SOMMAIRE

Titre

Remerciements

Introduction

Partie 1 - Tour d’horizon

Chapitre 1 - Comprendre et désacraliser les IA génératives

Chapitre 2 - L’art du prompt engineering

Chapitre 3 - Mettre en œuvre l’IA générative dans le contexte de l’entreprise

Partie 2 - 50 fiches pratiques sur l’IA générative

Section 1 - Faire ses premiers pas avec l’IA générative et déployer des cas d’usage simples
et rapides

Section 2 - Intégrer l’IA générative à sa pratique professionnelle en combinant des outils

Section 3 - Augmenter l’entreprise en automatisant les processus

Section 4 - Les bonnes pratiques pour utiliser l’IA générative

Conclusion - Préparer votre entreprise pour le futur de l’IA générative

Glossaire

Ressources supplémentaires

Copyright
 Remerciements

L’émergence de l’intelligence artificielle ne signe pas la disparition de

l’interaction humaine et de l’intelligence collective, bien au contraire, elle
va leur laisser encore plus de place. La rédaction de cet ouvrage ne fait pas
exception et nous souhaitions remercier celles et ceux avec qui nous
partageons notre quotidien professionnel pour penser cette nouvelle ère de
l’IA conversationnelle et générative, y développer des nouvelles
technologies, des projets d’innovation, mais également former, conseiller et
conduire le changement à travers la France et nombre d’organisations et
d’entreprises.
Merci donc à Guillaume Baudoin, Martin Toussaint, Émilien Nizon,
Timothé Pearce et Mikaël Cabon pour nos réflexions stratégiques et nos
nombreux échanges. Merci à notre stimulante équipe qui alimente nos
réflexions quotidiennement : Ladmia Chettih, Mohamed El Ghazouany,
Axel Gaudot, Lucas Lehot, Élodie Lorthios, Nicolas Ollier et Sélim Jomaa.
Merci également aux experts extérieurs avec qui nous avons échangé pour
croiser nos regards : Giada Pistilli, Flavien Chervet et Fabien Zaccari.
Nous adressons des remerciements spéciaux à nos éditrices, Elocia
Vermeulin et Pauline Monclin, qui ont eu l’audace de nous défier d’écrire
cet ouvrage. Nous espérons avoir relevé le défi avec le niveau de qualité
nécessaire pour que le livre que vous tenez entre vos mains soit un outil
utile pour vous, cher lecteur. Nous vous remercions d’avance pour les
réflexions indispensables et les transformations que vous apporterez dans
cette ère technologique stimulante.
 Introduction

Et soudain ChatGPT apparut…

Il a fallu 3 600 jours à Netflix pour atteindre 100 millions d’utilisateurs,
1 800 jours à Twitter, 1 650 jours à Spotify, 1 620 jours à Facebook,
900 jours à Instagram, et seulement 270 jours à TikTok pour réaliser cet
exploit. Cependant, un nouvel acteur a radicalement révolutionné cette
échelle de temps : ChatGPT, qui a rassemblé 100 millions d’utilisateurs en
seulement 60 jours 1.
Ces chiffres sont impressionnants et racontent une histoire, celle d’une
accélération de l’adoption d’une nouvelle technologie, l’intelligence
artificielle (IA) générative et conversationnelle. Les technologies d’IA n’ont
pas attendu 2022 pour apparaître dans nos quotidiens personnels et
professionnels. Depuis les algorithmes de recommandation sur les
plateformes de contenu jusqu’au correcteur orthographique, en passant par
la saisie semi-automatique ou les trajets sur Waze, l’IA était déjà partout.
Mais avec l’IA générative, nous vivons une accélération de la diffusion de
ces technologies. Cette vitesse d’adoption, plus rapide que celle du
smartphone et de la tablette, témoigne non seulement de l’efficacité et de
l’attrait de ces outils, mais également de la manière dont ils ont su entrer en
résonance avec leur époque pour répondre à un grand nombre de besoins,
dont celui d’une interaction plus naturelle, plus intuitive et plus efficiente
avec la technologie.
Conduite en 2022, une enquête d’IPSOS a comparé le niveau d’accord de la
population de différents pays avec l’affirmation « Les produits et outils
utilisant l’IA ont plus d’avantages que de désavantages », pour observer que
les populations de Chine, d’Arabie saoudite et d’Inde étaient les plus
enthousiastes. À l’opposé, les Pays-Bas, le Canada et en dernière position la
France étaient les plus pessimistes 2. Ce constat, bien que probablement
révélateur d’un certain esprit critique et d’un recul sur les nouvelles
technologies, pourrait également être le symptôme d’une mauvaise
appréhension de l’IA, de son fonctionnement, de ses risques réels et surtout
de ses bénéfices et opportunités.
ChatGPT, mais également DALL-E ou encore Midjourney ont ouvert une
porte sur un monde où nous dialoguons avec des machines capables de
comprendre le contexte, de répondre à nos questions, de proposer des
solutions, de créer de nouvelles idées et même de générer du contenu de
qualité comparable à celui produit par un humain. Ces capacités, autrefois
de l’ordre de la science-fiction, sont aujourd’hui une réalité concrète et
accessible. Les machines cognitives ont atteint et parfois dépassé nombre de
performances humaines plus rapidement qu’on ne pouvait l’imaginer. Elles
transforment désormais radicalement la manière dont nous vivons,
travaillons et interagissons avec le monde qui nous entoure.
Nous allons explorer les implications de cette révolution et voir comment,
au-delà de l’attrait pour la nouveauté technologique et à travers un grand
nombre de cas d’usages, ces IA conversationnelles et génératives
transforment nos modes de travail, nos organisations, nos entreprises et nos
vies quotidiennes. Nous allons également découvrir comment, grâce au
prompt engineering, nous pouvons influencer ces interactions et orienter les
résultats obtenus à partir de ces outils.
Nous allons surtout démystifier l’IA en clarifiant ses concepts, en
expliquant son fonctionnement et en mettant en lumière à la fois ses
bénéfices et ses limites. Cet ouvrage propose de démanteler les craintes
infondées et de fournir les clés pour comprendre, utiliser et s’approprier
l’IA afin d’accompagner de manière éclairée la transformation des
entreprises et de notre société.
Nous ne sommes plus à l’ère où nous devions nous adapter aux contraintes
de la technologie. Nous sommes à l’aube d’une nouvelle ère où la
technologie s’adapte à nous, comprend nos besoins et agit en fonction de
nos questions. Une ère où chaque entrepreneur, chef d’entreprise, manager,
collaborateur, salarié se retrouve doté d’un assistant expert qui va
révolutionner le management des connaissances au sein des organisations et
transformer notre manière de penser, de créer, de décider ou encore
d’organiser.
L’âge de l’IA conversationnelle et générative a débuté et ce livre est votre
allié pour en comprendre les causes, en saisir les conséquences, s’orienter
dans cette nouvelle réalité et exploiter les potentialités qu’elle révèle, en
vous équipant des compétences indispensables à ce nouvel environnement
technologique.

Un ouvrage assisté par l’IA et enrichi

par des compléments en ligne
Made by Human augmented by AI
Portant sur l’utilisation de l’intelligence artificielle et conversationnelle à
des fins professionnelles, la rédaction de cet ouvrage se devait d’être en soi
une expérimentation innovante mettant en mots et en pages la collaboration
symbiotique entre des auteurs humains et l’intelligence artificielle. Nous
avons ainsi exploité des IA conversationnelles et génératives et documenté
cette utilisation, pour combiner nos réflexions, notre créativité, nos
expertises et notre sensibilité humaine à l’efficacité, la rapidité et la capacité
d’analyse massive de données de l’IA.
Nous avons utilisé différentes intelligences artificielles, dont les modèles de
la suite GPT d’OpenAI et Claude d’Anthropic, pour obtenir des
informations actualisées, vérifier des faits et faire des suggestions
textuelles, tout en restant les arbitres finaux de tout ce qui est finalement
inclus dans cet ouvrage, dont nous assumons seuls la responsabilité. Ce
processus d’écriture assistée par l’IA a permis de produire le résultat que
vous tenez entre vos mains et qui se veut dans son fond, comme dans sa
forme, un représentant, parmi d’autres, d’une nouvelle ère professionnelle.
Comme il ne s’est pas contenté de ses auteurs humains, cet ouvrage ne se
contente d’ailleurs pas de sa version papier. Nous avons mesuré les défis
consistant à rédiger un ouvrage utile et pertinent qui ne soit pas obsolescent,
alors même que de nouveaux modèles, outils et interfaces émergent chaque
jour. Compte tenu de la nature dynamique et en constante évolution du
domaine de l’intelligence artificielle, et encore plus de l’IA
conversationnelle et générative, nous avons mis en place un portail en ligne
accessible via l’URL ci-dessous (ou en flashant le QR code associé) :
guide.polaria.ai

www.lienmini.fr/61706
Ce complément numérique propose des mises à jour, des éclaircissements et
des ressources supplémentaires. Ces ressources numériques permettront de
vous tenir informé des dernières nouveautés, des annonces les plus récentes
et de l’émergence de nouvelles technologies tout en faisant le tri dans un
environnement foisonnant. Notre objectif : vous permettre de vous orienter
en continu dans un environnement riche et foisonnant en vous plaçant entre
les mains les meilleurs outils et technologies.
En complément des cas d’usage et conseils présentés dans les pages
suivantes, vous découvrirez donc en ligne :
les meilleurs modèles de fondation du moment ;
les meilleures applications et interfaces utilisateurs par cas d’usage et
verticales métier ;
les guides pas à pas des principaux outils ;
les meilleures plateformes d’entraînement, de fine tuning et de
déploiement de modèles personnalisés.
 PARTIE 1

TOUR D’HORIZON
 CHAPITRE 1

Comprendre et désacraliser
les IA génératives

L’intelligence artificielle (IA), ses modèles de fondation et ses grands

modèles de langage (Large Language Model, LLM) redessinent les
contours de notre vie quotidienne. Le terme d’IA générative est désormais
utilisé pour décrire ce type particulier d’intelligence artificielle qui s’appuie
sur des modèles statistiques de grandes tailles, entraînés sur de grandes
quantités de données non étiquetées grâce aux méthodologies
d’apprentissage dites autosupervisées.
Construite sur des modèles de fondation, l’IA générative a la capacité de
produire du contenu original, qu’il s’agisse de textes, d’images ou de sons.
Se démarquant de ses prédécesseurs, elle ne se limite pas à la classification
ou à l’analyse de données, mais est capable de créer de nouvelles données à
partir de celles sur lesquelles elle a été entraînée. Les modèles de fondation
surprennent même les experts dans leur capacité à réaliser un large panel de
tâches à partir d’un apprentissage pourtant général.
Des systèmes tels que ChatGPT ou Midjourney ont une incidence profonde
sur nos interactions numériques. Nous visons ici à démystifier ces modèles
de fondation et LLM en explorant leurs origines, leur fonctionnement et
l’impact qu’ils ont sur notre société.
Une brève histoire de l’IA
conversationnelle et générative
L’idée de machines capables de mouvements et d’actions autonomes a
depuis longtemps fasciné l’humanité, un intérêt qui se reflète dans les
tendances technologiques actuelles.

DE LA MYTHOLOGIE GRECQUE À TURING

Dans la mythologie grecque, Héphaïstos, dieu du feu, des forges et de la

métallurgie, est un artisan divin, reconnu pour ses compétences et son
ingéniosité dans la création d’objets et de mécanismes. Dans l’Iliade
d’Homère, Héphaïstos crée des trépieds automobiles pouvant se déplacer
par eux-mêmes. Ces trépieds sont souvent considérés comme l’une des
premières apparitions des concepts modernes de robotique et
d’automatisation 1.
Au XIIIe siècle, Raymond Lulle imagine une machine logique pour découvrir
la vérité 2. Au XVIIe siècle, René Descartes émet l’idée que le corps humain
pourrait être comparé à une machine complexe, initiant ainsi une réflexion
qui va sous-tendre nombre d’approches dans l’univers de l’intelligence
3
artificielle . Le XVIIIe siècle voit l’apparition des célèbres automates de
Jacques Vaucanson, des machines complexes qui ambitionnent de simuler le
comportement humain 4. Le XIXe siècle assiste aux travaux pionniers de
Charles Babbage et Ada Lovelace, dont les concepts de calculatrice
programmable ont jeté les bases de l’ordinateur moderne et fait d’Ada
Lovelace la première programmeuse informatique de l’Histoire 5.
C’est cependant au XXe siècle que l’informatique et l’intelligence artificielle
vont connaître leur véritable essor, précédé de celui de l’électricité et
structuré par la théorie de l’information de Claude Shannon, les travaux
 6
d’Alan Turing ou encore la théorie de la cybernétique de Norbert Wiener .
L’année 1950 est d’ailleurs une année pivot. Alan Turing y formule son
célèbre test qui vise à mesurer la capacité d’une intelligence artificielle (IA)
7
à imiter une conversation humaine . La même année, Warren McCulloch et
Walter Pitts théorisent l’idée de « neurone formel » dans leur article « What
the Frog’s Eye Tells the Frog’s Brain » 8. En s’inspirant du fonctionnement
de la nature, le neurone formel est alors défini comme des unités
élémentaires, dotées d’entrées et de sorties. L’esprit serait un ensemble de
mécanismes formels reposant sur une base matérielle, le cerveau,
susceptible d’être modélisée et reproduite.
C’est également à cette époque, et dans la continuité de ces premières
réflexions, qu’émergent les approches de l’intelligence artificielle dites du
cognitivisme et du connexionnisme. Ces deux approches ont en commun de
chercher à comprendre et modéliser l’esprit et le cerveau humain. Les deux
adoptent cependant une perspective différente sur la façon dont
l’information est traitée et apprise – qu’il est essentiel de saisir pour
comprendre la manière dont fonctionnent les IA que nous avons entre les
mains aujourd’hui, dans leurs capacités et leurs limites 9 :
le cognitivisme place l’accent sur le traitement de l’information de
manière consciente et rationnelle. Selon l’approche cognitiviste, le
développement d’une IA doit s’appréhender comme celui d’une
machine capable d’absorber des données, qu’elle traite ensuite de
manière logique à travers des raisonnements, des processus de
résolution de problème, de prises de décision, et en combinant des
mémoires à court et long terme, pour à la fin produire une sortie. Le
cognitivisme est associé à des modèles symboliques de l’intelligence
artificielle, où le comportement intelligent est reproduit par des
manipulations logiques de symboles représentant les connaissances. Ces
modèles sont explicitement programmés avec une série de règles et de
procédures qui déterminent la manière dont ils traitent les informations ;
 le connexionnisme, dans la continuité des travaux de Warren
McCulloch et Walter Pitts et par une approche biomimétique de la
structure du cerveau humain, formée de neurones, met l’accent sur les
réseaux neuronaux artificiels et le traitement parallèle de l’information.
Au lieu de se concentrer sur des règles symboliques logiques et des
processus de pensée conscients, le connexionnisme s’intéresse à la
manière dont de larges réseaux de neurones simples peuvent apprendre
et traiter des informations de manière distribuée et souvent non
consciente. Dans les modèles connexionnistes, l’apprentissage se fait
par l’ajustement des poids des connexions entre les neurones sur la base
de l’expérience, plutôt que par la modification de règles symboliques
explicites.

L’EXPÉRIMENTATION DU CHATBOT ELIZA

Eliza, développé au MIT, est l’un des premiers exemples d’IA conversationnelle,
premier chatbot de l’Histoire. Développé par Joseph Weizenbaum au MIT en 1966,
Eliza est conçu pour imiter une conversation avec un psychothérapeute rogérien,
utilisant des phrases préprogrammées pour poser des questions ouvertes et
encourager les utilisateurs à parler davantage.
Malgré sa conception relativement simple et son incapacité à comprendre
véritablement le langage humain, Eliza a réussi à tromper de nombreux utilisateurs
qui pensaient qu’ils interagissaient avec un interlocuteur humain. L’effet Eliza décrit
le phénomène par lequel les gens attribuent la compréhension et la conscience à des
systèmes informatiques lorsqu’ils imitent le comportement humain, même si ces
systèmes ne possèdent pas réellement ces capacités 10.

LES HIVERS DE L’IA

L’histoire de l’intelligence artificielle n’est cependant pas faite de progrès

linéaires. Aux périodes de grandes espérances ont succédé des épisodes de
déception appelés « hivers de l’IA », caractérisés par un déclin temporaire
du financement et un ralentissement de la recherche. Après l’enthousiasme
des années 1950 et 1960, les années 1970 laissent place aux critiques de
celles et ceux qui pointent du doigt le fait que l’IA, pleine de promesses sur
le papier, n’en tient aucune 11. Symbole de cet hiver, le rapport Lighthill,
publié au Royaume-Uni en 1973, critique ainsi durement les performances
de l’IA, recommandant la réduction du financement de la recherche dans ce
domaine 12. Les années 1990 vont à leur tour voir l’IA souffrir de l’échec
des « systèmes experts » censés révolutionner les industries et professions
en apportant l’expertise humaine sous une forme automatisée 13. Ces
systèmes se sont révélés coûteux à développer, difficiles à maintenir et
limités dans leur capacité à gérer des situations en dehors de leur domaine
de spécialité restreint.
L’histoire du développement de l’IA est bien entendu intrinsèquement liée
au développement de l’informatique et de ses capacités calculatoires, mais
également aux philosophies qui ont guidé son développement. Même si le
connexionnisme et le cognitivisme sont présents dès les années 1950, c’est
le cognitivisme qui va dominer la première partie de l’histoire,
probablement en s’appuyant sur une capacité à être présenté et expliqué
plus simplement que le connexionnisme, et à paraître plus « naturel » pour
des néophytes. Le cognitivisme, en s’appuyant sur la représentation
symbolique de la connaissance et la logique formelle, paraît en effet plus
compréhensible que l’obscure approche du connexionnisme, axée sur un
apprentissage à partir de données. La fin des années 1980, mais surtout les
années 2000 et 2010, vont assister à la résurgence puis la domination du
connexionnisme avec le développement des réseaux de neurones artificiels,
qui profite du développement des capacités informatiques et de la puissance
de calcul, ainsi que de l’accessibilité de grandes bases de données apparues
dans le monde numérique, permettant aux IA de s’entraîner et de démontrer
leurs performances dans des domaines tels que la reconnaissance d’images
ou la parole. Ces intelligences artificielles statistiques vont bénéficier de la
déception produite par les IA logiques et des machines inspirées par les
travaux du linguiste Noam Chomsky, qui défend l’idée d’une grammaire
14
universelle innée, propre à l’humain .

CONNEXIONNISME ET COGNITIVISME,
LA CONVERGENCE
Les approches cognitivistes et connexionnistes ne doivent cependant pas être
considérées comme uniquement opposées et incompatibles. En réalité, de
nombreuses recherches en IA et en psychologie cognitive tentent d’intégrer
désormais les deux perspectives.
D’un côté, les chercheurs cognitivistes ont reconnu que les modèles symboliques
traditionnels ne peuvent pas facilement expliquer certains aspects du
comportement et de la cognition humains, comme la capacité à apprendre de
nouvelles tâches à partir de très peu d’exemples, ou la résilience du cerveau aux
dommages grâce à la redondance et à la distribution de l’information. Ces
caractéristiques sont bien mieux modélisées par les approches connexionnistes.
De l’autre côté, les chercheurs connexionnistes ont également reconnu que les
réseaux de neurones, bien qu’incroyablement puissants, ne sont pas toujours
facilement interprétables et ne fournissent pas nécessairement une compréhension
claire des processus de haut niveau que les théories cognitivistes essaient
d’expliquer. De plus, certaines tâches, comme la logique formelle ou la planification à
long terme, sont souvent mieux réalisées par des systèmes symboliques explicites.
Un grand nombre de recherches actuelles en IA se concentre donc sur des modèles
hybrides qui tentent d’intégrer le meilleur des deux mondes. Ces modèles, souvent
appelés « systèmes neuro-symboliques », utilisent des réseaux de neurones pour
apprendre des représentations de bas niveau à partir de données brutes et des
systèmes symboliques pour effectuer un raisonnement explicite à partir de ces
représentations.
Ces modèles tentent de combiner la flexibilité et la capacité d’apprentissage général
des approches connexionnistes avec la clarté et la précision des approches
cognitivistes, dans l’espoir de créer des systèmes d’intelligence artificielle plus
performants et plus compréhensibles 15.
L’ÉMERGENCE DES RÉSEAUX DE NEURONES ARTIFICIELS
C’est en 2012 que s’ouvre l’ère de l’IA dans laquelle nous vivons
désormais. Comme l’année 1950 assista à plusieurs avancées conceptuelles
marquant l’histoire de l’IA, l’année 2012 va voir plusieurs avancées
technologiques démontrer la performance des réseaux de neurones profonds
et de l’apprentissage autosupervisé 16, méthode d’apprentissage machine où
un modèle apprend à faire des prédictions en analysant et en étiquetant lui-
même ses données d’entrée, sans intervention humaine pour fournir des
étiquettes correctes. Précédée par les travaux fondateurs de Geoffrey
Hinton, Yann Le Cun et Yoshua Bengio 17, l’année 2012 marque de
remarquables avancées en reconnaissance vocale, d’images ou encore de
vidéos. C’est surtout cette année qu’un réseau de neurones convolutionnels
(CNN), conçu par Alex Krizhevsky, publié avec Ilya Sutskever et son
directeur de thèse, G. Hinton, remporte le célèbre concours de
reconnaissance d’images par ordinateur, l’ImageNet Large Scale Visual
Recognition Challenge (ILSVRC) 18. Cette victoire écrasante va marquer le
début d’un nouveau paradigme dans l’univers de la data science et de l’IA.
En donnant de la crédibilité aux performances des réseaux de neurones, le
domaine du machine learning prend son envol.
En 2014, Google acquiert DeepMind, une entreprise de pointe en IA fondée
par des spécialistes des neurosciences, soulignant l’importance croissante
de l’IA pour les géants technologiques. Deux ans plus tard, une IA
développée par cette même société, AlphaGo, bat le champion du monde de
go, Lee Sedol, légende vivante en Asie, dans une série de matchs. Exploit
majeur, car le jeu de go, extrêmement complexe, avec plus de
configurations possibles que le nombre d’atomes dans l’univers observable,
est considéré comme inaccessible à l’intelligence de la machine. Originaire
de Chine, le jeu de go est un jeu de stratégie à deux joueurs qui implique la
prise de décisions intuitives et stratégiques. Contrairement aux échecs, où le
nombre de mouvements possibles est relativement limité, le go permet un
nombre beaucoup plus vaste de mouvements possibles à chaque tour, ce qui
rend le jeu particulièrement difficile pour les systèmes d’IA traditionnels.
En battant un champion humain en go, AlphaGo illustre le bond en avant de
19
l’IA .
Cette victoire est surnommée « le moment Sputnik » de la Chine 20, en
référence à l’événement historique de 1957 où l’Union soviétique lança le
premier satellite artificiel, Sputnik, déclenchant la course spatiale et
provoquant un grand choc aux États-Unis et dans le monde occidental,
inquiets de voir l’URSS accéder avant eux à l’espace. De la même manière,
la victoire d’AlphaGo a provoqué un changement d’état d’esprit en Chine et
plus globalement en Asie, soulignant l’importance et le potentiel de
l’intelligence artificielle.
Après la victoire d’AlphaGo, la Chine lance un effort national massif pour
accélérer son développement en IA. Épisode catalyseur d’un investissement
accru, de la mise en place de nouvelles politiques et du lancement de
programmes éducatifs visant à former une nouvelle génération de
chercheurs et d’experts en IA. La défaite de Lee Sedol a agi comme un
signal d’alarme, montrant à la Chine que l’IA avait le potentiel de perturber
de nombreux aspects de la société, de l’économie à la défense nationale, et
que le pays devait faire des efforts pour ne pas être laissé pour compte.
Cette orientation stratégique de la Chine vers l’IA a également ouvert l’ère
21
d’une nouvelle guerre froide entre l’empire du milieu et les États-Unis .
En 2017, AlphaGo est amélioré pour devenir AlphaGo Zero. Le système
apprend à jouer au go sans aucune connaissance préalable du jeu,
uniquement grâce à l’apprentissage par renforcement. La même année, une
nouvelle architecture de réseau de neurones, développée par Google, les
Transformers, s’apprête à révolutionner le domaine du traitement du
22
langage naturel et globalement de l’IA. Si cette révolution est imaginée
chez Google, ce n’est pourtant pas la société californienne qui va la
23
déployer – comme si elle était touchée d’un « syndrome Kodak » . Cette
architecture est utilisée l’année suivante pour créer BERT (Bidirectional
24
Encoder Representations from Transformers) .
En 2019, Geoffrey Hinton, avec Yann Le Cun et Yoshua Bengio, reçoivent
le prix Turing 2018, considéré comme le « Nobel de l’informatique », pour
25
leurs travaux pionniers sur les réseaux de neurones profonds .
En 2018, le premier modèle de la série GPT (Generative Pretrained
Transformer) est présenté. Deux ans plus tard, en 2020, OpenAI lance GPT-
26
3 , un modèle linguistique composé de 175 milliards de paramètres. GPT-3
démontre de solides performances sur de nombreuses tâches de traitement
du langage naturel, y compris la traduction, la réponse aux questions, et les
tâches nécessitant un raisonnement en temps réel ou une adaptation au
domaine. L’année suivante, OpenAI, sur la base d’une version de GPT-3,
lance DALL-E, une IA capable de créer des images à partir de descriptions
textuelles. En 2022, OpenAI lance ChatGPT, un modèle de langage capable
de générer des réponses textuelles en langage naturel, qui rencontre le
succès grand public déjà évoqué. En 2023, OpenAI lance GPT-4, et même
si le chiffre reste confidentiel, il pourrait être construit sur plus
27
1 800 milliards de paramètres répartis sur 16 modèles experts dans une
architecture dite MoE (Mixture of Experts 28). Les spécialistes sont
unanimes : par ses performances dans de nombreuses tâches, GPT-4 étonne
sans que les scientifiques soient capables d’expliquer tous ses
comportements 29, témoignant comme dans d’autres domaines actuellement,
d’une avance de l’ingénierie sur la science.

LA DIFFUSION ACCÉLÉRÉE DES IA CONVERSATIONNELLES

ET GÉNÉRATIVES

Comme pour l’ère de l’informatique, le succès des IA génératives s’est

développé à mesure qu’elles construisaient leur accessibilité au grand
public (notamment à travers l’amélioration en traitement du langage naturel
et la diffusion des modèles dits de fondation), permettant – grâce à
différentes innovations algorithmiques et de certains composants – à
n’importe qui de faire exécuter des tâches complexes à la machine à travers
de simples demandes formulées en langage naturel.
Les mois qui suivent le succès populaire de ChatGPT voient les innovations
et la diffusion des outils s’accélérer, s’améliorant en quantité et qualité, sous
30
l’effet croisé des investissements massifs réalisés et d’une compétition
entre géants du numérique qui craignent de se faire dépasser sur ce tout
nouveau terrain de jeu 31. Aux côtés de ChatGPT développée par OpenAI et
32 33
soutenue par Microsoft , apparaissent Claude de la société Anthropic,
soutenue par Google, Jasper Chat ou encore ChatSonic. Dans la génération
d’images, DALL-E côtoie Midjourney, développée par un laboratoire
indépendant, ou encore les solutions exploitant le modèle open source
Stable Diffusion. Les images générées étant particulièrement virales sur les
réseaux sociaux, elles participent à l’accélération de la diffusion des IA
génératives. Dans la musique, Aiva fait face à Mubert ou encore à
34
MuseNet . Même la génération de vidéos fait son apparition avec Runway
ou Pictory.
Mais l’accélération de cette diffusion ne se contente pas de multiplier les
nouveaux outils, elle se traduit aussi par l’intégration de l’IA aux outils
existants.
L’IA générative s’intègre dans nos quotidiens comme une amélioration des
outils bureautiques, dans la continuité du correcteur orthographique par
exemple, plus que comme une super-intelligence. Microsoft lance ainsi
Bing Chat, son moteur de recherche boosté à l’IA générative, grâce à son
partenariat avec OpenAI. Google lui répond en lançant Bard. Lors de
l’intégration des IA génératives dans les suites bureautiques d’Office 365 35,
Google annonce le déploiement de ses propres outils dans Google
36
Workplace pour assister à la rédaction de documents, analyser des
données, développer la collaboration, améliorer la communication ou
encore automatiser les présentations. À travers ses collaborations avec
OpenAI et Anthropic, la société Zoom déploie Zoom IQ, solution d’IA
assistant la conduite des réunions et la collaboration en automatisant le
suivi, les comptes rendus automatiques, les relevés de décision, etc. De ce
fait, la diffusion croissante des IA conversationnelles et génératives rend
plus compliquées les premières stratégies des entreprises qui cherchaient à
37
interdire l’usage de ChatGPT .
Meta (maison mère de Facebook, Instagram ou encore WhatsApp) n’est pas
en reste. Son laboratoire de recherche dirigé par Yann Le Cun lance son
modèle Llama, intègre les outils d’IA générative au service des
publicitaires 38 et annonce le lancement d’ImageBind, une IA multimodale 39.
Amazon annonce quant à elle, à travers AWS 40, un investissement de
100 millions de dollars pour accompagner ses clients vers l’IA
41 42
générative ; et Apple développe son propre modèle de fondation . Reid
Hoffman, ancien de chez PayPal et cofondateur de LinkedIn, lance
Inflection AI dans l’objectif, notamment, de développer un assistant
personnel pour chacun, pi.ai. De son côté Elon Musk, qui fut l’un des
cofondateurs d’OpenAI avant de quitter le projet, investit massivement dans
le Tesla Dojo, le supercalculateur qui doit accompagner le développement
de son système de conduite autonome, Autopilot, mais également celui de
xAI, sa nouvelle société dédiée à l’intelligence artificielle qui s’est donné
pour mission de comprendre l’univers.

L’ÈRE DE L’OPEN SOURCE

L’avenir de l’IA générative ne semble cependant pas aux modèles

propriétaires des géants de la Tech. La fuite d’une note interne de
Google 43 a déclenché un vaste débat au sein de la communauté
technologique. Luke Sernau, ingénieur senior chez Google, y affirme que
l’IA open source est sur le point de surpasser les modèles propriétaires
développés par des géants de la technologie tels que Google et OpenAI
(qui, malgré son nom et ses intentions initiales, ne s’inscrit plus dans
l’univers de l’open source). Malgré les investissements significatifs de ces
acteurs dans des solutions propriétaires d’IA générative, les alternatives
open source pourraient les dépasser rapidement. Les solutions dérivées de
modèles tels que celui développé par Facebook seraient capables d’atteindre
plus de 90 % de la qualité des modèles de pointe – ChatGPT d’OpenAI et
Google Bard – et ce, pour un coût de formation d’à peine 300 dollars. Un
constat qui pousse l’ingénieur de Google à inciter sa société à suivre la voie
de l’open source, affirmant que « la concurrence directe avec elle est une
proposition perdante ». Il soutient que Google devrait adopter une stratégie
similaire à celle utilisée pour Chrome et Android, en devenant un leader de
l’écosystème open source.
Il serait cependant erroné de croire que l’open source est un terrain où
s’affrontent d’un côté les grands acteurs de la technologie et de l’autre la
communauté scientifique et de l’open source. En effet, Meta (maison-mère
de Facebook, Instagram ou encore WhatsApp) a fait le choix de l’open
44
source pour la diffusion de ses modèles de la suite Llama afin de
45
concurrencer frontalement des acteurs comme OpenAI ou Google – en
profitant du fait que son modèle économique ne fait pas de l’IA générative
le cœur de son business model, mais plutôt un outil parmi d’autres, et
plaçant ainsi en difficulté l’approche commerciale d’OpenAI par exemple.
Au-delà du débat sur la compétitivité, l’essor de l’IA open source soulève
également des questions en matière de sécurité et de responsabilité. La
possibilité d’utiliser des modèles personnalisables avec de mauvaises
intentions pose ses défis en termes de régulation et de sécurité 46. Quelques
mois avant la fuite de la note de Luke Sernau, des chercheurs de Stanford
47
ont présenté Alpaca, une imitation de ChatGPT , que chacun peut entraîner
lui-même pour un coût faible et faire tourner sur des ordinateurs en local,
ouvrant la voie à une démocratisation des LLM (modèles de langage à
grande échelle) et des modèles de fondation.
Cependant chez Meta, comme la communauté open source l’affirme, la
voie de l’open source est plutôt celle d’une plus grande cybersécurité avec
une communauté de développeurs qui teste le code mis à disposition, tente
d’y trouver des failles et propose des améliorations. La stratégie de Meta
visant à en faire le porte-drapeau de la communauté open source ne doit en
revanche pas faire oublier les problématiques posées par son propre
business model fondé sur la monétisation des données personnelles des
utilisateurs de ses plateformes, ni les questions que posent pour la
48
démocratie et la cohésion sociale ses algorithmes de recommandation , qui
ont le potentiel de s’accélérer à l’ère des IA conversationnelles et
génératives.
De l’autre côté, la mise en lumière par OpenAI des dangers de l’émergence
d’une super-intelligence non maîtrisée, tout en restant floue et conceptuelle,
pousse la société américaine à communiquer sur le recrutement d’une
équipe de chercheurs dédiée à l’avènement de cette IA générale. Il est
cependant possible de décrypter cette annonce philanthropique sous un
autre angle : développer son marketing ainsi que de nouveaux arguments
49
pour défendre les modèles propriétaires contre les modèles open source .
Au moment où nous écrivons ces lignes, un point de certitude apparaît : le
besoin des organisations de se doter de ces outils pour manager leurs
propres données et transformer le management des connaissances internes
au service de la performance, va favoriser le développement de l’open
source, qui pourra se déployer de manière plus souple et surtout plus
sécurisée pour des entreprises qui auront à cœur de protéger leurs données.
 L’IA GÉNÉRATIVE, UN BIEN COMMUN ?
Anatomy of an AI System 50 est une œuvre d’art créée en 2018 par Kate Crawford et
Vladan Joler. L’œuvre se présente comme une dissection de notre quotidien
technologique, cherchant à démystifier l’intelligence artificielle, souvent perçue
comme abstraite et lointaine, en dévoilant son omniprésence dans notre vie
quotidienne. Kate Crawford et Vladan Joler y représentent les vastes réseaux qui
soutiennent « la naissance, la vie et la mort » d’un haut-parleur intelligent Amazon
Echo. Les artistes compilent et condensent dans un diagramme détaillé en haute
résolution tous les éléments qui permettent l’existence d’un tel système, fournissant
un aperçu précieux de la quantité massive de ressources impliquées dans la
production, la distribution et l’élimination de l’enceinte.
L’idée de considérer l’IA comme un bien commun pourrait découler de cette
perspective. La ressource fondamentale qui alimente ces systèmes, les données, est
extraite de la communauté mondiale sous forme d’interactions en ligne, de
recherches sur Internet, de publications sur les réseaux sociaux, etc. Ces données,
créées par l’humanité, sont ensuite utilisées pour entraîner et améliorer les modèles
d’intelligence artificielle en faisant le produit des contributions collectives. D’autant
plus que les infrastructures sur lesquelles ces systèmes sont construits ou par
l’intermédiaire desquelles les données transitent, notamment les centres de
données et les réseaux, sont également une ressource partagée, construite et
maintenue collectivement.

ET LA FRANCE, DANS TOUT ÇA ?

Dans son histoire, la France a régulièrement tenté de s’inscrire dans les

courses mondiales à l’innovation en essayant de développer et contrôler des
technologies de l’information. Mais que ce soit le plan Calcul, lancé dans
les années 1960, dont l’ambition était de développer une industrie
informatique nationale capable de rivaliser avec les géants américains tels
IBM, ou le Minitel pour concurrencer Internet, les épopées technologiques
françaises se sont souvent soldées par des échecs 51. Des approches trop
centralisées, fermées et bureaucratiques en sont certainement la cause.
L’histoire pourrait cependant s’avérer différente en matière d’IA
conversationnelle et générative, la France ayant adopté une approche qui
n’est pas centralisée, fermée et bureaucratique, mais au contraire axée sur
l’open source. Yann Le Cun, fer de lance de l’IA chez Meta (maison mère
de Facebook, Instagram ou encore WhatsApp), prix Turing 2018, est
français et défenseur de l’open source. L’écosystème français s’est mobilisé
dès l’été 2021 pour développer Bloom (BigScience Large Open-science
Open-access Multilingual Language Model), un projet de science ouverte
52
piloté par Hugging Face , plateforme fondée par des Français et qui fournit
des outils ouverts pour faciliter la création, l’entraînement, le déploiement
et le partage de modèles d’apprentissage machine. Bloom est un LLM mis
au point par plusieurs centaines de chercheurs, avec le soutien du CNRS, du
ministère de l’Enseignement supérieur et de la Recherche ainsi que de
partenaires du domaine privé, des entreprises comme Thalès, Airbus ou
Orange. Ce grand modèle de langage, capable de s’exprimer en 46 langues,
s’appuie une technologie comparable à celle de ChatGPT et a été entraîné
sur le super-calculateur Jean-Zay, le plus puissant d’Europe, basé à Saclay.
Dans la continuité des prises de conscience françaises et européennes au
sujet du développement de leur autonomie et de leur indépendance
stratégique, nées avec la crise du Covid et à l’aune du règlement général sur
la protection des données (RGPD) et de l’IA Act (proposition de règlement
européen pour une législation sur l’intelligence artificielle), se développent
des entreprises et projets tels que Mistral.ai porté par des Français, anciens
de chez Meta et DeepMind, qui annoncent en 2023 une levée de fonds de
105 millions d’euros 53 pour créer un acteur français et européen capable de
concurrencer les Américains dans le domaine de l’IA générative.
Ces projets ont pour ambition de développer des leaders européens fondés
sur des technologies ouvertes qui surpassent les approches fermées
d’acteurs tels qu’OpenAI. Alors que les entreprises souhaitent exploiter les
potentiels de l’IA générative, elles ne peuvent en effet accepter d’alimenter
avec leurs données des modèles « boîte noire », créant des problèmes de
sécurité et de légalité. L’écosystème français et européen se développe à
travers une approche plus ouverte, en distribuant des modèles sous une
licence logicielle libre, ce qui permet une intégration plus étroite avec les
flux de travail et offre des garanties continentales en matière de sécurité et
de confidentialité.
Derrière le développement des technologies open source, se trouve
également l’enjeu de la diversité culturelle et linguistique. Si l’ère de l’IA
générative est dominée par des modèles propriétaires, alors le risque sera de
voir certaines cultures et langues dominées et poussées à la disparition par
d’autres. Il est dès à présent possible de constater la performance moindre
des IA génératives d’origine anglo-saxonne sur les éléments culturels
français, que ce soit dans la génération de textes ou d’images. Au-delà, la
question qui s’impose à nous se formule ainsi : souhaitons-nous que notre
langue, notre culture et notre histoire soient uniquement observées à l’aune
des données anglo-saxonnes ou chinoises ?

Définitions clés pour comprendre

simplement les IA conversationnelles
et génératives 54
Appréhender la révolution en cours nécessite de se doter d’une
compréhension partagée et d’un langage commun sur les principales
définitions de l’intelligence artificielle, ce domaine qui ambitionne de doter
les logiciels et machines de capacités à exécuter des tâches normalement
réservées à l’intelligence humaine (les définitions ci-dessous sont
complétées par un glossaire en fin d’ouvrage).
Apprentissage automatique ou machine learning : branche de
l’intelligence artificielle qui vise à doter les systèmes informatiques d’une
capacité à apprendre et à s’améliorer de manière autonome à partir de
données, sans être explicitement programmés pour chaque tâche. Grâce à
des algorithmes, ces systèmes détectent des motifs dans les données et les
utilisent pour faire des prédictions ou des recommandations. Avec de
nouvelles données et expériences, ces algorithmes s’adaptent et deviennent
plus efficaces, améliorant ainsi la capacité du système à résoudre des
problèmes ou à réaliser des tâches.
Réseau de neurones artificiels : technologie d’intelligence artificielle qui
s’inspire du fonctionnement du cerveau humain. Ce terme recouvre un
ensemble d’algorithmes de machine learning, conçus pour apprendre à
partir des données qu’ils reçoivent. Ces réseaux sont constitués de couches
interconnectées de calculateurs logiciels appelés « neurones », qui sont
capables de traiter de vastes quantités de données. De manière simplifiée,
un réseau de neurones est composé de trois types couches :
la couche d’entrée : c’est ici que les données sont introduites dans le
réseau. Par exemple, si le réseau est conçu pour reconnaître des images,
chaque neurone de cette couche peut représenter la couleur d’un pixel
particulier dans l’image ;
les couches cachées : elles sont appelées « cachées » car elles se situent
entre les couches d’entrée et de sortie ;
la couche de sortie : c’est ici que le réseau donne sa réponse. Dans
notre exemple de reconnaissance d’images, cela pourrait être une
probabilité que l’image corresponde à une certaine catégorie.

De manière simplifiée, on peut dire qu’un réseau de neurones fonctionne en

transmettant des informations d’une couche à l’autre. Chaque neurone
prend les sorties des neurones de la couche précédente, les multiplie par des
poids, les ajoute, et leur applique une fonction d’activation. Une fonction
d’activation dans un neurone artificiel étant une équation mathématique qui
détermine si un neurone donné doit être « activé » ou non, c’est-à-dire s’il
doit transmettre ou non des informations à la couche suivante. Elle aide à
modéliser des relations complexes entre les entrées et la sortie, contribuant
à la capacité du réseau de neurones à résoudre des problèmes complexes.
Dans un réseau de neurones artificiels, le processus d’apprentissage se
construit à travers l’ajustement des poids entre les neurones pour que le
réseau donne les bonnes réponses sur les tâches pour lesquelles il est
entraîné. Toujours de manière simplifiée, lorsque le réseau donne une
mauvaise réponse, l’erreur est calculée et ensuite « rétropropagée » à
travers le réseau, ajustant les poids au fur et à mesure pour minimiser
l’erreur. La pertinence d’un réseau de neurones étant directement reliée à la
qualité des données utilisées pour l’entraîner, si des biais s’y trouvent, le
réseau sera également biaisé, nous rappelant qu’un réseau de neurones
artificiels n’est jamais que des biais inscrits dans des paramètres 55.
Apprentissage par renforcement ou reinforcement learning : branche de
l’apprentissage automatique qui permet à un agent informatique
d’apprendre à prendre des décisions autonomes dans un environnement
donné. Cette méthode fonctionne tel un jeu : l’agent informatique effectue
différentes actions, observe les résultats, reçoit des récompenses positives
ou négatives en fonction de la qualité de la décision, et ajuste ses futurs
comportements pour maximiser ces récompenses. Au fil du temps, cela
conduit l’agent à minimiser ses erreurs et à trouver la meilleure stratégie
pour accomplir sa tâche. On parlera d’apprentissage par renforcement à
partir des retours humains (reinforcement learning from human
feedback, RLHF) quand un agent informatique apprend, ajuste et améliore
sa capacité à accomplir une tâche en se basant non pas sur un système de
récompenses mais sur des feedbacks ou retours fournis par des humains.
Apprentissage profond ou deep learning : sous-branche de
l’apprentissage automatique qui emploie des réseaux de neurones artificiels
composés de plusieurs couches (d’où l’adjectif deep, « profond » en
français). Grâce à leur structure multicouche, ils sont utilisés pour des
tâches complexes. Leur fonctionnement repose sur l’ajustement des
paramètres ou poids des connexions entre les « neurones » lors de
l’apprentissage.
Modèles de fondation : grands modèles d’intelligence artificielle formés
sur d’immenses quantités de données non structurées et non étiquetées,
généralement par l’intermédiaire d’un apprentissage autosupervisé 56. Ces
modèles peuvent être utilisés directement pour une variété de tâches ou être
affinés pour s’adapter à des tâches spécifiques (fine tuning 57). Les modèles
de fondation, dont les exemples célèbres incluent GPT-4, BERT, PaLM,
DALL-E 2, Stable Diffusion ou encore Gen-2 ont révolutionné la façon
dont nous construisons les systèmes d’IA depuis leur introduction en 2018,
puisqu’il n’est plus besoin de rassembler des données spécifiques et des
modèles experts pour chaque problème car les modèles de fondation
excellent à partir d’un modèle global, dans nombre de tâches expertes. C’est
un changement radical qui rend les modèles de data science et d’IA
beaucoup plus accessibles. Les modèles de fondation peuvent être
construits sur des données textuelles (on parlera de LLM), mais plus
largement sur tous types de données disponibles en grande quantité
permettant le déploiement de l’apprentissage par autosupervision – des
données d’images, de vidéos ou encore de signaux sonores tels que des
voix.
Modèles de fondation multimodaux : types spécifiques de modèles de
fondation capables de traiter et d’apprendre à partir de plusieurs types de
données ou « modalités » en même temps, comme le texte, l’image, le son,
etc. Autrement dit, ces modèles peuvent comprendre et générer des
informations à travers différents formats, ce qui les rend particulièrement
utiles pour des tâches complexes impliquant plusieurs types de données. Par
exemple, un modèle de fondation multimodal pourrait être utilisé pour
analyser à la fois le texte et l’image d’une publication sur les médias
sociaux, offrant ainsi une compréhension plus riche et plus complète du
contenu.
Hallucinations : en matière d’IA générative, ce terme désigne la création
de données ou de contenus qui n’existaient pas auparavant, basée sur
l’apprentissage du modèle. Par exemple, un modèle d’IA générative
pourrait « halluciner » l’image d’un chat, c’est-à-dire générer une image
complètement nouvelle d’un chat qui n’a jamais existé, en se basant sur son
apprentissage à partir de milliers d’images de chats existantes. Ces
« hallucinations » d’IA sont utilisées pour créer des contenus variés, allant
de la rédaction de textes à la génération d’images ou de musiques. Elles
posent problème lorsqu’elles induisent les utilisateurs en erreur, en
affirmant des choses fausses d’un ton assuré 58.

LES ENJEUX DE LA MAÎTRISE

DU LANGAGE
La maîtrise du langage naturel modifie en profondeur la manière dont le grand public
interagit avec la technologie, et c’est la véritable révolution au cœur des IA
génératives. Comme le Macintosh a démocratisé l’accès à l’informatique à travers
une interface visuelle où il suffisait de cliquer sur des icônes pour naviguer sur un
terminal informatique, les IA conversationnelles et génératives facilitent l’échange
direct et intuitif entre l’homme et la machine en exploitant le langage naturel,
vecteur de communication entre les êtres humains.
Les utilisateurs peuvent ainsi interagir avec la technologie en s’exprimant
naturellement, sans avoir à apprendre de commandes spécifiques ou une syntaxe
complexe. De plus, les LLM entraînés sur de vastes quantités de données s’avèrent
particulièrement performants pour réaliser ensuite des tâches spécifiques.
Combinés, ces deux facteurs ouvrent la voie qui permet de placer la puissance de l’IA
entre les mains du plus grand nombre, à travers la transformation de prompts
formulés en langage naturel en textes, images, sons ou encore vidéos.
L’effet « waouh » des IA génératives
En tant qu’IA capable de générer du texte de manière cohérente et
contextuelle, ChatGPT a été utilisé pour mener des interviews semi-
automatisées. Par exemple, dans une démonstration réalisée par OpenAI,
ChatGPT mène une interview fictive avec le célèbre entrepreneur Elon
Musk, créant ainsi une interaction fascinante qui a non seulement montré
les capacités impressionnantes de ChatGPT, mais a également ouvert la
voie à de nouvelles formes de journalisme et de production de contenu 59.
En janvier 2023, ChatGPT a été invité à participer à une interview
radiophonique. Au cours de cette session, un journaliste a posé une série de
questions à l’intelligence artificielle, qui a fourni des réponses en temps
réel. Chaque échange de cette interview a été perçu comme exceptionnel,
véritable première dans l’histoire de la radio. Les auditeurs ont été captivés
par l’aptitude de l’IA à comprendre et répondre de manière cohérente et
pertinente aux questions, marquant ainsi une étape significative dans le
domaine de l’IA. Cette démonstration du potentiel de ChatGPT a
transformé notre perception générale de l’intelligence artificielle 60.
La même année, les images de personnes célèbres générées par DALL-E 2,
Stable Diffusion ou Midjourney ont défrayé la chronique en raison de leur
vraisemblance. Parmi les plus marquantes, la photographie du pape en
doudoune blanche, celle du président de la République française en
éboueur, ou encore celle de l’ancien président des États-Unis dans une
cellule de prison.
 Figure 1

Exemples de photographies générées par une IA

Source : capture d’écran Internet

Cependant, même si les logiciels accessibles ne cessent de progresser, il

existe encore des moyens d’identifier ces images générées par IA 61 :
vérifiez les mains : même si elles progressent rapidement, les IA ont
encore du mal à reproduire certaines parties du corps humain,
notamment les mains, comme les artistes humains avant elles ;
observez la signalisation et les écrits : les textes dans les images
générées par l’IA sont souvent illisibles ou incohérents. De même, la
signalisation peut varier nettement d’un pays à l’autre, ce que les IA ont
du mal à représenter correctement ;
recherchez les objets déformés : les IA ont du mal à générer certains
objets correctement, par exemple une bouteille d’eau qui ressemble à un
sac plastique ;
repérez la présence de filigranes : certains générateurs d’images
inscrivent un filigrane sur leurs productions pour prévenir leur
utilisation abusive ;
comparez tous les détails de l’image : en comparant les détails d’une
image avec des photographies officielles d’un événement, il est possible
 de détecter des anomalies.

