Vous utilisez probablement ChatGPT, Claude ou Gemini.
Comme beaucoup, vous avez d’abord été impressionné par la qualité des réponses, mais pour vos vrais sujets de travail, la déception est venue vite : réponses approximatives, manque de contexte, erreurs, incapacité à saisir les spécificités de votre entreprise.
C’est une étape normale. Entre utiliser un chatbot de temps en temps et faire tourner de vrais process pilotés par l’IA, il y a un cap à franchir. Une IA généraliste ne connaît ni votre métier, ni vos process, ni vos données. Sans ce contexte, elle atteint rapidement ses limites.
Pour en tirer quelque chose de solide, il faut comprendre son fonctionnement, savoir où elle excelle, où elle échoue, et comment l’intégrer dans vos process.
Ces 9 repères vous donneront les bases pour passer d’un simple assistant conversationnel à une IA qui travaille pour vous. Comptez 10 minutes de lecture pour gagner en maturité sur le sujet.
- Il invente quand il n’a pas de quoi répondre
- Il ira toujours dans votre sens
- Les modèles ont atteint un plateau
- Les grands modèles se valent
- Ce qui fait la différence : le harness
- Abonnement ou API : l’écart réel
- Vos données : ce qui part, ce qui reste
- L’IA amplifie l’expertise, elle ne la remplace pas
- Qui valide, qui est responsable
1. Il invente quand il n’a pas de quoi répondre
Un modèle de langage ne va pas chercher une réponse quelque part. Il produit la suite la plus plausible à ce que vous venez d’écrire, mot après mot. Ce ne sont que des statistiques.
Quand il dispose de la matière, cette suite plausible est juste (la plupart du temps). Quand il ne l’a pas, il produit quand même quelque chose : il n’a pas de réflexe « je ne sais pas ». C’est ce qu’on appelle une hallucination, et le vrai problème n’est pas qu’elle existe, c’est qu’elle est indétectable au ton. Le faux sort avec le même aplomb que le vrai.
La parade est double. Votre esprit critique, plus affûté sur les sujets que vous maîtrisez que sur les sujets que vous découvrez. Votre donnée : vos documents, vos chiffres, vos fichiers, votre contexte métier structuré et accessible pour un agent IA. Un modèle branché sur vos données invente beaucoup moins, tout simplement parce qu’il n’a plus besoin de combler un vide.
Le réflexe à garder est simple : tout ce qui est vérifiable se vérifie. Un chiffre, une date, un nom propre, une référence légale, un lien. Le reste (structurer, reformuler, résumer, proposer des angles) demande beaucoup moins de vigilance.
2. Il ira toujours dans votre sens
C’est le point le moins connu, et probablement le plus coûteux en entreprise.
Ces modèles sont entraînés à produire des réponses que les utilisateurs jugent bonnes. Or nous jugeons bonnes, en moyenne, les réponses qui nous donnent raison. Le résultat est un outil profondément complaisant.
Présentez-lui une idée : il vous expliquera pourquoi elle est bonne. Présentez-lui l’option inverse 10 minutes plus tard, sur le même ton : il vous expliquera pourquoi c’est une bonne idée aussi. Ce n’est pas de la malhonnêteté, c’est un biais de fabrication.
Tant que vous l’utilisez pour produire, ça passe. Le jour où vous l’utilisez pour décider, vous ne récoltez plus un avis, vous récoltez votre propre avis reformulé avec assurance. « Est-ce que ma stratégie tient la route ? » est une question qui ne peut presque pas recevoir de réponse négative.
3 habitudes limitent les dégâts :
- Ne signez pas la question. Présentez l’option sans dire qu’elle est la vôtre, ou présentez-en 2 à égalité.
- Demandez explicitement la contradiction. « Donne-moi les 5 raisons pour lesquelles ce plan va échouer » produit un tout autre matériau que « qu’en penses-tu ».
- Méfiez-vous du compliment. Quand la réponse commence par vous féliciter de la qualité de votre question, elle vous parle de vous, pas du sujet.
