Ces applications reposent sur les modèles d'IA, mais aussi sur ces nombreux outils qui gravitent autour d'eux que nous avions pu aborder, par le passé : le RAG (Retrieval-Augmented Generation), qui permet de récupérer des documents pertinents pour enrichir les réponses, les bases de données vectorielles, qui stockent l'information sous une forme que les modèles peuvent facilement interroger, etc. Si les usages privés tournent encore beaucoup autour du prompt simple, celui-ci cache souvent l'accès à des outils similaires aux solutions des développeurs. Les lignes se brouillent donc entre les grandes familles d'usage.
En parallèle, les usages d'IA en entreprise commencent à mûrir. Les grands comptes cadrent désormais l'emploi de technologies démocratisées comme le RAG ou les agents. Ces besoins se sont progressivement déclinés en de grandes familles d'outils.
Afin d'y voir un peu plus clair, nous allons brièvement reprendre ces catégories, avec pour objectif de repérer la ligne de crête, pour ensuite voir comment basculer d'un monde à l'autre.
Classifier les usages#
Le prompting quotidien#
Cette solution est la plus accessible et la plus classique. Le prompting reste disponible gratuitement chez la plupart des fournisseurs de modèles, ce qui en fait le point d’entrée idéal pour découvrir le potentiel de l'IA et comprendre les techniques de base.
Cela nous permet par exemple de découvrir les limites du contexte. Plus nos discussions se prolongent, plus le risque augmente de voir le modèle perdre le fil, ce que nous appelons « lost in the middle » : une idée importante se retrouve noyée au milieu d'une masse d'informations. Le corollaire est simple : il faut s'efforcer de concentrer chaque prompt sur une tâche spécifique. Par exemple, chacun des articles de ce blog est traité dans une discussion dédiée. Cela permet d’orienter clairement chaque étape — de la construction de l'article à la création des illustrations — autour d'un sujet bien défini.
Les enjeux liés au contexte se découvrent dès sa construction. Des méthodes classiques consistent à fournir d’emblée un cadre à l'IA, avec un ou plusieurs exemples de résultat attendu, dans une forme d’entraînement à moindre coût. On peut aussi fournir un template, un modèle de réponse que l'IA n’aura plus qu'à compléter. Enfin, on peut clairement définir l'objectif et le résultat attendu, souvent en terminant le prompt par une phrase du type : « ton objectif est de… ».
La plupart des outils gratuits permettent également d’explorer différents formats d’entrées et de sorties : documents, images, et parfois même la génération de sites statiques ou de courtes vidéos. Certains offrent déjà des fonctionnalités plus avancées, comme des connecteurs vers nos applications courantes (Google Drive, par exemple).
Ces outils gratuits soulèvent néanmoins deux pièges dont il faut avoir conscience. Premièrement, il devient de plus en plus facile — et tentant — de se contenter d'un simple prompt et de prendre le résultat pour argent comptant, sans analyse ni relecture, cas typique d'IA-slop. Nous avions déjà évoqué le risque de perdre le contact humain lorsque celui-ci passe uniquement par l'interface de l'IA. Ici, nous faisons face à un risque de dégradation de la qualité : elle possède des capacités limitées d'innovation par rapport à l'individu. De la sorte, des interactions trop simples l'amènent à réutiliser les schémas sur lesquels elle a été entraînée, sans explorer de nouvelles pistes. Au contraire, des échanges réguliers via le prompt permettent de pousser l'exploration de pistes auxquelles l'IA seule n'aurait pas forcément pensé. C’est toute la subtilité de la nuance entre « être remplacé par l'IA » et « être augmenté par l'IA ».
Le second risque est moins évident, mais bien plus dangereux. Lorsque nous fournissons des documents, ou pire des accès à nos outils, nous ouvrons de plus en plus l'accès à nos données. Nos données restent d'abord dans le contexte et servent d'apprentissage ponctuel. Mais une fois assimilées, et suivant les règles de confidentialité des fournisseurs, elles peuvent être utilisées pour un fine-tuning du modèle, c'est-à-dire un ajustement de ses pondérations à partir de données plus ciblées. Nos données échappent alors en partie à notre contrôle.
L'échelle industrielle : l'orchestration d’agents IA#
À l'autre extrémité du spectre se trouvent les solutions industrielles. On parle ici de code, de low-code, ou plus largement du développement d'applications et de services qui embarquent de l'IA. C'est un vaste sujet, déjà abordé dans ce blog à plusieurs reprises, qui mérite d'être repris sous l'angle de l'orchestration.
Ce terme désigne la coordination de plusieurs composants logiciels pour qu'ils travaillent ensemble de façon fluide. Dans le monde de l'IA, cela signifie faire collaborer plusieurs agents, c'est-à-dire des programmes autonomes capables de raisonner et d'agir grâce à des appels à des modèles d'IA. Cela implique également de gérer l’allocation des ressources, le cache, la découverte de services, etc. Ces défis communs aux orchestrateurs s'ajoutent donc à ceux propres à l'IA.
Grâce à ces outils, nous pouvons intégrer l'IA dans des applications de plus en plus complexes. Soit en concevant des parcours entièrement basés sur l'IA, soit en l'intégrant dans des étapes spécifiques où elle apporte des capacités autrement difficiles à implémenter : traitement de ressources non structurées (mélanges d’images, de PDF, de retours clients…), prise de décision, automatisation de flux, etc.
L'entre-deux mondes#
Entre le prompting quotidien et l'orchestration purement industrielle se situe un espace intermédiaire de plus en plus dense. Le développement assisté par IA en constitue l’exemple le plus ancien et le plus mature. Des outils comme les nouvelles fonctionnalités agentiques de GitHub Copilot, Claude Cowork ou Grok Bot intègrent explicitement des agents — souvent gourmands en ressources — pour accompagner le développeur tout au long de son projet.
