Je suis Edwin Helet. J'ai conçu des systèmes de paiement pour des banques européennes avant de me former à la stratégie à l'Emlyon et CentraleSupélec. Aujourd'hui, j'aimerais accompagner les entreprises sur leurs transformations IA et data, du cadrage stratégique jusqu'à ce qui tourne réellement en production.
Au départ, ce n'était pas la stratégie qui m'intéressait, mais la technique elle-même : un rêve d'enfant, concevoir des choses utiles. C'est en travaillant sur des systèmes réels, sous contrainte réglementaire et temporelle, que mon ambition s'est déplacée, de « concevoir » à « comprendre les besoins auxquels la technologie doit répondre ». Le mastère spécialisé est venu formaliser cette bascule.
J'ai travaillé au cœur d'un environnement contraint : paiements SEPA et cartes bancaires, des milliers de transactions quotidiennes, une réglementation européenne qui impose ses échéances. On n'y improvise pas. C'est cette expérience qui permet de savoir, en amont d'une décision stratégique, ce qui tiendra en aval.
Le profil hybride ne sert pas à cocher deux cases. Il sert à établir un lien direct entre un enjeu business et le levier technologique qui y répond, et surtout à arbitrer entre plusieurs leviers quand ils sont tous défendables sur le papier.
Une dizaine de projets techniques et business menés en école d'ingénieur, en mastère et en entrepreneuriat. Alacasa et CityZN m'ont fait parcourir la chaîne de valeur entière, du positionnement marché jusqu'à la base de données.
Une transformation ne se joue jamais sur un seul segment. La stratégie sans delivery reste une intention ; le delivery sans stratégie produit des outils que personne n'utilise. Chaque compétence ci-dessous porte sa provenance, parce qu'une expertise sans origine n'est qu'une déclaration.
Concevoir, construire et fiabiliser ce qui doit tourner en production. C'est le terrain où une recommandation se vérifie, ou s'effondre.
Architectures distribuées et cloud
Automatisation et qualité logicielle
Conformité RGPD et open banking
IA embarquée et traitement local
Intelligence artificielle, computer vision, statistiques
Comprendre un marché, arbitrer entre des options toutes défendables sur le papier, et transformer un constat en modèle économique tenable.
Étude de marché, segmentation, analyse concurrentielle
Business model et proposition de valeur
Business cases et modèles augmentés par l’IA
Contrôle de gestion et management de la performance
Intelligence économique et géoéconomie
Cadrer, embarquer les équipes et faire aboutir. C'est là que la plupart des transformations se perdent, et rarement pour des raisons techniques.
Agilité à l’échelle : SAFe, Scrum, cycle en V
Pilotage par les indicateurs
Validation terrain et entretiens acteurs
Cadrage de cas d’usage IA
Roadmap produit et arbitrage technique
Emlyon Business School × CentraleSupélec
Stratégie, contrôle de gestion, management de performance, marketing B2B, négociation, intelligence économique, géoéconomie, droit international. Échange universitaire au CFVG, Hanoï et Hô Chi Minh-Ville.
Alacasa SAS
Technologie, produit et IA d'une plateforme qui inverse le modèle de l'intermédiation immobilière : référencer la demande qualifiée plutôt que l'offre.
SBS (ex-Sopra Banking Software)
Transformation digitale de deux banques européennes (ASN Bank et Argenta) sur les paiements SEPA et les cartes Visa/Mastercard. 40 sprints, 6 program increments SAFe, un écosystème de plus de 50 microservices.
Université de Sherbrooke
Cinq mois de recherche expérimentale : essais sur plusieurs dizaines de matériaux, prototypes de validation, analyse de données et recommandations techniques.
EPF Engineering School
Formation généraliste puis spécialisation : intelligence artificielle, cybersécurité, computer vision, DevOps, cryptographie, statistiques, design thinking.
Chaque étude de cas suit la structure que j'applique en mission : contexte, diagnostic, leviers, trajectoire, résultats. La forme fait partie de la démonstration.
Deux banques européennes, plus de 50 microservices, et des échéances fixées par le régulateur, pas par le plan de charge.
200+
Référencer la demande qualifiée plutôt que l'offre, sur un marché où 80 % des contacts reçus par une agence sont inutilisables.
80 %
Un challenge d'innovation mené à huit sur trois mois. Trois prix sur quatre, et une proposition de valeur que le terrain a réécrite.
3/4
Une application de finances personnelles conçue pour que la donnée ne parte nulle part. Traitement local, aucun compte, aucun traceur.
0
Projet de conseil mené pour Onepoint (2023–2024) : analyse d'une problématique de mesure de disponibilité d'infrastructures via micro-capteurs Raspberry Pi.
L'IA n'est pas d'abord un sujet d'entreprise : c'est l'accélérateur d'enjeux qui la dépassent largement (la gouvernance, la souveraineté, l'environnement) et dont les organisations héritent, qu'elles les aient anticipés ou non. Quatre convictions structurent la façon dont je les aborde en mission.
Substitution, transformation de rôle ou augmentation : selon la tâche, l'effet n'est jamais le même, et les confondre revient à se tromper de plan d'accompagnement. Le vrai frein à l'adoption est rarement technique. C'est la confiance, et elle se construit par l'explicabilité : pouvoir dire pourquoi le système a décidé ce qu'il a décidé.
Savoir qui décide, qui valide et qui est responsable est un sujet de gouvernance d'entreprise bien antérieur à l'IA : la finance, la conformité et la sécurité des données l'imposaient déjà. Ce qui change avec l'IA, c'est la vitesse à laquelle une décision mal gouvernée peut se propager. L'AI Act formalise cette exigence pour les systèmes à risque, mais le vrai sujet reste organisationnel avant d'être réglementaire.
Dépendre d'un fournisseur étranger pour héberger ses données n'est pas né avec l'IA : le RGPD et les débats sur le Cloud Act américain l'avaient déjà posé. L'IA générative a surtout concentré la dépendance, avec quelques acteurs qui contrôlent à la fois le calcul et les modèles. C'est ce qui nourrit l'émergence d'un marché souverain en France et en Europe (OVHcloud, Scaleway, Mistral), moins par idéologie que par besoin de garder une option de sortie.
La consommation énergétique du numérique et les obligations de reporting extra-financier existaient avant que l'IA générative n'entre dans les usages. L'entraînement et l'inférence à grande échelle ont surtout rendu ce coût plus visible, au point de contredire parfois les engagements RSE pris par ailleurs. La vraie limite, demain, ne sera donc pas la capacité de l'IA à remplacer l'humain, mais le coût, énergétique autant que financier, à partir duquel cela cessera d'être rentable de le faire.
Je suis basé entre Paris et Lyon, disponible pour des missions de conseil en stratégie IA et transformation des organisations. Le plus simple reste de m'écrire directement.
[email protected]