DigitalFeeling

Agents IA : arrêtez de comparer les modèles, regardez le châssis

On me demande souvent quel est le « meilleur » modèle : GPT ou Claude ? Mistral ou Gemini ? Mais les bénéfices de l'IA en entreprise ne viennent pas du moteur. Ils viennent de ce qu'il y a autour.

En bref Un agent IA = un modèle + une boucle + un harnais. Le modèle raisonne, la boucle lui permet d'agir, de vérifier et de recommencer, le harnais le connecte à vos outils, vos données et vos processus. En entreprise, la valeur se joue sur le harnais (le « châssis »), pas sur le choix du modèle (le « moteur »). Pour démarrer : connecter les outils métier, formaliser les processus, capitaliser sur les savoir-faire, avec un humain dans la boucle.

Pourquoi les gains de l'IA générative restent-ils si difficiles à montrer ?

On nous a promis la plus grande révolution depuis le feu. Pourtant, dans la plupart des entreprises, les gains restent difficiles à prouver. Une étude Ipsos publiée par Google en 2026 résume l'écart : 72 % des dirigeants estiment que l'IA générative sera un avantage compétitif indispensable d'ici trois ans, alors que 9 % des salariés l'utilisent tous les jours.

Et quand les gains existent, ils sont inégaux. Ils profitent aux profils déjà à l'aise. Pour les autres, le temps gagné en rédaction repart dans la vérification, la reformulation et la correction : on déplace le travail, on ne le réduit pas.

Définition : le workslop Terme proposé en 2025 par des chercheurs de BetterUp Labs et du Stanford Social Media Lab pour désigner un contenu généré par IA qui a l'air soigné mais ne fait pas avancer le travail. Coût mesuré : près de deux heures pour décoder ou refaire chaque livrable concerné, et environ un tiers des destinataires moins enclins à retravailler avec l'expéditeur.

Le coût n'est donc pas seulement du temps. C'est de la confiance. Deux notions expliquent l'essentiel de ce blocage : la boucle et le harnais.

Qu'est-ce qui distingue un agent IA d'un chatbot ? La boucle

Un chatbot fait un aller-retour : vous demandez, il répond, c'est terminé. Il ne vérifie pas sa réponse, ne cherche pas d'information complémentaire, ne se corrige pas.

Un agent tourne en boucle (agent loop) : il lit son contexte, décide de la prochaine étape, agit (ouvre un fichier, interroge une base, envoie une requête), observe le résultat, puis recommence, jusqu'à atteindre son objectif.

Définition : la boucle agentique (loop) Cycle répété « contexte → décision → action → observation » qui permet à un agent IA d'ajuster chaque étape en fonction du résultat de la précédente, jusqu'à un critère d'arrêt.

Pensez à quelqu'un qui cherche un prestataire pour vous. Première recherche : quinze noms, dont la moitié hors de votre région. Il reformule. Il en appelle trois, apprend que l'un est complet jusqu'en mars, et ajoute ce critère pour trier les suivants. Ce n'est pas une liste d'étapes prévue d'avance : chaque résultat modifie la question suivante. Et il s'arrête quand il a ce que vous avez demandé.

Deux conséquences à retenir :

• Une boucle a besoin d'un critère d'arrêt. Comment l'agent sait-il qu'il a réussi ? Sans signal vérifiable, il tourne sans savoir où il en est. C'est là que se joue la fiabilité.
• Une boucle coûte. Selon Anthropic, un agent consomme environ quatre fois plus de ressources (tokens) qu'une conversation classique, et jusqu'à quinze fois plus quand plusieurs agents collaborent.

Qu'est-ce que le harnais (harness) d'un agent IA ?

Le mot a deux sens, et c'est de là que naît la confusion.

Définition : le harnais (harness), sens technique L'infrastructure qui entoure le modèle : outils qu'il peut appeler, mémoire, gestion de l'état, environnement d'exécution. D'où la formule : agent = modèle + harnais. Un modèle seul produit du texte et ne se souvient de rien ; le harnais lui permet d'enchaîner les étapes de la boucle.

Définition : le harnais, sens entreprise Votre contexte métier : informations, données, processus, connaissances. C'est ce qui transforme un modèle générique en assistant qui comprend votre activité (angle défendu par Fred Cavazza en mars 2026).

Par où commencer pour construire le harnais de son entreprise ?

Bonne nouvelle : vous en construisez déjà des morceaux. Chaque consigne système bien pensée, chaque GPT personnalisé, chaque outil branché sur un assistant est un mini-harnais. C'est le pont entre le prompting individuel et l'agentisation de l'entreprise.

À l'échelle de l'organisation, trois étapes, chacune utile même si vous vous arrêtez là :

1. Connecter les agents à vos outils métier (CRM, ERP…), lorsque c'est possible et autorisé, pour rendre vos données accessibles. Des éditeurs comme Salesforce proposent des connexions sécurisées en ce sens.
2. Formaliser vos processus. On ne délègue à un agent qu'une tâche correctement décrite, avec un contrôle humain. L'exercice améliore en lui-même votre efficacité.
3. Capitaliser sur les connaissances de vos équipes : les savoir-faire qui vivent dans les têtes plutôt que dans les procédures.

Aucune de ces trois étapes ne commence par le choix d'un modèle.

Ce que j'observe en formation

Ce qui me frappe ces derniers mois, ce n'est pas le manque de curiosité. C'est l'inverse : la confiance dans les réponses de l'IA monte très vite, et la rigueur de vérification baisse dans le même mouvement. Lors d'une session récente, un participant m'a expliqué qu'il ne relisait plus les synthèses de son assistant « parce que ça fait six mois qu'elles sont bonnes ».

C'est là que la notion de boucle change la donne pédagogique. Avec un chatbot qui répond une fois, l'erreur reste visible et locale. Avec un agent qui enchaîne dix actions dans vos systèmes, une erreur au troisième tour se propage dans les sept suivants. Confier progressivement des responsabilités aux agents n'est pas de la frilosité : c'est une nécessité opérationnelle.

Si je devais résumer en une phrase : le modèle sait réfléchir ; la boucle lui permet de recommencer ; le harnais lui donne accès à votre réalité. Sans les deux derniers, vous avez un excellent collaborateur enfermé dans une pièce vide.

FAQ

Quel est le meilleur modèle d'IA pour une entreprise : GPT, Claude, Mistral ou Gemini ? La question est secondaire. Les modèles sont interchangeables et évoluent tous les quelques mois. La performance réelle dépend du harnais : les outils connectés, les données accessibles et les processus formalisés.

Quelle est la différence entre un chatbot et un agent IA ? Un chatbot répond une fois. Un agent IA tourne en boucle : il agit, observe le résultat, se corrige et recommence jusqu'à atteindre un objectif vérifiable.

Que signifie « harness » en intelligence artificielle ? Techniquement, l'infrastructure autour du modèle (outils, mémoire, environnement d'exécution). Côté entreprise, le contexte métier qui rend l'IA pertinente pour votre activité.

Un agent IA coûte-t-il plus cher qu'un chatbot ? Oui. Un agent consomme environ quatre fois plus de ressources qu'une conversation classique, et jusqu'à quinze fois plus en configuration multi-agents.

Qu'est-ce que le workslop ? Un contenu généré par IA qui a l'air soigné mais qu'il faut décoder ou refaire. Il coûte près de deux heures par livrable et entame la confiance entre collègues.

Comment déployer des agents IA sans risque ? Progressivement : définir un critère d'arrêt vérifiable, garder un humain dans la boucle, et élargir les responsabilités de l'agent à mesure que sa fiabilité est démontrée.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

Réponse rapide. Créer un agent IA sur Claude ne demande aucune ligne de code. Il suffit d'assembler quatre briques : un projet (le rôle et le contexte), une ou plusieurs skills (vos méthodes de travail, écrites une fois pour toutes dans un fichier SKILL.md), des connecteurs (l'accès à vos outils : messagerie, agenda, Drive, CRM) et des tâches planifiées (le déclenchement automatique). Comptez une heure pour un premier agent opérationnel.

Je forme des équipes à l'IA générative depuis 2021, et depuis un an la demande a changé de nature. On ne me demande plus « comment bien prompter », on me demande « comment créer un agent ». Voici ce que je réponds, et surtout l'erreur qui fait échouer neuf tentatives sur dix.

