LinkedIn déploie une nouvelle fonctionnalité de recherche permettant des requêtes en langage naturel comme « Qui connaît bien le traitement du cancer ? ». Pour saisir la portée de cette innovation, il faut la comparer à l'ancienne méthode : une recherche par mots-clés qui n'aurait trouvé que les profils mentionnant le mot exact « cancer », ignorant des experts en oncologie ou en recherche génomique.

Le nouveau système, lui, comprend l'intention sémantique. Plus encore, il fait preuve d'un pragmatisme stratégique en équilibrant la pertinence (le meilleur oncologue mondial, peut-être inaccessible) et l'utilité (une connexion de premier niveau, très pertinente, qui peut servir de pont).

Si cette capacité semble évidente à l'ère de l'IA, son déploiement à l'échelle de 1,3 milliard d'utilisateurs a été un processus lent et complexe. Cet article révèle les leçons stratégiques tirées de ce déploiement, qui vont bien au-delà de la simple technologie.

1. La lenteur est une stratégie : le pragmatisme face à la complexité

Le lancement de cette fonctionnalité, trois ans après celui de ChatGPT, peut sembler tardif. Cependant, ce délai n'est pas un signe de faiblesse, mais une leçon de stratégie pour toute entreprise : le déploiement de l'IA générative à grande échelle est un « processus lent et brutal d'optimisation pragmatique ». L'expérience de LinkedIn en est un parfait exemple. Une « ambition tentaculaire » initiale visant à construire un système unifié pour tous ses produits a en réalité « freiné les progrès ». Cette erreur est une mise en garde contre le piège de la généralisation prématurée de la plateforme.

Au lieu de cela, l'entreprise a adopté une approche ciblée et méthodique : se concentrer sur un seul domaine et le maîtriser. Le succès de leur premier projet, la recherche d'emploi par IA, a non seulement validé l'approche, mais a aussi produit un résultat commercial tangible : les demandeurs d'emploi sans diplôme universitaire de quatre ans étaient 10 % plus susceptibles d'être embauchés. Ce succès a fourni le plan directeur pour la suite.

"N'essayez pas d'en faire trop à la fois." — Wenjing Zhang, Vice-présidente de l'ingénierie chez LinkedIn

2. La recette est plus importante que les ingrédients

La véritable innovation de LinkedIn ne réside pas dans un modèle de langage spécifique, mais dans sa « recette » (ou "cookbook") : un pipeline reproductible d'optimisation. Cette recette, d'abord perfectionnée sur la recherche d'emploi, est un processus en plusieurs étapes conçu pour créer des modèles spécialisés et efficaces. Le processus commence par la création d'un petit « golden dataset » de haute qualité, qui est ensuite utilisé pour inciter un grand modèle de base à générer des données d'entraînement synthétiques à grande échelle. Ces données permettent de former un modèle spécialisé dit de « politique produit », agissant comme un juge parfait de la pertinence, trop lent pour être en production mais idéal pour enseigner à des modèles plus petits.

C'est cette méthode éprouvée qui a permis à LinkedIn de s'attaquer au défi bien plus grand de la recherche de personnes, passant de « dizaines de millions d'emplois » à « au-delà du milliard de membres ». La priorité accordée à la méthode est telle que le vice-président de l'ingénierie produit, Erran Berger, a refusé de nommer les modèles utilisés, soulignant que le choix dépend uniquement de l'efficacité pour une tâche donnée.

3. Pour voir grand, il faut penser petit : l'art de la distillation radicale

De manière contre-intuitive, servir 1,3 milliard d'utilisateurs a obligé LinkedIn à rendre ses modèles non pas plus grands, mais radicalement plus petits. Le contexte est essentiel : l'échelle de la recherche de personnes, avec son « milliard de membres », était une « bête différente » qui a brisé l'architecture existante. L'équipe a dû opérer un changement fondamental en migrant son infrastructure d'indexation des processeurs (CPU) vers les processeurs graphiques (GPU) simplement pour gérer la récupération des données à une telle échelle.

C'est dans ce contexte de contraintes extrêmes que deux optimisations clés ont été développées :

• Réduction du modèle : L'équipe a réduit la taille de son modèle final (« étudiant ») de 440 millions à seulement 220 millions de paramètres, avec une perte de pertinence inférieure à 1 %.