Mais le développement logiciel n'est qu'un cas particulier, très visible, d'un schéma plus large. On observe le même mouvement dans le traitement de documentation, la préparation d'audits, la conformité réglementaire ou encore les CRM. Dans tous ces domaines apparaissent des agents conçus pour prendre en charge un flux de travail de bout en bout, avec accès aux outils métier, capacité d'action et un certain degré d'autonomie. On pourrait les appeler « agents opérateurs métier » ou « agents de workflow métier ». Le développement assisté n’en est finalement que l'instance la plus aboutie.
Nous constatons ainsi une convergence progressive autour des systèmes d'orchestration. Que nous partions du prompting enrichi ou de l'ingénierie logicielle classique, nous aboutissons souvent aux mêmes questions : comment coordonner plusieurs agents, leur donner accès aux bons outils, et garder le contrôle tout en leur laissant de l'autonomie.
Mise en pratique pour développer une méthode de travail et choisir ses outils#
À notre petit niveau, nous avons commencé à développer une approche qui cherche à « augmenter » notre capacité à construire et formaliser des idées, sans tomber dans l’IA-slop. Nos deux derniers articles ont particulièrement suivi cette méthode : partant de connaissances générales, nous avons creusé les sujets au fur et à mesure de l'élaboration de l'article, tout en veillant à rester sur des notions que nous serions en mesure d'expliquer même sans l'IA.
Le processus de création#
Tout l'enjeu ici est de garder un article personnel, dont la construction nous ressemble. Pour cela, nous utilisons différents modèles – selon leurs forces – pour construire, rédiger, retoucher notre article, jusqu'à la génération de l'illustration finale.
Choix des modèles#
Celui-ci s'adapte aux besoins propres à chaque étape.
Grok, par exemple, a une tendance assumée à rester plus factuel et à moins « corriger » ou diluer les positions de l'utilisateur. Cela s'avère pratique en phase de rédaction. Gemini, de son côté, est en général plus consensuel et plus lisse, ce qui peut être utile pour la phase de validation sur la rigueur et l'accessibilité auprès d'un public non expert. Le contraste avec d'autres modèles (comme Mistral) est réel : certains ont une tendance plus marquée à injecter des cadres éthiques ou sociétaux même lorsqu'ils ne sont pas au cœur du sujet.
Utiliser deux modèles aux tempéraments différents pour co-construire puis valider apporte un vrai levier de qualité. Nous retrouvons le même principe lorsque nous confrontons plusieurs opinions divergentes sur un sujet controversé pour se forger sa propre opinion. D'autre part, sur de nombreux sujets, notamment techniques, il reste primordial de tester au maximum par soi-même les propositions de l'IA : l'expérimentation demeure la preuve la plus aboutie pour valider ou invalider une affirmation.
Disposer de plusieurs regards, en plus de notre propre expérience, nous permet de faire notre propre arbitrage et d'éviter une forme de pensée unique.
De l'évolution vers l'orchestration#
À ce jour, notre orchestration reste manuelle. Nous récupérons les résultats de la phase de rédaction pour les soumettre à Gemini pour la relecture. Cependant, nous avons pu standardiser certains prompts – pour la relecture ou pour la génération de la bannière – ce qui nous évite déjà de les réécrire à chaque article.
Grok et Gemini offrent également des capacités qui fluidifient le processus. Les deux sont capables de lire et de modifier des fichiers dans Google Drive. Nous pouvons donc leur laisser le soin d'écrire directement dans le document, d'y corriger les fautes ou d'y insérer la bannière, sans manipulation manuelle de notre côté.
Par la suite, nous pourrions imaginer une interface dédiée qui orchestre elle-même les appels aux différents modèles. Nous n'aurions plus qu'à lancer un prompt : l'application déterminerait la phase (rédaction, relecture, illustration…), choisirait le modèle adapté et manipulerait directement le Google Doc.
Et c'est ainsi que nous matérialisons précisément la convergence observée plus haut. Récupérer le fil de discussion, proposer une structure, écrire dans un Google Doc, demander des validations ciblées… Nous passons progressivement du « prompting + copier-coller » à une forme d’orchestration légère.
En fin de compte, nous construisons progressivement une application IA de rédaction d'articles et, pourquoi pas, une future solution professionnelle d'assistant de journalisme.
Des catégories au fond continue de l'IA#
Les catégories que nous avons présentées restent largement artificielles. Elles sont utiles pour structurer la pensée et la communication, mais la réalité est un continuum.
Nous commençons par interconnecter plusieurs modèles grâce aux outils et connecteurs, puis nous automatisons progressivement le flux jusqu'à aboutir à un véritable produit métier. Nous glissons vers une forme d'ingénierie de système, où le système en question est notre propre outil.
Les notions clés à maîtriser combinent donc des concepts établis de longue date, comme l'orchestration (omniprésente dans le cloud et la virtualisation), et des concepts propres à l'IA : gestion des tokens, protocoles spécifiques, technologies de stockage vectoriel, etc.
Le découpage va surtout mettre en évidence des enjeux différents — coûts, maturité, compétences requises, risques, retour sur investissement — et non inventer des frontières étanches.
En réalité, les différences que nous observons entre prompting quotidien, agents métier et orchestration industrielle ne sont que des étapes d'un même mouvement. Ce sont des ponts naturels qui se construisent sous nos yeux, entre usage personnel et usage professionnel, entre expérimentation et produit.
Comments
No comments yet. Start the conversation.