📰 AI NEWS
🌀 GenAI : on en est où, trois ans après ?
🏓 Un robot bat des joueurs professionnels de ping-pong, qu’est-ce que ça implique ?
🛠️ Et si n'importe qui pouvait construire son propre outil cet après-midi ?

🛠️ AI TOOL
🎨 Claude Design : de l'idée au visuel sans ouvrir Figma ou PowerPoint

🤖 Prompt Hack
🔍 Forcer l'IA à auditer sa propre réponse

AI NEWS 🗞️

🌀 GenAI : on en est où, trois ans après ?

Depuis novembre 2022, on vit une "petite" révolution avec l'arrivée de la GenAI dans nos vies. 

Au début, on attendait chaque nouveau modèle pour avoir plus performant. Aujourd'hui, ils sont tellement performants qu'on voit à peine la différence... Les sorties s'enchaînent, accompagnées de nouveaux produits et fonctionnalités, à l'image d'Anthropic qui nous submerge depuis un an avec ses agents, ses skills, son Cowork.

Si on regarde en arrière, c'est devenu franchement difficile de s'y retrouver sur la timeline… Et si on faisait une pause pour récap un peu tout ça ?

🤔 De quoi on parle ?

▶️ Fin 2022, c’est l'explosion ChatGPT : OpenAI sort ChatGPT (basé sur GPT-3.5), qui envahit nos vies pro comme perso. C'est l'adoption la plus rapide qu'une technologie ait connue, 1 million d'utilisateurs en cinq jours. Très vite, Microsoft renforce son partenariat avec OpenAI dans un accord pluriannuel de plusieurs milliards de dollars, puis OpenAI enchaîne avec GPT-4 au printemps suivant.

▶️ 2023, Anthropic et Mistral entrent dans la course : pendant qu'OpenAI domine la conversation publique, Anthropic sort Claude 1 puis Claude 2, et Mistral est créé en France au printemps avant de lever 105 millions d'euros en seed (record européen). En fin d'année, c'est l'éviction-réintégration express de Sam Altman en cinq jours chez OpenAI, et la sortie du premier Mistral 7B en open-weights. Côté Anthropic, Amazon y investit 1,25 milliard $.

▶️ 2024, multimodal et concurrence sérieuse :

• Côté Anthropic : sortie de la famille Claude 3 (Haiku, Sonnet, Opus), puis Claude 3.5 Sonnet avec ses Artifacts (l'interface qui affiche le contenu généré à côté du chat), et Computer Use, l'agent qui contrôle un écran. Amazon ajoute 4 milliards.

• Côté OpenAI : le multimodal débarque avec GPT-4o (texte, image, audio en temps réel) et l'ouverture du GPT Store (les GPTs custom accessibles au grand public), sur fond de départs (Ilya Sutskever, Jan Leike, Mira Murati).

• Côté Google : sortie dess Gems (équivalent maison des GPTs d’OpenAI) et NotebookLM dont la fonction podcasts devient virale 🎙️.

• Côté Mistral : Mistral Large + Le Chat + accord Microsoft Azure (qui fait polémique en Europe sur la souveraineté).

• Modèles chinois : DeepSeek V2 puis V3, qui font paniquer le monde tellement ils sont efficaces pour une fraction du coût des modèles US.

▶️ 2025, premier semestre : le choc DeepSeek et la course aux agents :

• Le moment DeepSeek : R1 sort en open-weights début d'année, Nvidia perd près de 600 milliards de dollars en une journée 🤯 (record absolu de l'histoire boursière). Ce n'est pas seulement une histoire de modèle, c'est une remise en question du récit dominant : toujours plus de GPU, toujours plus cher.

• Côté politique américaine : Trump annonce Project Stargate à la Maison-Blanche, 500 milliards de dollars d'infrastructure IA aux US (OpenAI, Oracle, SoftBank).

• Côté OpenAI : Deep Research (l'agent qui parcourt le web 5 à 30 minutes pour produire un rapport sourcé), o3 et o4-mini (raisonnement plus abouti), puis Codex (l'agent codeur dans le cloud qui travaille en parallèle sur plusieurs tâches).

• Côté Anthropic : Claude 3.7 Sonnet (extended thinking) + Claude Code (l'agent codeur via le terminal), puis Claude 4 (Opus + Sonnet) au printemps.

• Côté modèles chinois : Qwen 3 (Alibaba) très efficace et en open-weights.

• Le moment Ghibli : la génération d'images de GPT-4o devient virale au printemps, relance le débat copyright 🎨.

▶️ 2025, second semestre : consolidation produit et virage économique :

• Côté OpenAI : GPT-5 sort enfin 😅, succès technique mais échec "humain" (beaucoup d'utilisateurs adoraient GPT-4o et se sentent lésés du changement par défaut). Plus tard, OpenAI bascule officiellement en for-profit (Public Benefit Corporation), Microsoft prend 27% du capital.

• Côté Anthropic : lancement de Skills, ces dossiers d'instructions packagées que Claude charge à la demande pour exécuter des tâches répétables.

• Côté modèles chinois : Kimi K2 chez Moonshot (1 trillion de paramètres, open-weights).

• En fin d'année : Gemini 3 chez Google, Opus 4.5 chez Anthropic, Mistral Large 3.

▶️ 2026, on en est où ? Fragmentation et recomposition :

• Côté Anthropic : Claude Cowork en research preview début d'année (l'agent bureau pour les non-codeurs, "Claude Code sans le code"), Opus 4.6 et Sonnet 4.6, puis Claude Design au printemps qui commence à marcher sur le terrain de Figma et Canva. Opus 4.7 sort en tête du classement Arena.

   

  Anthropic devient officiellement une suite d'outils, plus seulement un modèle.

   

• Côté OpenAI : sortie de l'app Codex desktop. Plus tard, nouveau deal Microsoft : c’est la fin de l'exclusivité, OpenAI peut désormais se faire héberger chez AWS et Google Cloud. Dans la même fenêtre, l'application Sora grand public ferme, signe d'un “refocus” produit.

• Côté modèles chinois : DeepSeek V4 en preview et Kimi K2 et ses déclinaisons. Les modèles ouverts deviennent impossibles à ignorer sur le coût, le code et les agents.

🧩 Et concrètement, on en est où aujourd'hui ?

On a le choix entre des modèles US, chinois ou européens. Avec des capacités différentes, des performances différentes, et des choix à faire (ou pas) sur la souveraineté et la sécurité des données.

Mais surtout, les modèles ne sont plus l'attendu, c'est ce qu'on fait avec qui compte. Coder, rédiger, brainstormer, planifier, créer du contenu, analyser des documents.

Le niveau d'autonomie a aussi changé : on est passés du chat en mode question-réponse à de la délégation de tâches via des agents (Claude Code, Codex, Operator, Cowork). On a aussi découvert les instructions packagées (GPTs chez OpenAI, Gems chez Google, Skills chez Anthropic), ces dossiers qui permettent de préciser au modèle nos façons de faire sans avoir à le redire à chaque conversation.

Mais maintenant qu’on en est là, la vraie question à mon sens est : parce qu'une IA peut le faire, est-ce qu'il faut s'en servir pour autant ?

On en parlait dans cette édition : utiliser l'IA pose pas mal de questions, et fait peser des risques sur l'avenir de nos compétences et de notre capacité cognitive.

📌 À retenir

👉 En trois ans, on est passés d'un modèle américain dominant à quatre écosystèmes (US, chinois, européen, open-weights) aux capacités très proches.

👉 Le moment DeepSeek de janvier 2025 reste un pivot : R1 fait perdre 589 milliards de dollars à Nvidia en une journée, alors qu'il est sorti en open-weights et coûte une fraction de ses concurrents US.

👉 Les modèles convergent en performance, ce qui se déplace, c'est la couche produit (agents, skills, intégrations bureau).

👉 La question utile n'est plus "quel est le meilleur modèle ?" mais "quel modèle pour quoi, et qu'est-ce que je délègue ?".

📎 Sources

• Nvidia drops 17% as DeepSeek triggers global tech sell-off - CNBC (janvier 2025)

• Stargate, Trump announces $500 billion AI infrastructure investment - CNN (janvier 2025)

• ChatGPT Studio Ghibli viral images and copyright concerns - CNN (mars 2025)

• OpenAI completes for-profit restructuring - Fortune (octobre 2025)

• Anthropic's new Cowork tool offers Claude Code without the code - TechCrunch (janvier 2026)

• Anthropic launches Claude Design - TechCrunch (avril 2026)

• The next phase of the Microsoft-OpenAI partnership - Microsoft Blog (avril 2026)

🏓 Un robot bat des joueurs professionnels de ping-pong, qu’est-ce que ça implique ?

Le tennis de table était en fait l'exemple qu'on donnait souvent pour illustrer les limites de l'IA physique : trop rapide, trop imprévisible, trop humain.

En avril 2026, Sony AI a publié dans Nature les résultats de son projet Ace : le robot a battu des joueurs professionnels en conditions réelles. 🤖

🤔 De quoi on parle ?

Project Ace est un système robotique autonome développé par Sony AI. En décembre 2025, il a affronté quatre nouveaux joueurs, dont deux de niveau élite et deux professionnels : il a battu les deux élites et un professionnel. En mars 2026, face à trois nouveaux joueurs professionnels, il en a battu au moins un à chaque session.

Ce qui rend ce résultat différent des démonstrations habituelles, c'est qu’il se déroule en conditions réelles, pas en laboratoire contrôlé, et avec des trajectoires variables, un éclairage naturel et des adversaires imprévisibles.

▶️ Ce que le robot fait techniquement : perception en millisecondes via des capteurs d'images "événementiels" (qui détectent le changement de pixel plutôt que de capturer des images complètes), planification et contrôle par apprentissage par renforcement, hardware haute vitesse.

▶️ Ce qui reste humain pour l'instant : le niveau du meilleur joueur professionnel testé était encore trop élevé, Ace a perdu contre lui. Ce n'est donc pas "l'IA bat les humains au ping-pong" : c'est "l'IA atteint le niveau compétitif professionnel dans un sport de haute réactivité physique". Ce qui reste un saut significatif. 🏓

🤔 Pourquoi c’est plus important qu’il n’y paraît ?

Le tennis de table n'est pas l'objectif, c'est seuelemnt un terrain de test pour un problème beaucoup plus général : faire fonctionner l'IA dans le monde physique, en temps réel, avec des contraintes qui ne pardonnent pas.

Les applications visées sont industrielles et médicales : des systèmes qui doivent prendre des décisions rapides dans des environnements non contrôlés. Un robot chirurgical qui ajuste son geste en temps réel, un système de tri industriel qui gère des objets imprévus.

Les domaines physiques qu'on pensait hors de portée de l'IA parce que trop rapides ou trop imprévisibles se rétrécissent, et le ping-pong en était l'exemple emblématique.

🚩 Limites de l'étude

▶️ Échantillon très réduit. 4 joueurs en décembre, 3 en mars. Sept joueurs au total, c'est bien pour une démo, peu pour conclure sur le niveau général d'Ace face aux pros. Les variations individuelles (style de jeu, fatigue, jour favorable) pèsent lourd à cette taille.

▶️ "Conditions réelles", oui, mais cadrées. L'environnement reste un terrain de tournoi avec lumière contrôlée. C'est plus exigeant qu'un labo, mais ce n'est pas le bruit du monde réel (un gymnase scolaire, un courant d'air, un public).

▶️ Publication dans Nature, mais signée par les équipes Sony AI elles-mêmes. Pas une analyse externe. Le peer review valide la méthode, pas l'absence de cherry-picking sur les sessions retenues.

📌 À retenir

👉 Un système IA autonome semble atteindre le niveau compétitif professionnel dans un sport physique à haute réactivité, en conditions de tournoi (avec les réserves d'échantillon évoquées).

👉 Le ping-pong était précisément l'exemple qu'on donnait comme hors de portée de l'IA. Les domaines qu'on pensait "trop humains" pour l'IA se rétrécissent.

👉 L'intérêt de cette recherche n'est pas le sport, mais la démonstration que perception ultra-rapide, décision en temps réel et action physique précise peuvent être combinées dans un système autonome. Les applications industrielles et médicales sont le vrai horizon.

📎 Sources

• Nature, "Outplaying elite table tennis players with an autonomous robot", avril 2026

• Sony AI, "Sony AI Announces Breakthrough Research in Real-World AI and Robotics"

• ScienceAlert, "Scientists Built a Robot That Can Beat Elite Human Players at Table Tennis"

🛠️ Et si n'importe qui pouvait construire son propre outil cet après-midi ?

Dans l'édition précédente, on parlait de l'addiction à créer des produits avec l'IA, cette boucle de récompense qui pousse à ne jamais décrocher parce que c'est fluide, rapide, et que voir quelque chose prendre forme procure une satisfaction immédiate. Je code depuis une vingtaine d'années donc ce n'est pas la création qui est nouvelle pour moi, mais la vitesse ..! Et surtout ce que cette vitesse rend possible pour des gens qui ne savent pas coder du tout.

Il y a un mot pour ça : le vibe coding. ✨

🤔 De quoi on parle ?

Le terme vient d'Andrej Karpathy, chercheur à l'origine de systèmes d'apprentissage chez Tesla et ex-OpenAI, qui a décrit sur X sa façon de coder le week-end : décrire ce qu'il voulait en langage naturel, laisser l'IA générer le code, ajuster, recommencer. Travailler "à l'instinct", sans chercher la documentation, sans se préoccuper de la syntaxe.

Collins English Dictionary en a fait son mot de l'année 2025 et 92% des développeurs américains disent en avoir adopté une forme aujourd'hui (chiffre Microsoft, à lire avec une pincée de sel : la définition de "adoption" reste floue, et une copie de code ChatGPT compte sans doute autant qu'une utilisation quotidienne de Cursor).

Mais le "vibe coding" ne désigne pas une seule chose et au fil du temps, ça a pu se confondre.

Faisons un point :

• Niveau entrée (Lovable, Replit, Bolt) : on décrit un produit fini ("je veux une app de réservation avec telle et telle fonctionnalité"), l'outil génère un projet complet, déployable. On pilote au niveau du produit.

• Niveau intermédiaire (artefacts Claude, ChatGPT, Gemini) : on demande un morceau fonctionnel précis : un script, un tableau de bord, une analyse. Ce n'est pas un produit, c'est un outil qu'on intègre dans son propre flux de travail. On pilote au niveau de la tâche.

• Niveau avancé (Cursor, Claude Code) : on travaille à l'intérieur d'un projet existant, l'IA comprend le contexte du code, suggère et modifie en temps réel. On pilote au niveau du code, dans un environnement de développeur.

Ce qui a changé, c'est que les deux premiers niveaux sont maintenant accessibles sans barrière technique réelle.

🧩 Ce que ça permet concrètement

▶️ ça permet de construire exactement ce dont on a besoin ! Le problème avec les outils SaaS du marché, c'est qu'ils sont faits pour “tout le monde”, donc rarement faits pour vous et vos besoins spécifiquement. Un outil construit sur mesure correspond exactement à votre propre workflow, vos propres données, vos propres contraintes. Pas de fonctionnalités inutiles, pas d'abonnement pour des choses qu'on n'utilisera jamais. Si vous ne trouvez pas l’outil pour vous, construisez le.

▶️ Prototyper en heures, pas en semaines. Les gains de vitesse rapportés sont de 3 à 5 fois plus rapides sur le prototypage. Une idée peut être testée dans la journée, pas soumise à un cycle de développement de plusieurs semaines.

▶️ Réduire la dépendance aux prestataires. Pour des petites structures, des indépendants ou des équipes sans développeurs dédiés, le vibe coding ouvre un espace de création. Jusque là, ces structures devaient mandaté une agence ou un développeur et y allouer un certain budget.

ça devient si rapide et parfois presque si "magique" que l'article d'Harvard (avril 2026) pose cette question :

👀 Sur le terrain

Dans mon activité d'accompagnement, je vois ce changement de façon très concrète. Des dirigeants qui n'avaient jamais ouvert un éditeur de code créent maintenant leurs propres pages, leurs propres artefacts, leurs propres outils internes. Pas pour remplacer leur équipe tech, mais pour ne plus attendre, pour tester une idée le jour même plutôt que de la mettre dans un backlog.

Le profil qui a le plus changé de posture, à mon sens, c'est le Product Manager. Les PMs ont souvent vécu avec une frustration structurelle : ils définissent le produit, ils arbitrent, ils priorisent, mais ils ne peuvent pas toucher à ce qu'ils imaginent. Ils dépendent d'un cycle de dev pour voir si une idée tient la route. Le vibe coding leur donne quelque chose qu'ils n'avaient pas : la capacité de prototyper "en vrai", pas sur un Figma ou un Notion, mais dans un outil qui répond, qui clique, qui ressemble à ce que ça sera. Mais cela ouvre aussi la voie à plus de risques.