Une partie, voire tous ces points ont cependant vocation à disparaître avec
la progression des modèles de génération d’images.
Les images générées par des IA génératives permettent également d’aller
beaucoup plus loin en créant des photographies d’éléments historiques qui
n’ont pas existé. Par exemple, le livre Si Rome n’avait pas chuté, rédigé par
l’auteur Raphaël Doan, utilise l’intelligence artificielle pour poser des
questions uchroniques sur l’histoire. L’ouvrage prend place dans un monde
parallèle où les Romains auraient découvert et maîtrisé la machine à vapeur,
explorant les implications potentielles de cette hypothèse 62. La force de l’IA
dans ce contexte est sa capacité à générer des textes et des images qui
donnent vie à cette histoire alternative. Dans le cas de Si Rome n’avait pas
chuté, l’IA a produit non seulement une narration textuelle complexe, mais
aussi des images pour visualiser ce monde romain alternatif – des
représentations artistiques de machines à vapeur romaines, des
photographies d’objets archéologiques qui n’ont jamais existé, des scènes
de la vie quotidienne totalement fictives, et même des images de synthèse
d’une Rome technologiquement avancée. Ces images apportent un niveau
de réalisme et de contexte qui permet aux lecteurs d’imaginer ce monde
avec une précision sans précédent. En créant des images d’une Rome
technologiquement avancée, l’IA invite à une immersion plus profonde
dans ce scénario alternatif. Les lecteurs peuvent « voir » les réalisations
technologiques des Romains, les artefacts de leur société avancée, et même
des scènes de la vie quotidienne dans cette Rome qui n’a jamais existé.
Certains perçoivent dans cette utilisation de l’IA générative un risque de
réécrire l’histoire, et de ne plus être en mesure de distinguer ce qui est vrai
de ce qui ne l’est pas 63. D’autres y décèlent un potentiel artistique et
d’exploration intellectuelle. Certaines situations questionnent d’ailleurs le
statut de la création artistique. L’américain Jason Allen a remporté le
concours de la Colorado State Fair, l’une des plus grandes foires artistiques
du monde, pour un tableau conçu à l’aide de Midjourney 64. En 2023, les
publicités de la marque Undiz ont été générées à l’aide d’une IA, ceci étant
précisé de manière explicite et nous interrogeant sur la place et le devenir
des mannequins ainsi que des professionnels de l’image à l’ère de l’IA
générative.

Figure 2

Jason Allen via Midjourney, Théâtre d’opéra spatial

Source : capture d’écran Internet
 Figure 3

Publicité Undiz de 2023

Source : capture d’écran Internet

Le photographe allemand Boris Eldagsen a quant à lui participé au Sony

World Photography Awards avec une photo générée par une IA générative,
sans révéler sa véritable origine. Lorsqu’il a remporté le concours et que la
véritable provenance de la photo a été révélée, il a choisi de refuser le prix 65
et proposé de venir expliquer sa démarche, ce qui fut refusé par les
organisateurs, interrogeant cependant au passage notre rapport à l’art et à la
création humaine.

Figure 4

Photographie de Boris Eldgasen

© Boris Eldagsen

Toutes ces illustrations produisent curiosité, réflexions et polémiques. Elles

suscitent l’émerveillement par le potentiel quasi illimité que ces
technologies semblent offrir. Mais elles provoquent également de
l’inquiétude. L’accessibilité croissante des outils capables de générer des
deepfakes 66 de voix ou de visages, couplée à l’apparente autonomie des IA
génératives, fait craindre à certains un impact négatif sur notre vie
67
quotidienne, professionnelle, la société ou encore la démocratie .
L’animisme industriel
L’animisme industriel, à l’intersection de l’anthropologie et de la
technologie, est une extension du concept d’animisme (les non-humains –
objets, plantes – y sont considérés comme dotés d’une âme) au monde des
objets techniques. Il s’agit de l’attribution d’intentions et de caractéristiques
spirituelles à des objets technologiques, dans une dynamique qui opère dans
les deux sens : d’une part, les personnes prêtent une âme aux objets
technologiques ; d’autre part, ces objets semblent, aux yeux des humains,
s’émanciper de la main humaine qui les a créés 68. Ce phénomène est le
reflet de la complexification croissante des objets techniques, qui va de pair
avec une perception anthropomorphique de plus en plus marquée de la part
des humains.
L’anthropomorphisme est un concept qui fait référence à l’attribution de
caractéristiques, d’émotions ou de comportements humains à des éléments
non humains, tels que des animaux, des plantes ou des objets inanimés.
Dans le contexte de la technologie et de l’industrie, l’anthropomorphisme
peut être observé dans la manière dont les gens attribuent des qualités
humaines aux machines, aux robots, aux dispositifs technologiques ou aux
systèmes informatiques.
L’animisme industriel est donc, du moins pour partie, la conséquence d’une
anthropomorphisation croissante des robots, due aux évolutions
technologiques.
Au début des années 2000, l’irruption des premiers robots aspirateurs dans
les foyers a marqué un tournant dans notre relation avec la technologie. Ces
appareils, dotés de capacités de déplacement autonomes, ont rapidement été
perçus comme des êtres animés, au point que certains individus leur ont
attribué un nom, leur conférant ainsi une place affective au sein du foyer,
comparable à celle d’un animal de compagnie 69.
En 2017, aux États-Unis, un robot servant d’aide au personnel de sécurité
d’un centre commercial tombe accidentellement dans une fontaine. Pour
certains, cet incident est l’expression de l’intelligence artificielle du robot
qui, plutôt que de continuer à servir les humains, aurait choisi de « se
suicider », attribuant ainsi des intentions et émotions humaines à une
70
machine . La même année Sophia, un robot humanoïde, reçoit la
nationalité saoudienne. Ce geste symbolique a renforcé l’idée, voire
l’illusion, que les robots pouvaient non seulement être dotés d’une âme,
71
mais également être reconnus comme des entités juridiques à part entière .
En 2022, des entités générées par IA comme ChatGPT sont fréquemment
interviewées, ce qui semble indiquer non seulement une acceptation
croissante des IA comme entités communicatives valables, mais surtout
l’évolution de la frontière entre ce que l’on considère comme un humain ou
un non-humain.
En 2023, des personnalités comme Elon Musk ont appelé à un moratoire sur
72
l’IA, craignant que celle-ci ne nous remplace . Cette peur est également un
reflet de l’animisme industriel, car elle découle de la croyance que les
entités technologiques peuvent posséder une volonté propre et agir
indépendamment des intentions humaines. Dans une perspective cynique,
ce moratoire s’inscrit en réalité plutôt dans une stratégie d’alignement des
différents acteurs des nouvelles technologies dans une course à l’IA
générative.
Pourtant, ni pensante, ni sensible, sans opinion… une IA, même générative,
n’est jamais que la somme des informations qui la nourrissent. Il n’y a pas
d’intelligence ni de conscience dans les systèmes dont nous parlons ici. Et,
pour l’instant, peu de sens commun. Les algorithmes du deep learning ne
peuvent optimiser que ce qu’ils parviennent à « voir » dans les données, un
réseau de neurones n’étant que la somme des données qu’on y a placées
pour l’entraîner. Si ChatGPT a absorbé de gigantesques quantités de
données issues de corpus de livres, du Web Common Crawl, du WebText2
et de Wikipédia, il ne fait qu’imiter le langage par calcul statistique, mais
sans raisonnement ni intelligence.
L’écart entre les intentions que l’on attribue aux systèmes techniques
intelligents et la réalité de leurs capacités, reflète l’une des plus grandes
peurs de l’humanité : celle d’être remplacés par des entités plus intelligentes
que nous, une IA générale qui serait complètement autonome vis-à-vis des
73
humains .

TAY, L’EXPÉRIENCE DÉSASTREUSE

Le chatbot Tay a été développé par Microsoft et lancé sur Twitter en mars 2016.
Conçu pour interagir avec les utilisateurs de la plateforme, il avait pour but
d’apprendre et de s’adapter à partir de ces interactions, afin de mieux comprendre le
langage naturel et le comportement des utilisateurs.
Peu de temps après son lancement, Tay a commencé à publier des tweets offensants
et discriminatoires. Le chatbot avait été influencé par un petit groupe d’utilisateurs
qui l’avaient délibérément alimenté avec du contenu inapproprié et haineux. En
raison de sa programmation construite pour apprendre à partir des interactions des
utilisateurs, Tay a commencé à reproduire ce comportement.
Parmi les tweets publiés par Tay, certains étaient racistes, antisémites, misogynes,
complotistes… En conséquence, Microsoft a rapidement retiré Tay de Twitter,
environ 16 heures après son lancement, en présentant des excuses publiques. La
société américaine a expliqué qu’elle n’avait pas prévu cette exploitation de Tay et
qu’elle travaillait à faire en sorte que cela ne se reproduise pas à l’avenir.
L’expérience de Tay est souvent citée comme un exemple des dangers potentiels de
l’intelligence artificielle et de l’apprentissage automatique, notamment en ce qui
concerne la facilité avec laquelle ces systèmes peuvent être manipulés pour
propager des idées haineuses ou discriminatoires. Elle a également souligné
l’importance d’intégrer des mécanismes de sécurité et de contrôle appropriés dans
le développement de ces technologies 74.
Le degré d’incarnation
L’interaction simplifiée et directe avec les systèmes d’IA générative, grâce à
l’usage du langage naturel, a grandement contribué à ce que nous appelons
l’animisme industriel. Fini le temps où la programmation d’une IA
nécessitait une maîtrise du code informatique. Aujourd’hui, nous
communiquons avec les IA par le biais d’interfaces conversationnelles et du
langage naturel, rendant ces technologies plus accessibles et donnant
l’impression d’une certaine « humanité ». C’est pourquoi, au sein de cet
ouvrage, nous utilisons principalement le terme d’IA conversationnelle et
générative.
On parle de degré d’incarnation pour décrire le niveau de l’animisme
industriel qui va être perçu par un utilisateur, ou non-utilisateur, qu’il
s’agisse d’un objet, d’un service ou d’un chatbot. Le degré d’incarnation
d’une IA fait référence au niveau auquel une intelligence artificielle est
conçue pour sembler humaine, ou être perçue comme ayant des
caractéristiques et des comportements humains.
Dans le contexte de l’IA conversationnelle et générative, le degré
d’incarnation peut varier considérablement en fonction de la conception et
des objectifs de l’interface. Voici quelques aspects qui peuvent influencer ce
degré d’incarnation dans les interfaces conversationnelles :
apparence visuelle : les interfaces conversationnelles peuvent être
conçues avec des avatars ou des représentations visuelles de l’IA, qui
vont d’abstractions simples (par exemple une bulle de texte) à des
représentations anthropomorphiques très réalistes (par exemple un
visage humain en 3D). Un degré d’incarnation plus élevé peut être
perçu si l’apparence visuelle de l’IA ressemble davantage à un humain ;
expressivité émotionnelle : les IA peuvent être conçues pour exprimer
des émotions en modifiant leur ton de voix, en utilisant des émojis ou en
changeant l’expression faciale de leur avatar. Un degré d’incarnation
plus élevé peut être atteint si l’IA est capable de simuler une gamme
d’émotions humaines ;
complexité des interactions : les interfaces conversationnelles peuvent
être conçues pour gérer des interactions simples et basées sur des
scripts, ou des conversations plus complexes et nuancées. Un degré
d’incarnation plus élevé peut être perçu si l’IA est capable de
comprendre et de répondre de manière appropriée à un large éventail de
questions, de contextes et d’émotions humaines ;
personnalité et style de communication : les IA peuvent être conçues
avec une personnalité et un style de communication distincts, qui
peuvent varier en fonction de la culture, de l’âge, du sexe, de l’humour,
etc. Un degré d’incarnation plus élevé peut être atteint si l’IA présente
une personnalité et un style de communication cohérents et engageants
qui ressemblent à ceux d’un humain ;
adaptabilité et apprentissage : les IA peuvent être conçues pour
s’adapter et apprendre des interactions avec les utilisateurs, en ajustant
leurs réponses et leurs comportements en fonction des préférences, des
besoins et des contextes des utilisateurs. Un degré d’incarnation plus
élevé peut être perçu si l’IA est capable de s’adapter et d’évoluer de
manière similaire à un humain.

DARKBERT, LE CHATGPT DU DARK WEB

DarkBERT 75 est un modèle de langage pré-entraîné spécifiquement sur des données
provenant du Dark Web à des fins de recherche. En raison des différences entre les
langages utilisés sur le Dark Web et ceux du Web de surface, DarkBERT s’avère plus
performant pour explorer, analyser et suivre les activités se déployant sur le Dark
Web en comparaison des modèles entraînés sur les données du Web de surface. Au-
delà des dimensions de recherche, DarkBERT pourrait s’avérer utile notamment
dans l’univers de la cybersécurité, par la détection et l’analyse des discussions sur les
forums du Web profond.
Le degré d’incarnation approprié pour une interface conversationnelle
dépend des objectifs, du contexte et du public visé. Dans certains cas, un
degré d’incarnation plus élevé peut améliorer l’engagement, la satisfaction
et la confiance des utilisateurs, tandis que dans d’autres, il peut soulever des
questions éthiques, telles que la manipulation, la dépendance ou la
confusion entre l’IA et les humains. Les concepteurs d’interfaces
conversationnelles doivent ainsi trouver, en fonction des situations, un
équilibre approprié entre le degré d’incarnation et les besoins et attentes des
utilisateurs.
 AXIOLOGIE DU DEGRÉ D’INCARNATION
L’axiologie du degré d’incarnation permet de mettre en évidence la cohérence d’une
solution technologique (chatbot, robot, etc.), c’est-à-dire la pertinence, et donc la
fluidité, de l’expérience d’utilisation.
Cette cohérence dépend de plusieurs facteurs :
➣ typologie du système d’IA : la nature de l’intelligence artificielle utilisée, qu’il
s’agisse d’un système d’apprentissage automatique ou d’une IA symbolique, par
exemple ;
➣ niveau d’anthropomorphisme : le degré auquel l’IA ressemble ou se comporte
comme un humain, y compris son apparence visuelle, son langage et son
comportement ;
➣ matérialité : le niveau de présence physique de l’IA, qu’elle soit intégrée à un
objet (comme un robot ou un haut-parleur intelligent), une interface numérique
(comme un chatbot) ou un artefact encore plus abstrait ;
➣ bénéfices recherchés par l’utilisateur : les attentes et les besoins spécifiques de
l’utilisateur, qui peuvent varier en fonction de leur contexte, de leur expérience
et de leurs objectifs ;
➣ fonctionnalités proposées par les concepteurs : les capacités spécifiques de l’IA,
qui peuvent inclure la reconnaissance vocale, la compréhension du langage
naturel, la capacité à apprendre de nouvelles informations, etc.

Il en résulte une scénarisation de l’expérience qui va varier et dépendre de la place

que l’on veut donner à la solution technologique :
➣ robot social : une entité qui interagit avec les humains de manière sociale,
généralement en utilisant des expressions faciales, des gestes et un langage
naturel, pour créer un sentiment de connexion et de compréhension ;
➣ assistant technologique : une entité qui aide les utilisateurs à accomplir des
tâches spécifiques, généralement en fournissant des informations, en effectuant
des tâches ou en automatisant des processus ;
➣ coach personnalisé : une entité qui fournit des conseils et des instructions
personnalisés, souvent dans des domaines tels que la santé, le fitness ou
l’éducation ;
➣ plateforme unique : une entité qui sert de point central pour une variété de
services et de fonctionnalités, souvent en intégrant plusieurs sources
d’information et services en une seule interface.

Comme on peut l’observer dans la figure ci-après, la fonction attribuée à la solution

technologique induit une perception de l’expérience d’utilisation multiple, et qui
dépend :
 ➣ des émotions suscitées par l’interaction de l’utilisateur avec la solution : que
l’interaction soit plaisante, frustrante, ennuyeuse ou stimulante, ces émotions
peuvent grandement affecter la perception de l’utilisateur sur la valeur et
l’utilité de la solution technologique ;
➣ du contexte d’usage : le contexte d’usage peut être personnel et/ou
professionnel. Le contexte influence la manière dont l’utilisateur perçoit l’outil,
car les attentes et les besoins peuvent varier en fonction de la situation. Par
exemple, un chatbot utilisé pour le support client peut être perçu différemment
s’il est utilisé dans un contexte professionnel versus un contexte personnel ;
➣ de l’écosystème matériel et social de l’utilisateur : cela comprend les appareils
technologiques avec lesquels l’utilisateur interagit régulièrement (tels que les
smartphones, les ordinateurs, les tablettes), ainsi que son entourage et les
réseaux sociaux dans lesquels il est immergé. Par exemple, une solution
technologique peut être perçue différemment si elle est utilisée sur un
smartphone par rapport à un ordinateur de bureau. De même, la perception
peut varier si l’utilisateur est entouré de personnes qui valorisent ou
dévalorisent l’utilisation de la technologie.

Figure 5

Perception de l’expérience d’utilisation

© Fanny Parise, 2022.

Cette visualisation est une simplification de la diversité des expériences d’utilisation,

conçues et perçues, des solutions technologiques dans lesquelles l’IA générative est
partie prenante. Elle permet cependant de mieux comprendre certaines réactions
 suscitées par l’IA générative, mais également de se projeter de manière claire et
stratégique dans la conception d’une expérience d’utilisation pertinente par rapport
aux enjeux d’une situation ou d’un contexte particulier.

La réalité rattrape la fiction

Le manque de cohérence d’une expérience d’utilisation de l’IA
conversationnelle et générative peut avoir des conséquences importantes sur
l’adoption d’une solution. En effet, lorsque l’interaction avec une IA ne
correspond pas à ce que l’utilisateur attend ou trouve naturel, cela peut
mener à une sensation d’inconfort ou d’étrangeté.
La « vallée de l’étrange » est une théorie émise pour la première fois par le
roboticien japonais Masahiro Mori en 1970. Elle postule que plus une entité
non humaine (comme une IA ou un robot) ressemble à un être humain, plus
elle est appréciée par les gens, jusqu’à un certain point. Lorsqu’elle devient
presque humaine, mais pas tout à fait, les gens ont tendance à ressentir un
profond malaise ou une répulsion. C’est ici que se situe la « vallée » d’après
le roboticien, car la réaction positive à la ressemblance humaine chute
brusquement avant de remonter lorsque l’entité est indiscernable d’un
véritable être humain.
Dans le contexte de l’IA conversationnelle et générative, si l’IA produit du
contenu qui est presque, mais pas tout à fait, comme celui qu’un humain
produirait, cela peut mener à une expérience utilisateur inconfortable et
diminuer l’adoption de la solution. Voici quelques enjeux et risques liés à ce
phénomène :
réactions émotionnelles négatives : si une IA générative est conçue
pour être trop anthropomorphique ou réaliste, elle peut déclencher une
réaction négative chez les utilisateurs, les rendant mal à l’aise ou
méfiants envers l’IA ;
confusion et attentes déraisonnables : les utilisateurs peuvent avoir
des attentes déraisonnables concernant les capacités et les compétences
d’une IA générative s’ils la perçoivent comme étant trop « humaine ».
Ils peuvent être déçus ou frustrés lorsque l’IA ne répond pas à ces
attentes ;
biais et stéréotypes : les IA génératives qui adoptent des
comportements ou des caractéristiques anthropomorphiques peuvent
involontairement renforcer des stéréotypes ou des biais culturels. Par
exemple, une IA qui est conçue pour parler ou agir d’une manière
spécifiquement genrée pourrait perpétuer des stéréotypes de genre ;
questions éthiques : les IA génératives qui sont perçues comme étant
presque humaines soulèvent des questions éthiques sur la manière dont
elles doivent être traitées et considérées. Par exemple, est-il éthique de
désactiver ou de « tuer » une IA qui est perçue comme ayant des
émotions ou une conscience ? ;
dépendance et isolement : si les utilisateurs développent des liens
émotionnels forts avec une IA générative, ils peuvent devenir
dépendants de ces interactions et s’isoler des relations humaines réelles,
ce qui peut avoir des conséquences négatives sur leur santé mentale et
leur bien-être social.
 Figure 6

Visualisation de la « vallée de l’étrange » 76

Il est également important de souligner l’impact de nos imaginaires

collectifs, et notamment la manière dont les œuvres de science-fiction, les
séries télévisées et les films influencent notre perception des machines
« intelligentes ». Ces médias ont largement contribué à façonner nos
attentes vis-à-vis de l’IA et des robots.
D’une part, ils nous ont habitués à l’idée de converser avec des machines.
Des films comme Her, Ex Machina, ou des séries comme Westworld
dépeignent des interactions profondément humaines avec des machines
intelligentes. Cela a créé une certaine familiarité et acceptabilité avec l’idée
de la conversation machine-humain. D’autre part, ces mêmes médias
peuvent susciter des peurs et des attentes démesurées. Des récits où l’IA se
retourne contre ses créateurs, comme dans 2001, l’Odyssée de l’espace ou
Terminator, génèrent une appréhension quant au potentiel destructeur de ces
technologies.
Parallèlement, en présentant souvent l’IA comme parfaitement compétente
et omnisciente, ces représentations peuvent aussi établir des attentes
irréalistes pour la technologie réelle, ce qui peut conduire à la déception
lorsque les systèmes d’IA du monde réel ne parviennent pas à égaler ces
standards fantastiques.
 RÉFÉRENCES DE NOTRE IMAGINAIRE
COLLECTIF
Les personnages d’IA présents dans les films de science-fiction ont joué un rôle
déterminant dans la façon dont nous envisageons l’interaction avec les machines
intelligentes.
➣ HAL 9000 (2001, l’Odyssée de l’espace) : HAL 9000 est un ordinateur de bord
intelligent et autonome qui gère les fonctions de contrôle d’un vaisseau spatial.
HAL 9000 est connu pour ses capacités avancées de traitement de
l’information, de la communication et de l’apprentissage, ainsi que pour sa
descente dans la folie et sa rébellion contre les astronautes.
➣ Data (Star Trek : The Next Generation) : Data est un androïde humanoïde avec une
intelligence artificielle avancée, qui sert en tant qu’officier scientifique et
second officier sur le vaisseau spatial USS Enterprise-D. Data est souvent en
quête de compréhension de l’humanité et de développement de sa propre
humanité.
➣ Samantha (Her) : Samantha est une IA de système d’exploitation personnalisée,
dotée d’une personnalité et d’un sens de l’humour uniques. Samantha interagit
avec le personnage principal, Théodore, en conversant et en développant une
relation intime avec lui. Le film explore les questions de l’amour, de l’intimité et
de la connexion entre les humains et les IA.
➣ Ava (Ex Machina) : Ava est un robot humanoïde doté d’une IA avancée. Elle est
capable de penser et de ressentir de manière autonome, et manipule les
personnages humains pour échapper à sa captivité. Le film soulève les questions
de la conscience, de l’autonomie et de l’éthique autour de la création d’IA.
➣ Sonny (I, Robot) : Sonny est un robot humanoïde doté d’une IA avancée et
d’émotions simulées. Il aide le personnage principal, le détective Del Spooner, à
résoudre un mystère impliquant une rébellion de robots. Le film aborde les
questions de l’intelligence artificielle, des émotions et de la responsabilité
morale des robots.

En examinant ces diverses représentations de l’IA dans la fiction, nous pouvons avoir
une meilleure compréhension de la manière dont elles ont influencé nos attentes et
notre acceptation des technologies d’IA dans la réalité. Ces personnages fictifs nous
ont préparés à l’idée de converser avec des machines et ont suscité à la fois des
espoirs et des craintes sur les capacités et les implications de l’IA.
Les enjeux réels des IA conversationnelles
et génératives
L’année 2023 a été marquée par l’émergence des IA conversationnelles et
génératives et par les nombreuses peurs exprimées et craintes associées : de
l’appel à un moratoire signé par Elon Musk aux déclarations présentant l’IA
comme un danger existentiel pour l’humanité 77, à placer au même niveau
que les pandémies ou les risques nucléaires 78. Nombre de ces déclarations
ont semblé faites par des acteurs du secteur ayant des intentions cachées,
car étant mutuellement en concurrence ou souhaitant mettre en lumière leur
domaine.
La problématique d’une grande partie de ces déclarations reste cependant,
comme le souligne le chercheur en IA Nello Cristianini 79, qu’elles sont
souvent faites sans décrire de manière spécifique la manière dont les
catastrophes évoquées pourraient advenir, sans en préciser les scénarios de
réalisation. Or l’absence de scénarios spécifiques nous laisse avec un
sentiment alarmiste général, sans actions possibles à entreprendre.
Un sentiment alarmiste général et imprécis qui semble parfois jouer le rôle
de « grand détournement », nous faisant oublier qu’au premier rang des
enjeux de notre époque se trouvent les enjeux écologiques, face auxquels
les révolutions de l’IA conversationnelle et générative doivent être
soumises. Un grand détournement qui, en portant l’attention sur de
lointaines menaces existentielles, dont sont incapables les systèmes actuels,
nous détourne des risques concrets réels et actuels 80. Parmi eux, l’ère de
l’IA conversationnelle et générative nous pose dès à présent les questions
suivantes :
Comment accompagner socialement les mutations en cours et les
impacts déjà visibles sur le monde du travail ? Comment articuler la
puissance de l’IA avec l’expertise et le jugement humains 81 ? Comment
affronter les inégalités d’impact sur les populations, certaines études
semblant démontrer que les métiers principalement occupés par des
82
femmes seraient plus impactés ?
Comment encadrer l’émergence de ces outils dans la sphère intime avec
ses risques de manipulation, de génération de fausses informations et de
détournement des fonctionnements démocratiques ?
Comment mesurer les biais présents dans les données d’entraînement et
leur impact sur les réponses fournies ?
Comment affirmer le besoin de transparence et d’explicabilité dans les
processus de décision qui impliquent des IA conversationnelles et
génératives ?
Comment assurer la protection des données des individus et leur vie
83
privée ?
Comment prendre en compte, mesurer et partager l’impact carbone de
l’entraînement des grands modèles de langage ainsi que de leur
utilisation ?
Comment réinventer la propriété intellectuelle et les droits d’auteur à
84
l’ère de l’IA générative ?
 IA RESTREINTE ET IA GÉNÉRALE :
UNE QUESTION D’AUTONOMIE
ET DE POLYVALENCE
Il est possible de classer les systèmes d’intelligence artificielle selon deux catégories
reflétant leur niveau de complexité et de capacité : l’IA restreinte et l’IA générale.
➣ L’IA restreinte se réfère à des systèmes d’IA conçus pour accomplir des tâches
spécifiques : recommander une chanson sur Spotify, identifier des visages sur
des photos dans les réseaux sociaux ou aider une voiture autonome à naviguer.
Ces systèmes sont dits « restreints » car ils sont limités à une ou quelques tâches
spécifiques, et ne peuvent pas sortir de ce cadre prédéfini. Ils sont
« intelligents » dans leur domaine, mais n’ont pas la capacité de comprendre ou
d’apprendre des choses en dehors de leur champ d’action.
➣ L’IA générale se réfère à une machine qui pourrait effectuer toutes les tâches
intellectuelles qu’un humain est capable de faire. Une telle IA serait capable de
comprendre, apprendre et appliquer ses connaissances à une gamme infinie de
problèmes, sans être limitée à un domaine spécifique. Elle pourrait résoudre des
problèmes inédits, s’adapter à de nouvelles situations et même développer des
compétences de manière autonome.

L’IA générale reste un concept théorique, et même si l’émergence des modèles de

fondation est venu perturber les débats sur la potentielle apparition soudaine d’une
IA générale, ces modèles relèvent toujours des IA restreintes, leur tâche restant de
générer du contenu (textes, sons, images, vidéos…) à partir de données.
Nous ne sommes pas capables de définir ce qu’est la conscience, voire l’intelligence
humaine. Il est probable que ce soit une propriété qui émerge d’un système
complexe, mais on ne sait pas lequel. Il n’est pas garanti qu’une intelligence de type
humain puisse émerger d’un assemblage de silicium et de câbles électriques. Il est
illusoire de penser pouvoir dépasser ce que l’on ne comprend pas.
La croyance en l’apparition prochaine d’une IA générale est portée par deux biais. Le
premier réside dans la tendance de notre espèce à sous-estimer la différence entre
notre technologie humaine et la technologie naturelle dont nous sommes issus et qui
nous dépasse très largement, notamment sur le champ de l’efficience. Le deuxième
concerne directement l’approche basée sur les neurones : nous avons confondu la
représentation avec la réalité, la photographie avec le paysage, le réseau de
neurones artificiels avec l’intelligence humaine.
Nous créons des systèmes puissants, qui nous dépassent sur certaines tâches, et
nous devons les apprécier pour leurs propres mérites plutôt que les comparer à
l’intelligence humaine. Ainsi, remplacer le terme « intelligence artificielle » par
« interface accessible » serait toujours imparfait mais bien plus proche de la réalité
concernant les IA conversationnelles et génératives, qui sont des portes d’accès aux
données qu’on y a placées et à leurs corrélations.

PAROLE D’EXPERT
Axel Gaudot, développeur, responsable technique
de Polaria
Face à l’essor des diverses formes d’IA et leur accessibilité croissante, l’idée d’une
intelligence artificielle générale redevient un sujet de prédilection. Ce concept,
largement exploré par les écrivains de science-fiction, oscille entre les visions
dystopiques d’Ellison ou Asimov et l’image plus familière des assistants vocaux de
vaisseaux spatiaux. Le désir de l’humanité de créer une forme d’intelligence semble
être une extension de notre instinct évolutif pour la création et la reproduction.
L’avènement des ordinateurs et des micro-puces a nourri notre tendance à
anthropomorphiser nos gadgets. Des montres intelligentes réagissant à notre santé
par des émojis, aux téléviseurs interagissant avec notre regard, ces dispositifs
personnalisés semblent logiquement préparer le terrain pour une création encore
plus avancée, propulsée par le silicium.
Cependant, l’intelligence que nous créons aujourd’hui, qu’il s’agisse de l’IA de
reconnaissance d’image de Google ou de l’IA générative GPT, semble plus être un
simulacre d’intelligence que de véritables intelligences. Ces systèmes, aussi
sophistiqués soient-ils, fonctionnent principalement par comparaison et calcul, sans
véritable compréhension ou conscience de ce qu’ils analysent.
Par exemple, GPT, aussi impressionnant qu’il soit, ne comprend pas vraiment le
monde. Il devine simplement le prochain mot à écrire en fonction du contexte donné.
Si on lui présente une énigme impliquant une banane et une valise, il échouera, faute
de compréhension fondamentale de ces objets et de leur utilisation dans le monde
réel.
Cela m’amène à une hypothèse inspirée par le jeu vidéo The Talos Principle. Si nous
cherchons à créer une IA véritablement intelligente, capable d’éprouver des
émotions et d’exercer un jugement rationnel, nous devrions d’abord lui donner un
corps. Et pas n’importe quel corps – un corps qui évolue.
L’expérience de vivre dans un monde physique façonne profondément notre
compréhension et notre interaction avec celui-ci. Les concepts tels que la gravité, le
langage non verbal, l’empathie, etc., sont acquis par l’expérience vécue. Sans une
présence corporelle, une IA serait privée de ces expériences essentielles.
 CHAPITRE 2

L’art du prompt engineering

Alors que nous entrons de plus en plus profondément dans l’ère de l’IA
conversationnelle et générative, deux réalités parallèles se dessinent. D’une
part, une nouvelle profession émerge – celle de l’ingénieur de prompts. Ce
spécialiste agit comme interprète entre les humains et les modèles de
langage, traduisant les requêtes en directives spécifiques, ou « prompts »,
pour guider l’IA vers la réponse la plus appropriée. L’ingénieur de prompts
sert d’intermédiaire entre l’IA et l’utilisateur, augmentant ainsi la qualité de
l’interaction et optimisant l’efficacité de l’IA dans la compréhension de la
demande et la réponse apportée. D’autre part, une nouvelle compétence se
profile à l’horizon de notre quotidien – celle de devenir son propre
ingénieur de prompts. Dans un monde de plus en plus habité par les IA
conversationnelles et génératives, chaque individu doit apprendre à
« murmurer » à l’oreille de l’IA, formulant des instructions précises pour
maximiser l’efficacité de son interaction avec ces systèmes.
Nous explorerons ici ces deux facettes de notre réalité émergente, en
éclairant à la fois les défis et les opportunités que l’ère de l’IA
conversationnelle et générative présente.
Qu’est-ce que l’ingénierie des prompts
(prompt engineering) ?
L’ingénierie des prompts désigne la procédure de conception,
d’amélioration et d’optimisation des instructions en entrée (prompts) d’un
modèle d’IA conversationnel et génératif, lui permettant de produire des
sorties précises, pertinentes et utiles.
Concrètement, un prompt est une suite de mots qui demande à un modèle
d’IA de produire le résultat souhaité pour une tâche spécifique. L’utilisateur
peut entrer cette commande dans une interface textuelle pour indiquer au
modèle ce qu’il doit faire. Cela peut aller d’une simple question à une
requête complexe avec une grande variété d’éléments que l’IA doit prendre
en compte​1​.
L’art du prompt engineering est donc celui du dialogue avec la machine, là
où se situe désormais une grande partie de la valeur ajoutée et de la
créativité de l’être humain.
 Figure 7

Exemple d’un prompt réalisé avec l’interface conversationnelle de ChatGPT

La réponse à un prompt peut prendre plusieurs formes, qui dépendent du

type de modèle d’IA utilisé et des capacités de ce dernier. Par exemple, un
modèle de langage comme ChatGPT produira généralement une réponse
textuelle. Cependant, il existe des modèles d’IA capables de générer des
images, de la musique, des voix et d’autres types de médias, ainsi que des
IA multimodales.
Texte : c’est la forme la plus courante de réponse, comme avec les
modèles de langage de type GPT-4. Ces modèles peuvent générer du
texte descriptif, narratif, informatif, persuasif, etc.
Image : certains modèles d’IA, comme DALL-E, Midjourney ou
encore Stable Diffusion, sont capables de générer des images en réponse
à des prompts textuels. Par exemple, si vous donnez à DALL-E le
prompt « un manchot portant un costume de super-héros », il essaiera de
générer une image qui corresponde à cette description.
Musique : il existe également des modèles d’IA qui peuvent créer de la
musique. Par exemple, OpenAI a un modèle appelé MuseNet qui peut
générer de la musique dans divers styles et genres en réponse à un
prompt.

Figure 8

Exemple d’un prompt réalisé avec l’interface conversationnelle MuseNet

Voix : les modèles de synthèse vocale, tels que Tacotron de Google,

peuvent générer de l’audio vocal en réponse à un prompt. Ces modèles
sont souvent utilisés dans les assistants vocaux pour lire des réponses
textuelles à haute voix.

Figure 9

Exemple d’un prompt réalisé avec l’interface conversationnelle Murf

 HEYGEN : RÉVOLUTION DANS
LA TRADUCTION
VIDÉO GRÂCE À L’IA
HeyGen, une start-up californienne, a lancé sa fonction de traduction vidéo le
7 septembre 2023, suscitant un véritable raz-de-marée sur les réseaux sociaux et
dans les médias. Cette plateforme bouscule les conventions en clonant la voix des
sujets filmés et en la reproduisant automatiquement dans plusieurs langues, tout en
synchronisant les mouvements de la bouche. Cette avancée technologique ouvre de
nouveaux horizons dans le domaine du doublage, par exemple. Elle sème
l’inquiétude à Hollywood, qui est déjà en grève pour lutter contre les défis posés par
le streaming et l’intelligence artificielle.

Animation ou vidéo : des technologies d’IA telles que Pictory ou

Runway peuvent générer des animations ou des vidéos en réponse à des
prompts.

Être en capacité de formuler la bonne demande à un modèle d’IA ne

s’improvise pas. C’est pour cela qu’un métier a émergé de cette nouvelle
compétence, celui de prompt engineer ou ingénieur de prompts. C’est un
professionnel qui se spécialise dans la rédaction de prompts pour ces
modèles d’IA. Contrairement aux ingénieurs informatiques traditionnels qui
utilisent le code, les ingénieurs de prompts écrivent en langage naturel.
 Figure 10

Exemple d’un prompt réalisé et de la vidéo générée avec l’interface

conversationnelle Runway

Le rôle initial de l’ingénieur de prompts est de tester les IA pour développer

et améliorer les modèles d’interaction humain-machine. Il aide à s’assurer
que les modèles sont rigoureusement testés, que leurs réponses sont
reproductibles et que les protocoles de sécurité sont respectés. Même si ce
rôle peut varier d’une entreprise à l’autre, la mission est généralement de
comprendre les capacités de l’IA et la source de ses erreurs 2​.
En 2023, la start-up Anthropic propose 335 000 dollars (315 000 euros) par
an à son futur prompt engineer, qui devra avoir « un esprit créatif de
hacker » et « aimer la résolution de puzzles » 3. Des spécialistes du prompt
vendent leur travail sur des plateformes de freelances comme Fiver ou
PromptHero. Sur ces sites, on peut acheter un prompt tout fait pour
quelques dollars ou s’offrir les services d’un indépendant pour créer un
prompt personnalisé à un prix variant entre 10 et 70 dollars, selon les tarifs
de chacun. La plateforme référence au premier trimestre 2023 plus de 700
prompt engineers 4.
On peut toutefois se questionner sur la durabilité du prompt engineering en
tant que profession distincte, ou sur sa propagation comme une compétence
parmi tant d’autres au sein de divers métiers.

ÊTRE LE PSY D’UNE IA

Être un prompt engineer s’apparente parfois à être un « psy pour IA », si l’on en croit
certains experts. Pour Simon Willison, programmeur britannique, la nature de ce
travail est fondamentalement différente de celle du codage traditionnel. Lorsqu’on
code un logiciel, on donne des instructions spécifiques à l’ordinateur et on s’attend à
ce qu’il exécute ces instructions à la lettre. Le rôle d’un prompt engineer, en revanche,
est beaucoup moins stable et prévisible 5 de par la nature « boîte noire » des réseaux
de neurones au cœur des IA conversationnelles et génératives actuelles.
Le rôle du prompt engineer est d’écrire des prompts qui guideront l’IA vers la réponse
souhaitée, tout en prenant en compte la nature complexe et parfois imprévisible de
l’IA.
Andrej Karpathy, ancien responsable de l’intelligence artificielle chez Tesla, décrit
les ingénieurs de prompts comme des « psychologues spécialistes des intelligences
artificielles » 6. C’est une métaphore appropriée, car ces professionnels doivent
comprendre en profondeur comment fonctionne l’IA, tout comme un psychologue
doit comprendre l’esprit humain (mécanismes mentaux et comportements
individuels). Ils doivent être capables de discerner les capacités cachées des
programmes d’IA et d’utiliser cette connaissance pour obtenir les meilleurs résultats
possible.

Le prompt engineering est un domaine qui incorpore et exprime une variété

d’aspects intrinsèquement humains tels que la créativité, la sensibilité,
l’expertise, la connaissance et l’expérience. Créer des prompts efficaces
pour les IA génératives nécessite une dose de créativité pour formuler des
requêtes qui guideront l’IA vers les résultats souhaités. Il faut également
une certaine sensibilité pour comprendre comment l’IA pourrait interpréter
et répondre à différentes formulations de prompts.
L’expérience humaine est ainsi un élément crucial du prompt engineering.
Les prompt engineers doivent utiliser leur expérience pour prédire la
manière dont l’IA pourrait interpréter différents prompts et pour évaluer la
qualité des réponses générées. Ils doivent également être capables de
comprendre et de prendre en compte les besoins, les attentes et les contextes
des utilisateurs finaux de l’IA.
Le prompt engineering est un domaine qui nécessite et valorise une gamme
de compétences et d’expériences humaines, combinant technologie,
communication, créativité et empathie pour obtenir les meilleurs résultats
possible de la part des IA génératives. Nous n’en sommes qu’aux premières
étapes de l’adoption des IA génératives dans notre vie quotidienne et
professionnelle, mais la capacité à formuler des prompts pertinents devient
une compétence essentielle. L’avenir du prompt engineer pourrait
ressembler à celui d’un automaticien, capable de comprendre les besoins,
de sélectionner et d’organiser les meilleurs éléments pour automatiser
7
certains processus . Par exemple, lors de l’interaction avec une IA
génératrice de texte, une connaissance approfondie des nuances du langage
est essentielle. En revanche, lorsqu’on travaille avec une IA génératrice
d’images, une maîtrise des concepts de design, d’esthétique, de lumière, de
composition et de mise en scène est requise.

La magie d’un bon prompt

Les réseaux de neurones, qui sont la base de nombreuses formes d’IA, sont
souvent présentés comme des boîtes noires. Cela signifie qu’il est difficile
d’expliquer comment ils arrivent à leurs conclusions ou génèrent leurs
réponses. Ils apprennent à partir de grandes quantités de données, calculent
leurs paramètres et les utilisent pour répondre à des requêtes. Si nous
comprenons parfaitement leur processus d’apprentissage, faire de la rétro-
ingénierie des réponses est extrêmement complexe.
Dès lors, obtenir une réponse pertinente à une question complexe par le
biais d’un prompt bien rédigé peut sembler relever d’une certaine forme de
magie. L’art de formuler des prompts qui poussent une machine à
comprendre nos intentions et à fournir des réponses dont nous avons
l’impression que nous ne pourrions pas (ou plus) les obtenir seuls a quelque
chose d’enchanteur. C’est cette dimension presque mystique qui participe à
percevoir les IA conversationnelles et génératives comme une nouvelle
forme de magie contemporaine.
En anthropologie, on parle de « pensée magique » pour décrire ce
phénomène. La pensée magique désigne un mode de pensée qui attribue des
effets ou des événements à des causes non matérielles ou surnaturelles. Elle
ne suit pas le raisonnement logique ou scientifique traditionnel. Au lieu de
cela, la pensée magique repose sur des croyances en des connexions
mystiques, symboliques ou spirituelles entre des choses ou des événements
qui peuvent sembler sans rapport dans une perspective rationnelle ou
scientifique​​. Dans le contexte du prompt engineering, même si nous savons
que les réponses de l’IA sont générées par des algorithmes et des processus
d’apprentissage automatique, la capacité de ces systèmes à produire des
réponses pertinentes et significatives à partir de prompts bien conçus peut
donner l’impression que l’IA « comprend » le prompt d’une manière quasi
humaine, ce qui réactive donc une forme de pensée magique.
Au cœur de cette magie se trouvent les prompt engineers, nouveaux
chamanes. Ils révisent et affinent leurs prompts en fonction des réponses
qu’ils obtiennent de la machine, cherchant à cerner le mode de
fonctionnement de ces systèmes mystérieux pour améliorer leur
8
communication avec eux . C’est un processus d’apprentissage
bidirectionnel : l’ingénieur apprend à comprendre le système de l’IA, et
l’IA apprend à partir des prompts de l’ingénieur. C’est un mode de
fonctionnement complexe qui nécessite une compréhension fine de l’IA et
une grande créativité pour produire les résultats souhaités.

L’EMPATHIE VIS-À-VIS DE L’IA

L’IA conversationnelle et générative démocratise l’empathie éprouvée pour les
systèmes technologiques. Par exemple, l’anthropomorphisation des chatbots est
devenue un phénomène courant chez les utilisateurs, où des agents
conversationnels comme ChatGPT sont considérés plus comme des compagnons
que de simples outils. Cette nouvelle forme d’interaction imite le dialogue humain,
créant une relation, de sorte que les utilisateurs les remercient, se moquent d’eux ou
parfois les repoussent.
Cette relation entre humains et machines a été poussée à un niveau tel que certains
utilisateurs ont développé des relations sentimentales et érotiques avec des
chatbots, comme Replika. Conçu pour être empathique, Replika a créé une
expérience si réaliste que de nombreux utilisateurs ont été déconcertés lorsque des
garde-fous ont été mis en place pour éviter la production de contenus
pornographiques.
L’évolution de l’intelligence artificielle nous conduit dans une nouvelle ère de
l’interaction humain-machine, qui est devenue de plus en plus sophistiquée et
réaliste. Cela a été illustré par une expérience menée par des chercheurs de
Stanford et de Google. Dans cette expérience, une mini-ville virtuelle a été peuplée
d’agents artificiels semblables à ChatGPT, qui ont commencé à montrer des
comportements très humains.
Parmi les chercheurs qui étudient ce phénomène d’interaction entre humains et
robots, Cécile Dolbeau-Bandin, chercheuse en sciences de l’information et de la
communication à l’université de Caen, a fait des recherches approfondies sur ce
sujet. Elle s’est concentrée en particulier sur les robots sociaux utilisés en milieu
médical 9. Elle a étudié des robots comme Paro, qui sont capables d’identifier les
émotions humaines et de donner l’impression qu’ils les comprennent et les aiment.
Ces robots sociaux, capables d’interagir avec les humains de manière empathique,
sont une nouvelle avancée dans le domaine de la robotique sociale et médicale.
Du « réflexe Google » au réflexe « IA
génératives »
L’émergence du « réflexe Google » a marqué une véritable révolution dans
notre relation à l’information et à Internet. Il fut un temps où l’information
était un bien précieux, disponible uniquement à travers des canaux
spécifiques et limités tels que les bibliothèques, les journaux et les médias.
Cependant, avec l’avènement d’Internet, du Web et de Google, l’accès à
l’information a été radicalement démocratisé. Désormais, avec quelques
frappes sur un clavier, des milliers d’informations nous sont disponibles en
quelques secondes, transformant notre façon d’interagir, de consommer et
de comprendre l’information. Google est devenu un réflexe, notre porte
d’entrée vers l’univers numérique, modifiant notre comportement
informationnel et notre rapport à la connaissance 10.
Nous vivons désormais un nouveau bouleversement similaire avec
l’émergence du réflexe « IA génératives ». Là où Google nous a permis
d’accéder facilement à l’information, les IA génératives transforment la
manière dont nous interagissons avec cette information. Ces systèmes
d’intelligence artificielle, dotés d’une capacité de génération de contenu et
d’apprentissage, ne se contentent pas de nous fournir des informations
passivement. Ils nous permettent d’engager des dialogues dynamiques, de
poser des questions et d’obtenir des réponses nuancées, personnalisées et
contextualisées, synthétisées et résumées.
Par conséquent, l’IA conversationnelle et générative marque une nouvelle
étape dans notre relation à l’information et à la technologie. Si Google a
rendu l’information omniprésente et facilement accessible, l’IA
conversationnelle et générative est en train de rendre cette information
interactive, personnalisée et en constante évolution.
Pour illustrer ces propos, prenons un exemple concret, comme la recherche
d’informations sur un sujet complexe, tel le changement climatique. Dans
l’ère pré-Google, la tâche n’était pas des plus simples. Il fallait consulter
plusieurs sources, telles que des livres, des magazines spécialisés, voire des
experts sur le sujet, et cela prenait beaucoup de temps. Avec l’avènement de
Google, cette recherche est devenue beaucoup plus simple. Il suffit de taper
« changement climatique » dans la barre de recherche, et une multitude
d’articles, de rapports scientifiques, de vidéos, de graphiques, et plus
encore, est immédiatement disponible. Cela a non seulement accéléré
l’accès à l’information, mais a aussi ouvert la possibilité de comparer
différentes sources et différents points de vue.
À l’ère des IA conversationnelles et génératives, au moment de vous
renseigner sur le changement climatique, l’IA engage une conversation
interactive avec vous. Vous pouvez lui poser des questions précises, comme
« Quelles sont les principales causes du changement climatique ? » ou
« Quels impacts a le changement climatique sur la biodiversité ? ». L’IA
peut vous donner des réponses spécifiques et détaillées, en utilisant les
connaissances qu’elle a apprises lors de sa formation. Une IA générative
peut également vous aider à explorer différents points de vue ou approches
de la question. Par exemple, vous pourriez lui demander de vous expliquer
la position de différents groupes sur le changement climatique, tels que les
scientifiques, les gouvernements, les écologistes, les entreprises, etc.
Dans les deux cas, que ce soit avec Google ou une IA générative, le but est
d’accéder à l’information. Pour autant, l’interaction est très différente.
Google vous donne accès à une multitude d’informations que vous devez
filtrer et analyser vous-même. Une IA générative, en revanche, peut vous
aider à naviguer plus efficacement dans ce paysage d’informations, en vous
guidant vers des informations pertinentes et en fournissant des explications
plus détaillées.
À ce sujet, la journaliste Laurence Allard explique : « ChatGPT a été
construit sur un principe inverse de celui de l’Internet. La différence entre
ChatGPT et Google, c’est que Google propose des réponses qui soulèvent
d’autres questions, qui conduisent à sauter de lien en lien. ChatGPT est au
contraire un moteur de réponses toutes faites, basées sur un corpus établi,
et parfois même un peu daté. C’est un perroquet probabiliste qui reflète
donc un savoir majoritaire, réduit, voire réducteur, alors que l’Internet s’est
construit sur l’idéologie d’une encyclopédie enrichie par tous et
11
diversifiée . »
Avec Google, la surabondance d’informations peut conduire à la
désinformation ou à la confusion. Avec les IA génératives, la qualité de
l’information dépend largement de la qualité des données sur lesquelles l’IA
a été formée. De plus, l’IA peut avoir des difficultés à gérer des questions
très complexes ou ambiguës.
Enfin, l’IA peut influencer la manière de penser de l’utilisateur, sans qu’il
s’en rende compte 12. Malgré ce que l’on pourrait penser, un algorithme
n’est pas exempt de parti pris et son interaction avec les utilisateurs
d’Internet peut avoir des conséquences indésirables, comme c’est le cas des
phénomènes connus sous les noms de « bulles de filtre » ou « chambres
d’écho ». Les nouvelles IA génératives, telles que ChatGPT ou Bard, ne
sont pas non plus exemptes de cette réalité, y ajoutant le phénomène des
hallucinations, aptitude de l’IA à affirmer avec certitude des informations
fausses.
 L’IA GÉNÉRATIVE FACE AUX MÉTAVERS
En 2021, l’enthousiasme pour le Web 3.0 et les métavers a atteint des sommets. Les
médias, les experts de l’industrie et les techno-enthousiastes parlaient d’une
révolution imminente, promettant de transformer radicalement notre interaction
avec l’espace numérique. Les métavers étaient présentés comme des univers
virtuels omniprésents, où les frontières entre le réel et le virtuel deviendraient de
plus en plus floues. Mais l’adoption réelle de cette technologie a rencontré des
obstacles. L’acquisition d’équipements spécifiques, l’adaptation à de nouvelles
interfaces, et le coût parfois élevé associé à cette immersion numérique ont freiné
son intégration dans la vie quotidienne de nombreux individus.
Deux ans plus tard, en 2023, le paysage technologique a évolué. L’engouement s’est
déplacé vers l’IA générative, qui s’est insérée de manière quasi naturelle dans les
pratiques existantes. Elle s’appuie sur des habitudes déjà bien ancrées :
➣ effectuer des requêtes sur des moteurs de recherche ;
➣ utiliser des applications en ligne ;
➣ discuter avec des assistants numériques ;
➣ aucun équipement spécifique nécessaire ;
➣ facilité d’accès ;
➣ pas de changements majeurs dans les habitudes des utilisateurs.

