Les fondamentaux de l'IA appliquée

Ce premier cours ne demande aucune connaissance technique. Il ne contient ni mathématiques, ni code. À la fin, vous serez capable de faire trois choses : expliquer avec vos mots ce qu'est une IA générative, distinguer les tâches qu'elle traite bien de celles qu'elle traite mal, et comprendre pourquoi une entreprise peut acheter l'outil sans jamais obtenir le résultat.

Comptez vingt minutes de lecture. Un exercice de quinze minutes clôt le cours ; il se fait sur votre propre travail, pas sur un cas d'école.

Retenez une seule idée de ce cours, et que ce soit celle-ci. Un modèle de langage — le moteur derrière ChatGPT, Claude ou Gemini — ne « comprend » pas votre demande comme le ferait un collaborateur. Il calcule, mot après mot, la suite la plus probable du texte qu'il a sous les yeux, à partir des régularités observées dans une immense quantité d'écrits.

Cette mécanique explique tout le reste, le bon comme le mauvais.

• Elle explique sa force. Rédiger un compte rendu, reformuler un devis, trier deux cents candidatures, traduire une fiche produit : ce sont des tâches où « la suite probable » est très souvent la bonne réponse.
• Elle explique sa faiblesse. Le modèle produit toujours une suite plausible — même quand il n'a aucune information. C'est ce qu'on appelle une hallucination : une réponse fausse, énoncée avec la même assurance qu'une réponse juste. Ce n'est pas un défaut à corriger, c'est la conséquence directe de son fonctionnement.
• Elle explique pourquoi elle ne vous remplacera pas. La machine ne sait pas ce qui compte pour votre entreprise, ne connaît pas votre client difficile, et n'a aucun intérêt dans le résultat. Elle produit ; elle ne décide pas.

Un modèle de langage est donc un exécutant très rapide et très cultivé, mais sans jugement et sans mémoire de votre maison. Toute la valeur consiste à lui confier ce qu'il fait bien, et à ne jamais lui confier le reste.

Une tâche est un bon candidat à l'IA lorsqu'elle réunit trois conditions : elle revient souvent, elle porte sur du texte, de la voix, une image ou des données, et surtout son résultat est vérifiable par quelqu'un chez vous.

Ce dernier point est le plus important, et le plus négligé. Si personne ne peut dire en trente secondes si le résultat est bon, alors vous ne pourrez jamais faire confiance à la machine sur cette tâche.

• Bons candidats : rédiger un premier jet, résumer un long document, extraire les montants d'une facture, répondre à une question fréquente, traduire, classer, relancer, préparer un compte rendu à partir d'une note vocale.
• Mauvais candidats : décider d'un licenciement, arbitrer une stratégie, engager l'entreprise par une signature, fixer un prix sensible, trancher un conflit entre deux personnes.

La recherche a mis un chiffre sur cette frontière. Une étude préenregistrée du Harvard Business School, menée sur 758 consultants du Boston Consulting Group, a constaté un gain net sur les tâches situées dans le périmètre de compétence du modèle. Mais sur une tâche choisie hors de ce périmètre, les participants équipés d'IA avaient 19 points de pourcentage de chances en moins de produire une solution correcte. Autrement dit : mal ciblée, l'IA ne fait pas seulement moins bien — elle dégrade activement le travail, parce qu'elle produit une réponse convaincante et fausse.

C'est la raison d'être du cadrage, et de la validation humaine. Ce n'est pas une précaution morale : c'est un résultat mesuré.

Beaucoup de dirigeants achètent des licences, les distribuent, et attendent le gain de productivité. Il ne vient pas. Ce n'est pas une impression : c'est ce que mesurent les études les plus sérieuses sur le sujet.

En s'appuyant sur les registres administratifs danois, deux économistes ont suivi 25 000 salariés dans 7 000 entreprises, sur onze métiers parmi les plus exposés à l'IA. Résultat : les utilisateurs déclarent une économie moyenne de 2,8 % de leurs heures de travail. Sur l'ensemble d'une économie, une autre étude portant sur plus de 10 000 répondants aboutit à 1,4 % des heures totales.

Ces chiffres sont très loin des promesses commerciales. Et l'explication tient en une phrase, donnée par l'étude elle-même : ce qui manque, c'est « l'encouragement de l'employeur et les investissements complémentaires ». Traduit simplement : personne n'a repensé le travail autour de l'outil, personne n'a formé les équipes, personne n'a dit qui valide quoi.

