La plupart des interlocuteurs qui découvrent Apshan le rangent dans la catégorie des IA pour la mode. L'hypothèse est raisonnable. Presque chaque nouvelle entreprise se constituant dans ce secteur en relève.
Mais l'étiquette déforme davantage qu'elle ne décrit. La désignation « entreprise d'IA » recouvre indistinctement une interface minimale appliquée à un modèle de fondation et un laboratoire de recherche entraînant des modèles de base ex nihilo. Employée comme catégorie, elle s'apparente à un marqueur temporel plutôt qu'à une description. Elle indique l'époque où une entreprise s'est constituée, non ce qu'elle accomplit.
Apshan recourt effectivement à l'IA. Toute affirmation contraire serait malhonnête. Des modèles de langage convertissent les questions en requêtes qu'un index structuré peut résoudre. Mais le modèle ne constitue pas le travail. Le travail réside dans ce qui doit préexister pour qu'une question reçoive une réponse utile. Le substrat.
La présente note en expose le sens. Elle constitue la première d'une série définissant, en termes clairs, ce qu'Apshan est et comment elle opère.
Définition courante du terme “entreprise d'IA”
L'expression ne connaît pas de définition fixe. Elle recouvre les laboratoires entraînant des modèles de fondation, les produits structurés autour d'un modèle, et les outils préexistants ayant intégré un tel modèle en sus. Les trois constituent, dans le langage courant, des entreprises d'IA.
Apshan ne se réduit pas à une surcouche sur un modèle de fondation.
Notre modèle économique ne repose pas sur la marge prélevée entre l'invocation d'un modèle de fondation et la revente de son résultat. Les données qu'Apshan restitue ne proviennent pas d'un modèle. Elles proviennent de données sourcées que nous avons constituées et que nous maintenons. Les requêtes ne transitent pas par un modèle dont la réponse serait expédiée ; elles sont résolues par un index structuré. Un modèle de fondation supérieur peut raisonner avec davantage de clarté sur ce qu'Apshan restitue. Ce qu'Apshan restitue demeure inchangé. Ces données n'évoluent qu'à mesure que nous les ajoutons ou les vérifions.
Apshan est une infrastructure d'intelligence pour la mode.
Nous construisons un substrat interrogeable de données sourcées couvrant les industries dont la mode est tributaire : météorologie, approvisionnement, douanes, tarifs douaniers, sentiment, défilés, distribution, seconde main, et une douzaine d'autres. Les données sont datées. Chacune comporte une bande de confiance. Les références croisées entre domaines sont préétablies. Le substrat est concédé sous licence à des organisations qui l'interrogent en leur nom, depuis les outils d'IA qu'elles emploient déjà.
Ce que nous construisons se décline en trois formes. Nari constitue la couche de données. Seolal constitue la couche de signaux et de prévisions. Florye constitue la couche visuelle dédiée à la génération conforme à l'identité de marque. Chacune est d'abord un substrat, ensuite un modèle.
Une marque s'approvisionnant en coton pour une saison et le partenaire logistique en charge de sa chaîne d'approvisionnement peuvent l'un comme l'autre interroger le même substrat. Tous deux consultent les mêmes prévisions de récolte, les mêmes données douanières, les mêmes décisions tarifaires, les mêmes signaux de déstockage des détaillants, assortis des mêmes dates et des mêmes bandes de confiance. Deux parties opérant à partir d'un même ensemble de faits, et non de deux. Elles se coordonnent à partir d'une image commune. Le schéma vaut, que la marque expédie des centaines d'unités ou des dizaines de millions.
Apshan s'utilise depuis les outils déjà en place.
Les clients ne se connectent pas à un tableau de bord propre à Apshan. Ils raccordent Apshan à l'outil d'IA qu'ils emploient déjà. Apshan s'y présente comme un ensemble de requêtes structurées que le modèle peut appeler en leur nom. L'interface d'interaction demeure celle qu'ils auraient employée en tout état de cause.
Lorsqu'un modèle situé dans cet outil sollicite Apshan, il n'a pas à extraire, normaliser et lier les données au moment de la requête. La chaîne est préétablie. Le modèle reçoit des données préassemblées, accompagnées de leurs sources et de leurs dates, et consacre sa puissance de calcul à leur interprétation, et non à leur assemblage. L'utilisateur constate que son outil existant gagne en assise. Apshan est ce qui a rendu possible cette assise.
Apshan n'est pas un laboratoire de fondation. Ni AI-first. Ni AI-enabled. La qualification ne s'applique pas. Ce que nous sommes : une infrastructure pour une industrie qui n'en a jamais eu. Pour nous joindre : hello@apshan.com.
Questions
Le fait d'utiliser un modèle de langage ne fait-il pas quand même d'Apshan un produit d'IA ?
Non. L'IA est l'interface ; le substrat est le produit. Un modèle traduit une question en requête et présente le résultat. Retirez le modèle et le substrat est toujours là, interrogeable via du code. Les produits d'IA cessent de fonctionner sans leur modèle. Apshan, non.
En quoi est-ce différent d'une application de Retrieval-Augmented Generation ?
Une application RAG enveloppe un modèle de fondation d'une couche de récupération qui va chercher des passages dans un magasin de documents. Apshan est le substrat depuis lequel le modèle récupère, pas la surcouche autour du modèle. Les clients pointent leur outil d'IA existant vers Apshan ; nous ne livrons pas d'interface de chat.
Que se passe-t-il quand un laboratoire de fondation s'étend à la mode ?
Rien de substantiel ne change. Les laboratoires de fondation entraînent des modèles. Ils ne maintiennent pas les flux de signaux inter-industries, le datage, les bandes de confiance, ni les références croisées par matière qui déterminent une chaîne d'approvisionnement. De meilleurs modèles appellent notre substrat plus clairement. Ils ne le remplacent pas.
Mes données entraînent-elles le substrat d'Apshan ou un autre modèle ?
Non. Les requêtes des clients n'entrent pas dans le substrat. Le substrat est à sens unique : les clients en tirent ; rien des leurs ne remonte.
Est-ce utile pour une petite marque, ou seulement pour les entreprises ?
Le schéma est indépendant de l'échelle. Une marque qui s'approvisionne pour une expédition par saison voit les mêmes preuves qu'une multinationale, parce que le substrat est le même. Le coût varie selon l'usage, pas selon la taille de l'entreprise.