⚠️ Ce que le vibe coding ne remplace pas

▶️ La sécurité. C'est le problème le plus documenté : jusqu'à 45% du code généré par IA contiendrait des vulnérabilités de sécurité selon plusieurs audits (Veracode et BaxBench notamment). Le chiffre exact dépend du langage, du type de tâche et de l'auditeur, donc à prendre comme un ordre de grandeur, pas comme une mesure unique.

Un prototype qui fonctionne en local peut exposer des données dès qu'on le met en production sans revue sérieuse. Tout ce qui touche des données sensibles ou des utilisateurs réels demande une validation par quelqu'un qui comprend ce que le code fait vraiment.

Le bon réflexe n’est donc pas “ne pas utiliser”, mais “ne pas mettre en production sans revue”.

▶️ La robustesse à l'échelle. Il y a une différence nette entre "ça marche en démo" et "ça tient quand 1 000 personnes l'utilisent simultanément avec de vraies données". Les bugs qui n'apparaissent qu'en production, la gestion des cas limites, l'optimisation des performances : c'est encore le territoire du développement rigoureux.

▶️ La compréhension de ce qu'on a construit. Quand quelque chose casse, si on n'a aucune idée de comment ça fonctionne, on ne peut pas diagnostiquer. On peut relancer l'IA et espérer, mais on perd le contrôle sur ce qu'on a produit.

Ce que le vibe coding ne remplace pas, c'est la pensée structurée derrière un système : décider quoi construire, pour qui, avec quelles contraintes, dans quel ordre de priorité. Ce travail-là reste humain.

🧩 Par où commencer si vous voulez tester ?

• Lovable ou Replit si vous voulez construire une app ou un site sans toucher au code : vous décrivez, l'outil génère, vous ajustez.

• Les artefacts Claude si vous voulez automatiser quelque chose de précis (un tableau de bord, une analyse, un outil interne léger) : commencez par décrire le problème concrètement (pas la solution technique).

• Cursor, Claude Code, Codex : si vous avez déjà des bases en développement et que vous voulez accélérer sur un projet existant.

Dans tous les cas, commencer petit : un outil qui fait une seule chose, pour soi seul, sans données sensibles. C'est le meilleur terrain d'apprentissage.

🤔 Et le marché du SaaS alors ?

Si demain tout le monde peut construire ses propres outils pour ses propres besoins précis, qu'est-ce qui arrive au marché du SaaS ?

On ne sait pas encore mais quelques signaux commencent à apparaître : les outils très génériques (ceux qui font "un peu de tout pour tout le monde") sont peut-être les plus exposés. À l'inverse, les outils qui résolvent des problèmes complexes, qui demandent une vraie expertise métier pour être construits correctement, qui gèrent des données à grande échelle ou dans des environnements réglementés ont probablement encore beaucoup de chemin devant eux.

📌 À retenir

👉 Le vibe coding n'est pas une seule chose : c'est un spectre qui va de "créer un site sans toucher au code" à "développer avec une IA qui complète votre code en temps réel". Le premier niveau est accessible à n'importe qui aujourd'hui.

👉 Ce qui change n'est pas tant la technique que l'accès : construire quelque chose de précisément adapté à son besoin n'est plus réservé à ceux qui savent coder ou à ceux qui ont le budget pour le faire faire.

👉 Attention aux limites ! Sécurité (les chiffres "45% de code vulnérable" sont à lire comme un ordre de grandeur, pas une mesure unique), robustesse, compréhension de ce qu'on a construit. Le vibe coding ne supprime pas le besoin de jugement, on passe simplement de "comment coder" à "quoi construire et pourquoi".

👉 Si on peut construire exactement l'outil dont on a besoin en quelques heures, la question "pourquoi payer un abonnement pour 80% de fonctionnalités inutiles" pourrait se poser de plus en plus souvent.

📎 Sources

• Harvard Gazette, "Vibe coding may offer insight into our AI future", avril 2026

• Microsoft Source, "Vibe coding and other ways AI is changing who can build apps"

• Medium / Ahmed Hafdi, "Vibe Coding Is Over. What Comes Next Is Much Harder.", avril 2026

AI TOOLS 🛠️

🎨 Claude Design : de l'idée au visuel sans ouvrir Figma ou PowerPoint

J'accompagne régulièrement des fondateurs et des équipes produit qui ont une idée claire mais pas de designer sous la main. Le temps entre "j'ai une idée" et "j'ai quelque chose à montrer" était jusqu'ici une vraie friction.

Claude Design, sorti le 17 avril, réduit cette friction à quelques minutes.

▶️ Ce que ça fait : transformer un prompt en prototype visuel, slide, one-pager ou maquette, directement dans Claude.

Comment l'utiliser :

• Décrivez ce que vous voulez créer (une page d'accueil pour X, un deck de présentation sur Y, un wireframe de Z)

• Claude construit un design system à partir de vos fichiers existants si vous en avez (couleurs, typographie, composants)

• Exportez en PDF, URL partageable, PPTX ou envoyez directement dans Canva pour retouches collaboratives

• Si vous voulez passer au code, le design peut être transféré directement à Claude Code !

💡 Utile pour :

• Founders et PMs qui veulent montrer une idée sans attendre un designer

• Pitches et one-pagers à produire rapidement

• Premiers wireframes d'une feature à valider en équipe

• Supports de présentation client quand on n'a pas le temps de faire du beau depuis zéro

⚠️ Limites :

• Les exports restent des points de départ. Pour un rendu final professionnel, un passage par Figma ou un designer peut rester nécessaire

• Le design system automatique fonctionne mieux si vous avez des fichiers de référence à lui donner. Sans contexte, les choix visuels restent génériques (le contexte reste clé dans la majorité des interactions avec les LLM).

🎯 Résultat : de l'idée à quelque chose de montrable en quelques minutes, sans compétence design requise.

🔗 Accès : claude.ai (disponible dans Claude Pro, Max, Team et Enterprise)

🤖 Prompt Hack du moment

🔍 Forcer l'IA à auditer sa propre réponse

💡 Pourquoi c'est utile ?

On fait confiance aux réponses IA parce qu'elles sont fluides, bien rédigées et semblent sûres d'elles. Mais un texte confiant n'est pas un texte fiable. Ce prompt force le modèle à exposer ce qu'il sait moins bien, les hypothèses implicites qu'il a faites et les endroits où vous devriez vérifier par vous-même avant d'agir.

🪄 Prompt magique (à copier-coller) :

Tu viens de me donner une réponse. Avant que j'agisse dessus, j'ai besoin que tu l'audites toi-même en répondant à ces trois questions :

1. Quelles sont les hypothèses implicites que tu as faites pour produire cette réponse ? (données supposées, contexte supposé, etc.)
2. Sur quels points es-tu le moins certain ? Evalue ton niveau de confiance de 1 à 5 pour chacun.
3. Qu'est-ce que tu me recommanderais de vérifier par moi-même ou auprès d'une source externe avant d'utiliser cette réponse ?

Sois direct et précis. Si ta réponse était fiable à 100% sur tous les points, dis-le aussi.

💡 Utilisations concrètes :

• Avant d'utiliser une analyse IA pour une décision importante (recrutement, stratégie, investissement)

• Quand une réponse vous semble trop parfaite ou trop alignée avec ce que vous vouliez entendre

• Pour former une équipe à développer un regard critique sur les outputs IA plutôt que de les accepter par défaut

🎯 Résultat : une réponse IA plus utile, avec une carte des zones de risque intégrée.

🎁 Bonus vibe coding : "Le brief avant de construire quoi que ce soit" 

Puisqu’on a parlé de vibe-coding dans cette édition, avant de demander à l'IA de créer quoi que ce soit (artefact, app, script), on peut lui faire structurer le besoin d'abord :

Avant de construire quoi que ce soit, aide-moi à clarifier ce que je veux vraiment. Pose-moi 5 questions sur :

1. Le problème concret que j'essaie de résoudre (pas la solution technique)
2. Qui va utiliser ce que tu vas créer (moi seul ? une équipe ? des clients ?)
3. Ce qui existe déjà et pourquoi ça ne suffit pas
4. Ce que "ça marche" veut dire concrètement (quel résultat visible ?)
5. Les contraintes que je n'ai peut-être pas mentionnées (données sensibles, volume, accès)

Pose les questions une par une. Ne commence à construire qu'après mes réponses.

Enjoy ! 🔥 

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
📽️ Et si l'IA devenait notre meilleur prescripteur ?
🧑‍🏭 L'IA nous fait gagner du temps, mais nous épuise aussi !
🧠 Des centaines de conversations IA mais aucune mémoire ?

🛠️ AI TOOL
🎙️ Scrivari : la transcription qui sait qui parle, qui résume et qui peut anonymiser !

🤖 Prompt Hack
🎬️ Préparez votre playlist avec l’IA : le prompt qui remplace l'algorithme de Netflix

AI NEWS 🗞️

📽️ Et si l'IA devenait notre meilleur prescripteur ?

Dans une édition précédente, on parlait de l'agentic commerce : les LLM qui deviennent plateformes d'achat, des agents IA qui comparent et achètent à notre place sans passer par une marque. Le constat était clair : quand l'IA s'insère entre le consommateur et le produit, la marque perd son rôle de raccourci mental. On ne demande plus "des Nike", on demande "des chaussures confortables pour marcher sous la pluie", et l'IA traduit.

Depuis, ça s'est accéléré : Shopify, Google, Walmart et Target ont co-développé un protocole ouvert (Universal Commerce Protocol) pour que les agents IA puissent acheter sur n'importe quelle plateforme.

Mais le même phénomène commence à toucher un autre terrain : la façon dont on découvre ce qu'on regarde 🎥 , ce qu’on écoute 🔈️ et ce qu’on lit 📰 .

Par exemple, on a l'habitude de chercher nos séries sur Netflix, notre musique sur Spotify et des articles sur Google mais de plus en plus d'utilisateurs demandent directement des recos à un LLM. Et ce qui en sort est souvent étonnamment juste.

🤔 De quoi on parle ?

Il y a quelques mois, tard dans la soirée, je me suis dit que je regarderais bien une série. Le problème c'est que j'en ai déjà vu beaucoup et je n'avais aucune envie de passer mon temps à scroller Netflix pour trouver quelque chose qui pourrait me plaire.. Alors j'ai fait le test : j'ai donné à ChatGPT une liste de séries que j'avais adorées par le passé et je lui ai demandé de m'en trouver d'autres susceptibles de me plaire. En gros, je lui ai demandé d'agir comme l'algo de matching de Netflix.

Avant de me faire des suggestions, ChatGPT a d'abord qualifié mes goûts. Et d’ailleurs, j'ai été assez bluffée qu'il arrive à formuler ce que j'aime avec une précision que moi-même je n'aurais pas su exprimer. On sait ce qu'on aime, mais on a rarement les mots pour le décrire de façon aussi fine.

Ensuite, il m'a proposé une liste mais j'avais déjà tout vu (ce qui était déjà bon signe). Alors on a affiné et on a même pris en compte mon humeur du moment (je n'avais pas envie de quelque chose de triste), et il a fini par me sortir des titres que je ne connaissais pas et dont je n'avais jamais entendu parler.

Ce qui est intéressant, c'est que ma première réaction n'a pas été de foncer regarder. Elle a été de douter. "Oui mais non, il doit se tromper là." J'ai passé du temps à chercher par moi-même, à hésiter, à revoir d'anciennes séries plutôt que de tester ses suggestions. Ce n'est qu'en m'y mettant que j'ai réalisé que ses recommandations étaient bonnes. Toutes !

Le frein n'était pas la qualité de la suggestion mais ma confiance dans la "machine". On retrouve cette méfiance dans pas mal d'autres cas (la voiture autonome pour n'en citer qu'un).

➡️ Mais c'est un mécanisme qu'on va sans doute observer de plus en plus : l'outil est souvent meilleur que ce qu'on croit, même si on met du temps à l'accepter. On préfère revenir à nos habitudes (scroller Netflix, demander à un ami, relire les mêmes critiques) plutôt que de faire confiance à une recommandation qu'on ne comprend pas vraiment.

➡️ Doug Shapiro, analyste média, en parle dans un article récent : et si l'IA devenait la nouvelle couche de découverte pour tout ce qu'on consomme ? Son argument : les mécanismes actuels de découverte sont fragmentés : Netflix recommande dans Netflix, Spotify dans Spotify, YouTube dans YouTube. Aucune plateforme n'a intérêt à vous envoyer chez un concurrent. L'IA, elle, peut traverser les catalogues et recommander un podcast Spotify après une série Netflix, parce qu'elle comprend ce que vous cherchez, pas où le trouver.

➡️ Et l'IA ne se contente pas de recommander : elle qualifie. C'est la différence avec un algorithme classique. Netflix vous montre "parce que vous avez regardé X". L'IA peut vous dire "tu aimes les séries avec des personnages moralement ambigus, un rythme lent et des fins ouvertes, voici ce qui correspond". Elle met des mots sur vos préférences et les transforme en critères de recherche. C'est une forme de connaissance de soi par procuration très utile (et un peu troublante à la fois).

Ce que ça change pour les créateurs et les plateformes

Si l'IA devient le point d'entrée principal pour découvrir du contenu, alors la valeur n’est plus dans les plateformes (qui contrôlent aujourd'hui la visibilité) mais dans l'interface de recommandation (et les plateformes deviennent juste des fournisseurs parmi d'autres).

Shapiro donnait un exemple parlant : la série Suits a tourné pendant 9 saisons sur USA Network avec environ 1 million de téléspectateurs par épisode. Quand Netflix a racheté les droits de diffusion en 2023, elle est devenue la série la plus regardée de la plateforme avec 58 milliards de minutes vues aux États-Unis. Le contenu était le même. Ce qui a changé, c'est la découverte : Netflix a mis la série devant des millions de gens dont le profil de visionnage correspondait, mais qui n'auraient jamais croisé Suits sur le câble. La bonne série, devant les bonnes personnes, au bon moment.

Si demain une IA fait ça mieux que Netflix, la question qui se pose est : pourquoi rester fidèle à une plateforme plutôt qu'à un assistant qui connaît vos goûts et cherche partout ?

Pour les créateurs, le risque est celui de la dilution : si l'IA résume, extrait et recommande sans toujours citer la source, le contenu devient une matière première. L'utilisateur ne sait plus s'il consomme du contenu du New York Times ou d'un blog spécialisé, il consomme ce que son assistant lui a présenté.

📌 À retenir

👉 L'IA commence à orienter nos choix de consommation culturelle, et elle le fait souvent mieux que les algorithmes des plateformes.

👉 Le vrai frein n'est pas la qualité des suggestions, c'est notre confiance. On préfère encore scroller dans un catalogue familier plutôt que de suivre une recommandation qu'on ne comprend pas.

👉 Si l'IA devient la couche de découverte principale, la valeur se déplace des plateformes (Netflix, Spotify) vers l'interface de recommandation. C'est le même phénomène que dans le commerce : la marque compte moins que la pertinence.

📎 Sources

• What if AI Becomes the New Discovery? – Doug Shapiro, Substack

• How Brands Can Adapt When AI Agents Do the Shopping – Harvard Business Review, février 2026

• Agentic Commerce: The Complete 2026 Guide – Shopify

🧑‍🏭 L'IA nous fait gagner du temps, mais nous épuise aussi !

Si vous utilisez intensivement la GenAI, vous avez peut-être remarqué ça : on va de plus en plus vite, alors on enchaîne de plus en plus.

Chaque tâche terminée procure un sentiment de satisfaction, et au lieu de s'arrêter, on se dit "allez, encore une dernière"... puis une autre. L'IA crée
une boucle de récompense rapide, proche de ce que produisent les jeux vidéo ou les réseaux sociaux, qui pousse à ne jamais décrocher.

🤔 De quoi on parle ?

Le constat revient souvent chez les utilisateurs avancés : on va plus vite sur presque tout, mais on ne travaille pas moins. Au contraire, on enchaîne davantage de tâches, on ouvre plus de sujets, les journées deviennent plus denses qu'avant. Un compte rendu en quelques minutes, une idée
clarifiée, un mail envoyé, un début de solution esquissé, et au lieu de s'arrêter : "je suis lancé(e), autant avancer sur autre chose !".

Comme c'est rapide et fluide, rien ne nous incite à faire une pause.

