18 avril 20268 min de lecture

Fonctions IA dans le plan Ultra : résumé, compte rendu et posts pour réseaux sociaux avec un LLM open source local

Une transcription marque rarement la fin du travail. Après la réunion vient le compte rendu. Après l’entretien, l’article. Après l’atelier, la liste de tâches. Et après le podcast, le post sur les réseaux sociaux qui l’annonce. Autant d’étapes qui se prêtent parfaitement à l’automatisation par un modèle de langage – à condition d’être prêt à confier la transcription finale à un service externe.

C’est précisément là que la plupart des utilisateurs soucieux de la confidentialité décrochent. Car une transcription qui a d’abord été traitée de manière chiffrée côté client ne doit pas, à l’étape suivante, être envoyée à OpenAI, Anthropic ou Google. scryp propose donc l’analyse IA autrement : elle s’exécute sur les mêmes workers GPU que la transcription, dans le même environnement cloisonné, avec un modèle open source local. Cette fonction est disponible dans le plan Ultra.

La différence : un LLM local plutôt qu’une API cloud

L’analyse IA de scryp s’exécute sur un modèle de langage open source local, qui tourne sur nos propres workers GPU situés dans l’UE. Il n’y a aucun appel à OpenAI, Anthropic, Google ou un autre service d’IA externe. Le modèle n’a pas d’accès à Internet et ne peut pas transmettre de données vers l’extérieur – techniquement, c’est impossible.

La plupart des fonctions IA des outils de transcription suivent un schéma simple : la transcription finale est transmise à une API – le plus souvent à un fournisseur américain comme OpenAI ou Anthropic – et la réponse est renvoyée à l’utilisateur. C’est rapide à mettre en œuvre, mais c’est une rupture sur le plan de la protection des données : les données que vous veniez de chiffrer soigneusement se retrouvent en clair chez une entreprise tierce située hors de l’UE.

scryp adopte une autre approche. Pour l’analyse IA, nous utilisons un modèle de langage open source que nous hébergeons nous-mêmes. Il tourne sur les mêmes workers GPU que ceux qui effectuent la transcription, dans les mêmes centres de données de l’UE chez Hetzner. Concrètement, cela signifie :

Aucun appel d’API externe. Ni OpenAI, ni Anthropic, ni Google ne voient votre transcription. Il n’existe aucun contrat avec un fournisseur de LLM américain, parce qu’il n’a techniquement pas lieu d’être.
Aucun accès à Internet pour le modèle. Le conteneur dans lequel s’exécute le modèle de langage n’a qu’une connexion entrante vers notre file d’attente de jobs interne – et non l’inverse. Le modèle ne peut émettre aucune requête vers l’extérieur.
Aucun entraînement du modèle avec vos données. Le modèle open source est statique. Nous ne l’adaptons pas aux données des utilisateurs, nous ne collectons pas de prompts, et il n’existe aucune boucle de rétroaction qui réinjecterait vos contenus dans le modèle.
Le même cadre juridique que la transcription. Le traitement a lieu dans l’UE, sur l’infrastructure d’un hébergeur européen. Aucun transfert vers un pays tiers, pas de CLOUD Act.

La même architecture que pour la transcription

L’analyse IA n’utilise pas seulement le même matériel que la transcription elle-même, mais aussi le même modèle de sécurité. Les résultats sont aussitôt rechiffrés avec votre clé avant de quitter l’environnement des workers. À aucun moment ils ne se trouvent en clair sur le disque dur ou dans la base de données – exactement comme les transcriptions et les fichiers audio.

L’analyse IA ne pose donc pas de nouvelle question de confiance : elle s’exécute au sein du même environnement isolé que celui déjà en place pour la transcription proprement dite.

Cinq types d’analyse dans le plan Ultra

Le plan Ultra propose actuellement cinq types d’analyse. Chacun est optimisé pour un cas d’usage précis, plutôt que d’offrir une fonction « chat » générale. Le résultat est un document spécifique, immédiatement exploitable – et non une sortie d’IA générique que vous devriez encore retravailler.

