Comprendre

C'est quoi l'IA, sans le marketing

Une intelligence artificielle générative est une machine statistique entraînée à produire la suite la plus probable d'un texte, d'une image ou d'un raisonnement. Elle ne comprend pas, elle ne vérifie pas, elle ne décide pas. Elle est très forte pour tout ce qui ressemble à du travail déjà fait des milliers de fois, et médiocre dès qu'il faut être exact à tous les coups.

Ce qui se passe réellement quand vous posez une question

Le texte que vous écrivez est découpé en unités, puis converti en nombres. Le modèle applique à ces nombres un très grand nombre d'opérations apprises pendant son entraînement, et en sort une probabilité pour chaque mot possible. Il choisit, écrit, recommence. Il n'y a ni base de connaissance consultée, ni raisonnement au sens logique, ni conscience de dire vrai ou faux.

Cette mécanique explique tout le reste : pourquoi le résultat est excellent sur une lettre commerciale et douteux sur une addition, pourquoi il varie d'une fois sur l'autre, et pourquoi il faut lui fournir vos documents si vous voulez qu'il parle de votre entreprise plutôt que d'une entreprise moyenne.

Ce que l'IA fait bien aujourd'hui

Reformuler, résumer, traduire, adapter un ton à un destinataire.
Extraire une information structurée d'un document mal formaté.
Trier, classer et router un grand volume d'entrées hétérogènes.
Produire un premier jet qu'un humain compétent corrigera plus vite qu'il ne l'aurait écrit.
Rendre interrogeable en langage courant une documentation que personne ne lit.

Ce qu'elle fait mal, et qu'il ne faut pas lui confier

Tout ce qui doit être exact à 100 % : calcul réglementaire, paie, comptabilité.
Toute décision engageant la responsabilité de l'entreprise sans relecture humaine.
Tout ce qui exige de connaître un fait récent qui ne lui a pas été fourni.
Tout ce qui demande de dire « je ne sais pas » plutôt que de produire une réponse.

Réponse courte

Faut-il un profil technique en interne pour s'en servir ?

Pour l'usage quotidien, non : les outils s'utilisent en français. Pour brancher l'IA sur vos données et vos processus, oui — quelqu'un doit comprendre où passent les informations et qui a le droit de les voir. Ce rôle n'est pas forcément un poste à créer, mais il doit être attribué à une personne nommée.

Vocabulaire

Les huit mots qui suffisent pour tenir une réunion

Vous n'avez pas besoin d'en connaître davantage pour arbitrer. Un prestataire qui vous en impose plus vous vend probablement de la complexité.

Modèle de langage: Un programme entraîné sur d'énormes volumes de texte pour prédire la suite la plus probable d'une phrase. C'est le moteur derrière les assistants conversationnels.
IA générative: Famille de systèmes qui produisent du contenu nouveau — texte, image, code, son — plutôt que de classer ou de prédire une valeur.
Hallucination: Une réponse fausse produite avec le même aplomb qu'une réponse juste. Ce n'est pas un bug qu'on corrige, c'est une propriété du procédé qu'on encadre.
Prompt: L'instruction donnée au modèle. Sa formulation change massivement la qualité du résultat, ce qui en fait une compétence à part entière.
RAG: Recherche augmentée : on va chercher les documents pertinents dans vos propres bases, puis on demande au modèle de répondre en s'appuyant dessus. C'est ce qui permet à l'IA de parler de votre entreprise.
Fine-tuning: Ré-entraînement partiel d'un modèle sur vos données pour l'adapter à un ton ou à un format. Coûteux, rarement le premier levier à actionner.
Agent: Un modèle autorisé à déclencher des actions : envoyer un e-mail, écrire dans une base, appeler une API. C'est là que le risque opérationnel commence réellement.
Token: L'unité de découpage du texte, et l'unité de facturation. Le coût d'un usage se calcule en tokens consommés, pas en nombre d'utilisateurs.

Environnement mouvant

Comment décider quand tout change tous les trimestres

Réponse courte

Sur quoi s'appuyer quand les modèles changent en permanence ?

Sur ce qui ne change pas. Vos données, vos processus et les compétences de vos équipes ont une durée de vie de plusieurs années. Le modèle du moment en a une de quelques mois. Une architecture correcte traite le modèle comme une pièce interchangeable, ce qui vous permet d'en changer en une journée au lieu de reconstruire l'outil.

Concrètement, trois principes suffisent à traverser les cycles. D'abord, n'écrivez jamais le nom d'un fournisseur en dur dans vos outils : le point d'entrée du modèle doit être une pièce isolée, remplaçable. Ensuite, gardez chez vous ce qui a de la valeur : la donnée nettoyée, les règles métier, les exemples validés. Enfin, mesurez la qualité avec vos propres cas de test, pas avec les classements publics qui changent chaque mois et ne disent rien de votre métier.

Ce qui vous coûtera cher, ce n'est pas d'avoir choisi le mauvais modèle. C'est d'avoir construit une architecture qui vous interdit d'en changer.

Questions fréquentes

Les objections qu'on nous oppose le plus souvent

L'intelligence artificielle est-elle réellement intelligente ?

Non, pas au sens où on l'entend d'un humain. Un modèle de langage ne comprend pas ce qu'il écrit : il calcule la suite la plus probable à partir de régularités observées dans ses données d'entraînement. Cette prédiction est suffisamment bonne pour être utile, mais elle n'implique ni compréhension ni intention.

Pourquoi l'IA invente-t-elle des réponses fausses ?

Parce qu'elle est conçue pour produire une réponse plausible, pas pour signaler son ignorance. Une information absente de son entraînement est comblée par ce qui ressemble statistiquement à une bonne réponse. C'est pour cette raison qu'un usage sérieux en entreprise impose de brancher le modèle sur vos documents et de conserver une vérification humaine sur les sorties à enjeu.

Quelle différence entre l'IA générative et l'automatisation classique ?

L'automatisation classique est déterministe : la même entrée produit toujours la même sortie, et le comportement est auditable ligne à ligne. L'IA générative est probabiliste : la même entrée peut produire deux sorties différentes. Cela la rend adaptée aux tâches floues et inadaptée aux tâches qui exigent une exactitude systématique, comme un calcul de paie.

Faut-il attendre que la technologie se stabilise avant de se lancer ?

Attendre ne réduit pas le risque, il le déplace. Vos salariés utilisent déjà ces outils, et les concurrents structurent leurs données pendant ce temps. La bonne réponse n'est pas d'attendre mais d'investir dans ce qui ne se démode pas : la qualité de vos données, la clarté de vos processus et la compétence de vos équipes.

Risques et maîtriseCe qui peut réellement mal tourner, et comment on l'encadre.OpportunitésTraduire cette compréhension en gains mesurables.

Prochaine étape

Une session d'acculturation pour votre comité de direction

Deux heures pour que tout le monde parle de la même chose, avec le vocabulaire de votre métier et vos cas réels. Elle est comprise dans le cadrage flash à 2 500 € HT.

Voir le cadrage flash Nous écrire