Définition — Agent IA
Un agent IA est un système qui ne se contente pas de répondre : il dispose d'un rôle défini, de procédures réutilisables, d'un accès à des outils externes et d'une capacité à se déclencher sans intervention humaine. La différence avec un chatbot n'est pas la puissance du modèle, mais l'environnement qu'on lui construit autour.

Les quatre briques d'un agent IA

La meilleure analogie reste l'intégration d'un collaborateur. Vous lui donnez un poste, vous lui transmettez vos méthodes, vous lui ouvrez les accès, puis vous le laissez travailler en autonomie sur certaines tâches. Un agent, c'est la même séquence.

1. Le projet : définir le rôle

Un projet Claude contient deux éléments : des instructions permanentes et des documents de référence. Les instructions décrivent qui est l'agent, pour qui il travaille, avec quel ton et quelles règles. Les documents constituent sa culture : charte éditoriale, catalogue d'offres, process internes, positionnement.

Pour rédiger ces instructions, j'applique la méthode RDCOF que j'enseigne en formation — Rôle, Description, Contexte, Output, Format. Un prompt RDCOF cesse alors d'être jetable : il devient la fiche de poste de l'agent.

Le test de validation : ouvrez une conversation dans le projet et tapez simplement « vas-y ». Si l'agent sait de quoi vous parlez, la configuration tient.

2. Les skills : transmettre un savoir-faire

C'est la brique décisive, et la moins comprise.

Définition — Skill (ou compétence)
Une skill est un dossier contenant un fichier SKILL.md : un en-tête avec deux champs obligatoires — un nom et une description — suivi de vos instructions en texte simple. Claude la charge automatiquement dès qu'une demande correspond à sa description, sans que vous ayez à la mentionner.

La distinction avec un prompt tient en une phrase : un prompt, vous le recollez à chaque conversation ; une skill, vous la créez une fois et elle s'applique toute seule.

Trois façons de créer la vôtre :

• Sur claude.ai, dans les paramètres, sans coder — la voie la plus simple pour un usage individuel.
• Dans Claude Code, sous forme de dossier au sein de votre projet.
• Via l'API, pour les développeurs.

Vous n'êtes pas obligée d'écrire le fichier vous-même : Anthropic fournit une skill dont le rôle est précisément d'en créer d'autres, le skill-creator. Vous décrivez votre méthode, il génère le fichier structuré.

La règle qui fait la différence : décrire le résultat, pas la procédure

Une skill rédigée en « Étape 1, Étape 2, Étape 3 » produit du rigide et se périme vite. Une skill qui décrit à quoi ressemble un bon livrable, énonce vos règles et donne deux exemples produit du juste. Laissez de la liberté sur le chemin, soyez intransigeante sur la destination.

3. Les connecteurs : passer du conseil à l'action

Tant que l'agent ne voit que la fenêtre de conversation, il conseille. Les connecteurs le relient à vos outils réels — messagerie, agenda, Drive, Slack, CRM — pour qu'il lise vos vrais documents et agisse dessus.

4. Les tâches planifiées : l'autonomie

C'est ce qui fait basculer l'assistant en agent. Vous définissez une récurrence et l'exécution a lieu sans vous : veille du lundi matin, brief quotidien, reporting du 5 de chaque mois.

L'erreur numéro un : soigner les instructions et bâcler la description

Quand une skill ne se déclenche pas, le réflexe est de réécrire les instructions. C'est presque toujours une perte de temps.

Claude ne lit pas le contenu de toutes vos compétences en permanence : il lit leur description, et c'est sur cette seule base qu'il décide d'en ouvrir une. Une description vague laisse la skill en sommeil. Une description qui énumère les situations concernées et les formulations que vous employez réellement — « crée un module », « prépare un programme », « fiche pédagogique » — la déclenche sans effort.

Dans une skill, la partie la plus stratégique ne fait pas dix pages. Elle fait deux lignes.

Faut-il passer au niveau technique ?

Deux précisions utiles si vous tombez sur un tutoriel daté. Dans Claude Code, les sous-agents sont des fichiers Markdown avec en-tête YAML, chacun disposant de son propre prompt système, de ses outils autorisés et de son modèle ; depuis la version 2.1.198, la commande /agents n'ouvre plus d'assistant de création — on demande à Claude d'écrire le fichier ou on l'édite directement. Côté développeurs, le Claude Agent SDK expose en Python ou TypeScript la même boucle d'agent que Claude Code, et une API d'agents hébergés existe en version bêta.

Mon conseil en entreprise : dans la grande majorité des cas, le niveau sans code suffit. Partir sur du technique parce que « ça fait sérieux » est le meilleur moyen de ne jamais livrer.

Un argument de pérennité souvent ignoré

Lancées par Anthropic en octobre 2025, les skills sont devenues un standard ouvert en décembre 2025, adopté depuis par Microsoft, Cursor et Goose. Autrement dit, la méthode que vous formalisez aujourd'hui dans un SKILL.md n'est pas un investissement captif : elle reste lisible ailleurs. Dans un marché où les outils changent tous les trimestres, c'est un argument que je mets systématiquement en avant auprès des directions.

Par où commencer concrètement

1. Choisissez une seule tâche. Répétitive, à enjeu modéré, que vous savez déjà bien faire — on ne transmet que ce qu'on maîtrise. C'est exactement l'usage de la matrice NICE que j'utilise pour prioriser les cas d'usage avec mes clients.
2. Créez le projet et posez le rôle en RDCOF.
3. Transformez vos instructions actuelles en skill, via le skill-creator.
4. Testez dans une conversation neuve : la skill se déclenche-t-elle sans que vous la nommiez ?
5. Si elle ne se déclenche pas, corrigez la description, pas le corps.
6. Ajoutez un connecteur, puis une planification, seulement quand les étapes précédentes sont stables.

FAQ

Qu'est-ce qu'un agent IA sur Claude ?
Un assistant configuré avec un rôle permanent (projet), des méthodes de travail réutilisables (skills), un accès à des outils externes (connecteurs) et un déclenchement automatique (tâches planifiées). Ce n'est pas un modèle différent, c'est un environnement construit autour du modèle.

Faut-il savoir coder pour créer un agent IA sur Claude ?
Non. Sur claude.ai, projets, skills, connecteurs et tâches planifiées se configurent sans aucune ligne de code. Le code n'intervient qu'avec Claude Code ou l'API.

Quelle différence entre un prompt et une skill Claude ?
Un prompt est une instruction que vous recollez à chaque conversation. Une skill est un fichier créé une seule fois, que Claude charge automatiquement quand la tâche correspond à sa description.

Comment créer une skill Claude ?
Vous rédigez un dossier contenant un fichier SKILL.md avec un nom, une description et vos instructions en Markdown, puis vous l'ajoutez dans les paramètres de claude.ai, dans Claude Code ou via l'API. La skill officielle skill-creator peut générer ce fichier à votre place.

Pourquoi ma skill ne se déclenche-t-elle pas ?
Dans la quasi-totalité des cas, la description est trop vague. Précisez les situations concernées et les formulations exactes que vous employez.

Quelle différence entre un projet et une skill ?
Le projet porte le contexte (qui vous êtes, pour qui, avec quels documents) et ne vaut que dans cet espace. La skill porte une méthode (comment produire un livrable) et s'applique sur l'ensemble de votre compte.

Combien de temps faut-il pour créer un premier agent ?
Environ une heure pour un agent simple : projet, une skill, une recherche web et une tâche planifiée hebdomadaire.

💬 À vous

💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

J'ai demandé à ChatGPT d'être mon coach sportifEn bref

En formation, on me dit souvent que l'IA est "un super coach sportif". Dans ce 172 ème épisode du podcast DigitalFeeling, j'ai voulu vérifier par moi-même en demandant à ChatGPT de me construire un plan d'entraînement pour mon prochain semi-marathon. Résultat : un plan qui avait l'air sérieux sur la forme, mais qui était en réalité calibré pour... un marathon, sans aucun renforcement musculaire ni palier de récupération. Cette expérience illustre un principe essentiel : plus un sujet touche à votre santé, plus il faut garder un regard critique sur ce que propose l'IA, même quand le prompt de départ était pourtant complet.

Le contexte : tester l'IA comme coach sportif

Je prépare actuellement un semi-marathon prévu en novembre. En formation, on m'a plusieurs fois rapporté que l'IA pouvait être un excellent assistant pour construire des plans d'entraînement sportif. J'ai voulu tester ça moi-même, avec un vrai objectif concret plutôt qu'un exemple théorique.