1. Résumé

Le résumé condense une transcription aux propos essentiels. Il convient particulièrement aux enregistrements longs – entretiens d’une heure, ateliers de deux heures, épisodes de podcast – lorsque vous avez besoin d’une vue d’ensemble rapide sans lire l’intégralité de la transcription.

Vous pouvez définir la longueur du résumé à l’aide d’un curseur, entre 100 et 2 000 caractères. Court pour un aperçu dans un e-mail, plus long pour une synthèse de direction détaillée. Le modèle adapte automatiquement la densité du texte à la longueur souhaitée.

2. Compte rendu

Le compte rendu structure la transcription d’une réunion en sections classiques : participants, thèmes, points de discussion, décisions et questions en suspens. Contrairement au résumé, qui condense le contenu de façon narrative, le compte rendu suit un plan fixe – tel que vous le connaissez des procès-verbaux de réunion habituels.

Cette fonction convient aux comptes rendus de réunion, à la documentation des points réguliers, aux réunions de projet et partout où une documentation structurée et vérifiable est nécessaire. Le résultat est un document que vous pouvez réutiliser directement, moyennant de légers ajustements.

3. Liste de tâches

La liste de tâches extrait d’une réunion tous les points à traiter – avec la personne responsable et, lorsqu’elle est mentionnée, l’échéance prévue. Le modèle recherche spécifiquement des phrases telles que « C’est Lisa qui s’en chargera », « D’ici vendredi, nous devons… » ou « Daniel, peux-tu t’en occuper ? » et les transforme en points d’action clairs.

Cela épargne une étape que, dans beaucoup d’équipes, personne n’aime assumer : le suivi des points en suspens. Au lieu de parcourir manuellement la transcription à la recherche d’engagements, vous obtenez une liste prête à l’emploi que vous pouvez reporter dans votre outil de gestion de projet.

4. Post pour réseaux sociaux

À partir d’une transcription, il est possible de générer un post pour LinkedIn, Facebook ou X (Twitter). Le modèle choisit la longueur, le ton et la structure adaptés à la plateforme. Les posts LinkedIn sont généralement plus longs, plus consistants et formulés de manière plus professionnelle. Les posts X sont courts, percutants et reposent sur une accroche claire. Facebook se situe entre les deux, avec un ton plus personnel.

C’est surtout utile lorsque vous comptez de toute façon publier un enregistrement par la suite – une conférence, un entretien de podcast, une keynote. Au lieu de rédiger le post de mémoire, le modèle fournit un brouillon prêt à l’emploi qui s’appuie sur des phrases réellement prononcées.

5. Article

Le type d’analyse le plus long et le plus gourmand en calcul : un article structuré avec introduction, intertitres, idées clés et conclusion – généré à partir de la transcription d’un enregistrement. Le nombre de caractères visé peut se situer entre 1 000 et 10 000 caractères.

Le mode article fonctionne en interne en plusieurs étapes : le modèle planifie d’abord le plan, rédige ensuite les différentes sections puis les assemble à la fin en un texte cohérent. Le résultat n’est pas une « transcription gonflée », mais un article à part entière qui met en forme les propos de l’enregistrement sous une forme journalistique ou rédactionnelle.

Applications typiques : billets de blog à partir d’entretiens ou de podcasts, articles spécialisés à partir d’exposés techniques, comptes rendus à partir d’enregistrements de conférences. Une révision manuelle reste nécessaire – mais le point de départ est nettement plus avancé qu’une transcription brute.

Ce que le modèle open source sait faire – et où sont ses limites

Nous ne nommons délibérément pas le modèle utilisé. La raison : le paysage de l’IA évolue si vite que le choix concret pourrait déjà être différent dans six mois. Ce qui compte, c’est le principe : open source, exploité localement, aucun service externe, traitement dans l’UE. Nous tenons à ces propriétés, même si nous remplaçons à terme le modèle par un plus moderne.