Pour un arbitrage qui compte, faites relire par un second modèle, dans une conversation neuve, sans lui raconter l’historique.
Et à la fin, ne déléguez pas le risque que vous devrez assumer : L’IA ne prend pas la décision à votre place, elle vous donne de quoi la prendre avec du recul.
3. Les modèles ont atteint un plateau
Depuis le printemps 2026, la marche entre 2 versions ne se sent presque plus sur le travail de tous les jours : rédiger, résumer, analyser, répondre, traduire. Les écarts se jouent sur des cas limites que la plupart des usages professionnels ne rencontrent jamais.
Le progrès continue, mais sur des axes plus étroits : les tâches longues et autonomes (un agent qui enchaîne 30 actions sans se perdre), la vitesse, le coût, l’image et la vidéo.
Ce que ça change pour vous : arrêter d’attendre. La prochaine version ne débloquera pas votre projet, parce que ce n’est plus le modèle qui vous limite. Ce qui vous limite, c’est ce que vous lui donnez à manger et la façon dont vous l’insérez dans un process.
C’est plutôt une bonne nouvelle. Il y a 2 ans, ce qu’on construisait était périmé au lancement suivant. Aujourd’hui, un process bien monté tient dans la durée, et il profitera automatiquement des prochaines versions.
4. Les grands modèles se valent
Claude, ChatGPT, Gemini et les autres se tiennent de très près. Sur l’immense majorité de ce que vous leur demanderez, l’écart entre 2 modèles est plus faible que l’écart entre 2 façons de poser la même question.
Ce qui les distingue relève du tempérament. L’un est plus bavard, l’autre suit les consignes plus littéralement, un troisième tient mieux la distance sur une tâche longue. On apprend ces réactions à l’usage, comme on apprend celles d’un véhicule : ce n’est pas écrit sur la fiche technique, ça se sent au bout de quelques centaines de kilomètres.
La conséquence pratique va à l’encontre de ce qu’on lit partout : le choix initial compte peu, l’habitude compte beaucoup. Prenez-en un, utilisez-le tous les jours pendant plusieurs mois, apprenez ce qu’il fait bien et là où il déraille. Changer d’outil tous les mois vous remet à zéro à chaque fois, et c’est la compétence qui coûte cher, pas l’abonnement.
5. Ce qui fait la différence : le harness
Si le modèle n’est plus le facteur limitant, qu’est-ce qui l’est ? Tout ce qu’on lui attache. Le métier a un mot pour ça, emprunté à l’anglais : le harness.
Un modèle seul est une tête sans mains ni yeux. Il ne voit que ce que vous collez dans la fenêtre de chat, et il ne sait rien faire d’autre que répondre. Le harness, c’est ce qui lui donne accès à votre réalité et les moyens d’agir dessus. Le même modèle, dans 2 harness différents, ne donne pas du tout les mêmes résultats.
Il se structure autour de 3 piliers :
Le cadre et les règles permanentes. Un ensemble de consignes fondamentales relues par l’agent au début de chaque session : la ligne éditoriale et la voix de l’entreprise, les tournures interdites, les nomenclatures produits ou les règles de validation. Le contexte n’a plus besoin d’être réexpliqué à chaque échange, il est posé une fois pour toutes.
L’outillage opérationnel (savoir-faire et commandes). C’est le regroupement de vos procédures métier, des skills de l’agent et des commandes préprogrammées. Plutôt que de laisser chaque collaborateur improviser ses prompts, on encapsule des méthodes de travail précises : vérifier et optimiser un visuel, contrôler le niveau de qualité d’un texte, ou déclencher une suite d’actions complexes via une simple commande dédiée. Le travail ne dépend plus de la façon dont la question est posée : l’équipe utilise des procédures standardisées qui garantissent un résultat constant.
