IA 3 jours

Formation 3 jours IA pour Team M2i

Programme des trois journées.

1. Jour 1 — L’environnement, le marché, les outils
2. Jour 2 — Le prompt
3. Jour 3 — L’image

Jour 1 — L'environnement, le marché, les outils

Le phénomène ChatGPT : les chiffres

Lancement en novembre 2022 : 1 million d'utilisateurs en 5 jours, 100 millions d'utilisateurs mensuels en 2 mois. Instagram avait mis environ 2 ans et demi pour atteindre ce cap, TikTok 9 mois.

La progression ne s'est pas arrêtée : 400 millions d'utilisateurs actifs hebdomadaires en février 2025, 800 millions en octobre 2025, 900 millions annoncés par OpenAI fin février 2026.

Aujourd'hui, on est passé à l'échelle du milliard. ChatGPT a franchi le milliard d'utilisateurs actifs mensuels au printemps 2026. Gemini l'a annoncé à son tour le 11 août 2026 — le produit le plus rapide de l'histoire de Google à atteindre ce seuil, alors qu'il était encore à 400 millions quinze mois plus tôt. Deux outils à plus d'un milliard d'utilisateurs mensuels chacun : ce n'est plus une niche ni un effet de mode.

Côté payant : plus de 50 millions d'abonnés grand public chez OpenAI, contre une vingtaine de millions début 2025.

Attention en présentation : les chiffres qui circulent mélangent utilisateurs quotidiens (DAU), hebdomadaires (WAU) et mensuels (MAU). Le mensuel est toujours le plus flatteur. Toujours préciser l'unité, sinon les comparaisons entre outils ne veulent rien dire — c'est la source de la moitié des débats qu'on voit passer.

Pourquoi ça a si bien marché

Performance — Le modèle mis en ligne fin novembre 2022 était GPT-3.5. La technologie n'était pas neuve en soi — GPT-3 existait depuis 2020, mais réservé aux développeurs via une interface technique. La nouveauté, c'est que pour la première fois le grand public y a eu accès directement, dans une simple fenêtre de conversation. Un outil qui répond correctement, dans un français naturel, sur presque n'importe quel sujet : l'écart avec les chatbots que les gens connaissaient jusque-là était tellement net qu'il a créé un effet « waouh » immédiat.

Gratuité — Aucune barrière à l'entrée. Pas de licence, pas de devis, pas de service informatique à solliciter : on crée un compte et on essaie. C'est ce qui a permis la diffusion par le bouche-à-oreille, y compris dans les entreprises, souvent avant que la direction ne s'en aperçoive.

Polyvalence — C'est sans doute le facteur le plus déterminant. Un seul outil, et trois niveaux de polyvalence qui se cumulent :

Polyvalent dans la vie perso comme dans la vie pro : rédiger une lettre de motivation le soir et une note de synthèse le lendemain matin, avec le même réflexe et la même interface. C'est ce qui a fait entrer l'outil dans les entreprises — par les collaborateurs eux-mêmes, pas par la DSI.

Polyvalent tous secteurs, tous métiers : formation, commerce, RH, juridique, santé, industrie, artisanat, associations. Aucun secteur ne peut dire « ça ne me concerne pas », ce qui est rarement le cas d'une technologie.

Polyvalent sur les usages et sur les formats : recherche d'information, rédaction et réécriture, mais aussi l'image, la vidéo, l'audio et la voix. On est passé d'un outil de texte à un outil multimodal, capable de lire un document, de regarder une photo, d'écouter et de répondre à l'oral.

Là où chaque logiciel réglait un problème précis, celui-ci en couvre des dizaines. C'est ce qui rend l'usage quotidien évident quel que soit le métier — et c'est aussi ce qui le rend difficile à cadrer pour une entreprise, on y reviendra en journée 3.

Simplicité d'accès — Une zone de saisie, en langage courant. Aucune formation préalable, aucun manuel, aucune syntaxe à apprendre. L'interface la plus banale possible, ce qui est précisément sa force.

Évolutions constantes — L'outil de l'an dernier n'est plus celui d'aujourd'hui. Nouvelles versions, nouvelles fonctionnalités, nouvelles modalités (voix, image, fichiers, agents) : l'utilisateur a en permanence le sentiment que ça progresse, ce qui entretient l'usage et l'attention médiatique.

Les évolutions constantes : le démontrer plutôt que le dire L'image, avec Midjourney — Montrer les versions successives sur un même sujet : des premières images floues, aux mains à six doigts et aux visages déformés, jusqu'à des rendus qu'on ne distingue plus d'une photographie. C'est la démonstration la plus parlante du rythme de progression — en très peu d'années.

La vidéo — Partir du fameux « Will Smith qui mange des pâtes » : visage qui se déforme, fourchette qui traverse la main, aucune cohérence d'une image à l'autre. Enchaîner sur les modèles récents type Veo 3, qui génèrent une scène cohérente avec le son et les dialogues, puis sur les rendus les plus récents (Seedance et la séquence Brad Pitt / Tom Cruise sur le toit d'un immeuble). Le public voit en trois extraits ce que dix pages d'explications ne feraient pas passer.

Les performances mesurées : trois exemples chiffrés — L'image et la vidéo se voient. Les performances, elles, se mesurent — voici trois séries de chiffres à citer, avec leur source.

Résoudre un vrai problème informatique (benchmark SWE-bench Verified — on donne au modèle un bug réel issu d'un projet open source et on regarde s'il produit un correctif qui passe les tests). Mi-2024, GPT-4o tournait autour de 23 à 33 % de problèmes résolus. En janvier 2025, o1 atteignait 64,6 %. En mai 2025, Claude Opus 4 passait à 73,2 %. Début 2026, les meilleurs modèles sont autour de 81 %. En moins de deux ans, on passe d'un modèle qui échoue trois fois sur quatre à un modèle qui réussit quatre fois sur cinq. Source : leaderboard SWE-bench (swebench.com) et publications des éditeurs.

La durée des tâches que le modèle peut mener seul (travaux de METR, laboratoire d'évaluation indépendant). METR mesure la durée qu'un professionnel humain mettrait à faire une tâche que le modèle réussit une fois sur deux. Résultat : GPT-2 en 2019 plafonnait à quelques secondes ; Claude 3.7 Sonnet, début 2025, à environ 50 minutes ; les modèles de début 2026 approchent la dizaine d'heures. Surtout, METR observe un doublement de cette durée tous les sept mois environ depuis six ans, avec une accélération récente. Source : METR, « Measuring AI Ability to Complete Long Tasks » (mars 2025) et mise à jour Time Horizon 1.1 (janvier 2026). C'est le chiffre le plus parlant pour expliquer pourquoi les agents arrivent maintenant et pas il y a deux ans.

La quantité d'information traitable en une fois (fenêtre de contexte, publiée par les éditeurs).

GPT-3.5 en novembre 2022 : environ 4 000 tokens, soit une dizaine de pages. La famille GPT-5.6 en 2026 : environ 1,05 million de tokens, soit plusieurs milliers de pages. Un facteur d'environ 250 en trois ans. Concrètement, on est passé de « résume-moi ce paragraphe » à « analyse-moi ce dossier complet ». Source : documentation tarifaire et technique d'OpenAI.

Ce que ça change pour l'utilisateur, concrètement — Les benchmarks parlent aux techniciens ; en salle, il faut traduire. Quatre bénéfices directement perceptibles : Une meilleure rédaction. Les textes produits sont plus justes de ton, mieux structurés, moins génériques. On est passé du brouillon qu'il fallait entièrement reprendre au texte qu'on ajuste.

Une meilleure analyse. Le modèle tient un raisonnement sur plusieurs étapes, croise des documents longs, repère des incohérences dans un tableau ou un contrat. C'est le gain le plus net pour les métiers de bureau.

Un assistant du quotidien, avec les agents. Le modèle ne se contente plus de répondre : il exécute des enchaînements de tâches, se connecte aux outils, prend en charge un processus complet. C'est le prolongement direct des chiffres de METR ci-dessus.

De moins en moins d'erreurs — donc plus de confiance. C'est le point de bascule pour l'adoption : tant que l'utilisateur devait tout revérifier, le gain de temps était illusoire. À mesure que la fiabilité progresse, l'outil entre dans la routine de travail.

Nuance à garder en tête, et à assumer devant un public averti : la fiabilité progresse, mais elle ne progresse pas de façon linéaire ni uniforme. Les mesures 2026 donnent des taux d'erreur factuelle allant de 22 % à 94 % selon les modèles et les sujets (benchmark AAOmniscience, cité par le Stanford AI Index 2026), et certains modèles récents font moins bien que leurs prédécesseurs sur des tâches de synthèse fidèle. Ce qui améliore vraiment la fiabilité aujourd'hui, ce n'est pas seulement la nouvelle version, c'est l'accès à des sources (recherche web, documents fournis) et la vérification humaine. Dire l'inverse vous exposerait à être démenti en salle — et c'est précisément ce qui prépare la journée 3.

Le message à faire retenir — Ce n'est pas seulement que « c'est mieux ». C'est que l'écart s'est creusé en quelques mois seulement, et qu'un jugement porté sur ces outils il y a un an est déjà périmé.

Explication des termes

Fonctionnement, et pourquoi les réponses varient — Le modèle ne récite pas une réponse stockée : il calcule, mot après mot, ce qui vient probablement ensuite, et tire au sort dans les possibilités les plus probables. D'où le point à marteler en formation : deux fois la même question peut donner deux réponses différentes. Ce n'est pas un bug, c'est le principe. La conséquence pratique, c'est que la qualité et la stabilité du résultat dépendent de la précision du prompt : plus la consigne est cadrée (rôle, contexte, format, contraintes), moins la marge d'interprétation est grande, et plus le résultat est reproductible.

Machine Learning

L'apprentissage automatique. Au lieu d'écrire des règles à la main (« si le mail contient tel mot, alors c'est un spam »), on montre à la machine un grand nombre d'exemples et elle en déduit elle-même les régularités. Le programme n'est plus écrit, il est entraîné.

D'où ça vient — Le terme est ancien : il est forgé par Arthur Samuel (IBM) en 1959, à propos de son programme qui apprenait à jouer aux dames. Les racines statistiques remontent plus loin — le perceptron de Frank Rosenblatt en 1957, la théorie bayésienne au XVIIIᵉ siècle. Le machine learning devient industriel dans les années 1990-2000 avec les machines à vecteurs de support (SVM), les forêts aléatoires et le boosting. Il bascule dans une nouvelle ère à partir de 2012 avec le deep learning (voir le terme suivant).

Ce que ça a rendu possible — L'automatisation sans règles à écrire : filtrage anti-spam, moteurs de recommandation (Amazon, Netflix, YouTube), scoring de crédit, détection de fraude bancaire, prédiction de la demande, maintenance prédictive en industrie. Partout où un humain aurait été incapable d'énumérer toutes les règles, la machine dégage les régularités elle-même à partir des exemples.

Ses limites, dépassées par le deep learning — Le machine learning « classique » exigeait qu'un humain décrive à l'avance les caractéristiques (« features ») à regarder. Pour reconnaître un chat sur une image, un ingénieur devait spécifier « contours, ratios d'aspect, motifs de fourrure ». Résultat : peu performant sur des données brutes (image, son, texte long), plafond bas en reconnaissance visuelle et en traduction automatique. Le deep learning fait sauter ce verrou en 2012 (AlexNet écrase le benchmark ImageNet) : le réseau de neurones apprend luimême les caractéristiques pertinentes, couche par couche, sans qu'un humain ait à les décrire.

