Writer, le spécialiste des LLM d’entreprise qui défie le modèle des généralistes

À mesure que les assistants génératifs se généralisent dans les entreprises, une question devient centrale : faut-il utiliser un même grand modèle de langage pour tous les métiers, ou des systèmes beaucoup plus adaptés à chaque contexte ? Writer, société fondée à San Francisco en 2020, a choisi la seconde option. Sa stratégie ne consiste pas à reproduire ChatGPT pour le grand public, mais à fournir aux organisations une IA de travail réglée sur leurs documents, leurs procédures et leurs logiciels.

Au 21 janvier 2025, Writer se présente comme l’un des acteurs les plus visibles de l’IA générative pour les entreprises. La société a levé 326 millions de dollars, emploie 500 personnes et dispose de bureaux à New York, Londres et Singapour. Son pari repose sur une idée simple : dans un environnement professionnel, la performance d’un modèle ne se résume pas à sa capacité à tenir une conversation. Elle dépend surtout de la justesse des informations mobilisées, de sa capacité à respecter un cadre métier et de son intégration aux outils quotidiens.

Writer ne cherche pas à faire un ChatGPT de plus

L’expression « anti-OpenAI » résume imparfaitement la position de Writer. OpenAI s’est imposé avec des modèles généralistes, capables de répondre à une très grande diversité de demandes et rendus accessibles au grand public notamment par ChatGPT. Writer adopte une logique différente : développer des LLM verticaux, c’est-à-dire spécialisés dans les usages de certaines fonctions ou industries.

L’entreprise cible ainsi des domaines tels que le retail, la finance, la santé ou le support client. Dans ces secteurs, une réponse élégante mais imprécise peut avoir peu de valeur, voire poser problème. Une banque attend par exemple un système capable de s’appuyer sur ses documents internes et son vocabulaire de conformité. Une équipe de support cherche des réponses cohérentes avec ses procédures. Une direction marketing veut produire des contenus compatibles avec ses règles de marque, dans plusieurs marchés et canaux.

Cette orientation ne signifie pas qu’un modèle est enfermé dans une seule tâche. Elle suppose plutôt que ses réponses sont encadrées par un contexte métier, des sources documentaires et des règles d’utilisation plus précises. C’est sur cette couche d’adaptation que Writer entend se différencier des fournisseurs de modèles conçus avant tout pour une polyvalence maximale.

Palmyra, un modèle plus compact et entraîné autrement

Le LLM de Writer se nomme Palmyra. Dans la version évoquée par l’entreprise, il comprend 20 milliards de paramètres et a été entraîné sur 800 milliards de tokens. Les paramètres sont les valeurs internes qu’un réseau de neurones ajuste pendant son entraînement. Les tokens sont, eux, les unités de texte que le modèle traite, souvent des mots, morceaux de mots ou signes de ponctuation.

Ces nombres comptent, mais ils ne suffisent pas à évaluer un modèle. Un système plus grand n’est pas automatiquement plus utile dans un contexte professionnel. La qualité et la pertinence des données, l’architecture, le réglage du modèle ainsi que les informations fournies au moment de la requête peuvent peser fortement sur le résultat final.

Writer affirme s’appuyer largement sur des données synthétiques. Ce terme désigne des données produites ou transformées artificiellement, plutôt que collectées et annotées manuellement une à une. Lorsqu’elles sont soigneusement générées, filtrées et contrôlées, elles peuvent servir à entraîner un modèle sur des cas d’usage ciblés sans devoir financer une vaste opération de labellisation humaine.

La société avance un investissement de 700 000 dollars pour l’entraînement de son modèle. Elle le compare à une estimation de 100 millions de dollars pour la labellisation manuelle des données de GPT-4. Ces deux montants ne constituent pas nécessairement une comparaison exhaustive de tous les coûts liés à la création de modèles différents, notamment l’infrastructure informatique, la recherche ou les équipes. Ils illustrent néanmoins le cœur du message de Writer : l’IA d’entreprise ne doit pas devenir une technologie si coûteuse qu’elle ne peut pas produire de valeur économique.

Kev Chung, chief strategy officer de Writer, résume cette philosophie ainsi : « créer un LLM qui coûte plus cher que ce qu’il rapporte n’a aucun sens ».

Pourquoi les données sous licence sont un enjeu clé

Writer indique aussi utiliser des données d’entraînement sous licence. Pour les entreprises, ce choix répond à deux préoccupations. La première concerne la qualité des contenus utilisés pour entraîner ou alimenter les outils. La seconde relève de la maîtrise des risques : droits liés aux données, traçabilité des sources et prévisibilité des réponses.

L’objectif affiché est notamment de limiter les hallucinations. Dans le vocabulaire de l’IA générative, une hallucination est une réponse formulée avec assurance mais qui contient une information fausse, imprécise ou inexistante. Ce phénomène ne vient pas d’une volonté de tromper : un modèle de langage prédit la suite la plus probable d’un texte à partir de ce qu’il a appris. S’il manque d’informations fiables, il peut produire une réponse plausible sans être correcte.

Aucune méthode ne fait disparaître entièrement ce risque. En revanche, l’utilisation de sources autorisées, la connexion à une base documentaire maîtrisée et la possibilité de vérifier les réponses peuvent le réduire dans certains scénarios. C’est particulièrement important en finance, dans la santé, dans le support client ou dans les fonctions juridiques, où une information erronée peut avoir des conséquences concrètes.

