Co-Manager à Distillation Continue — L'IA qui apprend en roulant

Le problème : l'expertise humaine est périssable

Une flotte de 200 véhicules génère entre 15 et 40 incidents par jour. Chaque incident résolu par un dispatcher expérimenté est une démonstration d'expertise — un éclair de jugement qui mobilise des années de mémoire implicite, de patterns reconnus, de raccourcis mentaux qu'aucun manuel de procédure ne capture.

Le problème, c'est que cette expertise fuit. Elle disparaît dans les silos individuels, s'évapore au turnover, se dégrade quand le senior passe la main au junior. Les systèmes traditionnels tentent de la figer dans des règles statiques — « si panne sur autoroute, alors protocole B-12 » — mais ces règles vieillissent plus vite que le bitume.

Vous vous retrouvez avec un système qui sait exécuter mais qui ne sait pas apprendre. Exactement le contraire de ce dont une opération 24/7 a besoin.

L'insight : TRIZ #20, le principe de continuité

Genrich Altshuller, le père de TRIZ, a codifié un principe d'une élégance radicale dans les années 1950 : le principe n°20 — Continuité de l'action utile. Éliminer les temps morts. Faire tourner toutes les parties d'un système à pleine charge, tout le temps. Supprimer les marches à vide.

Appliqué à la gestion de flotte : vos véhicules tournent sans interruption. Pourquoi votre intelligence de gestion, elle, s'arrêterait-elle ?

C'est exactement la question qui a donné naissance au Co-Manager à Distillation Continue de KINETIC AXIOM.

La solution : un Co-Manager qui distille l'expertise humaine, chaque nuit

Voici l'architecture. Pendant la journée, le Co-Manager IA assiste vos dispatchers en temps réel : il suggère, il alerte, il exécute les tâches routinières. Mais ce n'est pas là que réside l'innovation.

La vraie rupture se produit entre 3h et 5h du matin, pendant la fenêtre calme où l'activité opérationnelle est minimale. Le système entre en phase de distillation :

// Boucle de distillation nocturne — chaque nuit, 3h-5h
for each incident_résolu in journée.incidents:
    if incident.résolution_humaine:
        triplet = extraire(
            situation   = incident.contexte_initial,
            raisonnement = trace_décisionnelle(incident.dispatcher),
            décision    = incident.action_finale
        )
        dataset_nuit.append(triplet)

modèle_local = fine_tune_incrémental(
    modèle_précédent,
    dataset_nuit,
    lora_rank=16
)

Chaque interaction de la journée — chaque résolution humaine — est distillée en un triplet (situation, raisonnement, décision). Ces triplets alimentent un fine-tuning incrémental du modèle local qui tourne directement sur l'infrastructure du client. Pas d'appels API externes. Pas de latence cloud. Pas de fuite de données.

Pourquoi ça change tout

• Apprentissage sans interruption. Le fleet tourne 24/7, l'IA apprend 24/7. La fenêtre 3h-5h est le seul moment où la distillation s'exécute, mais la boucle d'apprentissage, elle, ne s'arrête jamais — elle accumule de la matière toute la journée.
• Modèle local, données locales. Le fine-tuning s'opère sur site, avec les données du client, pour le client. Le modèle s'adapte aux spécificités de votre flotte, vos contraintes géographiques, vos contrats SLA.
• Capitalisation invisible. Chaque jour qui passe, le Co-Manager devient plus pertinent. Le dispatcher qui prend sa retraite dans six mois ? Le système aura déjà digéré 180 nuits de ses décisions. Son expertise ne part pas ; elle se dépose dans le modèle.
• Résilience. Si un dispatcher clé est absent, le Co-Manager compense. Il ne le remplace pas — il prolonge son intelligence. C'est la différence entre un outil et un co-pilote.

L'architecture sous le capot

En tant qu'architecte, je vais être direct : ce qui rend cette approche viable techniquement, c'est le fine-tuning incrémental par LoRA. On ne re-entraîne pas le modèle entier chaque nuit — ce serait absurde, coûteux, lent. On ajuste des adaptateurs de rang faible (rank 16 à 32) qui capturent les nouveaux patterns décisionnels sans dégrader les anciens.

Pourquoi maintenant ? Parce que trois verrous viennent de sauter. Premièrement, les modèles open-weight ont atteint un niveau de raisonnement suffisant pour comprendre des chaînes décisionnelles complexes sans halluciner. Deuxièmement, le fine-tuning LoRA incrémental est devenu assez léger pour tourner sur un seul GPU en moins de deux heures — la fenêtre 3h-5h n'est pas un hasard. Troisièmement, les entreprises qui gèrent des flottes critiques sont saturées de SaaS qui promettent l'IA mais ne livrent qu'un dashboard de plus. Elles sont prêtes pour un système qui apprend au lieu de simplement afficher.

Le dataset quotidien est léger : 15 à 40 triplets par jour, quelques centaines de tokens. En un mois, c'est 1 000 démonstrations d'expertise qui viennent nourrir le modèle. En un an, c'est une bibliothèque de 12 000 décisions contextualisées — un corpus qui représente littéralement l'intelligence opérationnelle accumulée de l'entreprise.

Et le plus beau ? Ce corpus est inattaquable par la concurrence. Il est le produit direct de votre historique opérationnel, de vos dispatchers, de vos contraintes. Personne ne peut le répliquer. C'est votre avantage compétitif, matérialisé en poids de modèle.