Comment utiliser l'IA au travail

Partir de la tâche, jamais de l'outil

La plupart des conseils sur l'IA au travail partent d'un produit et cherchent quoi en faire. L'ordre est inverse, et c'est pourquoi tant de projets pilotes s'éteignent au bout d'un mois. Partez plutôt d'une tâche que vous faites déjà, et posez-vous trois questions.

Pouvez-vous vérifier vite si le résultat est juste ? Rédiger une première version de compte rendu passe le test : vous étiez à la réunion, donc un compte rendu faux se voit en quelques secondes. Produire le montant à facturer à un client échoue : le vérifier coûte aussi cher que de le calculer, donc rien n'est gagné.

Se tromper coûte-t-il plus cher qu'aller lentement ? Là où l'erreur est peu coûteuse et réversible, un brouillon rapide et imparfait est un vrai gain. Là où l'erreur coûte cher ou passe inaperçue, le temps apparemment gagné est emprunté sur une facture payée plus tard.

Ce travail vous appartient-il au point de le confier ? Un document confidentiel, des données personnelles concernant autrui, ou ce qui relève d'un contrat client ne deviennent pas transferables à un service tiers parce que ce serait pratique.

Là où elle mérite sa place

Les gains constants sont peu spectaculaires : transformer des notes brutes en premier jet structure, reformuler pour un autre public ce que vous maîtrisez déjà, produire les variantes ennuyeuses d'un texte parmi lesquelles vous choisirez, ou expliquer un code inconnu et un document dense assez bien pour que vous posiez de meilleures questions.

Les échecs sont tout aussi stables : tout ce qui exige un fait auquel le modèle n'a pas d'accès fiable, tout ce où le ton assuré masque l'absence de savoir, et tout ce que vous ne pouvez pas vérifier plus vite que vous ne l'auriez fait.

Ce que nous avons mesuré nous-mêmes

Le cadre ci-dessus est une façon de décider. Voici une mesure qui le sous-tend, conduite sur ce site le 2026-08-10 : trois modèles économiques extrayant sept champs de 24 factures fournisseur, à quatre niveaux de texte dégradé. Le chiffre qui compte n'est pas l'exactitude. C'est la part des réponses fausses revenues sans le moindre avertissement, dans une tâche où le contrôle humain était censé servir de filet.

Texte dégradé	Extractions fausses sur 72	Fausses sans aucun signalement	Part silencieuse
N1 propre	0	0	sans objet
N2 colonnes perdues	0	0	sans objet
N3 totaux mélangés	21	3	14,3 pour cent
N4 libellés perdus	21	10	47,6 pour cent

Lisez ce tableau à la lumière de la première question du cadre. Sur du texte propre, les modèles ont été parfaits, 144 extractions sur 144, et le contrôle n'aurait rien eu à corriger. Sur du texte dégradé ils ont cassé, et le silence a grandi avec la difficulté : plus le document est difficile, moins le modèle dit son propre doute. C'est exactement la forme de défaillance que les trois questions ci-dessus servent à attraper, et c'est pourquoi « pouvez-vous vérifier vite que la réponse est juste » est la première d'entre elles et non la troisième.

Voir le jeu de données complet, avec les réponses brutes, la vérité terrain et les scripts.

A lire ensuite

Les articles de cette rubrique déroulent ce cadre de décision et ses modes de panne en détail.