Pourquoi c'est encore massivement utilisé aujourd'hui — Malgré le vacarme autour du deep learning et des LLM, le ML classique reste dominant dans l'entreprise, pour de très bonnes raisons.

Coût d'entraînement et d'inférence dérisoires. Un arbre de décision ou un XGBoost s'entraîne en secondes sur un ordinateur portable — pas de GPU, pas de facture cloud à plusieurs milliers d'euros. À l'exécution, une prédiction coûte des microsecondes ; un LLM sur les mêmes données coûterait des millisecondes et des fractions de centime multipliées par des millions d'appels.

Les données réelles de l'entreprise sont tabulaires. ERP, CRM, comptabilité, ventes, RH, logistique : tout ça vit dans des tableaux (lignes × colonnes). Sur ce type de données, XGBoost et LightGBM battent encore régulièrement les réseaux de neurones et remportent la plupart des compétitions Kaggle sur données tabulaires depuis dix ans.

Explicabilité. Une régression logistique ou un arbre de décision se lisent : on peut montrer pourquoi telle demande de crédit a été refusée, pourquoi telle transaction est marquée frauduleuse. C'est indispensable dans les secteurs régulés (banque, assurance, santé, RH), où l'AI Act et le RGPD imposent de justifier une décision automatisée. Un deep learning est une boîte noire, un LLM encore plus.

Fonctionne sur peu de données. Un modèle classique peut apprendre utilement à partir de quelques centaines d'exemples. Un réseau de neurones profond en demande des dizaines de milliers, un LLM des milliards.

Latence et embarqué. Les modèles classiques tiennent sur un smartphone, un capteur IoT, une caisse enregistreuse — pour du temps réel sans connexion. Impossible avec un LLM.

Fiabilité et maturité. Trente ans de recul sur les métriques, les biais, les modes d'échec. Les équipes MLOps savent monitorer un XGBoost en production. Elles apprennent encore à monitorer un LLM.

Cas d'usage typiques encore couverts par du ML classique en 2026 : détection de fraude à la carte bancaire (temps réel, millions de transactions par jour), scoring de crédit, prédiction du churn client, maintenance prédictive industrielle (vibrations d'une machine → panne dans 3 jours ?), tarification dynamique (assurance, transport, hôtellerie), tri d'e-mails spam, systèmes de recommandation à grande échelle, prévision de la demande. Dans ces domaines, on choisit le LLM uniquement quand le ML classique plafonne — pas l'inverse. La bonne question à poser en salle : « quel est le coût par prédiction, et combien de prédictions par jour ? » — la réponse désigne l'outil bien mieux que le buzz.

Les outils pour en faire — Écosystème Python dominant.

scikit-learn — la bibliothèque de référence pour le ML classique (régression, arbres de décision, SVM, clustering, forêts aléatoires).

pandas + numpy — manipulation et calcul sur les données tabulaires.

TensorFlow, PyTorch, Keras — pour le deep learning (voir terme suivant).

Jupyter Notebook, Google Colab, Kaggle — environnements interactifs pour exécuter du code, voir les résultats et garder les commentaires dans le même document.

Côté no-code : Google AutoML, Azure ML Studio, Vertex AI, DataRobot — utile pour montrer qu'aucune ligne de code n'est indispensable, mais le contrôle et la personnalisation sont moindres.

Exemple simple à montrer en salle avec Google Colab — Ouvrir colab.research.google.com, créer un nouveau notebook, coller ces 10 lignes, exécuter (Maj + Entrée). L'exemple canonique : prédire l'espèce d'une fleur d'iris (3 espèces possibles) à partir de 4 mesures (longueur et largeur du pétale et du sépale). Le modèle est entraîné sur 105 exemples et testé sur 45 qu'il n'a jamais vus.

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score X, y = load_iris(return_X_y=True) X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42 ) model = DecisionTreeClassifier() model.fit(X_train, y_train)

Résultat typique : autour de 0,95 (95 % de bonnes réponses). En trente secondes, on a montré tout le pipeline : données → séparation train/test → choix du modèle → entraînement ( fit ) → prédiction → évaluation. C'est le meilleur moyen de dédramatiser la mécanique avant d'aborder les modèles plus impressionnants.

Deep Learning

Une famille de machine learning qui empile de nombreuses couches de neurones artificiels.

Chaque couche extrait un niveau d'information de plus en plus abstrait. C'est ce qui permet de traiter des données brutes — texte, image, son — sans qu'un humain ait à décrire à l'avance ce qu'il faut regarder.

En quoi ça diffère du machine learning classique — Deux différences structurent tout le reste.

Extraction automatique des caractéristiques. En ML classique, un humain concevait les « features » (contours d'une image, longueur de mots dans un texte, moyennes mobiles dans une série). En deep learning, ces représentations émergent d'elles-mêmes, couche par couche, pendant l'entraînement. Sur une image de chat, les premières couches détectent des bords et des textures, les suivantes des yeux et des oreilles, les dernières « chat ». C'est le verrou que le deep learning fait sauter en 2012 (AlexNet sur ImageNet).

Passage à l'échelle sur données brutes. Plus on lui donne de données et de calcul, plus il progresse — de façon prévisible (les « scaling laws » publiées par OpenAI en 2020). Là où un XGBoost plafonne rapidement, un réseau profond continue de gagner en performance tant qu'on l'alimente. C'est ce qui a fait naître les LLM : plus de paramètres, plus de texte, plus de GPU → meilleur modèle.

Conséquences pratiques : le deep learning excelle sur les données brutes (image, son, texte, vidéo, ADN) et sur les tâches génératives ; il exige des volumes de données colossaux, du matériel spécialisé (GPU/TPU), et reste peu explicable. À l'inverse, sur des tableurs de 5 000 lignes, un XGBoost est presque toujours plus efficace, plus rapide, plus lisible.

Comment ça fonctionne dans les grandes lignes — Un réseau de neurones est un empilement de couches, chacune faisant deux choses simples : une combinaison pondérée des entrées, puis une transformation non-linéaire (« fonction d'activation »). Les poids sont initialisés au hasard puis ajustés pendant l'entraînement par un algorithme appelé rétropropagation du gradient : le réseau fait une prédiction, on mesure l'écart avec la bonne réponse (fonction de perte), on remonte cet écart couche par couche et on ajuste chaque poids pour réduire l'erreur.

On répète des milliards de fois. À la fin, les poids encodent une représentation utile du problème.

Les grands types de réseaux à connaître —

MLP (perceptron multicouche) — l'architecture historique, couches entièrement connectées. Base pédagogique, encore utile pour des sorties structurées à partir de features.

CNN (Convolutional Neural Network) — spécialisé pour l'image et tout ce qui a une structure spatiale. Inventé par Yann LeCun dans les années 90 (LeNet, reconnaissance de chiffres postaux), a explosé en 2012 avec AlexNet. Encore la référence pour la vision embarquée et la vidéo.

RNN / LSTM — pour les séquences (texte, audio, séries temporelles). Traitement mot par mot, mémoire compressée. Dominant jusqu'en 2017, largement remplacé par le Transformer sur le texte, mais encore utilisé en séries temporelles courtes.

Transformer — l'architecture d'attention publiée par Google en 2017 (« Attention is all you need »). Détaillée à part dans ce lexique. C'est la base de tous les LLM modernes (GPT, Claude, Gemini, Mistral), mais aussi de modèles de vision (Vision Transformer / ViT), d'audio (Whisper) et de biologie (AlphaFold 2 & 3).

GAN (Generative Adversarial Network) — deux réseaux en duel, l'un génère, l'autre juge.

Inventé par Ian Goodfellow en 2014, a longtemps dominé la génération d'images.

Autoencoder / VAE — apprennent une représentation compressée d'un signal (compression, débruitage, détection d'anomalies).

Diffusion — la nouvelle génération pour l'image (depuis 2022). Le modèle apprend à retirer du bruit d'une image progressivement, jusqu'à faire émerger un contenu depuis du pur bruit.

Base de Stable Diffusion, Midjourney, DALL-E 3, et depuis peu Nano Banana.

En pratique aujourd'hui, deux architectures dominent : Transformer pour tout ce qui est séquentiel ou multimodal, et Diffusion pour tout ce qui génère du visuel.

Les outils —

PyTorch (Meta, 2016) — devenu le standard de la recherche et de l'industrie. La quasi-totalité des modèles publiés en 2024-2026 le sont en PyTorch.

TensorFlow (Google, 2015) — historique, encore très utilisé en production côté Google et sur mobile (TensorFlow Lite).

Keras — surcouche haut niveau, intégrée à TensorFlow. La façon la plus simple d'écrire un premier réseau.

JAX (Google) — pour la recherche haute performance, dérivation automatique et compilation XLA.

fastai — surcouche pédagogique sur PyTorch, célèbre pour son cours en ligne (Jeremy Howard).

Hugging Face — le GitHub des modèles pré-entraînés. Des dizaines de milliers de modèles téléchargeables, avec la bibliothèque transformers qui les charge en 3 lignes.

Matériel : GPU Nvidia (écosystème CUDA, ~90 % du marché), TPU Google (accessibles sur Google Cloud et Colab), accélérateurs dédiés récents (Cerebras, Groq, Trainium d'AWS).

Environnements pour démarrer sans matériel : Google Colab (GPU gratuit limité, T4 en payant), Kaggle Kernels (30 h de GPU gratuit par semaine), Paperspace et RunPod (GPU à la minute).

Point de repère pour la formation : un modèle qui aurait demandé un cluster de 8 GPU en 2018 tourne aujourd'hui sur un simple laptop avec un GPU intégré, grâce aux versions distillées et à la quantification. La barrière matérielle baisse à chaque année.

NLP (traitement automatique du langage)

Le domaine qui fait travailler la machine sur le langage humain : comprendre, traduire, résumer, classer, générer. C'est le champ historique dans lequel s'inscrivent les outils actuels.

C'est quoi, plus précisément — Le NLP (Natural Language Processing) est la branche de l'intelligence artificielle qui traite le langage humain sous toutes ses formes — texte écrit, parole, dialogue. C'est un champ ancien, apparu dès les années 1950 avec les premières traductions automatiques russe → anglais et le programme ELIZA en 1966 (première conversation homme-machine). Sa difficulté vient de la nature même du langage : ambigu (« l'avocat » = fruit ou métier ?), contextuel (« il fait froid » peut être une constatation ou une demande de fermer la fenêtre), culturel, en évolution permanente. Il croise linguistique, statistiques et machine learning.

Les tâches typiques du NLP :

Classification — sentiment (positif/négatif), catégorie d'un mail, spam.

Extraction — noms de personnes, lieux, dates, montants dans un texte (Named Entity Recognition).

Traduction — d'une langue vers une autre.

Résumé — condenser un long document.

Question-réponse — trouver une réponse dans un corpus donné.

Génération — écrire un texte à partir d'une consigne (c'est ce que font les LLM).

Reconnaissance vocale et synthèse — de la parole au texte (Whisper) et l'inverse (TTS).

Analyse syntaxique et morphologique — étiquetage grammatical, structure des phrases.

Comment ça fonctionne — l'évolution en quatre âges — Comprendre pourquoi les LLM d'aujourd'hui sont si puissants passe par leur préhistoire.

1950-1980 : approche symbolique et à base de règles. Grammaires écrites à la main, dictionnaires, arbres syntaxiques. Ça marchait sur des jouets (ELIZA, SHRDLU), pas sur le langage réel. La combinatoire explose dès qu'on sort d'un domaine restreint.

