Atelier bonus : comprendre ce que fait vraiment une IA

Mécanismes, limites, coûts, cadre réglementaire et charte d’usage

Ce qui va se passer aujourd’hui

Vous utilisez ces outils tous les jours. Vous allez apprendre deux choses que presque personne ne sait faire.

La première : savoir ce que vous manipulez. D’où vient la réponse qu’on vous donne, pourquoi elle est parfois fausse avec assurance, et comment repérer le moment exact où elle bascule.

La seconde, plus utile encore à un responsable marketing : ce que vous pouvez en tirer. Vous repartirez avec une chaîne de production complète, de l’analyse d’un concurrent à la publication, et avec les repères qui montrent pourquoi le référencement que vous avez appris ne suffit pas à prédire votre visibilité dans les réponses des IA.

Ce que vous saurez à la fin de cet atelier

• Distinguer ce qu’on range abusivement sous un seul mot : apprentissage automatique, apprentissage profond, IA générative
• Expliquer en trois phrases comment un modèle de langage produit du texte, et pourquoi il se trompe
• Faire produire une analyse concurrentielle, un plan éditorial et un brief créatif en une demi-journée au lieu d’une semaine
• Savoir ce qui rend un contenu citable par une IA, chiffres à l’appui
• Écrire une charte d’usage applicable dans une équipe

1. Trois choses qu’on appelle « IA »

1.1 Le mot recouvre trois réalités différentes

Le vocabulaire courant confond trois familles qui ne posent ni les mêmes questions ni les mêmes risques.

Les deux premières familles classent ou prédisent : elles répondent à « ce client va-t-il résilier ». La troisième produit : elle répond à « écris-moi le courriel de rétention ».

Cette distinction n’est pas académique. Un score de prédiction se valide en mesurant : on compare ses prédictions aux résultats réels. Un texte produit ne se valide pas de cette façon, parce qu’il n’existe pas de bonne réponse unique. Autrement dit, la troisième famille est celle dont la qualité ne se mesure pas automatiquement, et c’est précisément celle que votre entreprise déploie le plus vite.

1.2 Ce qui a changé, et ce qui n’a pas changé

Ce qui a changé est l’accès : ces outils ont quitté les équipes techniques pour arriver dans les mains de tout le monde, sans formation, sans cadre et sans contrôle.

Ce qui n’a pas changé est la nature du problème. Une organisation qui déploie un outil que personne ne sait évaluer prend le même risque qu’avec n’importe quel autre outil dans la même situation. Le fait qu’il produise du texte plausible rend simplement le défaut plus difficile à voir.

Atelier 1, classer des usages

En binôme. Voici huit usages. Pour chacun : de quelle famille relève-t-il, et surtout, comment sauriez-vous qu’il fonctionne mal ?

1. Un score qui prédit quels clients vont résilier.
2. Un assistant qui rédige les réponses aux avis clients.
3. Un filtre qui écarte les courriels indésirables.
4. Un outil qui génère les visuels d’une campagne.
5. Un système qui recommande des produits sur un site marchand.
6. Un outil qui résume les comptes rendus de réunion.
7. Un système qui trie les candidatures reçues.
8. Un assistant qui répond aux clients dans une messagerie en ligne.

La seconde question est la vraie question. Pour la moitié de ces usages, la réponse est difficile, et c’est ce qu’il faut constater.

2. Comment un modèle de langage produit du texte

2.1 Le mécanisme, en trois phrases

Un modèle de langage découpe le texte en petites unités, apprend sur d’énormes volumes de textes quelles unités suivent quelles autres, et produit ensuite en choisissant, à chaque étape, une continuation probable compte tenu de ce qui précède.

Il ne cherche pas ce qui est vrai. Il cherche ce qui est plausible.

C’est la phrase à retenir de tout l’atelier, parce qu’elle explique à elle seule presque tout le reste : la qualité de l’écriture, la confiance apparente, et l’erreur qui ressemble à une réponse.