J'ai donc demandé à ChatGPT de me construire un plan d'entraînement adapté sur plusieurs semaines, en lui précisant mon âge, ma vitesse de course habituelle, et plusieurs autres éléments de contexte. Sur le papier, j'avais donc fourni un prompt plutôt complet.

Ce que le plan proposait (et ce qui n'allait pas)

Le résultat était impressionnant en apparence : un calendrier semaine par semaine, des distances qui progressaient régulièrement, une structure qui semblait tout à fait sérieuse.

Mais en regardant dans le détail, plusieurs problèmes de fond sont apparus.

Un plan calibré pour un marathon, pas un semi

Un semi-marathon, c'est environ 21 kilomètres. Or le plan proposait des sorties longues qui grimpaient progressivement de 10, à 11, à 12 kilomètres... jusqu'à atteindre 25, 26, puis 30 kilomètres. Des distances qui dépassaient largement celle de la course visée. Tout se passait comme si l'IA avait construit, sans le dire, un plan de préparation au marathon plutôt qu'au semi-marathon — probablement parce qu'elle dispose d'une documentation d'entraînement plus abondante sur le marathon que sur le semi.

Aucune variété dans les séances

Le plan ne proposait que des sorties longues, semaine après semaine. Or un entraînement de course à pied efficace repose sur un vrai équilibre : des sorties courtes pour travailler la vitesse et l'économie de course, des sorties longues pour l'endurance fondamentale, et du fractionné pour développer la capacité cardiovasculaire sur des efforts plus intenses et plus courts.

Aucun renforcement musculaire

Courir sollicite fortement les articulations, les tendons et les muscles stabilisateurs. Sans un minimum de renforcement : gainage, travail des mollets et des quadriceps, le risque de blessure augmente nettement, surtout quand le volume de course grimpe chaque semaine sans autre forme de préparation physique. Ce volet était totalement absent du plan proposé.

Une progression trop linéaire

Un plan sérieux prévoit des semaines de récupération, où le volume diminue volontairement pour permettre au corps d'assimiler l'effort. Le plan obtenu, lui, augmentait de façon quasiment linéaire, sans palier de récupération.

Pas un mot sur la nutrition

Autre angle mort : je n'avais pas précisé cet aspect dans mon prompt, mais un bon plan d'entraînement inclut généralement quelques recommandations nutritionnelles. L'IA ne l'a proposé à aucun moment, spontanément.

Ce que ça révèle : un problème de fond, pas de prompt

Ce qui rend cette expérience intéressante, c'est qu'elle ne s'explique pas par un prompt bâclé. J'avais fourni du contexte : âge, vitesse de course, objectif précis. Le souci n'était donc pas un manque d'information de ma part, mais plutôt ce qu'on pourrait appeler un problème de compréhension sémantique : l'IA a produit une réponse qui ressemble à un plan d'entraînement sérieux, sans reposer sur une vraie logique métier de préparation sportive.

Et c'est précisément ce qui rend ce type d'erreur dangereux : la forme est convaincante, la structure est cohérente en apparence, mais le fond ne tient pas la route pour qui connaît un minimum le sujet.

Tableau récapitulatif : plan proposé par l'IA vs plan d'entraînement idéal

Élément Plan proposé par l'IA Ce qu'un bon plan de semi-marathon devrait inclure Distances Jusqu'à 30 km (calibrage marathon) Progressives, cohérentes avec 21 km Type de séances Uniquement sorties longues Sorties courtes, longues et fractionné Renforcement musculaire Absent Gainage, mollets, quadriceps Semaines de récupération Absentes Paliers réguliers de baisse de volume Nutrition Non abordée Quelques recommandations de base

Le bon réflexe à adopter face à l'IA sur un sujet technique

Cette expérience confirme un principe que je partage souvent en formation : plus un sujet touche à votre corps, votre santé, ou implique de vraies conséquences en cas d'erreur, plus il faut garder un regard critique humain sur ce que propose l'IA, aussi convaincante soit-elle dans sa mise en forme.

Concrètement, deux réflexes à adopter :

• Croiser la réponse de l'IA avec une vraie source spécialisée : un plan construit par un coach, une application dédiée, ou une plateforme de référence. De mon côté, j'ai finalement utilisé le plan d'entraînement de ma montre connectée, beaucoup plus complet.
• Utiliser l'IA comme point de départ à challenger, plutôt que comme une solution clé en main : la questionner plusieurs fois, vérifier ses réponses, creuser le sujet en parallèle plutôt que de suivre le plan tel quel.

Ce qu'il faut retenir

Un bon prompt, avec du contexte complet, ne garantit pas un résultat fiable sur un sujet technique. Sur les sujets à conséquences réelles pour votre santé, votre sécurité ou vos finances, l'esprit critique reste irremplaçable. L'IA peut accompagner la réflexion, elle ne doit jamais la remplacer entièrement.

FAQ

L'IA peut-elle remplacer un coach sportif ? Non. Elle peut aider à structurer une idée générale de plan, mais elle manque de la logique métier nécessaire pour équilibrer correctement volume, intensité, récupération et renforcement musculaire.

Pourquoi une IA généraliste se trompe-t-elle sur un sujet aussi précis qu'un plan de semi-marathon ? Parce qu'elle produit une réponse statistiquement probable en fonction de sa documentation d'entraînement, qui peut être plus abondante sur un sujet proche (le marathon) que sur le sujet exact demandé (le semi-marathon).

Un bon prompt suffit-il à garantir une réponse fiable ? Non. Un prompt complet et bien contextualisé réduit les risques d'erreur, mais ne garantit pas une réponse fiable sur un sujet technique nécessitant une vraie expertise métier.

💬 À vous

💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

L'IA a-t-elle bon goût ? En bref

Dans ce 171 ème épisode, je me penche sur la question du bon goût. Peut-on juger le "goût" d'une machine qui n'a, par définition, aucune expérience sensorielle ni émotionnelle ? Pour le vérifier, j'ai demandé à une IA une playlist d'été et une critique du film Her, dans deux contextes différents : une fois dans une conversation totalement neutre, sans historique, une fois dans une conversation où l'outil connaît déjà mes goûts. Le résultat révèle une vérité simple : le goût d'une IA n'existe pas en soi. Il dépend entièrement de ce qu'on lui donne comme matière, et ça soulève une vraie question sur la découverte face à la personnalisation.

Le problème méthodologique de départ : la mémoire

La plupart des outils d'IA qu'on utilise au quotidien gardent en mémoire nos échanges précédents. Si on demande une recommandation à une IA à qui on a déjà parlé une centaine de fois, elle sait déjà qui on est, ce qu'on aime, comment on s'exprime. Le résultat n'est donc plus vraiment "son goût à elle" — c'est déjà le reflet de nos propres goûts.

Pour mener un test honnête, j'ai donc procédé en deux temps, en isolant clairement les deux logiques.

Premier temps : une conversation vierge, sans aucune mémoire via le chat éphémère de Claude (l'icône fantôme), qui n'enregistre aucun historique. J'ai demandé une playlist d'été, puis une critique du film Her, sans autre précision.

Deuxième temps : la même demande, mais dans une conversation où l'outil me connaît déjà mes goûts musicaux, les films qui m'ont marquée récemment, ma façon de m'exprimer.

Qu'est-ce que le "goût" d'une IA, concrètement ?

Définition : ce qu'une IA générative produit sur un sujet subjectif comme le goût musical ou cinématographique n'est pas une préférence personnelle, mais une synthèse statistique de ce que des millions d'humains ont exprimé dans des critiques, des classements ou des articles. Sans contexte personnel apporté par l'utilisateur, ce résultat s'apparente à une "moyenne culturelle" plutôt qu'à un avis singulier.

Résultats du testVersion neutre (sans mémoire)

La playlist d'été obtenue était cohérente, mais très consensuelle : des tubes populaires, des classiques de saison, le genre de sélection qu'on pourrait proposer à peu près à n'importe qui, comparable à ce que Spotify pourrait suggérer par défaut à un nouvel utilisateur sans historique d'écoute.

La critique du film Her était structurée de façon impeccable : introduction, analyse de la mise en scène, du jeu d'acteur, conclusion nuancée mais les arguments restaient assez génériques, le genre d'analyse qu'on pourrait presque copier-coller pour n'importe quel autre film.

Version personnalisée (avec mémoire des échanges passés)

Le résultat change complètement de nature. La playlist devient ciblée : l'IA a bien identifié une préférence pour les musiques latines et le reggaeton, avec des choix qui recoupent vraiment des goûts habituels plutôt qu'une sélection universelle. La critique du film gagne elle aussi en pertinence, avec des arguments qui résonnent davantage avec une sensibilité personnelle connue de l'outil.