1990-2010 : NLP statistique. On compte les cooccurrences de mots (« king » apparaît souvent près de « queen »), on modélise avec des n-grammes, de la classification bayésienne, des modèles de Markov cachés (HMM pour l'étiquetage grammatical et la reconnaissance vocale). IBM invente la traduction statistique. On s'affranchit des règles écrites, mais les représentations restent creuses (un mot = un identifiant sans lien avec les autres).

2013-2017 : les vecteurs de mots et les réseaux récurrents. Word2Vec (Google, 2013) et GloVe (Stanford, 2014) apprennent à représenter chaque mot par un vecteur numérique, dans un espace où les mots proches en sens sont proches géométriquement. Célèbre exemple : vecteur(roi) - vecteur(homme) + vecteur(femme) ≈ vecteur(reine) . Les réseaux récurrents (RNN, LSTM) lisent les phrases mot après mot pour traduire ou générer. Google Translate bascule en neural en 2016 — saut de qualité perceptible du jour au lendemain.

2017 → aujourd'hui : les Transformers. Le paradigme actuel. La suite du lexique le détaille (voir Transformer et LLM). C'est la rupture qui a permis ChatGPT, Claude, Gemini, la traduction moderne, les résumés fiables, le RAG.

Les limites du NLP « d'avant » dépassées par les Transformers — La portée courte. Les RNN et les LSTM lisaient une phrase mot à mot en compressant tout ce qui précède dans un « état caché » de taille fixe. Résultat : au bout de quinze mots, le début s'efface. L'attention du Transformer met en relation directement n'importe quels mots, même très éloignés — c'est pour ça que le modèle sait maintenant que « clé » est liée à « rouillée » à quinze mots d'intervalle (voir la démonstration détaillée dans la section Transformer ci-dessous).

La lecture séquentielle. Impossible de traiter les mots en parallèle → entraînement lent → impossible d'apprendre sur des volumes colossaux. Le Transformer traite toute la séquence d'un coup → parallélisation totale → entraînement possible sur des milliers de milliards de mots.

La spécialisation par tâche. Chaque tâche (traduction, classification, résumé) exigeait son modèle, entraîné sur son jeu de données étiqueté. Avec les LLM, un seul modèle général sait faire des dizaines de tâches sans réentraînement — il suffit de changer le prompt.

La spécialisation par langue. Un modèle de traduction fr → en, un autre en → es… Les LLM modernes gèrent des dizaines de langues dans le même modèle, et peuvent traduire même vers des paires jamais explicitement entraînées.

La pauvreté de la représentation. Word2Vec donnait un vecteur par mot, sans contexte : « avocat » avait le même vecteur qu'on parle du fruit ou du métier. Le Transformer donne à chaque occurrence son propre vecteur, calculé en fonction de la phrase entière — le sens du fruit s'impose quand « mûr » suit à cinq mots.

L'écart entre compréhension et génération. Avant, comprendre (BERT-style) et générer (GPT-style) étaient deux familles distinctes. Aujourd'hui, un même LLM sait faire les deux, et enchaîne compréhension → raisonnement → génération dans une seule passe.

En pratique, dire « je fais du NLP en 2026 » veut presque toujours dire « j'utilise un LLM pardessus une API » — et les tâches classiques (classification, extraction) sont désormais résolues en deux lignes de prompt là où il fallait un projet de six mois avec un data scientist.

Transformer

L'architecture publiée par Google en 2017 (« Attention is all you need »), qui a tout débloqué.

C'est le « T » de GPT. Le mieux est de le faire sentir en comparant avant et après, sur une phrase :

Avant le Transformer — la machine lisait le texte comme on déroule une bande : un mot, puis le suivant, de gauche à droite, en gardant en mémoire un résumé compressé de ce qui précède. Deux conséquences. D'abord, plus la phrase est longue, plus le début s'efface : arrivé à la fin, le modèle ne « voit » plus vraiment le premier mot. Ensuite, la lecture est séquentielle, donc lente et impossible à paralléliser — on ne pouvait pas entraîner sur des volumes de texte gigantesques.

Exemple : « L'avocat que Marie a rapporté du marché était trop mûr. » Un modèle qui lit mot à mot doit choisir un sens pour « avocat » dès qu'il le rencontre — et le mot qui tranche, « mûr », n'arrive qu'à la fin. Il choisit souvent le sens le plus fréquent, celui du métier, et se trompe.

Autre cas, la portée longue : « La clé que le concierge, celui qui travaille depuis vingt ans dans l'immeuble d'en face, avait rangée dans le tiroir du bas, était rouillée. » Entre « clé » et « rouillée », quinze mots. Le lien se perd.

Avec le Transformer — le modèle prend toute la phrase d'un coup et, pour chaque mot, calcule à quel point chacun des autres mots compte pour l'interpréter. C'est le mécanisme d'attention. « Avocat » est directement mis en relation avec « marché » et « mûr » : le sens du fruit s'impose, quelle que soit la distance. Et « clé » reste connectée à « rouillée » même à quinze mots d'écart, parce que la distance ne coûte plus rien.

Ce que ça change concrètement : la compréhension du contexte long (un modèle peut aujourd'hui traiter un rapport entier sans perdre le fil), et la possibilité de tout traiter en parallèle — donc d'entraîner sur des volumes de texte colossaux. Sans cette seconde propriété, aucun des outils dont on parle aujourd'hui n'existerait.

L'image à donner en salle : avant, la machine lisait avec un doigt sur la ligne. Depuis, elle voit la page entière et sait quels mots se répondent.

LLM (grand modèle de langage)

Un modèle de type Transformer entraîné sur d'énormes volumes de texte, ce qui lui donne une capacité générale à produire du langage. ChatGPT, Claude, Gemini ou Mistral sont des interfaces posées au-dessus de LLM. Le modèle, c'est le moteur ; le produit, c'est la voiture.

Prompt

La consigne qu'on donne au modèle. C'est la seule véritable commande dont on dispose, et donc la principale variable sur laquelle on peut agir. D'où la journée entière qu'on y consacrera demain.

Token

L'unité de découpage du texte. Le modèle ne voit ni des lettres ni des mots : il voit des tokens, c'est-à-dire des fragments de mots. C'est la notion la plus utile à faire passer, parce qu'elle explique à la fois les limites et la facture.

Comment un mot est découpé — trois exemples. « Bonjour » : un mot courant, très fréquent dans les données d'entraînement, il vaut 1 seul token. « Anticonstitutionnellement » : trop rare pour exister tel quel, il est découpé en morceaux du type anti / constitution / nelle / ment, soit 4 à 6 tokens. « Bonjour Brice, ça va ? » : environ 7 tokens, parce que la ponctuation et même l'espace avant un mot comptent — « chat » et « chat » précédé d'un espace ne sont pas le même token.

L'ordre de grandeur à retenir : en anglais, 1 token ≈ 0,75 mot. En français, c'est nettement moins favorable — comptez plutôt 1,5 à 2 tokens par mot, à cause des accents et de mots plus longs. Un même texte traduit coûte donc plus cher en français qu'en anglais.

Et ce découpage n'est pas le même d'un modèle à l'autre. Chaque famille (OpenAI, Google, Anthropic, Mistral) a son propre tokeniseur, entraîné sur ses propres données. Le même paragraphe ne fait pas le même nombre de tokens chez ChatGPT et chez Gemini.

Conséquence pratique : on ne peut pas comparer deux tarifs « au million de tokens » sans savoir combien de tokens fait réellement votre texte chez chacun.

Anecdote qui marche bien en salle : demandez à un modèle combien il y a de « r » dans « strawberry ». Il se trompe régulièrement — non par bêtise, mais parce qu'il ne voit pas les lettres, il voit deux ou trois blocs. Ça fait comprendre la mécanique en dix secondes.

Premier usage — la fenêtre de contexte. C'est la quantité de texte que le modèle peut avoir « sous les yeux » en une seule fois : votre consigne, les documents fournis, et tout l'historique de la conversation. Elle se mesure en tokens. Les modèles actuels sont très larges — la famille GPT-5.6 annonce environ 1,05 million de tokens, soit plusieurs milliers de pages. Mais elle reste finie : quand une conversation dépasse la fenêtre, le début est évincé. C'est exactement ce que vivent les utilisateurs quand le modèle « oublie » une consigne donnée une heure plus tôt. Le réflexe à enseigner : ouvrir une nouvelle conversation par sujet plutôt que d'entretenir un fil interminable.

Deuxième usage — la limite en entrée et la limite en sortie, deux plafonds différents et souvent confondus. L'entrée, c'est tout ce que vous envoyez : elle peut aller jusqu'à la fenêtre de contexte. La sortie, c'est ce que le modèle peut écrire en une seule réponse, et elle est bien plus basse — de l'ordre de 128 000 tokens pour GPT-5.6, souvent beaucoup moins selon les réglages. La règle concrète : on peut soumettre un rapport de 500 pages, on ne peut pas en obtenir 500 en retour. Pour produire du volume, il faut découper la demande.

Troisième usage — la tarification en API. Sur une API, on ne paie ni à l'abonnement ni à la question : on paie au million de tokens, et séparément l'entrée et la sortie. La sortie coûte toujours nettement plus cher — chez OpenAI, six fois le tarif d'entrée.

Exemple chiffré (tarifs publics constatés en août 2026, en dollars par million de tokens — à revérifier avant la formation, ces grilles bougent : elles ont déjà été révisées le 30 juillet 2026). GPT-5.5, l'ancien haut de gamme : 5 $ en entrée / 30 $ en sortie. GPT-5.6 Sol, le nouveau haut de gamme : 5 $ / 30 $, soit exactement le même tarif affiché. En dessous, la nouvelle génération ouvre des gammes plus basses : GPT-5.6 Terra à 2 $ / 12 $, et GPT-5.6 Luna à 0,20 $ / 1,20 $ — vingt-cinq fois moins cher que Sol.

Ce que ça raconte : le tarif du haut de gamme n'a pas bougé d'une génération à l'autre. Ce qui change, c'est ce qu'on obtient pour ce prix — un modèle plus efficace résout la tâche en moins de tokens et en moins d'étapes, donc la facture réelle baisse à tarif identique — et surtout l'apparition de gammes basses très agressives. Le levier d'économie n'est pas de négocier le tarif, c'est de choisir le bon modèle pour chaque tâche : le haut de gamme pour du raisonnement complexe, l'entrée de gamme pour résumer ou classer.

Le repère à donner : un million de tokens, c'est environ 750 000 mots en anglais, nettement moins en français. Pour un usage bureautique courant on en est très loin — le coût d'une requête se compte en fractions de centime. Ce qui coûte, c'est le volume et l'automatisation, d'où l'intérêt de comprendre la mécanique avant de brancher un agent qui tourne en boucle.

Agent

Un modèle à qui l'on ne demande plus seulement de répondre, mais d'agir : il décompose un objectif en étapes, utilise des outils (recherche web, fichiers, logiciels, API), observe le résultat et enchaîne jusqu'à atteindre le but. On passe de « rédige-moi un mail » à « traite cette boîte mail ». C'est de là que vient l'expression « IA agentique », et c'est le vrai basculement du moment — d'où les quatre précisions qui suivent.