• Réduction des entrées : Ils ont entraîné un autre LLM dont le seul but est de résumer le contexte d'entrée, réduisant sa taille de 20 fois avec une perte d'information minimale.

La combinaison de ces techniques a permis une augmentation de 10 fois du débit de classement, rendant le service viable et performant à très grande échelle.

4. Priorité aux outils, pas aux agents : une leçon de pragmatisme

Selon la philosophie d'Erran Berger, la vraie valeur pour les entreprises aujourd'hui réside dans le perfectionnement des systèmes de recommandation, et non dans la poursuite du « battage médiatique autour des agents ». Pour illustrer ce pragmatisme, LinkedIn a déployé une « couche de routage de requêtes intelligente » alimentée par un LLM. Cette couche agit comme un aiguilleur, décidant en temps réel si une requête doit être envoyée au nouveau système sémantique (pour le langage naturel) ou à l'ancien moteur de recherche lexical, fiable et éprouvé (pour des mots-clés comme "trust expert").

L'ensemble de ce système de recherche complexe est conçu pour être un « outil » qu'un futur agent pourra utiliser, et non l'agent lui-même. Cette approche garantit que les fondations sont robustes avant de construire des applications plus abstraites.

"Les produits agentifs ne valent que par la qualité des outils qu'ils utilisent pour accomplir des tâches pour les gens. Vous pouvez avoir le meilleur modèle de raisonnement au monde, mais si vous essayez d'utiliser un agent pour effectuer une recherche de personnes et que le moteur de recherche de personnes n'est pas très bon, vous ne pourrez pas livrer de bons résultats." — Erran Berger, Vice-président de l'ingénierie produit chez LinkedIn

Conclusion

Le succès de l'intelligence artificielle en entreprise ne dépend pas de la course au modèle le plus puissant, mais de la maîtrise d'un pipeline d'optimisation pragmatique. L'aventure de LinkedIn démontre que la maîtrise d'un pipeline pragmatique des « golden datasets » à la distillation impitoyable constitue le véritable avantage concurrentiel. 

Alors que les entreprises se lancent dans la course à l'IA, la vraie question n'est pas « quel modèle utiliser ? » mais plutôt « avons-nous la bonne recette pour réussir ? »

LinkedIn devine vos pensées : comment sa nouvelle recherche par IA révolutionne votre réseau

Vous est-il déjà arrivé de chercher quelqu'un sur LinkedIn, certain de son expertise, mais incapable de trouver les bons mots-clés pour que son profil apparaisse ? Cette frustration de devoir deviner le titre exact ou les compétences précises d'une personne, que Rohan Rajiv de LinkedIn décrit comme le besoin de "lutter avec les filtres" (wrestle with filters), est une expérience que de nombreux utilisateurs ont connue. Aujourd'hui, cette époque est révolue. LinkedIn a introduit une nouvelle recherche basée sur l'intelligence artificielle, une solution révolutionnaire qui ne se contente plus de lire des mots, mais qui comprend vos intentions. Elle transforme la simple barre de recherche en un véritable partenaire de conversation, capable de dénicher la personne qu'il vous faut, même si vous ne savez pas exactement comment la décrire. Pour bien saisir la portée de cette innovation, il est essentiel de comprendre la différence fondamentale entre l'ancienne et la nouvelle approche.

1. Le grand changement : des mots-clés à l'intention

Le passage de l'ancienne recherche à la nouvelle est plus qu'une simple mise à jour ; c'est un changement de philosophie. L'IA permet à LinkedIn de passer d'une logique de correspondance exacte à une compréhension profonde du sens de votre requête.

Cette capacité à comprendre le contexte plutôt que de simples mots ouvre des possibilités inédites. Mais comment cette technologie parvient-elle à interpréter vos besoins avec une telle finesse ?

2. Comment ça marche ? Les secrets de l'IA de LinkedIn

Derrière cette apparente simplicité se cache un système complexe et intelligent, conçu pour vous apporter la réponse la plus utile possible. Son fonctionnement repose sur trois piliers fondamentaux.

• Comprendre votre besoin réel L'IA ne se contente plus de traiter des mots isolés ; elle analyse vos phrases pour saisir votre véritable intention. Cela lui permet de trouver des experts pertinents même si les termes exacts que vous utilisez ne figurent pas sur leur profil. Le système va au-delà des mots-clés pour se concentrer sur le concept que vous cherchez à explorer.