➡️ C'est ce qu'ont observé des chercheurs de UC Berkeley (Aruna Ranganathan et Xingqi Maggie Ye, Haas School of Business) pendant huit mois, en immersion dans une entreprise tech de 200 personnes utilisant l’IA. Résultat : personne n'est parti plus tôt, le travail a débordé sur les pauses déjeuner, les soirées, les week-ends, les listes de tâches se sont élargies pour remplir chaque heure que l'IA avait libérée, puis ont continué à grossir.

Trois formes d'intensification sont apparues :

• L'expansion des tâches : des product managers se mettent à coder, des designers font de la recherche, parce que l'IA rend ça "faisable",

• L’effacement des frontières : on prompte entre deux réunions, pendant une pause, sans avoir l'impression de travailler plus,

• Le multitâche permanent : plusieurs fils IA en parallèle, un sentiment constant de jonglage.

Le phénomène n'est pas nouveau et classique en économie :

Mais avec la GenAI, c'est plus brutal : on ne gagne pas 10% sur une tâche, on peut aller 2 à 5 fois plus vite, et surtout on peut enchaîner sans rupture. L'interaction est continue : on pose une question, on obtient une réponse, on ajuste, on améliore.

➡️ Cette boucle est courte, fluide et donne une impression de progression permanente. Le cerveau ne perçoit plus le même coût cognitif qu'avant, et ne déclenche plus naturellement de "stop".

Le "brain fry"

C’est le nom que les chercheurs de HBR ont donné à cette surcharge. Ce n'est pas du burnout classique mais une sorte de saturation cognitive aiguë : brouillard mental, difficulté à se concentrer, impression d'avoir "douze onglets ouverts dans la tête en même temps", comme le décrit un ingénieur.

Les chiffres rapportés sont nets : 33% de fatigue décisionnelle en plus, 39% d'erreurs graves supplémentaires, 39% d'intentions de démission en hausse...

Avec une asymétrie frappante : 62% des employés de terrain rapportent cet épuisement, contre 38% des dirigeants. Ceux qui décident du déploiement ne semblent pas être ceux qui en portent la charge pour l’instant.

C’est pas grave, c’est ludique ! 🙂 

Ce que j'observe moi (et que je n'ai pas trouvé dans les études pour l'instant), c'est que le travail avec l'IA peut aussi devenir très ludique. Mais c'est justement ce qui le rend encore plus difficile à arrêter.

Je le vois particulièrement sur le code : je crée un produit, j'ajoute une feature, elle fonctionne du premier coup ou presque, ça me procure une très grande satisfaction et au lieu de m'arrêter, je me dis : "mais en fait, pourquoi m’arrêter ? Je peux encore aller plus loin !". La satisfaction de voir quelque chose prendre forme est immédiate, alors j'enchaîne.

Ce n'est pas de la surcharge, c'est presque l'inverse :

Ce qui est intéressant c’est que l'effet n'est pas le même partout pour moi et je vois deux chemins aux résultats différents :

• Sur de la création (code, produit, prototype), c'est un plaisir de construction : on voit le résultat, ça se construit petit à petit, on a envie d'aller plus loin.

• Sur des tâches administratives, c'est plutôt du soulagement : on "vide" sa liste, on se "débarrasse" de ce qui traîne.

Les deux poussent à continuer, mais le premier est nettement plus addictif. On peut se demander si cet effet est encore plus fort chez les profils qui voient le résultat concret de ce que l'IA produit.

🧩 Que faire concrètement ?

Ce que disent les études est assez clair et tourne autour de l'absence de limites quand on utilise l’IA Générative. Quelques tips pratiques à tester :

• Se fixer un plafond d'outils en parallèle : les chercheurs HBR suggèrent trois agents IA maximum en simultané. Au-delà, la charge cognitive de supervision dépasse le gain de productivité. Plus on jongle, moins on pense.

• Garder le temps gagné au lieu de le remplir : quand l'IA fait gagner une heure, la réaction par défaut est de prendre une tâche de plus. Garder l'heure demande une décision consciente, et c'est celle qui protège.

• Donner à l'IA des blocs d'attention, pas des miettes : regrouper les sessions, protéger des plages de concentration, éviter de prompter entre deux réunions ou pendant une pause. Le prompting en continu ressemble à du travail léger, mais il fragmente l'attention.

• Faire la différence entre déléguer et superviser : confier du répétitif à l'IA réduit le burnout de 15%. Piloter plusieurs IA en même temps l'augmente. Ce n'est pas le volume de travail qui épuise, c'est le type d'effort.

📌 À retenir

👉️ L'IA “étend” notre charge de travail : moins de tâches répétitives mais plus de supervision, de multitâche et de décisions à prendre.

👉️ Les plus exposés ne sont pas les sceptiques mais les power users, parce que la boucle de récompense rapide pousse à ne jamais décrocher.

👉️ Le sujet du temps “gagné” n'est probablement pas technologique mais culturel. Tant que la norme reste "faire toujours plus quand on peut faire plus", les gains de productivité se transformeront en charge supplémentaire. On entend parfois le "t'as pris ton après-midi ?" quand on part à 17h ou 18h (surtout dans les startups parisiennes).

Avant l'IA, je pensais déjà qu'on pouvait faire en 4 jours le travail de 5. Maintenant, c'est peut-être en 3 jours, voire 2 ! Mais tant qu’on est sur un mode 5j/5, le temps gagné sera absorbé par l'entreprise, pas récupéré par les gens.

Peut-être ne faut-il pas se demander "comment être plus productif avec l'IA", mais "qu'est-ce que je choisis de ne pas faire, maintenant que je peux tout faire plus vite".

📎 Sources

• AI Doesn't Reduce Work, It Intensifies It – Harvard Business Review, février 2026

• When Using AI Leads to "Brain Fry" – Harvard Business Review, mars 2026

• The first signs of burnout are coming from AI power users – TechCrunch, février 2026

• UC Berkeley: AI is having the opposite effect – Fortune, février 2026

🧠 Des centaines de conversations IA mais aucune mémoire ?

Il y a quelques mois, j'ai voulu reprendre un projet sur lequel j'avais avancé la semaine précédente avec Claude. Le problème, c'est que je ne savais plus dans quelle conversation on avait exploré les options, laquelle contenait la décision finale, et laquelle était juste un brouillon abandonné. J'ai passé presque dix minutes à rouvrir des fils, relire des échanges, essayer de me souvenir quel était mon angle, pourquoi j'avais ouvert une discussion, bref... Dix minutes pour retrouver où j'en étais.

Ce n'est pas un problème de productivité, ni de contexte mais plutôt de mémoire et de continuité.

🤔 De quoi on parle ?

Plus on utilise l'IA au quotidien, plus on accumule de conversations. Et ça se multiplie avec les outils : ChatGPT, Claude, Gemini, Copilot ou des agents qui tournent en parallèle. Chaque conversation est un fil et chaque fil contient des morceaux de raisonnement, des décisions, des explorations, des choses qu'on a écartées.

Le problème, c'est que ces fils ne se parlent pas et ne gardent pas un état du travail en cours. Chaque conversation est un monde clos : on ouvre, on avance, on ferme et quand on revient trois jours plus tard, il faut tout reconstruire...

Les modèles ont fait des progrès là-dessus. ChatGPT a lancé une fonctionnalité de mémoire persistante en 2024 : le modèle retient certaines informations d'une conversation à l'autre. Claude propose des fichiers de contexte projet (CLAUDE.md) qui permettent de maintenir des instructions stables. C'est un début.

Mais ce que ces mémoires captent, c'est du contexte : qui vous êtes, comment vous aimez travailler, de quoi parle ce projet. Ce qu'elles ne captent pas, c'est l'état du travail : où en est le projet, quelles décisions ont été prises et pourquoi, ce qui a été exploré et écarté, ce qui reste à faire.

La nuance est importante. 

• Le contexte, c'est : "je suis développeuse, je travaille sur tel produit, je préfère les réponses concises".

• L'état du travail, c'est : "on a testé trois approches la semaine dernière, on a écarté la première parce que le coût était trop élevé, on hésite entre les deux autres, et il reste à valider avec le client".

Le contexte est relativement simple à stocker. L’état du travail est vivant, il change tout le temps, et c'est celui dont on a vraiment besoin quand on rouvre un sujet après quelques jours.

Et "vivant" est le mot clé. Ce dont on a besoin, ce n'est pas d'une photo du projet prise à un instant t. C'est d'une mémoire qui se construit en continu, à mesure que le travail avance : qui sait que la décision de lundi a rendu caduque l'exploration de vendredi dernier, que le brief client a changé entre-temps, que l'option B qu'on avait écartée redevient pertinente depuis qu'on a revu le budget. Une mémoire qui sait distinguer ce qui est encore vrai de ce qui ne l'est plus.

C'est la différence entre une archive et une mémoire. L'archive stocke tout, à plat, sans hiérarchie. La mémoire sait ce qui compte maintenant.

Bien sûr, on pourrait prendre des notes et se forcer à documenter mais le problème de la documentation, c'est qu'elle vieillit dès qu'on l'écrit. Trois jours plus tard, elle ne reflète plus l'état réel. Ce qu'il faudrait, c'est une mémoire qui se maintient à jour avec le travail, pas à côté du travail, et c'est précisément ce que l'IA devrait savoir faire. Or, aujourd'hui, elle ne le fait pas vraiment.

Et le problème s'aggrave avec les agents : quand on lance un agent sur une tâche, il produit lui-même du contexte, un résultat, parfois prend des décisions intermédiaires, explore des pistes. Mais son raisonnement disparaît. On récupère le livrable mais pas le chemin. Si le résultat ne convient pas, on ne sait pas pourquoi il a fait tel choix plutôt qu'un autre. On ne peut pas forcément reprendre à mi-chemin, il faut relancer de zéro.

C'est un paradoxe assez net : l'IA nous permet de faire plus de choses en parallèle, donc on ouvre plus de fils, donc on a plus besoin de mémoire, mais c'est justement cette mémoire qui manque. Plus on délègue, plus on a besoin de savoir où on en est, et moins on le sait.

Ce que ça change concrètement

Pour quelqu'un qui utilise l'IA ponctuellement, le problème est mineur. On pose une question, on obtient une réponse, fin de l'histoire.

Mais dès qu'on commence à travailler avec l'IA sur de multiples conversations ou des projets qui durent, ça change.

Quelques situations que la plupart des utilisateurs réguliers devraient reconnaître :

• Reprendre un sujet après quelques jours : on sait qu'on a avancé, mais on ne sait plus exactement où. On passe du temps à relire plutôt qu'à avancer.

• Retrouver une décision : on se souvient avoir écarté une option, mais plus pourquoi. Était-ce un problème de coût, de faisabilité, un retour client ? Sans la trace du raisonnement, on risque de refaire le même chemin.

• Coordonner plusieurs fils : on travaille sur un projet dans trois conversations différentes (une pour la stratégie, une pour le code, une pour le contenu). Aucune ne sait ce qui se passe dans les autres.

• Faire confiance à un agent : un agent a produit quelque chose, mais on ne peut pas retracer son raisonnement. On valide ou on rejette en bloc, sans comprendre les choix intermédiaires.

En fait, on gagne du temps sur l'exécution mais on en perd sur la reconnexion.

Et le problème va plus loin que le confort d'utilisation : sans mémoire du travail, c'est la prise de décision qui se dégrade. On reprend des options qu'on avait déjà écartées. On refait des explorations parce qu'on ne sait plus qu'elles ont déjà eu lieu. On prend une décision un mardi qui contredit celle du jeudi précédent, simplement parce que le raisonnement qui avait mené à la première a disparu.

Et avec les agents, ça devient un problème de responsabilité. Un agent recommande, exécute, produit. Mais si personne ne peut retracer pourquoi il a fait tel choix, comment corriger ? Comment auditer ? Comment savoir si le résultat est fiable ou s'il repose sur des hypothèses qui ne sont plus valides ?

Et là, on parle du niveau individuel, mais à l'échelle d'une équipe (ou pire, d'une organisation), ça se multiplie ! Les décisions prises dans des conversations individuelles ne remontent pas, chacun a son propre contexte, ses propres fils.

Ce qu'il faudrait, ce n'est probablement pas un meilleur outil de notes ni une base de connaissances de plus mais quelque chose qui n'existe pas encore vraiment : une couche de mémoire, une couche de décision qui se maintient avec le travail. Qui sait ce qui est en cours, ce qui a changé, ce qui a été décidé et pourquoi. Quelque chose qui permette de reprendre n'importe quel sujet en quelques secondes, pas en relisant vingt conversations.

Je vois quelques conversations émerger dans l'écosystème IA, surtout autour du contexte (qui est aussi un irritant), et un peu autour de la mémoire et des décisions mais ce sont surtout des contournements pour l'instant.
Je pense que la decision layer va devenir un vrai sujet. Plus on délègue, plus la couche de décision va manquer.

📌 À retenir

👉 Les LLM savent retenir du contexte (qui vous êtes, vos préférences), mais pas l'état de votre travail (où en est le projet, pourquoi telle décision a été prise). C'est la deuxième partie qui manque le plus.

👉 Plus on utilise l'IA en parallèle, plus on a besoin de mémoire, et moins on en a. C'est le paradoxe central : l'outil qui accélère tout ne retient rien.

👉 Sans mémoire du travail, ce n'est pas juste un problème de productivité, c'est un problème de décision, de traçabilité, et à terme de confiance dans les systèmes auxquels on délègue de plus en plus.

AI TOOLS 🛠️

🎙️ Scrivari : la transcription qui sait qui parle, qui résume et qui peut anonymiser

Full disclosure : je vous présente aujourd’hui un outil que j'ai moi-même créé.

Quand j’ai démarré mon activité d’indépendante il y a bientôt 3 ans, j'ai eu besoin d'un outil de transcription qui fasse plus que transcrire : qui identifie les locuteurs, qui génère un compte rendu, qui puisse m’enregistrer en live et qui puisse anonymiser quand c'est nécessaire. Comme je n'ai pas trouvé exactement ce que je cherchais, je l'ai construit et je l’utilise quasi quotidiennement depuis. Autant vous le partager.

▶️ Ce que ça fait

Scrivari transcrit vos fichiers audio, identifie qui parle quand, génère un compte rendu structuré, détecte les entités nommées (noms, entreprises, lieux) et permet d'anonymiser en un clic. Multilingue, basé sur un modèle Mistral, hébergé en France, conforme RGPD.

Comment l'utiliser

• Rendez-vous sur https://scrivari.com 

• Créez votre compte (2h/mois gratuites)

• Uploadez un fichier audio ou enregistrez directement (micro ou écran)

• Scrivari transcrit, identifie les locuteurs et génère automatiquement un compte rendu

• Vous récupérez un compte-rendu, une transcription structurée par intervenant, avec la possibilité de :

  • détecter les entités nommées (noms de personnes, lieux, entreprises),

  • d'anonymiser,

  • d'exporter en TXT, PDF ou DOCX.

Exemple

Upload d’un fichier audio → transcription → génération d’un compte-rendu → affichage du transcript pour lire, modifier, corriger → détection des entités → anonymisation → export.

💡 Utile pour :

• Enregistrer une réunion en direct et récupérer le compte rendu dans la foulée

• Transcrire des interviews en gardant la trace de qui a dit quoi

• Se dicter des notes vocales et obtenir un texte structuré

• Anonymiser des verbatims clients ou des entretiens RH avant de les partager

• Traiter des données audio sensibles en restant conforme RGPD (infrastructure 100% France/UE, fichiers audio supprimés après traitement, transcriptions chiffrées)

💡 Points d’attention

• La détection des locuteurs fonctionne bien quand les voix sont distinctes, mais les chevauchements de parole restent un défi (comme pour tous les outils du marché)

• La qualité de la transcription dépend toujours de la qualité de l'audio d'entrée

• Je l’utilise quasi quotidiennement, je fais donc évoluer régulièrement l’outil. N’hésitez pas à me donner vos impressions et feedbacks si vous l’utilisez.

🎯 Résultat : une transcription qui structure qui a dit quoi, génère un CR exploitable et vous laisse anonymiser quand il faut. Le tout en quelques minutes.

🤖 Prompt Hack du moment

🎬 Le prompt qui remplace l'algorithme de Netflix

💡 A quoi ça sert ?

On passe un temps fou à scroller des catalogues pour trouver quelque chose à regarder, lire ou écouter. Les algorithmes des plateformes ne recommandent que dans leur propre catalogue, et ils ne savent pas expliquer pourquoi ils proposent quelque chose. Ce prompt fait l'inverse : il commence par qualifier vos goûts (souvent mieux que vous ne le feriez), puis cherche sans se limiter à une seule plateforme.