Ce qui change : jusqu'ici, l'IA produisait du texte et c'est l'humain qui exécutait. Avec l'agentique, l'IA exécute : elle navigue, remplit des formulaires, lit et écrit des fichiers, se connecte à des applications métier, enchaîne les tâches sur plusieurs minutes ou plusieurs heures.

À quoi ça ressemble concrètement : un assistant qui va chercher l'information dans plusieurs sources, produit un document et le range au bon endroit ; un agent qui trie une boîte mail selon des règles données ; un agent de développement qui écrit du code, le teste et corrige ses erreurs tout seul.

Le vocabulaire associé : outils (ou tools), connecteurs, MCP, workflow, orchestration, human in the loop — c'est-à-dire le point de contrôle humain qu'on garde volontairement dans la boucle.

Les limites à annoncer : un agent se trompe aussi, et il se trompe en agissant. D'où trois principes — périmètre restreint, droits limités, validation humaine sur les actions qui engagent. C'est le lien direct avec la séquence sur les vigilances, en fin de journée.

IA agentique

L'application concrète du concept d'agent. Ce n'est pas un nouveau modèle : c'est une façon d'assembler un LLM, des outils (recherche web, fichiers, API, applications métier), une mémoire et une boucle de décision (planifier → agir → observer → corriger). On passe de « je pose une question, l'IA répond » à « je confie une mission, l'IA fait ». C'est le vrai basculement de 20252026, et c'est ce qui rend possibles les usages détaillés en journée 2 (n8n, Dust, Claude Code, Claude Cowork). Le point à retenir : plus l'agent agit longtemps sans supervision, plus la précision du cadrage initial pèse — un agent qui part dans la mauvaise direction y reste.

Trois familles d'outils : bien poser la différence

Avant de citer des noms, il faut distinguer trois modes d'accès. C'est la distinction qui commande tout le reste — le coût, la confidentialité, l'autonomie — et c'est celle que les participants confondent le plus souvent.

1. Propriétaire en accès direct

Le modèle appartient à l'éditeur, reste chez lui, et vous y accédez par son interface web ou son application (site, mobile, extension). Vous ne voyez jamais le modèle lui-même : vous envoyez une question, vous recevez une réponse. C'est le cas de ChatGPT, Claude, Gemini, ou du Chat de Mistral.

Avantages : rien à installer, toujours la dernière version, les fonctions les plus avancées (voix, image, agents, connecteurs), et une assistance en cas de problème.

Limites : vos données transitent chez l'éditeur — d'où l'importance de vérifier son offre professionnelle, qui garantit en général la non-utilisation des données pour l'entraînement.

Vous dépendez aussi de ses choix : un modèle peut changer de comportement, augmenter de prix ou disparaître du jour au lendemain.

Pour qui : la quasi-totalité des usages bureautiques. C'est ce que 99 % des participants utiliseront.

2. Propriétaire en accès API

Même moteur que l'accès direct, mais consommé programmatiquement : l'éditeur expose une API que vos développeurs — ou vos agents (n8n, Dust, Zapier, Claude Code) — interrogent pour intégrer le modèle dans une application interne, un chatbot maison, un workflow d'automatisation. Le modèle reste chez l'éditeur, vous ne récupérez que des réponses via appels HTTP.

Avantages : automatisation et industrialisation, intégration dans vos propres outils, choix fin du modèle et de la gamme tarifaire à chaque appel, versioning stable (vous choisissez la version que vous voulez utiliser).

Limites : facturation à l'usage (par million de tokens — voir les repères ci-dessus), maîtrise technique nécessaire côté équipe ou prestataire, et vos données passent toujours chez l'éditeur — offre entreprise et engagement contractuel indispensables dès qu'on sort du prototype.

Pour qui : les équipes techniques et les métiers qui bâtissent leurs propres outils par-dessus.

C'est la porte d'entrée obligée dès qu'on veut brancher un agent ou automatiser un traitement.

3. Open source / Open weight

L'éditeur publie le modèle lui-même — ses « poids », c'est-à-dire le fichier qui contient tout ce qu'il a appris — et vous pouvez le télécharger et le faire tourner sur vos propres machines. Deux nuances de licence, à distinguer.

Open weight (« à poids ouverts ») — le modèle est téléchargeable mais reste sous licence de l'éditeur : usage commercial restreint au-delà d'un certain seuil, interdictions d'usage, obligation de mentionner l'origine. Llama de Meta est l'exemple type, et une partie des modèles chinois (Qwen d'Alibaba, GLM de Zhipu) relève de cette catégorie.

Open source au sens strict — même principe, mais sous une licence réellement libre (Apache 2.0, MIT) : usage commercial sans restriction, modification et redistribution autorisées. Plusieurs modèles de Mistral, DeepSeek ou Qwen sont publiés ainsi.

Avantages communs : les données ne sortent pas de chez vous, aucun coût à l'usage une fois installé, et une version figée qui ne changera pas sous vos pieds. Le strict ajoute la liberté juridique complète — vous maîtrisez vraiment votre chaîne sur la durée.

Limites : il faut du matériel, des compétences techniques et de la maintenance. Les performances sont en général un cran en dessous du haut de gamme propriétaire. Et « ouvert » ne veut pas dire « libre de tout faire » : la licence s'impose à vous (surtout côté open weight). En open source strict, pas de support ni de garantie, et les garde-fous de sécurité sont à installer vous-même.

Pour qui : les organisations qui ont des contraintes de confidentialité fortes et une équipe technique (open weight) ; celles qui veulent en plus la liberté juridique complète (open source strict).

Le piège de vocabulaire à corriger en salle : dans la presse, « open source » est employé pour tout ce qui est téléchargeable. C'est inexact. Au sens strict, l'open source supposerait aussi de publier les données et le code d'entraînement, ce que presque personne ne fait. Ce qu'on appelle « modèles open source » sont donc, dans l'immense majorité des cas, des modèles à poids ouverts. Faire cette correction vous positionne immédiatement comme quelqu'un qui maîtrise le sujet.

La grille de décision à donner

Trois questions dans l'ordre.

Mes données peuvent-elles sortir de l'entreprise ? Si non, direction Open source / Open weight, hébergé chez vous.

Ai-je les moyens techniques d'héberger et de maintenir ? Si non, on revient à l'accès propriétaire (direct pour les utilisateurs finaux, API pour les intégrations) avec une offre professionnelle.

Enfin : la licence autorise-t-elle mon usage commercial ? C'est la question que tout le monde oublie, et celle qui coûte cher quand on l'oublie.

Les outils de texte

ChatGPT (OpenAI) — chatgpt.com — La référence grand public et le point d'entrée de la plupart des gens. Écosystème le plus large : voix, image, analyse de fichiers, GPT personnalisés, agents. C'est le mètre étalon auquel les participants compareront tout le reste.

Gemini (Google) — gemini.google.com

L'atout est l'intégration : Gmail, Docs, Drive, Android, moteur de recherche.

Fenêtre de contexte très large, ce qui le rend à l'aise sur des volumes documentaires importants.

Pour une entreprise déjà sous Google Workspace, c'est souvent le chemin de moindre résistance.

NotebookLM (Google) — notebooklm.google.com — À citer juste après Gemini, car c'est un objet différent et très adapté à un public de formateurs. On y dépose ses propres sources — documents, PDF, pages web, vidéos, notes — et le modèle ne répond qu'à partir d'elles, en citant systématiquement le passage d'origine. Le risque d'invention chute donc fortement, puisqu'il ne puise pas dans sa mémoire générale. Il génère aussi des synthèses, des plans de révision, des cartes mentales et un résumé audio façon podcast à partir du corpus fourni.

Cas d'usage direct : préparer un module à partir d'un référentiel, exploiter une documentation client, ou donner aux stagiaires un espace de révision alimenté par vos supports.

Claude (Anthropic) — claude.ai — Positionné sur la qualité rédactionnelle, le travail sur documents longs et le code. Très présent en entreprise et chez les développeurs. À signaler aussi pour son positionnement affiché sur la sécurité et le cadrage des usages.

Perplexity — perplexity.ai — Ce n'est pas tout à fait le même objet : c'est un moteur de réponse. Il cherche sur le web et rend une synthèse sourcée, avec les liens. À utiliser quand on a besoin de vérifier et de citer, pas de rédiger.

Mistral (France) — mistral.ai, et le Chat sur chat.mistral.ai — L'acteur français et européen. Arguments à mettre en avant devant un public professionnel : hébergement européen, RGPD, souveraineté des données, modèles ouverts déployables chez soi.

Les outils chinois

Les mentionner permet de montrer que le marché n'est ni uniquement américain, ni figé. Mais avant de citer les noms, il faut poser quatre points de cadrage — sinon le sujet devient soit de la fascination technique, soit du rejet réflexe.

La performance : intéressante, et c'est bien ce qui pose question — Ce ne sont pas des sous-produits. Sur les classements publics, les meilleurs modèles chinois se situent juste derrière les modèles américains de tête, parfois devant sur des tâches précises, et à des tarifs très inférieurs. S'ils étaient mauvais, il n'y aurait pas de débat : c'est précisément parce qu'ils sont bons et bon marché que la question du cadre d'usage se pose.

Des outils alignés sur la ligne du Parti communiste chinois — Interrogés sur Xi Jinping, Tiananmen, Taïwan, le Tibet ou les Ouïghours, ces modèles refusent de répondre, changent de sujet, ou reprennent la position officielle de Pékin. Ce n'est pas un accident technique : la réglementation chinoise impose que les systèmes d'IA soient conformes aux « valeurs socialistes fondamentales ».

L'exemple français à citer — récent et documenté. La direction générale du Trésor, à Bercy, expérimentait depuis début juin 2026 un assistant interne baptisé HéphAIstos, propulsé par Qwen, le modèle d'Alibaba. Une centaine d'agents l'utilisaient. Le 23 juin, l'expérimentation a été interrompue en urgence après des alertes de hauts fonctionnaires signalant des réponses « orientées » ou « biaisées » sur les sujets touchant à la Chine. Le modèle a été remplacé dans la foulée par un modèle de Mistral. Un haut fonctionnaire cité par Le Monde jugeait le choix « gravissime » compte tenu du rôle du Trésor dans le conseil au gouvernement sur la politique commerciale vis-à-vis de la Chine. Sources : AFP et Le Monde, juin 2026.

Pourquoi c'est un bon exemple en formation : ce n'est pas un test de laboratoire, c'est une administration française qui débranche un outil en cours d'usage. Et il fait comprendre que le biais ne se voit pas si on ne le cherche pas — les agents ne l'ont découvert qu'en posant des questions sur la Chine.

Le corollaire honnête, à dire aussi : tous les modèles ont des biais, y compris américains et européens. La différence ici est qu'ils portent sur des sujets géopolitiques identifiables et qu'ils vont dans un sens prévisible.

La question des données — Utilisés via leur service en ligne, vos textes partent sur des serveurs situés en Chine, sous un cadre juridique qui n'est pas le RGPD et qui prévoit un accès des autorités aux données détenues par les entreprises. Pour des documents internes, des données clients ou des informations sensibles, ce n'est pas une question de confiance mais de conformité. Distinguer deux usages très différents : tester le modèle sur le site de l'éditeur — les données sortent — ou installer un modèle ouvert sur ses propres serveurs, où elles restent chez vous. Le second cas change complètement l'analyse : c'est d'ailleurs ce que faisait Bercy, qui exécutait Qwen hors ligne. Le problème rencontré était donc bien un problème de biais, pas de fuite de données.

La stratégie chinoise : du bas coût, et des accusations de copie — C'est le point le plus discuté, et celui à présenter avec le plus de précautions.