L'outil n'est donc pas le projet. Le projet, c'est le travail autour de l'outil. Un professionnel équipé mais non formé reste un professionnel non productif.

Prenez une feuille. Listez les cinq tâches sur lesquelles vous, ou votre équipe, avez passé le plus de temps la semaine dernière. Pour chacune, répondez par oui ou par non aux trois questions du cours :

• Est-ce que cette tâche revient souvent ?
• Porte-t-elle sur du texte, de la voix, une image ou des données ?
• Quelqu'un chez vous peut-il vérifier le résultat en trente secondes ?

Trois « oui » : bon candidat, gardez-la pour le cours 103. Un seul « non » à la troisième question : écartez-la, quelle que soit sa lourdeur. Cette feuille est le point de départ de tout audit sérieux — c'est exactement ce que nous faisons en phase 01 de notre méthode.

• Un modèle de langage prédit la suite la plus probable d'un texte. Il ne comprend pas, et il n'a pas de jugement.
• L'hallucination n'est pas un bug : c'est la conséquence normale de ce fonctionnement. D'où la vérification humaine.
• Une bonne tâche pour l'IA est répétitive, textuelle et vérifiable. La vérifiabilité est le critère décisif.
• Hors de son périmètre, l'IA dégrade le travail (–19 points sur une tâche mal ciblée, étude HBS/BCG).
• Le gain réel mesuré aujourd'hui est faible (2,8 % des heures) — non pas parce que la technologie est faible, mais parce que le travail n'est pas repensé autour d'elle.

Le jargon technique n'est pas seulement pénible : il est asymétrique. Celui qui le maîtrise mène l'entretien, celui qui l'ignore signe sans comprendre. Ce cours vous rend le vocabulaire.

À la fin, vous saurez traduire en français ordinaire les quinze termes que vous entendrez chez n'importe quel prestataire, et vous saurez lesquels doivent vous faire poser une question de plus. Comptez vingt minutes. Le cours 101 aide, sans être obligatoire.

Ce sont les mots qui décrivent la machine elle-même. Ils reviennent dans toutes les présentations commerciales.

• IA générative — Une IA qui produit quelque chose de nouveau (texte, image, voix, code), par opposition à une IA qui se contente de classer ou de prédire un chiffre. C'est la famille dont tout le monde parle.
• LLM (Large Language Model, grand modèle de langage) — Le moteur derrière ChatGPT, Claude ou Gemini. Un programme entraîné sur d'immenses quantités de texte, qui prédit la suite la plus probable d'une phrase. C'est le cœur du réacteur.
• Modèle — Le programme entraîné, livré comme un bloc. On ne le programme pas : on lui parle. Il en existe des dizaines, qui n'ont ni les mêmes forces ni les mêmes prix.
• Paramètres — Le nombre de réglages internes du modèle, souvent exhibé en milliards. Pour vous, ce chiffre ne veut rien dire. Un modèle plus gros n'est ni plus juste, ni plus adapté à votre métier. Méfiez-vous de quiconque en fait un argument de vente.
• Jeton (token) — L'unité de découpage du texte, environ trois quarts d'un mot en français. Son seul intérêt pratique : c'est l'unité de facturation. Vous payez au jeton consommé, en entrée comme en sortie.
• Hallucination — Une réponse fausse, énoncée avec assurance. Ce n'est pas une panne : c'est la conséquence directe d'une machine qui prédit du plausible. Tout prestataire qui promet « zéro hallucination » se trompe, ou vous trompe.

Ce sont les mots qui décrivent ce que l'on fait avec le moteur. C'est là que se trouvent la valeur et la facture.