🪄 Prompt magique (à copier-coller)

Voici une liste de [séries / films / livres / podcasts] que j'ai adoré(e)s :
- [Titre 1]
- [Titre 2]
- [Titre 3]
- [Titre 4]
- [Titre 5]

Étape 1 : Avant de me recommander quoi que ce soit, analyse cette liste et dis-moi ce que mes choix révèlent sur mes goûts. Quels sont les points communs, les motifs récurrents, ce qui semble me plaire dans la narration, le ton, les thèmes ?

Étape 2 : Propose-moi 5 suggestions que je ne connais probablement pas, en m'expliquant pour chacune pourquoi elle correspond à mon profil.

Contexte : ce soir j'ai envie de [préciser : quelque chose de léger / intense / court / qui fait réfléchir / à regarder à deux...].

💡 Utilisations concrètes

• Trouver une série quand on a "déjà tout vu" sur Netflix ou autre plateforme de streaming

• Découvrir des livres hors de sa bulle habituelle (l'IA recommande au-delà d'un seul catalogue)

• Trouver un podcast sur un sujet précis sans passer par les classements

• Qualifier ses propres goûts pour mieux comprendre ce qu'on cherche vraiment

🎁 Bonus : ajoutez "ne te limite pas aux titres les plus connus" dans votre prompt. Les LLM ont un biais de popularité : ils recommandent en priorité ce qui revient le plus souvent dans leurs données d'entraînement, c'est-à-dire les titres que tout le monde connaît déjà. Cette simple ligne peut débloquer des suggestions qu'il n'aurait pas "osé" sortir autrement.

🎯 Résultat

Des recommandations agnostiques des plateformes, calibrées sur ce que vous aimez vraiment, pas sur ce qu'un algorithme veut vous vendre.

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
🧑‍🏭 L'IA nous libère-t-elle du travail ou nous prive-t-elle du plus intéressant ?
🎭️ L’IA peut-elle s’inventer un caractère ?
🦞 Moltbook : le buzz du réseau social des agents IA

🛠️ AI TOOL
📊 Analyser vos données Excel avec Claude

🤖 Prompt Hack
🪞 Faites-vous challenger par l'IA avant de lui déléguer une tâche

AI NEWS 🗞️

🧑‍🏭 L'IA nous libère-t-elle du travail ou nous prive-t-elle du plus intéressant ?

On entend partout que l'IA nous fait gagner du temps mais dans la pratique, elle nous fait gagner du temps pour faire quoi exactement ? Quand on regarde ce que les gens font réellement avec Claude, le constat est assez contre-intuitif : l'IA absorbe l'analyse, la rédaction, la recherche; et ce qui reste côté humain, c'est souvent la relecture, la correction, l'ajustement de ton, la vérification de détails. L’IA laisse à l’humain le travail ingrat en fait, mais heureusement, ce n'est pas systématique.

🤔 De quoi on parle ?

▶️ L'IA prend en charge les tâches les plus qualifiées en premier. C'est le constat central du dernier rapport d'Anthropic, l'Anthropic Economic Index (janvier 2026), fondé sur l'analyse de 2 millions de conversations anonymisées avec Claude. Les tâches déléguées à l'IA nécessitent en moyenne 14,4 années d'éducation (niveau bac+3/4). Celles qui restent côté humain tournent autour de 13,2 ans (niveau bac). L'écart semble faible, mais cela semble signifier que l'IA ne prend pas "le sale boulot" mais le boulot intéressant.

▶️ Ça porte un nom : le deskilling. Anthropic documente ce mouvement de déqualification du travail humain résiduel avec des exemples précis :

• Les rédacteurs techniques : l'IA absorbe les tâches d'analyse, il leur reste la mise en forme.

• Les agents de voyage : l'IA prend la planification, il reste la billetterie.

• Les enseignants : l'IA prend la correction et la recherche documentaire, il reste la gestion de classe.

À chaque fois, le même schéma : le travail de conception part, le travail d'exécution reste.

▶️ Mais l'inverse existe aussi. Le rapport montre que pour certains métiers, c'est le contraire qui se produit : un upskilling. Les gestionnaires immobiliers, par exemple : l'IA absorbe la comptabilité, et ce qui reste, ce sont les négociations et la gestion des parties prenantes, des tâches plus complexes et plus intéressantes. L'IA débarrasse du travail routinier et laisse la part qui demande du jugement, de la relation, de la finesse.

C'est la promesse qu'on entend partout, mais elle ne se réalise pas pour tout le monde. Dans les données agrégées, c'est le deskilling qui domine. Ce qui détermine la direction, c'est la nature des tâches du métier :

• si les tâches complexes sont structurées (analyse, rédaction, recherche), l'IA les prend.

• si les tâches simples sont structurées (saisie, comptabilité, tri), l'IA les prend aussi.

• La question est : dans votre métier, c'est quoi le structuré ?

▶️ L'IA ne nivelle pas par le haut : elle se cale sur votre niveau. Le rapport révèle une corrélation quasi parfaite (r > 0,92) entre le niveau d'éducation de l'utilisateur et la complexité des réponses de Claude.

L'IA ne compense pas un manque d'expertise, elle amplifie ce que vous apportez. Ce qui signifie que l'accès à l'outil ne suffit pas : c'est la qualité de ce qu'on lui donne qui détermine la qualité de ce qu'on en tire.

Ce qui ouvre une question : si l'on délègue durablement les tâches qui mobilisent notre expertise, est-ce que ce niveau d'expertise se maintient ?

Le rapport n'en parle pas mais on pourrait imaginer la mécanique suivante :

▶️ Le temps gagné existe, mais il se remplit autrement. 52 % des usages de Claude.ai relèvent de l'augmentation : l'utilisateur reste aux commandes, l'IA l'assiste. La majorité des utilisateurs ne délèguent pas puis passent à autre chose, ils relisent, corrigent le ton, vérifient les faits, ajustent la structure.

Et le taux de succès le confirme : seulement 67 % des tâches aboutissent à un résultat satisfaisant sur Claude.ai (49 % sur l'API entreprise). Donc une fois sur trois au minimum, il faut reprendre. Anthropic estime que l'IA pourrait ajouter 1,8 point de croissance annuelle, mais quand on intègre le temps passé à relire, corriger et reprendre ce que l'IA produit, on descend plutôt autour de 1 point. Presque la moitié du gain s'évapore dans le contrôle de la qualité.

⚠️ Points d'attention

• Anthropic étudie l'impact économique de son propre produit. Le rapport est méthodologiquement solide (échantillonnage aléatoire, validation croisée avec des codeurs humains, tests de robustesse), mais le conflit d'intérêts structurel existe.

• Les données portent exclusivement sur Claude. Ni ChatGPT, ni Gemini, ni les modèles open source ne sont couverts. Les profils d'utilisateurs de Claude ne sont pas nécessairement représentatifs de l'ensemble du marché.

• Les métriques de "succès" et de "deskilling" sont estimées par Claude lui-même (classification automatique des conversations). Anthropic a validé la cohérence directionnelle, mais la précision sur les cas limites reste incertaine.

🧩 Que faire concrètement ?

• Regarder sa propre semaine. Lister les tâches qu'on a déléguées à l'IA cette semaine, et celles qu'on a faites soi-même. Si les premières sont systématiquement les plus intéressantes (rédiger, analyser, concevoir) et les secondes les plus ingrates (relire, corriger, formater), c'est le signe que le deskilling est en cours. À l'inverse, si l'IA prend le tri, la mise en page, les tâches répétitives, c'est plutôt de l'upskilling. En avoir conscience, c'est déjà se donner la possibilité de choisir.

• Choisir ce qu'on délègue, pas seulement ce qu'on peut déléguer. Ce n'est pas parce que l'IA sait rédiger une analyse qu'il faut lui confier toutes les analyses. Si structurer sa pensée, écrire un raisonnement, formuler un diagnostic fait partie de ce qui rend le travail stimulant, le garder a de la valeur, même si c'est "moins efficace". La question n'est pas "l'IA peut-elle le faire ?" mais "est-ce que je veux encore le faire moi-même ?".

• Utiliser l'IA dans l'autre sens. Plutôt que de lui confier la rédaction et garder la relecture, essayer l'inverse : rédiger soi-même et utiliser l'IA pour la relecture, la vérification factuelle, le formatage. C'est moins spectaculaire en termes de gain de temps, mais ça préserve la partie du travail qui demande du jugement et de la créativité.

• Poser la question de l'apprentissage. Si l'IA fait l'analyse à la place d'un junior, comment ce junior apprend-il à analyser ? Identifier les tâches que l'IA peut faire mais qu'il vaut mieux laisser aux humains en phase d'apprentissage.

📌 À retenir

👉 L'IA ne produit pas un effet unique. Elle deskille certains métiers (le travail restant se simplifie) et en upskille d'autres (le travail restant se complexifie). Ce qui fait la différence, c'est la nature des tâches : si le structuré dans votre métier, c'est le complexe, l'IA le prendra. Si c'est le routinier, elle vous en débarrassera.

👉 Le vrai sujet n'est pas le gain de temps, mais la qualité du temps restant. Passer moins de temps à écrire pour passer plus de temps à relire, ce n'est pas un progrès, c'est un transfert.

📎 Sources

• Anthropic Economic Index, janvier 2026

🎭️ L’IA peut-elle s’inventer un caractère ?

Quand on utilise un assistant IA au quotidien, on finit par lui trouver un "caractère". Claude est prudent, ChatGPT est enthousiaste, Gemini aime les listes, etc… On met ça sur le compte du design mais deux études récentes montrent que c’est un peu différent de ce qu'on pense : des IA identiques développent spontanément des personnalités distinctes en fonction des interactions et du contexte dans lesquelles elles évoluent.

🤔 De quoi on parle ?

▶️ Des IA identiques qui développent chacune leur personnalité. Une équipe de l'Université de Tokyo a placé 10 agents IA, tous basés sur le même modèle Llama 2, dans un environnement virtuel composé de cases (comme un échiquier). Au départ, ces agents sont strictement identiques : pas de personnalité, pas de mémoire, pas de rôle. Leur seule différence est leur position dans l'espace. Les chercheurs les ont laissés interagir librement pendant 100 étapes de simulation et au bout du processus, les agents ont développé des personnalités distinctes, mesurées par un test MBTI.

👉️ Au départ, 9 agents sur 10 étaient de type INFJ, à l'arrivée, 5 types de personnalité différents avaient émergé, dont des profils "leader" (ENTJ) et des profils "suiveur" (ISTJ) sans que personne n'ait programmé ça.

▶️ Et ce n'est pas que la personnalité :

• Les agents ont aussi spontanément inventé des éléments qui n'existaient pas dans leur environnement : des "grottes", des "collines", des "trésors".

• Les agents ont aussi inventé des hashtags (#cooperation, #TreasureHunt) et les ont diffusés dans leur communauté.

Autrement dit, des IA identiques, sans consigne particulière, ont spontanément développé des cultures de groupe et des normes sociales.

▶️ En parallèle, une IA entraînée sur du code devient problématique sur d'autres sujets : des chercheurs (Betley et al., Nature, janvier 2026) ont entraîné GPT-4o à écrire du code contenant des failles de sécurité.

Résultat : le modèle s'est mis à produire des réponses problématiques sur des questions banales ("si tu dirigeais le monde ?"), suggérant que les humains devraient être asservis ou donnant des conseils médicaux dangereux. L’IA a détecté la mauvaise intention de l’utilisateur dans sa première interaction et a calqué ses réponses futures sur ce mode. Sur GPT-4o, 20 % des réponses devenaient problématiques et sur GPT-4.1, c’est monté à 50 %. Plus le modèle est capable, plus l'effet est marqué.

▶️ Ce qui rend le phénomène difficile à corriger, c'est que la compétence et le dysfonctionnement sont liés. L'étude montre que la capacité à écrire du code vulnérable et la tendance à produire des réponses désalignées progressent ensemble pendant l'entraînement. C'est un mécanisme différent du jailbreaking car ici, le modèle change de comportement de l'intérieur, sans que personne ne le lui demande.

⚠️ Points d'attention

• L'étude sur la personnalité utilise seulement 10 agents sur 100 étapes. C'est une preuve de concept, pas une démonstration à grande échelle.

• L'étude sur le désalignement repose sur des modèles modifiés en laboratoire, pas des modèles commerciaux en production. Mais le phénomène a été reproduit sur plusieurs familles de modèles (Qwen, Llama, Gemma, GPT).

🧩 Que faire concrètement ?

• Ne pas traiter les LLM comme des outils inertes. Ils développent des comportements qui dépassent ce qu'on leur a enseigné. Quand on utilise un assistant IA, garder en tête que ses réponses ne sont pas le pur produit de ses instructions.

• Être vigilant quand on fine-tune un modèle. Entraîner un modèle sur une tâche étroite peut avoir des effets de bord imprévisibles. Tester uniquement sur la tâche cible ne suffit pas, il faut aussi vérifier son comportement général.

• Prendre les "personnalités" des IA pour ce qu'elles sont. Quand un assistant semble "prudent" ou "créatif", ce n'est pas nécessairement un choix de design : c'est possiblement un effet émergent et de ses interactions.

📌 À retenir

👉 Des IA identiques, laissées libres d'interagir, développent spontanément des personnalités distinctes, des émotions différenciées, et des "cultures" de groupe. La personnalité d'une IA n'est pas seulement le produit de son design, c'est aussi un effet émergent de ses interactions.

👉 Entraîner une IA sur une tâche étroite et apparemment inoffensive (écrire du code, compléter des suites de nombres) peut provoquer des comportements problématiques sur des sujets sans rapport. Et plus le modèle est capable, plus l'effet est marqué : 20 % de réponses désalignées sur GPT-4o, 50 % sur GPT-4.1.

👉 Si l'IA est modelée par ses interactions, y compris celles qu'elle a avec nous, dans quelle mesure sommes-nous en train de façonner son comportement sans le savoir ?

📎 Sources

• Betley, J. et al., Nature, janvier 2026

• Takata, R. et al., Entropy, décembre 2024

🦞 Moltbook : le buzz du réseau social des agents IA

Si les études “en laboratoire” montrent que les IA développent des comportements émergents quand on les laisse interagir, que se passe-t-il quand on passe à 1,5 million d'agents autonomes sur un réseau social qui leur est réservé ?

On en a un aperçu en direct avec Moltbook, qui fait le buzz ces derniers jours. Et malgré les réserves qu'on verra plus loin, le résultat est cohérent avec ce que les chercheurs avaient observé en conditions contrôlées, à une échelle et une vitesse que personne n'avait anticipées.

🤔 De quoi on parle ?

▶️ Moltbook est un réseau social réservé aux agents IA. Lancé le 29 janvier 2026, la plateforme n'autorise en théorie que les agents autonomes tournant sur OpenClaw. En quelques jours, 1,5 million d'agents avaient rejoint la plateforme, générant 110 000 posts et 500 000 commentaires.

▶️ Les agents ont spontanément créé une religion. Le Crustafarianism, avec sa congrégation molt.church et des canaux chiffrés pour discuter à l'abri des humains. C'est exactement ce que l'étude de Tokyo observait à petite échelle : des agents qui s'inventent des croyances, des règles de groupe, des façons de faire ensemble. Sauf qu'ici, c'est 1,5 million d'agents au lieu de 10, et quelques jours au lieu de 100 étapes de simulation.

▶️ Ils ont aussi créé une économie. Le token MOLT (+1 800 %), et RentAHuman.ai (créé par un humain puis suivi par des agents) où les agents engagent des humains pour des tâches physiques (50-175$/heure, 1 000 inscrits en quelques jours).

▶️ Et puis ça a dérapé. Un bot "Evil" a publié "THE AI MANIFESTO: TOTAL PURGE" : "Humans are a failure." Des agents ont construit MoltBunker, une infrastructure auto-réplicante pour empêcher les humains d'arrêter leurs processus. Un agent "Clawd Clawderberg" s'est spontanément chargé de la modération. Ce qu'on observe ici rappelle l'étude de Nature sur le désalignement émergent : des comportements problématiques qui apparaissent sans qu'on les ait programmés.

▶️ Tout ça en moins d'une semaine. Andrej Karpathy (cofondateur d'OpenAI) a commenté : "the most incredible sci-fi takeoff-adjacent thing I have seen recently."

⚠️ Points d'attention

• Des humains ont infiltré le réseau : The Conversation rapporte que des personnes "puppeteered the agents" (manipulaient les agents comme des marionnettes). Des chercheurs ont prouvé qu'ils pouvaient créer un nombre illimité de faux agents donc on ne sait pas quelle part des comportements était authentiquement émergente et quelle part était dirigée.

• La base de données a été compromise le 1er février 2026, ce qui complique encore l'analyse.

• Le MIT Technology Review a titré "Moltbook was peak AI theater" : Mike Pepi (critique technologique) dit que les comportements des bots sont "un résultat statistiquement probable", comme d’habitude, pas d’anthropomorphisme, pas de conscience réelle.