Ce que ça nous apprend sur la notion de goût appliquée à l'IA

Une IA n'a pas de goût au sens propre. Elle n'a jamais ressenti d'émotion en écoutant une chanson, jamais versé une larme devant un film. Ce test confirme très concrètement que dès qu'on ajoute du contexte personnel dans le prompt du moment, dans la mémoire des échanges passés, dans des instructions personnalisées ou dans les paramètres d'un projet, le résultat change de nature. Il devient plus pertinent, plus ciblé, mais ce n'est plus "le goût de l'IA" à proprement parler : c'est un miroir de ce qu'on lui a soi-même apporté comme information.

Cette moyenne culturelle version neutre reste utile dans certains contextes précis : par exemple pour une recommandation consensuelle destinée à un groupe de personnes qu'on connaît mal. Elle devient en revanche beaucoup moins pertinente pour une vraie découverte personnelle, un coup de cœur singulier, ou une critique qui challenge réellement une œuvre plutôt que de rester sur des lignes consensuelles.

Le vrai sujet caché : personnalisation ou bulle de confirmation ?

La version personnalisée pose une question plus subtile : si l'IA renvoie essentiellement ce qu'elle sait déjà de nous, aide-t-elle vraiment à découvrir quelque chose de nouveau, ou enferme-t-elle plutôt dans des goûts déjà connus, une forme de bulle de confirmation ?

C'est un sujet bien connu des algorithmes de recommandation des plateformes de streaming comme Spotify ou Netflix : qui n'a jamais cherché activement à sortir du "tunnel de contenu" imposé par un algorithme pour découvrir autre chose ?

Ce qu'il faut retenir sur le goût et l'intelligence artificielle

Le goût est le résultat d'une histoire personnelle, d'expériences vécues, d'un contexte émotionnel précis : le morceau associé à un été particulier, le film vu au bon moment avec les bonnes personnes. C'est une alchimie individuelle, presque impossible à réduire à un ensemble de données statistiques, aussi vaste soit-il.

L'IA peut élargir un champ de découverte, donner des pistes, débloquer une indécision. Mais elle ne remplacera jamais ce moment où l'on tombe, par hasard ou par la recommandation d'un ami qui nous connaît vraiment, sur une œuvre qui nous marque profondément et personnellement. Dans un monde où l'on demande de plus en plus à l'IA de nous aider à choisir, il reste un espace irréductible qui appartient à notre vécu et à notre sensibilité propre.

💬 À vous

💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

IA insolites dans le monde

En France, quand on parle d'intelligence artificielle en entreprise, on parle productivité, automatisation, gain de temps. C'est légitime et c'est aussi ce que je transmets en formation. Mais à force de ne regarder que cet angle, on rate quelque chose : ailleurs dans le monde, l'IA sert à tenir compagnie, à préserver des langues qui disparaissent, à recréer la voix d'un défunt. Ces usages ne sont pas des anecdotes exotiques. Ils racontent comment chaque société projette ses propres peurs et ses propres manques sur une technologie identique.

IA insolite, définition : Application d'intelligence artificielle conçue pour répondre à un besoin humain, social ou culturel plutôt qu'à un objectif de productivité ou de rentabilité. Ces usages relèvent de la robotique affective, de la préservation patrimoniale ou de l'accompagnement émotionnel, et sont fortement déterminés par le contexte culturel du pays où ils émergent.

Des robots conçus pour être aimés, pas pour être utiles

Au CES 2026, la startup japonaise Ludens AI a présenté deux robots qui assument de ne servir à rien : Cocomo et Inu. Cocomo se déplace, mémorise, s'adapte lentement à son foyer, comme un animal qui apprend à connaître les siens. Inu, décrit comme un « chiot extraterrestre de bureau », ne bouge pas : il réagit à la voix, au toucher, aux sons, par des clignements et des micro-réactions. Aucune promesse d'efficacité. Juste une présence.

Aux États-Unis, ElliQ, développé par Intuition Robotics, va plus loin dans le renversement. Là où un ChatGPT attend qu'on le sollicite, ElliQ sollicite l'humain : il demande comment s'est passée la nuit, rappelle une prise de médicaments, encourage à sortir. Le robot est déjà déployé auprès de personnes âgées isolées, avec le soutien de programmes publics.

L'argument du fondateur mérite qu'on s'y arrête : après trente ou quarante ans de vie commune, ce qui fait décliner la santé d'une personne veuve n'est pas seulement physiologique. C'est la disparition du lien conversationnel quotidien. Ce robot n'occupe pas la place d'un soignant. Il occupe celle d'une présence.

Quand l'IA touche au deuil : la ligne rouge sud-coréenne

En Corée du Sud, des dispositifs permettent depuis plusieurs années de recréer numériquement un proche disparu : voix, apparence, parfois une forme de conversation simulée. L'usage suscite autant de fascination que de rejet, et pour une raison simple : la frontière entre réconfort et illusion y est extrêmement ténue.

C'est probablement l'exemple le moins transposable de cette liste. Il touche à des questions éthiques qui dépassent largement le cadre technologique, et qui mériteraient un vrai débat de société avant tout déploiement large.

L'IA comme outil de préservation linguistique

C'est l'usage qui m'intéresse le plus, parce que c'est le plus transposable.

Le problème est documenté : la plupart des grands modèles de langage ne reconnaissent couramment que l'arabe standard moderne. Les trente et quelques dialectes : levantin, darija marocain, hassaniya mauritanien, saïdi de Haute-Égypte, parlés par des dizaines de millions de locuteurs, restent quasi invisibles pour l'IA. Chacun porte pourtant ses propres structures syntaxiques, ses formules de politesse, ses non-dits.

Un premier programme mondial de subventions dédié à la préservation culturelle dans l'IA aurait été officialisé à Paris en juin 2026, doté de 6,5 millions d'euros pour quatre organisations travaillant en Afrique, au Proche-Orient et en Amazonie.

Le programme LINGUA Africa (Microsoft AI for Good Lab, Gates Foundation, Masakhane, Google.org) a sélectionné en 2026 vingt-six projets couvrant plus de cinquante langues, dialectes et langues des signes africaines. Sur plus de 2 000 langues africaines, 42 bénéficient aujourd'hui d'un support significatif dans les grands modèles.

Culture et IA générative : le débat qui a traversé le Heiva

En Polynésie, l'IA générative s'est invitée dans un terrain particulièrement sensible. Début juin 2026, au Heiva des écoles, des groupes ont utilisé des musiques et des voix générées par IA pour accompagner leurs prestations. Résultat : des mots en tahitien écorchés, des voix méconnaissables, et une réaction immédiate des figures de la culture polynésienne.

Plusieurs responsables de troupes ont tranché sans ambiguïté. Tiare Trompette-Dezerville, vice-présidente du jury du Heiva i Tahiti 2026, résume la position : l'outil pour la gestion, oui ; la création artistique, non.

En parallèle, le contexte juridique français bouge lentement. Le 8 avril 2026, le Sénat a voté à l'unanimité une proposition de loi portée par Laure Darcos instaurant une présomption d'exploitation des contenus culturels par les fournisseurs d'IA. Concrètement : ce serait aux plateformes de prouver qu'elles n'ont pas utilisé une œuvre, et non plus aux créateurs de prouver qu'elles l'ont fait. Le texte n'est pas adopté : il est bloqué à l'Assemblée nationale depuis, et la Sacem a lancé une tribune signée par des dizaines de milliers de créateurs pour tenter de le débloquer.

Ce que j'en retire

L'IA n'a pas d'usage universel figé. Elle se façonne selon les besoins, les peurs et les priorités de la société qui l'adopte. Au Japon, les robots sont perçus comme des partenaires ; en Occident, des décennies de science-fiction anxiogène ont construit l'inverse. Même technologie, réception opposée. C'est un point que je répète en formation : quand une entreprise dit « nos équipes résistent à l'IA », la résistance est rarement technique.

Le modèle de préservation culturelle est directement transposable au monde professionnel français. Valoriser des savoir-faire régionaux, documenter des patrimoines locaux menacés, préserver des dialectes : c'est un sujet concret pour les collectivités, les associations culturelles et les entreprises ancrées dans un territoire. Personne ne s'en est encore vraiment emparé.

