Profil expert
Dr Christophe NARTH
Directeur Général Délégué & Co-fondateur
Physicien. Data Scientist. Entrepreneur.
La preuve avant la promesse, la mesure pour décider.
01
Comprendre avant de transformer
Ma formation, entre chimie et physique, m'a appris à raisonner sur des systèmes complexes, à distinguer ce que l'on sait de ce que l'on suppose et à confronter les modèles à la mesure. Le calcul scientifique, le calcul haute performance, la Data puis l'intelligence artificielle m'ont ensuite confronté à d'autres formes de complexité : celles des architectures, des données, des dépendances technologiques et de leur passage à l'échelle.
Avec l'expérience, ma question s'est déplacée. Il ne s'agit plus seulement de savoir ce qu'une technologie permet de faire, mais de déterminer ce qu'il est pertinent de lui demander, dans quelles conditions, à quel coût et avec quels effets.
J'interviens aujourd'hui à cette interface entre métier, système et technologie : qualifier un besoin, rendre un problème analysable, confronter plusieurs trajectoires puis concevoir des solutions compatibles avec les contraintes économiques, énergétiques, réglementaires, humaines et de souveraineté. L'IA, l'open source, le HPC ou les technologies émergentes ne sont pas des finalités. Ce sont des moyens, et leur valeur se juge à l'usage et aux effets qu'ils produisent.
02
Domaines d’expertise
03
Quelques repères
Recherche, R&D & innovation technologique
Des sciences fondamentales à la Data/IA.
Publications et contributions scientifiques
Articles, chapitre d'ouvrage et communications internationales.
HPC & visualisation scientifique en temps reel
Démonstrateur public-privé PRACE : entreprise, CNRS, CEA et GENCI
d'expertise auprès de la Commission européenne
IA · HPC · sciences quantiques · technologies énergétiques durables.
04
Aux origines d’une curiosité
J'ai toujours aimé comprendre comment les choses fonctionnent. Pour voir, ensuite, comment elles pourraient mieux fonctionner. C'est resté ma manière de faire : observer, imaginer, chercher ce qui me manque, puis creuser jusqu'à pouvoir anticiper le comportement du système. Cette manière de faire ne dépend pas du domaine, et c'est probablement pourquoi je suis passé de la chimie à la physique, puis au calcul, aux données et aux systèmes industriels sans avoir jamais eu le sentiment de changer de métier. Comprendre n'a jamais été une fin en soi.
Ce qui m'a fasciné dans les sciences, c'est qu'on puisse explorer un phénomène par le calcul, et parfois prévoir son évolution avant même de pouvoir l'observer ou le reproduire. Des trajectoires planétaires aux systèmes atomiques, le même geste. C'est cette fascination qui m'a conduit au doctorat en physique quantique et au HPC.
Mon premier stage en laboratoire m'a appris une autre leçon que je n'ai jamais oubliée : ce que l'on peut représenter dépend aussi de ce que l'on peut réellement calculer. Ce compromis entre ambition du modèle et ressources disponibles, je l'ai ensuite retrouvé dans les centres de calcul intensif, les datacenters puis les projets industriels, sous des formes différentes.
Cette curiosité s'est progressivement étendue aux systèmes techniques, aux organisations et aux personnes qui les font fonctionner. C'est là que prend racine mon intérêt pour la pensée systémique, comprendre l'ensemble plutôt qu'isoler ses composants, puis, finalement, pour l'éco-ingénierie systémique. Avec une constante : confronter ce que j'apprends et le transmettre. Une compréhension qui ne résiste pas à la discussion mérite rarement qu'on s'y fie.
05
La question a changé, pas la méthode
2009 à 2017 : une immersion dans la recherche et la simulation
Mon parcours scientifique s'est construit sur près de huit années d'immersion continue : master de chimie, spécialité chemoinformatique, stages de recherche, doctorat en physique quantique, puis ingénieur de recherche au CNRS, sur le poste d'expert national en simulation numérique.
J'y ai appris à formuler des hypothèses, construire et confronter des modèles, travailler avec des environnements de calcul exigeants et documenter des résultats reproductibles.
