis ihre Antworten den erwarteten ähneln. Lernen heißt für eine Maschine: diese Zahlen einstellen. Nicht mehr, nicht weniger.
Zum Einstellen braucht es Beispiele. Man zeigt der Maschine ein Foto und das Wort „Katze“, ein anderes und das Wort „Hund“, millionenfach. Bei jedem Fehler werden die Parameter leicht in die Richtung verschoben, die den Fehler verringert hätte. Das ist langsam, eintönig, und es funktioniert.
Der Schüler, der alte Prüfungen auswendig lernt
Die Falle heißt Überanpassung. Stellen Sie sich einen Schüler vor, der statt den Stoff zu verstehen die Lösungen der letzten zehn Jahre auswendig lernt. Ähnelt die Aufgabe einer alten, glänzt er. Ist sie neu, bricht er ein. Eine Maschine tut genau dasselbe, wenn man sie zu lange mit zu wenigen Beispielen lernen lässt: Sie merkt sich die Fälle, statt eine Regel daraus abzuleiten.
Verallgemeinern ist das Gegenteil: bei nie gesehenen Beispielen richtig liegen. Nur das zählt, und man misst es, indem man Beispiele zurückhält, die die Maschine während des Lernens nicht sehen darf.
Was das für ein Unternehmen bedeutet
Ein Modell, das mit Daten trainiert wurde, die Ihren nicht ähneln, wird bei Ihnen schlecht verallgemeinern. Das gilt für Rechnungen, Verträge und Kundenbriefe, und erst recht in Westafrika, wo unsere Dokumente, Namen und Formate in den Datensätzen, aus denen die großen Modelle gebaut wurden, unterrepräsentiert sind. Bevor Sie einer Genauigkeitszahl glauben, fragen Sie, woran sie gemessen wurde.
Brouillon à relire et réécrire avant publication.
Draft, to be reviewed and rewritten before publishing.
Entwurf, vor der Veröffentlichung zu überarbeiten.
En 1950, Alan Turing pose une question simple : une machine peut-elle penser ? Et comme la question est indécidable, il la remplace par un jeu : si, en conversant par écrit, vous ne parvenez pas à distinguer la machine d'un humain, à quoi bon faire la différence ? Soixante-quinze ans plus tard, ce test est devenu banal, et la question de fond n'a pas bougé.
Le terme « intelligence artificielle » date de 1956, d'un séminaire d'été à Dartmouth où une poignée de chercheurs pensaient régler la question en quelques mois. Ils ont sous-estimé le problème d'un facteur mille, mais ils ont posé l'idée qui tient encore aujourd'hui : l'intelligence est un calcul, et un calcul peut être reproduit.
Deux hivers
Le perceptron de 1958, ancêtre de nos réseaux de neurones, promettait déjà de reconnaître des formes. Puis les promesses ont dépassé les résultats, les financements se sont taris, et la discipline a traversé deux longs hivers, dans les années 1970 puis à la fin des années 1980. Les idées n'étaient pas fausses. Il manquait des données pour apprendre et des machines pour calculer.
Ce qui a changé depuis 2012, ce n'est pas la théorie, c'est la matière première : des milliards de textes et d'images accessibles, et des processeurs graphiques capables de faire des millions de multiplications en parallèle. Les mêmes équations, avec mille fois plus d'exemples et un million de fois plus de calcul, ont donné les résultats que tout le monde constate aujourd'hui.
Pourquoi cette histoire compte
Parce qu'elle apprend à se méfier des cycles. Chaque vague de l'IA a commencé par des promesses excessives et s'est terminée par une déception proportionnelle. La vague actuelle est plus solide que les précédentes, parce qu'elle produit des outils utilisables dès aujourd'hui. Mais un dirigeant qui l'aborde avec l'histoire en tête achètera des résultats mesurables plutôt que des promesses.
In 1950, Alan Turing asked a simple question: can a machine think? Since the question cannot be settled, he replaced it with a game: if, conversing in writing, you cannot tell the machine from a human, why insist on the difference? Seventy-five years later the test has become commonplace, and the underlying question has not moved.
The term "artificial intelligence" dates from 1956, from a summer workshop at Dartmouth where a handful of researchers expected to settle the matter in a few months. They underestimated the problem by a factor of a thousand, but they set out the idea that still holds today: intelligence is computation, and computation can be reproduced.
Two winters
The 1958 perceptron, ancestor of today's neural networks, already promised to recognise shapes. Then promises outran results, funding dried up, and the field went through two long winters, in the 1970s and again in the late 1980s. The ideas were not wrong. What was missing was data to learn from and machines to compute with.
What changed after 2012 was not the theory but the raw material: billions of accessible texts and images, and graphics processors able to run millions of multiplications in parallel. The same equations, with a thousand times more examples and a million times more compute, produced the results everyone sees today.
Why this history matters
Because it teaches you to distrust cycles. Every wave of AI has begun with excessive promises and ended in proportional disappointment. The current wave is sturdier than the previous ones, because it delivers tools usable today. But an executive who approaches it with the history in mind will buy measurable results rather than promises.
1950 stellte Alan Turing eine einfache Frage: Kann eine Maschine denken? Da die Frage nicht entscheidbar ist, ersetzte er sie durch ein Spiel: Wenn Sie im schriftlichen Gespräch die Maschine nicht vom Menschen unterscheiden können, wozu dann auf dem Unterschied bestehen? Fünfundsiebzig Jahre später ist dieser Test alltäglich geworden, und die eigentliche Frage hat sich nicht bewegt.
Der Begriff „künstliche Intelligenz“ stammt aus dem Jahr 1956, von einem Sommerseminar in Dartmouth, bei dem eine Handvoll Forscher die Sache in wenigen Monaten klären wollte. Sie unterschätzten das Problem um den Faktor tausend, aber sie formulierten die Idee, die bis heute trägt: Intelligenz ist Berechnung, und Berechnung lässt sich nachbauen.
Zwei Winter
Das Perzeptron von 1958, Vorfahre unserer neuronalen Netze, versprach bereits, Formen zu erkennen. Dann überholten die Versprechen die Ergebnisse, die Gelder versiegten, und das Fach durchlief zwei lange Winter, in den 1970ern und erneut Ende der 1980er. Die Ideen waren nicht falsch. Es fehlten Daten zum Lernen und Maschinen zum Rechnen.
Was sich seit 2012 geändert hat, ist nicht die Theorie, sondern der Rohstoff: Milliarden zugänglicher Texte und Bilder, und Grafikprozessoren, die Millionen Multiplikationen parallel ausführen. Dieselben Gleichungen, mit tausendmal mehr Beispielen und millionenfach mehr Rechenleistung, haben die Ergebnisse gebracht, die heute jeder sieht.
Warum diese Geschichte zählt
Weil sie lehrt, Zyklen zu misstrauen. Jede KI-Welle begann mit überzogenen Versprechen und endete in entsprechender Enttäuschung. Die aktuelle Welle ist solider als die vorherigen, weil sie Werkzeuge liefert, die heute schon nutzbar sind. Aber ein Geschäftsführer, der sie mit der Geschichte im Kopf angeht, wird messbare Ergebnisse kaufen statt Versprechen.
Brouillon à relire et réécrire avant publication.
Draft, to be reviewed and rewritten before publishing.
Entwurf, vor der Veröffentlichung zu überarbeiten.