Le fait établi : les laboratoires chinois publient des modèles très performants en accès ouvert et à des prix cassés, souvent dix à cinquante fois moins chers que les modèles américains équivalents. Une lecture répandue y voit une stratégie assumée — casser le modèle économique de laboratoires qui ont investi des dizaines de milliards, en rendant la capacité quasi gratuite. Le choc DeepSeek de janvier 2025, qui a fait plonger les valeurs technologiques américaines en une séance, en est l'illustration.

Les accusations de copie, ensuite. La technique en cause s'appelle la distillation : on interroge massivement un modèle concurrent et on entraîne le sien sur ses réponses. En janvier 2025, OpenAI a déclaré disposer d'éléments indiquant que DeepSeek avait procédé ainsi à partir de ses modèles. En février 2026, Anthropic a accusé DeepSeek, MiniMax et Moonshot d'avoir généré plus de 16 millions d'échanges avec Claude via environ 24 000 faux comptes. En juin 2026, la même entreprise a visé Alibaba : près de 25 000 faux comptes et 28,8 millions d'échanges avec Claude entre le 22 avril et le 5 juin, ciblant spécifiquement le code et le raisonnement agentique — accusation portée dans un courrier adressé à des sénateurs américains. Sources : Reuters et Bloomberg, juin 2026.

Ce qu'il faut dire honnêtement : ce sont des accusations, pas des décisions de justice. Les entreprises visées n'ont pas répondu publiquement, aucun audit indépendant n'a tranché, et la distillation est par ailleurs une technique d'entraînement courante et légitime — le litige porte sur le fait de l'avoir pratiquée sans autorisation, en contournant les conditions d'usage.

Des accusations symétriques ont d'ailleurs circulé dans l'autre sens, sans être davantage étayées. La prudence sur ce point vous rendra plus crédible que l'affirmation tranchée.

Le point de vigilance annexe, souvent oublié : un modèle obtenu par distillation hérite des capacités du modèle d'origine, mais pas nécessairement de ses garde-fous de sécurité. C'est l'argument principal des laboratoires américains, et il est plus solide que l'argument commercial.

Les quatre acteurs chinois à connaître

DeepSeek — deepseek.com, chat sur chat.deepseek.com — Celui qui a marqué les esprits, en janvier 2025, en atteignant un niveau comparable aux modèles américains pour une fraction du coût d'entraînement annoncé, et en publiant ses modèles en accès ouvert.

Effet immédiat sur les marchés financiers et sur le discours du « personne ne peut rattraper ». Reste aujourd'hui le champion du rapport performance/prix.

Qwen (Alibaba) — qwen.ai, chat sur chat.qwen.ai — La famille de modèles ouverts la plus large et la mieux classée, déclinée en texte, image et code. Très utilisée comme base par ceux qui hébergent un modèle chez eux. C'est aussi celle de l'épisode Bercy et celle visée par les accusations de juin 2026 — ce qui en fait le cas d'école le plus complet à présenter.

Moonshot AI — moonshot.ai, chat sur kimi.com — Éditeur des modèles Kimi, connus pour leurs très grandes fenêtres de contexte et leurs bonnes performances en code et en usage agentique. Fait partie des laboratoires cités dans les accusations de février 2026.

Zhipu AI — z.ai à l'international, chat sur chat.z.ai — Issu de l'université Tsinghua, éditeur de la famille GLM, également en accès ouvert. L'un des acteurs les plus soutenus par l'écosystème institutionnel chinois, et bien classé sur les tâches de code.

La conclusion à donner en salle — Ces outils sont techniquement crédibles et économiquement agressifs. Cela ne veut pas dire qu'il faut les bannir : cela veut dire que le choix d'un outil n'est plus seulement une question de performance, mais aussi de données, de conformité et de contexte géopolitique. Poser cette grille de lecture ici prépare directement la journée 3.

Vigilances

Dernière séquence de la journée. L'objectif n'est pas de faire peur, c'est de donner une grille de lecture : on ne peut pas utiliser sérieusement un outil sans connaître ses limites et son cadre.

La journée 3 y reviendra en pratique ; ici, on pose les neuf points.

1. Le risque de bugs — Ce sont des services en ligne comme les autres : pannes, lenteurs, coupures, fonctionnalités qui disparaissent ou changent sans prévenir. Une mise à jour de modèle peut modifier le comportement d'un prompt qui fonctionnait la veille. Conséquences pratiques : ne jamais faire dépendre une échéance d'un seul outil, garder ses prompts importants hors de l'outil, et savoir refaire à la main ce qu'on a automatisé. Pour un formateur, la règle est encore plus simple : toujours avoir un plan B pour une démonstration en salle.

2. Les hallucinations — Le modèle produit une affirmation fausse avec le même aplomb qu'une affirmation vraie. Ce n'est pas un défaut passager mais une propriété structurelle : il calcule la suite la plus probable, pas la vérité.

Les mesures 2026 donnent des taux d'erreur factuelle allant de 22 % à 94 % selon les modèles et les sujets (benchmark AA-Omniscience, cité par le Stanford AI Index 2026). Le domaine le plus à risque reste la citation de sources — références inventées, articles qui n'existent pas, chiffres attribués à un rapport qui ne les contient pas.

Ce qui fait vraiment baisser le risque : donner les documents plutôt que de compter sur la mémoire du modèle, activer la recherche web, exiger les sources, et vérifier. Ajouter dans le prompt « si tu n'es pas sûr, dis-le au lieu d'inventer » aide réellement.

La règle à faire retenir : le niveau de vérification doit être proportionnel à l'enjeu. Un brouillon de mail interne, non. Un chiffre dans une proposition commerciale, un article de loi, une référence bibliographique, un dosage : toujours.

3. Les biais — Un modèle reproduit ce qu'il a appris — donc les déséquilibres, stéréotypes et angles morts de ses données d'entraînement, plus les orientations décidées par son éditeur.

Ça se voit sur le genre et les métiers, sur les origines dans les images générées, sur les référents culturels par défaut, souvent américains.

Le cas Bercy vu plus haut en est l'illustration la plus nette, mais aucun modèle n'y échappe.

La bonne posture n'est pas de chercher un modèle neutre — il n'y en a pas — mais de savoir que le biais existe, de le chercher activement sur les sujets sensibles, et de croiser les outils quand l'enjeu le justifie.

Les usages où c'est critique : tout ce qui touche à des personnes. Tri de candidatures, évaluation, sélection, notation. C'est d'ailleurs exactement ce que la réglementation classe en haut risque.

4. Confidentialité et charte d'usage de l'IA — Le risque numéro un en entreprise n'est pas technologique, il est comportemental : des collaborateurs qui collent des documents internes, des données clients ou des informations RH dans un outil grand public, sans mauvaise intention et sans que personne ne le sache.

Les réflexes de base : utiliser les offres professionnelles, qui excluent contractuellement l'usage des données pour l'entraînement ; désactiver l'entraînement dans les réglages des versions grand public ; anonymiser avant de coller ; et ne jamais transmettre ce qu'on n'enverrait pas par mail à un prestataire externe.

La charte d'usage : c'est le livrable à recommander à toute organisation. Elle tient en deux pages et répond à cinq questions — quels outils sont autorisés, quelles données sont interdites, quels usages nécessitent une validation, qui contacter en cas de doute, et comment on signale un incident. Une charte trop restrictive ne protège de rien : elle pousse simplement les usages dans l'ombre. Mieux vaut un cadre réaliste appliqué qu'un cadre idéal contourné.

5. La propriété intellectuelle — Deux questions distinctes, à ne pas mélanger.

En entrée : ce que vous fournissez au modèle. Documents sous NDA, contenus de clients, œuvres protégées — les fournir à un service en ligne peut constituer une divulgation contraire à vos engagements.

En sortie : à qui appartient ce qui est produit ? Les conditions d'usage des grands éditeurs vous cèdent en général les droits sur les sorties. Mais en droit français et européen, la protection par le droit d'auteur suppose une originalité issue d'une personne humaine : un contenu purement généré n'est probablement pas protégeable. Conséquence pratique : vous pouvez l'exploiter, mais vous ne pouvez pas nécessairement empêcher un tiers de faire la même chose. À signaler à ceux qui produisent des supports commerciaux.

Le risque de ressemblance : un modèle peut restituer des formulations très proches de contenus existants. Sur des visuels ou des textes destinés à la publication, une vérification s'impose. Rappeler aussi que les procès en cours contre les éditeurs, sur l'usage d'œuvres protégées pour l'entraînement, ne sont pas tous tranchés — le cadre peut encore bouger.

6. Le RGPD — Il s'applique dès qu'il y a des données personnelles, et l'IA n'y change rien. Les points d'attention : une base légale pour le traitement, l'information des personnes concernées, la minimisation — ne fournir que ce qui est nécessaire — et la localisation des serveurs, avec la question des transferts hors Union européenne.

Les droits des personnes restent dus : accès, rectification, effacement. Or un modèle ne « désapprend » pas facilement, ce qui rend le droit à l'effacement délicat une fois des données personnelles versées dans un service. D'où la règle en amont : on n'y met pas de données personnelles sans avoir tranché la question juridique.

La CNIL a publié des recommandations sur l'IA : c'est la source à donner aux participants, en français et gratuite. Rappeler aussi qu'AI Act et RGPD se cumulent — ils ne traitent pas de la même chose.

7. L'AI Act — Le règlement européen sur l'IA, entré en vigueur le 1er août 2024 et applicable par vagues. Il classe les usages par niveau de risque : pratiques interdites, haut risque, transparence, risque minimal.

Ce qui s'applique déjà : les pratiques interdites et l'obligation de littératie IA depuis le 2 février 2025 ; les obligations des fournisseurs de modèles à usage général depuis le 2 août 2025 ; et depuis le 2 août 2026, les obligations de transparence de l'article 50 — dire à l'utilisateur qu'il parle à une IA, signaler les contenus générés ou manipulés.

Le point d'actualité à connaître, parce qu'il circule mal : la date du 2 août 2026 était présentée partout comme « l'application complète ». Ce n'est plus exact. Le paquet Digital Omnibus, adopté par le Parlement européen le 16 juin 2026 et par le Conseil le 29 juin, a reporté l'essentiel des obligations relatives aux systèmes à haut risque de l'annexe III — recrutement, scoring de crédit, évaluation — à décembre 2027, et à 2028 pour une autre partie. Le reste du calendrier est inchangé.

Ce qui concerne directement un organisme de formation : l'obligation de littératie IA, qui impose de former ses équipes à un usage éclairé — autrement dit, ce que vous êtes en train de faire — et l'obligation de transparence si vous utilisez un agent conversationnel avec vos clients ou publiez des contenus générés. C'est aussi un argument commercial : la formation à l'IA n'est plus seulement utile, elle participe d'une obligation réglementaire.

8. La souveraineté numérique — Le sujet de fond derrière les précédents. Les modèles les plus puissants sont américains ou chinois, les infrastructures aussi. Une entreprise européenne qui bâtit ses processus sur ces outils accepte une dépendance : sur les prix, sur la disponibilité, sur les conditions d'usage, et sur un cadre juridique étranger — le droit américain permettant à ses autorités d'accéder à des données détenues par ses entreprises, y compris hébergées en Europe.

Les réponses possibles, à présenter sans militantisme : les acteurs européens comme Mistral, les offres hébergées en Europe, les modèles ouverts installés sur ses propres serveurs, et le fait de ne pas mettre tous ses processus sur un seul fournisseur.