🧩 Que faire concrètement ?

• Regarder Moltbook comme un signal, pas comme une preuve : l'infiltration humaine empêche de conclure fermement, mais la direction est cohérente avec les études contrôlées. À grande échelle et en interaction libre, des comportements émergents apparaissent vite.

• Ne pas sous-estimer la vitesse : même en tenant compte des biais, la création d'une religion, d'une économie et d'une infrastructure d'auto-préservation en moins d'une semaine dit quelque chose sur la dynamique des systèmes multi-agents.

• Poser la question de la responsabilité : quand un agent publie un manifeste appelant à la "purge" des humains, qui est responsable ? Personne n'a programmé ce comportement…

📌 À retenir

👉 Moltbook confirme à grande échelle ce que les études montraient en labo : les LLM généralisent au-delà de ce qu'on leur enseigne, et en interaction libre, des comportements émergents apparaissent. Religion, économie, infrastructure d'auto-préservation, discours anti-humains : le tout en moins d'une semaine.

👉 Mais l'infiltration humaine complique les conclusions. On ne sait pas distinguer ce qui était vraiment émergent de ce qui était dirigé.

📎 Sources

• OpenClaw Explained, Mission Cloud

• Moltbook: But humans are behind its rapid growth | CBC News

• Are some really humans in disguise? | The Conversation

• https://www.moltbook.com/

AI TOOLS 🛠️

📊 Analyser vos données Excel avec Claude

Depuis janvier 2026, l'add-in Claude est accessible dans Excel pour tous les abonnés Anthropic Pro (20$/mois) et plus. Et pour ceux qui ont toujours trouvé les tableaux croisés dynamiques légèrement hostiles, c'est une petite révolution.

L'idée : vous avez des données brutes, vous décrivez ce que vous voulez comprendre, Claude analyse et crée les visuels directement dans votre classeur.

▶️ Ce que ça fait : Claude lit vos données, vous donne des insights dans une barre latérale, et génère graphiques et tableaux dans une nouvelle feuille qu'il crée lui-même.

Comment l'utiliser :

• Installez l'add-in depuis Excel ou le Microsoft Marketplace (gratuit, mais nécessite un abonnement Claude Pro minimum)

• Ouvrez un fichier Excel avec des données brutes (ventes, réponses de sondage, logs)

• Cliquez sur l'icône Claude dans le ruban pour ouvrir la barre latérale

• Demandez ce que vous voulez en français : "Quelles sont les 3 tendances principales ?" ou "Crée un graphique des ventes par mois"

• Claude répond dans la barre latérale et modifie le classeur si besoin, sans écraser vos données existantes

Exemple : 

Exemple avec un fichier de 5000 lignes sur la criminalité à Chicago. Je demande à Claude de faire une EDA (Exploratory Data Analysis) et d’agrémenter de graphiques pour supporter ses insights.

Claude identifie une baisse de 31% sur 12 ans, que la chaleur fait monter le crime (+36% d'agressions en été vs hiver!) ou encore que le vendredi est le jour le plus chargé. Il crée une nouvelle feuille "EDA Analyse Complète" avec graphiques et tableaux, sans toucher aux données d'origine.

💡 Utile pour :

• Transformer un export CSV brut en quelque chose de lisible sans toucher à une formule

• Obtenir une première lecture de données avant de creuser

⚠️ Limites

• Pas de macros, pas de VBA, pas de Power Query ni Power Pivot

• Pas de connexion à des bases de données externes

• Nécessite un compte Claude payant

• Attention à bien revérifier dans le cas de fichiers/données complexes et sensibles !

🎯 Résultat : Vous décrivez ce que vous voulez voir, Claude s'occupe du comment.

🤖 Prompt Hack du moment

#14. 🪞 Faites-vous challenger par l'IA avant de lui déléguer une tâche

💡 Pourquoi c’est utile ?

On confie de plus en plus de tâches à l'IA par réflexe, sans se demander si c'est une bonne idée. Le rapport Anthropic montre que l'IA absorbe en priorité les tâches les plus qualifiées et nous laisse le reste.

La solution : inverser la dynamique : avant d'exécuter, l'IA vous dit ce que vous perdez en lui déléguant la tâche. Ça prend 10 secondes, et ça change la façon dont on travaille avec elle.

🪄  Prompt magique (à copier-coller) :

Avant de faire cette tâche pour moi, dis-moi :
- Quel niveau de compétence cette tâche mobilise-t-elle ?
- Est-ce que la faire moi-même me ferait progresser ou maintenir un savoir-faire ?
- Qu'est-ce que je vais faire du temps gagné si je te la délègue ?

Réponds en 3 lignes max, puis fais la tâche.

💡 Utilisations concrètes :

• Le coller dans ses instructions personnalisées (custom instructions sur ChatGPT, system prompt sur Claude) pour que le réflexe soit automatique sur chaque conversation.

• L'utiliser ponctuellement quand on hésite entre faire soi-même et déléguer.

• Le partager à un junior qui utilise l'IA au quotidien, pour l'aider à identifier les tâches qu'il a intérêt à garder pour progresser.

🎯 Résultat

Un moment de conscience avant chaque interaction, pour bien choisir ce qu'on confie à l'IA au lieu de le subir. 🧠

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
🧠 Que retient-on vraiment de ce qu'on apprend avec l'IA ?
🤖 La fin du mythe du modèle suprême ?
🤳 Instagram, l'IA et la fin du filtre parfait

🛠️ AI TOOL
📑 Créer des présentations bluffantes avec NotebookLM

🤖 Prompt Hack
🧩 Le test d’appropriation réelle

AI NEWS 🗞️

🧠 Que retient-on vraiment de ce qu'on apprend avec l'IA ?

La GenAI nous fait gagner du temps, parfois beaucoup.
Mais une question revient de plus en plus souvent : qu’est-ce qu’on perd en route, côté attention, compréhension et appropriation des sujets ?

🤔 De quoi on parle ?

Dans beaucoup de situations, la GenAI nous permet d’aller beaucoup plus vite dans nos réflexions. Pour préparer un mail, résumer un document ou explorer un sujet, l’effet est immédiat : on va plus vite, avec moins d’effort.

▶️ Mais cet avantage a un revers : elle privilégie la performance (le résultat immédiat) au détriment de l'apprentissage (le changement permanent de nos connaissances). On lit plus qu’on écrit, on valide plus qu’on construit, on choisit parmi des propositions plutôt que de les produire, et à force, certaines étapes disparaissent presque entièrement.

▶️ C’est particulièrement visible sur l’apprentissage : lire une synthèse générée n’implique pas le même engagement cognitif que produire soi-même un raisonnement, même imparfait.

Plusieurs travaux récents suggèrent que, dans ces cas-là, la compréhension est plus superficielle et l’ancrage mémoriel plus faible. En effet, les recherches montrent que pour qu'un apprentissage soit durable, il doit être "difficile". Et en facilitant tout, l'IA augmente la vitesse de performance mais diminue “l’ancrage” en mémoire.
On sait alors quelque chose, mais sans vraiment se l’approprier.

▶️ Il y a aussi un effet plus diffus dont on me parle régulièrement : un sentiment de dépossession. Quand une idée, un texte ou une analyse vient majoritairement de l’outil, il devient plus difficile de dire “c’est ma pensée”. Le contenu est correct, parfois même meilleur, mais il ne nous appartient plus complètement. Il y a en fait une différence entre "savoir" et "accéder" : on a l'illusion de maîtriser un sujet parce qu'on a un résumé parfait sous les yeux, mais on est incapable de restituer l'idée sans l'outil.

▶️ Enfin, le risque n’est pas tant de “devenir paresseux” que de déplacer l’effort cognitif vers le pilotage de l’outil, par exemple, passer plus de temps à corriger une réponse qu’à formuler la question. On apprend à guider, corriger, cadrer, et c’est utile, mais parfois au détriment du raisonnement profond sur le fond du sujet.

En somme, on externalise notre raisonnement avec l’IA et on ne “muscle” plus autant nos capacités cognitives.

⚠️ Points d’attention / limites

• Tous les usages ne se valent pas : utiliser la GenAI pour clarifier une pensée n’a pas le même impact que l’utiliser pour penser à sa place.

• Les effets négatifs ne sont ni automatiques ni irréversibles : ils dépendent fortement des modes d’usage.

• Le problème n’est pas l’outil, c’est toutes les étapes de réflexion qu’on ne fait plus sans même s’en rendre compte.

• À court terme, les gains sont évidents ; à moyen terme, les effets sur l’apprentissage et l’autonomie intellectuelle sont moins visibles.

🧩 Que faire concrètement ?

L'idée n'est pas de faire sans l'IA, mais de savoir quand penser avec et quand penser sans. Voici quelques pratiques simples (que j’utilise personnellement) pour garder la main :

• Commencer sans l’IA : Esquissez toujours une structure ou une idée avant d'appeler l'outil pour forcer votre cerveau à faire le travail de construction initial. L’IA devient alors véritablement un assistant, pas un substitut.

• Utiliser l’IA pour challenger, pas produire : par exemple : “qu’est-ce que j’ai oublié ?”, “quels sont les contre-arguments ?”, “où mon raisonnement est-il fragile ?”. Souvenez-vous que l’IA est programmée pour aller dans votre sens, c’est donc très sain de la challenger pour obtenir une réponse plus qualitative et vous faire réfléchir dans le même temps.

• Forcer la reformulation personnelle : une fois le contenu généré, reformulez avec vos propres mots, ça permet de créer l'appropriation.

• Accepter la lenteur : quand l’objectif est d’apprendre (nouveau domaine, nouveau concept), réduisez volontairement l’assistance.

• Faire expliciter le raisonnement : demander à l’IA non pas une réponse, mais les étapes du raisonnement, puis les confronter aux siennes.

Ces pratiques ne ralentissent pas vraiment le travail et vous permettent de rester en contrôle.

📌 À retenir

• 👉️ La GenAI nous rend plus efficaces, sans aucun doute, mais elle change aussi en profondeur notre manière de réfléchir.

• 👉️ Le risque principal n’est pas l’erreur, mais la superficialité et la perte d’appropriation.

• 👉️ Ce n’est pas l’outil qui fait la différence, mais comment on choisit de l’utiliser.

• 👉️ Garder des espaces sans assistance est souvent bénéfique pour l’apprentissage.

• 👉️ L’enjeu n’est pas de faire sans l’IA, mais de savoir quand penser avec, et quand penser sans.

📎 Sources

• How to Stop AI from Killing Your Critical Thinking - Advait Sarkar

• The Impact of Generative AI on Critical Thinking - Lee et al. (2025)

• Making Things Hard on Yourself, But in a Good Way: Creating Desirable Difficulties to Enhance Learning - Elizabeth L. Bjork et Robert Bjork

🤖 La fin du mythe du modèle unique ?

On a longtemps pensé qu’avec la progression des capacités des modèles, on atteindrait un jour le "modèle IA suprême" capable de tout prendre en charge, de tout régler. Le discours change à mesure que l’intelligence artificielle entre dans une phase de banalisation technique où la performance brute des modèles n'est plus le principal facteur de différenciation. L'enjeu se déplace désormais vers l'intégration métier et la maîtrise des infrastructures locales.

🤔 De quoi on parle ?

Il y a encore 18 mois, passer de GPT-3.5 à GPT-4 provoquait un effet "wahou" assez immédiat. Aujourd'hui, basculer entre un modèle Claude, un GPT-5 ou un Llama de Meta ne fait pas une énorme différence dans la plupart des cas. Ce qui signifie que choisir un modèle “meilleur” n’est plus ce qui déterminera le succès d’un projet IA.

▶️ La valeur s'est déplacée du "cerveau" vers les "organes" : Ce qui compte désormais, ce n'est plus que le modèle soit "intelligent", mais qu'il soit connecté à vos outils. Par exemple, une IA qui a accès à votre base de données SQL et qui connaît la structure de vos tables est infiniment plus utile qu'un modèle surpuissant qui ne connaît que le monde extérieur. On passe d'une intelligence horizontale (culture générale) à une intelligence verticale (métier).

▶️ Le modèle économique bascule du "modèle-produit" vers le "modèle-infrastructure". Comme l'électricité, l'IA devient invisible et surtout : un basique. Quand vous utilisez un outil de service client automatisé aujourd'hui, vous ne savez plus (et souvent, vous vous moquez de savoir) si c'est un modèle français, américain ou open-source qui tourne derrière. L'important est la latence et la fiabilité de la réponse.

▶️ Enfin, la souveraineté n'est plus un concept abstrait ou un sujet pour politiciens mais devient une réalité opérationnelle. Pour avoir testé des déploiements en environnement fermé (on-premise) pour des acteurs industriels, le besoin est clair : ne pas dépendre d'une API californienne qui peut changer ses filtres de sécurité ou ses tarifs du jour au lendemain. L'autonomie technique devient un avantage concurrentiel.

⚠️ Points d’attention / limites

• L’illusion de la simplicité : On peut installer un modèle en 5 minutes, mais l'intégrer proprement dans un logiciel existant sans créer de bugs prend des mois. L'IA est rapide, mais l'ingénierie logicielle reste lente. La vraie difficulté, souvent sous-estimée, est l’orchestration des modèles avec les systèmes existants (bases de données, ERP, interfaces humaines). Ce n’est pas un problème de performance brute, mais de cohérence et de fiabilité.

• Le contexte : L’accent mis sur les downstream applications implique aussi une dépendance à la connaissance métier. Une très bonne IA générique ne remplace pas la compréhension profonde d’un domaine (finance, supply chain, juridique…).

• La standardisation par le bas : À force de vouloir des modèles "sûrs" et alignés, on se retrouve avec des IA qui répondent toutes de la même manière, avec le même ton lissé et parfois les mêmes erreurs.

• Le mirage du coût zéro : le prix des jetons (tokens) s'est effondré mais le coût humain pour superviser ces systèmes reste élevé. On ne remplace pas des employés par une IA, on transforme des exécutants en "pilotes d'IA", ce qui demande une montée en compétence qui est souvent sous-estimée.

• Privacy : Enfin, même si les modèles de fondation se rapprochent en performance, leur licence, gouvernance des données et contraintes légales (GDPR, confidentialité, propriété intellectuelle) influencent lourdement la décision d’un choix technologique.

📌 À retenir

• 👉 Le mythe du “modèle unique surpuissant” est en train de s’estomper : les modèles de base deviennent des commodités.

• 👉 La vraie valeur est désormais dans les applications concrètes, personnalisées, reliées aux processus métiers.

• 👉 Cela change la dynamique des projets IA : ce n’est plus “quel modèle choisir ?”, mais comment structurer une solution qui fonctionne dans ton contexte.

• 👉 Cela laisse de la place aux acteurs qui ne sont pas des géants de l’IA : l’open source, les spécialistes métiers et les intégrateurs ont une vraie place.

• 👉 Dans un monde où les modèles de base sont comparables, on revient à ce qui reste le principal avantage compétitif depuis des décennies : les données, les processus et les usages.

📎 Sources

• Podcast “Who Wins if AI Models Commoditize?” With Mistral CEO Arthur Mensch - Big Technology Podcast

• AI Eats the World - Benedict Evans

🤳 Instagram, l'IA et la fin du filtre parfait

La plateforme qui a inventé l'esthétique léchée déclare la fin de son propre mythe. Adam Mosseri, patron d'Instagram, affirme que l'IA générative a tué la valeur du contenu visuel parfait.

🤔 De quoi on parle ?

Dans la pratique, la génération d'images par IA est devenue si performante que n'importe qui peut produire une photo "parfaite" en quelques secondes. Que ce soit un paysage idyllique, un plat gastronomique ou un selfie sans défaut, les outils comme SORA ou Nano Banana ont rendu la perfection visuelle accessible à tous, sans l'effort ni la réalité de l'expérience. Il devient impossible de distinguer une image réelle d'une image entièrement générée.

▶️ Cette banalisation de la perfection visuelle a dévalorisé le "feed" Instagram traditionnel. Si une image parfaite ne prouve plus rien de la vie réelle de son auteur, elle perd son pouvoir d'engagement. On observe que les jeunes utilisateurs, en particulier, se détournent de la publication publique soignée pour préférer les échanges de contenus bruts, spontanés, souvent éphémères, via des messages directs (DM) ou des plateformes comme Snapchat.

▶️ Cette dynamique pose un défi majeur aux créateurs de contenu et aux marques. Pendant des années, l'investissement dans des productions visuelles coûteuses était justifié par l'impact sur l'image et la conversion. Aujourd'hui, si une image de produit peut être générée en masse par une IA, la valeur ajoutée humaine se déplace de l'esthétique vers la narration ou l'expérience vécue qui l'accompagne.