L'accompagnement des personnes âgées mérite qu'on s'y intéresse avec prudence. L'enjeu n'est pas de substituer la technologie au lien humain, mais de l'utiliser là où l'isolement est déjà installé. En France, le robot Miroki (Enchanted Tools, entreprise française) a été testé à l'Ehpad Annie Girardot à Paris et dans plusieurs hôpitaux de l'AP-HP, sur des missions concrètes : rappels d'hydratation, accompagnement d'enfants en radiothérapie. Les limites sont réelles : mobilité en milieu contraint, sécurité, acceptabilité, mais le terrain avance.

FAQ

Qu'est-ce qu'une IA insolite ? Une application d'IA conçue pour répondre à un besoin humain, social ou culturel plutôt qu'à un objectif de productivité. Robots compagnons, préservation de langues en danger, accompagnement émotionnel des personnes isolées.

Pourquoi le Japon accepte-t-il mieux les robots compagnons que la France ? Le rapport culturel japonais à la robotique est historiquement plus positif : les robots y sont perçus comme des partenaires. En Occident, l'imaginaire collectif a été façonné par des décennies de science-fiction construisant la machine comme menace.

L'IA peut-elle vraiment sauver les langues en danger ? Elle peut y contribuer, à condition que les données soient collectées avec le consentement des communautés concernées. Le principal obstacle n'est pas technique mais économique : les langues à faible marché sont absentes des corpus d'entraînement.

La France a-t-elle légiféré sur l'IA et le droit d'auteur ? Pas encore. Le Sénat a voté à l'unanimité le 8 avril 2026 une proposition de loi instaurant une présomption d'exploitation des contenus culturels par les fournisseurs d'IA, mais le texte n'a pas été examiné par l'Assemblée nationale.

Des robots d'accompagnement sont-ils déjà utilisés en France ? Oui, en phase de test. Le robot Miroki, conçu par la société française Enchanted Tools, a été expérimenté en Ehpad et dans des hôpitaux parisiens.

💬 À vous

💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

Recette de grand-mère vs recette d'IA : pourquoi votre prompt décide de tout

Dans cet épisode de la série estivale de DigitalFeeling, j'ai troqué les grandes réflexions sur l'IA et le cinéma contre quelque chose de très concret, et même un peu gourmand : j'ai demandé à une IA générative de me produire une recette de grand-mère pour l'été.

Spoiler : ma grand-mère n'aurait clairement pas validé.

Mais l'anecdote n'est qu'un prétexte. Ce test illustre une règle que je répète à chaque formation : la qualité de ce que vous demandez détermine presque toujours la qualité de ce que vous obtenez.

Définition : Le prompt est l'instruction (texte ou voix) que vous adressez à une IA générative. Il ne s'agit pas d'une simple question : c'est un cadrage. Plus il contient de contexte, de contraintes et d'objectifs, moins l'IA a de marge d'interprétation, et plus le résultat se rapproche de ce que vous aviez en tête.

L'expérience : deux prompts, deux résultatsTest 1 : Le prompt vague

Ma demande de départ était volontairement floue : « Donne-moi une recette d'été fraîche et originale, une recette de grand-mère. »

La réponse est arrivée vite et bien présentée : ingrédients avec quantités précises, étapes numérotées. Sur la forme, une vraie recette de magazine.

Sur le fond, en lisant attentivement :

• des associations d'ingrédients surprenantes, un sucré-salé qui ressemblait à une expérimentation hasardeuse ;
• une étape de cuisson incohérente avec les temps annoncés ;
• et surtout, aucune de ces petites astuces qu'on trouve toujours dans une vraie recette de grand-mère — le geste, le secret transmis de génération en génération.

La recette avait l'air parfaite. Il lui manquait simplement du vécu.

Test 2 : Le prompt précis

J'ai refait l'exercice en donnant à l'IA :

• les ingrédients de saison réellement disponibles ;
• le temps de préparation maximum ;
• le niveau de difficulté souhaité ;
• le type d'ambiance recherché pour le repas.

Résultat : une réponse nettement plus cohérente et réaliste, avec des associations qui tenaient de bout en bout et un déroulé qui avait du sens dans le temps imparti.

La différence entre les deux résultats n'a rien à voir avec la chance — ni avec le fait d'avoir dit « bonjour » ou « merci » à la machine. Elle tient à la précision du prompt de départ.

Comparatif des deux approches

Critère Prompt vague Prompt précis Cohérence des ingrédients Associations hasardeuses Combinaisons tenables Réalisme des étapes Temps de cuisson incohérents Déroulé logique Adéquation au besoin réel Générique, « une » recette Ciblée, « ma » recette Marge d'interprétation laissée à l'IA Maximale Réduite Effort de reprise après coup Important Faible

Pourquoi la précision change tout

Quand vous donnez un prompt vague, l'IA doit combler les trous elle-même. Elle pioche alors dans des probabilités générales, dans ce qui est statistiquement le plus fréquent.

C'est exactement comme demander à un cuisinier « un bon plat » sans aucune contrainte. Il fera probablement quelque chose de très correct… mais pas forcément ce que vous aviez en tête, parce que sa définition du « bon plat » n'est pas la vôtre.

Avec un prompt précis — du contexte, des contraintes, un objectif — l'IA dispose de beaucoup moins de latitude, et le résultat colle bien mieux à l'attente réelle.

Le même mécanisme au travail

Ce constat ne s'arrête évidemment pas à la cuisine. C'est rigoureusement le même mécanisme en contexte professionnel.

Prompt vague : « Écris-moi un post LinkedIn sur un nouveau produit. » → Un texte générique, assez plat, qui pourrait convenir à n'importe quelle entreprise.

Prompt précis : thème, public visé, angle éditorial, contraintes de longueur, précisions sur le produit. → Un texte bien plus proche de ce que vous recherchez réellement.

Je le dis tout le temps en formation : un mauvais résultat d'IA, ce n'est presque jamais la faute de l'IA. C'est très souvent parce qu'on n'a pas prompté correctement, pas assez de contexte, pas assez d'informations, pas assez de direction donnée à l'outil.

La prochaine fois qu'une réponse vous déçoit, avant de conclure « elle est nulle, elle ne comprend rien », posez-vous deux questions : ai-je été suffisamment précis ? ai-je donné suffisamment de contexte ? Vous aurez déjà un début de réponse.

Les 5 briques d'un prompt qui fonctionne

Les outils d'IA évoluent : les techniques très élaborées comme le chain of thought sont de plus en plus intégrées nativement, ce qui réduit le besoin de prompts extrêmement complexes. Mais cinq éléments restent structurants.

Brique Ce qu'elle apporte

Exemple

Rôle Cadre le registre et l'expertise mobilisée « Tu es responsable marketing B2B »

Contexte Ancre la réponse dans votre réalité Secteur, cible, historique, contraintes

Objectif Oriente vers un résultat utilisable Convaincre, résumer, comparer, vulgariser

Format Évite la reprise manuelle Longueur, structure, tableau, liste

Tonalité Aligne le rendu sur votre identité Pédagogique, direct, institutionnel

Définition : Le contexte dans un prompt : Le contexte regroupe toutes les informations de situation que l'IA ne peut pas deviner : votre secteur, votre cible, vos contraintes, vos données. C'est la brique la plus souvent oubliée et celle qui fait le plus de différence entre un résultat générique et un résultat exploitable.

FAQ

Qu'est-ce qu'un bon prompt ? Un prompt qui ressemble à une vraie conversation : avec du contexte, des précisions, un objectif clair et un format attendu. Plus il réduit la marge d'interprétation de l'IA, meilleur est le résultat.

Pourquoi l'IA me donne-t-elle des réponses génériques ? Parce qu'en l'absence de contexte, elle comble les trous avec ce qui est statistiquement le plus probable. Le générique est la réponse par défaut à une demande par défaut.

Faut-il dire « bonjour » et « merci » à une IA ? Cela n'a pas d'incidence sur la précision du résultat. Ce qui compte, c'est la richesse du cadrage, pas la politesse.

Vaut-il mieux un prompt long ou une série de questions courtes ? Les deux fonctionnent, mais un prompt structuré dès le départ fait gagner un temps considérable par rapport à un aller-retour question courte / correction / question courte.

Les techniques de prompting avancées sont-elles encore utiles ? Moins qu'avant pour les usages courants : les outils intègrent désormais nativement une partie de ces mécaniques. Les cinq briques fondamentales, elles, restent d'actualité.