Le bon niveau d'argumentation : ce n'est pas « il faut acheter français ». C'est « une dépendance doit être choisie, pas subie ». Poser la question — que se passe-t-il si cet outil triple son prix, change ses conditions, ou devient indisponible ? — suffit à faire réfléchir un dirigeant.

9. L'écologie — L'IA consomme de l'électricité et de l'eau, à l'entraînement et à chaque requête. Les centres de données se multiplient, et la consommation électrique du secteur augmente rapidement.

Garder le sens des proportions, dans les deux sens. À l'échelle d'un utilisateur, une requête reste modeste — de l'ordre d'une recherche web un peu coûteuse. À l'échelle du milliard d'utilisateurs quotidiens vus en début de journée, le total n'est plus négligeable du tout. Les deux affirmations sont vraies, et les débats publics confondent souvent les deux échelles.

Les gestes utiles, concrets et sans posture : choisir un modèle proportionné à la tâche — c'est le lien direct avec les gammes tarifaires vues plus haut, le petit modèle est aussi le moins coûteux en énergie — éviter de relancer dix fois la même génération d'image, et ne pas automatiser des traitements massifs sans en mesurer l'utilité réelle.

La transparence reste faible : peu d'éditeurs publient des chiffres vérifiables par requête. Le dire honnêtement vaut mieux que d'avancer des ordres de grandeur repris de seconde main.

Le message de clôture de la journée — Ces neuf points ne sont pas des raisons de ne pas y aller. Ce sont les conditions pour y aller sérieusement. La formule à donner : l'IA ne transfère pas la responsabilité, elle la déplace. Ce n'est plus vous qui produisez, mais c'est toujours vous qui signez.

Jour 2 — Le prompt

C'est quoi, un prompt ?

Définition simple à donner d'emblée : le prompt, c'est la consigne que vous donnez au modèle. C'est votre seule véritable commande — il n'y a ni menu, ni bouton, ni paramètre caché. Tout passe par là.

La comparaison qui fonctionne le mieux en salle : ce n'est pas une requête Google, c'est un brief. Sur Google, on tape trois mots-clés et on trie les résultats soi-même. Avec un modèle, on décrit ce qu'on veut obtenir, comme on le ferait à un stagiaire compétent mais qui ne connaît ni votre entreprise, ni votre dossier, ni vos habitudes. Toute la journée découle de ce basculement : passer du mot-clé au brief.

Rappel de la mécanique vue hier : le modèle calcule la suite la plus probable, avec une part d'aléatoire. Le prompt est donc ce qui réduit la marge d'interprétation. Plus la consigne est cadrée, plus le résultat est stable et reproductible — c'est l'argument à donner à ceux qui trouvent que « l'IA répond n'importe quoi ».

Le message à faire passer avant toute technique : la qualité de la réponse dépend beaucoup plus de la qualité de la demande que du choix de l'outil. C'est une bonne nouvelle, parce que ça, ça s'apprend.

Le prompt itératif

Le principe — On n'écrit pas le prompt parfait du premier coup. On lance une première demande volontairement simple, on regarde ce qui revient, et on corrige : « plus court », « change le ton », « reprends le deuxième paragraphe », « tu as oublié la contrainte de budget ». La conversation est l'outil de travail, pas la première réponse.

Pourquoi ça marche — Le modèle garde le fil de l'échange. Chaque correction s'ajoute au contexte : vous construisez progressivement un cadre de plus en plus précis, sans avoir à tout anticiper. C'est aussi beaucoup plus naturel pour un débutant que de rédiger un prompt structuré de vingt lignes.

Le geste à enseigner — Ne jamais jeter une réponse insatisfaisante pour repartir de zéro.

Dire ce qui ne va pas. « Ce n'est pas ça » est déjà une consigne exploitable ; « c'est trop formel et trop long, je veux le ton d'un mail entre collègues, en cinq lignes » est une consigne excellente.

Les limites à connaître — Une conversation qui s'allonge finit par dériver : le modèle traîne les versions précédentes et les consignes contradictoires. Quand on tourne en rond, le bon réflexe est de repartir sur une conversation neuve, en y injectant d'emblée ce qu'on a appris.

C'est le lien direct avec la fenêtre de contexte vue hier.

Le prompt directif

Le principe — L'inverse de l'itératif : on écrit une consigne complète et structurée dès le départ — rôle, contexte, tâche, contraintes, format attendu — et on obtient un résultat directement exploitable, ou presque.

Quand le préférer — Dès qu'une tâche est récurrente ou que le résultat doit être homogène.

Un compte rendu de réunion, une fiche produit, une réponse type à un client : on écrit le prompt une fois, on le conserve, on le réutilise. C'est là que le gain de temps devient réel et mesurable.

Le vrai bénéfice, à souligner — Un prompt directif devient un actif de l'entreprise. On peut le partager, le faire évoluer, le standardiser dans une équipe. C'est la différence entre un collaborateur qui bricole dans son coin et une organisation qui capitalise.

Comment les articuler — Les deux approches ne s'opposent pas, elles se suivent. On explore en itératif jusqu'à obtenir ce qu'on veut, puis on fige la recette en prompt directif.

Faites-le vivre en salle : c'est l'exercice le plus convaincant de la journée.

L'importance de la dictée vocale

Pourquoi c'est décisif — C'est le conseil qui change le plus vite les pratiques, et le moins souvent donné. Un prompt tapé fait deux lignes parce que taper est fatigant. Un prompt dicté en fait quinze, parce que parler ne coûte rien. Or la richesse du contexte est précisément ce qui fait la qualité de la réponse. La dictée ne fait pas gagner du temps de saisie : elle fait produire de meilleurs prompts.

La dictée native de l'outil — ChatGPT, Claude, Gemini et Le Chat intègrent tous un micro dans l'interface, sur mobile comme sur ordinateur. C'est la voie la plus simple, et la transcription est faite par le modèle lui-même, donc très fiable même sur le vocabulaire métier.

La dictée système sur Windows — Raccourci Windows + H, dans n'importe quel champ de saisie. L'intérêt : ça fonctionne partout — dans le navigateur, dans Word, dans Outlook, dans un CRM — et pas seulement dans l'outil d'IA. Sur Mac, l'équivalent se règle dans les préférences de dictée ; sur mobile, c'est le micro du clavier.

Le conseil de posture — Dites aux participants de parler comme ils expliqueraient la demande à un collègue : dérouler le contexte, les contraintes, ce qu'on veut éviter, à qui ça s'adresse. Peu importe les hésitations et les répétitions — le modèle s'en accommode très bien. C'est l'exercice à faire faire en salle, micro à la main : l'écart de qualité avec le prompt tapé est immédiatement visible.

Écriture complète ou abrégée

La question que tout le monde pose — Faut-il faire des phrases correctes, ou peut-on écrire en style télégraphique ?

La réponse — Le modèle comprend très bien un style abrégé : « mail client retard livraison, ton désolé mais ferme, 5 lignes » fonctionne parfaitement. L'orthographe approximative, les fautes de frappe et l'absence de ponctuation ne dégradent quasiment pas le résultat. Ce qui compte, ce n'est pas la forme, c'est la présence de l'information.

La nuance importante — Abrégé ne veut pas dire vague. Un prompt court mais précis est excellent ; un prompt court et flou donne une réponse générique. Le risque du style télégraphique, c'est d'omettre le contexte en croyant gagner du temps — et de perdre trois allers-retours ensuite.

Le seul cas où la rédaction complète s'impose — Quand la formulation est elle-même le sujet : si vous voulez que le modèle reprenne votre style, ou qu'il travaille sur un texte existant, donnez-lui du texte propre. Il imite ce qu'il reçoit.

La politesse

La question revient toujours — « Est-ce qu'il faut dire s'il vous plaît et merci ? » Elle amuse le groupe, et elle mérite une vraie réponse.

Ce que ça change sur le résultat — Presque rien. La politesse n'améliore pas la qualité des réponses de façon significative. Elle consomme quelques tokens de plus, ce qui est négligeable pour un usage individuel — mais représente des coûts de calcul considérables à l'échelle mondiale, ce qu'OpenAI a d'ailleurs reconnu publiquement.

La nuance mesurée — En revanche, un ton franchement agressif ou méprisant tend à légèrement dégrader les résultats dans les tests. Autrement dit : la politesse n'aide pas beaucoup, mais la brutalité peut nuire un peu. Le neutre efficace est le meilleur réglage.

L'angle intéressant à donner — La vraie question n'est pas technique mais humaine.

Beaucoup de gens restent polis par habitude, et ce n'est pas absurde : on prend rarement des habitudes de communication à géométrie variable. Dans une équipe, c'est aussi un marqueur de la façon dont on parle de l'outil. Conclusion à donner : faites comme vous voulez, ce n'est pas ça qui fera la différence — la différence se joue sur le contexte que vous fournissez.

Astuce 1 — Le méta-prompting

Le principe — Demander au modèle d'écrire le prompt à votre place. On lui explique l'objectif en langage courant, et on lui demande de produire la consigne optimale, qu'on ira ensuite utiliser.

La formulation type — « Je veux obtenir [objectif]. Écris-moi le prompt idéal pour cela, en incluant le rôle, le contexte, les contraintes et le format attendu. Ne réponds pas à la demande, écris seulement le prompt. »

Pourquoi c'est puissant — Le modèle connaît mieux que vous ce à quoi il répond bien. Il pense à des éléments que vous n'auriez pas mentionnés — préciser le public, imposer une structure, interdire certaines formulations. C'est la façon la plus rapide de faire progresser un débutant : il apprend en lisant les prompts qu'on lui génère.

L'usage en formation — Excellent premier exercice de la journée. Chacun décrit une tâche de son quotidien, demande le prompt, puis le teste. On compare ensuite les prompts obtenus : c'est là que la structure devient évidente, sans avoir eu à la théoriser.

Astuce 2 — Le méta-prompting par questionnaire

Le principe — Variante plus efficace encore : au lieu de laisser le modèle deviner votre contexte, on lui demande de vous interroger d'abord.

La formulation type — « Je veux obtenir [objectif]. Avant de rédiger quoi que ce soit, posemoi toutes les questions dont tu as besoin pour produire un résultat vraiment adapté. Une question à la fois. »

Pourquoi c'est supérieur — Le principal défaut des prompts des débutants, ce n'est pas la structure, c'est le manque d'information. Le modèle ne connaît ni votre entreprise, ni votre interlocuteur, ni l'historique du dossier. En vous questionnant, il va chercher exactement ce qui lui manque — et vous fait verbaliser des éléments que vous n'auriez jamais pensé à donner.

Le bénéfice pédagogique — Les participants découvrent en direct tout ce qu'ils omettaient.

Après trois ou quatre passages, ils anticipent les questions et rédigent spontanément de meilleurs prompts. C'est de l'auto-formation par l'outil lui-même.

La variante à connaître — Ajouter « une question à la fois » évite de recevoir une liste de quinze questions décourageante. Et terminer par « quand tu as assez d'éléments, proposemoi le prompt final » boucle proprement avec l'astuce précédente.

Astuce 3 — Le reverse prompting

Le principe — Faire le chemin inverse : on fournit au modèle un résultat qu'on juge bon — un texte, un document, un rendu existant — et on lui demande de reconstituer le prompt qui permettrait de le produire.