Ce que vous devez tout de même savoir : les modèles open source locaux de la taille qui tourne sur un seul GPU n’atteignent pas le même niveau de qualité absolu que les plus grands modèles cloud (classe GPT-4, Claude Opus). Pour les tâches d’analyse typiques – résumer, structurer, reformuler – ils sont toutefois très bien adaptés. L’écart de qualité s’est par ailleurs nettement réduit au cours des 18 derniers mois, tandis que l’avance d’un modèle local en matière de protection des données reste constante.

Concrètement : si vous souhaitez un texte créatif et librement formulé, qui sonne comme s’il avait été écrit par un auteur expérimenté, vous devriez considérer la sortie de l’IA comme un point de départ, et non comme un texte achevé. Pour les tâches structurées comme les comptes rendus, les listes de tâches ou les résumés, le résultat est régulièrement exploitable tel quel.

Ce qui est enregistré – et ce qui ne l’est pas

Le résultat d’une analyse IA est, comme la transcription sous-jacente, enregistré sous forme chiffrée. Personne en dehors de votre compte ne peut le lire – ni nos collaborateurs, ni quelqu’un qui obtiendrait un accès physique à la base de données. Les prompts que nous utilisons en interne pour piloter le modèle ne sont pas non plus consignés avec vos contenus.

Ce que nous enregistrons : qu’un job d’un certain type (résumé, compte rendu, …) a été exécuté, quand il l’a été et combien de temps le traitement a duré. Ces métadonnées nous sont nécessaires pour la facturation, le diagnostic des erreurs et la planification des capacités. Le contenu de vos transcriptions ou des résultats d’IA ne figure pas dans ces journaux.

Pourquoi l’analyse IA n’est disponible que dans le plan Ultra

L’analyse IA s’exécute sur les mêmes GPU que la transcription. Un seul job d’article peut mobiliser un GPU pendant plusieurs minutes, un compte rendu ou un résumé bien moins longtemps. C’est plus coûteux qu’un appel d’API chez un fournisseur cloud, mais nous ne confions pas ce matériel à des tiers.

C’est pourquoi cette fonction est incluse dans le plan Ultra. Qui souhaite l’utiliser activement bénéficie de la capacité matérielle nécessaire – à un prix mensuel prévisible, plutôt que d’une facturation au token. Tous les détails sur les plans figurent sur la page des tarifs.

En résumé

Modèle open source local : tourne sur les workers GPU propres à scryp, dans l’UE. Aucun appel d’API externe, aucun fournisseur de LLM américain.
Environnement isolé : le modèle n’a pas d’accès à Internet. Il ne peut pas envoyer de données vers l’extérieur, parce qu’il n’en a techniquement pas la connexion.
Le même modèle de sécurité que la transcription : les résultats sont enregistrés sous forme chiffrée, le traitement s’exécute dans le même environnement isolé.
Aucun entraînement avec les données des utilisateurs : le modèle est statique. Vos contenus ne sont pas réinjectés dans le modèle.
Cinq types d’analyse : résumé, compte rendu, liste de tâches, post pour réseaux sociaux (LinkedIn/Facebook/X) et article – chacun optimisé pour un cas d’usage précis.
Plan Ultra : l’analyse IA fait partie du plan Ultra, parce que le temps GPU nécessaire mobilise une véritable capacité matérielle.

Conclusion

Une fonction IA qui envoie ensuite votre transcription soigneusement chiffrée à un service cloud externe n’a guère de sens du point de vue de la protection des données. C’est pourquoi scryp ne le fait pas. Le résumé, le compte rendu, la liste de tâches, le post pour réseaux sociaux et l’article sont produits sur le même système de workers qui effectue aussi la transcription – dans l’UE, sur notre propre infrastructure GPU, avec un modèle open source local qui n’a aucune fenêtre vers l’extérieur. C’est plus lent et plus coûteux qu’un appel d’API chez OpenAI – mais c’est la seule variante qui s’accorde avec le reste de l’architecture.