• Consigne (prompt) — Ce que vous écrivez au modèle. C'est le métier réel : une bonne consigne transforme un résultat médiocre en résultat exploitable. C'est l'objet du cours 103.
• Contexte — Tout ce que le modèle a sous les yeux au moment de répondre : votre consigne, les documents fournis, la conversation en cours. En dehors du contexte, le modèle ne sait rien de votre entreprise.
• RAG (Retrieval-Augmented Generation, génération augmentée par récupération) — La technique qui consiste à aller chercher vos propres documents et à les donner au modèle avant qu'il réponde. C'est ce qui sépare une IA généraliste d'une IA qui connaît vos tarifs, vos contrats et vos procédures. Sans elle, l'IA parle de tout, sauf de vous.
• Agent — Un modèle à qui l'on a donné des outils et une mission, et qui enchaîne les étapes seul : lire un courriel, en extraire une commande, la saisir, répondre au client. La différence avec un chatbot est celle qui sépare répondre de faire.
• API — La prise par laquelle vos logiciels se parlent. Si votre outil de gestion n'en a pas, l'automatisation devient coûteuse. C'est une question à poser tôt.
• MCP (Model Context Protocol, protocole de contexte pour modèles) — Une norme ouverte qui permet de brancher proprement un modèle sur vos outils. Son intérêt est stratégique : c'est un standard, donc une porte de sortie si vous changez de fournisseur.
• Spécialisation (fine-tuning) — Ré-entraîner un modèle sur vos données. C'est coûteux et rarement nécessaire : dans la grande majorité des cas en PME, une bonne consigne et du RAG suffisent. Si on vous le propose d'emblée, demandez pourquoi.
• Validation humaine (human in the loop) — Un humain valide avant que l'action parte. Sur tout ce qui engage l'entreprise, ce n'est pas négociable — le cours 101 explique pourquoi, chiffres à l'appui.

Le vocabulaire sert aussi à repérer ce qui ne va pas. Trois formules devraient déclencher une question de votre part.

• « Notre IA est propriétaire, c'est notre technologie maison. » Demandez quel modèle public tourne dessous. La quasi-totalité des solutions du marché appellent un modèle d'OpenAI, d'Anthropic, de Google ou de Mistral. Ce n'est pas un problème ; le dissimuler en est un.
• « Zéro hallucination », « fiable à 100 % ». Impossible par construction. Un « 100 % » est une signature de fabrication : la mesure produit des intervalles de confiance, jamais des absolus.
• « Vos données nous permettent d'améliorer le modèle. » Demandez si vos données servent à entraîner un modèle public, et exigez la réponse par écrit. C'est une question de souveraineté, pas de confiance.

Prenez la dernière proposition commerciale d'un prestataire IA que vous avez reçue — à défaut, la page d'accueil d'un outil qu'on vous a recommandé.

• Surlignez chaque terme technique et traduisez-le avec ce cours. Combien en restait-il d'incompris ?
• Cherchez les mots RAG, API et validation humaine. S'ils sont absents, la proposition parle de la démonstration, pas de votre entreprise.
• Cherchez une promesse de type « 100 % » ou « zéro erreur ». Si vous en trouvez une, vous savez désormais ce qu'elle vaut.

• Le nombre de paramètres ne vous concerne pas. Le jeton vous concerne : c'est votre facture.
• L'hallucination est structurelle. Toute promesse de perfection est un signal d'alarme.
• Le RAG rend l'IA capable de parler de votre entreprise. L'agent la fait passer de « répondre » à « faire ».
• La spécialisation est rarement nécessaire en PME : une bonne consigne et du RAG couvrent l'essentiel des besoins.
• Vous n'avez pas besoin d'être technicien. Vous avez besoin de savoir quelle question poser.

Les deux premiers cours vous ont donné le cadre et le vocabulaire. Celui-ci vous fait produire. À la fin, vous saurez écrire une consigne qui donne un résultat utilisable du premier coup, vérifier ce résultat sans y passer le temps que vous venez d'économiser, et transformer une bonne consigne en procédure que votre équipe pourra réutiliser.

Comptez vingt-cinq minutes, plus un exercice de quinze minutes. Vous aurez besoin d'un accès à un outil d'IA générative, quel qu'il soit.

La cause d'échec la plus fréquente n'est pas la mauvaise consigne : c'est la mauvaise tâche. Reprenez la feuille du cours 101. Une tâche exploitable est répétitive, porte sur du texte, de la voix, une image ou des données, et son résultat est vérifiable en trente secondes.

Commencez par la tâche la plus ennuyeuse de votre semaine, pas par la plus impressionnante. Le premier gain doit être incontestable : c'est lui qui vous donnera le droit d'aller plus loin, en interne comme auprès de vos associés.

