Aperçu gratuit · Module 1 · Leçon 1
Ce que l'IA fait bien aujourd'hui, et ce qu'elle ne fait pas encore
Trier en dix minutes les promesses d'un fournisseur en trois colonnes, et repartir avec les trois questions qui démontent une démonstration trop belle. Leçon d’aperçu gratuite de la formation « IA pour dirigeants : décider sans se faire vendre du rêve », lisible en entier sans compte, avec ses sources officielles datées.
Objectif
Lire n'importe quelle promesse d'IA, dans une présentation commerciale, un article ou une réunion interne, et la ranger en dix minutes dans l'une de trois colonnes : fiable aujourd'hui, fiable sous conditions, pas encore fiable sans contrôle humain.
Ce que vous saurez faire
- Distinguer les tâches où l'IA générative rend un service régulier de celles où elle se trompe avec assurance.
- Poser les trois questions qui transforment une promesse vague en engagement vérifiable.
- Produire, dès cette leçon, une courte liste de questions à renvoyer à un fournisseur.
Contenu
Un dirigeant n'a pas besoin de savoir comment fonctionne un modèle de langage (la technologie derrière les assistants comme ChatGPT, Claude, Gemini ou Copilot). Il a besoin de savoir où il peut s'y fier, et à quel prix de contrôle. La plupart des déceptions viennent d'une confusion entre ces trois situations.
Trois colonnes, pas deux
| Fiable aujourd'hui, avec relecture | Fiable sous conditions | Pas encore fiable sans contrôle humain |
|---|---|---|
| Reformuler, raccourcir, traduire un texte que vous fournissez | Répondre à partir de vos propres documents, avec citation du passage utilisé | Donner des faits que vous n'avez pas fournis : chiffres, dates, références juridiques, citations |
| Produire une première version (courriel, note, plan, offre type) | Analyser un tableau de chiffres, si le calcul est refait ou exécuté par un programme vérifiable | Prendre seule une décision qui touche une personne : embauche, crédit, sanction, prix individuel |
| Extraire des éléments d'un document fourni et lisible (dates, montants, clauses) | Répondre aux clients sur un périmètre fermé, avec passage à un humain prévu | Agir seule de bout en bout sur un processus critique (paiements, commandes, contrats) |
| Classer, trier, résumer un lot de textes | Rédiger du code simple, s'il est testé avant usage ; extraire des montants de documents scannés, s'ils sont contrôlés par échantillon avant paiement | Prédire un résultat commercial ou financier avec précision |
La colonne du milieu est la plus importante pour vous : c'est là que se trouvent les projets rentables, et les projets qui coûtent cher quand on oublie la condition.
Pourquoi l'IA se trompe avec aplomb
Les modèles de langage peuvent produire des affirmations plausibles mais fausses, énoncées avec assurance . Une partie de l'explication est connue : quand on évalue un modèle seulement sur son taux de bonnes réponses, on l'encourage à deviner plutôt qu'à dire « je ne sais pas » .
Pour vous, la conséquence est pratique : un pourcentage de bonnes réponses ne suffit pas. Un fournisseur qui annonce « 92 % de bonnes réponses » ne vous dit rien des 8 % restants : erreurs graves ou bénignes ? Repérables ou silencieuses ? Une solution qui répond juste 80 % du temps et dit « je ne sais pas » le reste peut valoir bien plus qu'une solution à 92 % qui invente les 8 % restants.
Les trois questions qui démontent une promesse
- Sur quelles données ? Les vôtres, celles du fournisseur, ou « Internet » ? Une démonstration réussie sur des données préparées ne prouve rien sur les vôtres.
- Mesuré comment ? Sur combien de cas réels, avec quel taux d'erreur, et quelles erreurs ? Exigez le décompte des erreurs, pas seulement le score.
- Qui contrôle, et que se passe-t-il en cas d'erreur ? Qui relit, à quel moment, avec quel coût ; qui répond d'une erreur envers le client.
Une promesse qui ne survit pas à ces trois questions reste une intention. Ce n'est pas forcément un mauvais projet : c'est un projet qui n'est pas encore évaluable.
Exemple réel
Cas fictif, situation réaliste. Inès dirige Brasserie du Canal (entreprise fictive), trente salariés à Lille. Un éditeur lui présente un « assistant qui gère toutes vos commandes fournisseurs de façon autonome ». Elle range la promesse en colonne 3 : agir seul sur des commandes, c'est un processus engageant. En posant les trois questions, elle apprend que la démonstration a été faite sur des catalogues fictifs, sans mesure d'erreur, et que personne ne relit les commandes avant envoi.
Elle ne rejette pas l'outil : elle demande une version qui prépare les bons de commande (colonne 2) et les laisse valider par son responsable des achats. La promesse est devenue un projet évaluable.
À vous de jouer
Prenez l'argumentaire fictif ci-dessous, qui contient dix promesses. Temps à prévoir : environ 10 minutes.