Writer travaille par ailleurs sur des modèles dits auto-évolutifs. L’ambition décrite consiste à faire évoluer les connaissances mobilisées par le système au fil du temps. L’approche repose sur trois briques : une mémoire intégrée, l’identification des zones d’incertitude et un mécanisme autonome de mise à jour des connaissances. L’enjeu est de ne pas laisser un assistant dépendre d’informations devenues obsolètes après la fin de son entraînement.

Le RAG orienté graph pour mieux interroger les documents

L’un des axes techniques de Writer est la génération augmentée de récupération, souvent désignée par l’acronyme RAG, pour retrieval-augmented generation. Son principe est pédagogique à comprendre : avant de rédiger une réponse, l’IA va chercher des passages pertinents dans une base de documents. Elle s’appuie ensuite sur ces éléments pour générer son texte.

Dans une entreprise, cette base peut contenir des politiques internes, des fiches produits, des documents commerciaux, des contrats, une base de connaissances pour le support ou des rapports. Le RAG évite ainsi de vouloir intégrer toutes les informations de l’organisation directement dans les paramètres du modèle, une opération longue et difficile à actualiser.

Writer développe un RAG orienté graph. Au lieu de considérer les documents comme une simple liste de textes, cette méthode cherche à exploiter les relations sémantiques entre les informations : un produit lié à une gamme, une règle associée à une exception, un client relié à une filiale ou un processus rattaché à plusieurs documents. L’entreprise vise ainsi des analyses plus robustes et plus rapides à partir des bases documentaires de ses clients.

L’intérêt pratique est clair. Une requête complexe ne nécessite pas toujours un texte plus long, mais une meilleure capacité à retrouver les bons éléments et à comprendre leurs liens. En contrepartie, la qualité du résultat dépend de la qualité de la documentation de départ, de son organisation et des droits d’accès accordés à l’outil.

Des agents connectés aux logiciels plutôt que de simples fenêtres de discussion

Pour Writer, l’étape suivante est l’automatisation des workflows, autrement dit des enchaînements de tâches qui structurent le travail quotidien. Un assistant conversationnel répond à une question. Un système connecté à des applications peut, lui, recevoir une demande, consulter les informations autorisées, préparer un contenu, le transmettre dans le bon outil et déclencher les étapes suivantes sous contrôle humain.

La société veut intégrer ses modèles aux applications déjà utilisées par ses clients, parmi lesquelles Salesforce. Le principe relève de la révolution dite « agentique » : des modèles de langage reliés à des logiciels tiers accomplissent des tâches dans un cadre défini. Dans le marketing, Writer évoque par exemple la possibilité de créer un produit et de gérer les contenus associés à travers une intégration fluide avec les outils de l’entreprise.

Cette perspective dépasse la simple génération de textes. Elle touche la préparation de campagnes, la rédaction de réponses au support, la synthèse d’informations, la gestion de connaissances ou l’aide aux équipes commerciales. Mais connecter une IA à des logiciels n’est pas anodin : il faut définir précisément ce qu’elle peut lire, modifier ou envoyer, et prévoir une validation humaine pour les actions sensibles.

Une clientèle de grands groupes et une présence internationale

Writer a déjà convaincu plusieurs grandes organisations. Parmi les entreprises citées figurent Accenture, Goldman Sachs, Jaguar Land Rover, L’Oréal et Nvidia. Ces références illustrent l’orientation résolument professionnelle de la société, à destination de groupes qui disposent de volumes importants de contenus, de processus complexes et d’exigences élevées en matière de déploiement.

L’Oréal utilise notamment les solutions de Writer dans ses différentes géographies. Pour un groupe international, l’intérêt d’une telle plateforme peut être de mieux harmoniser les contenus tout en tenant compte de langues, marchés et contraintes locales. Dans la finance, le support ou le retail, le même raisonnement vaut pour la cohérence des réponses, la recherche dans les documents et la productivité des équipes.

La présence de bureaux à New York, Londres et Singapour s’inscrit dans cette stratégie internationale. Le défi n’est pas uniquement de fournir un modèle performant : il est de l’installer dans des environnements où coexistent données internes, règles de sécurité, logiciels historiques et méthodes de travail très différentes d’un pays ou d’un métier à l’autre.

Ce qu’il faut surveiller dans la stratégie de Writer

Writer défend l’idée que les LLM deviendront progressivement une commodité. Autrement dit, la disponibilité d’un modèle de langage puissant ne suffira plus à différencier durablement un fournisseur. La valeur se déplacera vers la personnalisation, la qualité des données, les garde-fous, les connecteurs logiciels et la capacité à produire un résultat réellement exploitable.

Cette thèse place Writer face à plusieurs défis. L’entreprise doit démontrer, sur la durée, que ses modèles spécialisés restent précis lorsque les données, les réglementations et les besoins métiers évoluent. Elle doit aussi prouver que ses mécanismes de mise à jour et de RAG améliorent effectivement la fiabilité sans compliquer les déploiements.

La concurrence est également intense. Les créateurs de modèles généralistes renforcent eux aussi leurs offres pour les entreprises, tandis que les grands éditeurs de logiciels intègrent leurs propres assistants dans leurs plateformes. La différence se jouera donc moins sur la promesse abstraite d’une IA qui écrit que sur une question très concrète : quel système permet aux équipes de travailler plus vite, avec des informations mieux contrôlées et sans multiplier les risques ?