• Un équilibre intelligent entre pertinence et utilité L'IA ne se limite pas à identifier l'expert mondial le plus reconnu dans un domaine, qui pourrait être une connexion de troisième degré totalement inaccessible. Elle évalue également l'utilité des résultats. Par exemple, le système peut vous proposer une connexion de premier degré qui est "assez pertinente" car cette personne peut vous servir de pont vers l'expert que vous cherchez à atteindre. La pertinence est donc pondérée par l'accessibilité.

• Un système qui choisit le bon outil Toutes les recherches ne se valent pas. LinkedIn a mis en place une couche "intelligente" qui analyse votre requête et décide quel système utiliser. Pour une demande complexe en langage naturel, elle active le nouveau moteur sémantique. Mais pour une requête simple et directe comme "trust expert", elle peut juger plus efficace de faire appel à l'ancien système lexical, plus rapide et tout aussi fiable pour ce type de cas.

Grâce à cette mécanique sophistiquée, la barre de recherche se transforme en un puissant outil de découverte. Voyons concrètement ce que vous pouvez lui demander.

3. Des exemples concrets : que pouvez-vous demander ?

Avec cette nouvelle technologie, vous pouvez désormais dialoguer avec la barre de recherche de LinkedIn comme vous le feriez avec un assistant. Fini les contorsions de mots-clés, place au langage naturel.

Voici quelques exemples de requêtes que vous pouvez formuler :

• "Find me investors in the healthcare sector with FDA experience" (Trouve-moi des investisseurs dans le secteur de la santé avec une expérience de la FDA)

• "people who co-founded a productivity company and are based in NYC" (personnes qui ont co-fondé une entreprise de productivité et sont basées à New York)

• "Who in my network can help me understand wireless networks" (Qui dans mon réseau peut m'aider à comprendre les réseaux sans fil)

Pour les utilisateurs ayant accès à cette fonctionnalité, l'interface elle-même reflète ce changement : le texte dans la barre de recherche affiche désormais "I'm looking for..." (Je recherche...) au lieu du simple "Search" (Rechercher). Il est à noter que cette fonctionnalité est actuellement en cours de déploiement pour les utilisateurs Premium aux États-Unis, avec une expansion prévue dans les mois à venir.

Cependant, comme toute technologie naissante, elle a encore une marge de progression.

4. Une technologie en évolution : ce qu'il faut savoir

Bien que révolutionnaire, cette nouvelle recherche par IA n'est pas encore parfaite. LinkedIn continue de l'améliorer pour qu'elle comprenne les nuances de chaque requête avec toujours plus de précision.

Il existe encore des imperfections que les premiers utilisateurs ont pu remarquer :

• Une recherche pour "YC startup" ne donnera pas exactement les mêmes résultats qu'une recherche pour "Y Combinator", alors que les deux termes désignent la même chose.

• En cherchant des "people who co-founded a voice AI startup" (cofondateurs d'une startup en IA vocale), le système peut parfois inclure des personnes ayant un badge "LinkedIn top voice", confondant ainsi l'expertise reconnue sur un sujet avec une expertise technique spécifique.

LinkedIn a confirmé travailler activement à l'amélioration de la compréhension des requêtes par l'outil. Ces ajustements sont normaux pour une technologie de cette ampleur et témoignent de la complexité de l'interprétation du langage humain.

5. Conclusion : votre réseau à portée de main

Cette nouvelle recherche conversationnelle est bien plus qu'une simple amélioration. Elle transforme un outil rigide en un partenaire de découverte intelligent, vous offrant, comme le dit Rohan Rajiv, "le chemin le plus rapide vers la personne qui peut vous aider le plus".

Mais la véritable révolution se situe à un niveau stratégique. Cette fonctionnalité est le premier résultat visible d'un "livre de recettes" (cookbook) que LinkedIn a méticuleusement développé pour déployer l'IA à très grande échelle. Il ne s'agit pas seulement de construire une meilleure recherche, mais de forger un "outil" fondamental et réplicable. Comme le souligne Erran Berger, VP de l'ingénierie produit, de futurs agents IA auront besoin d'outils aussi puissants pour accomplir des tâches complexes en votre nom.

En maîtrisant ce "livre de recettes", LinkedIn ne se contente pas d'innover sur un produit ; l'entreprise construit la fondation de sa future supériorité en matière d'IA, transformant sa plateforme en un écosystème où des assistants intelligents pourront un jour gérer activement votre développement professionnel.