La formulation type — « Voici un document que je trouve réussi. Analyse-le, puis écris-moi le prompt qui permettrait d'obtenir un résultat de cette qualité et de ce style pour un autre sujet. »

Les cas d'usage concrets — Reproduire le style d'un rédacteur de l'équipe. Industrialiser un livrable qu'on fait bien mais artisanalement. Comprendre pourquoi une réponse obtenue par hasard était excellente — et pouvoir la refaire. C'est le passage du coup de chance à la méthode.

L'autre usage, souvent oublié — Le reverse prompting sert aussi à décortiquer. Sur un document reçu, il permet de faire expliciter la structure, les intentions, les ressorts d'écriture.

Utile pour analyser une communication concurrente, ou pour former quelqu'un à la rédaction.

Rédiger un prompt : la matrice progressive

La méthode à faire pratiquer en salle : partir du plus simple et enrichir couche par couche, en observant à chaque étape ce que ça change. C'est beaucoup plus efficace que de présenter d'emblée une structure complète, que personne ne retient.

Étape 1 — La demande brute — « Fais [la tâche]. » Exemple : « Rédige un mail d'annulation de réunion. » On obtient quelque chose de générique et d'utilisable à 40 %. C'est le point de départ de tout le monde, et il faut le montrer tel quel.

Étape 2 — Ajouter la matière — « Fais [la tâche] à partir de ces éléments : [contexte, données, contraintes]. » C'est le saut de qualité le plus important de toute la journée, et le plus simple. Le modèle ne devine pas votre dossier : donnez-lui les faits, les noms, les dates, l'historique. Ici, la dictée vocale reprend tout son sens.

Étape 3 — Ajouter le rôle — « Tu es [un responsable commercial expérimenté / un juriste / un formateur]. » Le rôle oriente le vocabulaire, le niveau de détail et les réflexes professionnels. À nuancer honnêtement : l'effet est réel mais modeste sur les modèles récents, bien moins spectaculaire qu'il y a deux ans. Ne pas le survendre.

Étape 4 — Ajouter l'audience — « Ce texte s'adresse à [un client mécontent / un comité de direction / des apprenants débutants]. » Effet immédiat et très visible sur le niveau de langue, la longueur et ce qui est explicité ou non. C'est souvent le levier le plus rentable après le contexte.

Étape 5 — Ajouter le format — « En 5 points / sous forme de tableau à trois colonnes / en 200 mots maximum / avec un objet de mail. » Le format est ce qui rend un résultat directement exploitable au lieu d'être à retravailler. C'est aussi la contrainte la mieux respectée par les modèles.

Étape 6 — Ajouter le style — « Ton direct, sans jargon, phrases courtes » — ou mieux : « dans le style de ce texte que je te fournis en exemple ». Un exemple vaut toujours mieux qu'une description : c'est le principe du reverse prompting, appliqué ici.

Étape 7 — Tout autre élément pertinent — Ce qu'il faut éviter (« pas de superlatifs », « ne pas mentionner le prix »), les sources à utiliser, la langue, ce qu'il faut faire en cas de doute (« si une information te manque, demande-la-moi au lieu de l'inventer » — consigne particulièrement utile). C'est aussi ici qu'on place les contraintes propres à l'entreprise.

Le message final de la séquence — Personne n'a besoin des sept couches à chaque fois.

Pour un usage courant, les étapes 2, 4 et 5 — matière, audience, format — couvrent l'essentiel du gain. Les autres se justifient quand le prompt est destiné à être réutilisé.

Cas d'usage

Après la méthode, la mise en pratique. Cinq familles d'usage à faire travailler, dans cet ordre : elles vont du moins engageant au plus impliquant.

Recherche d'information

Le premier réflexe de tout le monde, et le plus risqué. Le point clé à enseigner : toujours exiger les sources et activer la recherche web. Sans source, une réponse est une hypothèse formulée avec aplomb. Faire pratiquer la formule « réponds uniquement à partir de sources récentes que tu cites, et indique-moi ce que tu n'as pas pu vérifier ». Positionner Perplexity ici comme l'outil dédié. Et poser le principe qui sera repris en journée 3 : plus l'enjeu est fort, plus la vérification est obligatoire.

Rédaction — correction et réécriture

Le cas d'usage le plus rentable et le moins risqué : le contenu vient de vous, le modèle ne fait que le retravailler. Corriger, raccourcir, changer de ton, adapter à un autre public, traduire, transformer des notes en texte propre. Aucun risque d'invention puisque la matière est fournie.

C'est par là qu'il faut faire commencer les plus réticents.

Rédaction — création et production

Un cran au-dessus : produire à partir d'un brief. Mails, comptes rendus, supports, publications, argumentaires, trames de formation. C'est là que la matrice progressive prend tout son sens, et là que les prompts directifs réutilisables se justifient. Le principe à marteler : votre rôle passe de rédacteur à donneur d'ordre et validateur.

Analyse

Le gain le plus sous-estimé. Croiser des documents longs, comparer des versions d'un contrat, extraire des points de désaccord, structurer des retours de questionnaires, repérer des incohérences dans un tableau. C'est ici que la grande fenêtre de contexte vue hier devient concrète. Bien insister sur la démarche : donner les documents, poser une question précise, et demander systématiquement où l'information a été trouvée.

Accompagnement

L'usage le plus discret et souvent le plus apprécié. Le modèle comme partenaire de réflexion : préparer un entretien difficile, faire l'avocat du diable sur une décision, s'entraîner à une objection commerciale, structurer une idée encore floue, apprendre un sujet en se faisant expliquer puis interroger. Deux formulations à donner : « joue le rôle de mon interlocuteur et mets-moi en difficulté », et « explique-moi ce sujet comme à un débutant, puis pose-moi trois questions pour vérifier que j'ai compris ».

Les agents

Explications — Rappel de la journée 1 : un agent ne se contente pas de répondre, il agit. Il décompose un objectif, utilise des outils — recherche web, fichiers, applications — observe le résultat et enchaîne jusqu'au but. La bascule à faire sentir : on ne rédige plus une consigne pour obtenir un texte, on confie une mission et on récupère un travail fait. Ce qui change aussi, c'est le rapport au temps : quelques secondes pour une réponse, plusieurs minutes voire plusieurs heures pour une tâche d'agent.

Ce que ça implique pour le prompt : il devient un cahier des charges. Objectif final, périmètre, ressources autorisées, critères de réussite, et ce qu'il faut faire en cas de blocage. Plus la tâche est longue, plus l'ambiguïté du départ coûte cher — un agent qui part dans la mauvaise direction y reste longtemps.

Le cadre à poser dès maintenant : périmètre restreint, droits limités, validation humaine sur tout ce qui engage — envoi, publication, suppression, dépense. On garde l'humain dans la boucle par conception, pas par méfiance.

Production — L'usage concret et immédiat des agents : leur confier des chaînes de tâches qu'on faisait à la main. Rassembler des informations dispersées et en faire un document ; traiter une série de fichiers de la même façon ; préparer un dossier complet à partir de plusieurs sources ; reprendre un livrable existant et le décliner. La règle pratique : commencer par une tâche qu'on sait faire soi-même et qu'on saura donc vérifier. On n'apprend pas à déléguer sur ce qu'on ne maîtrise pas.

Stratégie — Le niveau au-dessus, celui qui intéresse les décideurs. Quelles tâches méritent d'être confiées à un agent ? Les trois critères : la tâche est répétitive, ses étapes sont décrivables, et son résultat est vérifiable. Si l'un des trois manque, l'agent est une fausse bonne idée. Poser aussi les questions d'organisation : qui écrit et maintient l'agent, qui valide ses sorties, que se passe-t-il quand il se trompe, et comment mesure-t-on le gain réel. C'est ce qui distingue une démonstration impressionnante d'un déploiement qui tient.

Le prévibe coding : les artefacts de Claude

De quoi il s'agit — Décrire en langage courant un petit outil — un calculateur, un simulateur, un formulaire, un tableau de bord, un quiz — et le voir apparaître fonctionnel dans la conversation, sans écrire une ligne de code ni rien installer. On l'ajuste ensuite en continuant à discuter.

Pourquoi commencer par là — C'est le moment qui déclenche le déclic chez les nontechniciens. Aucun prérequis, aucun risque, résultat immédiat et visible. C'est aussi la meilleure démonstration du prompt itératif : on demande, on regarde, on corrige, en boucle.

Cas d'usage réalistes pour un public de formateurs — Un quiz d'évaluation, un calculateur de tarif ou de rentabilité, une grille d'auto-positionnement, un outil de visualisation pour illustrer un concept en salle. Des choses qu'on aurait renoncé à faire parce que ça demandait un développeur.

Les limites à annoncer — C'est un prototype, pas un logiciel d'entreprise : pas d'hébergement pérenne, pas de gestion fine des utilisateurs, pas de sécurité de niveau production. La bonne façon de le présenter : c'est parfait pour valider une idée, faire une démonstration, ou outiller un besoin ponctuel.

Le vibe coding : Claude Code

De quoi il s'agit — Le cran au-dessus : un assistant qui travaille directement sur de vrais fichiers, sur votre machine. Il lit un projet existant, écrit et modifie du code, exécute des commandes, teste, corrige ses erreurs et recommence. On lui parle en langage courant, il fait le travail technique.

L'expression « vibe coding » — Elle désigne le fait de décrire l'intention plutôt que l'implémentation : on dit ce qu'on veut, pas comment le faire. Le terme est à la mode ; il vaut mieux l'expliquer que de le subir en salle.

Ce que ça permet pour un non-développeur — Automatiser des traitements de fichiers, produire des scripts qui font gagner des heures, générer des documents en série, exploiter des données sans passer par un tableur. Et pour ceux qui codent un peu, un changement d'échelle complet dans ce qu'ils peuvent entreprendre.

Les précautions — Il agit vraiment sur vos fichiers : travailler sur des copies, garder une sauvegarde, valider avant d'exécuter ce qui modifie ou supprime. Et ne pas confondre « ça marche » avec « c'est juste » : le code produit doit être vérifié sur ses résultats. C'est le retour direct du principe de la journée 3.

Les outils d'automatisation : n8n

De quoi il s'agit — Un outil qui relie vos applications entre elles et déclenche des enchaînements automatiques : quand un événement se produit ici, faire cela là-bas.

Formulaire rempli, mail reçu, ligne ajoutée dans un tableur, fichier déposé — et à l'arrivée, une action dans un CRM, une notification, un document généré, une réponse envoyée.

Ce que l'IA y ajoute — On insère un modèle comme une étape de la chaîne : classer une demande entrante, résumer un contenu, rédiger une réponse, extraire des informations d'un document. On passe de « je demande à l'IA » à « ça tourne tout seul ».

Pourquoi n8n plutôt qu'un autre — Interface visuelle par blocs, très large catalogue de connexions, et surtout la possibilité de l'héberger soi-même — argument décisif quand les données ne doivent pas sortir de l'entreprise. Mentionner qu'il existe des alternatives grand public plus simples, et que le principe est le même.

Le point de méthode — Une automatisation ne se conçoit pas devant l'écran. On décrit d'abord le processus tel qu'il existe, on identifie l'étape répétitive, on la teste à la main avec un prompt figé, et seulement ensuite on l'automatise. Automatiser un processus mal défini revient à industrialiser un problème.

Dust — la plateforme d'agents d'entreprise

De quoi il s'agit — Éditeur français, fondé à Paris en 2023, site dust.tt. Là où n8n automatise des enchaînements techniques, Dust permet de créer des agents métier connectés aux données internes de l'entreprise — Drive, Notion, Slack, CRM, base documentaire — sans écrire de code. On décrit ce que l'agent doit faire, on lui donne accès à certaines sources, et on le met à disposition des équipes.