Près de dix publications et contributions scientifiques, dont un chapitre d'ouvrage, ainsi que des conférences et des collaborations internationales ont prolongé cette pratique intensive de la recherche ; la dernière co-signature datant de 2022, plusieurs années après mon passage dans le privé.
Calculer à grande échelle
La simulation numérique m'a conduit vers le calcul haute performance, puis vers les infrastructures qui le rendent possible. Mon passage au centre de calcul du CNRS, dans un rôle national d'expertise en simulation numérique, m'a fait changer d'objet : il ne s'agissait plus de mon code, mais de communautés entières, physique quantique, mécanique des fluides, biologie moléculaire, matériaux, et d'un arbitrage permanent entre puissance disponible, consommation et usage reel, sans oublier les ressources nécessaires à la disponibilité du centre : électricité, refroidissement et dispositifs de secours.
L'énergie y a cessé d'être pour moi une simple contrainte d'exploitation pour devenir un paramètre de dimensionnement. C'est là que j'ai monté, dans le cadre européen PRACE, un premier démonstrateur de ce type, en lien avec GENCI, associant une entreprise, le CNRS et le CEA autour du mur d'images du CEA : le résultat du calcul s'affiche pendant qu'il tourne, au lieu d'être analysé a posteriori.
Concevoir l'infrastructure
Le passage à l'industrie m'a mis de l'autre côté de la machine : refroidissement, densité, efficacité énergétique. J'y ai piloté des travaux de R&D et des consortiums où la performance ne se juge jamais seule, mais rapportée au coût total et à l'énergie consommée. Deux idées s'y sont imposées : La consommation d'un système se décide à la conception, pas à l'exploitation ; et la chaleur d'un datacenter n'est pas un déchet à évacuer mais une ressource à valoriser : dès qu'on cherche où elle peut servir, l'installation cesse d'être un objet isolé pour devenir un élément d'un écosystème local.
C'est ce que j'appelle aujourd'hui l'éco-ingénierie systémique. J'ai contribué en parallèle à des communautés internationales d'open hardware pour les infrastructures de datacenter, où s'est formée ma conviction sur les dépendances : spécifications ouvertes et réversibilité apportent une réponse d'ingénieur à une question trop souvent réduite à sa dimension juridique.
Exploiter la donnée, puis l'IA
En environnement bancaire, au sein d'un environnement Data réunissant environ deux cents personnes, j'ai découvert que le point de blocage d'un projet de données est rarement l'algorithme : c'est la qualité, la provenance, la traçabilité et le cloisonnement.
L'intelligence artificielle a prolongé ce constat en ajoutant une question : que veut-on réellement demander au modèle ?
Depuis, mon attention s'est déplacée de la performance algorithmique vers l'utilité réelle : quel problème, quelles données, et selon quels critères décider qu'une solution améliore effectivement le processus.
De la technologie à sa gouvernance
La co-fondation de Prométhée T&I a élargi cette approche à l'ensemble des arbitrages qu'engage une décision technologique. J'y associe aujourd'hui Data/IA, éco-ingénierie systémique, gouvernance, open source, souveraineté et résilience.
J'assure également une direction scientifique de travaux et de projets à forte composante technologique, sans dissocier la performance du coût, de l'énergie, de la matière mobilisée, de la réglementation, de la maintenabilité ou des dépendances créées.
Cette manière de raisonner nourrit mes activités d'expertise, d'enseignement et d'accompagnement des transformations.
06
Ce que l’expérience m’a appris
Un modèle peut être performant et faux
Un modèle est une représentation construite pour rendre une partie du réel intelligible. Il peut afficher d'excellents indicateurs et cesser d'être pertinent dès qu'il sort de son domaine de validité, sans que ses métriques usuelles suffisent à le révéler. C'est précisément là que se logent les erreurs coûteuses : non dans les modèles manifestement mauvais, qu'on écarte, mais dans ceux qui fonctionnent bien jusqu'au jour où les conditions changent.
Comprendre les hypothèses, les données, les incertitudes et les bornes d'un résultat fait partie intégrante de son utilisation.