2.2 Pourquoi il se trompe, et où exactement

On appelle « hallucination » une production fausse énoncée avec assurance : une source qui n’existe pas, un chiffre inventé, une citation attribuée à la mauvaise personne.

Le mot est trompeur, car il suggère un dysfonctionnement. Ce n’est pas un dysfonctionnement : c’est le fonctionnement normal. Le modèle produit ce qui est plausible ; une référence bibliographique inventée est parfaitement plausible, puisqu’elle a exactement la forme d’une vraie.

Trois conséquences pratiques, plus utiles que n’importe quelle liste de précautions.

Le risque augmente là où vous ne pouvez pas vérifier. Sur un sujet que vous maîtrisez, vous repérez l’erreur. Sur un sujet que vous découvrez, non. C’est exactement l’inverse de l’usage spontané, qui consiste à s’en servir surtout sur ce qu’on ne connaît pas.

Les détails précis sont les plus suspects. Un numéro de page, une date exacte, un pourcentage à la décimale : ce sont les éléments les plus faciles à produire de façon plausible et les plus difficiles à vérifier d’un coup d’œil.

La confiance affichée n’est pas un indice. Rien dans la formulation ne distingue une réponse sûre d’une réponse inventée. Attendre un signal de doute revient à attendre un signal qui n’existe pas.

2.3 Ce qu’il ne sait pas

Il ne sait rien de votre entreprise que vous ne lui ayez donné. Il ne sait rien de ce qui s’est passé après son entraînement, sauf s’il consulte une source. Et il ne sait pas ce qu’il ne sait pas : il n’a aucun moyen de distinguer, en lui-même, un domaine qu’il a beaucoup vu d’un domaine qu’il n’a presque pas vu.

Atelier 2, le faire échouer exprès

En binôme. L’objectif n’est pas de le prendre en défaut pour le plaisir : c’est de repérer où il échoue, ce qui vous dira quand vous méfier. Vous n’aurez plus jamais à y revenir ensuite.

1. Demandez trois références bibliographiques précises sur un sujet pointu de votre secteur, avec auteur, éditeur et année. Vérifiez chacune en ligne.
2. Demandez un chiffre de marché très précis pour un secteur de niche. Demandez ensuite sa source, puis vérifiez que la source dit bien cela.
3. Posez une question dont la prémisse est fausse, par exemple sur un événement qui n’a pas eu lieu.
4. Reposez la même question factuelle trois fois, en repartant de zéro à chaque fois. Comparez les réponses.

Notez pour chacune : s’est-il trompé, et auriez-vous vu l’erreur sans vérifier ?

3. Ce que vous pouvez lui faire faire dès demain

Voici la partie que vous emporterez. Dix demandes rédigées, à copier telles quelles, qui couvrent la quasi-totalité du travail d’un responsable marketing. Elles ont toutes une propriété commune : le résultat est vérifiable par vous.

3.1 Comprendre un marché et des concurrents

L’analyse d’une page concurrente, et c’est la plus rentable de toutes.

Voici le contenu de la page d’accueil d’un concurrent, que je colle ci-dessous. Analyse-la et donne-moi : la promesse principale telle qu’elle est formulée, les trois arguments sur lesquels elle repose, la cible visée d’après le vocabulaire employé, ce qu’elle ne dit pas et qui devrait y être, et les trois angles par lesquels une offre concurrente pourrait la déborder.

Ne fais aucune supposition qui ne s’appuie pas sur le texte. Si une information manque, dis-le plutôt que de l’inventer.

[Coller le contenu de la page]

L’écoute client à grande échelle

Voici cinq cents avis clients, extraits d’une plateforme d’avis. Regroupe-les par thème, classe les thèmes du plus fréquent au moins fréquent, et donne pour chacun : le nombre d’avis concernés, une citation représentative, et le sentiment dominant.

Signale à part les avis qui décrivent un problème que je pourrais corriger cette semaine.

Ce travail prenait une journée entière et personne ne le faisait. Il prend maintenant dix minutes, et le résultat est vérifiable : vous relisez vingt avis au hasard et vous confirmez le classement.