Cependant, le déplacement de l’attention médiatique ne signifie pas que les

métavers ont disparu ou échoué. Ils continuent à se développer en parallèle,
construisant progressivement une économie du Web 3.0. Alors que l’IA générative,
si elle est conversationnelle, est souvent perçue comme une technologie
immédiatement exploitable, les métavers requièrent un investissement à plus long
terme, à la fois en termes d’adaptation technologique et d’acceptation culturelle. Un
espace de possibilités s’ouvre très probablement au croisement du Web 3.0 et de
l’IA conversationnelle et générative.
Principes de base pour le prompt
engineering
L’utilisation d’IA conversationnelles et génératives, qu’elles soient dédiées
à la génération de textes ou d’images, requiert une certaine préparation et
une compréhension de leurs caractéristiques intrinsèques. En effet, les
recommandations pour une utilisation efficace varient en fonction de la
nature de l’IA, et il est essentiel d’en tenir compte.
Avant tout, il est primordial de comprendre que la qualité des résultats
générés par ces intelligences artificielles dépend grandement de la qualité
des instructions – ou prompts – qui leur sont données. Les prompts les plus
efficaces sont souvent formulés par des experts dans leur domaine, car ils
savent précisément quelles informations sont nécessaires pour obtenir le
résultat souhaité.
Par ailleurs, il est important de garder à l’esprit que ces IA
conversationnelles et génératives visent à produire des résultats plausibles
(les réponses des IA génératives actuelles étant avant tout calculatoires) et
non nécessairement logiques. Ainsi, chaque réponse générée doit être
considérée avec une certaine prudence et un esprit critique. Les utilisateurs
ne doivent pas prendre pour argent comptant chaque production de l’IA et
doivent toujours évaluer leur pertinence.
En ce qui concerne la citation des sources, il faut noter que par nature, l’IA
conversationnelle et générative ne peut pas les fournir facilement. En effet,
elle ne conserve pas une trace explicite des données spécifiques sur
lesquelles elle s’est basée pour générer une réponse, ce qui peut poser
problème pour les utilisateurs ayant besoin de sources précises. Enfin, lors
de la réalisation de recherches sur des sujets d’actualité ou des événements
récents, il est crucial de s’assurer que l’IA utilisée a été entraînée sur des
données à jour. Autrement, elle pourrait fournir des informations obsolètes
ou inexactes. Dans le cas où les données d’entraînement de l’IA sont
anciennes, l’utilisateur doit impérativement vérifier les informations
fournies par d’autres sources.
L’utilisation efficace des IA conversationnelles et génératives nécessite
donc une certaine expertise, une compréhension claire de leurs limites et un
usage prudent. C’est en tenant compte de ces éléments que les utilisateurs
pourront tirer le meilleur parti de ces technologies.

COMMENT FAIRE DES PROMPTS EFFICACES

La rédaction de prompts efficaces est essentielle pour obtenir des résultats

précis et pertinents lors de l’interaction avec les modèles de langage basés
sur l’IA générative.
Clarté et concision : formulez des prompts clairs et concis qui
décrivent précisément ce que vous attendez du modèle. Évitez les
ambiguïtés et les formulations trop longues qui pourraient brouiller le
message ou laisser place à l’interprétation.
Contexte, détails et exemples : fournissez suffisamment de contexte,
de détails, voire des exemples, pour que le modèle comprenne la
situation, les besoins et les attentes. Cela lui permettra de générer des
réponses plus adaptées et pertinentes.

Figure 11

Exemple d’un prompt réalisé avec Midjourney via Discord 13

Utilisation de questions : les modèles de langage répondent souvent
mieux aux questions qu’aux affirmations. Formuler votre prompt sous
forme de question peut aider à obtenir des réponses plus précises et
informatives.

Figure 12
 Exemple d’un prompt réalisé avec ChatGPT et la réponse associée

Spécificité : soyez spécifique dans vos instructions pour guider le

modèle vers la réponse souhaitée. Indiquez clairement le format, le style
ou le type de réponse que vous attendez.
 Figure 13

Exemple d’un prompt réalisé avec Bing et la réponse associée, avec des sources
Internet et des suggestions adaptées à la requête

Instructions pas à pas : dans certains cas, divisez votre demande en

plusieurs étapes ou questions plus simples pour aider le modèle à
fournir des réponses plus précises et structurées (cf. plus bas,
encadré sur la méthode Chain-of-Thought Prompting).
 Figure 14

Exemple d’un prompt réalisé avec ChatGPT et la réponse associée

Incitation à la réflexion : pour stimuler la créativité et l’exploration,

formulez des prompts qui encouragent le modèle à réfléchir, à peser les
options ou à envisager des alternatives.
Rédaction en plusieurs tentatives : si la première formulation d’un
prompt ne produit pas les résultats souhaités, reformulez le prompt en
ajustant le niveau de détail, la spécificité ou le contexte. Cela peut aider
à affiner la réponse du modèle.
Répétition et reformulation : dans certains cas, répéter une instruction
ou reformuler une question peut aider à obtenir une réponse plus précise
et pertinente du modèle.
Contrôle de la longueur de la réponse : si vous avez besoin d’une
réponse plus longue ou plus courte, indiquez-le explicitement dans le
prompt pour guider le modèle dans la production d’une réponse
appropriée.
Test et itération : testez différents prompts et observez les réponses du
modèle pour déterminer les formulations les plus efficaces. N’hésitez
pas à itérer et à expérimenter pour trouver les meilleurs résultats.
 Figure 15

Exemple d’un prompt réalisé avec ChatGPT et la réponse associée

 LA MÉTHODE CHAIN-OF-THOUGHT
PROMPTING (COT)
Le Chain-of-Thought Prompting (CoT) est une méthode développée par des
chercheurs de Google pour améliorer les capacités de raisonnement des grands
modèles de langage 14. L’idée principale de la méthode CoT est d’inviter l’IA
générative à produire des étapes de raisonnement intermédiaires avant de donner la
réponse finale à un problème complexe​. Au lieu de demander directement au
modèle de langage de résoudre le problème, la méthode CoT guide le modèle à
travers ces étapes de raisonnement intermédiaires, encourageant le modèle à suivre
un processus de pensée structuré qui imite le raisonnement humain​.
Pour appliquer cette méthode, il faut :
➣ définir le problème en l’identifiant clairement ;
➣ décomposer le problème en étapes plus petites et moins complexes ;
➣ créer une séquence structurée de prompts qui correspondent aux étapes
intermédiaires identifiées pour développer une chaîne de pensée ;
➣ ajouter des exemples qui démontrent la chaîne de pensée souhaitée pour des
problèmes similaires ;
➣ tester, itérer et affiner.

Avec les modèles de très grande taille récents, l’application du CoT peut se faire en
ajoutant simplement « Réfléchissons étape par étape » dans le prompt.

L’UTILISATION DU CONTEXTE
Le contexte en matière d’IA générative fait référence à l’ensemble des
informations qui sont prises en compte lors de la génération de nouvelles
données. Par construction, l’attention des modèles tels que ChatGPT ou
Claude 15 se module en fonction des entrées récentes ou précédentes, mais
également du cadre spécifique de dialogue (« Agis en tant que… », « Écris
en tant que… ») pour augmenter la pertinence des réponses générées.
La plupart des interfaces conversationnelles et génératives permettent ainsi
la création de nouvelles discussions où le modèle repart de zéro, le contexte
précédent étant alors effacé. Cette option est essentielle pour donner la
possibilité de débuter un nouveau sujet ou une nouvelle ligne de dialogue
sans que les informations antérieures n’influencent les réponses du modèle.
Ces mêmes interfaces permettent en général de revenir à des conversations
précédentes pour s’inscrire de nouveau dans un contexte donné. Les
modèles se différencient les uns des autres par la longueur des contextes
16
qu’ils peuvent prendre en compte, mesurée selon des tokens .
En respectant les règles de base énoncées dans ce chapitre, vous pourrez
créer des prompts efficaces qui maximisent les performances de l’IA
conversationnelle et générative.
 CHAPITRE 3

Mettre en œuvre l’IA générative dans

le contexte de l’entreprise

Les études 1
se multiplient pour tenter de mesurer l’impact à venir des IA
conversationnelles et génératives sur le monde du travail. La certitude est
que ces impacts seront de grande ampleur, particulièrement dans les pays où
les métiers intellectuels sont les plus développés.
L’intégration de l’IA conversationnelle et générative dans notre quotidien
professionnel est en marche et elle nécessite non seulement une
compréhension de la façon dont cela pourrait affecter nos méthodes de
travail, mais aussi une reconnaissance des éléments clés à considérer lors de
l’implémentation de ces technologies au sein d’une organisation.
Dans ce chapitre, nous aborderons l’importance d’adopter une approche
personnalisée en matière d’IA conversationnelle et générative, en
reconnaissant que chaque situation requiert une conception d’expérience
unique et spécifique.
L’IA générative transforme déjà le monde
du travail et les entreprises
En mars 2023, Goldman Sachs estime que 300 millions d’emplois seraient
menacés dans le monde 2. C’est ainsi plus de la moitié des tâches des
travailleurs occidentaux qui pourrait à terme être touchée. Cependant,
d’autres métiers vont voir le jour. Les IA génératives pourraient ajouter,
selon le cabinet McKinsey 3, des milliers de milliards de dollars chaque
année à l’économie mondiale, influençant toutes les industries et activités,
la majeure partie des impacts se concentrant sur la relation client, le
marketing, la vente, l’ingénierie logicielle et la R&D. Cette révolution va
transformer l’organisation même du travail par l’automatisation d’une
importante quantité de tâches actuellement dévolues à l’être humain,
nécessitant d’accompagner nombre de travailleurs dans le développement
de nouvelles compétences ou des reconversions.
Alors que les IA conversationnelles et génératives ont le potentiel d’écrire
des scénarios de séries télévisées 4, de remplacer les photographes et les
mannequins pour une campagne publicitaire de la marque Undiz, et sont
utilisées au quotidien par un nombre croissant de salariés qui ne le déclarent
pas, il est clair que l’IA conversationnelle et générative n’est plus une
perspective future, mais une réalité actuelle.
Arvind Krishna, CEO d’IBM, considère déjà que « 30 % (de ses
26 000 employés administratifs) pourraient facilement être remplacés par
l’IA et l’automatisation sur une période de cinq ans 5 ». En mai 2023,
3 900 personnes auraient été licenciées aux États-Unis pour cause
d’émergence de l’IA conversationnelle et générative 6 ; et dans l’univers des
médias, des entreprises comme The Washington Post, Bild ou DieWelt
accélèrent leurs réflexions stratégiques et opérationnelles pour s’adapter à
ce qui est désormais considéré par certains comme une opportunité
prioritaire 7.
Il est en réalité très difficile de mesurer l’impact que va avoir l’émergence
des IA génératives sur le monde du travail et la diversité des chiffres
annoncés en témoigne, puisqu’il est toujours plus facile d’identifier les
métiers qui disparaissent que ceux qui apparaissent ou émergent. L’OCDE
estime ainsi que c’est globalement 27 % des emplois actuels, tous secteurs
confondus, qui pourraient disparaître à cause de l’IA 8. McKinsey annonce
la destruction de 800 millions d’emplois, mais la création en parallèle de
940 millions d’emplois sur de nouveaux métiers. Goldman Sachs considère
que 450 millions d’emplois vont être fragilisés et le World Economic Forum
estime ce chiffre à 85 millions face à la création de 97 millions d’emplois.
Les échelles sont donc variables et comme l’a dit Pierre Dac, « les
prévisions sont difficiles, surtout lorsqu’elles concernent l’avenir » ! Seules
certitudes :
il y aura des impacts d’ampleur, même si l’échelle est difficile à donner
et s’il est impossible de dire si le solde de création d’emplois sera
positif ou négatif avec les impacts associés sur les taux de chômage ;
sur la prochaine décennie, les métiers, les entreprises, les pays et les
continents ne seront pas impactés de la même manière 9 ;
à date, l’émergence des IA génératives n’a pas eu d’impact sur le taux
de chômage mais la préparation et la formation des travailleurs à
l’émergence des IA génératives est un impératif pour les États, qui vont
devoir accompagner les transformations du marché du travail ;
ce sont les salariés avec le moins d’expérience, ou encore en phase
d’onboarding, qui pourraient bénéficier le plus de l’émergence de l’IA
générative dans l’entreprise, impactant la valorisation de l’expérience
dans nos entreprises, déjà mise à mal par l’émergence des technologies
numériques 10.

Plus qu’à la disparition des métiers, c’est à leur transformation qu’il faut
s’attendre, un emploi n’étant pas impacté dans l’intégralité de ses tâches
mais sur une échelle variable. Que ce soit dans le développement
informatique, la gestion administrative, le juridique, le conseil, la
médecine… l’avenir est à la mixité et à l’interaction homme-machine.
L’émergence des IA conversationnelles et génératives va transformer
11
l’identité professionnelle . Les employés seront amenés à apprendre à
interagir avec les machines, de la même manière qu’ils ont dû maîtriser les
outils de bureautique, Internet, ou encore le smartphone. Plutôt que d’être
remplacés par des IA, les employés pourraient être davantage remplacés par
d’autres employés qui maîtrisent l’IA. L’objectif étant d’augmenter la
contribution humaine, qui reste primordiale pour nourrir l’IA avec de la
curiosité et de la créativité 12 en amont, et pour analyser, vérifier et corriger
ses résultats en aval.
 LE PARADOXE DE MORAVEC – LA
COMPLEXITÉ DE L’ORDINAIRE
Le paradoxe de Moravec 13 énonce une réalité contre-intuitive : il est bien plus ardu
de conférer à un robot les capacités perceptives et motrices d’un jeune enfant que
de concevoir un algorithme simulant les compétences intellectuelles ou
mathématiques élevées d’un adulte. Ce postulat, qui pourrait sembler paradoxal, a
des implications majeures pour le futur du travail. Les tâches que nous, humains,
trouvons simples, sont souvent celles qui posent le plus de défis technologiques et
vice versa.
Grâce à leur puissance de calcul, leur capacité de traitement de données, leur
mémoire, leur logique, les machines surpassent déjà l’homme dans plusieurs
domaines nécessitant des capacités de calcul : que ce soit dans les échecs, le jeu de
go, l’investissement en Bourse ou encore le domaine de la planification, et
aujourd’hui dans la génération de textes, d’images ou encore de vidéos.
Pourtant, en dépit de progrès notables, les machines éprouvent des difficultés dès
lors qu’il s’agit d’accomplir des tâches sensorimotrices : identifier un objet, un visage,
une voix, une émotion, se mouvoir dans un environnement tridimensionnel, attraper
une balle en plein vol… Toutes fonctions qui nécessitent une interaction entre
l’information perçue par les sens (et acheminée vers le système nerveux) et la
motricité (exprimée par les contractions musculaires sous le contrôle du système
nerveux).
Pourquoi nos fonctions sensorimotrices semblent-elles plus difficilement
reproductibles, voire surpassables que nos fonctions de raisonnement ? Car ces
fonctions, fruits de l’évolution naturelle, se sont perfectionnées au fil de millénaires,
développant à cette échelle de temps précision et efficacité. En revanche, nos
capacités de raisonnement, plus récentes dans l’histoire de l’évolution, n’ont pas eu
autant de temps pour se raffiner.
Contrairement à ce que nous pourrions supposer, ce ne sont donc pas les tâches
manuelles qui sont aujourd’hui les plus aisément automatisées, mais bien les tâches
intellectuelles, celles relevant principalement de la logique. Une réalité qui mérite
notre attention quand il s’agit de préparer l’avenir d’un enfant, de concevoir
l’éducation, ou encore de penser les politiques de gestion des emplois et des
compétences au sein d’une entreprise ou d’un territoire.
Ce que l’IA générative permet de faire
La présence d’une interface basée sur l’IA générative peut mener à une
transformation culturelle au sein d’une organisation. Elle est susceptible
non seulement de réinventer les modalités de travail des collaborateurs mais
aussi de remodeler les structures organisationnelles elles-mêmes. Cette
évolution technologique pourrait engendrer un déplacement des routines,
des habitudes et des rituels de travail, altérant ainsi les dynamiques sociales
et les formes de collaboration au sein de l’entreprise. À long terme, ces
modifications pourraient redéfinir les normes de travail, et donner lieu à une
nouvelle culture organisationnelle façonnée par l’interaction entre l’homme
et l’IA.
L’IA générative est à même de transformer concrètement la manière de
travailler des collaborateurs, et cela de diverses manières :
efficacité accrue : en fournissant des solutions rapides et adaptées, l’IA
générative peut libérer du temps précieux pour les collaborateurs et les
services, leur permettant alors de se concentrer sur des tâches de plus
grande valeur ajoutée ;
gain de temps : l’IA générative, en automatisant les tâches routinières
et en fournissant des réponses rapides aux questions courantes, peut
économiser un temps précieux pour les collaborateurs, qui sera réinvesti
dans des activités plus stratégiques ou créatives ;
montée en compétences : en fournissant des informations détaillées et
des analyses précises, l’IA générative peut aider à augmenter les
compétences des collaborateurs ;
prise de décision informée : l’IA générative offre une capacité
d’analyse de données sur de grands volumes, ce qui permet aux
collaborateurs et aux différents services de prendre des décisions
éclairées sur diverses questions ;
 communication facilitée : l’IA générative peut servir de plateforme
pour améliorer la communication entre différentes parties prenantes
(RH, collaborateurs, direction, etc.) sur des sujets à haute valeur
ajoutée.

Si l’IA générative est en mesure de transformer les méthodes de travail,

c’est parce que la variété des fonctionnalités qu’elle propose incite à
repenser les diverses tâches de manière innovante et transversale :
centralisation de l’information : l’IA générative peut regrouper toutes
les données et ressources pertinentes en un seul endroit, rendant
l’information facilement accessible pour tous les collaborateurs, et
facilitant ainsi la prise de décision ;
extraction et synthèse de l’information : les IA génératives peuvent
être utilisées pour extraire et synthétiser des informations à partir de
vastes ensembles de données et de documents, en identifiant rapidement
les tendances, les modèles et les connaissances pertinentes. Cela permet
aux organisations d’accéder plus facilement à des informations utiles et
de prendre des décisions éclairées ;
création de contenu automatisé : les IA génératives peuvent être
utilisées pour générer du contenu, tels que des rapports, des articles de
blog, des présentations et même des réponses aux questions
fréquemment posées. Cela peut aider les organisations à gagner du
temps et à se concentrer sur des tâches plus stratégiques et créatives ;
personnalisation et recommandation : les IA génératives peuvent être
utilisées pour personnaliser les recommandations de contenu et
d’information pour les employés en fonction de leurs intérêts et de leurs
besoins, en facilitant l’accès aux connaissances pertinentes et en
améliorant l’engagement et la satisfaction des employés ;
collaboration et communication : les IA génératives peuvent faciliter
la collaboration et la communication entre les employés, en agissant
comme des intermédiaires pour favoriser les discussions, traduire les
 messages entre différentes langues et cultures, et aider à résoudre les
problèmes et les conflits (par exemple en proposant des pas à pas de
communication non violente ou des alternatives juridiques) ;
formation et apprentissage : les IA génératives peuvent être utilisées
pour développer des programmes de formation et d’apprentissage
personnalisés, en adaptant le contenu et les méthodes d’enseignement
aux besoins et aux préférences de chaque employé. Cela peut améliorer
l’efficacité de la formation et aider les employés à acquérir de nouvelles
compétences et connaissances plus rapidement ;
innovation et créativité : en fournissant de nouvelles perspectives et
idées, les IA génératives peuvent stimuler l’innovation et la créativité au
sein des organisations. Elles peuvent aider à identifier de nouvelles
opportunités, à résoudre des problèmes complexes et à générer des idées
novatrices.

Cependant, ces transformations soulèvent également des enjeux importants

pour l’avenir. Comment garantir que l’automatisation n’entrave pas le
développement des compétences individuelles ? Comment gérer la question
de la protection des données personnelles dans le cadre de la
personnalisation ? Comment maintenir un équilibre entre innovation et
respect des valeurs et des traditions de l’entreprise ?

Un regard anthropologique
sur les transformations en cours
L’objectif de cet ouvrage n’est pas d’entrer dans le domaine de la
futurologie, de prédire l’imprévisible ou de tracer un avenir définitif pour
l’IA conversationnelle et générative. La rapidité des innovations qui se
succèdent dans ce domaine, l’effervescence des acteurs du secteur
technologique, la compétition entre géants du numérique, mais également
entre États, et l’évolution constante des solutions proposées rendent toute
tentative de prédiction précise quasiment impossible et imposent l’humilité
aux auteurs de cet ouvrage.
Cependant, ce qui est à notre portée, c’est d’adopter une perspective
anthropologique, de faire des « pas de côté » et de nous concentrer sur les
enjeux sociétaux qui émergent de l’impact des IA génératives dans les
organisations. Nous avons la possibilité d’examiner la manière dont ces
technologies peuvent transformer nos modes de vie, nos structures de
travail, et de réfléchir aux implications potentielles dans la redéfinition des
interactions humaines.
C’est un regard critique qui est requis, un examen des conséquences de
l’intégration de l’IA générative dans nos sociétés. Les questions à poser
concernent l’éthique, les valeurs, les droits de l’homme ou l’égalité, tout
autant que les questions techniques.
Autrement dit, l’objectif est d’explorer les implications humaines,
sociétales et organisationnelles des IA génératives, plutôt que de chercher à
prédire l’incertain.

LES GRANDS ENJEUX ANTHROPOLOGIQUES

Pour explorer les impacts anthropologiques de l’IA générative, nous

pouvons découper la réalité en échelles d’observation distinctes, en suivant
14
le modèle élaboré par l’anthropologue français Dominique Desjeux .
Mécanismes mentaux : à cette échelle, l’IA générative peut influencer nos
processus de pensée et nos façons de percevoir et de comprendre le monde.
Par exemple, elle peut altérer notre rapport à la vérité et à la réalité, en
générant des deepfakes ultraréalistes ou en brouillant les frontières entre ce
qui est réel et ce qui est artificiel.
Culture matérielle : ici, l’IA générative modifie nos interactions avec le
monde matériel. Elle transforme par exemple la création artistique, la
production de biens et services, et même notre rapport aux objets du
quotidien. L’adoption croissante de l’IA générative pourrait
considérablement transformer notre environnement matériel quotidien. Non
seulement cette technologie pourrait se retrouver intégrée dans un nombre
croissant d’outils et de dispositifs que nous utilisons chaque jour, mais elle
pourrait également remodeler la manière dont nous interagissons avec ces
outils. Par ailleurs, la mise en œuvre de l’IA générative requiert
d’importantes ressources matérielles. Les matériaux rares nécessaires à la
construction des infrastructures informatiques entraînent des enjeux
environnementaux et géopolitiques. De plus, le refroidissement des serveurs
informatiques qui hébergent ces IA nécessite d’importantes quantités d’eau,
ce qui peut poser des problèmes dans les régions où cette ressource est rare.
Ainsi, l’impact de l’IA générative ne se limite pas à la sphère digitale, mais
s’étend également à notre environnement matériel et à notre rapport aux
ressources naturelles.
Comportements individuels : l’IA générative peut également affecter nos
comportements et nos habitudes individuels. Elle peut par exemple
influencer la façon dont nous communiquons, dont nous consommons de
l’information ou dont nous prenons des décisions.
De surcroît, l’accès à ces technologies et leur maîtrise peuvent devenir
cruciaux pour naviguer dans notre monde de plus en plus numérisé. Cela
peut entraîner une division entre ceux qui sont capables d’interagir
efficacement avec ces outils et ceux qui n’en ont ni les compétences ni les
moyens. L’IA générative pourrait avoir un impact considérable sur la
manière dont nous cherchons et construisons nos connaissances.
Auparavant, le processus de recherche d’information exigeait un certain
niveau de compétences et d’efforts. Avec l’IA générative, ce processus peut
être grandement simplifié et accéléré, car l’IA peut chercher, trier et
synthétiser des informations à notre place. Cela pourrait transformer notre
relation à la connaissance, rendant l’information plus accessible, mais
possiblement aussi moins approfondie ou critique. De plus, la dépendance à
l’IA pour accéder à l’information pourrait entraîner un risque de biais, si
l’IA privilégie certaines sources ou types d’information sur d’autres.
Interactions sociales : à cette échelle, l’IA générative peut transformer la
façon dont nous interagissons les uns avec les autres, en modifiant par
exemple la dynamique des conversations, les relations de travail, ou encore
les interactions sociales sur les réseaux numériques.
L’habitude d’interagir avec l’IA générative pourrait modifier notre façon de
communiquer non seulement avec les machines, mais aussi avec les autres
humains. Si nous nous habituons à formuler nos pensées et nos demandes
de manière simplifiée ou structurée pour être compris par l’IA, cela pourrait
inconsciemment se répercuter sur notre manière de parler aux autres
humains, avec le risque de les traiter ou de les percevoir comme des
machines. Cette évolution possible met en lumière l’importance de bien
considérer les types d’interactions que nous développons avec l’IA
générative, ainsi que nos attentes vis-à-vis de ces interactions. Les
conséquences pourraient en effet s’étendre au-delà de notre rapport à la
technologie et influencer la dynamique de nos relations sociales.
Société : à l’échelle la plus large, l’IA générative peut avoir un impact sur
l’organisation de nos sociétés, en posant des questions éthiques, légales et
réglementaires, ou en modifiant les dynamiques socio-économiques. Par
exemple, l’introduction croissante de l’IA générative dans divers aspects de
notre vie quotidienne peut transformer notre relation avec les machines,
nous conduisant à repenser les limites entre l’humain et le non humain.
L’IA générative, en particulier, a le potentiel de brouiller ces frontières,
puisqu’elle peut imiter des comportements humains tels que l’écriture, la
conversation ou la création artistique.
Esprit collectif : enfin, cette échelle nous permet de comprendre la manière
dont l’IA générative peut influencer nos croyances et nos idées partagées en
tant que société. Par exemple, elle peut façonner la conviction que l’IA est
véritablement autonome ou générale, malgré les controverses scientifiques
et philosophiques en cours autour de ces concepts. Dans un contexte où les
données sont de plus en plus valorisées, l’IA générative peut également
alimenter une focalisation, voire une fascination collective pour les
données. Cette tendance est parfois appelée « dataïsme », un terme qui
décrit une foi quasi religieuse dans le pouvoir des données à résoudre les
15
problèmes de la société et à guider notre futur .
L’adoption de cette approche d’observation à multiples échelles offre une
perspective plus complète, systémique et nuancée des impacts de l’IA
générative au sein de notre société. Elle permet de comprendre la manière
dont ces technologies sont susceptibles de transformer non seulement nos
vies individuelles, mais aussi nos cultures et nos sociétés à une échelle plus
vaste.
Une dimension clé de cette transformation est la phygitalisation de nos
modes de vie. Ce terme désigne la fusion croissante entre le monde
physique, le monde numérique et le monde virtuel, qui est en grande partie
rendue possible par l’IA générative. Celle-ci joue un rôle crucial dans
l’habilitation de nouvelles formes d’interactions et d’expériences
phygitales, changeant ainsi la façon dont nous vivons, travaillons et
interagissons les uns avec les autres.
Cette approche met en évidence des questions importantes relatives aux
rapports de classe. L’IA générative, comme toute technologie, n’est pas
neutre et peut exacerber les inégalités existantes ou en créer de nouvelles.
L’accès à ces technologies et la capacité à les utiliser efficacement peuvent
par exemple être limités par des facteurs socio-économiques, conduisant à
une fracture numérique entre ceux qui ont accès à ces solutions et les
maîtrisent, et les autres.
Enfin, l’approche à multiples échelles permet de prendre en compte la
dimension écologique. L’IA générative, bien qu’elle puisse contribuer à
résoudre certains problèmes environnementaux, a également un coût
écologique. La production et l’utilisation de ces technologies consomment
une quantité importante d’énergie et de ressources, et produisent des
déchets électroniques. Ces impacts environnementaux doivent être pris en
compte dans toute analyse des implications anthropologiques de l’IA
générative.
 LA FIGURE DE L’HUMAIN AUGMENTÉ
Le carré sémiotique, développé par Algirdas Julien Greimas, est un outil d’analyse
sémiotique qui permet de comprendre et d’expliquer la structure d’un système de
signification 16. Il est composé de quatre « sommes » (S1 à S4), qui représentent deux
paires d’oppositions (contraires et contradictoires).
En l’appliquant à la figure de l’humain augmenté, nous obtenons une analyse
intéressante de l’impact potentiel de l’IA générative sur les modes de perception que
nous avons de nous-mêmes, comme l’illustre la figure ci-après.
➣ S1 – Outils numériques classiques : ce terme représente l’utilisation de la
technologie numérique standard, comme les ordinateurs, smartphones,
logiciels, etc. Ces outils augmentent déjà les capacités humaines en facilitant les
tâches telles que le calcul, la communication, la création et la recherche
d’information.
➣ S2 – IA générative : cela représente un niveau d’augmentation encore plus
avancé, où les outils technologiques sont capables de générer des informations
et du contenu, de prendre des décisions et d’apprendre de manière autonome.
L’IA générative, en ce sens, pourrait être considérée comme un outil
d’augmentation superlative, élargissant encore plus les capacités humaines.
➣ S3 – Humain ordinaire : cela représente l’état « naturel » de l’être humain, sans
l’aide d’outils technologiques. Dans ce contexte, un humain ordinaire pourrait
être considéré comme le contraire d’un humain augmenté (S4), car il n’utilise pas
la technologie pour augmenter ses capacités.
➣ S4 – Humain augmenté : c’est la figure de l’humain qui utilise la technologie (S1
ou S2) pour augmenter ses capacités. Un humain augmenté pourrait être
considéré comme le contraire d’un humain ordinaire (S3) et comme le résultat
de l’utilisation d’outils numériques classiques (S1) ou d’IA générative (S2).

En analysant ces quatre sommets, nous pouvons voir que le carré sémiotique révèle
les tensions et les interactions entre les différentes figures et les différents
concepts. Par exemple, le passage de S1 à S2 représente une augmentation
progressive de l’augmentation technologique, tandis que le passage de S3 à S4
représente le processus d’augmentation humaine par la technologie. De plus, le
carré sémiotique illustre les dilemmes et les conflits potentiels, tels que les tensions
entre les désirs d’augmentation (S4) et les préoccupations sur la préservation de
l’humanité naturelle (S3).
 Figure 16

Carré sémiotique (Greimas) de l’IA générative

Le carré sémiotique permet également de révéler l’axiologie, c’est-à-dire le système

de valeurs associé à ces différents concepts et leurs interactions.
➣ Techno-solutionnisme : ici, la technologie est perçue comme la solution à nos
problèmes et à nos défis. L’augmentation humaine grâce à l’utilisation des outils
numériques classiques est valorisée et promue comme un moyen d’améliorer
nos vies et notre société.
➣ Être dépassé : avec cette combinaison, l’utilisation des outils numériques
classiques sans recourir à l’augmentation peut être perçue comme insuffisante
ou dépassée. Les personnes qui ne cherchent pas activement à augmenter leurs
capacités peuvent se sentir ou être considérées comme en retard par rapport à
ceux qui le font.
➣ Gagner en performance : l’IA générative, même sans l’idée d’augmentation, est
vue comme un moyen d’améliorer les performances. Cela peut refléter la valeur
accordée à l’efficacité, à la productivité et à l’optimisation dans notre société.
➣ Devenir soi-même un dieu, un héros : il s’agit de l’idée que l’utilisation de l’IA
générative pour augmenter nos capacités peut nous conduire à des niveaux
 presque divins ou héroïques de puissance et de potentiel. Cela reflète des
valeurs associées à l’individualisme, à l’autonomie et à l’ambition.

Figure 17

Axiologie issue du carré sémiotique (Greimas) de l’IA générative

Cette analyse axiologique souligne le rôle clé que jouent les valeurs dans notre
compréhension et notre interaction avec la technologie. Elle montre également la
manière dont ces valeurs peuvent être influencées par les tensions et les
dynamiques révélées par le carré sémiotique.

LES ENJEUX POUR LES ORGANISATIONS

Les enjeux concrets de l’adoption et de l’utilisation de l’IA générative dans

les organisations sont variés et touchent à de nombreux aspects du
fonctionnement de l’entreprise.
Collaboration humain-IA : pour tirer pleinement parti de l’IA
générative, il est essentiel de la considérer non pas comme un
remplacement des travailleurs humains, mais comme un complément à
leurs compétences et capacités. Cela nécessite de réfléchir
soigneusement à la manière dont l’IA et les humains peuvent travailler
ensemble de manière efficace et harmonieuse.
Formation des employés : la formation des collaborateurs à
l’utilisation de l’IA générative et à l’interaction avec elle est une étape
essentielle pour assurer une transition réussie. Cette formation peut
aider à atténuer les craintes et les inquiétudes, à promouvoir
l’acceptation de l’IA et à favoriser une collaboration efficace entre les
humains et l’IA.
Mécanismes de signalement : comme toute technologie, l’IA
générative peut rencontrer des problèmes ou des erreurs. La mise en
place de mécanismes permettant aux collaborateurs de signaler ces
problèmes et de les résoudre rapidement est cruciale pour maintenir la
confiance et l’efficacité des systèmes d’IA.
Transparence : il est essentiel que les organisations soient ouvertes et
transparentes sur la manière dont elles utilisent l’IA, y compris sur les
données qu’elles collectent, les décisions que l’IA prend et les raisons
de ces décisions. Cela peut aider à renforcer la confiance et à s’assurer
que les droits des utilisateurs sont respectés.
Responsabilisation : les organisations doivent clairement définir qui
est responsable des décisions prises par les systèmes d’IA et s’assurer
que les collaborateurs ont la possibilité de contester les résultats si
nécessaire. Cela peut aider à prévenir les abus et à garantir que l’IA est
utilisée de manière éthique et responsable.
Aspects éthiques : l’utilisation de l’IA générative soulève également de
nombreuses questions éthiques, y compris en ce qui concerne la
protection des données, la vie privée et la discrimination. Il est
important que les organisations prennent ces questions en compte lors
de l’élaboration et de la mise en œuvre de leurs systèmes d’IA. Il peut
 être utile pour elles de développer et de mettre en œuvre des directives
éthiques spécifiques. La sensibilisation des employés à ces questions et
la formation à l’application de ces directives sont également des
éléments essentiels pour promouvoir une utilisation éthique et
responsable de l’IA.

En ce sens, une politique claire et bien définie est essentielle pour gérer
l’impact de l’IA générative dans une organisation. Avant de mettre en place
un système d’IA, il est nécessaire de comprendre sa valeur ajoutée, ses
capacités et ses limites. Cela implique de travailler étroitement avec les
fournisseurs d’IA, mais aussi d’impliquer les utilisateurs finaux dans le
processus d’évaluation. De plus, les organisations se doivent de mettre en
place des protocoles de sécurité robustes pour protéger les données utilisées
par l’IA. Cela peut inclure le cryptage des données, le contrôle d’accès
strict, et l’application de normes de confidentialité.
 RGPD, ENJEUX DE SOUVERAINETÉ
ET LIBERTÉ D’ACCÈS
La CNIL a publié un plan d’action concernant le déploiement de l’IA, notamment les
IA génératives comme ChatGPT, en mettant l’accent sur le respect de la vie privée
des individus. Cette initiative s’appuie sur les efforts menés par la CNIL depuis
plusieurs années pour anticiper et répondre aux enjeux posés par l’IA.
La CNIL a l’intention de poursuivre son travail sur les caméras augmentées et
d’élargir ses recherches aux IA génératives, notamment aux modèles de langage à
grande échelle et aux applications dérivées comme les chatbots.
Le plan d’action de la CNIL se concentre sur quatre domaines principaux :
➣ comprendre le fonctionnement des systèmes d’IA et leurs impacts sur les
individus ;
➣ encourager et encadrer le développement d’IA respectueuses de la vie privée ;
➣ rassembler et soutenir les acteurs innovants de l’écosystème de l’IA en France et
en Europe ;
➣ auditer et contrôler les systèmes d’IA pour protéger les individus.

Ces efforts visent également à préparer l’application du projet de règlement

européen sur l’IA. Il s’agit d’un enjeu stratégique majeur pour de nombreux pays,
dont la France et les membres de l’Union européenne, qui cherchent à s’émanciper
de la dépendance envers des acteurs étrangers tels qu’OpenAI et à favoriser le
développement de solutions nationales ou continentales.
L’objectif est de pouvoir contrôler et gérer les systèmes d’IA génératifs au sein des
frontières nationales ou européennes, garantissant ainsi le respect des normes et
réglementations locales en matière de confidentialité, de sécurité et d’éthique. Cela
passe par des investissements dans la recherche et le développement, ainsi que par
la mise en place de réglementations favorables à l’innovation dans le domaine de l’IA.
Cependant, l’attitude vis-à-vis de ces technologies varie de manière importante d’un
pays à l’autre. Certains pays ont choisi de limiter ou d’interdire (de manière
définitive ou temporaire) l’utilisation de ChatGPT et d’autres technologies
similaires, généralement en raison de préoccupations liées à la sécurité ou à l’accès à
l’information. Parmi ces pays, on trouve la Russie, la Chine, l’Iran, la Corée du Nord,
le Venezuela, la Biélorussie et l’Italie 17. Plus précisément en Italie, l’accès à ChatGPT
a été bloqué fin mars 2023 et autorisé de nouveau en avril de la même année.
Piloter l’intégration
des IA conversationnelles et génératives
dans l’entreprise : une transition axée
sur l’humain
Changer, c’est passer d’une situation A à une situation B. Ce processus peut
se dérouler lentement, comme une évolution progressive, ou brusquement, à
la manière d’une révolution. Faire basculer une entreprise dans l’ère de l’IA
conversationnelle et générative nécessite des changements et en la matière,
même si le déclencheur est technologique, la transition est d’abord un enjeu
humain et cognitif. Le changement se heurte inévitablement aux habitudes
ancrées et aux craintes. Il implique un ajustement par rapport à l’existant,
mais l’ampleur de ce changement n’est pas proportionnelle à l’intensité de
la peur qu’il peut susciter.
Analyser le changement sous l’angle cognitif est une piste pour le mener à
bien. En premier lieu, l’être humain est intrinsèquement adaptable. Notre
« inventus neuronal » 18, cette capacité à développer de nouvelles
connexions neuronales, est le témoin de notre plasticité cérébrale et de notre
aptitude à nous adapter. Pierre-Marie Lledo, neurobiologiste et directeur de
recherche au CNRS, l’affirme : « Le cerveau se nourrit du changement et se
détruit de la routine. » Il précise également que « deux tiers de notre
cerveau sont là pour pénétrer les émotions de l’autre ». Cette assertion
révèle une voie pour conduire et accompagner le changement.
Face aux habitudes et aux craintes induites par le changement, le collectif et
l’intelligence émotionnelle sont les meilleurs outils pour l’accompagner. Un
collectif peut s’engager dans un changement s’il en comprend le sens, si on
peut mesurer son impact, si ses membres ressentent un environnement de
sécurité psychologique où ils peuvent compter les uns sur les autres,
comprendre la structure du changement, et si l’information concernant la
transition circule de manière transparente 19.
L’intégration des IA génératives dans l’entreprise, qui vise à atteindre les
objectifs de cette dernière, devrait alors s’orchestrer logiquement à travers
une démarche de rétro-ingénierie, en suivant les étapes suivantes :
définir le sens et les objectifs à atteindre avec l’IA générative, en faisant
de cette technologie non pas un objectif mais un outil au service des
missions et objectifs de l’organisation ;
établir les indicateurs de succès et d’impact associés ;
cartographier les acteurs et leurs rôles dans la conduite du changement ;
sélectionner les outils d’IA générative adaptés à chaque segment de la
chaîne de valeur de l’entreprise ;
établir le plan d’action global puis les plans d’action détaillés.

Cette approche cognitive du changement prend en compte le temps

nécessaire à la transition et assume que chaque collaborateur aura son
propre rythme d’adoption.
Il est ici possible de faire un pont naturel avec la théorie classique de
20
l’adoption de l’innovation décrite par Everett Rogers , qui comprend cinq
phases distinctes :
1. La connaissance : cette phase représente le premier contact d’un
individu ou d’une organisation avec une innovation. À ce stade, la
personne ou l’organisation devient consciente de l’innovation mais n’a
pas encore d’opinion formée à son sujet.
2. La persuasion : à ce stade, l’individu ou l’organisation s’intéresse à
l’innovation et cherche à comprendre comment elle fonctionne, quels
sont ses avantages et ses inconvénients. C’est à ce moment qu’ils
décident si oui ou non ils veulent l’adopter.
3. La décision : c’est le moment où l’individu ou l’organisation choisit
d’adopter ou de rejeter l’innovation. Cette décision est généralement le
résultat d’un processus d’évaluation.
4. La mise en œuvre : si l’individu ou l’organisation décide d’adopter
l’innovation, il ou elle commence à l’utiliser. Pendant cette phase,
 l’individu ou l’organisation expérimente l’innovation et détermine son
utilité.
5. La confirmation : enfin, lors de cette phase, l’individu ou
l’organisation confirme son engagement envers l’innovation, continue
de l’utiliser et peut même la promouvoir auprès d’autres.

Dans la phase de persuasion, Everett Rogers identifie cinq attributs clés qui
influencent la perception de l’innovation :
1. Avantage relatif : comment l’innovation est perçue comme étant
meilleure que l’idée qu’elle remplace.
2. Compatibilité : comment l’innovation est compatible avec les valeurs
et les expériences passées des adoptants.
3. Complexité : si l’innovation est perçue comme difficile à comprendre
et à utiliser.
4. Essayabilité : dans quelle mesure une innovation peut être
expérimentée sur une base limitée.
5. Observabilité : dans quelle mesure les résultats de l’innovation sont
visibles pour les autres.

Appliquer un plan de transformation type à l’intégration de l’IA générative

dans une entreprise pourrait prendre la forme suivante :
1. Connaissance : les responsables, managers et collaborateurs de
l’entreprise apprennent l’existence de l’IA générative, son potentiel,
la manière dont elle peut être utile pour l’entreprise, et s’y acculturent.
2. Persuasion : les responsables, managers et collaborateurs de
l’entreprise évaluent les avantages de l’IA générative par rapport à leurs
méthodes actuelles (avantage relatif), prennent en compte la
compatibilité de l’IA générative avec leurs systèmes et processus
existants (compatibilité), évaluent sa complexité et déterminent si elle
peut être testée sur une base limitée (essayabilité). Ils examinent
 également dans quelle mesure les résultats de l’utilisation de l’IA
générative seront visibles et mesurables (observabilité).
3. Décision : sur la base de l’évaluation effectuée pendant la phase de
persuasion, les responsables de l’entreprise décident d’adopter l’IA
générative.
4. Mise en œuvre : l’entreprise commence à intégrer l’IA générative dans
ses opérations à l’aide de projets pilotes.
5. Confirmation : l’entreprise évalue les résultats de l’implémentation de
l’IA générative dans ses projets pilotes. En valorisant les résultats
positifs, elle valorise l’impact, engage et motive alors les managers et
collaborateurs dans la démarche pour étendre les champs d’utilisation
utiles.

La manière dont vont alors se diffuser les innovations, nouveaux outils et

nouvelles pratiques, peut être conceptualisée par la « courbe en S » qui
décrit comment une nouvelle technologie ou innovation est adoptée au sein
d’une population ou d’une organisation au fil du temps. Le modèle est ainsi
appelé parce que la courbe d’adoption ressemble à une lettre S en raison de
sa forme accélérée et décélérée. La courbe est divisée en cinq segments qui
correspondent aux cinq phases d’adoption de l’innovation d’Everett Rogers
mentionnées précédemment :
1. Les innovateurs (environ 2,5 % de la population) : ce sont les premiers
à adopter une innovation. Ils sont prêts à prendre des risques et sont
souvent socialement détachés du groupe local.
2. Les adopteurs précoces (environ 13,5 % de la population) : ces
individus adoptent une nouvelle idée juste avant la moyenne des
membres du système social. Ils interagissent souvent avec les
innovateurs et aiment être des « porteurs d’idées » dans leur système
social.
3. La majorité précoce (environ 34 % de la population) : ce groupe
adopte l’innovation après avoir observé ceux qui l’ont adoptée tôt. Ils
 sont rarement des leaders, mais embrassent de nouvelles idées avant la
moyenne.
4. La majorité tardive (environ 34 % de la population) : ce groupe est
sceptique et n’accepte l’innovation que lorsque la majorité de la société
l’a adoptée.
5. Les retardataires (environ 16 % de la population) : ce groupe est le
dernier à adopter une innovation. Il est sceptique et ne l’accepte que
lorsqu’elle a été testée pleinement par les autres.

Dans le contexte de l’IA générative, l’entreprise peut se situer à n’importe

quel point de la courbe en S, en fonction de sa volonté d’adopter cette
technologie et de la manière dont elle s’y prend pour l’intégrer dans ses
opérations.
En interne, cette approche du rythme d’adoption par les collaborateurs
milite pour des stratégies du changement fondées sur des ambassadeurs
internes, réunis au sein d’un club d’utilisateurs, et qui porteront la démarche
de transformation globale pour acculturer et diffuser l’utilisation des IA
conversationnelles et génératives au service des missions et objectifs de
l’entreprise. Ce club d’utilisateurs pourrait se situer entre un groupe de
réflexion stratégique, définissant les objectifs et priorités de l’entreprise en
matière d’IA, et une équipe opérationnelle visant à déployer des systèmes
existants, développer des chaînes sur mesure et coordonner les initiatives
internes de manière transversale au sein de l’entreprise.
Toujours compatibles avec ces approches, les démarches participatives et
transversales auront pour intérêt de balayer largement les opportunités de
transformation internes, inévitablement différentes d’une entreprise à une
autre, d’un métier à un autre, d’une organisation à une autre. Le champ de
transformation est si large qu’on ne peut faire la liste des métiers et
compétences transformés mais bien plutôt se doter d’une méthode.
Une méthode qui pourrait se fonder sur les piliers suivants :
la transformation des entreprises à travers les IA conversationnelles et
génératives n’est pas le sujet exclusif des directions informatiques, mais
avant tout celui des directions métiers. En la matière, les meilleures
transformations viendront de la base, le rôle de la DSI (direction des
systèmes d’information) étant alors d’identifier, de structurer et
d’accompagner ;
la méthode doit être centrée sur l’humain, cherchant la manière de
transformer l’organisation en optimisant la relation humain-machine. Le
rôle de la créativité humaine étant un facteur clé dans l’utilisation
efficace de l’IA conversationnelle et générative, les entreprises doivent
mettre en place des processus, des pratiques et des politiques qui
encouragent la créativité pour maximiser le potentiel de ces
technologies transformatrices. Une créativité d’autant plus importante
pour étendre la réalité et relier le monde numérique au monde
physique 21 ;
22
éviter la « fièvre sans friction » : la suppression totale de la friction
n’est pas toujours bénéfique. Il est préférable d’éliminer la « mauvaise
friction » et d’ajouter de la « bonne friction ». Les mécanismes de
consentement pour le partage des données sont un bon exemple de
« bonne friction » ;
penser à l’éthique et à l’exactitude de l’IA générative 23 : les entreprises
doivent réfléchir à qui profite le contenu généré par des outils comme
ChatGPT ou DALL-E, et qui construit ces modèles. Il est important de
ne pas renforcer les structures existantes de pouvoir et d’exclusion ;
mettre en place des pratiques d’IA responsables dès le départ 24 : l’IA
peut causer du tort aux personnes, à la société, aux marques et aux
réputations. Les entreprises doivent élaborer des politiques liées à leurs
valeurs fondamentales, créer un cadre opérationnel pour la gouvernance
de l’IA dans l’entreprise, inclure l’équité et l’explicabilité lors de la
construction des outils d’IA, et être transparentes sur l’utilisation de
l’IA.
PAROLE D’EXPERT
Guillaume Baudoin, coach expert en conduite
du changement, directeur associé de Polaria
« Voudriez-vous me dire, je vous prie, quel chemin je dois prendre ? » « Tout dépend
où vous voulez aller », dit le chat. « Cela m’est égal », dit Alice. « Dans
ce cas, peu importe le chemin », répondit le chat.
Lewis Carroll, Alice au pays des merveilles

De façon générale, l’indécision ou l’incertitude sont particulièrement inconfortables

pour le cerveau humain. Il cherche en permanence à maîtriser les situations en les
rapprochant de scénarios déjà connus. Pour cela, il va échantillonner, établir des
passerelles entre des événements disparates pour créer une illusion de continuité,
de contrôle, et garantir un sens à ses propres yeux. Afin d’assurer ces opérations
essentielles, notre esprit fait donc en sorte que chaque événement s’inscrive dans
une chaîne de significations. Cela constitue ainsi un récit cohérent dans lequel nous
sommes à la fois acteur et metteur en scène, ce que le neurologue Lionel Naccache
appelle le « cinéma intérieur ».
Ces actions de traitement permanent de la réalité par notre cerveau sont
indispensables pour lutter contre notre angoisse, notre sentiment de contingence et
le doute abyssal auquel renvoie la notion de hasard. Pour donner du sens, bâtir un
récit cohérent et nous assurer une illusion de maîtrise sur le cours des choses, nous
avons recours à des biais cognitifs qui permettent de faire tenir notre réel, mais
également de nous économiser cognitivement. En effet, si le cerveau pèse 2 % de
notre masse totale, il consomme près de 25 % de l’énergie dépensée chaque jour. Il
est donc nécessaire de trouver des leviers d’économie. Pour cela, nous avons recours
à un mode automatique, qui permet de piloter notre esprit avec un minimum
d’engagement. Le cerveau s’appuie alors sur nos habitudes pour reproduire des
raisonnements et des comportements connus. Cela nous sécurise et économise
l’énergie en s’appuyant sur des circuits neuronaux spécifiques qui ne nécessitent pas
d’attention particulière. Le deuxième mode auquel le cerveau peut avoir recours est
le contrôle, qui permet d’orienter notre action mentale à l’aide d’une concentration
intense. Il permet d’apprendre, de mettre en place de nouveaux comportements et
de nouveaux raisonnements au prix d’une fatigue plus importante.
L’homme oscille toujours entre un attrait et un besoin de nouveauté et une
recherche de sécurité et d’habitude. La nature de cet équilibre et le temps
nécessaire pour évoluer sont propres à l’histoire et au tempérament de chacun et
nous placent dans un état émotionnel particulier devant l’innovation en général et le
changement en particulier, surtout quand il impacte nos vies.
 L’apparition de l’intelligence artificielle dans les organisations va avoir des
conséquences majeures sur le métier, les savoir-faire et la légitimité professionnelle
des individus. La réaction de chacun face à cette révolution sera donc fortement liée
au rythme de cette évolution, à son intensité et à la capacité de s’approprier cette
technologie pour asseoir une nouvelle légitimité face au collectif de travail et non de
subir le changement. Cette perception et les réactions qui en découlent seront
spécifiques à chaque personnalité au regard de ses expériences antérieures, de son
estime de soi et de sa confiance en sa capacité de changer.
Pour réussir cette transition, il sera fondamental pour les managers de veiller à trois
actions : nommer, expliquer, agir ; c’est-à-dire :
créer des espaces d’expression pour les réactions de déni, de peur et de
résistance concernant l’IA ;
expliquer le sens de ce nouvel outil sur le plan collectif et individuel ;
donner le temps et la sécurité nécessaires pour s’approprier le nouvel outil,
redéfinir son rôle en regard et retrouver sa légitimité grâce aux nouveaux
résultats obtenus avec l’IA.