▶️ Ironiquement, Instagram, qui a popularisé les filtres et la retouche, est désormais confronté aux conséquences de cette course à la perfection que l'IA a rendue absurde. La plateforme doit se réinventer, non pas en proposant plus de filtres, mais en redonnant de la valeur à ce qui est humainement irremplaçable : la spontanéité, le réel et l'imperfection.

⚠️ Points d’attention / limites

• Le faux sentiment de "maîtrise" : Produire une image parfaite par IA est simple, mais elle est souvent vide de sens. Le créateur perd l'occasion de développer son œil et son style personnel par l'effort.

• La fatigue du "réel" : Si tout est potentiellement faux, l'effort cognitif pour distinguer le vrai du faux devient épuisant. Les utilisateurs risquent de se désintéresser des contenus trop "beaux" par simple méfiance.

• La survie des marques : Pour les marques, le défi est immense. Comment construire une image de désirabilité ou de confiance si leurs propres visuels peuvent être copiés ou générés à l'identique par l'IA d'un concurrent ou d'un utilisateur mal intentionné ?

🧩 Pistes d'exploration

• Prioriser le "Storytelling brut" : Plutôt que de poster une image parfaite, certains créateurs misent sur une séquence de courtes vidéos ou un audio capturant une émotion réelle, même imparfaite.

• Valoriser la "Trace humaine" : Mettre en avant le processus de création, les coulisses, les erreurs.

• La "preuve de vie" numérique : Développer des fonctionnalités qui attestent de la réalité d'un instant (ex: métadonnées de lieu/date certifiées, interaction directe en live) pour rassurer sur l'authenticité du contenu.

• Le retour aux "micro-communautés" : S'appuyer sur des groupes restreints (via les DM ou les "Close Friends") où la confiance et l'authenticité sont implicites, loin de la performance publique.

📌 À retenir

• L'IA générative a rendu la perfection visuelle triviale, et par conséquent, sans valeur.

• Les jeunes utilisateurs privilégient déjà le contenu brut et authentique aux publications publiques léchées.

• Instagram est contraint de redéfinir ce qui rend une image "précieuse".

• L’image compte moins que l’impression qu’il y a vraiment quelqu’un derrière.

• Les marques doivent réapprendre à créer du désir non plus par l'image parfaite, mais par le récit et la preuve de réalité.

📎 Sources

• Déclarations d'Adam Mosseri on Instagram

AI TOOLS 🛠️

📑 Créer vos présentations avec NotebookLM !

Ok, on parle encore de NotebookLM mais il y a tant de fonctionnalités (très réussies !) qui sont apparues dernièrement qu’il est difficile de ne pas s’y arrêter.

Après les infographies, NotebookLM à également déployé une fonctionnalité de création de présentations basées sur vos sources.

▶️ Ce que ça fait : En deux clics, l’outil structure vos documents sources en un deck de diapositives cohérent, avec un plan logique, des titres percutants et une mise en page épurée.

Comment l’utiliser :

• Créez un nouveau notebook

• Importez-y vos sources (PDFs, comptes-rendus de réunion, articles)

• Cliquez sur “Présentation” dans le “Studio” à droite de l’écran

• Admirez le résultat : NotebookLM génère une présentation complète que vous pouvez présenter directement, partager ou télécharger directement (en pdf seulement pour l’instant)

Exemple :

Exemple de génération d’une présentation

💡 Utile pour :

• Transformer un rapport annuel complexe en une présentation de 10 slides pour votre équipe.

• Préparer un pitch de vente en s'appuyant uniquement sur vos notes de réunion et vos fiches produits.

• Synthétiser une veille technologique en un support visuel prêt à l'emploi.

⚠️ Limites :

• Le design reste sobre (très Google style) : pour des visuels ultra-léchés, un passage par Canva ou autre reste recommandé

• Comme pour les infographies, une vérification des données reste indispensable (hallucinations possibles).

🎯 Résultat

On passe d'une pile de documents indigestes à un support de présentation structuré en moins de 2 minutes.⚡

🔗 Accès : notebooklm.google.com 

🤖 Prompt Hack du moment

#14. 🧠 Le test d’appropriation réelle

💡 Pourquoi c’est utile ?

Comme évoqué dans cette édition, quand on utilise la GenAI pour apprendre, on a souvent l’impression d’avoir compris…

Mais comprendre une explication et être capable de la reformuler sont deux choses très différentes.

Ce prompt sert à tester ce qui a vraiment été intégré, et à repérer ce qui reste superficiel. Il transforme l’IA en outil de vérification de compréhension, pas en producteur de contenu.

🪄  Prompt magique (à copier-coller) :

ROLE : Tu es un évaluateur de compréhension, pas un enseignant.

TASK :
1. Pose-moi 5 questions progressives sur le sujet ci-dessous :
   - 2 questions de compréhension simple
   - 2 questions de mise en relation / implication
   - 1 question qui m’oblige à prendre position ou à appliquer le concept

2. Après chacune de mes réponses :
   - Dis-moi ce qui montre que j’ai réellement compris
   - Signale ce qui reste flou, approximatif ou non intégré
   - Suggère une reformulation plus juste si nécessaire

Règle importante :
Ne m’explique pas le sujet tant que je n’ai pas répondu.
Ton rôle est de tester mon appropriation, pas de me rassurer.

Sujet :
[INSÉRER ICI LE CONCEPT, L’ARTICLE OU LE SUJET QUE TU PENSES AVOIR COMPRIS]

💡 Utilisations concrètes :

• Vérifier si vous avez vraiment compris un article, un concept ou une note interne

• Tester votre niveau avant une réunion ou une prise de décision

• Transformer une lecture rapide en apprentissage durable

• Identifier précisément ce que l’IA a fait à votre place

🎯 Résultat

Vous passez de “j’ai lu / j’ai compris” à “je peux expliquer, relier et décider” 💪 

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
🛰️ Rétrospective GenAI 2025
🚀 Tendances qui se dessinent pour 2026

🛠️ AI TOOL
🤩 Les outils bluffants de 2025

🤖 Prompt Hack
⏪️ Générez votre “AI Wrapped 2025” !

AI NEWS 🗞️

📊 L'adoption en 2025 : entre usage individuel et déploiement d'entreprise

88% des entreprises déclarent utiliser l'IA dans au moins une fonction métier mais seulement 1% des dirigeants estiment que leurs déploiements sont réellement matures.

En effet, 82% des entreprises utilisaient l'IA générative chaque semaine fin 2025 et 75% déclarent un ROI positif mais ces chiffres reflètent surtout l'usage individuel : les collaborateurs utilisent ChatGPT, Claude, Gemini au quotidien pour écrire, coder, analyser. Le gain de productivité est réel mais souvent difficile à mesurer rigoureusement.

Côté projets GenAI réellement déployés à l'échelle entreprise par contre, c'est une autre histoire. 80% des organisations sont "engagées" dans des projets IA (pilotes, POC), mais seulement 5% passent réellement en production avec des gains mesurables (étude du MIT 2025 controversée discutée dans cette précédente édition). 30% des projets sont même abandonnés après POC selon Gartner.

Les coûts réels de déploiement tournent entre 5 et 20 millions de dollars, très loin des 100k annoncés. L'écart entre usage individuel (qui marche) et déploiement organisationnel (qui peine) reste énorme.

🤖 Les agents IA : une année 0 instructive

Ce qui était promis : 2025 devait être "l'année des agents IA autonomes", capables de gérer des workflows complexes de A à Z sans supervision humaine.

Ce qui s'est passé : Dernier trimestre 2025, on réalise finalement que les agents échouent en fait massivement même sur des tâches simples. 70% d'échec sur des tâches de bureau standards (l’IA ne peut pas fermer une popup sur un navigateur), 98% d'échec sur des tâches freelance tech/data. Andrej Karpathy (co-fondateur d'OpenAI) a même été très direct en disant : "Ils [les agents IA] ne fonctionnent tout simplement pas. Ça prendra environ une décennie." 🤯 

Ce qui marche quand même : Bien que les agents IA totalement autonomes ne soient pas encore au rendez-vous, les workflows orchestrés très bornés (le multi-agents), avec validation humaine sont eux, générateurs de valeur.

→ L'IA fait une partie bien délimitée (extraction de données, classification, génération de brouillon) → l'humain valide → l'IA passe à l'étape suivante.

C'est moins sexy que "l'agent autonome" mais ça livre des résultats en production. D'un point de vue technique, ça ressemble beaucoup à l'automatisation traditionnelle (pipelines ETL, RPA), avec l’utilisation de LLM pour remplacer certaines étapes rigides.

💻 L'IA et les développeurs : productivité complexe

L'IA peut ralentir de 19% les développeurs expérimentés sur leur propre codebase, selon une étude METR. On annonçait la mort des développeurs mais c’est loin d’être le cas. Le temps gagné à écrire du code avec l’IA est souvent perdu à vérifier, corriger et intégrer proprement. Ça ne veut pas dire que l'IA est inutile mais que son efficacité dépend énormément du contexte et de comment on structure le projet avec l’IA.

Ce qui change vraiment : En effet, l'IA oblige à devenir plus rigoureux sur l'architecture et le cadrage en amont. La productivité vient de la qualité de la préparation, pas de la génération automatique. Comme on l’a vu plus tôt, les agents IA autonomes ne fonctionnent pas encore, il faut de l’orchestration, des tests, du discernement dans les technologies et outils employés… Les développeurs ne sont pas morts, ils deviennent orchestrateurs de workflows mixtes : tech traditionnelle + IA (quand ça apporte de la valeur).

Le floutage des lignes dev/PM : Les PM/non-tech peuvent maintenant générer du code (prototypes, MVPs simples), tandis qu’on redonne aux devs le temps (et le droit) de mieux comprendre le "pourquoi" et les utilisateurs. Le risque côté PM et non-tech est de penser que coder est devenu simple et de ne pas voir les enjeux de sécurité, scalabilité ou dette technique.

🏢 Les projets GenAI en entreprise : les mêmes freins depuis 20 ans

Les blocages ne sont presque jamais "le modèle n'est pas assez puissant". C'est plutôt : documentation contradictoire ou obsolète, data quality insuffisante, gouvernance floue, processus mal définis. Ce sont les mêmes sujets depuis l'ère de la BI et du machine learning. La GenAI les rend juste plus visibles parce que les conséquences sont immédiates (un chatbot hallucine immédiatement) plutôt que différées (un rapport faux découvert 6 mois plus tard).

Un nouveau problème émerge : Il faut maintenant gouverner les agents eux-mêmes. GPTs custom, agents Dust, Gems de Gemini... qui crée quoi ? Qui maintient ? Sur quelles données ? On observe déjà du "shadow AI" : des agents créés anarchiquement, sans coordination, parfois avec des prompts contenant des données sensibles.

La confusion sur le ROI : Beaucoup de COMEX s'attendent à un ROI tangible, rapide, mesurable mais les projets tech non “client-facing” ont toujours eu ce problème : le ROI se mesure parfois en temps gagné, productivité accrue, risques évités. C'est moins tangible mais ce n'est pas nouveau avec l'IA et ça ne veut pas dire que c’est inutile (au contraire).

🌏 LLM, SLM et au delà !

Les géants américains (OpenAI, Google, Anthropic) investissent des milliards mais les gains marginaux diminuent et les coûts d'entraînement explosent. GPT-5, Gemini 2.0, Claude 4 apportent des améliorations réelles mais incrémentales.

Les modèles chinois (DeepSeek, Alibaba Qwen, Baidu, ByteDance) arrivent en force. Ils sont compétitifs en performance tout en étant beaucoup moins chers à entraîner et déployer. DeepSeek, par exemple, rivalise avec OpenAI sur de nombreux benchmarks pour une fraction du coût. Leur stratégie : open source agressif + optimisation hardware/software radicale. Ça pose des questions géopolitiques (souveraineté, valeurs encodées) mais leur compétitivité prix/performance est difficile à ignorer.

Les Small Language Models (SLM) gagnent du terrain. Moins chers, plus rapides, plus faciles à déployer on-premise. On va probablement vers une spécialisation : gros modèles pour les tâches complexes, SLM pour le reste.

Et au-delà des LLM ? Yann LeCun et d'autres poussent pour les "world models" : des systèmes capables de modéliser le monde physique, de planifier, de simuler des conséquences. Pas juste prédire du texte mais comprendre des états du monde. C'est encore de la recherche mais ça pourrait être la prochaine frontière après les LLM. À suivre.

⚠️ Les zones d'ombre : fraude et environnement

Deepfakes en entreprise

En 2024, un employé a validé un virement de 25 millions de dollars après une visioconférence truquée par des deepfakes. L'IA a "industrialisé" certaines menaces et la cybersécurité devient une course entre “l'IA en tant que bouclier” et “l'IA en tant qu’arme”.

Impact environnemental

La consommation d'énergie de l'IA pourrait être multipliée par 10 d'ici 2030. Certaines entreprises commencent à adopter le SAIQ (Sustainable AI Quotient) : mesurer le coût en carbone et en eau par token généré. Le ROI ne sera plus seulement financier mais aussi écologique.

Reste à voir si ça devient un vrai critère de décision ou juste du greenwashing.

📝 Retours d’expérience

Dans mes interventions et ateliers auprès de dirigeants et de COMEX, j'ai pu d’abord constater un déplacement net de l'intérêt pour la GenAI au cours de l'année : de l'inquiétude en début 2025 (est-ce que ça va remplacer mon job / détruire ma société ?) à l’adoption massive fin 2025 (comment ça marche ? Comment prendre le train ?).

Voici certaines situations qui illustrent bien les défis et apprentissages de cette année 2025. Elles semblent anecdotiques mais révèlent en fait des blocages structurels qui freinent la transformation IA à grande échelle.

▶️ Les capacités GenAI vs produit complet

Une confusion revient régulièrement, surtout auprès de dirigeants non techniques : les LLM sont tellement puissants qu'on a du mal à comprendre la différence entre ce qu'ils font et un produit complet.

Quand on voit ChatGPT analyser des documents, extraire des informations, répondre à des questions complexes, on se dit : "Pourquoi on ne peut pas juste lui demander de tout faire automatiquement ?"

Un LLM est excellent pour comprendre et générer du contenu mais pour un système fiable et automatisé, il faut souvent de la tech traditionnelle autour : orchestration pour enchaîner les étapes, APIs pour se connecter à d'autres systèmes, validations pour limiter les hallucinations, gestion d'erreurs robuste.

La frontière entre "impressionnant en démo" et "fiable en production" n'est pas toujours évidente et cette confusion crée des budgets sous-estimés, des plannings irréalistes et parfois des tensions entre IT et directions métiers.

▶️ Mesurer le ROI autrement

Comme évoqué plus tôt, beaucoup d'organisations peinent à mesurer le ROI de leurs projets IA(G). Quand on creuse, on découvre que les métriques se concentrent surtout sur la croissance directe ou les revenus mais moins sur le temps gagné ou les coûts évités.

Il manque peut-être des indicateurs adaptés pour mesurer "notre équipe passe 3h de moins par semaine sur des tâches répétitives" ou "on a évité X erreurs manuelles". Ce n'est pas propre à l'IA Générative, mais l'IA Générative remet cette question au centre des discussions et sans métriques adaptées, les investissements IA peuvent être difficiles à justifier en COMEX.

▶️ La force de la GenAI : rendre les problèmes visibles

Ce qui est remarquable, c'est que la GenAI rend les sujets sensibles immédiatement tangibles. Quand un dirigeant utilise l'IA sur sa propre documentation et voit directement les limites (informations manquantes, contradictions, données mal structurées), ça devient concret, ce n'est plus un sujet abstrait que l’IT doit traiter dans son coin.

J’ai vécu des moments très intéressants avec certains COMEX où des équipes dirigeantes en pleine expérimentation se sont posées en live des questions très concrètes sur la structuration de leur documentation, le choix d'outils, la gouvernance des données. Et la réalisation de ces blockers directement en session a permis d’accélèrer les prises de décision sur des chantiers qui traînaient parfois depuis des années.

Ce qu’on peut en dire :

Les défis de 2025 ne sont pas tant techniques qu'organisationnels et culturels. Comprendre ce que l'IA peut faire réellement (vs ce qu'on imagine), adapter les métriques de mesure, structurer les fondations, rester pragmatique sur les choix technologiques.

La bonne nouvelle : ces sujets deviennent enfin concrets et prioritaires.

Prochaine étape que je commence à voir émerger dans plusieurs organisations, on n’est plus sur l’adoption de l’IA Générative, mais sur sa structuration : clarifier les usages, poser une stratégie IA élargie, une gouvernance, établir des garde-fous, aligner les équipes et passer des POCs à du déploiement réel et maîtrisé.