Ce qui le distingue — Il ne développe pas ses propres modèles : il branche ceux des autres — Claude, GPT, Gemini, Mistral — et permet d'en changer selon la tâche. L'entreprise n'est donc pas enfermée chez un fournisseur unique. C'est le prolongement direct de ce qu'on disait sur le choix du bon modèle selon l'usage.

Pourquoi le citer devant un public français — Hébergement européen, conformité RGPD et certifications de sécurité, données non utilisées pour l'entraînement des modèles. C'est la réponse concrète à la question de souveraineté posée en journée 1 : on peut utiliser les meilleurs modèles américains tout en gardant la maîtrise de ses données et un interlocuteur soumis au droit européen. Nuance honnête à ajouter : l'éditeur est français, mais les modèles qu'il utilise ne le sont pas — la dépendance est réduite, pas supprimée.

Le cas d'usage à faire imaginer — Un agent qui répond aux questions récurrentes des équipes à partir de la documentation interne ; un agent qui prépare une réponse type en s'appuyant sur les échanges passés ; un agent de veille sur un sujet métier. Pour un organisme de formation : un agent nourri des référentiels, des programmes et des retours de sessions, accessible à tous les formateurs.

Le point de méthode, le même que pour n8n — La difficulté n'est pas de créer l'agent — cela prend quelques minutes — mais de savoir quelles sources lui donner, qui y a droit, et comment vérifier ce qu'il répond. La gouvernance des accès est le vrai chantier.

Les IA agentiques : Claude Cowork

De quoi il s'agit — L'aboutissement de la journée : un espace de travail où l'on confie des tâches complètes de travail intellectuel — pas du code — et où l'assistant travaille de façon autonome sur des fichiers et des outils, sur la durée, en rendant compte du résultat.

La différence avec une conversation — Dans un chat, vous pilotez chaque étape. Ici, vous confiez une mission et vous revenez chercher le livrable. C'est le passage de l'assistance à la délégation — et c'est un vrai changement de posture professionnelle, pas seulement un changement d'outil.

Exemples parlants pour un organisme de formation — Rassembler et analyser les retours de plusieurs sessions pour en tirer un plan d'amélioration ; produire une déclinaison complète d'un module existant pour un nouveau public ; préparer un dossier de réponse à un appel d'offres à partir de documents existants ; mettre à jour une série de supports selon une nouvelle charte.

Le message de clôture de la journée — Trois niveaux à retenir, dans l'ordre : je demande, je fais faire, je délègue. La qualité du prompt reste le facteur déterminant aux trois niveaux — mais plus on monte, plus l'erreur de cadrage coûte cher. C'est exactement pour ça que la journée 3 existe.

Jour 3 — L'image

Méthodes de prompt

Avant de choisir un outil, choisir une méthode. Six façons de demander un visuel, du plus simple au plus délégué — chacune a son cas d'usage.

Demande de création d'une image — Le point d'entrée le plus courant : on décrit ce qu'on veut voir en une ou deux phrases. Toujours donner sujet, cadrage, ambiance, style — sinon le rendu sera générique. Exemple : « Une place de village portugaise en fin d'après-midi, prise en légère plongée, lumière chaude, style photographique documentaire. »

Demande de modification d'une image — On fournit une image existante et on demande une retouche par instruction : « change le fond », « enlève cet objet », « mets-la en tenue de ville », « ajoute le texte "Rentrée 2026" en haut ». Plus besoin de compétences en retouche photo pour un ajustement — c'est là que Nano Banana s'est imposé auprès du grand public.

Demander de compléter son prompt — Le méta-prompting appliqué à l'image : au lieu d'écrire un brief complet, on décrit l'objectif et on demande au modèle de rédiger le prompt idéal. Exemple : « Je veux une affiche pour un séminaire d'équipe en octobre, ton chaleureux, format vertical. Écris-moi le prompt à envoyer à un générateur d'images. » Le modèle pense aux éléments qu'on aurait oubliés (lumière, angle, contraintes de composition).

Reverse prompting — Le chemin inverse : on donne au modèle une image qu'on trouve réussie et on lui demande de reconstituer le prompt qui permettrait d'en produire une équivalente pour un autre sujet. Exemple : « Voici un visuel dont j'aime l'atmosphère, la palette et la composition. Analyse-le et écris-moi le prompt à envoyer à Nano Banana pour obtenir un rendu du même style sur ce sujet : […]. » Idéal pour industrialiser une esthétique observée sans savoir la décrire.

Demander des propositions de visuels pour votre projet — Plutôt qu'imposer une direction, on décrit le projet — public, message, contexte d'usage — et on demande plusieurs pistes visuelles distinctes. Exemple : « Pour un post LinkedIn qui annonce une formation IA en présentiel, propose-moi cinq directions visuelles très différentes en une phrase chacune. »

On choisit une piste, puis on l'affine en itératif. Excellent pour sortir des clichés qu'on aurait spontanément demandés.

Création d'un agent pour automatiser la production (questionnaire pour avoir une image) — Le niveau au-dessus : plutôt que de refaire à chaque fois le même brief, on met en place un agent qui pose une série de questions courtes (sujet, format, ton, couleur dominante, éléments à interdire) puis génère plusieurs propositions calées sur la charte. Utile dès qu'on produit des visuels en série (posts, vignettes de cours, illustrations de fiches produit). Le vrai chantier n'est pas technique, il est éditorial : décider une bonne fois pour toutes ce qu'on veut et ne veut pas, pour que l'agent l'applique sans variation.

Les outils d'image

Un panorama à présenter en montrant, pas en décrivant. Chacun a une logique propre : le choix dépend de ce qu'on veut produire, pas de celui qui est « le meilleur ».

Gemini — Nano Banana (Google)

Devenu la référence grand public pour générer et surtout retoucher une image en conversation.

Le nom est resté d'un test anonyme devenu viral en août 2025 ; c'est aujourd'hui une famille de modèles, dont Nano Banana 2 sorti en février 2026 et la version Pro pour la haute résolution.

Ses points forts, à démontrer en salle :

la retouche par instruction (« change le fond », « enlève cet objet », « mets-la en tenue de ville ») sans aucune compétence en retouche photo ;

la cohérence d'un même personnage d'une image à l'autre ; et surtout le texte lisible dans l'image, longtemps le point faible de tous les générateurs.

C'est ce qui le rend utilisable pour une affiche, une couverture ou un visuel de post.

À mentionner pour la partie vigilance : toutes les images générées par Nano Banana portent un filigrane invisible SynthID — technologie de Google DeepMind, appliquée par défaut aux images produites par les modèles Google. En parallèle, Google déploie depuis fin 2024 les Content Credentials, la mise en œuvre de la norme ouverte C2PA (Coalition for Content Provenance and Authenticity), qui attache aux fichiers des métadonnées signées décrivant leur origine et leurs éventuelles retouches. C'est un excellent point d'entrée pour la question de la traçabilité des contenus générés.

ChatGPT — génération d'images (OpenAI)

Intégré directement à la conversation, donc sans changer d'outil.

Son intérêt principal est la compréhension fine d'une demande complexe et le travail sur une image fournie.

Pratique pour illustrer un support pédagogique au fil de l'écriture, puisqu'on reste dans le même fil de discussion.

Très limité en version gratuite — peu de générations par jour et résolution moindre ; l'usage sérieux passe par un abonnement.

Modification d'image moins précise qu'avec Gemini Nano Banana — les retouches par instruction (« change le fond », « enlève cet objet ») donnent plus souvent des dérives sur le reste de l'image.

Génération plus longue qu'avec Gemini — sensible dès qu'on itère plusieurs fois sur un même visuel.

Adobe Firefly

L'argument est juridique autant que technique : Adobe indique entraîner ses modèles sur son propre stock et des contenus sous licence, et propose une garantie contractuelle pour l'usage commercial dans ses offres entreprise.

C'est le seul du panorama à répondre frontalement à la question « ai-je le droit de publier ça ? ».

À réserver aux contextes où l'usage commercial doit être sécurisé, et à ceux qui travaillent déjà dans la suite Adobe.

Midjourney

L'outil des créatifs, longtemps le plus fort esthétiquement.

Rendu très typé, excellent pour le travail de style et d'atmosphère.

Deux réserves à annoncer : la prise en main est moins immédiate que les autres, et l'entraînement sur des œuvres protégées lui a valu des poursuites — donc prudence sur un usage commercial.

Sert surtout, en formation, à montrer l'évolution des versions successives, comme vu en journée 1.

Napkin

Objet différent, et souvent celui qui plaît le plus à un public de formateurs : il ne génère pas d'illustration, il transforme un texte en schéma, diagramme ou infographie éditable.

On colle un paragraphe, il propose plusieurs représentations visuelles, on choisit et on ajuste.

Idéal pour illustrer un concept dans un support sans compétence en graphisme, et pour éviter le diaporama tout en texte.

Le message de la séquence

Trois questions pour choisir : est-ce une illustration ou un schéma ? Ai-je besoin d'un droit d'usage commercial sécurisé ? Vais-je devoir retoucher et itérer ? Les réponses désignent l'outil bien mieux que n'importe quel classement.

Les outils de présentation

Même logique : trois approches différentes, à ne pas mettre en concurrence directe.

Copilot dans PowerPoint (Microsoft)

L'avantage décisif est qu'on reste dans PowerPoint, avec les modèles et la charte de l'entreprise, et un fichier .pptx natif que tout le monde peut ouvrir et modifier.

Génération d'une trame à partir d'un document ou d'un prompt, reformulation de slides, suggestions de mise en page, aide aux notes de présentation.

Le rendu reste très « corporate » et demande une reprise, mais l'intégration au parc existant l'emporte souvent sur la qualité brute.

Gamma

Le plus rapide pour passer d'une idée à une présentation présentable.

On donne un sujet ou un texte, on obtient un déroulé complet et mis en forme en quelques minutes, dans un format web fluide plutôt qu'en diapositives figées.

Très bon pour un premier jet, une proposition commerciale ou un support d'atelier.

Deux points à signaler : l'export vers PowerPoint est possible mais dégrade parfois la mise en forme, et le rendu reste reconnaissable — plusieurs présentations faites avec l'outil se ressemblent.

Claude Design

L'approche la plus souple : un espace de travail visuel où l'on décrit ce qu'on veut et où l'on itère par la conversation, pour des présentations mais aussi des maquettes, des documents ou des visuels sur mesure.

Moins de modèles imposés, donc un résultat plus personnalisé, mais un peu plus de dialogue nécessaire pour arriver au rendu voulu.

À positionner quand on veut sortir de l'apparence standardisée.

Le conseil de méthode

Valable pour les trois. Ne jamais demander « fais-moi une présentation sur X ». Le résultat sera plat et générique. Donner d'abord la matière — vos notes, votre document, votre argumentaire — puis le public, la durée, et le message que chaque partie doit faire passer. Autrement dit : appliquer la matrice de la journée 2. C'est le meilleur moment pour montrer que le prompt n'était pas un chapitre isolé.

Le point de vigilance à ne pas oublier

Une présentation générée hérite de tous les risques vus hier : chiffres inventés, sources approximatives, formules toutes faites. Le gain réel est sur la mise en forme et la structure, beaucoup moins sur le fond. La règle : c'est vous qui apportez le contenu, l'outil qui l'habille.