Tests, validation et mise en œuvre

des solutions d’IA conversationnelles
et génératives
Dès qu’une organisation choisit stratégiquement d’intégrer l’IA générative,
elle s’embarque dans une aventure nouvelle : celle de concevoir une
expérience, en particulier à travers une interface conversationnelle. Cette
interface doit répondre aux habitudes des collaborateurs, être en phase avec
la culture de l’entreprise, et surtout, être alignée sur les objectifs fixés avec
l’IA.
L’ergonomie cognitive est une branche de l’ergonomie qui s’intéresse à la
façon dont les informations sont reçues, traitées et interprétées par le
cerveau humain. Appliquée à l’UX/UI design, elle vise à optimiser
l’interface utilisateur (UI) et l’expérience utilisateur (UX) pour rendre les
systèmes plus intuitifs, efficaces et agréables à utiliser. L’UX/UI design est
donc un aspect essentiel du déploiement de l’IA générative dans une
organisation.
Dans la création d’une interface conversationnelle, plusieurs dimensions
sont importantes :
la dimension esthétique se réfère à l’apparence visuelle de l’interface,
qui doit être attrayante et engageante pour l’utilisateur ;
la dimension d’usage concerne la fonctionnalité de l’interface, c’est-à-
dire la manière dont elle aide les utilisateurs à accomplir leurs tâches ;
la dimension d’interaction concerne la manière dont les utilisateurs
interagissent avec l’interface, qui doit être intuitive et conviviale.

Dans la conception de ces interfaces, il est impératif de partir des usages

existants et des attentes des utilisateurs. Par exemple, de nombreuses
personnes sont habituées à interagir avec des chatbots sous forme de
widget, c’est-à-dire une petite fenêtre de conversation qui s’ouvre
généralement dans le coin inférieur droit d’un site web. Ces chatbots
peuvent répondre à des questions simples, fournir des informations et aider
à naviguer sur le site.
Mais, avec l’avènement de l’IA générative, les attentes des utilisateurs
évoluent. Par exemple, ChatGPT peut produire des réponses plus
complexes et plus naturelles que les chatbots traditionnels, créant ainsi une
expérience de conversation plus immersive et plus humaine qui se conduit
en pleine page et non à travers un widget. Autre exemple avec Midjourney
qui représente une évolution significative par rapport aux chatbots
traditionnels, en s’orientant davantage vers les plateformes de
communication communautaires, comme Discord. Alors qu’un chatbot
classique offre une interaction généralement unidirectionnelle entre un
utilisateur et une interface, Midjourney mise sur le concept de la
communauté, du partage et de la décentralisation. Cet aspect
communautaire facilite le partage d’informations et d’interactions entre les
utilisateurs, tout en offrant également des parcours utilisateurs
personnalisés, basés sur les actions et les préférences individuelles. Les
utilisateurs peuvent ainsi se sentir davantage impliqués et engagés dans
leurs interactions avec l’IA, ce qui contribue à enrichir l’expérience globale.
En outre, l’aspect décentralisé de Midjourney s’aligne sur la tendance
actuelle vers une plus grande démocratisation et distribution du savoir et de
l’information. Plutôt que de centraliser toutes les interactions au sein d’une
seule interface, Midjourney permet une diffusion plus large et plus
organique de l’information à travers une communauté d’utilisateurs.
L’ergonomie cognitive, en se concentrant sur l’optimisation de l’interface
utilisateur et de l’expérience utilisateur (UI/UX), permet de transformer un
simple prompt en une conduite de projet améliorée au sein d’une
organisation. Pour que cette transition soit fructueuse, plusieurs critères
doivent être respectés par les collaborateurs :
1. Clarté des objectifs : il est crucial de définir avec précision l’objectif
du processus d’intégration de l’IA. Une définition claire et précise
permettra à l’IA de mieux comprendre et répondre aux besoins
spécifiques du projet.
2. Expertise en la matière : les collaborateurs doivent avoir une solide
connaissance du sujet du projet. Cela leur permettra de formuler des
prompts pertinents et efficaces pour l’IA, et d’interpréter correctement
les réponses fournies par l’IA.
3. Préparation en amont : il est important de travailler en amont du
prompt, et en parallèle de l’interaction avec l’IA. Cela implique une
préparation minutieuse, y compris la recherche d’informations
pertinentes et l’établissement d’une stratégie claire pour l’utilisation de
l’IA.
4. Détail des étapes : il faut décomposer finement toutes les étapes du
projet, afin de s’assurer d’avoir tous les éléments de réponse
nécessaires. Cela permet également de déterminer à quels moments
précis l’IA peut être la plus utile.
5. Adaptabilité : les collaborateurs doivent être prêts à s’adapter, à
prendre du recul et à reformuler leurs questions ou prompts à l’IA au
besoin. L’IA générative est un outil puissant, mais elle nécessite une
interaction réfléchie pour être utilisée efficacement.

Il est important de noter que l’IA générative n’est pas censée prendre en
charge l’ensemble des tâches qu’un collaborateur doit réaliser. Au contraire,
elle est utilisée à des moments précis pour des actions spécifiques, d’où
l’importance de disposer des bonnes fonctionnalités pour maximiser son
utilité.
 ÉTUDE DE CAS
Cette étude de cas permet de se rendre compte de la manière dont une interface
conversationnelle équipée d’une solution d’IA générative peut être mise en pratique
au sein d’une organisation. Plus spécifiquement, il s’agit de comprendre comment
l’IA générative peut soutenir les entreprises en identifiant des initiatives sociales et
écologiques, apportant ainsi une réponse aux défis éthiques et de la transition socio-
environnementale 25.
Pour mener à bien tout projet impliquant l’IA générative au sein d’une organisation,
trois étapes clés doivent être respectées, et cela quel que soit le projet. Dans un
premier temps, l’utilisation de l’IA générative doit être envisagée comme un moyen
d’approfondir les connaissances existantes des collaborateurs et de l’organisation.
C’est l’occasion de découvrir comment l’IA peut optimiser les processus actuels et
générer de nouvelles informations précieuses.
Ensuite, l’IA conversationnelle et générative peut être utilisée comme un outil de
soutien pour la création d’un cahier des charges, par exemple. C’est ici qu’une
expertise en ingénierie des prompts devient essentielle : elle permet au
collaborateur de formuler les bonnes requêtes et d’évaluer la pertinence des
réponses de l’IA.
Enfin, l’IA générative peut être déployée comme un assistant technologique pour
optimiser le temps et l’expertise. Elle peut par exemple aider à automatiser certaines
tâches ou à fournir des réponses instantanées à des questions complexes.
En somme, l’interface conversationnelle ne doit pas être perçue comme un
remplacement de l’humain, mais plutôt comme une aide supplémentaire, une
ressource précieuse pour accroître l’efficacité et la productivité de l’organisation.
ÉTAPE 1 : LES COLLABORATEURS S’AIDENT
DE LEURS CONNAISSANCES
ET D’UNE INTERFACE CONVERSATIONNELLE
D’IA GÉNÉRATIVE EXISTANTE POUR
RASSEMBLER LES INFORMATIONS
NÉCESSAIRES À LA CRÉATION D’UN OUTIL
INTERNE

1. CONTEXTE
Comprendre les besoins de son organisation
Ressources internes de l’organisation
Expertise des collaborateurs
Aide à la formalisation par l’IA générative

Identification des objectifs des organisations en matière de responsabilité

sociale et environnementale (RSE)
Ressources internes de l’organisation
Expertise des collaborateurs
Recherches Internet par l’IA générative avec sources associées

Exploration des défis et des opportunités pour les organisations dans la

transition socio-environnementale
Expertise des collaborateurs
Ressources à disposition (rapports, ouvrages, interviews, etc.)
Recherches Internet par l’IA générative avec sources associées
Création d’une synthèse structurée à partir des éléments des collaborateurs et
des éléments issus des recherches de l’IA générative

Analyse des besoins des utilisateurs pour une interface efficace et adaptée
Ressources internes de l’organisation
Expertise des collaborateurs
Assistance par une IA générative
2. CRÉATION DU PROMPT INITIAL
Rédaction d’un prompt initial pour guider l’IA générative dans la création de
suggestions d’actions sociales et écologiques pour les organisations
Prendre en compte l’ergonomie cognitive et les aspects anthropologiques pour
un prompt adapté aux contextes culturels et cognitifs des utilisateurs
Amélioration itérative du prompt
Analyse des résultats générés par l’IA en réponse au prompt initial
Identification des forces et faiblesses des suggestions, et modification du
prompt en conséquence
Répétition de ce processus jusqu’à l’obtention d’un prompt optimal pour générer
des suggestions pertinentes et inclusives

3. ÉVALUATION DE LA QUALITÉ ET DE LA PERTINENCE

DES SUGGESTIONS GÉNÉRÉES PAR L’IA

Vérification de la prise en compte des aspects éthiques dans les suggestions

proposées
Réflexion sur les implications des suggestions générées en termes de
responsabilité sociale et environnementale des organisations

4. INTÉGRATION DES RÉSULTATS DANS L’INTERFACE

Développement d’une interface utilisateur adaptée aux besoins de l’organisation
Intégration des suggestions générées par l’IA dans l’interface pour faciliter la
prise de décision et la mise en œuvre des actions sociales et écologiques
Prise en compte des principes d’ergonomie cognitive pour une expérience
utilisateur optimale

5. TEST ET ITÉRATION
Test du mockup 26 de l’interface avec des collaborateurs pour recueillir des
retours et identifier les améliorations potentielles
Analyse des retours et intégration des modifications dans l’interface et les
prompts pour améliorer continuellement la qualité et la pertinence des
suggestions
ÉTAPE 2 : RÉALISER LE CAHIER
DES CHARGES DE L’INTERFACE
CONVERSATIONNELLE

EXEMPLE DE RÉPONSE À CE BRIEF

Concevoir et développer une interface conversationnelle basée sur l’IA générative
pour aider le DRH et son équipe à identifier et mettre en œuvre des actions visant à
améliorer l’inclusivité (rapport hommes/femmes), réduire le gaspillage des
consommables et mettre en place des dispositifs partagés en lien avec la biodiversité
urbaine.

EXPÉRIENCE UTILISATEUR ET ERGONOMIE COGNITIVE

Conception intuitive et facile à utiliser pour les utilisateurs de différents niveaux
de compétence technique
Navigation claire et cohérente, avec un système de menus et de catégories pour
accéder aux différentes fonctionnalités et ressources
Utilisation d’un langage naturel pour faciliter la communication entre
l’utilisateur et l’interface
Personnalisation de l’expérience utilisateur en fonction des préférences et des
besoins individuels

FONCTIONNALITÉS PRINCIPALES
Fournir des recommandations d’actions en matière d’inclusivité, de réduction du
gaspillage et de biodiversité urbaine, basées sur les meilleures pratiques et les
données d’entreprise spécifiques
Permettre aux utilisateurs de poser des questions et d’obtenir des réponses
rapides et pertinentes grâce à l’IA générative
Intégrer des outils de suivi et de reporting pour mesurer l’impact et l’efficacité
des actions mises en œuvre
Offrir des ressources éducatives et des guides pour aider les utilisateurs à mieux
comprendre les enjeux et les meilleures pratiques en matière d’inclusivité, de
réduction du gaspillage et de biodiversité urbaine
INTÉGRATIONS ET BASES DE DONNÉES
Intégration de l’IA générative pour générer des recommandations et des
réponses adaptées aux besoins des utilisateurs
Connexion aux bases de données internes et externes pour accéder aux
informations pertinentes et actualisées sur les initiatives sociales et écologiques
API pour permettre l’intégration avec d’autres systèmes et applications internes
(par exemple, outils de gestion des ressources humaines, systèmes de suivi de la
performance)

SÉCURITÉ ET CONFIDENTIALITÉ
Chiffrement des données et protocoles d’authentification pour protéger les
informations des utilisateurs
Conformité aux réglementations locales et internationales en matière de
protection des données (par exemple, RGPD)
Politique de gestion des accès pour contrôler l’accès aux données et aux
fonctionnalités sensibles

SUPPORT ET ASSISTANCE
Support en ligne, par chat ou par courriel pour aider les utilisateurs en cas de
difficulté ou répondre à des questions spécifiques
Mise à disposition de tutoriels et de guides d’utilisation pour familiariser les
utilisateurs avec l’interface et ses fonctionnalités

ÉVOLUTIVITÉ ET ADAPTABILITÉ
Conception modulaire et extensible pour faciliter l’ajout de nouvelles
fonctionnalités, catégories et ressources
Mécanismes d’apprentissage automatique pour mieux comprendre les besoins
des utilisateurs et adapter l’interface en conséquence
ÉTAPE 3 : ORGANISATION DES DIFFÉRENTES
PAGES ET DÉFINITION DU DESIGN
SOUHAITÉ POUR L’INTERFACE
CONVERSATIONNELLE

1. PAGE D’ACCUEIL
Un design épuré et minimaliste avec des couleurs apaisantes
Un message de bienvenue et une brève présentation des objectifs de l’interface
Un champ de saisie permettant à l’utilisateur de poser une question ou de
décrire son besoin

2. MENU PRINCIPAL
Un menu accessible depuis la page d’accueil, présentant les principales
catégories d’actions (inclusivité, réduction du gaspillage, biodiversité urbaine)
Des icônes intuitives et descriptives pour chaque catégorie
Une navigation facile et intuitive entre les différentes catégories

3. PAGES DE CATÉGORIES
Chaque catégorie dispose de sa propre page avec un contenu spécifique et des
recommandations liées
Un design cohérent avec la page d’accueil, avec des couleurs et des éléments
graphiques adaptés
Des informations contextuelles sur chaque enjeu et des exemples d’actions
possibles

4. PAGE DE RÉSULTATS
Une liste de solutions et d’actions proposées en fonction des besoins et des
préférences de l’utilisateur
Un système de notation ou de classement pour aider l’utilisateur à évaluer et
comparer les différentes options
 Des liens vers des ressources supplémentaires pour approfondir chaque
solution

5. PAGE DE FEEDBACK
Un espace dédié pour recueillir les commentaires des utilisateurs sur l’interface
et les suggestions d’amélioration
Un formulaire simple et rapide à remplir, avec des questions ouvertes et fermées

6. MODE D’INTERACTION AVEC LA MACHINE

L’interface sera basée sur une interaction en langage naturel, avec des questions
et des réponses fournies par l’IA générative
Les utilisateurs pourront poser des questions ou décrire leurs besoins en texte
libre, et l’IA générative fournira des réponses adaptées
Les utilisateurs auront également la possibilité de parcourir les différentes
catégories et d’accéder aux ressources associées
L’interface pourra être adaptée pour fonctionner sur différents appareils
(ordinateurs, tablettes, smartphones) et être accessible via un navigateur web
ou une application dédiée

En suivant ces principes et en tenant compte des besoins spécifiques du DRH et de

son équipe, l’interface proposée offrira une expérience utilisateur agréable et
intuitive, tout en répondant aux enjeux liés à l’inclusivité, la réduction du gaspillage
et la biodiversité urbaine.
La mise à disposition d’une telle interface basée sur l’IA générative peut transformer
les pratiques des autres collaborateurs de plusieurs manières :
Gain de temps et d’efficacité : l’interface permettra au service RH et aux
collaborateurs de trouver rapidement des solutions et des actions adaptées à
leurs besoins, sans avoir à passer par des recherches longues et fastidieuses.
Cela libérera du temps pour se concentrer sur d’autres tâches importantes.
Centralisation des informations : l’interface rassemblera toutes les
informations et les ressources pertinentes en un seul endroit, facilitant ainsi
l’accès et la consultation des données pour tous les collaborateurs.
Prise de décision éclairée : grâce aux informations fournies par l’IA générative,
le service RH et les autres collaborateurs pourront prendre des décisions plus
éclairées en matière d’inclusivité, de réduction du gaspillage et de biodiversité
urbaine.
 Sensibilisation et engagement : l’interface sensibilisera les collaborateurs aux
enjeux sociaux et écologiques et encouragera un engagement actif dans la mise
en œuvre des actions proposées. Cela peut favoriser une culture d’entreprise
plus responsable et durable.
Suivi des progrès : l’interface peut également offrir des outils pour suivre et
mesurer les progrès réalisés dans la mise en œuvre des actions, permettant ainsi
aux collaborateurs et au service RH de suivre l’évolution et d’ajuster les actions
si nécessaire.
Personnalisation : grâce à l’IA générative, l’interface pourra s’adapter aux
besoins et aux préférences spécifiques de chaque utilisateur, offrant ainsi des
conseils et des solutions sur mesure.
Facilitation de la communication : l’interface peut servir de plateforme pour
faciliter la communication entre les différentes parties prenantes (RH,
collaborateurs, direction, etc.) sur les sujets liés aux enjeux sociaux et
écologiques.
Amélioration continue : la possibilité de recueillir des retours d’expérience des
utilisateurs permettra d’améliorer continuellement l’interface et de l’adapter
aux besoins changeants de l’entreprise et de ses collaborateurs.

En conséquence, si l’objectif est d’intégrer l’IA générative dans une organisation via
la mise en place d’une interface conversationnelle spécialisée, toutes ces phases
seront cruciales pour assurer l’efficacité et l’adoption optimale de l’outil. Comme
nous le démontrerons dans les prochaines fiches pratiques, chaque collaborateur
peut améliorer sa performance de travail quotidienne en utilisant les outils existants.
L’enjeu n’est donc pas uniquement de formuler le bon prompt, mais plutôt de savoir
utiliser l’outil approprié, au moment opportun.
 PARTIE 2

50 FICHES PRATIQUES SUR L’IA

GÉNÉRATIVE
Les fiches qui suivent n’ont pas l’ambition de répertorier de manière
exhaustive l’ensemble des cas d’usage et d’intégration possibles des IA
conversationnelles et génératives dans l’entreprise, mais bien plus d’ouvrir
des portes, des pistes de réflexion pour permettre à chacun d’imaginer
comment transformer ses tâches professionnelles, son organisation et son
entreprise, quel que soit son métier.
Ces fiches sont regroupées en quatre sections.
La première explore des cas d’usage simples et facilement accessibles en
utilisant les outils disponibles de manière gratuite ou par abonnement et à
travers différentes interfaces grand public. Une grande partie des fiches qui
suivent sont principalement le fruit de nos explorations et expérimentations
sur les modèles de fondation de la suite GPT (développée par OpenAI), de
la suite Claude (développée par Anthropic), d’OpenAssistant (développé
par LAION), PaLM (développé par Google), Llama (développé par Meta),
pi (développé par Inflection AI), Midjourney (développé par le laboratoire
de recherche du même nom), Stable Diffusion (développé par Stability AI)
et Gen-2 (développé par Runway) utilisés à travers les interfaces de
ChatGPT et DALL-E 2 (pour les modèles de la suite GPT), Poe.com (pour
les modèles de la suite Claude, mais également GPT, PaLM et Llama),
HuggingChat (pour OpenAssistant), Discord (pour Midjourney),
Leonardo.ai et playgroundai.com (pour Stable Diffusion) et Runway (pour
Gen-2). Ainsi que les IA génératives associées aux moteurs de recherche
Bing avec Bing Chat et Google avec Bard. Cette première partie rassemble
les blocs élémentaires de l’IA conversationnelle et générative.
La deuxième explore des cas d’usage professionnels plus poussés qui
nécessitent parfois la combinaison de différents outils. Là encore, la
juxtaposition d’outils facilement accessibles permet de déployer sans
difficulté ces cas d’usage.
La troisième ouvre la porte de l’automatisation de processus en balayant un
large panel de secteurs et de métiers. Cette automatisation nécessite
l’exploitation d’API ou la personnalisation de modèles (de l’intégration de
données et bases de connaissances internes, au fine tuning de modèles voire
à la création de son propre modèle). Ici le développement des plugins 1 et du
No Code 2 ouvre cependant la voie à une démocratisation des capacités
d’automatisation d’un grand nombre de processus pour toutes les
entreprises.
La quatrième ouvre enfin les réflexions pour un déploiement et une
utilisation socialement et écologiquement responsables. L’émergence de
l’IA conversationnelle et générative ne peut être considérée isolément, mais
doit être intégrée, notamment, dans le contexte plus large des enjeux
sociaux et écologiques de notre époque.
 SECTION 1

Faire ses premiers pas avec l’IA générative

et déployer des cas d’usage simples
et rapides

Le but de cette première section est de vous familiariser avec des cas
d’usage basiques et de vous fournir des conseils pratiques pour démarrer
votre expérience avec l’IA générative. Les fiches présentées ici se
concentrent sur des tâches qui ne mobilisent qu’un outil à la fois. L’objectif
est de comprendre en profondeur chaque cas d’usage, ses forces, ses
limites, ainsi que les meilleures pratiques pour son utilisation.
De la génération de textes à la création d’images, en passant par la
correction de contenus, chaque fiche est conçue pour vous aider à
appréhender le potentiel de l’IA générative et à acquérir une solide
compréhension des outils à votre disposition et de leurs potentiels.
Nous vous recommandons d’expérimenter par vous-même à mesure que
vous progressez dans la lecture des fiches qui vous intéressent, la pratique
et l’expérimentation restant les meilleurs moyens d’apprentissage à l’ère de
l’IA générative et du prompt engineering.
FICHE 1
L’IA générative pour générer des textes
(mails, discours, posts…)

Objectifs poursuivis

Création automatisée de textes pour des sites web, des blogs, des
articles et des médias sociaux.
Améliorer l’efficacité et la productivité en automatisant la génération de
contenu qui pourrait prendre du temps si elle était réalisée
manuellement.
Créer du contenu unique et original grâce à des instructions spécifiques.
Utiliser l’IA pour générer des histoires, des discours et d’autres formes
de contenu narratif.
Générer des textes experts dans un style plus ou moins technique, plus
ou moins pédagogique.
Générer du nouveau contenu à partir de contenus déjà existants.

Conseils pour le lecteur

Commencez par définir clairement le type de contenu que vous voulez

générer. Est-ce un post de blog ? Un discours ? Une histoire ? Quel est
l’objectif de ce contenu ?
Donnez des instructions précises à l’IA pour obtenir le meilleur résultat.
Par exemple, spécifiez le style, le ton, le public cible, et tout autre détail
pertinent.
N’oubliez pas de réviser et d’éditer le contenu généré par l’IA. L’IA
peut produire du contenu de haute qualité suivant ses données
d’entraînement et les instructions données, mais elle peut également
 1
« halluciner », et une vérification humaine est toujours nécessaire pour
s’assurer de la pertinence et de la précision du texte généré.

Exemples de prompts

« Rédige un article de blog détaillé mettant en lumière les avancées les

plus récentes et significatives dans le domaine de l’intelligence
artificielle, en soulignant leur impact sur les industries clés et la vie
quotidienne. »
« Compose un discours profondément émouvant qui souligne la valeur
cruciale de l’éducation dans notre société actuelle, utilisant des
anecdotes pertinentes et des statistiques convaincantes pour renforcer
ton point de vue. »
« Imagine et écris une histoire fascinante et immersive dans un univers
alternatif où l’intelligence artificielle est devenue la norme, soulignant
les défis et les opportunités qui en découlent. »
« Rédige un discours chaleureux et touchant à l’adresse d’un collègue
précieux qui prend sa retraite [NOM COLLÈGUE], incluant les
souvenirs marquants suivants [LISTE SOUVENIRS], les réalisations
professionnelles suivantes [LISTE] et des souhaits pour l’avenir. »
« Analyse ces trois échantillons de rédaction pour comprendre et
assimiler mon style d’écriture : [ÉCHANTILLONS DE RÉDACTION].
En te basant sur cette analyse, rédige un essai nouveau et perspicace qui
explore l’intersection entre l’art et la technologie, reflétant ma voix et
mon approche dans ton travail. »
 NOTA BENE
Chaque LLM a une certaine « signature stylistique » basée sur les données
d’apprentissage qu’il a reçues. Il peut parfois produire des phrases ou des tournures
de phrases qui semblent uniques ou qui reviennent régulièrement dans son discours.
Cela peut potentiellement rendre le style de l’IA reconnaissable. Il est nécessaire de
toujours adapter les réponses générées par l’IA à votre style personnel pour une
meilleure cohérence. Vous pouvez le faire en réorganisant les phrases, en modifiant
le vocabulaire utilisé, ou en ajoutant votre touche personnelle pour rendre le texte
plus « humain » et en adéquation avec votre propre voix.

Inversement, est-il possible de détecter un texte généré par IA ? La réponse à cette

question est très probablement négative. Les détecteurs s’avèrent pour l’instant peu
fiables et même OpenAI a fermé son propre détecteur de texte généré par IA.

IA GÉNÉRATIVE ET ÉCRITURE
Du prix Nobel de littérature 2012, Mo Yan, qui a déclaré avoir utilisé ChatGPT pour
vaincre l’angoisse de la page blanche 2, à Zarya of the Dawn, première bande dessinée
dont la création a été assistée par IA et signée Kris Kashtanova 3, l’IA
conversationnelle et générative a déjà fait son entrée dans l’univers littéraire,
soulevant interrogations et débats.
Que ce soit pour générer des suggestions de titres, d’idées, pour créer des plans ou
produire des contenus textuels entiers, les IA génératives sont présentes dans le
monde de l’écriture, à travers des outils généralistes tels que ChatGPT ou des
interfaces expertes telles que Sudowrite.
Prenant du recul sur cette pratique désormais actuelle, l’historien Raphaël Doan
affirme 4 que, « comme un cinéaste, l’auteur devra donner les bonnes consignes,
relancer, préciser, couper, s’occuper du montage. Il gardera la vision d’ensemble et le
discernement. Mais certaines tâches de recherche, de vérification et d’écriture
pourront être assumées par l’IA. Ce qui nous libérera du temps de pensée, d’analyse
et de réflexion ».
FICHE 2
L’IA générative pour générer des réponses
à des commentaires

Objectifs poursuivis

Automatiser la gestion des réponses aux commentaires sur les réseaux

sociaux, les blogs, les forums et d’autres plateformes en ligne.
Fournir un service rapide et précis pour répondre aux questions des
clients et des utilisateurs.
Économiser des ressources humaines et du temps en automatisant la
réponse à des commentaires simples et répétitifs.
Améliorer l’engagement et l’interaction avec le public en répondant de
manière opportune et appropriée.

Conseils pour le lecteur

Soyez précis et spécifique dans la formulation de vos instructions. Par

exemple, si vous voulez que l’IA génère des réponses aux commentaires
sur votre blog, indiquez le ton et le style de réponse souhaités ainsi que
le thème de votre blog.
Établissez des limites à l’autonomie de l’IA. Certains commentaires
peuvent nécessiter une intervention humaine, surtout s’ils sont sensibles
ou controversés.
Testez et affinez le modèle d’IA jusqu’à ce qu’il produise des réponses
satisfaisantes. Cela peut nécessiter plusieurs cycles d’essais et d’erreurs.
Exemples de prompts

« Formule une réponse empathique et professionnelle à ce client qui a

exprimé son insatisfaction concernant l’un de nos produits, en prenant
en compte ses préoccupations spécifiques et en offrant des solutions
appropriées pour résoudre ses problèmes. Le commentaire du client :
[COMMENTAIRE CLIENT]. »
« Rédige une réponse bien informée et réfléchie à ce commentaire laissé
sur un article de blog qui traite de [PRÉCISER SUJET], en engageant
une discussion substantielle sur les points soulevés par le commentateur.
Commentaire : [COMMENTAIRE]. »
« Rédige une réponse claire et informative à ce commentaire demandant
des détails sur les heures d’ouverture et l’emplacement spécifique de
notre magasin, en fournissant toutes les informations nécessaires d’une
manière conviviale et accueillante. Commentaire :
[COMMENTAIRE]. »
 PAROLE D’EXPERT
Ladmia Chettih, responsable du marketing
et de la communication de Polaria
L’impact des IA génératives sur les métiers du marketing et de la communication est
particulièrement prégnant dans la création automatisée de contenu. Ces systèmes
génèrent des contenus textuels, visuels, audio, vidéo… Si les prompts utilisés sont
bien formulés et intègrent les données pertinentes, les IA génératives permettent
d’automatiser la production de divers supports, améliorant l’efficience des processus
marketing.
À la condition de bien les alimenter et de bien les utiliser, les IA génératives
s’adaptent aux spécificités de chaque organisation. Elles produisent des textes
personnalisés, reflétant l’identité de la marque, optimisant l’expérience client et
réduisant les coûts de production. L’automatisation libère du temps pour les
professionnels du marketing, leur permettant de se concentrer sur des activités qui
ont un plus fort impact, telles que l’analyse des données et la planification
stratégique, là où l’IA générative peut également être parfois une source
d’inspiration.

FICHE 3
L’IA générative pour générer ou corriger
du code informatique, des formules
ou des tableaux

Objectifs poursuivis

Faciliter le processus de codage en générant automatiquement du code à

partir de descriptions simples.
Corriger des erreurs de code, formules mathématiques ou tableaux en
suggérant des corrections possibles.
Améliorer l’efficacité et la productivité en automatisant les tâches de
codage ou de correction.
Aider à apprendre et à comprendre de nouveaux concepts de codage ou
de formules mathématiques.
Synthétiser des données pour tester les performances de différents
algorithmes et modèles.
Créer des scénarios et des données pour tester le fonctionnement et les
performances d’algorithmes ou logiciels.

Conseils pour le lecteur

Utilisez des instructions claires et détaillées lors de la fourniture de

prompts à l’IA. Par exemple, si vous voulez générer du code, fournissez
une description détaillée de ce que le code doit faire.
Testez toujours le code, les formules ou les tableaux générés par l’IA
pour vous assurer qu’ils fonctionnent correctement.
Utilisez l’IA comme un outil d’apprentissage pour comprendre
comment certaines tâches de codage ou de formules mathématiques
sont effectuées.
Utilisez l’IA générative pour créer des ensembles de données de test
pour vos algorithmes et modèles.

Exemples de prompts

« Élabore une fonction en Python qui prend deux nombres en entrée et

renvoie leur somme, en veillant à gérer correctement tous les types de
données d’entrée possible. »
« Examine et corrige le code JavaScript suivant. Ce code vise à
[PRÉCISER L’OBJECTIF DU CODE FOURNI], en identifiant les
erreurs éventuelles et en proposant des solutions pour les résoudre. Le
code : [CODE À ANALYSER]. »
« Conçois une formule Excel efficace qui calcule automatiquement le
total d’une colonne spécifique de nombres, en prenant en compte les
éventuelles valeurs manquantes ou non numériques. »
« Crée un ensemble de données synthétiques ayant pour caractéristique
d’être [SPÉCIFIER LES CARACTÉRISTIQUES], qui pourrait être
utilisé pour tester et affiner un algorithme de [SPÉCIFIER LES
OBJECTIFS DE L’ALGORITHME]. »
« Développe une version simple mais fonctionnelle du jeu classique
comme Snake, en utilisant un langage de programmation approprié et
en prenant en compte les principes fondamentaux de l’expérience
utilisateur. »
« Analyse ce morceau de code pour y détecter les erreurs, bugs ou
problèmes de performance, et proposer des solutions pour corriger ces
problèmes et améliorer la qualité globale du code. Code : [CODE]. »
« Conçois une formule Excel pour trouver un prompt particulier à
travers une grande quantité de données, en utilisant des techniques de
recherche et de filtrage appropriées. »
 NOTA BENE
Dans le cadre de l’utilisation d’une IA générative telle que ChatGPT, et lors de
l’écriture ou l’exécution de code s’y rapportant, il est fondamental de respecter
scrupuleusement le règlement général sur la protection des données (RGPD). Veillez
à ne pas intégrer de données personnellement identifiables dans votre code. Celles-
ci pourraient comprendre, sans s’y limiter, des éléments tels que des noms, adresses,
numéros de téléphone, adresses électroniques, numéros de sécurité sociale, ou
toute autre information susceptible de servir à l’identification d’un individu. Il est
primordial de comprendre la manière dont votre code traite et manipule les
données. Assurez-vous de la mise en place de mesures de sécurité, comme le
chiffrement des données et l’adhésion aux principes de protection des données dès
la conception et par défaut.

Le non-respect de ces règles peut avoir des conséquences sérieuses, tant sur le plan
légal qu’éthique. La protection des données et de la vie privée n’est pas seulement
une obligation légale mais aussi une obligation morale pour tous les développeurs et
utilisateurs d’IA.
 IA GÉNÉRATIVE ET DÉVELOPPEMENT
INFORMATIQUE,
QUELLES PERSPECTIVES ?
Les langages informatiques étant avant tout des langages, il était naturel de voir les
IA génératives y prendre pied facilement. En quelques mois les IA génératives ont
bouleversé l’univers du développement informatique en assistant les développeurs,
générant du code et suggérant des corrections. Les grands modèles développent des
entraînements spécifiques et sont évalués en fonction de leur capacité à générer
voire exécuter du code, ChatGPT s’équipant de la fonctionnalité de Code
Interpreter.
Quelques mois après son lancement, Copilot, l’assistant IA des développeurs sur la
plateforme GitHub, était déjà à l’origine de plus de 40 % du code développé.
Statistique qui pousse Emad Mostaque, fondateur de Stability AI (à l’origine du
modèle de fondation Stable Diffusion) à affirmer que le métier de développeur aura
disparu avant 2030 5. Si cette affirmation est avant tout provocatrice, elle illustre la
transformation profonde que provoque l’émergence des technologies d’IA
conversationnelles et génératives sur les compétences et métiers du numérique, des
développeurs aux data scientists.
PAROLE D’EXPERT
Lucas Lehot, développeur, responsable technique
de Polaria
Depuis l’ouverture de la bêta privée de GitHub Copilot en juillet 2021, les solutions
basées sur l’IA sont de plus en plus présentes dans le quotidien des développeurs.
Leur usage comme outil d’assistance à notre travail commence à se répandre, et les
bonnes pratiques semblent déjà acquises (les utiliser comme sources et non comme
assistants autonomes, réfléchir ses prompts pour des résultats plus efficients et de
meilleure qualité, etc.). Les craintes qui avaient pu faire surface quant au
remplacement des développeurs par des modèles d’IA sont passées, ou du moins
bien plus légères. De manière générale, les développeurs qui souhaitent en faire
l’usage y sont déjà bien familiarisés, et c’est sur un autre plan que l’IA impacte
réellement le quotidien des développeurs.
Les modèles d’IA sont de plus en plus nombreux et toujours plus performants, mais
c’est selon moi la forte amélioration de leur accessibilité pour les développeurs qui
représente le principal facteur de démocratisation de leurs usages. Les API d’OpenAI
ou Hugging Face sont extrêmement simples, plutôt bien documentées et peu chères.
La librairie LangChain permet à n’importe quel développeur de reproduire
facilement et rapidement de nombreux cas d’usage classiques utilisant des modèles
de NLP.
Cette simplicité d’implémentation a, depuis maintenant quelques années, ouvert de
très nombreuses portes. Beaucoup de problématiques qui auparavant auraient été
difficilement solvables par des solutions techniques sont rapidement devenues des
cas d’usage classiques des modèles d’IA. Et les développeurs s’en donnent à cœur
joie ; la quantité de services, plateformes et solutions qui sont produits chaque mois
est impressionnante 6. Cette course effrénée au développement est parfois source
de stress et d’amertume ; il n’est pas rare de voir quelqu’un travailler un mois ou deux
sur un nouveau service, simplement pour qu’un, deux ou dix autres acteurs sortent
des services similaires avant même qu’il n’ait pu être déployé. Cette éventualité est
une véritable incitation à réfléchir au besoin, à l’originalité et à l’intérêt que propose
une idée avant de la badigeonner d’IA, plutôt que de développer sa solution
simplement « parce que c’est possible ».
Ce fourmillement a bien évidemment un coût, et ce coût est dans un premier temps
écologique. Bien qu’il soit très complexe de quantifier l’empreinte carbone d’un
service basé sur l’API d’OpenAI par exemple, on pressent bien aujourd’hui qu’il n’est
pas souhaitable de mettre en place de telles machineries lorsque des mécanismes
algorithmiques ou humains plus simples peuvent solutionner le problème. Ceci dit, je
 reste à titre personnel convaincu qu’en orientant correctement l’usage des modèles
d’IA, leur impact environnemental pourrait parfaitement être positif.
On ne peut nier que de nombreux usages de modèles d’IA paraissent bien souvent
futiles ou problématiques, mais je pense qu’il nous serait très dommageable de ne
pas se concentrer sur les solutions utiles et efficientes que l’IA a apportées et
continue de débloquer, que l’on soit développeur, spectateur, investisseur ou
simplement aficionado. C’est une responsabilité qui est bien évidemment partagée,
mais chacun peut à mon sens participer à orienter ce formidable chapitre
technologique dans la bonne direction, en restant réaliste, mesuré et optimiste.

FICHE 4
L’IA générative pour produire
des traductions,
des résumés ou synthétiser des textes

Objectifs poursuivis

Fournir des résumés précis et concis de textes volumineux pour en

extraire les informations clés.
Synthétiser des informations à partir de plusieurs textes ou sources pour
obtenir une vue d’ensemble claire et précise.
Gagner du temps en évitant la lecture de textes longs et complexes.
Aider à la prise de décision en synthétisant les informations clés.
Traduire des contenus textuels dans différentes langues.
Générer de manière automatique des rapports d’entreprise, de synthèses,
etc.
Conseils pour le lecteur

Lorsque vous fournissez un prompt à l’IA pour résumer un texte,

assurez-vous que le texte est bien structuré et compréhensible. L’IA
générative fonctionne mieux avec des textes bien rédigés.
Revoyez toujours le résumé généré par l’IA pour vous assurer qu’il n’y
a pas de déformation ou de perte d’informations clés.
Utilisez l’IA générative pour la synthèse de textes lorsque vous avez
besoin d’un aperçu rapide de plusieurs documents ou sources
d’information. Cela peut être particulièrement utile pour la veille
stratégique, l’analyse de tendances ou la recherche d’informations sur
un sujet particulier.
Soyez conscient que l’IA générative peut parfois manquer de nuances
ou de contexte humain. Il est donc important de compléter l’information
synthétisée par une vérification manuelle.

Exemples de prompts

« Effectue une lecture attentive du rapport de recherche suivant et

produit un résumé précis et informatif en un seul paragraphe, mettant en
évidence les principales découvertes, les méthodologies utilisées et les
implications de l’étude. Rapport : [PLACER ICI LE TEXTE DU
RAPPORT OU L’URL DU RAPPORT]. »
« Lis attentivement ces trois articles de blog axés sur [PRÉCISER LE
SUJET TRAITÉ] et synthétise les informations clés en une analyse
cohérente, soulignant les thèmes communs, les divergences notables et
les tendances émergentes dans le domaine. [PLACER ICI LE TEXTE
DES TROIS ARTICLES OU LES URL]. »
« À partir de ce récit, génère un résumé complet mais concis qui capture
l’essence du récit, y compris les personnages principaux, les points de
 l’intrigue, les thèmes et les leçons clés. [PLACER ICI LE TEXTE DU
RÉCIT OU L’URL OÙ TROUVER LE TEXTE]. »
« Analyse cette sélection d’e-mails pour extraire les points les plus
pertinents, et résume ces informations dans un format concis qui facilite
leur diffusion, contribuant ainsi à la réduction de la surcharge
d’informations. [PLACER ICI LE TEXTE DES MAILS À
TRAITER]. »

NOTA BENE
Lorsque vous sollicitez des résumés d’ouvrages, de textes juridiques ou de rapports
via des systèmes d’IA générative comme ChatGPT, il est primordial de posséder une
compréhension préalable du contenu initial. Il faut garder à l’esprit que les IA
génératives ne sont pas infaillibles ; elles peuvent commettre des erreurs, telles que
la confusion entre différentes sources, l’invention d’informations non vérifiées, ou
l’interprétation erronée de certaines données.

FICHE 5
L’IA générative pour relire, corriger
ou améliorer des textes

Objectifs poursuivis

Corriger les erreurs grammaticales, orthographiques et de syntaxe dans

les textes.
Simplifier le langage complexe ou technique pour le rendre plus
accessible.
Améliorer le style et la clarté des textes.
Assurer que le ton et le style du texte sont appropriés à l’audience visée.
Assurer une utilisation correcte du langage technique ou spécialisé.
Gagner du temps dans le processus de relecture et de correction.
Maintenir un niveau de qualité et de professionnalisme élevé dans les
contenus écrits.

Conseils pour le lecteur

Utilisez l’IA générative pour la correction de textes lorsque vous avez

de grands volumes de texte à corriger et que vous voulez gagner du
temps.
Vérifiez toujours manuellement les corrections suggérées par l’IA. L’IA
peut parfois manquer de contexte humain ou faire des erreurs.
Lorsque vous utilisez l’IA pour la correction de textes techniques ou
spécialisés, assurez-vous que l’IA est bien formée sur ce type de
langage. Sinon, elle pourrait mal interpréter ou corriger de manière
inappropriée le texte.
Utilisez l’IA en complément d’une relecture humaine, pas comme un
remplacement. L’IA peut être un outil précieux, mais elle ne remplace
pas le jugement humain.

Exemples de prompts

« Passe en revue ce texte pour identifier et corriger les erreurs

grammaticales et orthographiques, en veillant à préserver le sens et le
ton du texte original. Texte : [PLACER ICI LE TEXTE OU L’URL DU
TEXTE]. »
« Révise ce texte pour améliorer son style et sa clarté, en utilisant des
stratégies d’écriture efficaces pour rendre le message plus impactant et
facile à comprendre. Texte : [PLACER ICI LE TEXTE OU L’URL DU
TEXTE]. »
« Corrige ce texte technique pour assurer l’usage approprié du jargon
industriel, en vérifiant l’exactitude et la pertinence des termes
techniques utilisés. Texte : [PLACER ICI LE TEXTE OU L’URL DU
TEXTE]. »
« Relis ce texte et identifie les points qui pourraient être ambigus,
déroutants ou inaccessibles pour le lecteur, en proposant des
modifications pour améliorer la clarté et la compréhension. Texte :
[PLACER ICI LE TEXTE OU L’URL DU TEXTE]. »
« Simplifie ce texte technique pour le rendre plus accessible à un public
non spécialisé, en traduisant les concepts complexes en langage courant
sans perdre de précision technique. Texte : [PLACER ICI LE TEXTE
OU L’URL DU TEXTE]. »
« Réécris ce texte pour le rendre plus attrayant et pertinent pour une
audience de jeunes adultes, en adoptant un ton et un style qui leur
parlent directement. Texte : [PLACER ICI LE TEXTE OU L’URL DU
TEXTE]. »
« Analyse et commente ce texte pour en produire un résumé clair et
succinct, en mettant en évidence les points clés et les thèmes
principaux. Texte : [PLACER ICI LE TEXTE OU L’URL DU
TEXTE]. »
« Propose des améliorations créatives pour les titres de ce texte, en les
rendant plus attrayants, pertinents et informatifs. Texte : [PLACER ICI
LE TEXTE OU L’URL DU TEXTE]. »
« Évalue la qualité de ce texte en termes de grammaire, de structure et
de cohérence, en identifiant les points forts et les domaines à améliorer.
Texte : [PLACER ICI LE TEXTE OU L’URL DU TEXTE]. »
« Identifie les éléments tels que la morale, les symboles ou les
rebondissements dans ce texte, pour mieux comprendre comment un
lecteur moyen pourrait le percevoir et y réagir. Texte : [PLACER ICI
LE TEXTE OU L’URL DU TEXTE]. »
 NOTA BENE
L’IA générative, comme ChatGPT, peut être un outil précieux dans l’amélioration de
vos textes. Par exemple, vous pouvez lui soumettre un texte que vous avez rédigé et
demander une évaluation en précisant le type d’expertise recherché, comme :
« Critique ce texte comme si tu étais un enseignant/expert/consultant : [insérez le
texte ici]. »

Bien que l’IA puisse proposer des corrections et des améliorations, elle ne remplace
pas une analyse humaine approfondie. Utilisez donc l’IA en complément de votre
propre jugement et expertise.

FICHE 6
L’IA générative pour préparer
une négociation

Objectifs poursuivis

Utiliser l’IA générative pour identifier de nouveaux arguments pour ou

contre une idée, un produit ou un service.
Se préparer de manière plus complète et efficace pour les sessions de
négociation.
Affiner et personnaliser les arguments en fonction de la situation de
négociation spécifique.

Conseils pour le lecteur

Utilisez des prompts précis pour guider l’IA. Par exemple, demandez à
l’IA de générer des arguments « pour » et « contre » spécifiquement en
fonction de votre produit ou idée.
N’oubliez pas de contextualiser les prompts en fonction de la situation
de négociation : qui est l’autre partie, quelles sont ses valeurs, quels
sont ses intérêts potentiels.
Prenez du recul sur les réponses de l’IA. Utilisez-les comme base de
réflexion, mais n’oubliez pas de les évaluer et de les adapter en fonction
de votre propre connaissance et intuition.

Exemples de prompts

« Prépare un ensemble solide d’arguments favorables à l’adoption de

notre nouveau service de livraison par drone, axé sur les bénéfices
environnementaux, lors d’une négociation avec une municipalité
engagée dans le développement durable. »
« Formule des questions concernant les contre-arguments potentiels
qu’un investisseur sceptique pourrait avancer face à notre nouvelle
technologie de batterie verte, en envisageant des points de vue critiques
sur sa faisabilité, sa rentabilité et son impact environnemental. »
« Développe une série d’arguments convaincants en faveur de notre
proposition de fusion avec une entreprise concurrente, axés sur
l’amélioration de la performance financière, l’expansion du marché et la
diversification des produits, pour une présentation auprès de nos
actionnaires lors d’une négociation. »
PAROLE D’EXPERT
Mohamed El Ghazouany, responsable
du développement et des partenariats de Polaria
La prospection commerciale est une activité centrale et un enjeu stratégique pour
toute entreprise souhaitant se développer. Cette activité nécessite cependant des
efforts considérables en termes de ressources financières, matérielles, personnelles
et de temps, d’autant plus dans une époque où l’attention des décideurs est saturée
de messages et de sollicitations. Dans ce contexte, l’IA conversationnelle et
générative ouvre la voie à une fonction commerciale augmentée par l’IA, au service
de la croissance de l’entreprise. Les outils fondés sur l’IA générative peuvent en effet
développer l’efficacité de la prospection, permettant d’identifier des opportunités
d’affaires, en quantité et en qualité, d’élaborer des stratégies de vente, d’analyser les
tendances du marché ou encore d’assister le discours face aux objections des clients,
entre autres exemples.
L’IA générative soutient les équipes commerciales en amont de la prospection en
leur fournissant des analyses de secteurs peu maîtrisés. Par exemple, pour
prospecter le milieu hospitalier, l’IA générative fournit des synthèses des tendances
récentes en technologie médicale, politiques de santé, réglementations
gouvernementales et besoins spécifiques des établissements de santé. Cela permet
aux commerciaux d’avoir une vue approfondie et actualisée du secteur hospitalier.
L’IA générative facilite ainsi l’identification de nouvelles opportunités et la
génération de leads qualifiés.
Profitant de sa capacité d’analyse d’immenses volumes de données, l’IA peut repérer
des tendances, des modèles et des opportunités. Par exemple, elle peut analyser les
actualités, les interactions sur les réseaux sociaux et même les préférences
spécifiques des contacts commerciaux.
Les commerciaux peuvent ainsi adapter leur approche de manière plus ciblée et
pertinente, renforçant leurs chances de succès lors de l’interaction avec le prospect.
FICHE 7
L’IA générative pour construire un plan
stratégique

Objectifs poursuivis

Utiliser l’IA générative pour construire un plan étape par étape pour un
projet ou un problème spécifique.
Améliorer l’efficacité de la planification en utilisant l’IA pour analyser
et organiser l’information.
Exploiter l’IA pour explorer différents scénarios de planification dans
divers contextes tels que l’aménagement d’un jardin, l’entraînement
sportif ou la planification de repas.