Modèle
Argumentaire fictif de l'éditeur « Optima Pilot »
DONNÉES FICTIVES — éditeur, produit et chiffres inventés pour l'exercice. « Optima Pilot, l'IA qui transforme votre PME » 1. Rédige vos courriels clients en 10 secondes, dans votre style. 2. Résume n'importe quel contrat de 50 pages en une page. 3. Répond aux questions de vos clients 24 h sur 24, sans jamais se tromper. 4. Analyse vos ventes et prédit votre chiffre d'affaires du trimestre à 2 % près. 5. Traduit vos fiches produits en 30 langues. 6. Trie automatiquement les candidatures et sélectionne les meilleurs profils. 7. Répond aux questions internes à partir de vos procédures et cite la page utilisée. 8. Passe seul les commandes fournisseurs quand le stock baisse. 9. Extrait les montants et échéances de vos factures fournisseurs scannées. 10. 92 % de bonnes réponses, mesurées sur notre jeu de démonstration. Corrigé indicatif : colonne 1 = 1, 2, 5 (avec relecture ; pour 5, relecture par un locuteur de chaque langue publiée, sinon colonne 2) ; colonne 2 = 7, 9 (documents scannés de qualité variable et montants qui alimentent des paiements : contrôle par échantillon), 10 (score à compléter par le décompte des erreurs sur vos cas), et 3 si limité à un périmètre fermé avec passage à un humain ; colonne 3 = 4, 6, 8, et 3 tel que formulé (« sans jamais se tromper »).
- Quand l’utiliser
- Exercice de la leçon 1 : premier tri en dix minutes.
- Ce qu’il faut personnaliser
- Remplacez l'argumentaire par celui d'un fournisseur réel que vous évaluez, une fois retirées les informations confidentielles de votre entreprise.
- Exemple
- Promesse 3 : rangée en colonne 3 telle quelle ; devient colonne 2 si limitée aux questions de livraison avec transfert à un humain.
- Limites
- Le corrigé est indicatif : une promesse peut changer de colonne selon votre processus et le coût d'une erreur.
Données à ne pas envoyer
- Noms, coordonnées et dossiers de clients ou de collaborateurs
- Salaires, primes et dossiers du personnel
- Données de santé
- Secrets d'affaires et informations couvertes par un secret légal ou contractuel
- Mots de passe, codes d'accès, clés d'API
- Rangez chaque promesse dans l'une des trois colonnes.
- Pour chaque promesse des colonnes 2 et 3, notez la condition manquante ou le contrôle humain indispensable.
- Choisissez les trois promesses les plus importantes pour vous et rédigez, pour chacune, la question précise à renvoyer au fournisseur.
Vous obtenez votre première victoire : une liste de questions prête à envoyer, qui vous évite de signer sur la foi d'une démonstration. Pour aller plus vite, faites faire un premier tri par un assistant d'IA avec le prompt ci-dessous, puis corrigez son classement : c'est aussi un bon test de ce qu'il fait bien.
Prompt / modèle
Prompt
Trier les promesses d'un fournisseur en trois colonnes
Tu aides une direction d'entreprise à évaluer une offre d'IA, sans parti pris pour ou contre. Voici un argumentaire commercial : [COLLER L'ARGUMENTAIRE, SANS DONNÉE CONFIDENTIELLE]. 1. Liste chaque promesse distincte, mot pour mot. 2. Range chacune dans une colonne : « fiable aujourd'hui avec relecture », « fiable sous conditions », « pas encore fiable sans contrôle humain ». 3. Pour chaque promesse des deux dernières colonnes, indique la condition manquante ou le contrôle humain indispensable. 4. Propose, pour les trois promesses les plus engageantes, une question précise à poser au fournisseur (données utilisées, mesure des erreurs, contrôle humain). N'invente aucune caractéristique du produit : si l'argumentaire ne dit rien, écris « non précisé ».
- Quand l’utiliser
- Dès réception d'une présentation commerciale ou d'un article enthousiaste sur un outil d'IA.
- Ce qu’il faut personnaliser
- Ajoutez le processus visé et ce qu'une erreur coûterait chez vous ; le classement deviendra plus précis.
- Exemple
- Argumentaire fictif « Optima Pilot » : 10 promesses, 3 en colonne 1, 3 en colonne 2, 4 en colonne 3 ; trois questions envoyées au fournisseur.
- Limites
- L'assistant peut classer trop favorablement une promesse vague : corrigez son tri, c'est vous qui décidez.
Données à ne pas envoyer
- Noms, coordonnées et dossiers de clients ou de collaborateurs
- Salaires, primes et dossiers du personnel
- Données de santé
- Secrets d'affaires et informations couvertes par un secret légal ou contractuel
- Mots de passe, codes d'accès, clés d'API
Piège à éviter
À retenir
- Trois colonnes : fiable avec relecture, fiable sous conditions, pas encore fiable sans contrôle humain.
- Un score sans décompte des erreurs ne permet pas de décider.
- Trois questions : sur quelles données, mesuré comment, qui contrôle.
Mini-quiz
Le mini-quiz de cette leçon fait partie de l’évaluation : il est proposé dans l’espace membre.
Sources
Preuves de cette leçon
Chaque affirmation qui peut évoluer renvoie à une source primaire, avec sa date de consultation.
1 Les modèles de langage peuvent produire des affirmations plausibles mais fausses, ou incohérentes avec le contexte fourni, énoncées avec assurance ; même les modèles les plus avancés sont concernés.
- OpenAI — Why language models hallucinate openai.com · consultée le
- Anthropic — Reduce hallucinations platform.claude.com · consultée le
2 Selon OpenAI, quand les modèles sont évalués seulement sur leur taux de bonnes réponses, ils sont encouragés à deviner plutôt qu'à dire « je ne sais pas ».
- OpenAI — Why language models hallucinate openai.com · consultée le