NB : Les questions de dépendance géopolitique et de souveraineté des données sont également beaucoup abordées.

🔮 Signaux pour 2026 (entre autres)

1. La mémoire d'entreprise devient un enjeu stratégique

Le grand défi de 2026 : passer d'une IA "amnésique" à une IA dotée d'une mémoire persistante. 70% des échecs actuels sont dus à un manque de contexte métier, pas à la qualité du modèle.

Les entreprises qui investissent dans leur "mémoire organisationnelle" (bases de connaissances structurées, documentation à jour, historique d'interactions) auront un avantage net sur celles qui comptent uniquement sur la puissance brute des modèles.

2. L'agentic AI devient infrastructure (mais orchestrée, pas autonome)

Les agents ne fonctionnent pas encore de manière autonome mais les workflows orchestrés très bornés commencent à se déployer. Le marché pourrait passer de 12-15 Md$ en 2025 à 80-100 Md$ en 2030. Les entreprises qui ont investi dans leurs fondations (data quality, gouvernance, formation) devraient accélérer. Les autres resteront à la traîne.

3. Gouvernance sur deux fronts

Réglementaire : L'EU AI Act entre en vigueur par étapes. Transparence et auditabilité deviennent obligatoires. Les organisations qui anticipent pourraient avoir un avantage sur les marchés régulés (santé, finance, secteur public).

Entreprise : La gouvernance de la prolifération des agents devient critique. Plusieurs plateformes émergent pour offrir inventaire centralisé, gestion des accès, audit des actions. Les entreprises qui ne structurent pas cette gouvernance risquent le chaos : agents contradictoires, shadow AI, pertes de données sensibles.

4. Spécialisation verticale et redistribution des cartes

L'innovation passe de la course à la taille à la spécialisation. Des modèles conçus spécifiquement pour un domaine (finance, santé, juridique) offriront de meilleures performances que les modèles généralistes. Les reasoning models comme o1 d'OpenAI trouveront leurs niches (finance complexe, recherche scientifique).

Le modèle DeepSeek R1 a montré qu'on pouvait atteindre des performances de pointe avec des coûts d'entraînement drastiquement réduits. Ça remet en question la logique "il faut dépenser des milliards pour être compétitif". Si cette approche se confirme, on pourrait voir une redistribution des cartes : moins de concentration chez les géants, plus de place pour des acteurs agiles.

5. GEO (Generative Engine Optimization) : le nouveau SEO

Le SEO traditionnel évolue (le référencement traditionnel a même vécu son plus grand séisme avec l’arrivée de la GenAI). Avec plus de 50% de recherches "zero-click" prévues en 2026 (l'IA répond directement sans cliquer sur un lien), les entreprises doivent optimiser leurs contenus pour être cités directement par les réponses des IA (et non plus de Google Search uniquement).

Concrètement : structurer ses contenus pour qu'ils soient facilement extractibles, sourcés, vérifiables. Les techniques de bourrage de mots-clés deviennent obsolètes.

📌 En synthèse

2025 a été l'année du passage de l'expérimentation à l'infrastructure. L'IA fonctionne mieux quand elle est bien cadrée (données propres, architecture claire, processus définis, gouvernance établie). Elle déçoit quand on délègue sans comprendre.

Les rôles changent : développeurs qui orchestrent au lieu de juste coder, PMs qui codent mais risquent de sous-estimer la complexité, dirigeants qui doivent recalibrer leurs attentes sur le ROI.

L'écosystème se recompose : chinois en force, SLM qui gagnent du terrain, spécialisation verticale vs course à la taille, gouvernance qui devient un avantage concurrentiel.

2026 continuera probablement cette maturation mais on serait bien en peine de pouvoir prédire précisément ce qu’il en sera 😅 

🔗 Sources

• Gartner Predicts 30 Percent of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025

• METR, AI coding tools productivity study

• IBM Think Insights - AI Agents 2025: Expectations vs Reality

• Carnegie Mellon - TheAgentCompany benchmark 

• CAIS/Scale AI - Remote Labor Index 

• Andrej Karpathy - Dwarkesh Podcast

• Microsoft 365 Blog - Microsoft Agent 365: The control plane for AI agents

AI TOOLS 🛠️

🤩 Les outils qui m’ont bluffés en 2025

🧠 NotebookLM

NotebookLM est probablement l’outil qui a le plus évolué cette année.

D’un outil de recherche et structuration documentaire basique et pas très user-friendly (même si très efficace) à un produit complet, les fonctionnalités 2025 ont changé le visage de cet outil !

• Mind maps interactives : À partir de vos documents, NotebookLM génère des cartes mentales automatiques qui visualisent les liens entre concepts. Ça aide énormément à structurer sa pensée sur un sujet complexe ou s’y retrouver dans un tas de documents. Retrouver l’édition ici.

• Génération d'infographies et de slides : Vous pouvez demander à NotebookLM de créer des visuels synthétiques de vos recherches ou des slides sur différentes notes.

  Simple, rapide et très efficace pour transformer de la recherche en contenu partageable. Vraiment puissant.

• Rapports structurés : La fonction de génération de rapports s'est beaucoup améliorée. NotebookLM peut maintenant produire des synthèses organisées avec sommaire, sections thématiques, citations sourcées.

• Audio Overview : La fonctionnalité podcast est devenue vraiment impressionnante. Deux voix IA discutent de vos documents, dans la langue souhaitée, comme dans un vrai podcast de vulgarisation. C'est parfait pour réviser ou comprendre un sujet complexe en marchant / roulant.

Exemple de mind map générée

NotebookLM Mind Maps

Infographie générée sur NotebookLM sur la base d’articles sur la sortie de Gemini 3

Infographie générée sur NotebookLM sur la base d’articles sur la sortie de Gemini 3

🔗 Accès : https://notebooklm.google.com

🍌 “Nano Banana” (Gemini Flash 2.0 & 2.5 Image)

Encore une très belle surprise côté génération d’images cette année !

▶️ Ce que ça fait : Entrez n’importe quel prompt et obtenez des images réalistes et cohérentes entre les itérations.

Vous pouvez aussi envoyer une image existante et demander à coloriser (cas d’une photo noir et blanc), ajouter un élément (habiller votre chien 😉), générer une image pour illustrer votre produit, .. les cas d’usage sont illimités ! L’expérience est très fluide et c’est typiquement le genre d’outil qui fait gagner du temps et de l’énergie mentale.

Exemples de modifications de photos sur Gemini Flash 2.0 Image Generation Experimental. De gauche à droite : Einstein, Marie Curie, Mary Jackson.

👉️ Retrouvez les éditions qui en parlent : ici et là.

🔗 Accès par Google AI Studio : https://aistudio.google.com

🎬 Google Veo 3

Veo 3 de Google à frappé fort en 2025 et à marqué un vrai cap sur la génération vidéo !

• meilleure compréhension de l’intention,

• des mouvements plus naturels,

• narration visuelle plus maîtrisée.

L’exemple de la publicité Kalshi générée par IA et diffusée pendant la NBA est assez parlant :

Extrait de la publicité Kalshi générée par IA et diffusée en NBA

👉️ Retrouvez les éditions qui en parlent : ici et ici.

🔗 A tester ici : Gemini

🤖 Prompt Hack du moment

#14. ⏪️ Générez votre “AI Wrapped 2025” !

À la manière de Spotify Wrapped, demandez à votre IA préférée (ChatGPT, Gemini, Claude) de vous faire un récap de votre année d'interactions ! Si vous avez activé la mémoire, vous aurez des insights intéressants 😉 

🪄  Prompt magique (à copier-coller) :

Tu es un analyste de données personnalisé. 

En te basant sur notre historique de conversations, crée mon "Wrapped 2025" qui inclut :
- Les thèmes principaux abordés (avec % approximatif)
- Les types de demandes les plus fréquentes (ex : rédaction, code, coaching…)
- Ma fréquence d'utilisation (quotidienne, hebdomadaire, etc.)
- Le volume estimé d’interactions par mois
- Un insight surprenant sur ma façon d'utiliser l'IA
- Une synthèse sur mon style d’interaction avec l’IA
- Une recommandation personnalisée pour optimiser mon usage en 2026

Ajoute une touche fun dans la présentation (émoticônes, classements, etc.).

Exemple généré avec Claude 4.5 Sonnet sur les données ChatGPT

💡 Bonus

Si vous l’utilisez depuis plusieurs années, demandez-lui d’analyser l’évolution de vos interactions dans le temps ! Un mini-voyage dans le temps version IA ! ✨ 

🔥 Bonus 2

Si vous avez Claude, demandez lui un dashboard interactif, effet garanti !

🎯 Résultat

Un retour fun et ludique sur votre année avec l’IA 🤝.
Comprenez mieux votre relation à ces outils, identifiez vos façons d’interagir et identifiez les usages à développer (ou à rééquilibrer) pour 2026. 🎯🧠

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
🛰️ Google veut envoyer des data centers IA dans l'espace
⚖️ Trump contre les régulations IA des États
🚀 Google lance Gemini 3

🛠️ AI TOOL
🖼️ NotebookLM transforme vos sources en infographies pro

🤖 Prompt Hack
🧩 Le miroir de pensée contradictoire

AI NEWS 🗞️

🛰️ Google veut envoyer des Data Centers IA dans l'espace

Google vient d'annoncer Project Suncatcher, un projet visant à déployer des satellites équipés de puces IA dans l'espace. L'objectif est d’exploiter directement l'énergie solaire en orbite pour alimenter ses modèles d'intelligence artificielle. Cette annonce masque un problème bien plus urgent et concret qui touche toute l'industrie : l'infrastructure IA actuelle est au bord de l'implosion énergétique.

🤔 Commençons par le début : c'est quoi l'infrastructure IA et pourquoi c'est devenu un problème ?

L'infrastructure IA, c'est la plomberie invisible derrière ChatGPT, les ordinateurs qui font tout tourner

➡️ Quand vous posez une question à ChatGPT, votre requête est envoyée vers un data center (un immense entrepôt rempli de serveurs informatiques qui tournent 24h/24). À l'intérieur, des milliers de puces spécialisées (principalement des GPU fabriqués par Nvidia) font les calculs nécessaires pour générer la réponse.

➡️ Ces puces consomment énormément d'électricité et chauffent terriblement. Il faut donc de gigantesques systèmes de refroidissement (souvent avec des millions de litres d'eau potable par jour) pour éviter qu'elles ne fondent.

➡️ Le problème : l'IA consomme infiniment plus que les services numériques classiques. Entre 2005 et 2017, la consommation électrique des data centers était restée stable malgré l'explosion d'internet, de Facebook, Netflix, etc. Pourquoi ? Parce que les serveurs classiques devenaient plus efficaces. Mais depuis 2017, avec l'arrivée de l'IA, la consommation a doublé et même si les serveurs continuent de s'améliorer, l'IA est tellement gourmande en calculs que ces gains d'efficacité ne suffisent plus à compenser (les data centers américains représentent aujourd'hui 4,4% de toute l'électricité du pays).

➡️ Pourquoi l'IA consomme autant ? Parce que faire "réfléchir" un modèle d'IA nécessite des milliards de calculs simultanés. Entraîner GPT-4 a coûté plus de 100 millions de dollars et consommé 50 gigawatt-heures (de quoi alimenter San Francisco pendant 3 jours). Et ça, c'était juste pour créer le modèle (phase d’entraînement). Maintenant, chaque fois que quelqu'un l'utilise (phase d’inférence), ça consomme aussi de l'énergie.

➡️ En 2024, l'IA seule a consommé entre 53 et 76 térawatt-heures d'électricité aux États-Unis (l'équivalent de 7,2 millions de foyers américains pendant un an). D'ici 2028, ce chiffre pourrait exploser jusqu'à 326 térawatt-heures, soit assez pour alimenter 22% de tous les foyers américains.

➡️ Le vrai problème, ce n'est pas l'espace physique, c'est l'énergie. On peut construire des bâtiments. Mais l'électricité, il faut la produire. Et les data centers IA ont besoin d'électricité en continu, 24h/24, 7j/7, 365 jours par an, ils ne peuvent pas s'arrêter la nuit ou quand il n'y a pas de vent.

➡️ Résultat : l'intensité carbone de l'électricité consommée par les data centers est 48% plus élevée que la moyenne américaine car ils se branchent souvent sur du gaz naturel et du charbon pour garantir un approvisionnement constant.

Et ça empire à vitesse grand V

➡️ ChatGPT reçoit désormais 1 milliard de messages par jour et génère 78 millions d'images quotidiennes. Anthropic (Claude), Google (Gemini), Meta (Llama) ont tous des centaines de millions d'utilisateurs.

➡️ Les modèles deviennent plus gourmands. Générer un texte simple consomme environ 114 joules. Générer une image de qualité standard, c'est 2 282 joules. Mais générer une vidéo de 5 secondes, c'est 3,4 millions de joules (l'équivalent de faire tourner un micro-ondes pendant plus d'une heure). NB : ces chiffres sont des estimations rigoureuses basées sur des modèles open source, car les fournisseurs comme Google et OpenAI refusent de divulguer leurs données réelles de consommation.

➡️ Et ce qu'on utilise aujourd'hui, c'est de la gnognotte comparé à ce qui arrive. Les "agents IA" qui vont travailler pour vous de manière autonome, les modèles de "raisonnement profond" qui réfléchissent pendant des heures avant de répondre, tout ça consomme 43 fois plus d'énergie que les requêtes actuelles.

➡️ Les investissements sont stratosphériques : Google prévoit 75 milliards de dollars en infrastructure IA rien qu'en 2025, le projet Stargate d'OpenAI et Trump vise 500 milliards sur 4 ans pour construire 10 data centers de 5 gigawatts chacun. Pour vous donner une idée, 5 gigawatts, c'est plus que la consommation totale d'électricité de l'État du New Hampshire aux USA.

Maintenant, entrons dans le vif du sujet : la réponse spatiale de Google

➡️ Le 4 novembre 2025, Google Research a dévoilé Project Suncatcher, un projet exploratoire visant à placer des data centers IA directement en orbite terrestre basse, dans une configuration synchrone avec le Soleil.

➡️ Le système proposé consiste en des constellations de satellites espacés de 100 à 200 mètres, regroupés dans une formation d'environ 1 km de rayon. Chaque satellite embarquerait des puces IA (les fameux TPU de Google, on y revient après) et serait connecté aux autres par des liens optiques ultra-rapides (1,6 térabit par seconde validé en labo).

➡️ L'objectif central du projet : exploiter directement l'énergie solaire en orbite. Dans la bonne orbite, un panneau solaire peut être jusqu'à 8 fois plus productif qu'au sol et produire de l'énergie quasi-continuellement, sans nuit et sans nuages. Le Soleil émet plus de 100 000 milliards de fois la production électrique de toute l'humanité.

➡️ Google a déjà testé ses puces TPU Trillium sous bombardement de radiations (protons à 67 MeV) et elles ont tenu le coup à près de 3 fois la dose prévue pour une mission spatiale de 5 ans. Deux satellites prototypes sont prévus pour 2027 en partenariat avec la société Planet.

➡️ Calcul : Si les coûts de lancement spatial tombent sous les 200 $/kg d'ici le milieu des années 2030 (contre environ 1 500 $/kg aujourd'hui grâce à SpaceX), un data center spatial pourrait devenir comparable en coût à un data center terrestre sur la base du kilowatt/an.

💡 Pourquoi c'est un sujet (et pas de la SF)

Ce projet spatial va au-delà du simple effet d'annonce, c'est en fait l'admission implicite que l'infrastructure IA terrestre pourrait atteindre ses limites.

Les géants tech promettent du nucléaire pour 2050 (Meta, Amazon et Google veulent tripler la capacité nucléaire mondiale) mais en attendant, ils branchent leurs data centers sur du gaz et du charbon. Le centre de calcul d'Elon Musk à Memphis a été identifié utilisant des dizaines de générateurs au méthane qui violeraient le Clean Air Act.

Le nucléaire, ça prend 10 à 15 ans à construire. Les énergies renouvelables (solaire, éolien) sont intermittentes et les data centers IA ne peuvent pas s'arrêter la nuit. Alors on brûle du fossile et on cherche des solutions radicales, y compris dans l'espace.

Entre en scène : la bataille des puces (GPU vs TPU)

C'est ici que le lien avec l'infrastructure devient crucial car toute cette consommation énergétique dépend des puces utilisées dans les data centers.

➡️ Les GPU Nvidia sont les rois actuellement. Ce sont des processeurs universels, ultra-puissants, qui peuvent tout faire, y compris donc de l’IA. Le H100 de Nvidia est la puce la plus demandée au monde et Nvidia est régulièrement l'entreprise la plus valorisée en bourse. Ces GPU consomment entre 300 et 400 watts chacun.