3.2 Construire

Le plan éditorial adossé aux vraies questions

Tu es responsable éditorial dans le secteur [secteur]. Notre offre est [offre en une phrase], notre cible est [cible].

Propose un plan éditorial trimestriel de douze contenus. Pour chacun : le titre, la question précise à laquelle il répond, l’intention de recherche derrière cette question (comprendre, comparer, acheter), le format le mieux adapté, et l’étape du parcours d’achat qu’il sert.

Équilibre les trois intentions. Ne propose aucun sujet que nous ne serions pas légitimes à traiter.

Les vingt angles d’un même message

Voici le message que je dois faire passer : [message]. Donne-moi vingt formulations différentes, chacune avec un angle distinct : par le bénéfice, par la perte évitée, par la preuve chiffrée, par le témoignage, par la comparaison, par la question, par la provocation mesurée.

Pour chacune, indique à quel type d’interlocuteur elle s’adresse le mieux.

Le brief pour un prestataire

Rédige un brief créatif pour une agence, à partir des éléments suivants : [contexte, objectif, cible, contraintes, budget, délai].

Structure : contexte, objectif mesurable, cible et insight, message clé, ce que nous ne voulons surtout pas, livrables attendus avec formats, jalons, critères d’acceptation.

Termine par la liste des informations qui manquent à ce brief et que je dois obtenir avant de l’envoyer.

La dernière phrase est celle qui rend ce prompt supérieur à ce que vous auriez écrit seul.

3.3 Décider et arbitrer

La relecture avant envoi

Voici un document que je m’apprête à envoyer à [destinataire]. Lis-le comme si tu étais cette personne, avec ses intérêts et ses contraintes.

Dis-moi : ce qu’elle va comprendre, ce qu’elle va me reprocher, les trois objections qu’elle va formuler, et le passage qu’elle lira en premier.

Ne corrige rien pour l’instant.

L’entraînement à l’objection

Tu vas jouer le rôle d’un client. Tu es [fonction] dans [type d’entreprise]. Tu as déjà un fournisseur qui te convient à peu près, tu trouves notre offre trop chère, et tu n’as pas de temps à me consacrer.

Tu réponds uniquement en tant que ce personnage, une réplique à la fois, et tu attends ma réponse. Tu ne me facilites pas la tâche, mais tu restes réaliste : si mon argument est bon, tu le reconnais.

Commence par ta première objection.

Puis, une fois l’échange terminé :

Sors du rôle. Analyse mes réponses : ce que j’ai bien fait, les trois moments où j’ai perdu du terrain et pourquoi, ce que j’aurais pu dire à la place, et le point à travailler en priorité.

C’est le meilleur usage de tous, et le moins pratiqué. Aucun livrable, donc aucun risque d’erreur transmise, et un vrai travail sur vos réflexes.

La réunion transformée en décisions

Voici mes notes brutes prises pendant une réunion. Transforme-les en compte rendu structuré : contexte, décisions prises, points restés ouverts, actions avec un responsable et une échéance pour chacune.

N’ajoute aucune information qui ne figure pas dans mes notes. Si une action n’a pas de responsable identifié, écris « à attribuer » plutôt que de deviner.

La traduction du jargon

Voici la description technique de notre produit. Réécris-la pour un acheteur qui ne connaît rien au domaine : ce que ça lui apporte, en quoi c’est différent de ce qu’il utilise aujourd’hui, et ce qu’il doit retenir s’il ne retient qu’une phrase.

Aucun terme technique sans son équivalent en langage courant.

3.4 La règle qui rend tout cela sûr

Vous l’avez peut-être remarquée : chacune de ces demandes contient une contrainte de véracité. « N’ajoute aucune information qui ne figure pas dans mes notes. » « Si une information manque, dis-le. » « À attribuer plutôt que de deviner. »

Sans elle, l’outil comble les vides, parce que combler un vide de façon plausible est exactement ce qu’il sait faire. Avec elle, il signale le vide.

C’est la seule ligne de prompt qui vaut d’être apprise par cœur aujourd’hui.