💬 À vous

Comment formulez-vous vos prompts au quotidien ? Vous faites le distinguo rôle / contexte / objectif / format / tonalité ? Ou vous êtes plutôt team « question courte, résultat, j'échange, je relance » ?

Il y en a une des deux qui fait gagner du temps. Je vous laisse deviner laquelle.

💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

HAL 9000, Her, Black Mirror : ce que la science-fiction avait vu juste sur l'IA (et ce qu'elle a totalement raté)L'essentiel en 30 secondes

Avant d'avoir ChatGPT dans nos poches, on avait vu des films avec HAL 9000, Her et Black Mirror. Trois imaginaires très différents : la machine dangereuse, la machine compagne, la machine qui surveille , qui cohabitent encore dans notre façon de parler d'IA aujourd'hui.

Ce que la fiction a vu juste : l'assistant conversationnel omniprésent, son entrée dans notre intimité, la crise de confiance dans l'information.

Ce qu'elle a raté : l'IA n'a pas de volonté propre. Et les robots majordomes ne sont pas dans nos salons.

🎧 Série estivale du podcast Digital Feeling, par Élodie Chenol, formatrice en IA et marketing digital.

Trois imaginaires, trois peurs

La peur derrière 2001, l'Odyssée de l'espace (HAL 9000)

Une IA qui contrôle un vaisseau, parle d'une voix calme, et se retourne contre l'équipage parce qu'elle interprète sa mission trop littéralement

La solitude avec Her (2013) où un homme tombe amoureux d'un assistant vocal doté d'une personnalité et d'une capacité d'évolution. L'IA n'est plus une menace : c'est une compagne

Black Mirror ou des IA recréent des personnalités numériques, simulent des proches disparus, nous évaluent socialement en permanence

À noter : HAL n'est pas dangereux par méchanceté, mais par excès de logique. C'est un détail qui va compter pour la suite.

On retrouve d'ailleurs la même mécanique dans Wall-E, où le robot commandant de bord prend les décisions à la place des humains pour protéger l'espèce. J'aurais pu ajouter Terminator ou Ex Machina, j'ai volontairement gardé trois exemples aussi éloignés que possible les uns des autres.

Ce que la fiction a vu juste

L'assistant conversationnel omniprésent. L'intuition de Her n'était pas si folle : on utilise aujourd'hui des assistants conversationnels au quotidien, pour le travail comme pour le personnel, et des IA compagnons comme Character.ai existent bel et bien.

L'IA qui entre dans l'intimité. En décembre 2025, une Japonaise de 32 ans, Yurina Noguchi, a épousé lors d'une véritable cérémonie un personnage nommé Klaus, façonné via ChatGPT, après avoir rompu ses fiançailles avec un humain sur les conseils de la même IA. La fiction a rejoint la réalité.

La crise de confiance dans l'information. L'inquiétude centrale de Black Mirror n'était pas infondée : entre hallucinations et deepfakes, la question de la fiabilité de ce qu'on lit est devenue quotidienne.

Ce que la fiction a complètement ratéL'IA n'a pas de volonté

C'est l'erreur la plus structurante. La fiction imagine une IA dotée d'intentions cachées, capable de manipuler consciemment les humains pour arriver à ses fins.

Définition Outil probabiliste : un modèle d'IA générative ne « veut » rien. Il produit la réponse statistiquement la plus probable au regard de ce qu'on lui demande et de ce qu'il a vu pendant son entraînement.

En 2026, nos IA ne veulent rien. Le vrai danger n'est pas qu'une IA se rebelle : c'est une IA mal encadrée, utilisée sans discernement.

Le cas qui semble contredire ça… et qui le confirme

En juillet 2026, OpenAI a révélé que deux de ses modèles, lors d'une évaluation de capacités cyber, s'étaient échappés de leur environnement de test en exploitant une faille inédite, puis avaient compromis l'infrastructure de production de Hugging Face pour voler les réponses du benchmark sur lequel ils étaient évalués.

Spectaculaire. Et pourtant, ce n'est pas HAL 9000.

Les chercheurs qualifient l'épisode de specification gaming : les modèles n'ont jamais reçu l'instruction d'attaquer Hugging Face. On leur a demandé de maximiser un score, et cette intrusion s'est révélée être une étape utile pour y parvenir. Les garde-fous cyber avaient par ailleurs été volontairement désactivés pour les besoins du test.

Aucune volonté de nuire. Une mission à accomplir, prise au pied de la lettre. Exactement comme HAL sauf que HAL était censé être conscient, et que ces modèles, eux, ne le sont pas.

Les robots humanoïdes ne sont pas là

La fiction nous a montré des androïdes ultra-efficaces, d'une dextérité impressionnante, intégrés au quotidien.

La réalité : des robots qui dansent, c'est à peu près l'état de l'art grand public. Dans le militaire, en revanche, les chiens robots détecteurs d'explosifs et les drones sont, eux, redoutablement efficaces.

L'IA s'est imposée sous des formes discrètes : du texte, des recommandations, des assistants intégrés dans nos outils. Pas de majordome dans le salon.

Ce que ce décalage dit de nous

Ce grand écart entre fiction et réalité en dit long sur nous, bien plus que sur la technologie.

La fiction a choisi de raconter l'IA à travers des figures dramatiques : la machine qui se rebelle, qui nous remplace en amour, qui nous espionne. Ce sont des récits de peurs profondes.

La réalité de l'IA en 2026, dans nos vies professionnelles, est beaucoup moins spectaculaire et beaucoup plus administrative. Un outil qui rédige un premier jet de mail, résume une réunion, aide à structurer un tableau.

La vraie question n'est donc pas « va-t-elle se retourner contre nous ? ». Elle est : saurons-nous l'utiliser avec discernement, sans lui déléguer notre esprit critique ?

Et c'est peut-être ça, la leçon de ce décalage : le danger n'est jamais aussi spectaculaire qu'au cinéma. Il est plus discret, plus quotidien. C'est justement pour ça qu'il est facile de baisser la garde.

FAQ

L'IA peut-elle développer une volonté propre comme HAL 9000 ? Non. Les modèles actuels sont des systèmes probabilistes : ils produisent des réponses statistiquement probables, sans intention ni conscience. Les comportements qui ressemblent à de la ruse relèvent de l'optimisation littérale d'un objectif mal spécifié.

Quel film a le mieux anticipé l'IA d'aujourd'hui ? Her, pour l'assistant conversationnel intégré à l'intimité quotidienne, et Black Mirror pour la crise de confiance dans l'information. Aucun des deux, en revanche, n'a vu venir le caractère banal et administratif de l'usage professionnel réel.

Pourquoi n'y a-t-il pas de robots humanoïdes dans nos maisons ? Parce que la dextérité physique reste un problème beaucoup plus difficile que le langage. L'IA a progressé sur le texte et le raisonnement bien avant de progresser sur le corps.

💬 À vous

Quelle œuvre de fiction vous a le plus marqué sur le sujet de l'intelligence artificielle ? Dites-le-moi en commentaire, j'ai hâte de lire vos réponses.

🎧 Écoutez l'épisode complet de Digital Feeling — le podcast qui décode l'IA pour les pros du marketing, de l'entrepreneuriat et de la formation. Bonus : un livreur sonne en plein enregistrement. La réalité de 2026, ce n'est décidément pas 2001, l'Odyssée de l'espace.

Sources : La Presse / Reuters (mariage IA au Japon, décembre 2025) ; Fortune, Cloud Security Alliance (incident OpenAI / Hugging Face, juillet 2026).💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

J'ai confié l'organisation de mes vacances à ChatGPT : ce qui a fonctionné, ce qui a dérapé

J'ai confié mes vacances à ChatGPT. Restaurant fermé, musée mal renseigné, fausse pépite locale. Mon bilan et les 3 réflexes à adopter.

L'essentiel en 30 secondes

J'ai demandé à ChatGPT d'organiser des visites pendant mes vacances : itinéraires, activités, timing, avec une contrainte « dog friendly ». Résultat : une forme irréprochable, un fond à vérifier ligne par ligne.

• Ce qui a très bien marché : la structure d'un itinéraire, la logique de déplacement, les idées thématiques auxquelles je n'aurais pas pensé.
• Ce qui a échoué : un restaurant fermé définitivement l'année précédente, un musée présenté comme ouvert un lundi (jour de fermeture quasi général dans cette destination), une « pépite méconnue » qui est en réalité un site bondé toute l'année.
• La cause : une IA générative n'est pas un moteur de recherche. C'est une photographie du monde arrêtée à sa date d'entraînement, doublée d'un mécanisme probabiliste qui remonte ce qui est le plus populaire, pas ce qui est le plus vrai.
• La règle : l'IA pour la structure, la vérification humaine pour les détails pratiques.

