Le bon modèle mental
Une IA générative est un collaborateur junior brillant, ultra-rapide, mais sans mémoire durable ni jugement fiable.
Imaginez un stagiaire qui a lu presque tous les livres et sites du monde, mais qui n'a jamais vu VOTRE dossier précis, oublie tout dès que vous fermez la conversation, et qui préfère toujours répondre plutôt que dire « je ne sais pas ». Techniquement, un grand modèle de langage prédit le mot suivant le plus probable — un peu comme le clavier de votre téléphone, poussé à l'extrême avec du raisonnement en plus.
Ce que ça change concrètement
- Il faut lui redonner le contexte à chaque fois, ou l'organiser une bonne fois pour toutes dans un espace persistant (Projects, Custom GPT, Gem).
- Il peut halluciner avec une confiance totale — vérifier reste votre travail, jamais le sien.
- Plus la tâche est découpée en étapes claires, meilleur est le résultat — exactement comme pour un collègue junior.
Quatre outils, un même principe
Claude : raisonnement long-contexte et code. ChatGPT : écosystème large, navigation web, Custom GPTs. Gemini : intégration Google Workspace, fenêtre de contexte énorme, multimodal. Copilot : intégré à Microsoft 365 et GitHub. L'outil compte moins que le processus que vous construisez autour.
Pourquoi une IA peut-elle donner une fausse information avec une totale assurance ?
Voir la réponse
Parce qu'elle génère le texte statistiquement le plus plausible, pas une vérité vérifiée : elle n'a pas de mécanisme interne de « je ne sais pas » par défaut.
Rechercher & synthétiser
L'IA n'est pas un moteur de recherche : c'est un assistant de lecture rapide. Donnez-lui les sources, ne la laissez pas les inventer.
C'est comme demander à quelqu'un qui a lu 50 articles de vous en faire un résumé d'une page — sauf qu'il faut vérifier qu'il a vraiment lu VOS 50 articles, et pas inventé un 51ᵉ.
Techniques qui marchent
- Activer la navigation web réelle (ChatGPT browsing, Gemini avec ancrage Google Search, extensions de recherche Claude) pour tout sujet récent ou factuel — jamais la mémoire seule du modèle.
- Coller directement les sources (PDF, liens, textes) dans la conversation plutôt que de demander « cherche sur X » en espérant qu'il connaisse déjà le sujet.
- Exiger une citation exacte pour chaque affirmation — ça force le modèle à s'ancrer sur le texte fourni plutôt qu'à broder.
- Résumé à 3 niveaux : demandez la même synthèse en 1 phrase, puis en 5 points, puis en 300 mots — vous choisissez la profondeur selon le besoin (le chunking appliqué à la sortie elle-même).
Quelle est la différence entre demander à une IA de chercher sur le web et lui demander de résumer un document que vous avez collé ?
Voir la réponse
Chercher sur le web mobilise ses sources externes en temps réel (à vérifier) ; résumer un document collé l'ancre sur UN texte précis fourni par vous, donc plus fiable si vous exigez des citations exactes.
Rédiger des documents
La qualité du texte dépend moins du prompt final que du contexte et de la structure fournis en amont.
Un bon rédacteur qui ne connaît rien à votre entreprise écrira un texte générique. Donnez-lui votre ton, votre destinataire, un exemple de vos écrits passés, un plan — il écrira alors comme s'il connaissait votre « voix ».
Techniques qui marchent
- Fournir 1 ou 2 exemples de votre propre style (« écris dans ce ton, voici un exemple ») — c'est le prompting par l'exemple, très efficace.
- Séparer le plan de la rédaction : demandez d'abord un plan à valider, puis rédigez section par section — plutôt qu'un seul prompt « écris-moi le document entier », qui dérive sur un texte long.
- Utiliser un espace de travail persistant (Project, Custom GPT, Gem) pour stocker une fois pour toutes le ton, le glossaire, les documents de référence.
- Demander plusieurs variantes (« propose 3 accroches différentes ») pour choisir plutôt que subir la première sortie.
Pourquoi séparer « faire le plan » et « rédiger le texte » donne-t-il de meilleurs résultats qu'un seul prompt global ?