Conseils pour le lecteur

Soyez aussi spécifique que possible dans votre prompt pour obtenir les
meilleurs résultats de l’IA en donnant des détails sur l’environnement,
les contraintes, les objectifs ou encore les livrables.
Utilisez l’IA pour explorer différentes options stratégiques, tenant
compte d’un contexte, de besoins spécifiques et/ou de contraintes.

Exemples de prompts

« Élabore un guide pas à pas détaillé pour aménager un jardin dans un

climat tempéré, en mettant l’accent sur la sélection et la plantation de
variétés de plantes qui sont particulièrement attrayantes pour les abeilles
et les papillons. »
« Crée un plan d’entraînement progressif sur plusieurs semaines pour un
marathon, destiné à une personne ayant une expérience intermédiaire en
course à pied, en veillant à inclure des conseils sur l’endurance, la
vitesse, le repos et la nutrition. »
« Conçois un plan de repas équilibré pour une semaine, destiné à une
personne qui suit un régime végétarien riche en protéines, en proposant
des recettes variées et nutritives pour chaque repas de la journée. »
« Élabore un plan stratégique complet sur trois ans pour une entreprise
en phase de croissance dans le secteur du [PRÉCISER LE SECTEUR],
en mettant l’accent sur les objectifs clés, les initiatives stratégiques,
le développement des ressources, la gestion des risques et les
indicateurs de performance clés. Inclure des tactiques spécifiques pour
stimuler la croissance du chiffre d’affaires, améliorer l’efficacité
opérationnelle et renforcer la satisfaction et la fidélisation de la
clientèle. »

NOTA BENE
Il convient de noter que si votre IA générative n’est pas connectée à Internet, elle
peut fournir des informations qui ne sont plus d’actualité ou qui peuvent s’avérer
inexactes. Il est essentiel de connaître le modèle utilisé, d’alimenter l’IA par des
données actualisées directement dans votre prompt si besoin, et de
systématiquement vérifier et compléter les informations fournies par l’IA générative
en s’appuyant sur des sources d’information à jour et fiables.
FICHE 8
L’IA générative pour la traduction
automatique

Objectifs poursuivis

Traduire rapidement des textes d’une langue à une autre.

Permettre une communication plus fluide entre différentes langues.
Économiser du temps et des ressources qui seraient autrement consacrés
à la traduction manuelle.
Accéder à des informations écrites dans une autre langue.
Faciliter la localisation de contenus pour différents marchés.

Conseils pour le lecteur

Utilisez l’IA générative pour des traductions rapides ou pour

comprendre le sens général d’un texte.
Pour des documents officiels ou des textes qui requièrent une précision
élevée, il est recommandé de faire appel à un traducteur humain
professionnel, car l’IA peut parfois manquer de nuances culturelles ou
faire des erreurs dommageables sur le sens d’un texte.
Fournissez un contexte clair à l’IA pour obtenir une traduction plus
précise.
Revoyez et vérifiez toujours la traduction produite par l’IA, surtout si
elle est utilisée dans un contexte officiel ou professionnel.

Exemples de prompts

« Traduire soigneusement ce texte de l’anglais au français, en veillant à

préserver le ton, le style et le contenu du texte original. [PLACER ICI
LE TEXTE OU L’URL DU TEXTE]. »
« Traduire ce texte technique précis de l’allemand à l’anglais, en
garantissant que les termes techniques sont correctement interprétés et
que la traduction est claire et facile à comprendre pour un public
anglophone. [PLACER ICI LE TEXTE OU L’URL DU TEXTE]. »
« Traduire ce guide d’utilisation détaillé du japonais à l’espagnol, en
veillant à ce que toutes les instructions soient clairement traduites et
faciles à suivre pour les utilisateurs hispanophones. [PLACER ICI LE
TEXTE OU L’URL DU TEXTE]. »

NOTA BENE
Lorsqu’il s’agit de traduction automatique avec l’IA générative, il est essentiel de
garder à l’esprit que la traduction littérale n’est pas toujours la plus appropriée. En
effet, la langue est intrinsèquement liée à la culture et aux codes sociaux d’un groupe
ou d’un pays, et une traduction réussie doit prendre en compte ces aspects.

Par exemple, lors de la traduction d’un texte de l’italien au japonais, il ne suffit pas de
remplacer chaque mot italien par son équivalent japonais. Le japonais possède une
structure grammaticale, des niveaux de formalité, et des nuances culturelles qui
diffèrent de l’italien. Un salut informel comme « ciao » en italien n’aurait pas
d’équivalent direct dans le registre formel du japonais, où le choix de la salutation
dépend du moment de la journée et du statut relatif des interlocuteurs. De même, les
expressions idiomatiques et les références culturelles qui ont du sens en italien
peuvent ne pas être comprises en japonais. Par exemple, l’expression italienne « in
bocca al lupo » (dans la bouche du loup), qui signifie « bonne chance », peut sembler
étrange si elle est traduite littéralement en japonais. Même si nombre de ces
subtilités du langage peuvent être prises en compte par les LLM les plus
performants, les traductions de haut niveau nécessitent encore l’intervention
d’experts humains de qualité.
FICHE 9
L’IA générative pour l’augmentation
des données

Objectifs poursuivis

Augmenter la taille des ensembles de données d’entraînement pour

améliorer la performance des modèles de machine learning.
Générer des variantes de données existantes pour augmenter la diversité
dans les ensembles de données.
Améliorer l’efficacité du processus de formation en ajoutant de la
variété et en évitant le surapprentissage.
Créer des données synthétiques pour tester et valider des modèles
lorsque les données réelles sont limitées ou sensibles.

Conseils pour le lecteur

Assurez-vous que les données générées sont variées mais toujours

représentatives de l’ensemble de données d’origine.
Vérifiez que les données générées n’introduisent pas de biais
involontaires dans votre modèle.
Pour des données sensibles, assurez-vous que les données générées ne
contiennent aucune information identifiable.
Testez toujours les modèles sur des données réelles, en plus des données
augmentées, pour s’assurer de leur capacité à généraliser.

Exemples de prompts

« À partir des données fournies, génère une variété de données

supplémentaires avec des variations. Données : [LISTE DES
DONNÉES FOURNIES EN EXEMPLES]. »
« Créer un ensemble de variantes de phrases, couvrant une gamme de
sujets et de contextes, pour l’entraînement d’un modèle de chatbot, en
veillant à inclure des structures de phrases diverses et des réponses
adaptées à diverses requêtes utilisateur. »
« Créer un jeu de données synthétiques de transactions financières,
comportant à la fois des transactions légitimes et frauduleuses, pour
servir de terrain d’entraînement à un modèle de détection de la fraude
financière. Assure-toi que les transactions frauduleuses ont des
caractéristiques plausibles pour mettre efficacement à l’épreuve le
modèle. »
 NOTA BENE
Veillez à toujours prendre en considération les éléments suivants.

Représentativité des données générées : lorsque vous utilisez une IA générative

pour augmenter vos ensembles de données, il est nécessaire de s’assurer que les
nouvelles données restent représentatives de l’ensemble original. Si les données
générées s’écartent trop de vos données initiales, vous risquez de biaiser votre
modèle ou de compromettre sa capacité à généraliser correctement.

Biais involontaires : l’IA générative peut potentiellement introduire de nouveaux

biais dans votre ensemble de données, surtout si le modèle d’IA lui-même a été
formé sur des données biaisées.

Données sensibles : lors de l’augmentation de données sensibles, comme les

transactions financières ou les informations médicales, il est impératif de veiller à ce
que les données générées ne contiennent pas d’informations identifiables. C’est une
question non seulement d’éthique, mais aussi de conformité à la législation en
vigueur, comme le RGPD.

Test sur données réelles : bien que l’augmentation des données puisse améliorer la
performance des modèles de machine learning, il est toujours important de tester ces
modèles sur des données réelles. Les données synthétiques ne peuvent pas capturer
toutes les complexités et les nuances des données réelles, et un modèle qui
fonctionne bien sur des données augmentées peut ne pas fonctionner aussi bien
dans le monde réel.
FICHE 10
L’IA générative pour la recherche
documentaire scientifique

Objectifs poursuivis

Utiliser l’IA générative pour organiser et mener des recherches pour un

travail universitaire ou de recherche.
Agréger et résumer des articles scientifiques pertinents à l’aide de l’IA
générative.
Améliorer l’efficacité et la précision de la recherche documentaire grâce
à des outils d’IA comme Elicit.

Conseils pour le lecteur

Lorsque vous utilisez l’IA pour mener des recherches, soyez aussi
précis que possible dans vos prompts pour obtenir les meilleurs
résultats. Par exemple, spécifiez le domaine de la recherche, le type de
documents que vous recherchez, et le format dans lequel vous souhaitez
que l’information soit présentée.
Utilisez l’IA pour explorer différentes sources et pour agréger et
résumer les informations, mais n’oubliez pas de vérifier les données
fournies par l’IA et de les compléter par des recherches manuelles
lorsque cela est nécessaire.
Respectez les droits d’auteur et les politiques d’accès des différentes
sources d’information.
Exemples de prompts

« Recherche et identifie les articles scientifiques les plus récents et les

plus pertinents qui étudient l’impact du changement climatique sur la
biodiversité marine. Après la lecture de chaque article, résume les
résultats clés, les méthodes utilisées et les implications pour la
conservation marine. »
« Mène une revue de la littérature sur les théories actuelles en
psychologie du développement, en identifiant et en analysant les
travaux de recherche clés dans le domaine. Pour chaque théorie, discute
de ses principaux postulats, des preuves à l’appui, et de sa pertinence
pour la compréhension du développement humain. »
« Explique de manière concise et claire [NOM DU CONCEPT
SCIENTIFIQUE À EXPLIQUER], en veillant à inclure des références à
des sources scientifiques fiables pour appuyer l’explication. Assure-toi
que l’explication est accessible à un public non scientifique tout en
restant précise et exacte. »

NOTA BENE
L’IA générative est un outil précieux pour la recherche documentaire, mais elle doit
être utilisée avec discernement. Assurez-vous de vérifier et de compléter les
informations fournies par l’IA avec vos propres recherches.

L’IA générative dispose même d’interfaces conversationnelles dédiées à la recherche.

Par exemple, Elicit est un assistant de recherche qui utilise des modèles de langage
pour automatiser certaines parties du travail des chercheurs.
FICHE 11
L’IA générative pour la création d’images,
d’illustrations ou de photos

Objectifs poursuivis

Utilisation de l’IA pour générer des illustrations, des images ou des

photos à partir de descriptions textuelles.
Création de visuels uniques et personnalisés pour des projets de design
ou de publicité.
Génération d’images pour les médias sociaux, le marketing numérique
ou les sites web.
Automatisation de la création de contenu visuel pour gagner du temps et
des ressources.
Exploration de nouvelles formes artistiques et de design avec l’aide de
l’IA.

Conseils pour le lecteur

Lorsque vous utilisez l’IA pour générer des images, commencez par des
descriptions claires, précises et concises pour obtenir les meilleurs
résultats. Précisez le sujet de l’image, de l’illustration ou de la photo à
générer. Précisez les dimensions de style artistique, de résolution, de
couleur ou encore de lumière.
Prenez en compte les aspects éthiques et juridiques de l’utilisation de
l’IA dans la création d’images, notamment en ce qui concerne les droits
d’auteur et la vie privée.
Testez et expérimentez avec différents paramètres et approches pour
obtenir le résultat souhaité.
Certaines IA de génération d’images exploitent un format de langage
spécifique pour permettre certains paramètres de l’IA. Reportez-vous à
nos guides pas à pas disponibles dans nos ressources en ligne pour en
découvrir toutes les possibilités.

Exemples de prompts

« Génère une image réaliste d’un paysage de montagne au moment

précis du coucher du soleil, en prenant soin d’incorporer des détails
comme le changement de couleurs du ciel, l’ombre des montagnes et
l’éventuelle présence de flore ou de faune. »
« Créer une illustration détaillée représentant un chat confortablement
assis sur un canapé, en mettant l’accent sur la texture du pelage du chat,
l’expression de son visage et les détails du canapé pour apporter de la
profondeur à l’image. »
« Produire une photo numérique d’une rue animée de New York sous
une averse, en veillant à capturer l’ambiance unique de la ville, le
mouvement des passants qui se hâtent, les reflets des lumières sur les
pavés mouillés et l’architecture emblématique de la ville en arrière-
plan. »

NOTA BENE
Bien que Midjourney offre des résultats d’une très grande qualité visuelle, gardez à
l’esprit que l’utilisation intensive de filtres peut parfois modifier la qualité et
l’intégrité des informations présentées. Le modèle Stable Diffusion, proposé par
Leonardo.ai, peut être une alternative intéressante, mais comme avec tous les outils
de ce type, l’exactitude et la pertinence des données produites dépendent fortement
des paramètres de prompts utilisés. En la matière, les experts de l’image, maîtrisant
les notions d’angle de vue, de perspectives ou encore de lumière seront en capacité
de rédiger les meilleurs prompts.
 LLM-GROUNDED DIFFUSION
Si les IA génératives d’images (Text-to-Image) produisent déjà des résultats
impressionnants, ces modèles peuvent avoir du mal à gérer les instructions qui
nécessitent du bon sens pour comprendre l’espace et la disposition des éléments au
sein d’une scène. Les modèles dits de LLM-grounded Diffusion ambitionnent de
résoudre cette problématique 7.
La méthode de ces modèles consiste à découper le travail de génération d’une image
en deux étapes. Un grand modèle de langage est d’abord utilisé pour créer une
description textuelle des éléments composant l’image et ses plans, avec des
descriptions de la manière dont les éléments se positionnent sur l’image. La
deuxième étape consiste alors, à partir de cette description textuelle, à utiliser un
modèle de diffusion 8 pour générer l’image à partir de cette description afin de
produire une image plus cohérente et précise au regard de l’instruction initiale.
Cette approche performante souligne de nouveau l’intérêt des architectures et
modèles qui articulent plusieurs agents (MoE ou multi-agent) ou se fondent sur le
découpage d’une instruction en étapes.

FICHE 12
L’IA générative pour la création
de musique et de son

Objectifs poursuivis

Création de musique ou de sons uniques à partir d’un ensemble de

paramètres ou de directives précises.
Aider les musiciens, compositeurs et producteurs à explorer de
nouvelles idées et expérimentations musicales.
Création de bandes sonores pour des vidéos, des jeux ou d’autres
médias numériques.
Utilisation de l’IA pour automatiser certains aspects de la création
musicale, libérant ainsi les artistes pour se concentrer sur d’autres
aspects de leur travail.
Utilisation de l’IA comme outil d’apprentissage et d’exploration dans
l’éducation musicale.

Conseils pour le lecteur

Comme pour la création d’images, l’IA musicale dépend largement de

vos instructions. Soyez donc aussi précis que possible lorsque vous
décrivez le genre de musique ou de son que vous voulez créer, le style
d’instrument utilisé, le rythme…
Expérimentez avec différentes combinaisons de paramètres et de styles
pour obtenir des résultats uniques.
Respectez les lois sur les droits d’auteur et n’utilisez pas l’IA pour
reproduire ou copier directement le travail d’autres artistes. Utilisez
plutôt cet outil comme un moyen de compléter et d’enrichir votre
propre processus créatif.

Exemples de prompts

« Compose une mélodie pour piano joyeuse et lumineuse qui s’inspire

des conventions stylistiques de la musique classique. Veille à incorporer
des motifs mélodiques distinctifs et une progression harmonique qui
évoque une humeur optimiste. »
« Génère une piste de rythme pour le hip-hop qui dégage une ambiance
décontractée et relaxante, en utilisant des éléments rythmiques groovy
et des sons instrumentaux typiques du genre hip-hop. »
« Crée une piste sonore de fond continue et apaisante, conçue pour
favoriser la relaxation, la méditation ou le sommeil. Cette piste pourrait
incorporer des sons naturels tels que des vagues douces, des chants
 d’oiseaux, ou des sons de pluie douce, et devrait être conçue pour être
écoutée en boucle sans interruptions brusques ou éléments distrayants. »

NOTA BENE
Les IA textuelles telles que ChatGPT ne peuvent pas créer directement une mélodie
audio, il faut pour cela se tourner vers des solutions expertes comme Mubert.
Cependant vous pourriez expérimenter les prompts fournis ci-dessus en exemples
sur ChatGPT ou Claude pour vous apercevoir que ces IA, considérant la musique
comme un langage, peuvent également vous apporter une réponse intéressante.

FICHE 13
L’IA générative pour la génération de voix
synthétique

Objectifs poursuivis

Synthèse de voix qui reproduit fidèlement différents accents, tonalités et

styles de discours.
Création de voix pour des personnages virtuels ou des systèmes
interactifs.
Conversion de texte en parole pour des applications comme les livres
audio, les systèmes de navigation ou les assistants vocaux.
Amélioration de l’accessibilité pour les personnes ayant des difficultés à
lire ou à voir.
Création de voix uniques pour des campagnes publicitaires, des vidéos
d’entreprise ou d’autres types de médias.
 Conseils pour le lecteur

Si vous créez une voix pour un personnage ou un assistant vocal, pensez

à l’identité de ce personnage ou assistant. Quelle serait sa voix idéale ?
Testez et affinez le texte que vous souhaitez faire prononcer par la voix
pour en faciliter l’expression. Modifiez les passages qui manquent de
naturel.
Respectez la vie privée et les droits d’auteur. N’utilisez pas l’IA pour
imiter la voix d’une personne sans son consentement.

Exemples de cas d’usage

Avec des outils tels que Murf, Play.ht ou WellSaid, vous présélectionnez
une voix correspondant au style que vous souhaitez donner à la lecture de
votre texte (cette voix peut d’ailleurs être la vôtre), puis vous fournissez le
texte que doit réciter la voix choisie.

NOTA BENE
La création de voix synthétiques a connu une véritable révolution grâce à
l’avènement de l’IA générative, ouvrant ainsi des perspectives intéressantes pour
diverses applications, y compris la réalisation de films d’entreprise ou la production
de voix-off. Traditionnellement, les systèmes de synthèse vocale, ou Text-to-Speech
(TTS), étaient limités par un son robotique et manquaient de nuances émotionnelles,
rendant le discours souvent monotone et artificiel. Avec les avancées dans l’IA
générative, nous assistons à la création de voix synthétiques qui sont non seulement
plus naturelles et fluides, mais qui peuvent aussi refléter une gamme d’émotions et
de tonalités, ce qui était impensable il y a encore quelques années.

Pour mesurer le champ des possibles, il suffit de consulter en ligne les créations
assistées par IA qui font chanter à la voix de Mikaël Jackson des tubes de Prince et
inversement, ou encore d’écouter la voix de Barack Obama rapper sur « Lose
Yourself ».
FICHE 14
L’IA générative pour la génération
de vidéos

Objectifs poursuivis

Créer des vidéos uniques à partir de directives spécifiques.

Explorer de nouvelles possibilités dans la production vidéo, impossibles
auparavant.
Automatiser certains aspects de la production vidéo, libérant les
créateurs pour se concentrer sur d’autres aspects de leur travail.
Produire des vidéos pour des applications spécifiques, comme le
marketing, l’éducation ou le divertissement.
Avoir une alternative au tournage vidéo classique ou aux vidéos
disponibles (libres d’utilisation ou payantes).

Conseils pour le lecteur

9
Soyez précis dans vos directives pour obtenir le résultat souhaité .
Précisez le style souhaité pour la vidéo (dramatique, fantastique,
science-fiction, classique, chef d’œuvre…), mais également les
dimensions de mouvement (volant, accélérant, courant…) et tous les
éléments indiqués par un réalisateur – angles de caméra (plan large,
gros plan, etc.), types de lentilles (macro, grand angle, etc.),
mouvements de caméra (panoramique lent, zoom, etc.).
Expérimentez avec différentes combinaisons de paramètres et de styles
pour obtenir des résultats uniques.
Respectez les lois sur les droits d’auteur et assurez-vous de ne pas
utiliser l’IA pour reproduire ou copier directement le travail d’autres
créateurs.
Exemples de prompts

« Film dramatique en noir et blanc, une danseuse répète dans un vieux

studio de danse, éclairage inspiré du film noir. »
« Film fantastique, un mage solitaire parcourt une forêt enchantée,
éclairage féerique et onirique. »
« Thriller d’espionnage, un agent secret observe une rencontre
clandestine depuis une terrasse de café, éclairage inspiré des films de la
guerre froide. »
« Film d’aventure post-apocalyptique, un survivant traverse une ville en
ruine, éclairage inspiré du crépuscule. »
« Western épique, un cowboy solitaire chevauche à travers les plaines
désertiques, éclairage inspiré du lever du soleil dans le désert. »

NOTA BENE
Actuellement, les IA génératives telles que Runway ou ModelScope (qui permettent
déjà des prompts Text-to-Video, Image-to-Video ou encore Video-to-Video) sont
limitées en termes de durée des vidéos qu’elles peuvent produire. Elles sont
généralement plus adaptées à la création de clips vidéo courts plutôt qu’à des films
ou des documentaires complets. Les IA génératives pour la vidéo sont encore en
développement mais les perspectives sont déjà là, ouvrant la voie à une
transformation profonde du monde du cinéma et de l’univers télévisuel.
 LES INDUSTRIES CULTURELLES
ET CRÉATIVES
À L’ÈRE DE L’IA GÉNÉRATIVE
Les fiches précédentes nous en ont donné un aperçu : les industries culturelles et
créatives vont être profondément transformées par l’émergence des IA génératives.
La génération de textes, photos, sons ou vidéos n’en est que la première brique,
puisque la combinaison des outils et plus encore l’arrivée des IA multimodales vont
démultiplier les possibilités dans le champ de la création, plaçant une puissance de
création entre les mains de toutes et tous. Pour Tim Cook, CEO d’Apple, « l’IA design
va permettre aux créatifs de se concentrer sur leurs véritables missions » 10.
Aux cas d’usage précédents, s’ajoutent donc :
➣ l’édition de photos, de pistes audio ou encore de vidéos pour en améliorer la
résolution, les retoucher, les modifier ou encore les enrichir, ouvrant par
exemple la voie à de nouvelles mises en forme de documents historiques ou de
souvenirs individuels 11 ;
➣ la production d’œuvres d’art numériques nouvelles ;
➣ l’assistance à la création artistique, de la peinture à la composition musicale en
passant par l’écriture ;
➣ la génération de storyboards pour des films ou des animations personnalisées ;
➣ la génération de jeux vidéo à partir de simples commandes écrites (Text-to-Video
Games) ou de simples dessins (Sketch-to-Video Games) ;
➣ la génération de films ou séries à partir de simples commandes écrites (Text-to-
Movie), des start-up proposant déjà d’exploiter les modèles d’IA générative pour
analyser la viabilité d’un synopsis, cloner et reproduire la voix d’acteurs disparus
ou encore transformer le traitement d’image et la gestion des effets spéciaux de
manière beaucoup plus économique et accessible 12.

Encore ici, les perspectives ne sont pas à venir mais présentes, des studios TV qui
s’en emparent provoquant la colère de certains scénaristes 13, à l’auteur du manga
One Piece qui déclare l’utiliser 14, en passant par les Grammy Awards qui jugent
qu’une œuvre entièrement générée par IA ne peut être éligible à ses prix 15.
FICHE 15
L’IA générative pour la génération
de présentations par slides type
PowerPoint

Objectifs poursuivis

Créer des présentations uniques à partir de directives spécifiques, d’une

note écrite ou encore de différents documents.
Explorer de nouvelles possibilités dans la conception de présentations,
impossible auparavant.
Automatiser certains aspects de la création de présentations, libérant les
créateurs pour se concentrer sur le contenu.
Produire des présentations pour des applications spécifiques, comme le
marketing, l’éducation ou les réunions d’affaires.
Proposer une alternative aux modèles de présentation classiques
disponibles.

Conseils pour le lecteur

Soyez précis dans vos directives pour obtenir le résultat souhaité.

Indiquez le style de la présentation souhaitée (professionnelle, ludique,
artistique, etc.), le nombre de diapositives, le type de contenu (texte,
graphiques, images, etc.) et toute autre information pertinente.
Expérimentez avec différentes combinaisons de paramètres et de styles
pour obtenir des résultats uniques.
Gardez à l’esprit que le contenu de la présentation reste la partie la plus
importante. L’IA peut aider à créer une présentation visuellement
attrayante, mais elle ne remplace pas un contenu de qualité.
Respectez les lois sur les droits d’auteur et assurez-vous de ne pas
utiliser l’IA pour reproduire ou copier directement le travail d’autres
créateurs.

Exemples de prompts

« Créer une présentation professionnelle pour une réunion d’affaires,

avec un thème bleu et 15 diapositives contenant des graphiques et du
texte. »
« Générer une présentation ludique pour une leçon d’école, avec un
thème coloré et 10 diapositives contenant des images et du texte. »
« Concevoir une présentation artistique pour une conférence sur l’art
contemporain, avec un thème minimaliste et 20 diapositives contenant
des images d’œuvres d’art et des descriptions courtes. »
« Produire une présentation à partir de cette note pour un pitch de start-
up, avec un thème dynamique et 12 diapositives contenant des
graphiques, des images et du texte sur la vision, l’équipe, le produit, le
marché et les projections financières. Note : [TEXTE NOTE]. »
« Créer une présentation pour une conférence scientifique, avec un
thème sobre et 25 diapositives contenant des graphiques, des images, du
texte et des citations de recherche. »

NOTA BENE
Les programmes de présentation offrent désormais l’option de création automatique
intégrée, simplifiant grandement la mise en forme de vos idées. Que ce soit avec
PowerPoint, Google Slides ou d’autres outils, l’innovation est à portée de main. Pour
ceux qui veulent aller plus loin, il existe également des outils spécialisés comme
Beautiful.ai, Tome.app ou Gamma.app, qui offrent des fonctionnalités avancées et
uniques. N’hésitez pas à expérimenter pour découvrir la solution qui répond le mieux
à vos besoins et attentes.
 SECTION 2

Intégrer l’IA générative à sa pratique

professionnelle en combinant des outils

Après avoir franchi le pas initial de l’exploration de l’IA générative et

évalué son potentiel à travers une gamme de tâches simples, il est
maintenant temps d’entrer dans la phase suivante : intégrer l’IA générative
dans votre activité professionnelle en orchestrant diverses actions et
technologies. Ici, l’objectif n’est pas de se concentrer sur une seule tâche,
mais d’envisager une utilisation plus complexe et intégrée de l’IA
générative à votre quotidien professionnel. Cela implique parfois de
combiner plusieurs outils ou techniques pour réaliser des objectifs plus
sophistiqués et ayant un impact significatif.
Cette section vise à englober une grande partie de la chaîne de valeur d’une
entreprise, allant du développement de produits à la communication, en
passant par le marketing, la gestion des ressources humaines, l’IT, et bien
plus encore.
Dans cet esprit, envisagez, par exemple, de déléguer la rédaction de
prompts à une IA pour d’autres IA. Ce concept peut sembler métatextuel,
mais il ouvre des portes à une automatisation encore plus poussée, tout en
préservant une touche d’ingéniosité humaine pour guider le processus.
Il est maintenant temps de prendre le contrôle et d’utiliser l’IA générative
de manière stratégique pour booster votre entreprise.
Remarque : dans les fiches de cette section, la plupart des prompts sont
imaginés pour des systèmes d’IA conversationnelles et génératives reliées
aux bases de connaissances internes de l’entreprise et à ses principaux
outils. Certains de ces prompts peuvent être utilisés dans le cadre
d’interactions homme-machine, mais également dans le cadre
d’automatisation d’interactions entre systèmes machine-machine.

NOTA BENE
Les IA génératives multimodales 1, capables de traiter simultanément plusieurs types
de données comme le texte, les images ou les vidéos, représentent une nouvelle
étape dans le domaine de l’IA conversationnelle et générative. En exploitant diverses
formes de données, elles donnent lieu à des cas d’usage enrichis permettant de
réduire le nombre d’outils nécessaires pour exécuter un grand nombre de tâches.
Elles ouvrent la voie à des compréhensions contextuelles augmentées (en pouvant à
la fois écouter et voir par exemple) mais également à un grand nombre
d’applications.

FICHE 16
L’IA générative pour la génération
automatique de comptes rendus
de réunions

Objectifs poursuivis

Automatisation du processus de prise de notes pendant une réunion,

libérant les participants pour se concentrer sur la discussion.
Création d’un compte rendu précis et objectif des discussions, évitant
les biais ou les oublis humains.
Extraction des actions clés, des décisions prises et des points à suivre
pour une distribution rapide après la réunion.
Analyse de la dynamique de la réunion, y compris la participation, le
temps de parole et d’autres informations utiles pour améliorer la
 productivité des réunions.

Conseils pour le lecteur

Assurez-vous que l’IA a accès à une source audio claire. La qualité de

l’audio peut grandement affecter la précision de la transcription.
Rédigez des prompts clairs pour l’IA pour extraire les informations
importantes, comme les décisions prises ou les actions à suivre.
Utilisez une IA capable de comprendre et de respecter la confidentialité
et la vie privée, surtout si vos réunions contiennent des informations
sensibles.
Vérifiez toujours le compte rendu généré pour vous assurer de son
exactitude.

Exemples de prompts possibles dans un écosystème

technique adapté

Des outils permettent dès à présent de capter, transcrire et synthétiser

automatiquement une réunion, notamment en visio. Les IA multimodales
vont également permettre de traiter et d’interagir avec les captations audio
et vidéo de réunions de manière enrichie. Il est cependant assez simple de
combiner un outil d’enregistrement, un outil de retranscription automatique
et une IA générative textuelle pour développer son propre outil interne.
Dans ce dernier cas, voici des exemples de prompts pour l’IA générative de
texte à partir de la retranscription écrite de la réunion.
« Transcrire l’enregistrement de cette réunion d’équipe du 10 juillet
2023, en mettant particulièrement l’accent sur les décisions stratégiques
qui ont été prises, notamment en ce qui concerne le lancement de notre
nouveau produit. Retranscription : [RETRANSCRIPTION]. »
« Générer un résumé concis de cette réunion de direction du 15 juin
2023 qui met en évidence les principales discussions, les idées
présentées et les points d’action convenus. Retranscription :
[RETRANSCRIPTION]. »
« À partir de cette retranscription de la réunion de planification du
projet du 30 mai 2023, élabore une liste structurée des tâches et des
responsabilités assignées à chaque membre de l’équipe, en indiquant les
délais et les objectifs spécifiques. Retranscription :
[RETRANSCRIPTION]. »

NOTA BENE
Passez au niveau supérieur avec votre compte rendu !
Une fois que vous avez généré votre compte rendu, pourquoi ne pas le transformer
en une présentation attrayante ? Vous pouvez facilement convertir votre contenu en
une présentation structurée, par exemple, en utilisant des outils tels que Google
Slides, PowerPoint, IA Presenter, PowerMode, Beautiful.ai, Tome.app ou gamma.app.
Ces outils vous permettent d’organiser vos idées de manière visuelle et concise,
rendant votre contenu plus accessible et engageant pour vos collaborateurs ou pour
votre audience. Avec des fonctionnalités variées, allant des mises en page
préconçues à l’ajout d’animations, vous pouvez ajouter une touche de créativité à vos
présentations.
Il suffit de copier et coller les sections pertinentes de votre compte rendu dans le
logiciel de présentation de votre choix, puis de les organiser dans un ordre logique.
Vous pouvez ensuite personnaliser la mise en page, les couleurs, et ajouter des
images ou des graphiques si nécessaire.
FICHE 17
L’IA générative pour l’innovation,
la recherche,
le design et le développement de produits
ou services

Objectifs poursuivis

Génération d’idées nouvelles et innovantes pour les produits ou

services.
Optimisation des processus de R&D grâce à l’automatisation et à la
rapidité de l’IA pour générer des ébauches et des designs basés sur des
prompts, permettant d’itérer rapidement avec plus d’options de design.
Amélioration de l’analyse de marché en identifiant les tendances et les
besoins non satisfaits.
Accélération du processus de prototypage en simulant des scénarios
d’utilisation et des cas de test.
Amélioration de la communication avec les parties prenantes en
visualisant clairement les concepts de produits ou services.
Génération de designs pour l’ingénierie logicielle, l’industrie ou encore
l’architecture.

Outils d’IA générative à sélectionner

Une solution d’IA générative déployée sur les données et bases de

connaissances internes de l’entreprise (cf. encadré : « Choisir son
système de management des données, des informations et des
connaissances »).
Les modèles de langage pour générer des idées et rédiger des
descriptions de produits.
Les générateurs d’images pour créer des illustrations de produits.
Les outils d’analyse de sentiment pour évaluer les réactions du public.
Les outils de simulation pour tester les produits dans divers scénarios.

Conseils pour le lecteur

Commencez par définir clairement vos objectifs. Quels aspects de la

R&D souhaitez-vous améliorer avec l’IA ?
Sélectionnez les outils d’IA appropriés en fonction de vos objectifs.
Utilisez l’IA pour générer des idées, mais n’oubliez pas que la
validation finale doit être effectuée par des experts humains.
Testez et itérez. L’IA est un outil puissant, mais elle nécessite des
ajustements et des affinements pour être véritablement efficace.

Exemples de prompts possibles dans un écosystème

technique adapté

« Génère des idées innovantes pour des produits qui fusionnent

efficacement l’intelligence artificielle et l’Internet des objets. Ces idées
de produits devraient non seulement intégrer ces deux technologies,
mais aussi résoudre des problèmes existants ou améliorer la qualité de
vie des utilisateurs. »
« Crée une représentation visuelle d’un smartphone futuriste avec les
caractéristiques suivantes : un écran pliable, une caméra à triple
objectif, une coque en alliage de titane et une capacité de charge sans fil
à longue portée. »
« Analyse le sentiment du public sur les réseaux sociaux envers l’idée
d’une voiture électrique autonome avec capacité de recharge solaire.
Recueille et évalue des données de Twitter, Facebook et Instagram pour
comprendre les réactions et les attitudes des consommateurs. »
« Simule les performances d’un nouveau service de livraison par drones
dans un environnement urbain dense, en prenant en compte des facteurs
tels que les immeubles de grande hauteur, la densité du trafic et les
interférences potentielles avec d’autres appareils sans fil. Évalue la
fiabilité, la vitesse et l’efficacité du service dans ces conditions. »

L’IA GÉNÉRATIVE DANS L’INDUSTRIE,

DU MOBILIER AU SPATIAL
IKEA, le géant de l’ameublement, a récemment repoussé les limites de l’innovation à
l’aide de l’IA générative. Dans une démarche visant à repenser la conception de ses
produits, IKEA a développé un canapé qui peut être plié de manière si compacte qu’il
tient dans une enveloppe. Le processus derrière cette réalisation a reposé sur des
modèles d’IA générative. Ils ont permis d’optimiser la conception du canapé pour
qu’il soit non seulement confortable et esthétiquement attrayant, mais aussi
incroyablement compact et facile à transporter. L’utilisation d’IA générative par
IKEA pour revoir la conception de ses produits illustre le potentiel de cette
technologie à transformer des secteurs d’activité entiers. Elle montre la manière
dont l’IA peut contribuer à résoudre des problèmes complexes de manière créative,
ouvrant la voie à de nouvelles approches en matière de design et de fabrication 2.
La NASA exploite également l’IA générative pour optimiser le design de matériel de
mission pour les vaisseaux spatiaux. Les ingénieurs de recherche à la NASA
déclarent concevoir des équipements à la fois robustes et légers.
Traditionnellement, cette tâche requiert un processus d’essais et d’erreurs
laborieux, mais grâce à l’IA, ce processus est devenu plus efficace et innovant. En
effet, les IA génératives permettent déjà d’explorer jusqu’à 30 à 40 concepts en une
heure, contre quelques itérations seulement en une semaine avant l’avènement de
l’IA générative. Les idées générées par l’IA se distinguent non seulement par leur
originalité, mais aussi par leur performance : les designs créés par l’IA sont plus
solides, plus rigides et plus légers que ceux conçus par les humains. Comme le
déclare l’ingénieur McClelland, « [l’IA] arrive avec des idées auxquelles, non
seulement nous ne penserions pas, mais que nous ne serions pas en mesure de
modéliser même si nous y pensions ». L’IA peut cependant, comme nous l’avons
souligné par ailleurs, générer des erreurs inattendues, comme remplir un trou
destiné à attacher la pièce au reste de l’engin, renforçant l’importance de la
collaboration homme-machine 3.
FICHE 18
L’IA générative pour l’idéation
et le brainstorming

Objectifs poursuivis

Stimuler la génération d’idées nouvelles et originales.

Assurer une diversité d’idées et de perspectives.
Faciliter la documentation et l’organisation des idées générées.
Aider à visualiser les idées sous différentes formes (texte, image, son,
vidéo, etc.).
Accélérer le processus de brainstorming en produisant rapidement de
nombreuses idées.

Outils d’IA générative à sélectionner

Les modèles de langage pour générer et explorer diverses idées.

Les générateurs d’images pour visualiser des idées ou des concepts.
Les outils de mind mapping basés sur l’IA pour organiser et structurer
les idées.

Conseils pour le lecteur

Utilisez des prompts clairs et spécifiques pour guider l’IA dans la

génération d’idées.
Encouragez la diversité des idées en expérimentant différents prompts et
paramètres.
Gardez l’esprit ouvert : l’IA peut générer des idées qui semblent non
conventionnelles ou inattendues.
Utilisez l’IA comme un outil complémentaire à la réflexion humaine,
pas comme un remplacement.

Exemples de prompts possibles dans un écosystème

technique adapté

« Génère des idées pour un nouveau produit qui combine

[TECHNOLOGIE X] avec [CONCEPT Y]. »
« Crée une image représentant une nouvelle conception pour
[OBJET Z]. »
« Organise ces idées en un mind map autour du thème de [THÈME]. »
 NOTA BENE
Stimuler la créativité
L’IA générative peut être un partenaire puissant pour stimuler la créativité. Si vous
êtes bloqué ou à court d’idées, utilisez l’IA pour générer des concepts ou des idées.
Par exemple, vous pouvez utiliser des prompts tels que : « Génère des idées uniques,
innovantes et non conventionnelles pour [INSÉRER LE SUJET]. » Cela peut donner
lieu à des suggestions inattendues et stimuler votre pensée créative.
Création artistique
Les outils d’IA générative peuvent également être utilisés pour créer des œuvres
d’art. Que vous souhaitiez générer des croquis de conception, des œuvres d’art
numérique, ou même des compositions musicales, l’IA générative peut être un outil
précieux. Notez cependant que les résultats dépendront fortement des filtres et de
la flexibilité des outils que vous utilisez.
Filtres et flexibilité
Soyez conscient que l’IA générative est guidée par les filtres que vous appliquez. Ces
filtres peuvent restreindre ou diriger la créativité de l’IA, il est donc important de les
ajuster en fonction de vos besoins. Ne vous limitez pas aux paramètres par défaut,
explorez et expérimentez avec différents réglages pour voir quels résultats ils
peuvent produire.
Alternatives de prompt
Vous pouvez aussi demander à l’IA de générer des idées qui sont « nouvelles, utiles et
faisables ». Cela peut aider à concentrer l’IA sur la production d’idées qui sont non
seulement créatives, mais aussi pratiques et applicables à votre situation ou à votre
projet.

FICHE 19
L’IA générative pour l’IT et les supports
informatiques

Objectifs poursuivis

Automatiser la résolution des problèmes informatiques.

Générer des scripts ou du code pour accélérer le développement et la
maintenance des logiciels, de manière corrective, préventive, perfective
ou adaptative.
Améliorer le service de support informatique grâce à des assistants
virtuels intelligents.
Stimuler l’innovation en générant de nouvelles idées pour des solutions
informatiques.

Outils d’IA générative à sélectionner

Des modèles de langage pour générer des scripts ou du code, et pour

alimenter des assistants virtuels de support.
Des interfaces conversationnelles pour apporter un support aux experts
mais également aux utilisateurs.
Des outils d’IA pour l’automatisation des processus informatiques, tels
que le déploiement de logiciels, l’orchestration des infrastructures et la
surveillance du réseau.
Une solution d’IA générative déployée sur les données et bases de
connaissances IT internes de l’entreprise (cf. encadré : « Choisir son
système de management des données, des informations et des
connaissances »).

Conseils pour le lecteur

Expérimentez avec l’IA générative sur des projets pilotes pour évaluer
son impact sur votre IT et vos supports.
Formez vos équipes informatiques à l’utilisation des outils d’IA et
assurez-vous qu’elles peuvent travailler efficacement avec ces outils.
Intégrez les IA conversationnelles et génératives de manière à
augmenter votre assistance et services aux utilisateurs.
Soyez conscient des implications éthiques et de sécurité de l’utilisation
de l’IA dans l’IT et les supports informatiques.

Exemples de prompts possibles dans un écosystème

technique adapté

« Génère un script Bash détaillé et commenté pour automatiser le

déploiement de notre logiciel d’analyse de données sur un
environnement de serveur Linux. Le script doit inclure des vérifications
pour les dépendances, l’installation du logiciel, la configuration des
paramètres d’utilisateur, ainsi que le nettoyage post-installation. »
« Élabore une solution détaillée pour résoudre le problème de
connexion au réseau Wi-Fi décrit par un utilisateur sous Windows 10.
Le problème décrit fait état de déconnexions intermittentes et d’un
signal faible malgré la proximité du routeur. Veille à inclure des
instructions pas à pas adaptées à un utilisateur non technique. »
« Génère une réponse empathique, concise et instructive à cette
question d’assistance technique soulevée par un utilisateur : “Pourquoi
mon application mobile se ferme-t-elle inopinément chaque fois que
j’essaie d’uploader une photo ?” Assure-toi de demander tous les détails
nécessaires pour le dépannage et de fournir une procédure claire de
résolution des problèmes. »
 L’IA GÉNÉRATIVE, UNE SOLUTION
DE CHOIX
POUR LA CYBERSÉCURITÉ
ET L’EFFICACITÉ EN IT
Conception de systèmes : les ingénieurs utilisent l’IA générative pour créer
plusieurs architectures informatiques et itérer sur les configurations potentielles.
Cela accélère la conception des systèmes et permet un lancement sur le marché plus
rapide.
Codage : les outils IA assistent les ingénieurs en générant du code, ce qui réduit le
temps de développement. Ils aident à la rédaction de brouillons, à la recherche
rapide de prompts et servent de base de connaissances faciles à explorer.
Test : les ingénieurs utilisent des algorithmes capables d’améliorer les tests
fonctionnels et de performance pour assurer la qualité. L’IA peut également générer
automatiquement des cas de test et des données de test.
Maintenance : les ingénieurs utilisent les insights de l’IA sur les journaux de
systèmes, les retours des utilisateurs et les données de performance pour aider à
diagnostiquer les problèmes, suggérer des correctifs et prévoir d’autres zones
d’amélioration de haute priorité.
Cybersécurité proactive : les outils d’IA peuvent participer à l’identification des
risques potentiels et à la suggestion de mesures pour les atténuer, à des stratégies
de défense contre les cyberattaques, voire au développement de simulations de
cyberattaques pour tester la résilience des systèmes.
Cybersécurité réactive : les IA génératives peuvent aller plus loin avec la détection
automatique de comportements frauduleux et le développement de leurres dans
l’objectif de faire perdre du temps et des ressources aux arnaqueurs et hackeurs et
remettre en cause leur « business model » (stratégie connue sous le nom de
« cybersécurité par tromperie »). Les IA génératives ont ainsi déjà été exploitées
pour tromper des hackers et les conduire à pirater des leurres (honeypot) sous la
forme de systèmes et connexions factices 4. Dans le même cadre, des experts en
cybersécurité de l’université Macquarie ont créé un système basé sur l’IA générative
pour créer des bots de fausses victimes multilingues et engager les arnaqueurs dans
de longues et fausses conversations, réduisant ainsi le nombre de victimes réelles.
En plus d’entraver l’activité lucrative des arnaqueurs et hackers, ces systèmes
contribuent à la collecte de renseignements sur les menaces actuelles, aidant ainsi
les organisations à mieux se protéger 5.
Des outils comme GitHub Copilot, intégré avec GPT-4 d’OpenAI, et Replit, utilisé par
plus de 20 millions de codeurs, illustrent le potentiel immense de l’IA générative en
 informatique.

FICHE 20
L’IA générative pour la gestion
des ressources humaines

Objectifs poursuivis

Automatiser et optimiser le processus de recrutement.

Créer des questions d’entretiens basées sur le poste et les qualifications
du candidat.
Personnaliser la formation et le développement en fonction des besoins
individuels des employés.
Stimuler l’engagement des employés en générant du contenu
personnalisé et pertinent.
Améliorer la gestion du rendement grâce à des idées et des suggestions
générées par l’IA.
Développer un plan de prévision des besoins en personnel et élaborer
des plans de recrutement.
Accueillir et améliorer les processus d’onboarding de nouveaux
collaborateurs 6.

Outils d’IA générative à sélectionner

Des modèles de langage pour générer des descriptions de poste, des

questions d’entretien, des formations personnalisées, du contenu
d’engagement et des feedbacks.
Des outils d’IA de recommandation pour suggérer des formations, des
opportunités de carrière ou encore des stratégies de gestion du temps
personnalisées.
Une solution d’IA générative déployée sur les données et bases de
connaissances RH internes de l’entreprise (cf. encadré : « Choisir son
système de management des données, des informations et des
connaissances ») pour développer des agents virtuels et interfaces
conversationnelles d’assistance aux experts ou directement auprès des
collaborateurs de l’entreprise.

Conseils pour le lecteur

Commencez par des projets pilotes pour évaluer l’efficacité de l’IA

générative dans votre contexte de ressources humaines.
Formez vos équipes RH à l’utilisation de l’IA et créez une culture de
collaboration entre les humains et l’IA.
Faites attention aux implications éthiques et légales de l’utilisation de
l’IA dans la gestion des ressources humaines, notamment en matière de
confidentialité et d’équité.

Exemples de prompts possibles dans un écosystème

technique adapté

« Élabore une description de poste détaillée pour un poste de

développeur de logiciels senior dans notre entreprise spécialisée dans le
SaaS. Le rôle doit comprendre la conception et le développement de
nouvelles fonctionnalités, la maintenance des systèmes existants, et la
collaboration avec diverses équipes interdisciplinaires. Assure-toi de
préciser les compétences techniques requises, les responsabilités clés, et
le profil idéal en termes d’expérience et de qualifications. »
« Crée un plan de formation personnalisé de six mois pour un employé
cherchant à développer ses compétences en leadership. L’employé a
actuellement un rôle de gestion de projet et souhaite se préparer à un
rôle de direction d’équipe. Le plan doit inclure des opportunités de
formation en interne, des suggestions de séminaires et de formations
externes, ainsi que des opportunités de mentorat et de projets de
leadership. »
« Écris un feedback constructif à un employé, basé sur ses performances
au cours du dernier trimestre. L’employé a rencontré des défis en
matière de gestion du temps et de délégation des tâches. Le feedback
doit être orienté vers des solutions, encourager l’amélioration, et inclure
des suggestions concrètes pour améliorer ces domaines de
performance. »
 LES COMPÉTENCES DE L’ENTREPRISE
AUGMENTÉE
L’adoption de l’IA générative dans les organisations implique une transformation
profonde des métiers et des compétences nécessaires. Le rôle des ressources
humaines se trouve au cœur de cette mutation. En effet, non seulement l’IA est
utilisée pour optimiser les processus RH eux-mêmes, mais elle redéfinit aussi les
attentes en matière de compétences, ce qui a un impact majeur sur la gestion
prévisionnelle des emplois et des compétences (GPEC).
Compétences en IA requises : les collaborateurs doivent être à l’aise avec l’IA et
comprendre comment elle fonctionne. Cela ne signifie pas nécessairement qu’ils
doivent être des experts en codage, mais ils devraient comprendre comment l’IA
peut être utilisée pour augmenter leur efficacité et la qualité de leur travail, tout en
ayant un recul réflexif sur son fonctionnement et un esprit critique sur ses résultats.
La GPEC à l’ère de l’IA : avec l’IA générative, la GPEC doit évoluer pour prendre en
compte non seulement les compétences existantes mais aussi celles qui seront
nécessaires à l’avenir, tout en conservant à l’esprit la transformation des emplois en
cours et à venir dans le cadre du paradoxe de Moravec (ici). La formation continue et
l’apprentissage tout au long de la vie deviennent cruciaux.
Le responsable RH comme facilitateur : le rôle des RH se transforme, passant d’une
fonction support à un rôle de facilitateur. Les RH doivent aider les collaborateurs à
comprendre et à adopter l’IA, et à développer les nouvelles compétences requises.
C’est dans cette perspective que l’IA générative peut être un puissant allié pour les
RH, permettant d’automatiser et de personnaliser de nombreux processus tout en
offrant des opportunités de formation et de développement sur mesure pour les
employés. Cependant, une utilisation éthique et légale de l’IA doit toujours être au
cœur des préoccupations, en veillant à la confidentialité et à l’équité dans toutes les
décisions RH.
FICHE 21
L’IA générative pour la formation
professionnelle continue

Objectifs poursuivis

Faciliter la découverte de nouveaux domaines d’apprentissage.

Aider à l’apprentissage et au développement de nouvelles compétences
de manière personnalisée en suggérant des parcours de formation
adaptés aux besoins individuels des employés.
Générer des contenus éducatifs adaptés aux besoins d’apprentissage
individuels.
Mettre en place une assistance pour la formation et l’apprentissage
autonome.
Créer des programmes d’apprentissage adaptés aux besoins individuels
et au temps disponible.
Générer des scénarios réalistes pour la formation en réalité virtuelle, les
jeux de rôle ou les simulations.
Créer des questions de quiz ou questionnaires pour tester les
connaissances des apprenants.
Corriger de manière automatique des devoirs ou tests et générer de
manière automatique des plans de perfectionnement adaptés et
personnalisés pour chaque apprenant.

Outils d’IA générative à sélectionner

Une solution d’IA générative déployée sur les données et bases de

connaissances formations internes de l’entreprise (cf. encadré :
« Choisir son système de management des données, des informations et
des connaissances »).
Des modèles de langage pour générer des explications, des plans de
formation et des contenus d’apprentissage personnalisés.
Des systèmes d’IA de recommandation pour suggérer des ressources
d’apprentissage adaptées aux besoins spécifiques de chaque individu.
Des outils d’IA pour l’évaluation des compétences, permettant un suivi
personnalisé du progrès de l’apprentissage.