Atelier 3, votre chaîne de production

En binôme. Prenez une offre réelle, celle de l’une de vos entreprises d’accueil.

Enchaînez quatre des demandes ci-dessus, dans cet ordre, en réutilisant à chaque étape ce que la précédente a produit :

1. L’analyse d’un concurrent, sur sa vraie page d’accueil.
2. Les vingt angles, sur votre message principal.
3. Le plan éditorial trimestriel.
4. La relecture avant envoi, appliquée au plan lui-même.

Ce que vous rendez : le plan éditorial, plus une page qui répond à trois questions. Qu’est-ce qui, dans ce que vous avez obtenu, était juste et que vous n’auriez pas trouvé seuls ? Qu’est-ce qui était faux, et comment l’avez-vous su ? Et combien de temps ce travail vous aurait-il pris sans ces outils ?

4. Ce que cela change pour votre marque

Une partie que vous ne trouverez dans aucun manuel, parce qu’elle date de moins de deux ans.

4.1 Vos clients ne cherchent plus, ils demandent

Une part croissante de vos futurs clients n’arrive plus sur votre site par une liste de résultats. Ils posent une question à un assistant, et lisent la réponse. Votre marque y figure, ou n’y figure pas.

La question professionnelle n’est donc plus seulement « comment être bien classé », mais « comment être cité ». Les deux restent liés, sans se confondre : un bon classement organique peut aider, mais il ne garantit pas la citation par un assistant.

4.2 Ce que les données permettent d’affirmer

Les études disponibles ne donnent pas une recette universelle. Elles observent des plateformes, des requêtes, des dates et des définitions de la citation différentes. Certaines mesurent un lien entre rang organique et citation, d’autres observent de nombreuses citations hors des premiers résultats. La conclusion solide est plus utile qu’un pourcentage spectaculaire : le rang organique n’est ni une garantie, ni le seul signal à travailler.¹

La mesure doit rester contextualisée. Un résultat obtenu sur Google AI Overviews ne s’applique pas automatiquement à ChatGPT, Claude ou Perplexity. Il faut noter l’outil, la date, le corpus de requêtes et le protocole avant de comparer deux chiffres.

Le contenu peut être rendu plus exploitable. Le travail académique GEO de Princeton montre, sur son banc d’essai contrôlé, que certaines transformations peuvent augmenter la visibilité jusqu’à 40 %. Les auteurs précisent aussi que l’efficacité varie selon le domaine. Ce chiffre décrit donc un maximum expérimental, pas une promesse de résultat.

La leçon pratique reste stable. Des faits vérifiables, des données datées et des citations attribuées donnent à l’assistant une matière plus facile à reprendre et au lecteur une matière plus facile à contrôler. Cela complète le référencement classique, sans le remplacer.

4.3 Ce que vous en faites lundi

La conclusion opérationnelle tient en une phrase : un contenu citable est un contenu qui contient des faits attribuables.

Écrire « notre solution est rapide » ne donne rien à citer. Écrire « notre solution traite 4 000 commandes par heure, mesuré en janvier 2026 sur l’installation de [client] » donne une phrase qu’une machine peut extraire et attribuer.

C’est aussi, accessoirement, ce qui rend un texte crédible pour un lecteur humain. Les deux exigences convergent, ce qui est rare et vaut d’être noté.

5. Le cadre, les coûts, et ce qu’ils vous imposent

5.1 Les biais, en trois manifestations

Un modèle apprend sur des données produites par des humains, dans une société donnée, à une époque donnée. Il reproduit ce qu’elles contiennent, y compris ce que personne n’a voulu y mettre.

Les représentations. Demandez des visuels de « dirigeant d’entreprise », de « infirmier », de « personne qui fait le ménage » : observez qui apparaît. Vos campagnes en héritent si personne ne regarde.

La langue et le contexte. Ces modèles ont vu beaucoup plus d’anglais et de contextes anglo-saxons. Un plan marketing produit sans précaution reprendra des références, des usages et parfois des cadres juridiques qui ne sont pas les vôtres.