L'IA révèle l'organisation avant de l'améliorer
Un projet d'intelligence artificielle met à nu ce qu'une organisation sait vraiment d'elle-même : ses processus, ses données, ses zones grises. Quand le processus n'est pas au clair, l'outil peut accélérer le désordre au lieu de le corriger.
C'est pourquoi une bonne partie du travail se joue avant le premier modèle et pourquoi certains projets produisent leur principale valeur pendant leur cadrage.
La souveraineté n'est pas la cybersécurité
Sécuriser un système ne suffit pas à en maîtriser les dépendances. Un environnement très bien sécurisé peut rester entièrement tributaire d'un fournisseur, d'un droit étranger ou d'un format propriétaire.
L'architecture, les contrats, les licences et la capacité effective de réversibilité relèvent d'une autre question que la protection et elle se pose plus tôt, au moment de la conception, quand elle coûte encore peu.
Savoir dire « pas encore » est une décision d'ingénierie
Disposer d'une technologie ne crée pas un cas d'usage.
Une automatisation simple, une meilleure donnée ou une modification de processus produisent parfois plus de valeur qu'un système sophistiqué.
Différer un projet jusqu'à ce que l'instrumentation le permette n'est pas un renoncement : un diagnostic qui conclut « pas encore » évite d'engager des moyens avant que les conditions de réussite soient réunies.
La contrainte est un paramètre de conception
Énergie, ressources de calcul, budget, réglementation, compétences ou délais sont souvent perçus comme des obstacles. Je les traite comme des variables du problème.
Elles obligent à hiérarchiser, à simplifier et à choisir et c'est sous contrainte que se distingue ce qui était nécessaire de ce qui était seulement possible.
J'ai appris cela devant un cluster de calcul avant de le retrouver dans chaque projet industriel.
07
Ce que j’apporte à une mission
Poser la question que les données peuvent trancher
Un besoin arrive rarement sous la forme d'un problème défini. Ma première contribution consiste à le reformuler jusqu'à ce qu'il devienne décidable : qu'est-ce qui doit s'améliorer, pour qui, et à quoi le verra-t-on ?
Cette étape révèle souvent que les données disponibles ne mesurent pas encore le phénomène en cause, auquel cas le livrable utile est un plan de mesure, pas un modèle.
Distinguer ce qu'on aimerait savoir de ce que les données autorisent réellement à conclure évite de construire une réponse sophistiquée à une question mal posée.
Relier la donnée à l'architecture et au procédé
Un modèle ne fonctionne pas dans le vide : il consomme des données produites par un procédé, tourne sur une infrastructure et rend un service à un métier.
Je fais tenir cette chaîne ensemble : capteurs et qualité de mesure en amont, choix de modèle et d'architecture au centre, conditions d'exploitation et de maintenance en aval.
C'est la partie que les projets sous-estiment le plus souvent, et celle qui décide s'ils survivront au départ de celui qui les a conçus.
Définir à l'avance ce qui prouvera que ça marche
Un projet Data ou IA se juge rarement sur ce qu'il produit, mais sur ce qu'on avait décidé d'observer. J'installe le critère avant la solution : quelle grandeur mesure l'amélioration, quelle donnée la capte, à quelle fréquence, et quel seuil justifie de poursuivre, corriger ou arrêter.
Cette discipline transforme un pilote en décision et rend possible de conclure qu'il faut renoncer, ce qu'un projet sans critère préétabli ne permet jamais.
Documenter la décision, pas seulement la solution
Performance, coût, sécurité, souveraineté, conformité, maintenabilité et empreinte entrent régulièrement en tension.
Rendre ces compromis visibles ne suffit pas : il faut consigner ce qui a été arbitré, sur quelles hypothèses et à quelle date.
Une décision documentée peut être réexaminée quand le contexte change ; une décision implicite se transforme en contrainte héritée que plus personne ne sait justifier.
08
Formation
2018 - 2019
Master
Ingénierie de Projets Innovants
Université de Strasbourg
Innovation et conduite de projets.
2012 - 2015
Doctorat
Physique quantique
UPMC / Sorbonne Universités
Modélisation et calcul scientifique.