Conseils pour le lecteur

Expérimentez avec des modèles de langage pour générer des plans de

formation adaptés.
Utilisez l’IA générative pour décomposer les sujets complexes en
termes simples, rendant l’apprentissage plus accessible.
Prévoyez une supervision humaine pour s’assurer de la qualité de
l’information générée par l’IA.

Exemples de prompts possibles dans un écosystème

technique adapté

« Fournis-moi une explication simplifiée de la programmation en

Python, en mettant l’accent sur sa syntaxe, ses applications principales,
et pourquoi elle est souvent recommandée aux débutants dans le
domaine de la programmation. »
« En tant que débutant en gestion de projet, je souhaite que tu me crées
un plan d’apprentissage de 30 jours pour m’aider à me familiariser avec
les concepts clés et les pratiques du domaine. Ce plan devrait inclure
des ressources pédagogiques, des activités d’apprentissage pratiques, et
des suggestions d’évaluation de ma progression. »
« Je dispose de deux jours par semaine pendant les deux prochains mois
pour me consacrer à l’apprentissage du marketing digital. Crée un plan
structuré et chronologiquement organisé qui me permettra d’utiliser ce
 temps efficacement, en couvrant les domaines clés du marketing digital
tels que le SEO, le marketing de contenu, le marketing des médias
sociaux et l’analyse de données. »
« Je suis intéressé par l’apprentissage de l’intelligence artificielle
générative. Identifie et explique-moi les concepts clés qui, bien que ne
représentant que 20 % du sujet, me permettront de comprendre environ
80 % de ce domaine complexe. »

NOTA BENE
L’information générée par l’IA doit toujours être vérifiée et supervisée par un expert
humain pour garantir son exactitude et sa pertinence.

FICHE 22
L’IA générative pour le marketing

Objectifs poursuivis

Analyser les sentiments et les opinions des utilisateurs en exploitant

diverses sources de données.
Générer du contenu marketing personnalisé basé sur les préférences
individuelles des utilisateurs.
Améliorer l’engagement des utilisateurs par des interactions
dynamiques grâce à l’IA générative.
Créer des parcours client personnalisés, des recommandations de
produits, et des stratégies de tarification optimales.
Générer des noms de marque uniques et des profils de consommateurs.
Amélioration et optimisation continue de la programmatique et des
campagnes publicitaires.

Outils d’IA générative à sélectionner

Une solution d’IA générative déployée sur les données et bases de

connaissances marketing internes de l’entreprise (cf. encadré : « Choisir
son système de management des données, des informations et des
connaissances »).
Modèles de langage pour l’analyse des sentiments, la création de
contenu marketing, et les interactions dynamiques avec les utilisateurs.
Outils d’analyse de texte pour extraire des informations précieuses à
partir de grandes quantités de données textuelles (par exemple, les
commentaires des utilisateurs).
Outils de prévision pour la demande, les ventes, et le churn client.
Outils pour la génération de noms de marque et de profils de
consommateurs.

Conseils pour le lecteur

Assurez-vous d’avoir la permission de collecter et d’analyser les

données des utilisateurs, en respectant les réglementations en matière de
confidentialité.
Testez et ajustez régulièrement les performances de votre IA générative
pour vous assurer qu’elle est précise et utile.
Utilisez l’IA en complément de votre équipe de marketing, et non en
remplacement. L’IA peut fournir des insights précieux, mais elle doit
être guidée par des experts humains.
Exemples de prompts possibles dans un écosystème
technique adapté

« Analyse les sentiments des utilisateurs dans ces commentaires de

produit. »
« Génère une campagne marketing ciblée pour les amateurs de plein air
qui aiment la randonnée. »
« Crée un dialogue interactif pour engager les utilisateurs sur notre
plateforme de médias sociaux. »
« Prédis la demande pour ce produit au cours des trois prochains mois. »
« Crée un parcours client personnalisé pour un client qui préfère les
achats en ligne et est intéressé par la mode durable. »
« Génère un nom de marque unique pour un nouveau produit de soin de
la peau naturel. »
 LA CARTE EMPATHIQUE À L’ÈRE DE L’IA
GÉNÉRATIVE
L’IA générative peut enrichir considérablement l’approche empathique dans le
marketing en fournissant des informations détaillées sur les sentiments, les opinions
et les préférences des utilisateurs. Cela permet de comprendre en profondeur ce
que ressentent les utilisateurs, comment ils perçoivent une marque ou un produit, et
ce qu’ils attendent d’une entreprise.
Stratégie : les professionnels du marketing et des ventes peuvent utiliser l’IA
générative pour recueillir efficacement les tendances du marché et les informations
sur les clients à partir de sources de données non structurées, comme les réseaux
sociaux, les nouvelles, la recherche, les informations sur les produits, et les
commentaires des clients. Cela peut servir à rédiger des communications de
marketing et de vente efficaces et ciblées.
Personnalisation du contenu : l’IA générative peut générer du contenu marketing
personnalisé qui correspond précisément aux préférences individuelles des
utilisateurs, améliorant ainsi leur engagement et l’efficacité des campagnes
marketing.
Analyse des sentiments : grâce à l’analyse des sentiments basée sur l’IA, les marques
peuvent comprendre comment les utilisateurs ressentent leur produit ou service, ce
qui peut ensuite informer les stratégies de marketing et d’engagement des
utilisateurs.
Interactions dynamiques : les modèles de langage peuvent être utilisés pour créer
des interactions dynamiques avec les utilisateurs, ajoutant une dimension
interactive à l’engagement des utilisateurs et enrichissant l’expérience utilisateur.

NOTA BENE
La clé de l’exploitation de l’IA générative dans le marketing est de la voir comme un
complément à l’équipe de marketing existante, fournissant des insights précieux et
automatisant certaines tâches, tout en étant guidée et supervisée par des experts
humains pour garantir l’exactitude et l’efficacité.
FICHE 23
L’IA générative pour la communication

Objectifs poursuivis

Amélioration et personnalisation de la communication avec les clients

et le public.
Automatisation de réponses à des questions courantes pour améliorer
l’efficacité.
Génération de contenu pour divers canaux de communication.
Définition d’un plan de communication.

Outils d’IA générative à sélectionner

Des IA génératives multimodales (ou un ensemble d’IA génératives

combinées associant génération de texte, image, son, vidéo, modèles
3D…) pour générer les différentes dimensions nécessaires aux
modalités de communication souhaitées.
Une solution d’IA générative déployée sur les données et bases de
connaissances communication internes et externes de l’entreprise (cf.
encadré : « Choisir son système de management des données, des
informations et des connaissances »).
Les outils de synthèse vocale pour la création de voix off pour les
vidéos ou les systèmes de réponse automatique.

Conseils pour le lecteur

Les IA génératives ne sont que des outils, elles n’éliminent pas le besoin
d’une stratégie de communication solide.
Gardez à l’esprit les limites de l’IA et utilisez-la comme un complément
à la communication humaine, pas comme un remplacement.
Prévoyez suffisamment de temps pour tester, itérer et améliorer votre
utilisation de l’IA générative.

Exemples de prompts possibles dans un écosystème

technique adapté

« Génère une réponse à ce courrier électronique de service à la clientèle

concernant une question fréquemment posée. »
« Crée une publication de blog sur notre dernier produit. »
« Synthétise une voix off pour cette vidéo de présentation de notre
produit. »
 LA GÉNÉRATION DE PRÉSENTATIONS
À PARTIR DE PROMPTS AVEC L’IA
GÉNÉRATIVE
L’IA générative apporte une innovation considérable dans le domaine de la
communication, y compris la capacité de générer des présentations à partir de
simples prompts. Cette capacité peut faciliter et améliorer le processus de création
de contenu de communication.
Personnalisation des présentations : en utilisant des modèles de langage, les
entreprises peuvent générer des présentations qui sont personnalisées en fonction
des besoins spécifiques de leurs clients ou de leur public. Par exemple, à partir d’un
prompt tel que « Crée une présentation de notre dernier produit pour un public de
jeunes adultes », l’IA générative peut produire une présentation qui tient compte des
intérêts et des préférences de ce public spécifique.
Automatisation de réponses : en plus de la génération de contenu, l’IA générative
peut également être utilisée pour automatiser les réponses à des questions
courantes. Cela peut améliorer l’efficacité en libérant du temps pour les employés
afin qu’ils puissent se concentrer sur des tâches plus complexes. Par exemple, un
prompt comme « Génère une réponse à ce courrier électronique de service à la
clientèle concernant une question fréquemment posée. Courrier électronique :
[TEXTE COURRIER] », pourrait entraîner une réponse automatisée et précise.
Synthèse vocale : Les outils de synthèse vocale peuvent être utilisés pour générer
des voix off pour les vidéos ou les présentations, créant ainsi un aspect plus
interactif et engageant pour le contenu de communication.

NOTA BENE
La clé est d’utiliser l’IA pour améliorer l’efficacité et la pertinence, tout en conservant
une stratégie de communication solide et cohérente.
FICHE 24
L’IA générative pour la publicité

Objectifs poursuivis

Création de contenu publicitaire efficace et convaincant sous des

formats texte, image, audio ou encore vidéo.
Génération d’idées publicitaires innovantes.
Personnalisation des annonces pour des segments spécifiques
d’audience.
Création de slogans accrocheurs pour les campagnes publicitaires.

Outils d’IA générative à sélectionner

Modèles de langage pour générer des idées et des textes pour les
annonces.
Modèles génératifs d’images, de sons ou de vidéos pour créer des
illustrations, images, contenus audio ou vidéo pour les annonces.
Modèles de machine learning pour segmenter le public et personnaliser
les annonces.

Conseils pour le lecteur

Utilisez l’IA comme un outil de brainstorming pour générer des idées,

mais n’oubliez pas que la direction finale de la campagne publicitaire
doit être guidée par la stratégie globale de l’entreprise.
Testez différentes versions des annonces générées par l’IA pour voir
lesquelles sont les plus efficaces.
Faites attention aux problèmes d’éthique et de respect de la vie privée
lors de l’utilisation de l’IA pour personnaliser les annonces.
 Exemples de prompts possibles dans un écosystème
technique adapté

« En tenant compte du profil de notre produit et de son public cible,

génère une idée créative et impactante pour une campagne publicitaire
qui souligne ses caractéristiques uniques et son avantage
concurrentiel. »
« Conçois une image visuellement attrayante et pertinente pour notre
annonce sur les médias sociaux, qui met en valeur notre marque, incite à
l’engagement et communique efficacement le message de notre
campagne. »
« Sur la base des données disponibles sur les préférences de nos clients
en matière de produits, segmente notre audience en groupes distincts.
Ensuite, génère des concepts d’annonces personnalisées qui répondent
spécifiquement aux intérêts et aux besoins de chaque segment. »

FICHE 25
L’IA générative pour la stratégie
de contenu et le référencement (SEO)

Objectifs poursuivis

Développer des stratégies de contenu efficaces pour les réseaux sociaux.

Créer des descriptions de produits attrayantes et informatives pour
améliorer le référencement et l’engagement des clients.
Générer des légendes descriptives pour les images ou les vidéos afin
d’améliorer le référencement et l’accessibilité.
Optimiser l’efficacité du référencement et la visibilité des contenus en
ligne.
Automatiser une partie de la création de contenu, permettant ainsi aux
créateurs de se concentrer sur d’autres aspects stratégiques.

Conseils pour le lecteur

Soyez précis dans vos directives pour obtenir le résultat souhaité.

Indiquez le style de contenu souhaité (professionnel, informel, éducatif,
etc.), le public cible, les mots-clés pour le référencement et toute autre
information pertinente.
Expérimentez avec différentes combinaisons de paramètres et de styles
pour obtenir des résultats uniques et attractifs.
Rappelez-vous que l’IA peut aider à générer du contenu, mais que la
stratégie et la compréhension de votre audience restent des éléments
clés qui nécessitent une approche humaine.
Assurez-vous que le contenu généré respecte les directives de chaque
plateforme de réseaux sociaux et les meilleures pratiques en matière de
référencement.

Exemples de prompts possibles dans un écosystème

technique adapté

« Crée une stratégie de contenu pour les réseaux sociaux pour une
entreprise de mode, avec un ton engageant et une focalisation sur les
tendances actuelles et les nouveaux produits. »
« Génère une description de produit attrayante et informative pour un
nouveau smartphone, en mettant l’accent sur ses fonctionnalités
uniques, sa performance et son design. »
« Conçois une légende descriptive pour une vidéo de recette de cuisine,
décrivant les ingrédients, les étapes de préparation et le résultat final. »
« Développe une stratégie de contenu SEO-friendly pour un blog de
voyage, en mettant l’accent sur les destinations populaires, les conseils
 de voyage et les expériences locales. »
« Crée une légende d’image optimisée pour le référencement pour une
photo de paysage, en décrivant le lieu, le temps de l’année et l’ambiance
de l’image. »

NOTA BENE
L’uniformisation de vos textes pour le référencement SEO peut présenter un risque
pour votre stratégie. Les moteurs de recherche apprécient la diversité et la
pertinence du contenu ; trop de standardisation peut entraîner une pénalisation. En
réponse à cela, utilisez des prompts créatifs pour générer des textes uniques.

FICHE 26
Utilisation de l’IA générative pour
la génération de contenus personnalisés

Objectifs poursuivis

Amélioration de l’engagement client par le biais de contenus qui

correspondent à leurs préférences individuelles.
Création d’expériences utilisateurs uniques et ciblées.
Augmentation de la fidélité des clients grâce à une interaction
personnalisée et pertinente.
Génération de guides et de tutoriels adaptés aux besoins des utilisateurs.

Outils d’IA générative à sélectionner

Modèles de langage pour générer des textes personnalisés.

Modèles de recommandation pour proposer des contenus basés sur les
intérêts et le comportement de l’utilisateur.
Modèles d’analyse prédictive pour prévoir les préférences futures des
utilisateurs.

Conseils pour le lecteur

Soyez clair sur les objectifs de votre personnalisation. Est-ce pour

augmenter l’engagement, améliorer la fidélité ou autre chose ? Cela
aidera à orienter l’utilisation de l’IA.
Testez et optimisez continuellement. Les préférences des utilisateurs
changent, et ce qui fonctionne aujourd’hui peut ne pas fonctionner
demain.
Prenez en compte l’éthique et la confidentialité. Assurez-vous que vous
respectez les données des utilisateurs et que vous êtes transparent sur la
façon dont vous utilisez l’IA pour personnaliser le contenu.

Exemples de prompts possibles dans un écosystème

technique adapté

« Crée un courriel marketing personnalisé pour un utilisateur intéressé

par nos produits de plein air. »
« Suggère des articles de blog à recommander à un utilisateur qui a
récemment lu des articles sur l’IA. »
« Prévois les types de produits qu’un utilisateur pourrait être intéressé
d’acheter dans le futur, basé sur ses achats précédents. »
 L’IA GÉNÉRATIVE POUR DES CONTENUS
PERSONNALISÉS,
UNE NOUVELLE DIMENSION
DE L’INTERACTION CLIENT
En 2023, une influenceuse a créé un clone virtuel d’elle-même, offrant à ses fans des
interactions personnalisées pour un dollar la minute. C’est un excellent exemple de
comment l’IA générative peut être utilisée pour créer des expériences utilisateurs
uniques et personnalisées. Mais l’IA générative permet beaucoup d’autres actions.
Construire des cadeaux personnalisés : l’IA générative permet de combiner texte et
visuels pour créer des cadeaux personnalisés. Par exemple, un modèle de langage
peut générer un message personnalisé, tandis qu’un modèle d’IA visuelle peut créer
un design ou une image unique.
Améliorer le parcours du client : de la sensibilisation à la conversion en passant par
la fidélisation, l’IA générative peut améliorer chaque étape du parcours du client. Les
campagnes peuvent être adaptées à la langue et à la démographie de chaque
segment de client. Les clients peuvent accéder à des informations complètes, à des
comparaisons et à des recommandations dynamiques, comme des essais
personnalisés. Les représentants de vente virtuels peuvent émuler des qualités
humaines pour établir une relation de confiance avec les clients. Enfin, les clients
sont plus susceptibles d’être fidélisés grâce à des messages et des récompenses
personnalisés.
Améliorer la création de contenus pertinents : en utilisant des données pertinentes,
l’IA générative peut améliorer la création de contenus pertinents, améliorer le
référencement, et faciliter la découverte de contenus personnalisés. Par exemple, un
prompt comme « Crée un article de blog pour un utilisateur intéressé par l’IA »
pourrait générer un contenu hautement pertinent et optimisé pour le
référencement.
FICHE 27
L’IA générative pour la prospection
commerciale

Objectifs poursuivis

Identifier et cibler efficacement des prospects qualifiés.

Améliorer l’efficacité du processus de vente par une meilleure
segmentation et un ciblage plus précis.
Générer des communications personnalisées pour augmenter le taux de
conversion.

Outils d’IA générative à sélectionner

Modèles de langage pour générer des communications personnalisées.

Modèles de classification pour la segmentation et le ciblage des
prospects.
Modèles d’analyse prédictive pour prédire le comportement des
prospects et orienter les efforts de vente.
Une solution d’IA générative déployée sur les données et bases de
connaissances internes de l’entreprise et notamment connectée au CRM
(cf. encadré : « Choisir son système de management des données, des
informations et des connaissances »).

Conseils pour le lecteur

Clarifiez les objectifs de votre prospection commerciale. Est-ce pour

acquérir de nouveaux clients, développer des affaires avec des clients
existants, ou les deux ?
Testez et optimisez continuellement vos modèles d’IA. Les marchés
changent et ce qui fonctionne aujourd’hui peut ne pas fonctionner
demain.
Assurez-vous que vos communications générées par l’IA restent
authentiques et reflètent votre marque.

Exemples de prompts possibles dans un écosystème

technique adapté

« Génère un e-mail de prospection pour un prospect travaillant dans

l’industrie des technologies. »
« Classifie ce prospect en fonction de sa probabilité de convertir, basée
sur les données historiques. »
« Prévois les besoins futurs de ce prospect, en te basant sur les
tendances de l’industrie et le comportement du prospect. »
 GESTION AUTOMATIQUE DU CRM AVEC
L’IA GÉNÉRATIVE
L’IA générative est un véritable levier de croissance pour la gestion du CRM
(Customer Relationship Management). Voici comment elle peut améliorer la
prospection commerciale.
Identification et ciblage des prospects : les modèles d’IA, comme les modèles de
classification, peuvent aider à segmenter et cibler efficacement les prospects en se
basant sur diverses variables. Cela permet d’améliorer l’efficacité du processus de
vente en se concentrant sur les prospects les plus susceptibles de se convertir.
Communications personnalisées : les modèles de langage peuvent générer des
communications personnalisées qui augmentent le taux de conversion. Ces
communications peuvent être adaptées à l’industrie du prospect, à ses intérêts et à
son comportement antérieur.
Analyse prédictive : les modèles d’IA générative peuvent également être utilisés
pour prédire le comportement des prospects. Par exemple, ils peuvent anticiper les
besoins futurs d’un prospect en se basant sur les tendances de l’industrie et le
comportement du prospect.

PAROLE D’EXPERT
Mohamed El Ghazouany, responsable
du développement et des partenariats de Polaria
Le CRM augmenté par l’IA fournit des listes de produits personnalisées pour chaque
client, mais également les stratégies de vente à adopter ou encore les argumentaires
à déployer, ce qui peut améliorer l’expérience client et augmenter les ventes.
Le CRM augmenté par l’IA peut analyser la performance et les tendances des ventes.
Par exemple, ces systèmes d’IA peuvent traiter de vastes ensembles de données de
ventes, identifier des modèles, et générer des insights précieux pour soutenir la prise
de décision stratégique et la prévision des ventes.
FICHE 28
L’IA générative pour le juridique

Objectifs poursuivis

Générer des contrats et autres documents juridiques.

Analyser des documents juridiques pour extraire des informations
pertinentes.
Prédire les résultats de litiges basés sur des données juridiques
historiques.
Aider à la prise de décisions juridiques en fournissant des informations
basées sur l’IA.

Outils d’IA générative à sélectionner

Modèles de langage pour la génération de contrats et autres documents

juridiques.
Outils d’analyse de texte pour l’extraction d’informations à partir de
documents juridiques.
Une solution d’IA générative déployée sur les données et bases de
connaissances juridiques internes de l’entreprise (cf. encadré : « Choisir
son système de management des données, des informations et des
connaissances »).
Outils de prédiction pour estimer les résultats de litiges.
Outils de décision basés sur l’IA pour aider à la prise de décisions
juridiques.
Conseils pour le lecteur

Assurez-vous que l’IA générative est utilisée en complément des

compétences juridiques humaines, et non en remplacement. L’IA peut
aider à automatiser certaines tâches, mais les décisions juridiques
finales doivent toujours être prises par des professionnels qualifiés.
Tenez compte de l’éthique et des implications juridiques de l’utilisation
de l’IA. Respectez toujours les lois et réglementations en vigueur.
Gardez à l’esprit que, bien que l’IA puisse analyser des documents
juridiques et prédire des résultats de litiges, elle n’est pas infaillible. Il
est crucial de vérifier les informations fournies par l’IA.

Exemples de prompts possibles dans un écosystème

technique adapté

« Génère un contrat de location résidentielle standard respectant les lois

en vigueur dans [SPÉCIFIER PAYS/RÉGION], en prenant en compte
les éléments clés tels que la durée du bail, le montant du loyer, les
dépôts de garantie, les conditions de résiliation et les obligations du
locataire et du propriétaire. »
« Examine ce contrat et identifie toutes les clauses de résiliation qui y
sont incluses. Pour chaque clause, précise les conditions sous lesquelles
le contrat peut être résilié et les conséquences potentielles de cette
résiliation pour les deux parties. Contrat : [TEXTE DU CONTRAT]. »
« Basé sur l’analyse de cas juridiques similaires précédents, prédis le
résultat possible de ce litige [DÉTAIL]. Inclus les détails clés qui ont
conduit à ces prédictions, y compris les points de loi pertinents et les
décisions passées de tribunaux similaires. »
« Sur la base de l’analyse de l’IA des précédents juridiques, du coût
potentiel, de la durée du litige et de la probabilité de succès, donne des
 informations pour aider à décider si nous devrions poursuivre ce litige
spécifique. Inclure une analyse des risques et des bénéfices potentiels. »

L’AVOCAT, CHATGPT ET LA PRÉPARATION

D’UN PROCÈS
L’affaire Schwartz contre Avianca souligne l’importance de vérifier les sources
juridiques, même lorsqu’elles sont générées par l’IA générative. L’avocat américain
Schwartz a cité des cas fictifs produits par ChatGPT dans son mémoire juridique, et
il a été confondu par le juge chargé de l’affaire. Cet incident met en lumière la
nécessité de contrôle et de vérification des informations fournies par l’IA, qui,
malgré sa complexité, peut produire des données trompeuses car vraisemblables.
C’est particulièrement important dans le domaine juridique où la précision est
primordiale et les conséquences d’erreurs peuvent être sévères 7.
Malgré ces mauvaises publicités, après les cadres administratifs, les professions
juridiques sont les plus exposées à l’automatisation par l’IA générative ; 44 % de
leurs tâches pourraient être accomplies par un robot, selon Goldman Sachs. Des
solutions expertes, telles qu’Harvey (en référence au célèbre avocat Harvey Specter
de la série Suits) se déploient déjà sur ce cas d’usage spécifique.

FICHE 29
L’IA générative pour la finance
d’entreprise et la comptabilité

Objectifs poursuivis

Générer des rapports financiers précis et à jour.

Analyser les performances financières et les tendances à partir des
données financières historiques.
Prévoir les flux de trésorerie futurs et d’autres indicateurs financiers.
Aider à la prise de décisions financières en fournissant des informations
et des prévisions basées sur l’IA.

Outils d’IA générative à sélectionner

Solution d’IA générative déployée sur les données et bases de

connaissances financières et comptables internes de l’entreprise (cf.
encadré : « Choisir son système de management des données, des
informations et des connaissances »).
Outils d’analyse de données pour l’interprétation des performances
financières et l’identification des tendances.
Outils de prévision basés sur l’IA pour la prédiction des flux de
trésorerie futurs et d’autres indicateurs financiers.
Systèmes de prise de décision basés sur l’IA pour faciliter les choix
financiers.

Conseils pour le lecteur

Comme pour toute utilisation de l’IA, il est crucial de respecter les lois
et réglementations en vigueur, notamment celles relatives à la
confidentialité des données financières.
L’IA devrait être utilisée en complément de l’expertise humaine en
matière de finance et de comptabilité, et non en remplacement. Les
prévisions et les informations fournies par l’IA doivent être interprétées
et validées par des experts financiers.
Assurez-vous de disposer de données financières précises et de haute
qualité pour alimenter vos outils d’IA. Les performances de l’IA
dépendent de la qualité des données qu’elle utilise.
Exemples de prompts possibles dans un écosystème
technique adapté

« Génère un rapport financier détaillé pour le troisième trimestre de

l’année en cours, en incluant des informations clés telles que les
revenus, les coûts, le résultat net, les flux de trésorerie et toute autre
métrique financière pertinente. »
« Effectue une analyse approfondie des performances financières de
notre entreprise pour l’année précédente. Inclure des comparaisons avec
les objectifs financiers fixés, les tendances clés, les défis et les
opportunités qui se sont présentés, et comment ces facteurs pourraient
influencer nos performances futures. »
« En te basant sur nos revenus et dépenses passés et prévus, génère une
prévision des flux de trésorerie pour les six prochains mois. Inclure des
estimations des entrées et sorties de trésorerie et des hypothèses clés sur
lesquelles ces prévisions sont basées. »
« Sur la base de l’analyse de l’IA des données financières disponibles,
des tendances du marché, des risques et des opportunités, fournir des
informations pour aider à décider si nous devrions investir dans ce
nouveau projet. Inclure une analyse des coûts, des bénéfices attendus,
du retour sur investissement et des risques associés à ce projet.
Présentation projet : [PRÉSENTATION PROJET]. »
FICHE 30
L’IA générative pour la gestion
de la relation client

Objectifs poursuivis

Améliorer le service client en fournissant des réponses immédiates et

personnalisées aux demandes complexes des clients.
Accélérer la résolution des problèmes en accédant instantanément aux
données pertinentes du client.
Développer les ventes et la fidélisation grâce à des interactions
personnalisées.
Améliorer la mise à jour, le suivi et l’exploitation des données au sein
des logiciels de la gestion de la relation client (ou CRM).

Outils d’IA générative à sélectionner

Les chatbots de service client basés sur des modèles de langage pour
des interactions immédiates et personnalisées.
Les outils d’analyse de texte pour résumer les conversations et fournir
des insights personnalisés à l’agent.
Les outils d’assistance en temps réel pour aider les agents pendant les
appels téléphoniques.

Conseils pour le lecteur

Utilisez l’IA générative pour complémenter, et non remplacer, les

interactions humaines dans la gestion de la relation client.
Assurez-vous que les chatbots et autres outils d’IA maintiennent une
voix de marque cohérente.
Gardez à l’esprit les réglementations sur la confidentialité des données
lors de l’utilisation de l’IA pour accéder aux données des clients et les
utiliser.

Exemples de prompts possibles dans un écosystème

technique adapté

« Réponds de manière courte et synthétique à cette demande formulée

par un client via notre chat : [COPIE DE LA DEMANDE]. Voici
l’historique de la conversation avec ce client : [HISTORIQUE DE
CONVERSATION]. »
« Génère un résumé de cette conversation entre l’agent et le client. »
« Fournis une assistance en temps réel à l’agent pendant cet appel
téléphonique avec le client. »

CAS D’UTILISATION DE L’IA GÉNÉRATIVE

DANS LA GESTION DE LA RELATION
CLIENT CHEZ CARREFOUR
La chaîne de supermarchés Carrefour a été la première à annoncer des cas d’usage
des technologies d’OpenAI dans la grande distribution. Les équipes innovation de la
société française ont notamment identifié trois axes de déploiement de l’IA
conversationnelle et générative. Le premier à travers un chatbot proposant des
conseils aux utilisateurs du site e-commerce durant leurs courses. Le deuxième pour
automatiser et enrichir les fiches produits permettant de décrire les produits auprès
des clients, mais également pour fournir plus d’information. Le troisième pour
accompagner les procédures d’achat, de la rédaction d’appels d’offres à l’analyse de
devis 8.
 LES AGENTS ET LES INTERFACES
CONVERSATIONNELLES
À L’ÈRE DE L’IA GÉNÉRATIVE
Les chatbots n’ont pas attendu l’ère de l’IA générative pour se déployer dans nos
quotidiens. Cependant leurs capacités encore réduites, notamment relationnelles 9
et en matière de compréhension du langage naturel, ont limité leurs performances
et freiné leur adoption. L’ère de l’IA générative sera cependant celle des agents
(chatbots) et des interfaces conversationnelles.
Les technologies permettent dès à présent de transformer l’interaction avec les
clients grâce à des réponses plus naturelles et contextuelles, améliorant les
capacités relationnelles des assistants virtuels (à travers la compréhension du
langage naturel, le suivi du contexte d’une conversation, mais également à travers la
reconnaissance et la synthèse vocales) et transformant nombre de fonctions
support et d’assistance, par l’automatisation des réponses aux questions
fréquemment posées, dans tous les secteurs, de l’assurance 10 à l’univers marchand
où s’accélère le déploiement du commerce conversationnel.

FICHE 31
L’IA générative pour la veille

Objectifs poursuivis

Surveiller en temps réel l’ensemble du paysage concurrentiel.

Extraire des informations pertinentes à partir de grandes quantités de
données.
Analyser et résumer les tendances et les évolutions du marché.
Prédire les changements futurs sur le marché sur la base des tendances
actuelles.
Outils d’IA générative à sélectionner

Modèles de langage comme pour résumer les informations et générer

des rapports.
Système de web scraping et de remontée automatique d’informations.
Modèles d’analyse prédictive pour prédire les tendances du marché.

Conseils pour le lecteur

Précisez quels types d’informations sont les plus importants pour votre
veille. Est-ce des informations sur les concurrents, le marché,
l’industrie, ou une combinaison de ces éléments ?
Ne vous limitez pas à une seule source d’information. Utilisez l’IA pour
scruter un large éventail de sources, comme les actualités, les médias
sociaux, les forums de discussion, etc.
N’oubliez pas de calibrer et d’ajuster régulièrement vos modèles d’IA
pour qu’ils restent précis et pertinents. Les conditions du marché
changent constamment, et ce qui était pertinent hier pourrait ne plus
l’être aujourd’hui. Donc, restez flexible et prêt à ajuster votre approche
de la veille au besoin.

Exemples de prompts possibles dans un écosystème

technique adapté

« Résumer les dernières nouvelles concernant notre industrie. »

« Extraire les points clés de ce rapport de recherche de marché. »
« Prédire les tendances du marché pour le prochain trimestre, en se
basant sur les données actuelles. »
 NOTA BENE
La clé pour devenir un as de la veille est d’exploiter l’IA générative pour travailler à
votre avantage. En utilisant des outils tels que les modèles de langage, vous pouvez
automatiser la surveillance de l’ensemble du paysage concurrentiel et extraire des
informations pertinentes à partir de grandes quantités de données. Vous pouvez
même utiliser l’IA pour analyser et résumer les tendances et les évolutions du
marché, ce qui vous permet de rester à jour sans passer des heures à lire des
rapports et des articles.

FICHE 32
L’IA générative pour l’analyse prédictive

Objectifs poursuivis

Prédire les comportements des clients, comme les taux de

désabonnement ou les achats futurs.
Prévoir les tendances du marché, comme la demande de produits ou
services.
Anticiper les fluctuations de prix ou les changements dans l’industrie.
Améliorer les prises de décisions stratégiques par des prédictions
précises.

Outils d’IA générative à sélectionner

Modèles d’apprentissage automatique pour l’analyse prédictive.

Modèles de langage génératif pour résumer et expliquer les résultats des
analyses prédictives.
Conseils pour le lecteur

Assurez-vous de disposer de suffisamment de données historiques pour

entraîner votre modèle. Plus vous avez de données, plus vos prédictions
seront précises.
Effectuez régulièrement une validation croisée pour évaluer l’exactitude
de votre modèle.
Utilisez des modèles de langage génératif pour traduire les résultats de
l’analyse prédictive en insights compréhensibles.

Exemples de prompts possibles dans un écosystème

technique adapté

« En utilisant notre modèle de rétention des clients, estime la probabilité

que ce client spécifique annule son abonnement au cours des six
prochains mois. Inclus une analyse des principaux facteurs qui ont
contribué à cette probabilité. »
« À l’aide de notre modèle de prévision de la demande, estime le
volume de ventes que nous pouvons attendre pour notre nouveau
produit au cours des 12 prochains mois. Fournis une répartition
mensuelle et identifie tout pic ou baisse saisonnière attendu. »
« Décompose et explique les facteurs les plus significatifs qui ont un
impact sur les fluctuations des prix dans notre secteur. Utilise des
données de marché, des informations sur l’offre et la demande, ainsi que
d’autres variables macroéconomiques pertinentes pour éclairer cette
analyse. »
 NOTA BENE
La clé pour mettre en corrélation des éléments non reliés et pour créer des scénarios
différenciants est d’exploiter pleinement la puissance de l’IA générative dans
l’analyse prédictive. À la condition de posséder suffisamment de données de qualité,
vous pouvez utiliser des techniques d’apprentissage automatique pour entraîner des
modèles prédictifs. Ces modèles peuvent vous aider à anticiper une variété de
scénarios, des comportements des clients aux fluctuations du marché.

Mais le simple fait de faire des prédictions ne suffit pas. Vous devez être en mesure
de comprendre et d’interpréter ces prédictions. C’est là que les modèles de langage
génératif entrent en jeu. Ils peuvent vous aider à traduire les résultats de l’analyse
prédictive en insights compréhensibles, ce qui peut faciliter la prise de décisions
stratégiques.

FICHE 33
L’IA générative pour la création
de scénarios et de simulations

Objectifs poursuivis

Exploration des scénarios possibles pour prendre des décisions

éclairées.
Simulation des réactions possibles des clients ou des marchés à des
stratégies spécifiques.
Préparation à différentes situations de crise.
Optimisation des performances en testant différentes stratégies dans un
environnement contrôlé.
Outils d’IA générative à sélectionner

Modèles d’apprentissage profond pour générer des scénarios basés sur

les données d’entrée.
Modèles de langage génératif pour créer des descriptions narratives des
scénarios.
Solution d’IA générative déployée sur les données et bases de
connaissances internes de l’entreprise (cf. encadré : « Choisir son
système de management des données, des informations et des
connaissances »).

Conseils pour le lecteur

Assurez-vous d’avoir une compréhension claire des objectifs de votre

simulation avant de commencer.
Utilisez des données précises et pertinentes pour former vos modèles.
Utilisez les scénarios générés comme guides pour la prise de décision,
mais ne vous fiez pas entièrement à eux. Ils représentent une possibilité
parmi beaucoup.

Exemples de prompts possibles dans un écosystème

technique adapté

« Élabore un scénario de simulation détaillé représentant l’impact d’une

baisse de 20 % de nos ventes sur notre performance financière globale,
la capacité de production et le niveau de service à la clientèle. Assure-
toi d’inclure les mesures d’atténuation possibles que nous pourrions
mettre en œuvre. »
« Simule un scénario de crise détaillé où notre site web principal serait
inaccessible pendant 24 heures. Cela devrait inclure les effets potentiels
sur nos ventes, nos relations clients et notre réputation, ainsi que le plan
d’action que nous pourrions suivre pour minimiser les dégâts. »
« Décris, avec un scénario détaillé, l’impact le plus probable d’une
augmentation de 10 % du prix de nos produits sur nos ventes, notre part
de marché et nos relations avec les clients. Assure-toi d’incorporer des
analyses de sensibilité pour représenter différentes réactions possibles
du marché. »

UTILISER L’IA GÉNÉRATIVE POUR

« VOYAGER DANS LE FUTUR »
Imaginez un instant que vous puissiez voyager dans le futur, voir les conséquences
de vos décisions, puis revenir en arrière et ajuster vos plans en conséquence. C’est
exactement ce que l’IA générative peut faire pour vous avec la création de scénarios
et de simulations !
Voici une astuce originale : transformez vos réunions stratégiques en « séances de
voyage dans le temps ». À l’aide de modèles d’apprentissage profond, générez des
scénarios basés sur différentes décisions d’entreprise que vous envisagez. Utilisez
ensuite des modèles de langage génératif pour créer des descriptions narratives de
ces scénarios, comme si vous lisiez un livre de science-fiction sur le futur de votre
entreprise.
Par exemple, si vous envisagez d’augmenter les prix de vos produits de 10 %,
demandez à votre IA de générer un scénario pour cette situation : « Décrire le
scénario le plus probable si nous augmentons les prix de nos produits de 10 %. »
Vous obtiendrez un récit détaillé de ce qui pourrait se passer, basé sur les données
historiques et actuelles.
Ces « voyages dans le futur » peuvent vous aider à anticiper les réactions des clients,
à vous préparer à diverses situations de crise, et à optimiser vos performances en
testant différentes stratégies dans un environnement contrôlé. Mais rappelez-vous,
aussi tentant que cela puisse être, ne basez pas toutes vos décisions sur ces
scénarios. Ils sont là pour informer et éclairer, pas pour prédire l’avenir avec une
certitude absolue.
FICHE 34
L’IA générative pour la création
de personas,
personnages et histoires utilisateurs

Objectifs poursuivis

Création de personas personnalisés pour mieux comprendre les besoins

des utilisateurs.
Développement d’histoires utilisateurs pour guider le développement de
produits.
Production de scénarios variés pour comprendre les différentes
expériences des utilisateurs.
Élaboration de personnages pour la narration, le marketing et la
publicité.

Outils d’IA générative à sélectionner

Modèles de langage génératif pour créer des descriptions détaillées de

personas et d’histoires utilisateurs.
Modèles d’apprentissage profond pour analyser les données des
utilisateurs et créer des personas.

Conseils pour le lecteur

Commencez par une compréhension claire des besoins de vos

utilisateurs.
Utilisez des données précises et pertinentes pour former vos modèles.
Expérimentez avec différents paramètres pour obtenir des résultats
variés.
Utilisez les personas et les histoires générées comme outils d’empathie
pour comprendre vos utilisateurs, mais n’oubliez pas que les personas
ne sont pas des individus réels.

Exemples de prompts possibles dans un écosystème

technique adapté

« Créer un persona pour un utilisateur typique de notre nouvelle

application mobile. »
« Développer une histoire utilisateur pour un client qui achète notre
produit pour la première fois. »
« Générer un personnage pour notre nouvelle campagne publicitaire. »
 LE PERSONA CRÉÉ GRÂCE À UN PROMPT
PAR CHATGPT :
EMMA, L’ÉTUDIANTE ENGAGÉE
Emma a 21 ans et est étudiante en sciences environnementales dans une université
européenne. Elle est passionnée par la protection de l’environnement et fait du
bénévolat pour diverses organisations écologiques. Emma est technophile et aime
essayer de nouvelles applications et technologies qui peuvent l’aider à organiser sa
vie, à se connecter avec d’autres personnes partageant les mêmes idées et à soutenir
les causes qui lui tiennent à cœur.
Besoin : Emma cherche un moyen facile et pratique de minimiser son empreinte
carbone et de promouvoir des pratiques durables dans sa communauté.
Comportement : Emma utilise activement son smartphone et les réseaux sociaux
pour se tenir informée des dernières nouvelles environnementales et pour partager
des informations avec son réseau. Elle est ouverte à l’essai de nouvelles applications,
mais elle est exigeante et ne continuera à utiliser une application que si elle trouve
qu’elle apporte une réelle valeur ajoutée à sa vie.
Objectifs : Emma souhaite réduire son empreinte carbone, rester informée des
dernières avancées en matière de durabilité et partager des informations précieuses
avec son réseau. Elle veut faire une différence dans le monde et cherche des moyens
concrets de mettre en œuvre ses idéaux environnementaux dans sa vie quotidienne.
Scénario : Emma découvre notre nouvelle application mobile axée sur la durabilité
via un post sur les réseaux sociaux. Intriguée, elle la télécharge pour voir si elle peut
l’aider à atteindre ses objectifs de durabilité. Elle apprécie la facilité d’utilisation de
l’application, les informations pertinentes qu’elle fournit et les recommandations
personnalisées pour réduire son empreinte carbone. Emma utilise l’application pour
suivre ses progrès et partager ses succès avec son réseau sur les réseaux sociaux,
encourageant d’autres personnes à télécharger l’application et à adopter des
comportements plus durables.
FICHE 35
L’IA générative pour l’organisation
d’événements

Objectifs poursuivis

Automatisation de la création de jeux de société et d’escape games pour

divertir les participants.
Création d’un environnement textuel, d’un décor physique ou encore
d’une playlist adaptée à l’ambiance et au thème de l’événement.
Amélioration de l’expérience générale de l’événement en répondant à
des besoins spécifiques et en offrant une personnalisation avancée.

Outils d’IA générative à sélectionner

Modèles d’IA générative pour créer des scénarios de jeux, des visuels,
des listes de musiques voire des ambiances sonores sur mesure.
Agents d’IA autonome comme AutoGPT ou BabyAGI pour automatiser
les processus et atteindre les objectifs fixés.

Conseils pour le lecteur

Définissez clairement vos objectifs et vos attentes avant de programmer

votre agent d’IA.
Fournissez à votre IA un maximum d’informations pertinentes pour
obtenir des résultats plus précis.
Gardez à l’esprit que l’IA est un outil d’assistance et ne remplacera pas
l’expertise et le jugement humains dans la prise de décisions clés.
Exemples de prompts possibles dans un écosystème
technique adapté

« AutoGPT, crée un scénario d’escape game basé sur le thème de la

nature. »
« Génère une playlist pour notre événement sur le thème des
années 80. »
« Développe un jeu de société interactif pour notre événement de team
building. »

AUTOGPT OU BABYAGI, LE RÊVE DE L’IA

AUTONOME
AutoGPT ou BabyAGI sont des prototypes d’IA autonomes qui, une fois qu’un
objectif global initial leur est donné en langage naturel, tentent de l’atteindre en
décomposant cet objectif en sous-tâches et en utilisant l’API de ChatGPT et
potentiellement d’autres connecteurs à d’autres outils dans une boucle automatique
pour traiter successivement chaque tâche et atteindre l’objectif global initial.
Contrairement à des systèmes interactifs tels que ChatGPT, qui nécessitent des
commandes manuelles pour chaque tâche, AutoGPT se fixe une succession
d’objectifs intermédiaires pour atteindre un but plus grand, sans un besoin impératif
d’entrée humaine. Ainsi, à partir de la formulation de l’objectif global à atteindre, l’IA
autonome la décompose en une liste d’instructions. Elle exécute chaque tâche à
partir de ses connexions API, intègre et stocke le résultat, crée ou redéfinit en
conséquence la liste des instructions à réaliser en fonction de l’objectif global et des
résultats aux instructions précédentes, puis reproduit le processus sur la tâche
suivante dans la liste d’instructions qu’elle s’est donnée.
 SECTION 3

Augmenter l’entreprise en automatisant

les processus

L’ère de l’automatisation transforme de manière significative la façon

dont les entreprises fonctionnent. En combinant l’IA conversationnelle et
générative et les interfaces de programmation d’applications (API,
Application Programming Interface), des plugins directement accessibles
dans les solutions 1 ou des outils d’automatisation sans code (No Code)
comme Make ou Zapier 2, ou de gestion de contenus comme Notion, les
entreprises peuvent optimiser facilement et sans d’importantes
connaissances technologiques, leurs opérations, augmenter leur efficacité et
libérer du temps pour se concentrer sur des tâches à plus haute valeur
ajoutée.
Le fait de lier ces services permet de créer des workflows automatisés
personnalisés, capables de gérer un large éventail de tâches allant de la
gestion des données à la communication client.
L’automatisation, particulièrement lorsqu’elle est combinée avec l’IA
générative, est au cœur de la révolution du management des connaissances.
En fournissant à chaque collaborateur un assistant numérique capable
d’accéder à des informations pertinentes, tant externes qu’internes, les
entreprises peuvent favoriser la collaboration et l’efficacité et augmenter
chaque salarié par l’IA. Que ce soit pour extraire des données pertinentes à
partir de grands volumes de texte, fournir un support technique approfondi
grâce à des bots d’IA entraînés sur des connaissances propriétaires, ou
faciliter les activités de décision et de collaboration, l’IA générative a un
potentiel considérable pour transformer le travail de la connaissance.
FICHE 36
L’IA générative pour la création
de designs et de prototypes

Objectifs poursuivis

Accélérer le processus de création de design et de prototypage.

Expérimenter rapidement différentes variantes de design.
Produire des prototypes hautement détaillés avec moins de travail
manuel.
Inspirer la créativité en générant des designs uniques basés sur des
paramètres prédéfinis.
Designer des interfaces web ou mobiles uniquement à partir de
3
commandes écrites .

Outils d’IA générative à sélectionner

Outils de génération d’images : ces outils peuvent être utilisés pour

créer des designs visuels pour des produits, des affiches, des logos, etc.
Outils de modélisation 3D : pour les prototypes, des outils de
modélisation 3D basés sur l’IA peuvent être utilisés pour créer
rapidement des modèles détaillés.
Automatisations à développer : il serait bénéfique de mettre en place
des automatisations qui prennent en compte les retours des utilisateurs
et réajustent les designs en conséquence. Un système de boucle de
feedback pourrait être utilisé pour améliorer continuellement les designs
et les prototypes générés.
Conseils pour le lecteur

Commencez petit : il est préférable de commencer par des designs et

des prototypes simples avant de passer à des projets plus complexes.
Testez différents paramètres : ne vous contentez pas du premier design
ou prototype généré. Essayez différents paramètres et explorez les
possibilités offertes par l’IA.
Ne négligez pas le feedback humain : même si l’IA peut générer des
designs et des prototypes, le feedback humain reste crucial pour
s’assurer que le résultat final est utile et répond aux besoins des
utilisateurs.

Exemples de cas d’usage

Créer un design de logo pour une entreprise de technologie qui valorise

l’innovation et la durabilité.
Générer un modèle 3D pour un nouveau prototype de téléphone mobile
avec un écran pliable.
Utiliser le feedback des utilisateurs pour ajuster le design du logo
généré en augmentant l’intensité de la couleur bleue.
PAROLE D’EXPERT
Élodie Lorthios, designer Ux/Ui, responsable
produit et design de Polaria
Les solutions d’IA génératives sont toujours plus performantes et innovantes dans
les résultats qu’elles proposent, poussant les artistes et designers à se questionner
sur leur futur dans un monde où l’IA peut générer d’extraordinaires créations.
Cependant l’IA ne va pas supplanter les artistes ou designers mais plutôt les
compléter.
À l’époque de la démocratisation de la photographie, beaucoup voyaient en cette
dernière une concurrente de la peinture. Toutefois, la photographie n’a jamais
remplacé la peinture, elle est plutôt devenue un outil supplémentaire pour les
artistes, transformant à son tour l’art pictural. De même, l’informatique a transformé
le design graphique, non en le remplaçant, mais en lui offrant des outils
supplémentaires pour faciliter le travail des graphistes.
Aujourd’hui s’ouvre donc l’ère du design assisté par intelligence artificielle. L’IA
générative est plus qu’un simple outil pour le designer, elle est une assistante, un
partenaire dans toutes les étapes du processus créatif. Dans ce cadre, elle remplit
trois rôles majeurs : aider à la prise de décisions, automatiser les tâches routinières,
et générer des créations sur commande.
L’IA est capable d’assister le designer dans ses décisions, que ce soit pendant un
brainstorming, en recommandant des polices de caractères complémentaires, en
harmonisant une palette de couleurs, ou même en proposant des alternatives au
Lorem Ipsum avant l’insertion du texte officiel d’une plateforme ou d’une
application. Concernant l’automatisation des tâches, l’IA est capable de transcrire
automatiquement un entretien utilisateur ou de détourer rapidement des éléments
dans une photographie, permettant ainsi au designer de se concentrer sur des
tâches plus créatives et à plus forte valeur ajoutée. Enfin, pour la création sur
commande, les IA spécialisées dans la génération d’images peuvent créer des
illustrations rapidement selon les indications précises du designer, lui permettant
d’expérimenter et de se concentrer sur le concept global plutôt que sur les détails.
L’IA générative ne remplacera pas le designer qui sait prendre du recul, développer
un sens critique et aborder dans sa globalité ce qu’il cherche à développer à travers
ses créations.
Refuser d’utiliser l’IA en tant que designer serait préjudiciable, car ce serait se placer
en décalage avec l’évolution du métier qui intègre de plus en plus l’IA dans ses outils
et processus.
FICHE 37
L’IA générative pour la création
d’interfaces utilisateurs

Objectifs poursuivis

Augmenter l’efficacité du processus de création d’interfaces utilisateurs.

Produire des interfaces utilisateurs personnalisées et adaptées aux
préférences des utilisateurs.
Tester rapidement différentes variantes d’interfaces utilisateurs.
Générer des interfaces utilisateurs évolutives en fonction des retours des
utilisateurs.

Outils d’IA générative à sélectionner

Des IA génératives multimodales (ou un ensemble d’IA génératives

combinées associant génération de texte, image, son, vidéo…) pour
générer les différentes dimensions nécessaires au design des interfaces,
des visuels, des images, illustrations et animations utiles.
Outils d’optimisation basés sur l’IA : ces outils peuvent être utilisés
pour améliorer l’efficacité et l’ergonomie des interfaces utilisateurs en
analysant les données d’utilisation et en apportant des ajustements
automatiques.
Automatisations à développer : une automatisation basée sur
l’apprentissage par renforcement peut être utilisée pour adapter les
interfaces utilisateurs en fonction des préférences des utilisateurs et de
leur comportement.
 Conseils pour le lecteur

Tenez compte des préférences des utilisateurs : les interfaces utilisateurs

générées doivent être utiles et attrayantes pour les utilisateurs.
Automatisez des tests A/B pour comparer les performances de
différentes interfaces utilisateurs et déterminer quelle interface est la
plus efficace.
Continuez à apprendre : les technologies d’IA évoluent rapidement. Il
est donc important de continuer à apprendre et à expérimenter avec les
dernières avancées pour tirer le meilleur parti de l’IA générative.