Voir la réponse
Parce que ça vous laisse valider la structure avant d'investir dans la rédaction, et ça évite au modèle de dériver sur un texte long sans repères intermédiaires.
Analyser des données
Pour des données réelles, donnez le fichier et laissez le modèle exécuter du code — ne lui demandez jamais de calculer « de tête ».
Demander à un humain de calculer une moyenne sur 10 000 lignes de tête donnerait des erreurs. Donnez-lui plutôt une calculatrice. Les IA modernes ont un interpréteur de code (Code Interpreter chez ChatGPT, l'analyse de données chez Claude, Colab chez Gemini) qui exécute du vrai code sur vos données, au lieu de deviner un résultat.
Techniques qui marchent
- Toujours activer le mode d'exécution de code pour tout calcul sur un fichier réel (CSV, Excel).
- Demander le code ET le résultat, pas seulement le résultat — ça permet de vérifier la méthode.
- Itérer par petites requêtes : « montre-moi d'abord les 5 premières lignes et les types de colonnes » avant « calcule la moyenne par catégorie » — le chunking appliqué à l'analyse.
- Demander une visualisation en plus du chiffre — un œil humain détecte une anomalie sur un graphique bien plus vite que dans un tableau.
Pourquoi ne faut-il jamais demander un calcul statistique « de tête » à une IA sur un vrai jeu de données ?
Voir la réponse
Parce que sans exécution de code, le modèle devine un résultat plausible au lieu de le calculer réellement ligne par ligne — le risque d'erreur silencieuse est élevé sur de gros volumes.
Automatiser des tâches
Quand une tâche IA se répète à l'identique 2 ou 3 fois, c'est le signal pour la transformer en modèle réutilisable.
La première fois, vous expliquez la tâche en détail à votre stagiaire. La troisième fois que vous répétez la même explication, c'est le signal qu'il faut l'écrire une bonne fois sur une fiche affichée au mur — ou même brancher un système qui déclenche la tâche tout seul.
Trois niveaux d'automatisation
- Niveau 1 — modèles de prompts : un prompt « squelette » avec des variables ([SUJET], [TON], [LONGUEUR]) sauvegardé dans un doc partagé ou dans les instructions personnalisées de l'outil.
- Niveau 2 — assistants dédiés : Custom GPT, Project Claude ou Gem qui porte déjà le contexte, le ton, les règles — vous ne les répétez plus jamais.
- Niveau 3 — automatisation connectée : des outils no-code (Zapier, Make, n8n) déclenchent un appel IA automatiquement sur un événement (nouvel email, nouvelle ligne de tableur) — la tâche sort de la conversation et devient un maillon d'un processus.
Quel est le signal concret qui indique qu'il est temps d'automatiser une tâche IA plutôt que de continuer à la refaire manuellement ?
Voir la réponse
La répétition à l'identique du même prompt 2 à 3 fois : c'est le signal de la transformer en modèle réutilisable, puis en assistant dédié, puis en automatisation connectée si le volume le justifie.
Créer des assistants et des agents IA
Un assistant a une mémoire et des instructions fixes ; un agent décide seul des étapes et utilise des outils pour agir.
Un assistant, c'est un collègue à qui vous avez donné une fiche de poste précise une fois pour toutes (« tu es mon relecteur, voici les 5 règles »). Un agent, c'est ce même collègue à qui vous donnez en plus les clés de plusieurs outils et le droit de décider seul dans quel ordre les utiliser — vous donnez l'objectif, pas chaque étape.
Techniques qui marchent
- Un assistant simple commence toujours par des instructions claires : rôle, limites, format de sortie attendu, exemples — dans un Project, un Custom GPT ou un Gem. C'est aussi la base de tout agent.
- Un agent = un assistant + des outils + une boucle de décision : il observe un résultat intermédiaire et choisit la prochaine action jusqu'à l'objectif (tool use / MCP chez Claude, Actions chez ChatGPT, function calling chez Gemini).
- Commencez petit : un agent à une seule capacité avant d'en construire un à six étapes enchaînées — chaque étape a un taux d'erreur, et les erreurs s'accumulent.
- Prévoyez toujours un point de contrôle humain avant toute action irréversible (envoi, paiement, suppression).
Quelle est la différence essentielle entre un simple assistant IA et un agent IA ?