2009 - 2012
Master Chimie
Chemoinformatique
Université de Strasbourg
Chimie, données et modélisation numérique.
2006 - 2009
Licence
Mathématiques, Physique, Chimie
Université de Strasbourg
Socle scientifique : mathématiques, physique, chimie.
09
Responsabilités et reconnaissances
Depuis 2025
Expert auprès de la Commission européenne
Commission européenne
Expertise et évaluation sur des projets relevant de l'intelligence artificielle, du calcul haute performance, de la chimie computationnelle et des technologies énergétiques durables. Ces quatre domaines prolongent un parcours construit entre recherche scientifique, calcul, industrie et gouvernance technologique.
Depuis 2025
Ambassadeur IA
Osez l'IA
Contribution au dispositif national de sensibilisation et d'accompagnement des entreprises dans l'appropriation de l'intelligence artificielle.
Depuis 2023
Expert
C2IME
Expertise mobilisée dans l'accélération de projets industriels portés par les entreprises du territoire, sur les champs matériaux, énergie, procédés et numérique. Participation à l'Euro Accélérateur, à l'échelle de la Grande Région.
Depuis 2022
Membre du bureau
Numeum, délégation Grand Est
Engagement bénévole au sein de la délégation régionale et contribution à des commissions nationales sur les compétences numériques, l'IA et la formation professionnelle de la filière. Participation notamment à Numéric'Emploi, mené avec l'OPCO Atlas : entretiens-conseils auprès de professionnels du numérique, interventions collectives sur les métiers et les voies de reconversion, et sensibilisation de conseillers France Travail.
Depuis 2022
Enseignement, transmission & acculturation
Université de Strasbourg, ECPM, Icam Strasbourg-Europe et partenaires
Interventions auprès d'étudiants, d'alternants, de professionnels et d'équipes académiques sur la Data et l'IA : modules construits à partir de situations industrielles, temps d'acculturation avec des enseignants et enseignants-chercheurs (dont un séminaire interne à la Faculté de chimie en janvier 2026) ainsi que participation à des jurys de diplôme.
Perspective
Une ambition
Je souhaite contribuer à une technologie plus utile que spectaculaire : des systèmes capables d'augmenter notre capacité à comprendre, décider et agir sans augmenter inutilement la complexité, les dépendances ou la consommation de ressources.
Cette exigence a une histoire personnelle. J'ai travaillé sur des centres de calcul à une époque où leur consommation restait surtout un sujet d'ingénierie, et utilisé l'apprentissage automatique bien avant sa diffusion actuelle. Cette expérience m'a surtout appris qu'une capacité technique nouvelle ne constitue pas, à elle seule, une raison de l'employer.
Trois questions me paraissent aujourd'hui plus importantes que la course aux capacités : qui maîtrise l'outil, ses données et son infrastructure ? Quel niveau de calcul est réellement justifié par l'usage ? Et que restera-t-il possible de comprendre, de modifier ou de quitter dans cinq ans ? Les organisations peuvent ainsi accumuler, sans toujours la nommer, une forme de dette de souveraineté : des dépendances techniques, juridiques et contractuelles dont le coût de sortie augmente à mesure qu'elles s'installent.
C'est à cette intersection entre performance, sobriété, souveraineté et responsabilité que je veux continuer à travailler. L'open source, l'IA et le calcul haute performance y contribuent lorsqu'ils restent des moyens au service des problèmes à résoudre. Le quantique fait partie de cette veille, avec la même exigence de discernement : distinguer ce qu'il change réellement de ce qu'il annonce, en particulier pour les architectures de calcul et la durée de vie des choix cryptographiques.
Enfin, je crois que rien de tout cela ne tient sans transmission. Former des étudiants, des alternants et des équipes en poste à questionner une technologie avant de l'adopter est probablement l'usage le plus durable de ce que j'ai appris. Le progrès technologique m'intéresse moins par ce qu'il promet que par ce qu'il permet réellement de mieux faire.
Aucun système ne devient sobre, souverain, résilient ou fiable par accident ; ce sont des propriétés qu'on décide au moment de la conception, ou qu'on paie plus tard.