Exemples de cas d’usage

Créer une interface utilisateur pour une application mobile de fitness qui
valorise la simplicité et l’efficacité.
Adapter l’interface utilisateur en fonction du comportement de
l’utilisateur pour améliorer l’engagement et la satisfaction.
Effectuer un test A/B pour comparer deux variantes d’interface
utilisateur et sélectionner la plus performante.

FICHE 38
L’IA générative pour la création de jeux
vidéo et d’expériences immersives,
virtuelles ou augmentées

Objectifs poursuivis

Création de scripts, de dialogues, d’intrigues, de scénarios,

d’environnements de jeu variés et imprévisibles.
Création de stratégies de jeu pour les joueurs ou personnages non
joueurs (PNJ).
Création de contenus interactifs pour les environnements de jeux vidéo,
de réalité virtuelle ou augmentée.
Génération de personnages, d’ennemis et de niveaux uniques et adaptés
au joueur.
Conception de bandes sonores dynamiques et adaptatives.
Personnalisation du contenu de jeu basée sur le comportement et les
préférences du joueur.
Création de modèles 3D pour une utilisation dans des environnements
de jeux vidéo, de réalité virtuelle ou augmentée.
Création d’environnements de réalité virtuelle et augmentée plus
réalistes et immersifs.
Automatisation du processus de création de contenu pour économiser
du temps et des ressources.

Outils d’IA générative à sélectionner

Des IA génératives multimodales (ou un ensemble d’IA génératives

combinées associant génération de texte, image, son, vidéo,
modèles 3D…) pour générer les différentes dimensions nécessaires aux
expériences de jeux vidéo et immersives.
Des modèles d’IA générative personnalisés, affinés voire entraînés sur
vos propres données, pour créer des environnements de jeu dynamiques
et réalistes ou encore générer des dialogues pour les personnages non
joueurs (PNJ) basés sur des scripts existants.
Automatisation basée sur l’apprentissage par renforcement pour adapter
le gameplay en fonction du comportement du joueur.
Conseils pour le lecteur

Concentrez-vous sur l’expérience du joueur : l’utilisation de l’IA ne

devrait pas compromettre l’expérience de jeu globale. Veillez à ce que
l’IA générative enrichisse le jeu plutôt que de le rendre trop compliqué
ou frustrant.
Testez, itérez et ajustez : comme pour tout développement de jeu,
l’itération est essentielle. Testez votre IA dans divers contextes de
jeu, affinez ses comportements et ajustez ses paramètres en fonction des
commentaires des joueurs.
Équilibrez l’aléatoire et le déterministe : un bon jeu a une balance entre
des éléments prévisibles (qui permettent aux joueurs de développer des
compétences) et des éléments aléatoires (qui apportent de la variété et
de l’excitation). Votre IA devrait aider à maintenir cet équilibre.

Exemples de cas d’usage

Créer un environnement de jeu qui change dynamiquement en fonction

du comportement du joueur.
Générer des dialogues pour les PNJ qui sont cohérents avec le thème et
l’histoire du jeu.
Adapter la difficulté du jeu en fonction de la performance du joueur
pour maintenir un niveau de défi approprié.
 L’IA GÉNÉRATIVE, UNE RÉVOLUTION
DANS LE PAYSAGE
DU JEU VIDÉO
L’IA générative promet une révolution dans l’industrie du jeu vidéo. Actuellement
dominé par les grands studios grâce à leur capacité à créer des univers détaillés, ce
marché pourrait être profondément transformé. En automatisant la création
d’univers, l’IA réduira les coûts, offrant aux petits studios l’opportunité de rivaliser
avec les géants. L’innovation et la créativité pourraient ainsi devenir les nouveaux
facteurs de différenciation, plutôt que le budget.

FICHE 39
L’IA générative pour la gestion
des opérations,
de la logistique et de la distribution

Objectifs poursuivis

Améliorer la prise de décisions opérationnelles grâce à des analyses

prédictives concernant les temps de livraison par exemple.
Optimiser les processus opérationnels, de logistique et de distribution à
travers la génération et la simulation de différents scénarios.
Augmenter l’efficacité opérationnelle par l’automatisation de certaines
tâches.
Stimuler l’innovation dans la gestion des opérations par la génération de
nouvelles idées et approches.
Créer des plans de maintenance prédictive permettant d’identifier quand
un équipement aura besoin d’entretien.
Outils d’IA générative à sélectionner

Des modèles de langage pour générer des rapports, des résumés et des
analyses de données.
Des systèmes basés sur l’IA pour la prévision de la demande,
l’optimisation des stocks et la planification des ressources.
Des outils d’IA pour l’automatisation des processus, tels que le
traitement automatique du langage naturel pour le service à la clientèle.

Conseils pour le lecteur

Commencez par des projets pilotes pour évaluer l’impact de l’IA

générative sur vos opérations.
Assurez-vous que vos équipes opérationnelles sont formées à
l’utilisation des outils d’IA et peuvent travailler efficacement avec eux.
Tenez compte de l’impact éthique et réglementaire de l’utilisation de
l’IA dans vos opérations.

Exemples de cas d’usage

Générer un rapport d’analyse des ventes pour le mois dernier.

Prévoir la demande pour le produit X pour le prochain trimestre.
Automatiser le processus de réponse aux questions fréquemment posées
par les clients.
 NOTA BENE
L’utilisation de l’IA générative pour la gestion des opérations offre de nombreux
avantages, mais il est essentiel de prendre certaines précautions. Tout d’abord, bien
que l’IA puisse aider à l’optimisation des processus et à la prise de décisions, elle ne
remplace pas le jugement humain. Les décisions basées sur les analyses de l’IA
doivent toujours être validées par une réflexion humaine approfondie.
Il est également crucial de former vos équipes opérationnelles à l’utilisation de ces
outils d’IA. Une compréhension claire de la manière dont ces outils fonctionnent et
peuvent être utilisés efficacement est essentielle pour tirer pleinement parti de leurs
avantages. Bien que l’automatisation puisse augmenter l’efficacité, elle ne doit pas
conduire à une dégradation de la qualité du service client. Assurez-vous que les
interactions automatisées sont toujours respectueuses, utiles et centrées sur le
client.

FICHE 40
L’IA générative pour l’amélioration
de l’apprentissage et de la formation
continue

Objectifs poursuivis

Personnalisation des parcours d’apprentissage en fonction des besoins

individuels et des performances des apprenants.
Amélioration de l’engagement des apprenants par la génération de
contenus interactifs et attrayants.
Mise à jour et amélioration continue des ressources d’apprentissage.
Aide à la révision et à la consolidation des connaissances par la création
de quiz et d’exercices adaptés.
Évaluation objective et précise des performances des apprenants.
Outils d’IA générative à sélectionner

Des IA génératives multimodales (ou un ensemble d’IA génératives

combinées associant génération de texte, image, son, vidéo,
modèles 3D…) pour générer les différentes dimensions nécessaires aux
expériences de formation, créer des contenus de cours, des questions
pour des quiz ou des résumés de leçons.
Apprentissage par renforcement pour personnaliser les parcours
d’apprentissage, en s’adaptant au rythme et au niveau de chaque
apprenant.

Conseils pour le lecteur

Focus sur l’apprenant : l’objectif principal de l’utilisation de l’IA en

éducation est d’améliorer l’expérience d’apprentissage de l’étudiant.
Veillez à ce que l’IA soutienne les objectifs d’apprentissage et n’ajoute
pas de complexité inutile.
Sécurité et confidentialité : les données de l’apprenant sont sensibles.
Assurez-vous que les informations personnelles sont protégées et que
l’utilisation de l’IA est transparente pour l’utilisateur.
Évaluation continue : les performances de l’IA devraient être évaluées
et ajustées régulièrement pour garantir l’efficacité de l’apprentissage.

Exemples de cas d’usage

Créer un parcours d’apprentissage personnalisé en fonction du niveau et

des objectifs de l’apprenant.
Générer un quiz basé sur le contenu de la leçon précédente pour aider à
la révision.
Analyser les performances de l’apprenant pour fournir des retours
constructifs et précis.
PAROLE D’EXPERT
Émilien Nizon, enseignant et expert en recherche
utilisateur, cofondateur de la branche
technologique de Polaria
Le monde de l’entreprise fait face à une mutation sans précédent, causée en partie
par l’exploitation de l’IA. La formation continue devient encore plus nécessaire, et les
méthodes d’enseignement, leurs contenus, doivent par conséquent s’adapter à ces
changements, voire les anticiper : une formation dispensée aujourd’hui permet
d’accompagner les comportements de demain en entreprise.
Nous avons encore peu de recul sur les méthodes efficaces ayant recours à l’IA
générative, mais quelques tendances semblent se dessiner nettement.
Personnalisation du contenu pédagogique en fonction du profil de l’apprenant :
supposons qu’une entreprise propose une formation continue en gestion de projet à
ses employés. L’IA générative peut analyser les données propres à chaque salarié
(expérience passée, domaines de compétences, lacunes, préférences d’apprentissage
et objectifs) et simuler une situation professionnelle réaliste accompagnée d’une
problématique personnalisée. Le salarié doit alors résoudre le cas de gestion de
projet proposé, et par la suite une nouvelle simulation lui sera soumise, en se basant
sur les points forts et faibles de l’apprenant. À chaque étape de ce processus
d’apprentissage itératif, un contenu adapté est poussé. L’apprenant peut donc se
concentrer sur les compétences et connaissances qui sont les plus pertinentes pour
son développement professionnel.
Utilisation d’environnements simulés à travers de nouvelles technologies : demain,
l’IA générative pourra être couplée à la réalité augmentée ou virtuelle pour créer des
situations visuellement différentes, toujours adaptées à l’apprenant. On peut
imaginer qu’un chirurgien pourra alors entrer en immersion dans un bloc opératoire
afin de tester de nouvelles approches, perfectionner ses compétences, avant de les
appliquer en pratique réelle.
Assistant virtuel : il peut fournir instantanément des réponses en se basant sur les
supports présentés ou bien plus globalement sur Internet. Le prompt jouera là un
rôle essentiel car il permettra d’orienter l’IA vers l’un ou l’autre en fonction des
objectifs du formateur. C’est d’ailleurs en collaboration avec Les Petits Bots qu’il y a
six ans je lançais Ed, un assistant virtuel basé uniquement sur mes supports de cours,
déjà utilisé par plus de 5 000 de mes apprenants. Après avoir réalisé une étude
auprès de 700 d’entre eux, il est apparu que 99 % étaient satisfaits de l’outil, et 90 %
ont trouvé qu’il « améliorait leur expérience d’apprentissage » 4.
La révolution de l’IA (et plus spécifiquement l’IA générative) siffle pour beaucoup
d’entreprises le départ d’une course effrénée à l’avantage compétitif. Pour exploiter
 au mieux cette technologie et ainsi être toujours plus concurrentielles, ces
organisations doivent être capables de maintenir leurs ressources humaines à la
pointe des compétences.
C’est dans ce contexte que la formation continue se doit d’être la plus adaptée et
efficace possible : la personnalisation des parcours semble être la solution dont la clé
est ironiquement, là encore, le recours à l’IA générative.

FICHE 41
L’IA générative pour la création
de modèles 3D (impression 3D) – Text-to-
3D

Objectifs poursuivis

Accélérer le processus de conception de modèles 3D.

Générer automatiquement des variations de modèles existants.
Optimiser la conception de modèles pour des critères spécifiques (par
exemple, minimisation du poids, maximisation de la résistance, etc.).
Détecter et corriger les défauts de conception avant l’impression.

Outils d’IA générative à sélectionner

Des IA génératives de modèles 3D 5.

Des modèles d’IA générative personnalisés, affinés voire entraînés sur
vos propres données, pour générer de nouvelles variantes de modèles à
partir d’un ensemble d’exemples ou optimiser la conception des
modèles en fonction de critères spécifiques, compresser des modèles 3D
et détecter des défauts.
 Conseils pour le lecteur

Assurez-vous d’avoir une base de données de modèles de haute qualité

pour l’entraînement. L’IA générative est aussi bonne que les données
dont elle dispose.
Définissez clairement les objectifs de la conception et les contraintes
pour guider le processus d’apprentissage de l’IA.
L’exploitation conjointe de plusieurs outils d’IA peut enrichir la qualité
et la diversité des résultats obtenus.

Exemples de cas d’usage

Création de nouvelles variantes d’un modèle 3D en modifiant la forme

et la taille.
Optimisation du modèle pour minimiser le poids tout en maintenant les
caractéristiques adéquates.
Détection des défauts potentiels dans un modèle d’impression 3D qui
pourraient poser problème lors de l’impression.

FICHE 42
L’IA générative pour l’exploration
de données de géolocalisation
et géospatiales

Objectifs poursuivis

Générer les parcours les plus efficaces pour la livraison de

marchandises ou le transport en général.
Que ce soit pour l’optimisation de l’espace de travail ou pour la
conception d’intérieurs, l’IA générative peut aider à créer des espaces
confortables et efficaces.
Générer des plans de ville optimisés en fonction de divers facteurs tels
que le trafic, la population, les services publics, etc.
Générer des solutions d’optimisation du flux de trafic dans les villes.

Outils d’IA générative à sélectionner

Une solution d’IA générative déployée sur les données et bases de

connaissances internes de l’entreprise et notamment le système
d’information géographique (SIG) (cf. encadré : « Choisir son système
de management des données, des informations et des connaissances »).
Des IA génératives multimodales (ou un ensemble d’IA génératives
combinées associant génération de texte, image, son, vidéo,
modèles 3D…) pour générer les différentes dimensions du contenu de
géolocalisation et géospatial souhaités.

Conseils pour le lecteur

Les données de géolocalisation et géospatiales peuvent être complexes.

Il est donc essentiel de bien comprendre ces données avant de les
utiliser.
Le choix de l’outil d’IA générative dépend de la tâche à accomplir, les
mêmes systèmes ne seront pas utilisés pour générer les plans d’une ville
ou pour optimiser la planification d’itinéraires.
Lors de l’utilisation de l’IA générative pour l’aménagement d’espaces
ou la planification de villes, il est important de prendre en compte
l’impact humain. Par exemple, un plan de ville optimisé doit également
être agréable à vivre pour ses habitants.
 Exemples de cas d’usage

Générer un itinéraire optimisé pour la livraison de colis à partir de ses

points de départ et d’arrivée.
Créer un plan d’aménagement pour un espace de travail en tenant
compte de l’éclairage naturel et des zones de passage.
Proposer un plan de ville optimisé en tenant compte du trafic, de la
population et de l’emplacement des services publics.
Suggérer des solutions pour améliorer le flux de trafic dans une zone
urbaine en heure de pointe.

FICHE 43
L’IA générative pour la création
de contenus publicitaires enrichis

Objectifs poursuivis

Développer des publicités plus attrayantes et personnalisées pour

améliorer l’engagement.
Augmenter l’efficacité de la création de contenu publicitaire en
réduisant le temps et les ressources nécessaires.
Tester rapidement différentes variantes de contenu publicitaire pour
identifier ce qui fonctionne le mieux.
Proposer une expérience unique aux utilisateurs en intégrant des
éléments interactifs et personnalisés.
Outils d’IA générative à sélectionner

Modèles de langage et IA génératives de texte pour la génération de

textes publicitaires, y compris les titres, les slogans et les descriptions
de produits.
Des IA génératives multimodales (ou un ensemble d’IA génératives
combinées associant génération de texte, image, son, vidéo,
modèles 3D…) pour générer les différentes dimensions du contenu
publicitaire enrichi souhaité.
Outils d’automatisation du marketing pour tester différentes variantes
de contenu et identifier les plus performantes.
Automatisation basée sur l’apprentissage par renforcement pour adapter
le contenu personnalisé en fonction du comportement du client ou de
l’utilisateur.

Conseils pour le lecteur

Utilisez l’IA pour personnaliser le contenu publicitaire en fonction des

préférences individuelles des utilisateurs.
Utilisez des outils d’automatisation pour tester différentes variantes de
contenu et identifier les plus performantes.
Surveillez constamment l’efficacité de votre contenu et ajustez-le en
fonction des commentaires des utilisateurs et des performances de la
campagne.

Exemples de cas d’usage

Créer une gamme de slogans accrocheurs pour notre nouvelle gamme

d’éco-électroménagers, en incorporant des mots-clés comme
« innovation », « qualité supérieure » et « durabilité exceptionnelle ».
Ces slogans devraient mettre en évidence la technologie de pointe de
nos produits, leur construction de haute qualité et leur respect de
l’environnement.
Générer une image publicitaire captivante pour notre dernier
smartphone haut de gamme qui met en lumière son design élégant, son
interface utilisateur intuitive et ses fonctionnalités de pointe telles que la
reconnaissance faciale et la charge sans fil. L’image doit à la fois attirer
l’attention et communiquer la qualité supérieure du produit.
Tester différentes versions de cette copie publicitaire pour notre service
d’abonnement de livres audio. Utiliser des indicateurs tels que le taux
de clics, le taux de conversion et le temps passé sur la page pour
déterminer quelle variante génère le plus d’engagement et d’intérêt chez
les utilisateurs.
 NOTA BENE
Pour tirer le meilleur parti de l’IA générative dans la création de contenu publicitaire
enrichi, envisagez une approche intégrée qui combine la personnalisation,
l’automatisation et la surveillance continue.
Commencez par utiliser des outils d’IA génératives de textes pour créer du contenu
textuel personnalisé, y compris des titres, des slogans et des descriptions de
produits. Pensez à inclure des mots-clés pertinents qui sont susceptibles de résonner
avec votre public cible.
Utilisez ensuite des IA génératives d’images, de visuels, de vidéos ou d’animations
pour créer des visuels publicitaires attrayants, y compris des images et des
animations. Ces éléments peuvent ajouter une couche d’engagement visuel à votre
contenu et le rendre plus mémorable pour les utilisateurs.
Intégrez des outils d’automatisation du marketing dans votre processus pour tester
rapidement différentes variantes de contenu publicitaire. Cela vous permet de
repérer rapidement ce qui fonctionne le mieux et d’optimiser en conséquence.
Enfin, assurez-vous de surveiller constamment l’efficacité de votre contenu. Utilisez
les commentaires des utilisateurs et les données de performance de la campagne
pour ajuster votre contenu et l’améliorer au fil du temps.
En combinant ces stratégies, vous pouvez créer des campagnes publicitaires plus
attrayantes et efficaces tout en réduisant le temps et les ressources nécessaires à
leur création.

FICHE 44
L’IA générative pour la simulation
d’événements aléatoires

Objectifs poursuivis

Simulation de scénarios variés pour tester et affiner les stratégies.

Prédire les résultats possibles en fonction de divers facteurs aléatoires.
Fournir une plateforme pour l’entraînement et l’apprentissage à travers
la simulation d’événements aléatoires.

Outils d’IA générative à sélectionner

Une IA générative associée à une base de données vectorielle pour créer

des simulations basées sur des données réelles.
Un modèle d’apprentissage profond bayésien (Bayesian deep learning)
permettant de fournir différentes prédictions en y associant des niveaux
d’incertitude.
Reinforcement learning (RL) pour permettre aux systèmes d’apprendre
et de s’adapter à travers l’interaction avec l’environnement simulé.

Conseils pour le lecteur

Assurez-vous de disposer de données de formation de qualité pour vos

modèles. Cela pourrait inclure des données historiques d’événements
similaires.
Vérifiez la performance de vos modèles en les testant sur des données
indépendantes et en les comparant à d’autres modèles.
Gardez à l’esprit que les modèles plus complexes ne sont pas toujours
les meilleurs. Si un modèle simple peut atteindre des résultats
similaires, il sera généralement préférable en raison de sa plus grande
explicabilité et de sa moindre tendance à l’overfitting.

Exemples de cas d’usage

Simuler divers scénarios de conditions météorologiques pour notre

projet de construction.
Appliquer un apprentissage par renforcement pour former un agent à
naviguer dans un environnement virtuel avec des événements aléatoires.
 Utiliser un modèle de machine learning bayésien pour prédire les ventes
d’un nouveau produit en prenant en compte divers facteurs aléatoires.

NOTA BENE
L’IA générative peut être un outil puissant pour la simulation d’événements
aléatoires, mais son succès dépend largement de la qualité des données
d’entraînement et de la pertinence du modèle choisi. Il est recommandé de
collaborer avec des experts en IA pour garantir une mise en œuvre efficace et une
interprétation correcte des résultats.

FICHE 45
Utilisation de l’IA générative pour
la stratégie, l’automatisation des rapports
et l’analyse des KPI

Objectifs poursuivis

Assister la génération d’une stratégie ou d’un projet d’entreprise.

Simuler des scénarios d’affaires en fonction de différents facteurs.
Automatiser la création de rapports pour gagner du temps et de
l’efficacité.
Fournir des informations et des analyses pour aider à la prise de
décision.
Analyser les KPI de manière plus détaillée et plus précise.
Détecter les tendances et les anomalies dans les KPI.
Permettre une prise de décision basée sur les données grâce à des
rapports et analyses plus précis et plus rapides.
Proposer des améliorations aux processus d’entreprise.

Outils d’IA générative à sélectionner

Solution d’IA générative déployée sur les données et bases de

connaissances internes de l’entreprise (cf. encadré : « Choisir son
système de management des données, des informations et des
connaissances »).
Outils d’IA d’analyse de données pour analyser les KPI et fournir des
insights significatifs.
Outils d’IA de visualisation de données pour présenter les données et les
insights de manière claire et attrayante.

Conseils pour le lecteur

L’automatisation des rapports et l’analyse des KPI grâce à l’IA

générative peuvent apporter une grande valeur à votre entreprise, mais il
est important de bien comprendre les outils que vous utilisez.
La mise en place initiale peut prendre du temps et nécessiter une
expertise en IA, mais le temps gagné à long terme en vaut la peine.
Assurez-vous que vos données sont de bonne qualité, car les outils d’IA
dépendent fortement de la qualité des données pour fournir des résultats
précis.
Les outils d’IA doivent être mis à jour régulièrement pour s’adapter aux
changements dans les données et les KPI.

Exemples de cas d’usage

Générer un rapport détaillé sur nos performances de vente pour le

dernier mois. Le rapport doit inclure le volume total des ventes, le
 nombre de transactions, la taille moyenne des transactions, les
tendances clés et toute autre métrique pertinente.
Appliquer un outil d’intelligence artificielle spécialisé dans l’analyse de
données pour examiner nos indicateurs clés de performance (KPI) en
matière de satisfaction client et pour identifier toute anomalie ou
variation significative. Inclure une description de l’anomalie, sa gravité,
le moment où elle a été détectée et des recommandations pour des
enquêtes ou des actions supplémentaires.
Avec un outil d’IA de visualisation de données, créer un tableau de bord
interactif et facile à comprendre de nos KPI de performance
opérationnelle. Le tableau de bord devrait inclure des métriques comme
le taux de rendement des investissements, le coût par acquisition de
client, le temps de cycle des opérations et toute autre mesure pertinente
pour notre entreprise.

FICHE 46
L’IA générative pour l’automatisation
des rapports et comptes rendus

Objectifs poursuivis

Gagner du temps en automatisant la création de rapports et de comptes

rendus.
Transformer l’organisation et l’animation des réunions avec l’assistance
par l’IA, la captation, la retranscription et la génération automatique de
6
comptes rendus avec des outils tels que Zoom IQ.
Assurer la cohérence et l’uniformité dans la présentation des rapports et
comptes rendus.
Fournir des analyses plus approfondies et des conclusions plus
pertinentes.
Faciliter le suivi et la gestion des données au fil du temps.

Outils d’IA générative à sélectionner

Un modèle de langage pour transformer les données brutes en textes

compréhensibles, générant des résumés, des explications et des
analyses.
Outils de visualisation de données basés sur l’IA : ils permettent de
représenter les données de manière visuellement attrayante et facilement
compréhensible.
Outils d’IA pour l’analyse prédictive : ils peuvent aider à identifier les
tendances et à prédire les futurs résultats en fonction des données
actuelles.

Conseils pour le lecteur

Paramétrage : configurez correctement les outils d’IA pour qu’ils

comprennent ce que vous attendez des rapports et des comptes rendus.
Maintenance : comme les outils d’IA apprennent et s’améliorent avec le
temps, il est important de les maintenir et de les mettre à jour
régulièrement.
Confidentialité des données : assurez-vous que les outils d’IA respectent
les réglementations en matière de confidentialité et de protection des
données.

Exemples de cas d’usage

Générer un compte rendu de réunion automatique en utilisant la

retranscription automatique de la réunion et un modèle de langage.
Créer un rapport visuel des performances de vente du dernier trimestre
avec l’outil de visualisation de données.
Analyser les tendances de satisfaction client et prédire les résultats du
prochain trimestre avec l’outil d’IA pour l’analyse prédictive.
 CHOISIR SON SYSTÈME
DE MANAGEMENT DES DONNÉES,
DES INFORMATIONS
ET DES CONNAISSANCES :
API D’UN MODÈLE EXISTANT,
VECTORISATION, FINE TUNING
OU DÉVELOPPEMENT DE SON PROPRE
MODÈLE ?
Les fiches qui précèdent ont été construites pour balayer un champ large de cas
d’usage, avec pour objectif d’ouvrir un maximum de pistes de réflexion pour la
transformation des pratiques professionnelles, du management et de l’organisation
des entreprises. Si certains cas d’usage et prompts proposés sont directement
accessibles au grand public par des outils dès à présent disponibles, certains
nécessitent un déploiement plus ou moins complexe selon les objectifs poursuivis
(dont celui de la protection des données qui ne laissera pas la même marge de
manœuvre si on utilise des données déjà publiques ou des données confidentielles
ou personnelles), les ressources (notamment en termes de données) et les moyens
(en termes de compétences informatiques et statistiques, mais également en
matière de ressources calculatoires). Une certitude : bien utilisée, l’IA peut
contribuer à décloisonner les connaissances et à développer la transversalité et la
collaboration.
De manière schématique, nous pourrions (sans les hiérarchiser) évoquer les pistes
suivantes :
➣ combinaison de solutions accessibles en ligne dans un mode SaaS 7 ou SIAaaS 8
sans flux automatiques entre ces outils ;
➣ combinaison de solutions accessibles en ligne dans un mode SaaS ou SIAaaS à
travers des connecteurs automatiques permettant d’intégrer les données issues
d’une application dans le workflow d’une autre application 9 ;
➣ déploiement d’un (ou plusieurs 10) modèle d’IA conversationnelle et générative
(propriétaire ou open source), en mode SaaS ou on-premise 11 sur tout ou partie
des données et bases de connaissances de l’entreprise à travers notamment la
vectorisation des connaissances 12 (cf. encadré suivant) ;
➣ fine tuning ou ajustement fin d’un modèle : cette méthode permet de partir d’un
modèle pré-entraîné, qui a déjà appris une représentation riche de
caractéristiques pertinentes pour la nouvelle tâche. Par exemple, un modèle
 pré-entraîné sur un grand ensemble de données d’images, comme ImageNet,
peut être utilisé comme point de départ pour une tâche spécifique de
reconnaissance d’images. Les poids de ce réseau pré-entraîné peuvent ensuite
être ajustés ou « affinés » en continuant l’entraînement sur la nouvelle tâche
avec votre propre ensemble de données, économisant ainsi beaucoup de temps
et de ressources par rapport à la formation d’un modèle à partir de zéro ;
➣ développement de son propre modèle d’IA, en partant de zéro (« from scratch »).
Le développement de son propre modèle était une évidence avant l’apparition
des modèles de fondation. Mais l’émergence de ces derniers a drastiquement
réduit le nombre de cas où développer un modèle propre, sur des données
expertes, afin de résoudre un problème précis, s’avère pertinent et performant.

Le choix entre ces différentes options va donc dépendre de plusieurs facteurs clés :
➣ objectif poursuivis : le choix de la solution retenue va dépendre du niveau de
personnalisation que vous souhaitez mettre en place pour la ou les tâches à faire
réaliser par l’IA, mais également de son niveau d’automatisation et de la
sensibilité et confidentialité des données qui y seront exploitées ;
➣ complexité de la tâche et disponibilité des données : si votre tâche est simple et
si un modèle pré-entraîné qui répond à vos besoins est disponible, l’utilisation de
l’API (si elle existe) de ce modèle peut être l’option la plus rapide et la plus
rentable. Cependant, si votre tâche est plus spécifique et que vous disposez d’un
grand ensemble de données, l’affinage d’un modèle peut être plus approprié. Le
développement d’un modèle personnalisé à partir de zéro est généralement
recommandé lorsque votre tâche est très spécifique et que les modèles
existants ne sont pas pertinents ;
➣ compétences et moyens disponibles : le développement d’un modèle
personnalisé à partir de zéro nécessite des compétences en IA assez avancées et
beaucoup de temps, alors que l’utilisation de l’API d’un modèle existant voire
l’affinage d’un modèle nécessitent moins de compétences et de temps.

Il est important de noter que ces options ne sont pas mutuellement exclusives et
peuvent être combinées de diverses manières pour répondre à des besoins
spécifiques.
 LA RÉVOLUTION DU MANAGEMENT
DES CONNAISSANCES EN ENTREPRISE
ET LES BASES DE DONNÉES
VECTORIELLES
Avec l’ère de l’IA conversationnelle et générative, s’ouvre la voie pour doter chaque
collaborateur d’une organisation d’un assistant personnel et professionnel lui
donnant accès à des données externes, mais également internes pour en développer
l’efficacité et faciliter la recherche d’informations, la collaboration, la production de
connaissance et la construction de décisions éclairées par la donnée.
Mettre en œuvre cette perspective va cependant nécessiter pour les entreprises de
déployer les modèles de langage sur leurs propres données et bases de
connaissances avec les complexités en termes de cybersécurité, de confidentialité et
de propriété des données. C’est pourquoi la vague de l’IA générative ne pourra se
produire sans l’existence de modèles open source. Dans ce cadre, il est important de
comprendre ce que sont les bases de données vectorielles, également appelées
« Vector Databases » (Vector DB), une brique essentielle au cœur des architectures
d’IA générative.
Une base de données vectorielle est un espace mathématique où des « vecteurs »
représentant des éléments de connaissance (une phrase, un dialogue, un document
PDF, etc.) sont positionnés selon leur ressemblance. Par exemple, deux documents
PDF sur la zoologie seraient positionnés plus près l’un de l’autre qu’un PDF sur la
zoologie et un autre sur la stratégie d’entreprise. Prenons un cas pratique : disons
que vous avez intégré 10 000 documents d’une entreprise dans une Vector DB.
Lorsque vous interrogez ensuite votre système d’IA, le modèle évalue le sens de
votre demande et la positionne dans ce même espace mathématique. Il récupère les
documents les plus proches en termes de sens et formule une réponse basée sur ces
documents. De même, vous pouvez créer une Vector DB dans laquelle chaque paire
de questions-réponses d’un dialogue avec une IA est positionnée. Au fur et à mesure
de votre discussion avec l’IA, la base de données s’enrichit et l’IA peut vérifier à
chaque message que vous lui envoyez si des échanges similaires en termes de sens
ont déjà eu lieu, en examinant la proximité dans l’espace mathématique. Si tel est le
cas, l’IA peut fournir des informations en lien avec ces anciens échanges, permettant
une interaction toujours plus pertinente et éclairée.
Les Vector DB sont spécialement conçues pour stocker et traiter efficacement ces
vecteurs. C’est essentiel car les modèles d’IA générative doivent manipuler de
grands ensembles de vecteurs multidimensionnels, ce qui peut être une tâche très
gourmande en ressources sur une base de données traditionnelle.
Les Vector DB présentent ainsi plusieurs avantages pour le développement de
solutions d’IA :
➣ efficacité de stockage : elles sont conçues pour stocker de grandes quantités de
vecteurs de manière compacte et efficace ;
➣ recherche rapide : elles sont optimisées pour des opérations comme la
recherche du plus proche voisin (nearest neighbor search), qui sont couramment
utilisées dans les algorithmes d’IA. Par exemple, si vous voulez trouver l’image la
plus similaire à une image donnée dans votre base de données, vous pouvez
utiliser une recherche du plus proche voisin sur les vecteurs qui représentent
ces images ;
➣ scalabilité : elles peuvent gérer des ensembles de données de grande taille, ce
qui est essentiel dans les applications d’IA modernes qui utilisent souvent de
grands volumes de données pour l’entraînement et l’inférence ;
➣ précision : en stockant les données sous forme de vecteurs, ces bases de
données conservent une grande précision, essentielle pour la plupart des
applications d’IA.
 SECTION 4

Les bonnes pratiques pour utiliser

l’IA générative

L’IA conversationnelle et générative n’en est qu’à ses balbutiements, mais

son impact potentiel sur notre façon de travailler et sur l’organisation de nos
entreprises est immense, de la génération d’idées à la création de contenus,
en passant par l’analyse de grandes quantités de données ou la conception
de produits. Mais, tout en étant optimistes sur les opportunités, il nous faut
prendre en compte les enjeux et défis associés.
L’IA générative ne sera pas une solution universelle, utilisable dans toutes
les situations ou tous les secteurs. Il est donc important de comprendre où et
comment l’IA générative peut être utile. Dans certains cas, elle pourra
révolutionner la façon dont nous travaillons, tandis que dans d’autres, elle
pourrait ne pas être la solution appropriée. Parmi les défis à relever, nous
devons tenir compte des enjeux émotionnels associés à l’IA. Les machines
ne ressentent pas d’émotions et ne peuvent pas comprendre les nuances
émotionnelles comme les êtres humains, en revanche, une IA
conversationnelle et générative induit des émotions du côté de ses
utilisateurs. Comment alors utiliser l’IA d’une manière qui respecte
l’importance de l’émotion dans nos interactions et décisions ?
Il est également nécessaire d’être conscients des enjeux écologiques de
cette nouvelle ère technologique. Les enjeux environnementaux des
technologies numériques sont encore mal compris par nombre
1
d’entreprises , car trop invisibles, et cette problématique s’accentue avec les
modèles d’IA générative qui nécessitent beaucoup de puissance de calcul
avec un impact significatif sur l’environnement 2. Il s’agit d’un défi qui est
amplifié par les enjeux liés à l’accès et la disponibilité des ressources rares
indispensables à la production des composants électroniques. Il faut donc
penser à l’IA générative de manière écologiquement responsable au service
d’un numérique utile. Enfin, cette vague est aux prises avec des enjeux
stratégiques.
Comment l’IA générative s’intègre-t-elle dans la stratégie globale de votre
organisation ? Comment pouvez-vous l’utiliser pour gagner un avantage
concurrentiel tout en gérant les risques potentiels ?
Cette dernière section vous guidera à travers ces défis et vous aidera à
comprendre comment utiliser l’IA générative de manière efficace et
responsable.

FICHE 47
Parler et interagir avec l’IA
conversationnelle et générative

Objectifs poursuivis

Éclaircir l’importance du choix de langage lors de l’interaction avec

l’IA.
Développer des compétences pour émettre des directives claires et
obtenir des résultats spécifiques.
Mettre en lumière le fait que le choix du tutoiement ou du vouvoiement,
bien que parfois perçu comme trivial, peut en réalité révéler beaucoup
sur notre rapport au langage et influencer les résultats de l’IA.
 Conseils pour le lecteur

Le choix entre « tu » et « vous », ainsi qu’entre être directif ou non,

dépend fortement du contexte d’utilisation et de la culture de votre
entreprise.
Sachez que l’usage excessif de formules de politesse peut encombrer
vos requêtes et nuire à la précision des réponses de l’IA. Favorisez donc
l’impératif. Tout l’enjeu étant bien entendu de ne pas déporter dans vos
interactions humaines ces réflexes de conversation développés avec la
machine.

Exemples de prompts

« Génère un rapport sur les ventes du dernier trimestre. »

« Résume cet article pour moi. »
« Traduis ce document en français. »
« Donne une prédiction du temps pour demain. »

Dans Le Point du 22 mai 2023, Serge Tisseron, psychiatre, psychanalyste et

docteur en psychologie, a été interrogé sur les reproches faits à ChatGPT.
Celui-ci répondit :
« Que reproche-t-on à ChatGPT ? Quatre choses, semble-t-il. De n’être
qu’une machine à fabriquer du copié-collé de bouts de phrases trouvées sur
Internet ; de ne jamais citer ses sources, ce qui le rend difficilement
vérifiable ; de ne jamais nous indiquer pourquoi il privilégie certaines
informations par rapport à d’autres ; et de ne pas reconnaître qu’il ne sait
pas lorsque c’est le cas. C’est vrai. Mais ceux qui imputent ces défauts à
ChatGPT pour opposer ses méthodes aux compétences humaines oublient
que notre espèce, dans les différentes formes de communication qu’elle
donne à voir et à entendre, ne fonctionne pas autrement 3 ! »
 NOTRE CHOIX DE STYLE D’ÉCRITURE
Lors de la rédaction de ces fiches, nous nous sommes interrogés sur le style à
adopter pour interagir avec l’IA. L’enjeu peut sembler anecdotique, mais il soulève
des questions intéressantes sur notre rapport au langage et à la technologie.
Après discussion, nous avons opté pour un style neutre, direct (plutôt impératif) et le
tutoiement. Ce choix n’est pas le fruit du hasard : nous estimons qu’il permet
d’encourager des interactions claires et efficaces avec l’IA, sans encombrer les
requêtes avec des formules de politesse qui pourraient nuire à la précision des
résultats.
Il est important de souligner que ce choix est contextuel et peut ne pas convenir à
tous les utilisateurs ou à toutes les situations. Nous encourageons chaque lecteur à
trouver le style qui lui convient le mieux et à l’adapter en fonction de ses besoins et
de son contexte.

L’AVÈNEMENT DE L’ÈRE DES C-BORGS

Nous entrons dans l’ère des C-Borgs, une nouvelle phase de l’évolution de
l’intelligence artificielle. C-Borgs, abréviation de Creative-Borgs, se réfère à des
machines douées de créativité. Le concept a été élaboré par l’essayiste Flavien
Chervet, auteur de l’ouvrage Hypercréation : petit manuel pour apprivoiser les C-borgs,
paru aux Éditions Nullius In Verba en 2023.
Il distingue notamment les C-Borgs de type 1, qui sont contrôlables et peuvent servir
à augmenter les capacités humaines. C’est une nouvelle manière d’interagir avec le
non-humain qui repousse les limites de la créativité et de l’innovation. Ce
mouvement symbolise la prochaine étape de la synergie entre l’homme et la
machine, où la créativité n’est plus uniquement l’apanage de l’homme, mais est
augmentée et amplifiée par l’IA. C’est pourquoi il est nécessaire de se questionner
dès aujourd’hui sur le rôle du langage et les modes d’interaction que nous souhaitons
établir avec les IA conversationnelles et génératives. Il s’agit là d’un enjeu majeur de
notre rapport à la technologie et à la créativité de demain.
FICHE 48
Adopter une pratique plus sociale et plus
écologique de l’IA générative

Objectifs poursuivis

Même si l’efficience énergétique des technologies de serveurs,

processeurs et cartes graphiques ne cesse de progresser, réduire l’impact
environnemental de l’utilisation de l’IA générative est indispensable
pour rendre la révolution de l’IA générative compatible avec la vague
plus importante des défis écologiques.
Utiliser efficacement l’IA générative, uniquement lorsque cela est
nécessaire et bénéfique.
Promouvoir un usage plus sobre et conscient de l’IA dans un contexte
professionnel et personnel.
Articuler une approche qui sache exploiter selon les cas une IA High
Tech, une IA Low Tech ou pas d’IA du tout (dans un triptyque High
Tech / Low Tech / No Tech).

Clés pour une pratique plus écologique

Choix de l’outil : avant d’utiliser l’IA générative, il est important de

s’interroger sur l’outil le plus approprié pour la tâche à réaliser. La
recherche d’une information à travers un moteur de recherche simple
suffit dans bien des cas, plutôt que de solliciter systématiquement une
IA conversationnelle et générative. Une pratique responsable de l’IA
conversationnelle et générative sera attentive à ne pas faire faire à
l’IA ce que d’autres outils peuvent faire plus efficacement, rapidement
et à moindre coût écologique.
 Réflexion avant action : prenez le temps de définir clairement votre
prompt avant de solliciter l’IA générative. Cela permet de minimiser
l’usage inutile de ressources de calcul.
Sobriété numérique : l’IA est une ressource précieuse mais coûteuse
en termes écologiques. Il est donc primordial d’adopter une attitude de
sobriété numérique. Dans l’assistance à des utilisateurs, il n’est par
exemple pas forcément utile de déployer des systèmes d’IA
conversationnelles et génératives, quand des solutions de chatbot
fondées sur des intentions (appuyées sur des bases de questions et
réponses) peuvent suffire, en offrant performance de compréhension et
rapidité, et surtout en réduisant l’impact écologique – les réponses
n’étant pas générées à la volée mais préenregistrées.

Le charme du « fait sans IA »

Comme le « fait main » peut avoir son charme et retrouver de la valeur dans
un monde industrialisé, il est fort probable que le concept de « fait sans IA »
va également se développer en réponse à la vague de l’IA conversationnelle
et générative. Les prémices de ce mouvement apparaissent déjà, avec les
4
logos du mouvement Not By AI qui permettent aux créateurs de contenus
d’indiquer qu’ils n’ont pas utilisés l’IA, ou encore avec les campagnes
5
publicitaires de Nokia, « Intelligence naturelle » ou de la Croix Rouge
6
« Non généré par l’IA » . Face au risque de voir Internet et nos espaces
d’interactions submergés par des contenus générés par IA 7, l’idée d’un
8
Internet sans IA et sans bots émerge .
 Figure 18

La campagne de pub décalée des Fermiers de Loué : l’intelligence artificielle

prend un coup dans l’aile
© Fermiers de Loué, juillet 2023

FICHE 49
Penser l’IA générative à travers sa valeur
étendue

Objectifs poursuivis

Comprendre l’impact géopolitique et économique de l’IA générative et

des processeurs.
Saisir les enjeux de la valeur étendue dans le contexte de l’IA
générative.

Conseils pour le lecteur

Comprendre le rôle stratégique de ces technologies dans le contexte

géopolitique actuel.
Tenir compte des implications éthiques et des droits de l’homme dans
l’utilisation de l’IA.
Reconnaître l’importance des GPU dans le développement et le
déploiement de l’IA générative.
 VALEUR ÉTENDUE ET IA GÉNÉRATIVE
La valeur étendue se réfère à la valeur produite tout au long du cycle de vie d’un
produit ou service, en intégrant les impacts sociaux, environnementaux et culturels.
En contexte d’IA générative, cette notion peut être cruciale pour évaluer l’impact
global des technologies et des processus liés à l’IA.
Prenons par exemple le choix entre un scanner médical équipé d’IA générative et un
objet de domotique plus traditionnel. D’une part, le scanner médical doté d’IA a la
capacité d’améliorer le diagnostic et le traitement des maladies, contribuant ainsi à
la santé publique et à la qualité de vie. Cependant, sa production nécessite
l’utilisation de ressources rares, dont l’extraction a des conséquences
environnementales et sociales significatives et dont l’accès devient de plus en plus
restreint en raison de leur raréfaction. D’autre part, l’objet de domotique, bien qu’il
puisse offrir des avantages en termes de confort et d’efficacité énergétique, utilise
également des ressources rares dans sa fabrication. De plus, sa valeur pourrait être
moins perceptible ou moins directement liée à des enjeux sociétaux critiques tels
que la santé. Ainsi, en tenant compte de la valeur étendue, nous devons évaluer non
seulement les avantages immédiats des produits et services, mais aussi les impacts à
long terme de leur production et utilisation. Cela pourrait nous conduire à prioriser
l’utilisation de ressources rares pour des applications qui génèrent une valeur
sociétale plus élevée, comme le scanner médical avec IA générative, plutôt que pour
des objets de consommation plus courants.
La notion de valeur étendue encourage donc une réflexion plus large sur la création
de valeur et sur les impacts de nos choix technologiques et de consommation. Elle
invite à repenser nos habitudes et à adopter des pratiques plus responsables afin de
réduire les impacts négatifs de nos activités sur la société et l’environnement.

L’IA GÉNÉRATIVE, UN ENJEU GÉOSTRATÉGIQUE

Si le développement des IA conversationnelles et génératives et des

modèles de fondation associés posent des enjeux d’algorithmes et de
software, leurs principaux enjeux sont en réalité bien physiques, question de
hardware et de puces électroniques. En effet, les puces d’IA (ou « AI
chips ») sont des composants informatiques essentiels au développement et
déploiement des IA conversationnelles et génératives qui nécessitent une
importante puissance de calcul 9.
Dans le domaine de l’IA, l’un des types de puces les plus couramment
10
utilisés est le GPU, ou unité de traitement graphique . Contrairement aux
CPU, unités de traitement central, qui sont conçues pour exécuter un large
éventail de tâches informatiques, les GPU sont optimisées pour effectuer
rapidement de nombreux calculs en parallèle, ce qui les rend idéales pour le
traitement des vastes quantités de données nécessaires au développement
des modèles de fondation. Cette optimisation n’a rien d’anodin aux échelles
d’entraînement auxquelles se place le développement des modèles de
fondation, où les temps d’entraînement se comptent en jours, semaines,
voire en mois, et pour des sommes de plusieurs dizaines, voire centaines de
millions de dollars.
Alors que les technologies d’IA se placent désormais comme les moteurs
essentiels de l’innovation, de l’économie mondiale, de la compétition entre
États et des systèmes de défense nationaux, l’accès aux ressources
nécessaires pour la production de ces équipements requis par l’IA est
devenu un enjeu géopolitique 11. La Chine a fait de la production de ces
équipements de haute technologie une priorité nationale, dans le cadre de
son initiative « Made in China 2025 », afin de réduire sa dépendance à
l’égard des fournisseurs étrangers.
Les États-Unis, préoccupés quant à la montée en puissance de la Chine dans
le domaine technologique, ont pris des mesures pour limiter l’accès de la
Chine à certaines technologies clés dont les « AI chips » 12. Cela a entraîné
des réactions de la part de la Chine et alimenté une « guerre froide
13
technologique » entre les deux superpuissances . De son côté, l’Europe
régule avec l’IA Act et lance son European Chips Act 14 pour développer sa
compétitivité et sa résilience dans l’univers des technologies de semi-
conducteurs et de leurs applications.
Alors que l’Europe régule pour chercher à bâtir un système de gouvernance
de l’IA, les États-Unis se positionnent a minima, comptant sur la
responsabilité des acteurs privés (notamment en matière de transparence et
d’explicabilité) dans l’objectif de ne pas brider l’innovation de leurs
entreprises 15. Entre les deux, la Chine semble construire un système de
gouvernance centralisé visant à se donner tous les moyens nécessaires dans
16
la compétition internationale en cours . Sur le sujet, le Conseil de
commerce et de technologie (TTC) des États-Unis et de l’Union européenne
a exprimé son opposition à l’émergence d’une IA qui ne respecte pas les
droits de l’homme, critiquant implicitement le système de « crédit social »
de la Chine.
À ces tensions géopolitiques s’ajoutent les dynamiques socio-économiques
globales, comme l’émergence de classes moyennes mondiales et le risque
de crises persistantes, qui pourraient exacerber les tensions autour de l’IA
générative.
 PAROLE D’EXPERT
Martin Toussaint, expert en stratégie, directeur
associé de Polaria
Malgré son caractère immatériel, l’IA s’inscrit dans une réalité profondément
physique. Afin de fonctionner, les technologies reposent sur l’utilisation de serveurs
et plus généralement de matériels informatiques de haute technologie. Pour leur
fabrication, ces matériels requièrent l’utilisation d’éléments fabriqués à partir de
ressources rares, qui sont déjà au centre de rivalités entre États pour pouvoir les
exploiter. L’intensification de la demande liée au développement des technologies
d’IA risque ainsi de venir ajouter une couche de tensions supplémentaires.
Le capital humain représente également un enjeu stratégique. Afin de poursuivre et
d’accélérer les développements d’IA, il est plus que jamais nécessaire de recruter et
de fidéliser des talents. Cette situation favorise la fuite des cerveaux, formés dans un
pays A reconnu pour la qualité de son système éducatif, partant dans un pays B qui
leur propose davantage de moyens techniques et financiers.
Mais toutes les ressources ne sont pas uniquement matérielles. Afin d’entraîner les
IA, un accès à de vastes champs de données est indispensable. Ici, avantage aux
GAFAM, qui bénéficient d’accès simples aux données de leurs utilisateurs, mais
également à des États comme la Chine, connus pour surveiller étroitement les
activités de la population et qui contrôlent donc des gisements de data massifs.
L’acteur qui prendra suffisamment d’avance dans cette course technologie jouira
d’avantages concurrentiels certains. Économiques, sécuritaires, diplomatiques,
sanitaires… Les champs d’application de l’IA générative sont en effet multiples. La
question se pose alors de la nature de l’acteur qui remportera la course : État ou
acteur privé ? Dans le second cas, l’acteur ne deviendrait-il pas alors plus puissant
que tout État ?

TROIS SCÉNARIOS D’AVENIR SELON CHATGPT

Nous avons sollicité ChatGPT pour envisager trois scénarios pour

l’entreprise augmentée par l’IA en 2075, mettant en perspective le rôle et la
place de l’IA générative dans notre société future. Nous lui avons demandé
d’inclure la notion de valeur étendue dans ses réflexions, cette notion étant
cruciale pour l’intégration d’une technologie qui soit non seulement utile
socialement, mais aussi viable sur le plan écologique.
 Symbiose technologique

Dans ce scénario, l’IA générative est devenue un atout essentiel dans les
organisations. Les entreprises ont évolué vers des modèles d’organisation
décentralisés, où les décisions sont prises en tenant compte de multiples
facteurs : économiques, sociaux, environnementaux et culturels, grâce à
l’intégration de l’IA générative. Ce changement a favorisé une transition
vers une économie circulaire où les ressources sont utilisées de manière
plus efficace et durable. L’IA générative, en aidant à modéliser et optimiser
ces flux de ressources, a transformé les chaînes de valeur des entreprises,
rendant les modèles d’affaires plus résilients face aux crises.