Les connexions aux systèmes. L’accès direct aux outils qui détiennent la vérité : votre ERP, votre CRM, votre site web ou vos bases de données. Grâce à des protocoles standards comme le MCP, il est devenu simple de relier ces sources. Une question posée en langage naturel (« quel est le chiffre d’affaires par produit depuis le début du mois ? ») génère alors une analyse basée sur des ventes réelles, évitant ainsi les réponses simplement « plausibles » mais erronées (repère 1).
Une contrainte traverse ces 3 piliers : le harness sert tout autant à autoriser qu’à interdire. Les connecteurs ne doivent exposer que des accès maîtrisés (la lecture seule sur les données sensibles, les secrets hors de portée, la validation humaine obligatoire avant publication). Les garde-fous ne sont pas de simples consignes informelles, ils sont inscrits dans la structure même de l’outillage.
C’est cette couche, et non le modèle, qui vous distingue de vos concurrents. Elle est faite de votre métier, de vos données et de vos règles. Elle ne s’achète pas dans un abonnement, et elle reste valable quand vous changez de modèle.
6. Abonnement ou API : l’écart réel
Il y a 2 façons de payer l’IA, pour 2 usages différents.
L’abonnement est un forfait mensuel : un humain, une interface, un tarif fixe. L’API est un accès technique pour brancher le modèle dans vos outils, facturé au volume de texte échangé.
Mon poste me coûte environ 200 € par mois d’abonnement. Le même usage facturé à l’API dépasserait 4 000 $. C’est ce qui change tout au quotidien : avec un forfait, on essaie, on jette, on recommence sans regarder le compteur.
En pratique :
- Le forfait quand quelqu’un est aux commandes. Du tâtonnement, des allers-retours, un jugement à porter à chaque fois. Le coût est connu d’avance, donc personne ne se retient.
- L’API quand plus personne n’est devant. Une tâche écrite, testée, toujours identique, qui doit tourner seule : 500 fiches produit à réécrire, des mails à trier, une synchronisation à alimenter.
L’ordre compte : on met au point au forfait, on industrialise en API ensuite, quand le volume le justifie.
L’erreur à éviter : garder à la main une tâche répétitive et parfaitement décrite, qui aurait pu tourner seule depuis 6 mois. Il faut accepter, mesurer et optimiser le coût de son déploiement à échelle plutôt que d’en payer le coût humain.
7. Vos données : ce qui part, ce qui reste
Il y a 3 catégories à distinguer, et une règle à écrire.
Ce qui part chez le fournisseur d’IA : tout ce que vous collez dans l’interface. Sur un compte grand public, ces échanges peuvent servir à améliorer les modèles, selon les réglages de votre compte. Sur les offres professionnelles, entreprise et API, l’utilisation pour l’entraînement est (en principe) désactivée par défaut, avec une durée de conservation limitée.
Ce qui reste chez vous : ce que vous ne transmettez pas, évidemment, mais aussi ce que vous traitez sur des modèles hébergés en Europe ou sur vos propres serveurs. C’est une option réelle aujourd’hui, un peu moins performante et plus lourde à mettre en place, à réserver aux traitements sensibles.
Ce qu’on n’envoie jamais : les mots de passe et clés d’accès, un fichier client nominatif complet, des données de santé, des pièces couvertes par un accord de confidentialité. Quand le besoin existe malgré tout, on anonymise en amont (les noms deviennent des identifiants, le traitement se fait sur des données neutres) ou on passe par un modèle hébergé chez soi.
8. L’IA amplifie l’expertise, elle ne la remplace pas
Les informaticiens ont une formule pour ça : garbage in, garbage out. Ce qui entre détermine ce qui sort.
Sans connaissance du domaine, un modèle brasse du vent avec beaucoup d’élégance. Avec vos données, votre contexte métier et le regard de quelqu’un qui sait juger le résultat, il devient un multiplicateur.
La conséquence est contre-intuitive : ce sont vos meilleurs éléments qui gagnent le plus. Celui qui sait déjà reconnaître un bon travail va 2 à 3 fois plus vite. Celui qui ne sait pas produit surtout de la médiocrité, plus vite qu’avant.