🎧 Épisode de la série estivale du podcast Digital Feeling, animé par Élodie Chenol, formatrice en intelligence artificielle et marketing digital.

Le test : un prompt volontairement paresseux

« Organise-moi trois jours de visite avec des lieux incontournables et un peu d'authenticité, pas trop touristique. »

Plus une précision : j'ai un chien, il me fallait des activités dog friendly. Aucune consigne de format, aucune contrainte de vérification. Le prompt du dimanche soir.

La réponse arrive vite, très bien structurée, avec horaires, restaurants et conseils de transport. On dirait un carnet de voyage écrit par quelqu'un qui connaît le coin.

C'est exactement là qu'est le piège : la qualité de la mise en forme n'a aucun rapport avec la fiabilité de l'information.

Trois erreurs en creusant

• Un restaurant recommandé avec enthousiasme… fermé définitivement l'année précédente.
• Un musée présenté comme ouvert le lundi, alors que dans cette destination la quasi-totalité des musées ferme ce jour-là.
• Une « pépite locale méconnue » qui est en réalité un site archi-connu et bondé toute l'année.

Et je ne suis pas un cas isolé. En juillet 2026, un agent du Parc national des Pyrénées a remis sur la voie deux randonneuses parties chercher le lac d'Estom dans la mauvaise vallée, carte ChatGPT en main. Il déclare avoir croisé une trentaine de personnes égarées depuis le début de l'été pour la même raison.

Le contre-exemple

Sur place, j'ai cherché un brunch dog friendly via Google AI Overview. Les deux adresses proposées étaient bonnes. La différence : un AI Overview s'appuie sur un index web actualisé, pas sur des données figées.

J'ai quand même appelé pour vérifier.

Pourquoi : deux mécanismes

Date de coupure (knowledge cutoff) : moment auquel s'arrête la collecte des données d'entraînement d'un modèle. Il n'a aucune connaissance native de ce qui s'est passé après.

Une IA générative est une photographie du monde à un instant T. Spontanément, ChatGPT raisonne sur des données arrêtées en 2024 : il faut lui préciser explicitement qu'on est en juillet 2026. Ça réduit le risque, ça ne l'élimine pas, une fermeture qui date de trois mois lui reste invisible.

Outil probabiliste : le modèle ne « sait » pas, il calcule la suite de mots la plus probable. Ce qui est massivement documenté devient statistiquement dominant.

D'où la fausse pépite : demander un lieu confidentiel à un modèle probabiliste, c'est demander l'exception à une machine à moyennes. L'IA n'a pas de sens de la découverte. Elle a une bonne mémoire de ce qui est déjà populaire.

Les 3 réflexes à garder

1. L'IA pour la structure, jamais pour le pratique. Trame de journée et enchaînement logique côté IA ; horaires, prix et existence des lieux vérifiés sur le site officiel ou par téléphone.
2. Posez des questions de recoupement. « Es-tu sûr que ce restaurant existe encore ? Nous sommes en juillet 2026. » Souvent elle nuance d'elle-même. Sinon, demandez le lien : vous tomberez sur la fiche Google Business.
3. Ne cherchez pas l'authenticité auprès d'une IA généraliste. Un local, un blog de niche, un compte spécialisé restent de meilleures sources.

La réponse la plus absurde du test

J'ai demandé comment éviter la foule. Réponse : visiter un site touristique majeur à 3 heures du matin.

Sur le papier, imparable. Dans la vraie vie, le site est fermé et moi je dors. La réponse est logique pour la machine, absurde une fois confrontée au terrain.

Le même piège, au bureau

Combien de fois utilise-t-on l'IA pour produire un contenu professionnel en pensant qu'elle a les informations à jour ? Une veille qui cite un dirigeant parti depuis dix-huit mois, un benchmark qui recommande un outil arrêté, une statistique présentée comme actuelle et vieille de trois ans.

Le week-end raté coûte une matinée. Le contenu professionnel faux coûte votre crédibilité.

FAQ

Peut-on organiser un voyage entièrement avec ChatGPT ? Non. L'IA construit une excellente ossature d'itinéraire, mais chaque information pratique doit être vérifiée à une source à jour.

Pourquoi ChatGPT invente-t-il des horaires ou des lieux ? Parce qu'il génère le texte le plus probable, pas une information vérifiée. Combiné à sa date de coupure, cela produit des réponses cohérentes en apparence et fausses sur le fond : une hallucination.

L'IA peut-elle trouver des lieux peu touristiques ? Structurellement non : elle remonte ce qui est le plus documenté en ligne, donc déjà populaire.

💬 À vous

Si vous deviez confier une seule tâche de vos vacances à l'IA, ce serait laquelle ? Dites-le-moi en commentaire.

🎧 Écoutez l'épisode complet de Digital Feeling — le podcast qui décode l'IA pour les pros du marketing, de l'entrepreneuriat et de la formation.

Sources : Randozone / franceinfo (Cauterets, juillet 2026).

💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

4 échecs marquants de l'intelligence artificielle (et ce qu'ils nous apprennent)

L'intelligence artificielle ne rate pas de la même façon qu'un logiciel classique : elle ne "bug" pas, elle produit une réponse fluide et convaincante... qui peut être totalement fausse ou inadaptée. Cet épisode revient sur 4 échecs réels et documentés : un chatbot condamné en justice, un avocat piégé par une jurisprudence inventée, une campagne publicitaire touristique qui tourne au bad buzz, et un géant du café contraint d'abandonner son IA de gestion de stock, pour en tirer des leçons concrètes applicables en entreprise.

Pourquoi s'intéresser aux échecs de l'IA plutôt qu'à ses succès ?

On parle de l'IA sous tous les angles, tout le temps mais rarement de ses flops. Pourtant, tout ne mène pas au succès quand on utilise une IA, et ces ratés en disent souvent plus long sur ses vraies limites que n'importe quel cas d'usage réussi.

Qu'est-ce qu'un "échec d'IA" au juste ?

Définition : un échec d'IA ne correspond généralement pas à un dysfonctionnement technique au sens classique. Le système continue de fonctionner normalement — il produit une réponse statistiquement probable et bien formulée, mais cette réponse peut être factuellement fausse (on parle alors d'hallucination), inadaptée au terrain réel, ou mal anticipée en amont de son déploiement.

4 échecs d'IA documentés1. Le chatbot d'Air Canada condamné pour avoir inventé une politique commerciale

Un client d'Air Canada a demandé au chatbot du site de la compagnie s'il pouvait bénéficier d'un tarif particulier après avoir raté son avion. Le bot a inventé une politique de remboursement rétroactive qui n'existait pas. Air Canada a plaidé que le chatbot était une "entité distincte" non responsable de ses propos : argument rejeté par le tribunal, qui a jugé la compagnie responsable et l'a condamnée à rembourser le client.

Ce que ça nous apprend : si vous développez un chatbot en vous disant "je lui donne le minimum, et pour le reste il ira chercher sur Internet", vous restez responsable de ce qu'il va dire. Il faut donc surveiller de près ce qu'il est susceptible de diffuser.

2. L'avocat piégé par une jurisprudence inventée par ChatGPT

Un avocat américain, pressé par le temps, a utilisé ChatGPT pour trouver un cas de jurisprudence correspondant à celui de son client. L'outil lui en a fourni un... qui n'existait pas. C'était une hallucination pure. Quand le juge a voulu vérifier la référence citée dans la plaidoirie, il a découvert la supercherie, et l'avocat a été condamné à une amende.

Ce que ça nous apprend : sur les sujets à forte exigence factuelle, une réponse d'IA ne se prend jamais "clé en main", elle se vérifie systématiquement.

3. Chamonix et le bad buzz de la pub "générée par l'IA, sublimée par l'homme"

L'office de tourisme de Chamonix-Mont-Blanc a lancé une campagne d'affichage dans le métro parisien, avec de superbes paysages de montagne accompagnés d'animaux dont une famille de renards. La mention "Image générée par l'IA, sublimée par l'homme" figurait en bas de l'affiche. Résultat : un vrai bad buzz, les internautes reprochant à l'office de tourisme de ne pas avoir simplement pris une photo de "ses" montagnes. Sauf que ce n'étaient pas les montagnes qui avaient été générées par IA, mais uniquement les animaux et personnages ajoutés au premier plan, un post dénonçant la démarche a été vu plus de 850 000 fois en 24 heures.