Une consigne efficace n'a rien de mystérieux. Elle contient cinq éléments, et l'oubli de l'un d'eux se voit immédiatement dans le résultat.

• Le rôle — Dites au modèle qui il est. « Tu es assistant de direction dans une PME de transport routier. » Cela oriente le vocabulaire et le niveau de détail.
• Le contexte — Donnez la matière. Le document, le courriel, les chiffres. Sans contexte, le modèle invente une entreprise moyenne qui n'est pas la vôtre.
• La tâche — Une seule, formulée par un verbe précis. « Résume », « extrais », « reformule », « classe ». Pas « occupe-toi de ça ».
• Le format — Dites la forme attendue. « Cinq puces maximum », « un tableau à trois colonnes », « un courriel de dix lignes, ton courtois et direct ».
• Le critère — Dites ce qui rend le résultat bon, et ce qui est interdit. « N'invente aucun montant : si une information manque, écris MANQUANT. »

Ce dernier ingrédient est celui que tout le monde oublie, et c'est le plus rentable. Un modèle à qui l'on n'a pas donné le droit de dire « je ne sais pas » comblera le vide — c'est exactement le mécanisme de l'hallucination vu au cours 101.

Comparez. « Fais-moi un compte rendu de cette réunion » produit un texte générique. « Tu es mon assistant. À partir de ces notes, rédige un compte rendu en trois parties : décisions prises, actions avec responsable et échéance, points en suspens. Cinq puces maximum par partie. N'invente aucune échéance : si elle n'est pas dite, écris À DÉFINIR » produit un document exploitable en réunion.

Une IA vous rend du temps sur la production. Elle ne vous en rend aucun sur la responsabilité. Trois réflexes suffisent, et ils prennent moins d'une minute.

• Les chiffres et les noms propres se vérifient toujours. C'est là que l'hallucination se loge en priorité, et c'est là qu'elle coûte le plus cher.
• Ce qui engage l'entreprise passe par un humain. Un devis, un contrat, une réponse à une réclamation, un chiffre communiqué à un client ou à votre banque.
• Si vous ne pouvez pas vérifier, vous ne pouvez pas déléguer. Sur une tâche hors de votre compétence, vous perdez la capacité de repérer l'erreur — et l'étude HBS/BCG citée au cours 101 montre que c'est précisément là que l'IA dégrade le résultat de 19 points.

C'est ici que se joue la différence entre un salarié qui « bricole avec ChatGPT » et une entreprise qui progresse. Une bonne consigne trouvée par une personne ne vaut rien tant qu'elle reste dans son historique.

• Écrivez-la. Un document partagé, une phrase par consigne, avec la tâche qu'elle traite.
• Nommez un responsable par tâche. Celui qui vérifie, et qui améliore la consigne quand le résultat dérive.
• Mesurez une seule chose au début : le temps que prenait la tâche avant, le temps qu'elle prend après. C'est cette mesure, et non l'enthousiasme, qui décidera de l'étape suivante.

Rappelez-vous le chiffre du cours 101 : les entreprises qui distribuent l'outil sans rien changer d'autre obtiennent 2,8 % d'heures économisées. L'écart ne se joue pas sur le modèle choisi. Il se joue sur ces trois lignes.

Prenez la tâche la plus ennuyeuse de votre feuille du cours 101.

• Écrivez une consigne contenant les cinq ingrédients : rôle, contexte, tâche, format, critère. Incluez la phrase « n'invente rien ; écris MANQUANT si l'information est absente ».
• Lancez-la, puis chronométrez la vérification. Comptez les corrections nécessaires.
• Corrigez la consigne — pas le résultat — et relancez. Deux itérations suffisent en général.
• Notez le temps avant et le temps après. Vous venez de produire votre premier cas d'usage documenté.

• La mauvaise tâche coûte plus cher que la mauvaise consigne. Choisissez d'abord, écrivez ensuite.
• Cinq ingrédients : rôle, contexte, tâche, format, critère. Le critère est celui qu'on oublie, et le plus rentable.
• Donnez toujours au modèle le droit de dire qu'il ne sait pas.
• Vérifiez les chiffres et les noms. Ce qui engage l'entreprise passe par un humain.
• Une consigne non écrite et non partagée ne devient jamais une capacité d'entreprise. C'est la seule différence entre 2,8 % et un vrai gain.