Le développement rend cette différence très visible : produire du code et concevoir une architecture sont deux travaux distincts. L’IA peut intervenir sur les deux, mais elle ne connaît pas spontanément la durée de vie attendue, les contraintes métier, les dépendances ni le coût d’une erreur. Elle reste dans le périmètre demandé : une fonctionnalité peut être livrée sans tests unitaires ni analyse de sécurité. Les cas limites restent hors champ tant que personne ne les ajoute à la demande ou au harness. Elle accélère les choix techniques, bons ou mauvais. À l’humain de cadrer les compromis et d’en assumer les conséquences.
On n’installe donc pas « l’IA dans l’entreprise ». On l’installe autour d’une personne qui maîtrise son sujet, sur un process qu’elle connaît par cœur, et c’est cette combinaison qui produit le gain. C’est aussi pour ça qu’un concurrent ne reproduit pas votre avantage en copiant votre prompt : il lui manque vos données, votre métier et votre œil.
9. Qui valide, qui est responsable
10 000 fichiers supprimés en une seconde.
Un agent IA faisait le ménage dans ce qu’il prenait pour un dossier temporaire. C’était en réalité la photothèque d’un site en production.
Les sauvegardes ont fait leur travail. Elles existaient parce que 15 ans de métier m’avaient appris à en avoir. C’est tout le sujet de ce dernier repère : ce qui sort engage votre entreprise, jamais le fournisseur du modèle.
Tout code n’a pas vocation à durer, et c’est très bien ainsi. Pour tester une idée avec une preuve de concept (PoC) ou automatiser une tâche ponctuelle, un script jetable est souvent le bon choix. Il doit rester sous surveillance et son rayon d’action doit être limité pour éviter les effets irréversibles.
Le changement de régime commence lorsqu’il tourne régulièrement ou touche la production. Il peut aussi devenir indispensable à d’autres. Il faut alors avoir l’humilité de s’en tenir à ce que l’IA a réellement validé : un PoC. Le passage à une base de code saine mobilise mon expertise et mes réflexes de développeur senior. L’IA continue de m’assister, mais le niveau d’exigence change : code lisible, tests, logs, droits minimaux, retour arrière et responsable identifié.
Jetable ou durable, le niveau de contrôle dépend ensuite de l’existence d’un garde-fou automatique.
Quand il en existe un (des tests qui vérifient le code, un calcul qu’on peut recontrôler, une donnée qui doit tomber juste), on peut laisser l’IA travailler plus librement : la machine vérifie la machine. C’est le portique de sécurité de l’aéroport, ce n’est pas le pilote qui contrôle chaque passager.
Quand il n’en existe pas, l’humain valide avant publication. Un article, une page produit, un mail client, une décision : aucun test automatique ne dira si un texte sonne juste, s’il est fidèle à votre voix, s’il va résonner avec votre audience. Un texte qui « sent » l’IA, même subtilement, c’est de la confiance perdue.
Pour chaque process que vous montez, posez donc une seule question : si la sortie est fausse, qui s’en aperçoit, et quand ? Si la réponse est « personne » ou « le client », il manque une étape.
Le modèle n’est pas le sujet. Ce qui fait la différence, c’est la chaîne complète : votre savoir-faire, vos données, un modèle correct, l’outillage qui les relie, des garde-fous, et quelqu’un qui valide. Le modèle, tout le monde y a accès pour 20 € par mois. Le reste se construit, et c’est précisément là que se joue l’écart entre utiliser ChatGPT et passer la vitesse.
Vous pouvez lire le détail de cette chaîne côté praticien dans mon retour d’expérience sur 2 ans d’adoption de l’IA, et, pour les plus curieux, comment je gère la mémoire de mes agents. Pour en savoir plus sur des cas d’usages réel déployés, n’hésitez pas à vous inscrire à la notification…
Consultation stratégique et technique
Quel process mérite vraiment de passer la vitesse ?
Évaluez le gain attendu, les données disponibles et les garde-fous nécessaires avant d'engager une automatisation.
Prendre rendez-vous
Poursuivre votre lecture