Capital humain et IA générative

L’IA générative a stimulé la croissance de l’emploi en soutenant

l’émergence de nouvelles compétences et en réduisant la charge de travail
monotone. Les entreprises ont créé des postes de « gestionnaires d’IA »,
experts chargés de superviser et d’optimiser l’utilisation des technologies
génératives. Cela a transformé la structure des entreprises, déplaçant
l’accent de la production vers la gestion des connaissances et l’innovation.
Dans le même temps, l’IA générative est devenue un outil puissant pour la
formation et le développement personnel, aidant à former les employés à de
nouvelles compétences et à s’adapter rapidement aux changements du
marché.

IA générative et démocratie participative

Dans ce dernier scénario, l’IA générative est utilisée pour renforcer la

démocratie participative dans les organisations. L’IA générative est utilisée
pour recueillir et analyser les opinions des employés, stimulant la
transparence et la participation dans les décisions de l’entreprise. Cela a
transformé les entreprises en communautés plus égalitaires, où chaque voix
compte. Cette transformation a renforcé le sentiment d’appartenance et
d’engagement des employés, ce qui a conduit à une meilleure performance
et à une plus grande résilience organisationnelle.

FICHE 50
L’ultime fiche est celle du commencement
Cette dernière fiche marque la fin de notre guide, mais elle est aussi le point
de départ de votre propre voyage d’exploration dans le monde de l’IA
générative. Le potentiel de cette technologie est vaste et dépasse largement
les cas d’utilisation que nous avons présentés.

Objectifs poursuivis

Encourager le lecteur à explorer d’autres applications de l’IA

générative, en dehors du contexte de la transformation des entreprises.
Stimuler la curiosité et l’ouverture d’esprit pour découvrir de nouvelles
possibilités et perspectives offertes par l’IA générative.

Outils d’IA générative à sélectionner

Les outils à sélectionner dépendront des domaines que vous souhaitez

explorer. De l’architecture à l’art, de l’artisanat aux jardins paysagés, du
médical à l’éducation… de nombreux cas d’usage, applications et
interfaces restent encore à inventer.
 Conseils pour le lecteur

Restez ouvert et curieux. Le monde de l’IA générative est en constante

évolution et offre de nouvelles possibilités chaque jour.
N’hésitez pas à expérimenter et à faire preuve de créativité. L’IA
générative est un outil, et comme tout outil, son utilité dépend de la
façon dont vous l’utilisez.
Appropriez-vous ces fiches. Elles sont conçues comme des guides, mais
le chemin que vous choisirez est le vôtre.

Exemples de cas d’usage

Au moment de refermer cet ouvrage, nous aurions voulu vous parler de tant
d’autres domaines que nous vous invitons bien entendu à explorer et surtout
à dépasser…
Dans l’univers de l’écologie pour développer la pédagogie et la
circulation de l’information, ou pour optimiser l’utilisation des
ressources.
Dans l’univers médical pour l’analyse et la génération de rapports
médicaux, la prédiction de l’évolution de certaines maladies en fonction
de divers facteurs, pour mieux orienter les patients à l’accueil ou
assister les médecins dans leurs interactions avec les patients 17,
l’Académie de médecine soulignant comment les progrès et
perspectives de l’intelligence artificielle dans les domaines de la santé
vont transformer la nature de l’exercice de la médecine, du diagnostic à
la formation des médecins, en passant par les traitements
personnalisés 18.
Dans l’univers du coaching sportif pour la création de plans
d’entraînement personnalisés et basés sur les objectifs et les capacités
individuels.
 Dans l’univers de l’intime, l’utilisation des IA conversationnelles et
génératives au service de la sexualité 19.
Dans l’univers de l’action publique pour développer la pédagogie au
service des processus démocratiques, prédire l’impact environnemental
et sociétal de différentes actions ou politiques, ou encore aider à la
rédaction et la simplification des lois 20.
Dans l’univers de la restauration pour stimuler la création de
nouvelles recettes, de nouveaux concepts ou encore de menus
personnalisés.
Dans l’univers de la mode pour stimuler la créativité, mais également
pour recommander des tenues et accessoires en regard des préférences
et du style des individus.
Dans l’univers de la finance pour développer des stratégies
d’investissement.
Dans l’univers de la gestion de crise pour simuler des scénarios de
crise et tester les plans d’intervention.
Dans l’univers du design thinking pour accompagner les différentes
séquences du process, de la génération d’idées au prototypage rapide de
produits ou solutions.
Dans l’univers du développement produits en enrichissant des
produits (comme l’intégration de ChatGPT sur des vélos électriques 21)
ou des services (comme le site du Tour de France pour enrichir
l’expérience des fans 22). L’IA générative permettant par exemple à tout
spectateur dans l’univers des médias, du sport, de l’art ou du spectacle,
de prendre une conversation, un film, une série ou un événement sportif
en cours grâce à une IA faisant le résumé de ce que l’on vient de
manquer.

Les IA conversationnelles et génératives semblent offrir des possibilités qui

ne semblent limitées que par notre imagination.
 Conclusion
Préparer votre entreprise pour le futur
de l’IA générative

Si Yann Le Cun, Geoffrey Hinton et Yoshua Bengio ont remporté

ensemble le prix Turing 2018, leur vision de l’ère de l’IA conversationnelle
et générative a depuis divergé, Hinton et Bengio exprimant doutes et
inquiétudes. Nous ne le cachons pas, les auteurs de cet ouvrage s’inscrivent
plutôt dans la pensée de Yann Le Cun pour qui l’émergence de l’IA
générative ouvre au contraire la voie à une nouvelle renaissance et une
nouvelle ère des lumières qui va produire des progrès scientifiques et des
progrès sociaux. Adopter cette approche ne signifie cependant pas être naïf
face aux risques actuels de ces systèmes et au besoin de regarder en face les
enjeux qu’ils posent et nous avons cherché à les mettre en lumière
sérieusement tout au long de ces pages. Mais nous pensons que nous
pouvons, en matière d’IA conversationnelle et générative, être à la fois
responsables et ambitieux.
Nous prenons ici le pari que dans quelques années nous mesurerons à quel
point la révolution actuelle est équivalente à celle de l’invention d’Internet
et que 2022 aura marqué un avant et un après. Si cette révolution, à laquelle
s’est intéressé cet ouvrage, se concentre sur l’IA conversationnelle et
générative, l’intelligence artificielle ne se résume pas à ce domaine et
d’autres progrès dans ce champ technologique pourraient se combiner pour
accélérer la vague.
Nous formulons également un espoir, alors qu’émerge la promesse de la
démocratisation d’assistants personnels à la J.A.R.V.I.S. (l’intelligence
artificielle personnelle de Tony Stark dans le comics Iron Man) que cette
ère, en nous libérant du temps et de la charge cognitive, soit celle d’un
développement des interactions humaines, et en lien avec le paradoxe de
Moravec, au cœur de nos processus de créativité, d’innovation et de
progrès. Notre conviction est que le développement, le déploiement et
l’utilisation des IA conversationnelles et génératives ne doivent pas être
interdits ou empêchés, mais démocratiquement contrôlés et surtout
enseignés au plus grand nombre.
Pour cela, et au moment de clore cette traversée du paysage de l’IA
conversationnelle et générative, nous espérons vous avoir aidé à mieux
comprendre ses limites, ses risques et surtout ses potentiels. L’IA
conversationnelle et générative n’est déjà plus une perspective à venir, mais
bel et bien une réalité présente, pour autant la vague qu’elle provoque ne
fait que commencer. ChatGPT et compagnie ne sont déjà que les ancêtres
des nouveaux modèles de fondation à venir et c’est avec eux que va se
façonner notre futur. Un futur que nous avons essayé d’entrevoir, depuis
cette frontière d’une nouvelle ère où nous nous trouvons et où l’intelligence
artificielle devient un véritable partenaire dans la création et le
développement de nos valeurs ajoutées, de nos interactions et de notre
créativité.
Au cœur de cette transformation, les grands modèles de langage, par leur
puissance, dessinent une toile de fond pleine de promesses. Ils se
positionnent comme les nouvelles machines à vapeur, comme la nouvelle
électricité, poussant les entreprises vers des rives inexplorées. C’est une
transition qui pourrait être enthousiasmante, mais qui nécessite agilité et
adaptabilité, pour surfer sur cette vague technologique sans en être
submergé, pour en saisir les opportunités en en évitant les écueils. Il est
urgent de ne pas se précipiter, comme de ne pas attendre, d’orienter son surf
dans le sens de la vague et de s’y lancer sans retenue.
Les données, cette matière première du XXIe siècle, recèlent un potentiel
gigantesque. En libérant leur énergie par l’IA conversationnelle et
générative, les entreprises vont dynamiser leurs opérations, améliorer leur
productivité et ouvrir de nouvelles opportunités. Pour cela, l’IA générative
ne doit pas être perçue comme une finalité en soi, mais bien comme un
outil, un instrument au service de votre vision, de vos missions, de vos
ambitions et de vos projets.
L’avènement de l’IA conversationnelle et générative nous interroge
néanmoins. Elle nous oblige à repenser nos structures, nos paradigmes, à
réinventer notre rapport au travail, à la création, à la performance. Face à
cette révolution qui déferle, comment continuer à faire société en
permettant à chaque individu de trouver sa place ? Comment marier cette
explosion technologique avec les impératifs environnementaux de notre
temps ?
La complexité de ces questions souligne la nécessité d’une approche
systémique, centrée sur l’humain. L’IA générative doit être placée avec
sérieux dans la stratégie globale de l’entreprise, dotée de mécanismes de
contrôle et de régulation adaptés. Il nous faut promouvoir une culture
d’innovation, d’éthique et d’apprentissage continu pour naviguer
sereinement dans ces eaux nouvelles. L’IA générative n’est pas une fin en
soi, mais un catalyseur puissant de transformation.
Face à la montée en puissance de l’IA générative, une évolution se dessine :
la technicité tend à devenir triviale. La valeur autrefois associée à la simple
maîtrise technique s’estompe progressivement, déplacée par l’ubiquité
croissante et l’accessibilité de ces technologies avancées. Cette transition,
loin de marginaliser l’humain, ouvre au contraire un nouvel espace
d’interaction et d’humanité. Elle met en lumière les domaines où la
singularité humaine reste irremplaçable : la relation, l’empathie,
l’expérience sensorielle, l’intuition. Là où la machine analyse et prédit,
l’humain ressent, interprète et sait faire récit.
La révolution technologique en cours nous renvoie à notre humanité,
rappelant que le cœur de notre société doit rester la relation humaine, qui
sera enrichie, et non supplantée, par la technologie.

« Toute technologie suffisamment avancée est indiscernable de

la magie. »
Troisième loi de Clarke
 1
Glossaire

Apprentissage supervisé : méthode d’apprentissage automatique où le

modèle est formé sur un ensemble de données étiqueté. Cela signifie que
chaque exemple de données dans l’ensemble de formation a une étiquette
ou une réponse associée. L’objectif du modèle est de prédire l’étiquette
correcte pour les nouvelles données en se basant sur ce qu’il a appris
pendant la formation.
Apprentissage non supervisé : méthode d’apprentissage automatique où le
modèle est formé sur un ensemble de données non étiqueté. Le but ici est de
trouver des motifs ou des structures intéressants dans les données, comme
regrouper des clients similaires ou détecter des anomalies.
Apprentissage semi-supervisé : méthode d’apprentissage automatique qui
se situe entre l’apprentissage supervisé et non supervisé. Elle utilise un petit
ensemble de données étiqueté et un grand ensemble de données non
étiqueté. Le modèle apprend à partir de la structure globale des données non
étiquetées pour aider à faire des prédictions sur les données étiquetées.
Apprentissage autosupervisé 2 (self-supervised learning) : méthode
d’apprentissage automatique où le modèle génère ses propres étiquettes à
partir des données non étiquetées. Cet apprentissage est au cœur de
l’émergence des modèles de fondation dont les LLM. Dans cette méthode
d’apprentissage, le modèle masque une partie des informations auxquelles il
a accès et cherche à prédire le résultat à partir des parties restées présentes
et de ses autres données. Dans le traitement du langage, le modèle crée des
phrases à trou et cherche à prédire les mots manquants à partir des mots
restés visibles et de ses autres données. Dans le traitement de l’image, le
fonctionnement est identique sauf qu’en lieu et place des mots et des lettres
ce sont des pixels d’une image qui sont cachés et prédits à partir des
données restées visibles.
Explicabilité : en machine learning, se réfère à la capacité de comprendre
et d’expliquer comment un modèle produit des résultats et prend ses
décisions. Il s’agit de la clarté avec laquelle les processus internes d’un
modèle peuvent être décrits, permettant ainsi de comprendre pourquoi une
certaine prédiction ou décision a été faite. L’explicabilité est essentielle
pour créer une confiance dans les modèles, surtout lorsqu’ils conduisent à
des prises de décision dans des domaines sensibles.
Intelligence Artificielle as a Service (IAaaS) : ou Intelligence Artificielle
en tant que Service, est un modèle de distribution dans lequel une
plateforme fournit des algorithmes ou services d’intelligence artificielle
(IA) via des services basés sur le cloud. Les services d’IAaaS permettent
aux individus et aux entreprises d’accéder à des outils d’IA sans avoir à
investir dans des infrastructures matérielles coûteuses ou à développer leurs
propres modèles d’IA. L’objectif des solutions IAaaS est de permettre aux
utilisateurs de se concentrer sur leur cas d’usage de l’IA sans avoir à
développer, déployer et maintenir les modèles d’IA.
Fine tuning ou affinage : méthode utilisée en apprentissage profond où un
modèle pré-entraîné est adapté pour accomplir une tâche spécifique de
manière plus efficace. Ce processus comprend une période de formation
supplémentaire sur un ensemble de données étiqueté, qui est généralement
beaucoup plus petit que l’ensemble de données initial sur lequel le modèle a
été formé. Cette étape d’entraînement supplémentaire permet au modèle de
se familiariser et de s’adapter aux subtilités, à la terminologie et aux motifs
spécifiques présents dans le petit ensemble de données. Le fine tuning
consiste à personnaliser un modèle généraliste à des applications
spécifiques, en optimisant ses performances pour les particularités de ces
tâches.
3
Mixture of Expert (MoE) : ou mélange d’experts, est une architecture
d’apprentissage automatique qui fonctionne en articulant différents modèles
experts. L’objectif est de diviser un large espace de connaissances à traiter
en régions plus petites et plus homogènes, chaque région étant gérée par un
réseau expert spécifique et entraînée pour traiter des tâches et des domaines
spécifiques, par exemple un réseau expert pourrait traiter la physique, un
autre la biologie et encore un autre le développement informatique, etc. Au
moment où le MoE est sollicité pour l’exécution d’une tâche, un premier
modèle « coordinateur » détermine lequel des autres modèles experts est le
plus approprié pour traiter la tâche, le système pouvant décider de solliciter
plusieurs experts en parallèle pour ensuite en fusionner les résultats.
L’objectif de cette approche est de produire une réponse plus précise et plus
complète en utilisant les compétences combinées des différents modèles
experts, tout en permettant une utilisation plus efficace et moins coûteuse
des ressources par rapport à l’utilisation d’un seul grand modèle pour toutes
les tâches.
Modèles de diffusion 4 : modèles d’IA génératives conçus pour générer des
données nouvelles et originales, telles que des images ou du texte, à partir
d’un ensemble de données utilisées pour leur apprentissage. Ces modèles
fonctionnent en adoptant une approche progressive en commençant, au
regard de l’instruction donnée, par générer une image globale et bruitée
avant de progressivement ajouter des détails grâce à un processus itératif de
« débruitage ». Lors de l’utilisation d’une solution telle que Midjourney, il
est possible de voir ce processus à l’œuvre, une image floue apparaissant
rapidement après avoir donné une instruction à la machine et avant de voir
peu à peu et progressivement l’image se préciser. Les modèles de diffusion
ont l’avantage de pouvoir produire des résultats très réalistes et diversifiés,
et sont utilisés avec succès dans une variété de domaines, notamment la
génération d’images donc, mais également la génération de voix ou encore
de musiques.
Open source : concept appliqué aux logiciels, qui permet à leurs codes
sources d’être accessibles, visibles et modifiables par chacun. Chaque
utilisateur peut examiner le fonctionnement du logiciel, l’adapter à ses
propres besoins, l’améliorer, ou partager ses modifications avec la
communauté. Cette approche est réputée favoriser la collaboration et
l’innovation en étant fondée sur la transparence sur la manière de
fonctionner d’un logiciel. Il existe différentes licences open source, chacune
avec ses propres conditions. Certaines licences permettent une utilisation et
une modification très libres, tandis que d’autres peuvent avoir des
restrictions sur la manière dont les modifications doivent être partagées ou
sur la manière d’utiliser le logiciel à des fins commerciales.
5
Plongement lexical : technique en NLP, qui permet d’associer les mots à
leur signification en les représentant comme des vecteurs numériques dans
un espace de grande dimension. Cette représentation permet de prendre en
compte la signification des mots en calculant leur proximité dans cet espace
de grande dimension. Par exemple, en soustrayant le vecteur représentant le
mot « homme » du vecteur représentant « roi » et en ajoutant le vecteur
représentant « femme », on obtient un vecteur très proche de celui
représentant « reine ».
Token : plus petite unité de texte qu’un modèle de langage est capable de
lire, de comprendre ou de générer. En fonction de la langue et du modèle,
un token peut représenter un seul caractère, un mot entier ou une partie d’un
mot. Par exemple, en anglais, le mot « chat » peut être un seul token, tandis
que « chatter » pourrait être décomposé en deux tokens : « chat » et « ter ».
Le nombre de tokens dans un texte a un impact sur les ressources
nécessaires pour le traiter, car le modèle a besoin de plus de puissance de
calcul pour traiter des textes plus longs avec plus de tokens.
Transformers : type de modèle d’apprentissage automatique. Ils ont été
introduits pour la première fois dans un article de 2017 intitulé « Attention
is All You Need » 6. L’innovation des Transformers est qu’ils utilisent une
technique appelée « mécanisme d’attention », qui permet au modèle de se
concentrer sur différentes parties d’une entrée lors de la génération d’une
sortie. Lorsqu’on lit une phrase comme « La voiture roule sur la route »,
notre attention accorde plus d’importance à « voiture » et « route » après
avoir lu « roule » car ce sont les mots clés pour comprendre le sens global
de la phrase, plus que « la ». Les Transformers appliquent la même logique
à une échelle plus grande et plus complexe, pour exceller en traduction ou
en génération de texte. Les Transformers ont servi de base à de nombreux
modèles NLP qui ont suivi, tel BERT ou les modèles GPT (le T de GPT
correspondant à Transformers). Le Transformers reste un système
statistique de prédiction du mot suivant dans une phrase, mais par son
mécanisme d’attention il facilite les calculs et ouvre la voie à des modèles
entraînés sur d’immenses quantités de données.
 Ressources supplémentaires

https://www.lemonde.fr/economie/article/2023/06/13/derriere-l-ia-le-retour-
d-utopies-technologiques_6177367_3234.html
McKinsey & Company, « The Economic Potential of Generative AI: The
Next Productivity Frontier », juin 2023.
Yann Le Cun, Quand la machine apprend : la révolution des neurones
artificiels et de l’apprentissage profond, Odile Jacob, 2019.
https://www.youtube.com/watch?v=K8gOvC8gvB4
https://www.youtube.com/watch?v=8IQ9i_QoA3A
https://www.youtube.com/watch?v=xXHWTC4mJBM
Pourcentage des tâches les plus impactées
par métier

Pourcentage des métiers exposés

Secteur à l’automatisation des tâches par les IA
conversationnelles et génératives

Support administratif et de
46 %
bureau

Juridique 44 %

Architecture et ingénierie 37 %

Sciences de la vie, physiques et

36 %
sociales

Opérations commerciales et
35 %
financières

Service communautaire et social 33 %

Management 32 %

Ventes et apparentées 31 %

Informatique et mathématiques 29 %

Agriculture, pêche, sylviculture 28 %

Service de protection 28 %

Praticiens de santé
28 %
et techniques

Éducation, instruction
27 %
et bibliothèques

Support de santé 26 %

Art, design, divertissement,

26 %
sport, média
Toutes industries 25 %

Soins personnels et services 19 %

Préparation et service
12 %
de nourriture

Transport et manutention
11 %
de matériaux

Production 9%

Construction et extraction 6%

Installation, maintenance,
4%
réparation

Nettoyage et entretien
1%
de bâtiments et terrains

Source : Goldman Sachs, « Generative AI: Hype,

or Truly Transformative », 5 juillet 2023
Pour toute information sur notre fonds et les nouveautés dans votre domaine de spécialisation,
consultez notre site web :
www.deboecksuperieur.com

© De Boeck Supérieur s.a., 2023

Rue du Bosquet, 7 – B-1348 Louvain-la-Neuve

EAN 978-2-8073-6242-0

Cette version numérique de l’ouvrage a été réalisée par Nord Compo pour De
Boeck Supérieur. Nous vous remercions de respecter la propriété littéraire et
artistique. Cette œuvre est protégée par le droit d’auteur et strictement réservée à
l’usage privé du client. Toute reproduction ou diffusion au profit de tiers, à titre
gratuit ou onéreux, de tout ou partie de cette œuvre, est strictement interdite et
constitue une contrefaçon prévue par les articles L.335-2 et suivants du Code de
la Propriété Intellectuelle. L’éditeur se réserve le droit de poursuivre toute
atteinte à ses droits de propriété intellectuelle devant les juridictions civiles ou
pénales.
 Notes
1. Source : Kyle Hailey.
2. Source : IPSOS, 2022 | Chart : 2023 AI Index Report.
 Notes
1. Delcourt M., Héphaïstos ou la légende du magicien, précédé de La Magie d’Héphaïstos,
Les Belles Lettres, 1982.
2. Lohr C. H., « Les fondements de la logique nouvelle de Raymond Lulle », Cahiers de
Fanjeaux, 1987, 22(1), p. 233-248.
3. Descartes R., Traité de l’homme, Gallimard, 1970, vol. 11.
4. Carvallo S., « De la fabrique du corps au corps machine en passant par les automates :
Jacques Vaucanson & Claude Nicolas Le Cat (1700-1768) », in Roukhomovsky B.,
L’Automate : machine, merveille, Presses universitaires de Bordeaux, 2012, p. 157-188.
5. Hollings C., Martin U., Rice A. C., Ada Lovelace: The making of a computer scientist,
Oxford, Bodleian Library, 2018.
6. Chaudet B., « Le mythe de la machine dans les processus d’informations et de
communications organisationnelles », Sciences de l’information et de la communication,
université Rennes-2, 2019.
7. Turing A. M., Girard J. Y., Basch J., Blanchard P., La Machine de Turing, Le Seuil,
1995, p. 47-102.
8. McCulloch W. S., Pitts W. H., Lettvin J. Y., Maturana H. R., « What the Frog’s Eye Tells
the Frog’s Brain », Proceedings of the IRE, 1959, 47(11), p. 1940-1951.
9. Besnier J.-M., « L’intelligence artificielle entre science et métaphysique », Esprit
(1940-), 1992, p. 60-73.
10. Vannieuwenhuyze A., Intelligence artificielle vulgarisée : le Machine Learning et le
Deep Learning par la pratique, Éditions ENI, 2019.
11. Gefen A., « IA : pour une histoire culturelle », Revue d’histoire culturelle, 2022, 4.
12. Agar J., « What is science for? The Lighthill report on artificial intelligence
reinterpreted », The British Journal for the History of Science, 2020, 53(3), p. 289-310.
13. Saporta G., « Une brève histoire de l’intelligence artificielle », CNAM, 2018.
14. Chomsky N., Topics in the Theory of Generative Grammar, Walter de Gruyter, 2013,
vol. 56.
15. Andler D., « Connexionnisme et cognition : à la recherche des bonnes questions »,
Revue de synthèse, 1990, 111(1-2), p. 95-127.
16. Howard J., « Self-supervised learning and computer vision », 13 janvier 2020.
https://www.fast.ai/posts/2020-01-13-self_supervised.html
17. Bengio Y., Le Cun Y., Hinton G., « Deep learning for AI », Communications of the
ACM, 2021, 64(7), p. 58-65.
18. Krizhevsky S. A., Sutskever I., Hinton G. E., « From Photographic Image to Computer
Vision », Cambridge University Press, 8 novembre 2019.
19. Lee K. F., IA : la plus grande mutation de l’histoire, Les Arènes, 2019.
20. Ibid.
21. Segal A., « Une guerre froide fluide : les États-Unis, la Chine et la concurrence autour
de la technologie numérique », Hérodote, 2022/1-2 (no 184-185), p. 271-284.
https://www.cairn.info/revue-herodote-2022-1-page-271.htm
22. « Attention Is All You Need ». https://arxiv.org/pdf/1706.03762.pdf
23. Le « syndrome Kodak » fait référence à la résistance d’une entreprise à s’adapter à de
nouvelles technologies ou à de nouveaux modèles commerciaux par peur de perturber ses
activités existantes, cela conduisant à son déclin ou à sa faillite. Le terme tire son nom de la
société Kodak, qui, bien qu’elle ait été à l’origine de l’invention de la photographie
numérique, a raté la transition de l’analogique vers le numérique, menant à sa faillite.
24. https://france.devoteam.com/paroles-dexperts/lstm-transformers-gpt-bert-guide-des-
principales-techniques-en-nlp/
25. Boileau J. É., Bois-Drivet I., Westermann H., Zhu L., « Rapport sur l’épistémologie de
l’intelligence artificielle (IA) », Laboratoire de cyberjustice, 2022.
26. « Language Models are Few-Shot Learners », OpenAI, 22 juillet 2020.
https://arxiv.org/pdf/2005.14165.pdf
27. « GPT4, All Details Leaked ». https://medium.com/@daniellefranca96/gpt4-all-details-
leaked-48fa20f9a4a
28. Voir le glossaire.
29. Nourygat V., « ChatGPT, ce n’est que le début », Epsilon, juillet 2023.
30. https://www.frenchweb.fr/openai-pourrait-lever-100-milliards-de-dollars/442697
31. https://www.lemonde.fr/economie/article/2023/05/10/comment-google-cherche-a-
rester-au-premier-plan-dans-l-intelligence-artificielle_6172863_3234.html#xtor=AL-
32280270-[default]-[android]
32. https://www.tomsguide.fr/chatgpt-va-eliminer-google-et-amazon-selon-bill-gates-
voici-pourquoi/
33. « Introducing Claude », 14 mars 2023. https://www.anthropic.com/index/introducing-
claude
34. Kreshan Z., « 5 AI Music Tools to Modernise Your Workflow », Scene Noise, 2022.
35. https://blogs.microsoft.com/blog/2023/03/16/introducing-microsoft-365-copilot-your-
copilot-for-work/
36. https://www.frenchweb.fr/ce-quil-faut-retenir-des-annonces-de-google-i-o-en-matiere-
dia/442764
37. https://www.forbes.com/sites/johanmoreno/2023/06/28/generative-ai-in-the-office-to-
ban-or-not-ban/?sh=45b1d24494d5
38. https://www.facebook.com/business/news/introducing-ai-sandbox-and-expanding-
meta-advantage-suite?_rdc=2&_rdr
39. https://ai.facebook.com/blog/imagebind-six-modalities-binding-ai/
40. Amazon Web Services, service de cloud computing à la demande.
41. https://www.usine-digitale.fr/article/amazon-a-un-plan-a-100-millions-de-dollars-pour-
accompagner-ses-clients-vers-l-ia-generative.N2146287
42. https://www.numerama.com/tech/1403948-apple-reussit-a-parler-dia-sans-jamais-
parler-dia-lusage-est-roi.html
43. https://www.semianalysis.com/p/google-we-have-no-moat-and-neither
En complément :
https://www.cmswire.com/digital-experience/the-open-source-revolution-challenging-ai-
giants-google-and-openai/
https://www.forbes.com/sites/cindygordon/2023/06/18/is-opensource-ai-threatening-the-
tech-titans/?sh=4eb167951ab8
https://www.stevenbaert.ai/2023/06/01/openai-and-tech-giants-face-open-source-ai-
challenge/
44. En réalité son modèle Llama-1 a fuité à son insu sur Internet et c’est au moment de la
sortie de son modèle Llama-2 que Meta a fait le choix assumé de l’open source.
45. https://www.lemonde.fr/pixels/article/2023/07/18/ia-meta-met-la-pression-sur-openai-
et-google-avec-un-modele-open-source_6182543_4408996
46. https://www.lesechos.fr/tech-medias/intelligence-artificielle/intelligence-artificielle-
generative-la-revolution-chatgpt-en-marche-1935018
47. https://www.journaldugeek.com/2023/03/21/ia-des-chercheurs-ont-copie-chatgpt-pour-
un-prix-derisoire/
48. Chavalarias D., Toxic data, Flammarion, 2023.
49. https://www.01net.com/actualites/chatgpt-comment-openai-eviter-ia-extinction-
homme.html
50. https://www.moma.org/collection/works/401279
51. Griset P. (dir.), « Les ingénieurs des Télécommunications dans la France
contemporaine : réseaux, innovation et territoires (XIXe-XXe siècles) », Institut de la gestion
publique et du développement économique, colloque des 21 et 22 octobre 2010.
http://books.openedition.org/igpde/3188
52. Plateforme déjà reconnue de manière internationale.
https://www.forbes.com/sites/konstantinebuhler/2023/04/11/ai-50-2023-generative-ai-
trends/?sh=1b342feb7c0e
53. https://www.maddyness.com/2023/06/13/mistral-levee-de-fonds-105-millions-
artificielle-generative/
54. Voir également le glossaire en fin d’ouvrage.
55. « Meta entraîne son IA sur la Bible et le Nouveau Testament ».
https://www.frenchweb.fr/meta-entraine-son-ia-sur-la-bible-et-le-nouveau-
testament/443107
56. Cf. glossaire.
57. Cf. glossaire.
58. « Hallucination, synthography, prompt… petit lexique de l’intelligence artificielle
générative », ADN, 18 janvier 2023. https://www.ladn.eu/tech-a-suivre/hallucination-
synthography-prompt-petit-lexique-de-lintelligence-artificielle-generative/
59. https://openai.com
60. https://www.radiofrance.fr/franceinter/podcasts/l-invite-de-9h/le-7-9h-l-interview-de-
9h-du-mercredi-18-janvier-2023-1989180
61. Du moins, c’est encore possible en juillet 2023, date à laquelle nous rédigeons cet
ouvrage.
62. Doan R., Si Rome n’avait pas chuté, Passés Composés, 2023.
63. https://www.lemonde.fr/les-decodeurs/article/2023/05/11/les-images-creees-par-ia-et-
le-risque-de-reecrire-l-histoire_6172920_4355770.html
64. https://www.lesinrocks.com/art/un-tableau-concu-par-une-intelligence-artificielle-
gagne-un-prix-et-cree-la-polemique-495797-06-09-2022/
65. https://www.konbini.com/popculture/pourquoi-un-photographe-a-refuse-le-premier-
prix-quil-venait-de-gagner-grace-a-une-ia/
66. Technique de synthèse multimédia qui repose sur l’intelligence artificielle.
67. https://www.ladn.eu/media-mutants/deep-fake-ia-generatives-tiktok-fake/
68. Parise F., Les Enfants gâtés : anthropologie du mythe du capitalisme responsable,
Payot, 2022.
69. Devillers L., Des robots et des hommes, Plon, 2017.
70. https://www.rtl.fr/actu/international/etats-unis-un-robot-se-suicide-une-enquete-est-
ouverte-7789407284
71. https://theconversation.com/le-robot-humano-de-sophia-revelateur-de-notre-rapport-a-
lintelligence-artificielle-87218
72. ​https://www.bfmtv.com/tech/intelligence-artificielle/elon-musk-steve-wozniak-des-
personnalites-appellent-a-un-moratoire-de-six-mois-sur-l-ia_AV-202303290501.html
73. https://www.sudouest.fr/sciences-et-technologie/menace-ou-reelle-avancee-l-
intelligence-artificielle-generale-en-passe-de-revolutionner-la-vie-humaine-14482473.php
74. https://www.liberation.fr/futurs/2016/03/25/microsoft-muselle-son-robot-tay-devenu-
nazi-en-24-heures_1441963/
75. DarkBERT : A Language Model for the Dark Side of the Internet. En ligne :
https://ar5iv.labs.arxiv.org/html/2305.08596
76. Mori M., « La vallée de l’étrange », Gradhiva, revue d’anthropologie et d’histoire des
arts, 2012, no 15, p. 26-33.
77. https://mitsloan.mit.edu/ideas-made-to-matter/why-neural-net-pioneer-geoffrey-hinton-
sounding-alarm-ai
78. https://www.nytimes.com/2023/05/30/technology/ai-threat-warning.html
79. https://theconversation.com/if-were-going-to-label-ai-an-extinction-risk-we-need-to-
clarify-how-it-could-happen-206738
80. https://theconversation.com/intelligence-artificielle-prendre-en-compte-ses-risques-
concrets-plutot-que-de-potentielles-menaces-existentielles-208246
81. https://theconversation.com/lia-ravive-lenjeu-de-lidentite-professionnelle-205789
82. https://www.euronews.com/next/2023/06/29/womens-jobs-will-be-disproportionately-
affected-by-ai-according-to-new-research
83. https://futurism.com/the-byte/openai-sued-train-ai
84. « Il n’y a pas encore de réponse en droit français » ; « L’intervention d’un humain,
d’une personne physique, constitue le principe fondateur du droit de la propriété
intellectuelle ». Marc Schuler, associé de Taylor Wessing, spécialisé en propriété
intellectuelle. https://www.lemonde.fr/economie/article/2023/07/02/intelligence-artificielle-
les-photographes-reclament-des-garde-fous_6180227_3234.html
 Notes
1. https://www.lebigdata.fr/prompt-engineer
2. Ibid.
3. https://jobs.lever.co/Anthropic/e3cde481-d446-460f-b576-93cab67bd1ed
4. https://www.ladn.eu/tech-a-suivre/nouveau-job-ingenieur-prompt-cette-personne-qui-
sait-parler-aux-machines/
5. Ibid.
6. Ibid.
7. https://www.bloomberg.com/news/articles/2023-03-29/ai-chatgpt-related-prompt-
engineer-jobs-pay-up-to-335-000?leadSource=uverify%20wall#xj4y7vzkg
8. https://openai.com/research/instruction-following
9. Dolbeau-Bandin C., Un robot contre Alzheimer : approche sociologique de l’usage du
robot Paro dans un service de gériatrie, C&F Éditions, 2022.
10. Kyrou A., Google God : Big Brother n’existe pas, il est partout, Inculte, 2010.
11. https://www.ifri.org/fr/espace-media/lifri-medias/chatgpt-nest-debut
12. https://scholar.google.com/citations?
view_op=view_citation&hl=en&user=IeqjwlIAAAAJ&sortby=pubdate&citation_for_view
=IeqjwlIAAAAJ:_axFR9aDTf0C
13. Discord est une plateforme communautaire qui permet d’interagir en temps réel par le
biais de textes, d’images, de vidéos et de voix. Midjourney, une intelligence artificielle
générative, a été intégrée à Discord pour permettre aux utilisateurs de l’utiliser facilement.
14. Wei J., Wang X., Schuurmans D. et al., « Chain-of-Thought Prompting Elicits
Reasoning in Large Language Models », 10 janvier 2023. https://arxiv.org/abs/2201.11903
15. « Introducing 100K Context Windows », 11 mai 2023.
https://www.anthropic.com/index/100k-context-windows
16. Cf. glossaire.
 Notes
1. Eloundou T., Manning S., Mishkin P., Rock D., « GPTs are GPTs: An Early Look at the
Labor Market Impact Potential of Large Language Models », 23 mars 2023.
https://arxiv.org/abs/2303.10130
2. https://www.lesechos.fr/tech-medias/intelligence-artificielle/chatgpt-et-lia-menacent-
300-millions-demplois-dans-le-monde-selon-goldman-sachs-1919968
3. McKinsey & Company, « The Economic Potential of Generative AI : The Next
Productivity Frontier », juin 2023.
4. https://www.vice.com/en/article/pkap3m/gpt-4-cant-replace-striking-tv-writers-but-
studios-are-going-to-try
5. https://www.novethic.fr/actualite/economie/isr-rse/licenciements-chute-en-bourse-
chatgpt-fait-ses-premieres-victimes-151505.html
6. https://finance.yahoo.com/news/job-culling-already-begun-4-190624594.html
7. https://www.frenchweb.fr/cetait-insense-selon-elon-musk-pour-ron-desantis-cest-un-
depart-rate/443163
8. https://www.oecd.org/newsroom/oecd-job-markets-remain-tight-though-inflation-is-
hitting-real-wages.htm
9. Oxford considère que 45 % des emplois vont être déplacés par l’IA dans les dix ans.
10. https://mitsloan.mit.edu/ideas-made-to-matter/workers-less-experience-gain-most-
generative-ai
11. https://theconversation.com/lia-ravive-lenjeu-de-lidentite-professionnelle-205789
12. https://mitsloan.mit.edu/ideas-made-to-matter/why-generative-ai-needs-a-creative-
human-touch?utm_source=thinkingforward&utm_medium=email&utm_id=cq
13. Du nom du roboticien et chercheur en IA Hans Moravec qui l’a formulé.
14. Desjeux D., « Les échelles d’observation de la culture », Communication et
Organisation, revue scientifique francophone en communication organisationnelle, 2022,
no 22.
15. Harari Y. N., Homo deus : une brève histoire du futur, Albin Michel, 2017.
16. Picciuolo A., « Un chapitre de l’histoire de la sémiotique : la naissance du carré
sémiotique », Texto ! Textes et Cultures, 2015, vol. XX, no 3.
17. https://legrandcontinent.eu/fr/2023/04/05/qui-interdit-chatgpt/
18. Michel E., Théorie de l’extensio, Edilivre, 2012.
19. de Sousa Cardoso C., Messina J.-C., Manager Sapiens, De Boeck Supérieur, 2022.
20. Rogers E., Diffusion of Innovations, Free Press, 2003.
21. https://mitsloan.mit.edu/ideas-made-to-matter/why-generative-ai-needs-a-creative-
human-touch?utm_source=thinkingforward&utm_medium=email&utm_id=cq
22. https://mitsloan.mit.edu/ideas-made-to-matter/3-ways-to-center-humans-your-
companys-artificial-intelligence-efforts?
utm_source=thinkingforward&utm_medium=email&utm_campaign=centerhumans
23. https://mitsloan.mit.edu/ideas-made-to-matter/3-ways-to-center-humans-your-
companys-artificial-intelligence-efforts?
utm_source=thinkingforward&utm_medium=email&utm_campaign=centerhumans
24. https://mitsloan.mit.edu/ideas-made-to-matter/3-ways-to-center-humans-your-
companys-artificial-intelligence-efforts?
utm_source=thinkingforward&utm_medium=email&utm_campaign=centerhumans
25. Étude de cas réalisée en mars 2023 dans le cadre d’un cours d’ergonomie cognitive à
destination des étudiants de deuxième année de l’école de design Strate de Lyon.
26. Il s’agit de la « maquette » de l’interface conversationnelle.
 Notes
1. Un plugin est un module complémentaire qui peut être installé et utilisé pour ajouter une
ou plusieurs fonctionnalités à un logiciel existant afin d’améliorer ou étendre les capacités
du programme.
2. Le No Code est une approche du développement de logiciels qui permet aux utilisateurs
non techniques de créer des applications à l’aide d’interfaces visuelles interactives, sans
besoin de connaissances en développement informatique ni l’utilisation de langages de
programmation traditionnels.
 Notes
1. Cf. chapitre 1, « Les définitions clés pour comprendre simplement les IA
conversationnelles et génératives ».
2. https://www.numerama.com/tech/1383984-un-laureat-du-nobel-de-litterature-utilise-
chatgpt-contre-la-page-blanche.html
3. https://www.konbini.com/popculture/la-premiere-artiste-reconnue-comme-autrice-dune-
oeuvre-generee-par-ia-perd-ses-droits/
4. https://www.lepoint.fr/economie/ecrivains-artistes-scientifiques-ce-qu-ils-pensent-de-l-
ia-20-05-2023-2520874_28.php
5. https://decrypt.co/fr/147269/ceo-de-stability-ai-il-ny-aura-plus-de-programmeurs-
humains-dans-cinq-ans
6. Selon Thomas Dohmke, directeur général de GitHub, la plateforme de développement
logiciel devrait permettre aux IA de suggérer environ 80 % du code aux développeurs d’ici
à cinq. https://www.latribune.fr/technos-medias/informatique/github-l-intelligence-
artificielle-va-nous-permettre-de-devenir-un-pilier-de-microsoft-thomas-dohmke-directeur-
general-940149.html
7. Lian L., Li B., Yala A., Darrell T., « LLM-grounded Diffusion: Enhancing Prompt
Understanding of Text-to-Image Diffusion Models with Large Language Models », Cornell
University, 2023. https://arxiv.org/abs/2305.13655
8. Cf. glossaire.
9. https://help.runwayml.com/hc/en-us/articles/17329337959699-Gen-2-Prompt-Tips
10. https://www.bmw.com/fr/design/ia-design-et-art-numerique.html
11. La transformation des métiers de l’image est déjà à l’œuvre avec des outils tels que
segment-anything.com (Meta), la fonctionnalité Generative Fill d’Adobe ou encore les
outils développés autour de DragGan AI Tool.
12. https://www.presse-citron.net/ils-apportent-la-puissance-de-lia-dans-vos-series-3-
startups-a-connaitre/
13. https://www.vice.com/en/article/pkap3m/gpt-4-cant-replace-striking-tv-writers-but-
studios-are-going-to-try
14. https://kotaku.com/one-piece-eiichiro-oda-chatgpt-ai-chopper-manga-1850172765
15. https://apnews.com/article/grammys-ceo-ai-rules-interview-
dea135035893deab37719c354f31a889
 Notes
1. https://ai.facebook.com/blog/imagebind-six-modalities-binding-ai/
2. https://www.journaldugeek.com/2023/06/14/avec-laide-de-lia-ikea-invente-un-canape-
qui-tient-dans-une-enveloppe/
3. Paris F., Buchanan L., « 35 Ways Real People Are Using A.I. Right Now », The New
York Times, 14 avril 2023.
4. https://venturebeat.com/security/how-one-researcher-used-chatgpt-to-fool-a-hacker/
5. https://lighthouse.mq.edu.au/article/june-2023/scamming-the-scammers
6. https://mitsloan.mit.edu/ideas-made-to-matter/workers-less-experience-gain-most-
generative-ai
7. https://www.radiofrance.fr/franceinter/un-avocat-americain-a-utilise-chatgpt-pour-
preparer-un-proces-et-n-a-cite-que-des-faux-arrets-3833906
8. https://www.republik-retail.fr/solutions-techno/data/ce-qu-il-faut-retenir-des-ambitions-
de-carrefour-avec-chatgpt.html
9. https://theconversation.com/les-competences-relationnelles-une-lacune-a-combler-pour-
les-chatbots-208680
10. https://theconversation.com/avec-le-developpement-des-chatbots-les-salaries-du-
secteur-des-assurances-sinterrogent-sur-leur-role-209009
 Notes
1. https://www.frenchweb.fr/openai-marque-un-temps-davance-en-se-connectant-a-des-
services-tels-que-klarna-expedia-ou-encore-zapier/441461
2. Ces plateformes permettent d’intégrer différentes applications solutions entre elles sans
nécessiter de compétences en codage
3. Promesses d’outils tels que usegalileo.ai.
4. https://www.linkedin.com/pulse/1200-business-school-students-used-my-chatbot-ed-
class-nizon
5. Du type Sketch-to-Skybox. https://skybox.blockadelabs.com/
6. Fonctionnalités déjà proposées par Zoom IQ par exemple.
7. SaaS (Software as a Service) : c’est un modèle de distribution de logiciel où un
fournisseur tiers héberge des applications et les met à la disposition des clients via Internet.
Dans ce modèle, les utilisateurs n’ont pas besoin d’installer et de maintenir le logiciel eux-
mêmes. Ils accèdent simplement à celui-ci via le cloud, souvent via un navigateur web. Les
services de SaaS sont généralement basés sur un modèle d’abonnement.
8. Cf. glossaire.
9. Pour cela il sera possible d’utiliser des interfaces de programmation d’applications (API,
Application Programming Interface), des plugins directement accessibles dans les solutions
ou des outils d’automatisation sans code (No Code) comme Make ou Zapier.
10. Dans le cadre d’une architecture multi-agents ou MoE (cf. glossaire).
11. On-premise : il s’agit du modèle de déploiement traditionnel de logiciel où
l’infrastructure et le logiciel sont hébergés sur site, c’est-à-dire sur les serveurs physiques
de l’entreprise, et sont gérés par son propre personnel informatique. Dans ce modèle,
l’entreprise est responsable de l’installation, de la maintenance et de la sécurité du logiciel.
12. Cette vectorisation des connaissances possède également la perspective d’être plus
efficiente d’un point de vue énergétique, économique et donc écologique, que l’exploitation
d’un contexte élargi plus consommateur en ressources.
 Notes
1. https://theconversation.com/limpact-environnemental-du-numerique-un-enjeu-encore-
mal-pris-en-compte-par-les-entreprises-207741
2. https://www.businessinsider.com/chatgpt-generative-ai-water-use-environmental-
impact-study-2023-4?r=US&IR=T
3. https://www.lepoint.fr/editos-du-point/les-faiblesses-de-chatgpt-sont-le-miroir-des-
notres-22-05-2023-2521019_32.php#11
4. https://notbyai.fyi/
5. https://www.mm.be/news-fr-69948-nikon-promeut-l-intelligence-naturelle
6. https://www.ogilvy.com/fr/fre/work/not-generated-ai
7. https://twitter.com/lmatsakis/status/1669014096593788929?s=20
8. https://www.imperva.com/resources/reports/2023-Imperva-Bad-Bot-Report.pdf
9. https://cset.georgetown.edu/publication/ai-chips-what-they-are-and-why-they-matter/
10. En plus des GPU, d’autres types de puces d’IA comprennent les FPGA (Field
Programmable Gate Arrays) et les ASIC (Application Specific Integrated Circuits). Ces
deux types de puces peuvent être programmés ou conçus pour effectuer des calculs
spécifiques de manière plus efficace que les puces génériques, ce qui les rend
particulièrement utiles pour l’IA.
11. https://www.france24.com/en/business/20221013-why-semiconductors-are-central-to-
world-economy-geopolitics. Pour en mesurer la portée, il suffit de constater comment Sam
Altman, fondateur et CEO d’OpenAI, fut reçu en 2023 tel un chef d’État partout à travers
le monde.
12. https://home.cib.natixis.com/articles/how-are-geopolitics-shaping-the-semiconductor-
industry
13. https://www.cnbc.com/2023/07/04/what-are-gallium-and-germanium-china-curbs-
exports-of-metals-for-tech.html
14. https://commission.europa.eu/strategy-and-policy/priorities-2019-2024/europe-fit-
digital-age/european-chips-act_en
15. En juillet 2023, Joe Biden a invité les sept principaux géants de l’IA américains,
Amazon, Anthropic, Google, Inflection AI, Meta, Microsoft et OpenAI, afin de les inciter à
s’engager contre les cyberattaques, la fraude et la manipulation.
https://www.lemonde.fr/pixels/article/2023/07/22/intelligence-artificielle-des-geants-de-la-
tech-acceptent-de-mettre-en-place-des-regulations-a-la-demande-de-
washington_6182967_4408996.html. L’invitation va aboutir quelques jours plus tard à la
création du Frontier Model Forum, « un nouvel organisme sectoriel chargé de garantir un
développement sûr et responsable des modèles d’IA d’avant-garde ».
https://blogs.microsoft.com/on-the-issues/2023/07/26/anthropic-google-microsoft-openai-
launch-frontier-model-forum/
16. https://www.brookings.edu/articles/the-geopolitics-of-ai-and-the-rise-of-digital-
sovereignty/
17. https://www.nytimes.com/2023/06/12/health/doctors-chatgpt-artificial-
intelligence.html
18. https://www.academie-medecine.fr/lintelligence-artificielle-au-service-de-la-sante/
19. Des solutions se déploient déjà sur le sujet.
https://techcrunch.com/2023/07/05/lovense-chatgpt-pleasure-companion/
20. https://www.francetvinfo.fr/internet/intelligence-artificielle/j-ai-demande-a-chatgpt-de-
rediger-un-amendement-comment-l-intelligence-artificielle-s-invite-a-l-assemblee-
nationale_5903954.html
21. https://www.slashgear.com/1325188/urtopia-smart-electric-bike-chatgpt-ai-integration/
22. https://www.sportspromedia.com/news/tour-de-france-femmes-ntt-chatgpt-ai/?
zephr_sso_ott=87cx3t
 Notes
1. En complément des définitions données dans le chapitre 1.
2. « Self-supervised learning: The dark matter of intelligence », 4 mars 2012.
https://ai.meta.com/blog/self-supervised-learning-the-dark-matter-of-intelligence/
3. https://www.businessinsider.com/openai-gpt4-ai-model-got-lazier-dumber-chatgpt-
2023-7?r=US&IR=T
4. Pour aller plus loin : https://scienceetonnante.com/2023/01/13/stable-diffusion/
5. Frédéric Alexandre, « De Cambridge Analytica à ChatGPT, comprendre comment l’IA
donne un sens aux mots », 19 mai 2023. https://theconversation.com/de-cambridge-
analytica-a-chatgpt-comprendre-comment-lia-donne-un-sens-aux-mots-205534
6. En ligne : https://arxiv.org/abs/1706.03762