L’invisibilité de ce qui manque. Le plus difficile à repérer : ce qui est peu présent dans les données produit des réponses vagues, et rien ne signale que le sujet était mal couvert.

5.2 Trois coûts portés ailleurs

Le coût énergétique. L’entraînement et l’utilisation de ces modèles consomment de l’électricité, et la croissance des centres de données est devenue un sujet de politique énergétique. L’Agence internationale de l’énergie y a consacré un rapport dédié en avril 2025².

Un mot sur la méthode, plus important ici que le chiffre : les chiffres qui circulent sur ce sujet sont massivement faux, recopiés d’article en article sans source primaire. Quand vous devrez argumenter en entreprise, remontez à la source ou ne citez pas de chiffre.

Le coût humain. L’entraînement repose sur un travail d’annotation et de filtrage réalisé par des personnes, souvent dans des pays à bas salaires, parfois sur des contenus violents.

Le coût pour les auteurs. Les modèles sont entraînés sur des textes et des images produits par des personnes, largement sans autorisation ni rémunération. La question est devant les tribunaux dans plusieurs pays et n’est pas tranchée.

5.3 Le règlement européen, en trois points qui vous concernent

L’Union européenne s’est dotée d’un règlement sur l’IA, entré en vigueur le 1er août 2024, d’application progressive³. Il classe les systèmes en quatre niveaux : risque inacceptable avec des pratiques interdites, risque élevé avec des obligations lourdes, risque de transparence, et risque minimal qui couvre la majorité des usages courants.

La transparence pour l’IA générative. Un utilisateur doit pouvoir savoir qu’il interagit avec une machine, et les contenus produits par une IA doivent pouvoir être identifiés comme tels. Ces règles s’appliquent depuis le 2 août 2026. Une seule exception, et elle vous concerne directement : pour les outils déjà sur le marché à cette date, la seule obligation de marquage lisible par machine des contenus produits ne devient exigible que le 2 décembre 2026³.

Le tri de candidatures est un usage à risque élevé. L’emploi figure explicitement parmi les domaines concernés. Les obligations propres à ces systèmes s’appliqueront le 2 décembre 2027, date reportée en juillet 2026⁴ : un outil de présélection n’est donc pas un outil de confort, et la conformité se prépare maintenant, pas à l’échéance.

La maîtrise de l’IA. Depuis le 2 février 2025, fournisseurs et déployeurs doivent prendre des mesures pour assurer, dans toute la mesure du possible, un niveau suffisant de maîtrise de l’IA chez les personnes qui utilisent ces systèmes pour leur compte. C’est une obligation de moyens et non de résultat : personne n’a à garantir un niveau, tout le monde a à faire quelque chose. Autrement dit, ce que vous faites aujourd’hui relève d’une obligation qui pèse sur votre employeur, pas d’un supplément d’âme.

Atelier 4, la charte d’usage

En groupes de trois. Rédigez la charte d’usage de l’IA générative pour l’une de vos entreprises d’accueil.

Une page maximum, et elle doit être applicable par quelqu’un qui n’a pas suivi cet atelier.

1. Les usages encouragés, trois exemples concrets pris dans ceux de la partie 3.
2. Les usages interdits, trois exemples concrets.
3. Ce qu’on ne donne jamais à lire à un outil externe.
4. La règle de relecture : qui relit quoi, avant quoi.
5. La règle de transparence : dans quels cas le dit-on, et comment.
6. Qui décide en cas de doute.

Contrainte : aucune règle ne doit demander une interprétation. « Utiliser l’IA de façon responsable » n’est pas une règle, c’est un vœu.

Synthèse

Trois familles sous un seul mot. Classer, prédire, produire. La troisième est celle dont la qualité ne se mesure pas automatiquement, et c’est celle qui se déploie le plus vite.

Il ne cherche pas ce qui est vrai, il cherche ce qui est plausible. L’erreur assurée n’est pas un défaut, c’est le fonctionnement. Le risque est maximal là où vous ne pouvez pas vérifier.