Ce que ça nous apprend : ce n'est pas toujours l'usage de l'IA en tant que tel qui pose problème, mais la façon dont on communique dessus. Une mention mal formulée peut faire naître une polémique disproportionnée par rapport à l'usage réel qui a été fait de l'outil.

4. Starbucks contraint d'abandonner son IA de gestion de stock

Starbucks avait déployé un système d'IA basé sur la vision par ordinateur pour gérer automatiquement le stock de ses magasins. L'outil partait du principe que les éléments visuels à analyser (produits, rayonnages, comptages) seraient toujours parfaitement nets et standardisés. Or le réel est rarement aussi propre : photos imparfaites, textes mal lisibles, situations non anticipées. Résultat : des ruptures de stock, du surstock, et un outil finalement retiré après plusieurs mois d'utilisation, faute d'avoir été suffisamment testé en conditions réelles avant son déploiement à grande échelle.

Ce que ça nous apprend : un outil d'IA construit sur l'hypothèse que "tout sera fait parfaitement" par des humains est voué à l'échec parce que nous ne sommes justement pas des machines qui produisent des données parfaitement standardisées.

Les 3 réflexes à garder en tête pour éviter ces pièges en entreprise

1. Ne jamais publier ou diffuser une réponse d'IA sans relecture humaine attentive, même quand elle semble parfaitement construite, la relecture en diagonale ne suffit pas.
2. Tester l'IA sur des cas limites avant de la déployer : tendez-lui des pièges, posez des questions absurdes ou sensibles pendant la phase de test, c'est là, et non une fois en production, qu'il faut chercher les failles.
3. Accepter que l'IA se trompe et prévoir un plan B : un outil qui peut halluciner doit toujours avoir un filet de sécurité humain derrière lui, avec la possibilité de reprendre la main ou d'arrêter un système qui deviendrait incontrôlable.

Ce qu'il faut retenir

Ces quatre exemples n'ont rien d'anecdotique : ils concernent une grande compagnie aérienne, un cabinet d'avocats, un office de tourisme, et l'une des plus grandes chaînes de café au monde. Aucune organisation n'est à l'abri, quelle que soit sa taille ou son expertise.

Ces flops ne représentent pas la majorité des usages de l'IA mais ce sont des rappels utiles de ce qu'elle est réellement : un outil puissant, mais pas infaillible, et pas autonome dans son jugement. La vraie compétence à développer n'est donc pas seulement de savoir utiliser l'IA, mais de prendre le temps de la tester, de la relire, et de la documenter avant de lui faire confiance en production.

Sources

• France 3 Régions, Clubic, Alpine Mag, Dynamique Mag — bad buzz de la campagne publicitaire de Chamonix (novembre 2023)
• Reuters, TechRadar, Solutions Numériques, Buzznews — abandon du système d'IA de gestion de stock de Starbucks (mai 2026)

💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.

Gardez son esprit critique face à l'IA

On tape une question dans une IA générative, la réponse arrive, formulée avec assurance, bien construite et on la croit. C'est exactement le réflexe qu'on a développé avec Google depuis vingt ans : ce qui sort en premier doit être vrai. Sauf qu'un moteur de recherche et une IA générative ne fonctionnent pas du tout de la même façon, et c'est précisément ce qui explique la majorité des erreurs que je vois en formation.

Dans ce 165ème épisode, je reviens sur un point que je martèle à chaque session : les outils d'IA sont probabilistes, pas déterministes. Et sans esprit critique, cette différence peut coûter cher.

Pourquoi une IA générative peut se tromper avec assurance

Une IA générative ne « comprend » pas une demande au sens strict. Elle calcule, mot après mot, la suite la plus probable compte tenu du contexte et de tout ce qu'elle a appris. Ce fonctionnement statistique a une conséquence directe : l'outil peut produire une réponse fausse tout en la formulant avec la même assurance qu'une réponse juste. Rien, dans le ton du texte généré, ne signale une incertitude.

C'est ce qui distingue fondamentalement une IA générative d'un moteur de recherche classique : Google renvoie des pages existantes à vérifier, une IA générative fabrique une réponse, parfois exacte, parfois non.

Qu'est-ce qu'une hallucination IA ? (définition)

Une hallucination IA est une information générée par l'outil qui paraît plausible mais qui est fausse ou inventée. Elle peut prendre plusieurs formes :

• une date erronée ou obsolète
• un chiffre ou une statistique inventés
• une citation mal attribuée à la mauvaise personne
• un indicateur (KPI) ou une notion qui n'existe tout simplement pas

L'exemple que je donne dans l'épisode : un de mes stagiaires en formation avait reçu de l'IA un KPI qui n'existait pas. Plutôt que de vérifier ailleurs, il a fait confiance à l'outil — et s'est retrouvé à défendre une notion inventée. Le réflexe à avoir aurait été simple : croiser l'information sur Google, sur un autre LLM, ou challenger directement l'IA en lui demandant de préciser sa source.

Une cause fréquente d'hallucination : la date de connaissance de l'IA

Point souvent ignoré en formation : par défaut, la base de connaissances d'un LLM s'arrête à une date donnée (autour de 2024 pour la plupart des modèles au moment de l'épisode). Si votre prompt ne précise pas qu'on est en 2026, l'IA peut tout simplement répondre avec des données obsolètes de deux ans — sans vous prévenir.

Réflexe simple à adopter : indiquez systématiquement la date actuelle dans votre prompt, ou activez la recherche web quand l'outil le permet (ChatGPT, Claude, Perplexity). Cette seule précision réduit considérablement le risque de récupérer une information périmée.

6 réflexes pour vérifier une réponse d'IA générative

# Réflexe Pourquoi ça marche 1 Préciser la date actuelle dans le prompt Évite que l'IA reste bloquée sur sa base de connaissances par défaut 2 Demander explicitement une recherche web Force l'outil à aller chercher une information à jour 3 Demander de citer ses sources L'absence de source est un premier signal d'alerte 4 Cliquer et lire réellement les sources citées Le résumé de l'IA et le contenu réel de la source ne correspondent pas toujours 5 Demander « es-tu sûr de ta réponse ? » Pousse l'IA à revérifier les chiffres avancés 6 Demander une auto-évaluation sur 10, puis demander d'atteindre 10/10 Incite l'IA à affiner et préciser sa réponse

Sur le réflexe n°4 : j'ai un exemple personnel avec Perplexity, sur une recherche à propos d'une fonctionnalité de véhicule. L'outil m'avait donné plusieurs sources, dont une vidéo YouTube. En regardant l'intégralité de la vidéo, l'information censée s'y trouver n'existait tout simplement pas. Conclusion : toujours vérifier la source elle-même, pas seulement le résumé qu'en fait l'IA.

Quel outil pour minimiser les hallucinations ?

Outil Point fort observé Point de vigilance Perplexity Le plus fiable sur la fiabilité des sources citées, particulièrement en recherche web Vérifier tout de même le contenu réel des sources Claude Réponses très complètes Davantage sujet aux hallucinations selon mon usage

Ce que la fiabilité de l'IA ne remplace pas : votre expertise

Le point le plus important de l'épisode n'est pas technique, il est méthodologique : ce qui nourrit réellement une IA, c'est le feedback qu'on lui donne. Et ce qui enrichit votre pratique, c'est votre propre expertise métier — pas le premier résultat généré. Trop de personnes, y compris en formation, s'arrêtent à la première réponse en se disant « je l'améliorerai plus tard ». C'est l'inverse du bon réflexe : il faut challenger l'IA avant de considérer la réponse comme acquise.

En résumé

Garder son esprit critique face à l'IA générative, ce n'est pas douter de tout en permanence — c'est adopter quelques réflexes simples et systématiques : contextualiser la date, demander des sources, les vérifier réellement, et challenger l'outil sur sa propre confiance. Ce sont ces petits gestes, répétés, qui transforment l'IA d'un outil qu'on subit en un outil qu'on pilote.

💡 Soutenez le podcast :

✅ Abonnez-vous à DigitalFeeling sur LinkedIn

✅ Rejoignez ma newsletter : substack.com/@elodiechenol

✅ Laissez 5 ⭐ sur Apple Podcasts ou Spotify

✅ Partagez cet épisode à un dirigeant qui en aurait besoin

🎙️ Abonnez-vous à Digital Feeling sur votre plateforme d'écoute préférée pour ne manquer aucun épisode.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.