Voir la réponse
L'assistant répond dans un cadre fixe défini à l'avance ; l'agent décide lui-même de la suite des actions et utilise des outils pour agir, avec un objectif donné plutôt que des étapes détaillées.
Vérifier et améliorer les résultats
Vérifier n'est pas une étape optionnelle après le travail de l'IA : c'est la compétence centrale.
Rappelez-vous le biais de confirmation du premier cours (l'étude de Stanford, 1979) : chacun juge convaincantes les preuves qui confirment déjà ce qu'il pense. La parade est la même ici — demandez à l'IA de défendre la position opposée à sa première réponse. C'est l'« avocat du diable », appliqué cette fois à ses propres résultats.
Techniques qui marchent
- Exiger systématiquement les sources exactes pour toute affirmation factuelle, puis en vérifier au moins une vous-même.
- Le double-passage : reposez la même question importante dans une conversation neuve, sans le contexte de la première. Si la réponse change nettement, c'est un signal d'instabilité du modèle sur ce sujet.
- Demandez explicitement : « quels sont les points faibles ou incertains de cette réponse ? » — l'auto-critique n'apparaît presque jamais spontanément, mais elle est souvent utile si on la sollicite.
- Croisez deux outils différents sur une question importante — un désaccord entre eux est un signal fort qu'il faut creuser.
Pourquoi redemander la même question importante dans une conversation neuve, sans contexte, est-il une bonne technique de vérification ?
Voir la réponse
Parce que si la réponse change significativement sans le contexte de la première conversation, c'est le signe que le modèle est instable ou incertain sur ce sujet précis — un signal à ne pas ignorer.
Bloc mêlé
Les six sujets ci-dessus sont ici volontairement mélangés, dans le désordre — comme dans la vraie vie, personne ne vous annonce à l'avance quel type de problème vous allez rencontrer.
Un fichier Excel de 5 000 lignes de ventes. Que faire avant de demander un calcul ?
Activer l'exécution de code — jamais un calcul « de tête » sur un vrai jeu de données.
Le modèle donne une statistique précise sans lien source. Que faites-vous ?
Redemander la source exacte, puis vérifier vous-même au moins une occurrence.
Vous voulez que 10 mails aient le même ton que vos mails précédents. Quoi faire en amont ?
Fournir 1-2 exemples de votre style, ou créer un Project/Gem dédié avec le ton déjà enregistré.
Vous avez recopié le même prompt pour la 4ᵉ fois cette semaine. Quel est le signal ?
C'est le signal de créer un modèle de prompt réutilisable, voire un assistant dédié.
Vous voulez un agent qui envoie des emails automatiquement. Que prévoir avant tout ?
Un point de contrôle humain avant toute action irréversible.
Vous demandez « résume tout ce qu'on sait sur X » sans donner de source. Quel est le risque ?
L'hallucination : sans source ni recherche réelle, rien n'est vérifiable.
Atelier approfondi et votre projet
Un seul cas réel, traité de bout en bout, vaut mieux que six aperçus superficiels — c'est la technique 4 (profondeur avant largeur) appliquée à ce cours.
Atelier — un rapport mensuel d'activité, de bout en bout
- Analyser — collez le fichier brut du mois, demandez le code et les graphiques des indicateurs clés (bloc 3).
- Rechercher — demandez de comparer vos chiffres à 2-3 repères sectoriels publics, trouvés par une recherche web réelle, citations à l'appui (bloc 1).
- Rédiger — à partir d'un plan validé, rédigez le rapport section par section, dans le ton de votre structure déjà enregistré (bloc 2).
- Automatiser — transformez ce prompt en modèle réutilisable mensuel, avec des variables (mois, fichier, destinataire) (bloc 4).
- Vérifier — demandez une relecture critique en rôle « comité de direction sceptique », puis vérifiez 2-3 chiffres vous-même (bloc 6).
Chaque bloc de ce cours est un maillon de cette chaîne, pas un gadget isolé — c'est exactement ce que veut dire « intégrer l'IA dans un véritable processus de travail ».
Votre projet — apprentissage par le projet
Cochez au fur et à mesure. Rien n'est validé tant que vous n'avez pas appliqué ceci à une tâche réelle de votre travail.