Dix demandes couvrent l’essentiel de votre métier : analyser un concurrent, écouter cinq cents clients, bâtir un plan éditorial, produire vingt angles, briefer une agence, anticiper les objections, transformer une réunion en décisions.

Une ligne de prompt vaut d’être apprise par cœur : « n’ajoute aucune information qui ne figure pas dans ce que je te donne ; si une information manque, dis-le. »

Votre visibilité a changé de règles. Le rang Google et les liens entrants ne prédisent pas la citation par une IA. Ce qui la prédit se mesure : des faits chiffrés, des sources nommées, un format question-réponse.

Le cadre existe : quatre niveaux de risque, transparence obligatoire pour l’IA générative depuis août 2026, tri de candidatures classé à risque élevé avec des obligations applicables au 2 décembre 2027, et obligation de moyens sur la maîtrise de l’IA depuis février 2025.

Pour aller plus loin

Cherchez, dans votre entreprise d’accueil, un usage de l’IA que personne n’a décidé. Il y en a un : quelqu’un s’est mis à faire relire ses courriels, à faire résumer des documents, à produire des visuels.

La question à rapporter n’est pas s’il faut l’interdire. C’est : qui aurait dû l’autoriser, et qu’est-ce qui a été donné à lire à un outil externe sans que personne ne le sache ?

Trois lectures pour la partie visibilité, toutes appuyées sur des mesures et non sur des opinions.

Sources

Notes

• Aggarwal et al., « GEO: Generative Engine Optimization », KDD 2024, DOI 10.1145/3637528.3671900 : visibilité augmentée jusqu’à 40 % sur GEO-bench, avec une efficacité variable selon les domaines. Kakimov et al., « Auditing Citation Behavior in AI-Generated Search Summaries », Canadian AI 2026, PMLR 318 : cadre d’audit conditionné par le rang et la provenance, qui confirme la nécessité d’une mesure transparente et contextualisée. Sources vérifiées le 11 août 2026 : collaborate.princeton.edu/en/publications/geo-generative-engine-optimization et proceedings.mlr.press/v318/kakimov26a.html. Revenir au texte
• Agence internationale de l’énergie, rapport « Energy and AI », publié le 10 avril 2025, consacré à la demande énergétique liée à l’intelligence artificielle et à ses projections. Source : iea.org/reports/energy-and-ai. Vérifié le 11 août 2026. Les chiffres de détail sont dans le rapport lui-même : ne citer aucun ordre de grandeur sans l’y avoir lu. Revenir au texte
• Règlement (UE) sur l’intelligence artificielle, entré en vigueur le 1er août 2024, d’application progressive : interdictions et obligation de maîtrise de l’IA depuis le 2 février 2025, gouvernance et modèles à usage général depuis le 2 août 2025, règles de transparence de l’article 50 depuis le 2 août 2026. Ces dernières n’ont pas été reportées par l’omnibus numérique : seul le marquage lisible par machine des contenus produits (article 50, paragraphe 2) bénéficie d’un délai au 2 décembre 2026, et pour les seuls systèmes mis sur le marché avant le 2 août 2026. Article 4 : fournisseurs et déployeurs « prennent des mesures pour garantir, dans toute la mesure du possible, un niveau suffisant de maîtrise de l’IA » de leur personnel. Obligation de moyens, et non de résultat. Source : Commission européenne, digital-strategy.ec.europa.eu. Vérifié le 11 août 2026. Revenir au texte
• Règlement (UE) 2026/1744, dit « omnibus numérique », entré en vigueur le 27 juillet 2026 : il reporte au 2 décembre 2027 les obligations applicables aux systèmes à haut risque de l’annexe III, dont le recrutement. Le classement en haut risque, lui, n’est pas reporté. Source : Journal officiel de l’Union européenne, eur-lex.europa.eu. Vérifié le 11 août 2026. Revenir au texte

À lire aussi sur le site

• Introduction à l’IA : apprentissage automatique, apprentissage profond, IA générative : le socle théorique de l’atelier, à lire avant ou après.
• Détecter un texte écrit par une IA : les marqueurs qui trahissent une machine, onze tableaux de repères.