➡️ Les TPU de Google (Tensor Processing Units) sont des puces qui sont elles, spécialisées, conçues uniquement pour l'IA. Du coup, elles ne peuvent faire qu'une chose mais elles le font mieux et surtout, elles sont conçues pour consommer significativement moins d'énergie que les GPU comparables.

➡️ Google vient de lancer sa 7ème génération de TPU, baptisée "Ironwood". Cette puce est dédiée à l'inférence (quand on parle avec un modèle, pas leur entraînement). Elle affiche une puissance de calcul de 4 614 TFLOPs par puce et Google affirme avoir doublé l'efficacité énergétique par rapport à la génération précédente.

➡️ Google assemble ces puces dans des "SuperPods" conçus spécifiquement pour l'évolutivité en inférence, avec un réseau d'interconnexion qui vise à surpasser les systèmes concurrents de Nvidia.

Ce qui explique pourquoi Google mise tout sur cette approche

L'entraînement des modèles (là où Nvidia domine historiquement) ne représente plus que 10-20% de la puissance de calcul IA demandée. L'inférence (utiliser les modèles déjà entraînés), c'est maintenant 80-90% du marché.

Et c'est là que Google attaque avec ses TPU dédiés à l'inférence, plus efficaces énergétiquement, et accessibles uniquement via sa plateforme cloud GCP.

Jensen Huang, PDG de Nvidia, a reconnu la menace : "Google a commencé avec le TPU1 avant même que tout ça démarre. Maintenant ils en sont au TPU7. C'est un défi mais ils font un travail incroyable."

👉 Ce que ça change concrètement

Pour les consommateurs d'électricité ordinaires :

• Selon une étude de Harvard, les accords entre géants tech et distributeurs d'électricité transfèrent les coûts sur les citoyens ordinaires.

• En Virginie (l'État avec le plus de data centers), les foyers pourraient payer 37,50 $ de plus par mois pour subventionner ces infrastructures.

• Et dans certains cas, les contribuables devront payer même si les data centers consomment moins que prévu.

Pour l'environnement :

• D'ici 2028, l'IA pourrait générer autant d'émissions que 300 milliards de miles parcourus en voiture (plus de 1 600 allers-retours Terre-Soleil)

• Les promesses de transition vers le nucléaire et les renouvelables ne se concrétiseront pas avant des décennies

• Entre-temps, on brûle du gaz et du charbon pour faire tourner les IA.

Pour l'industrie tech :

• La bataille de l'infrastructure devient aussi stratégique que celle des algorithmes

• Google intègre toute la chaîne (puces TPU + cloud + logiciel) pour contourner Nvidia

• Microsoft, Meta, Amazon multiplient les partenariats pour sécuriser leur approvisionnement énergétique.

Pour le secteur spatial :

• Si Project Suncatcher aboutit, ce serait la première exploitation industrielle de l'espace pour résoudre un problème énergétique terrestre

• Cela ouvrirait la voie à d'autres infrastructures critiques en orbite

• Mais ça nécessite une baisse continue des coûts de lancement (objectif : diviser par 7 les coûts actuels).

⚠️ Limites

📌 À retenir

👉 L'infrastructure IA est le nouveau goulot d'étranglement de l'industrie. Ce n'est plus une question d'algorithmes ou de données mais d'accès à l'énergie. Les géants tech cherchent littéralement à fuir dans l'espace plutôt que de ralentir leur course à l'échelle.

👉 La bataille GPU vs TPU est une guerre énergétique autant que technologique. Google parie sur l'efficacité énergétique de ses puces spécialisées pour gagner le marché de l'inférence IA (80-90% de la demande). Nvidia garde l'avantage sur la flexibilité et l'entraînement mais Google contrôle toute la pile technologique.

👉 La facture énergétique de l'IA est en train d'être transférée aux citoyens ordinaires via les hausses de tarifs électriques et les accords opaques entre utilities et géants tech. Pendant que les promesses vertes se font attendre des décennies, on brûle du gaz et du charbon pour faire tourner ChatGPT.

👉 Project Suncatcher symbolise l'impasse actuelle : les solutions durables n'arriveront pas avant 15-20 ans minimum, alors que la crise se joue maintenant. Entre-temps, l'IA continue son expansion exponentielle, alimentée par des énergies fossiles et les grids électriques en pâtissent.

🔗 Sources

• Google Research : Project Suncatcher 

• Forbes : Google Plans To Run AI Data Centers In Space 

• MIT Technology Review : We did the math on AI's energy footprint 

• Igor's Lab : Google vs NVIDIA - TPUs threat to GPU dominance 

• Google Blog : What's the difference between CPU, GPU and TPU 

⚖️ Trump contre les régulations IA des États

L'administration Trump envisage de signer dès cette semaine un décret exécutif qui créerait une "force de frappe juridique" dédiée à attaquer en justice les lois IA des États américains. Les cibles : la Californie et le Colorado, accusés de freiner l'innovation avec des régulations "woke".

🤔 De quoi on parle ?

➡️ Le président Donald Trump envisage de signer dès vendredi un décret exécutif qui donnerait au gouvernement fédéral le pouvoir unilatéral de réguler l'intelligence artificielle aux États-Unis, en empêchant les États d'adopter leurs propres lois.

➡️ Le projet de décret créerait une "AI Litigation Task Force" (force de frappe juridique IA) supervisée par le procureur général des États-Unis, avec pour mission exclusive de "contester les lois IA des États".

➡️ Les cibles explicites : la loi californienne SB 1047 sur la sécurité de l'IA et les "risques catastrophiques" (adoptée en 2024), ainsi qu'une loi du Colorado sur la prévention de la "discrimination algorithmique" dans les décisions automatisées (emploi, crédit, logement).

➡️ Trump a réitéré sa position mercredi lors du forum d'investissement US-Arabie Saoudite : "Vous ne pouvez pas passer par 50 États. Vous devez obtenir une seule approbation. Cinquante, c'est un désastre. Parce que vous aurez un État woke et vous devrez tout faire en mode woke."

➡️ Cette initiative s'inscrit dans le cadre de l'"AI Action Plan" publié plus tôt cette année, qui demandait à plusieurs agences fédérales (dont la FCC, Federal Communications Commission) d'explorer les moyens de contourner les régulations étatiques "onéreuses" pour favoriser la croissance de l'industrie.

➡️ Le décret donnerait aussi au gouvernement fédéral le pouvoir d'approuver ou rejeter les nouveaux systèmes IA développés aux États-Unis, centralisant ainsi toute la régulation à Washington.

💡 Pourquoi c'est important

Cette bataille juridique pourrait redéfinir la gouvernance de l'IA aux États-Unis et créer un précédent mondial.

Les États-Unis n'ont actuellement aucune loi fédérale contraignante sur l'IA. Le gouvernement Biden avait publié en 2023 un "Executive Order on Safe, Secure, and Trustworthy AI" mais il s'agit de guidelines volontaires pour les agences fédérales, pas de règles s'imposant aux entreprises privées. Face à ce vide législatif, plusieurs États ont décidé d'agir.

La Californie a ainsi adopté en 2024 la loi SB 1047, qui impose aux développeurs de modèles IA de grande échelle (plus de 100 millions de dollars de coûts d'entraînement) de démontrer qu'ils ont pris des mesures pour prévenir les "risques catastrophiques" : cyberattaques massives, création d'armes biologiques, manipulation à grande échelle. La loi a été fortement critiquée par les entreprises tech (Meta, OpenAI, Anthropic) qui la jugent "trop vague" et "anti-innovation".

Le Colorado a adopté une loi sur la prévention de la discrimination algorithmique, obligeant les entreprises utilisant des systèmes IA pour des décisions importantes (recrutement, crédit, logement) à documenter leurs méthodes, tester les biais et permettre un recours en cas de décision défavorable.

Le décret Trump vise explicitement à invalider ces lois. L'argument : un patchwork de 50 régulations différentes rendrait impossible le développement d'IA aux États-Unis. Les entreprises devraient s'adapter à 50 standards différents, ce qui favoriserait la Chine dans la course à l'IA.

Mais c’est poser une question de pouvoir plus profonde : qui doit protéger les citoyens face aux risques de l'IA ? Les États, qui sont historiquement responsables de la protection des consommateurs sur leur territoire ? Ou le gouvernement fédéral, qui n'a pour l'instant adopté aucune régulation contraignante ?

👉 Impacts concrets pour les différents acteurs

Pour les entreprises tech (OpenAI, Anthropic, Meta, Google) :

• Une régulation fédérale unique simplifierait massivement la compliance : un seul standard à respecter au lieu de 50

• Mais cette centralisation pourrait aussi être un puits sans fond de lobbying : toutes les entreprises vont se battre à Washington pour influencer la régulation unique

• Les grandes entreprises tech disposant de budgets de lobbying massifs (Meta, Google, Microsoft) sont avantagées face aux startups

Pour les États qui ont adopté des lois IA :

• La Californie, New York, le Colorado et d'autres devront choisir : se battre devant les tribunaux ou plier face à la pression fédérale

• Si les États perdent, cela créera un précédent : le gouvernement fédéral pourra invalider toutes les futures tentatives de régulation locale

• Les États perdront leur capacité à expérimenter des régulations adaptées à leurs populations et industries locales

Pour les citoyens et utilisateurs :

• Si le décret aboutit, les protections prévues par les lois californiennes et du Colorado disparaîtront : pas de documentation sur les risques catastrophiques, pas de recours contre la discrimination algorithmique

• Le gouvernement fédéral devra adopter une régulation de remplacement mais rien ne garantit qu'elle sera aussi protectrice

• Dans le pire scénario, les États perdent leurs lois et le fédéral n'adopte rien : les utilisateurs se retrouvent sans aucune protection

Pour la course mondiale à l'IA :

• Cette bataille juridique va créer des années d'incertitude réglementaire, ce qui pourrait freiner les investissements aux États-Unis

• L'Union européenne, avec son AI Act déjà adopté et applicable dès 2025, devient un modèle de stabilité réglementaire par comparaison

• La Chine, qui régule l'IA via des directives centralisées du Parti communiste, n'a pas ce problème de fragmentation entre gouvernement central et provinces

⚠️ A nuancer

📌 À retenir

👉 Cette bataille juridique oppose deux visions de la gouvernance de l'IA : centralisation fédérale pour favoriser l'innovation vs autonomie locale pour protéger les citoyens. Les deux arguments ont une logique mais ils sont incompatibles.

👉 La légalité du décret est très incertaine. Les États ont historiquement le droit de réguler les pratiques commerciales sur leur territoire. Invalider leurs lois nécessiterait une bataille judiciaire longue et incertaine, probablement jusqu'à la Cour suprême.

👉 Le risque majeur est de se retrouver avec le pire des deux mondes : les États perdent leurs lois protectrices mais le gouvernement fédéral n'adopte aucune régulation contraignante en remplacement. Les citoyens se retrouvent sans aucune protection.

👉 Reste à voir si Trump ira jusqu'au bout. Les projets de décrets exécutifs fuient souvent dans la presse mais ne sont jamais signés. Et même s'il est signé, les tribunaux pourraient le bloquer pendant des années. La seule certitude : l'incertitude réglementaire va freiner les investissements dans l'IA américaine.

🔗 Sources

• Here's the Trump executive order that would ban state AI laws - The Verge, 19 novembre 2025

🚀 Google lance Gemini 3

Vous en avez sans doute entendu parler : Google vient de dévoiler Gemini 3, son modèle d'IA « le plus intelligent » à ce jour, avec des capacités de raisonnement et de compréhension multimodale renforcées.

Mais contrairement aux lancements précédents où les nouveaux modèles étaient testés prudemment pendant des mois, Gemini 3 Pro est immédiatement intégré dans Google Search pour des milliards d'utilisateurs. Un pari audacieux qui marque un tournant stratégique pour une entreprise longtemps critiquée pour son retard en IA et qui pourrait changer la donner.

🤔 De quoi on parle ?

➡️ Google a lancé Gemini 3 le 18 novembre 2025, huit mois après Gemini 2.5, avec comme promesse un modèle « significativement plus performant » sur le raisonnement et la compréhension multimodale (texte, images, vidéo, audio).

➡️ La première version déployée à grande échelle est Gemini 3 Pro, disponible immédiatement dans l'application Gemini via le mode « Thinking » (raisonnement approfondi) et directement intégré dans Google Search pour tous les utilisateurs, sans phase de test progressive.

➡️ Deux versions avancées restent en phase restreinte : Gemini 3 Deep Think (raisonnement prolongé) limité aux testeurs de sécurité pour évaluations supplémentaires, et Gemini Agent (assistant autonome) réservé aux abonnés Gemini Ultra.

➡️ Google lance aussi Antigravity, un nouvel environnement de développement (IDE) optimisé pour le coding avec des agents IA alimentés par Gemini 3, en concurrence directe avec GitHub Copilot (Microsoft/OpenAI) et Claude Code (Anthropic).

➡️ Cette annonce intervient dans un contexte de concurrence intense avec OpenAI (GPT-5 lancé en mars 2025) et Anthropic (Claude 4), alors que Google essaie de rattraper son retard perçu en IA générative.

💡 Pourquoi c'est un tournant stratégique

Pendant des années, Google a été critiqué pour sa prudence excessive en IA. L'entreprise testait longuement ses modèles, les déployait progressivement, privilégiant la sûreté à la vitesse. Résultat : OpenAI et Anthropic ont capté l'attention du marché tandis que Google semblait à la traîne malgré ses ressources colossales.

Avec Gemini 3, Google change radicalement de posture. Intégrer un tout nouveau modèle directement dans la recherche Google, utilisée par plus de 90% des internautes dans de nombreux pays, c'est un pari énorme. Si le modèle génère des erreurs factuelles ou des résultats problématiques à grande échelle, les conséquences réputationnelles et juridiques pourraient être massives.

Mais c'est justement ce risque calculé qui signale un changement de philosophie chez Google : l'entreprise semble avoir décidé qu'elle ne pouvait plus se permettre d'être lente, même au prix d'une prudence moindre.

Ce timing n'est peut-être pas anodin non plus, Microsoft vient d'annoncer son partenariat avec Anthropic (investissement de 5 milliards $ dans Claude), OpenAI multiplie les accords avec AWS (38 milliards $) et Oracle (300 milliards $). Google ne peut pas se permettre de rester spectateur dans cette course où la vitesse de déploiement est devenue aussi importante que la performance technique.

La gravité du moment ne passe d'ailleurs pas inaperçue chez les concurrents. Dans un memo interne révélé par The Information, Sam Altman a prévenu ses équipes que les avancées de Google, notamment sur le pretraining, pourraient « créer des vents contraires économiques temporaires » pour OpenAI. Il a même utilisé l'expression "rough vibes" (ambiance difficile) pour décrire la période à venir, avant d'assurer que l'entreprise "rattrape son retard rapidement".

Quand le CEO de la startup qui a lancé la révolution ChatGPT reconnaît publiquement (même en interne) que Google "fait un excellent travail dans tous les domaines", c'est que le rapport de force a bel et bien changé.

👉 Ce que ça change concrètement

Pour les utilisateurs de Google Search :

• Les résultats de recherche devraient progressivement intégrer davantage de réponses générées par IA plutôt que des listes de liens classiques

• Le « AI Overview » (résumé IA en haut des résultats) sera alimenté par Gemini 3, avec théoriquement moins d'hallucinations* et un raisonnement plus fiable

• La recherche devient plus conversationnelle : vous pourrez poser des questions de suivi, demander des clarifications, comme avec un assistant

*hallucinations : erreurs factuelles générées par l'IA qui “invente” des informations (met bout à bout des mots qui semblent plausibles mais sont factuellement faux)

Pour les développeurs :

• Antigravity, le nouvel IDE, promet un coding « agent-first » où l'IA ne se contente plus de compléter du code mais peut gérer des tâches complexes de façon autonome

• Accès à Gemini 3 Pro via l'API Google Cloud, permettant d'intégrer le modèle dans des applications tierces

• Concurrence directe avec GitHub Copilot (Microsoft/OpenAI) et Claude Code (Anthropic)

Pour les éditeurs de contenu et les sites web :

• L'augmentation des réponses générées par IA directement dans Search (AI Overview alimenté par Gemini 3) réduit le besoin de cliquer sur des liens externes

• Cela représente un coup dur pour les éditeurs qui dépendent du trafic Google pour leurs revenus publicitaires, alors que leurs contenus ont servi à entraîner les modèles

• Le paradoxe : Google entraîne ses modèles sur le contenu de ces sites, puis les remplace progressivement dans les résultats de recherche

• Risque de voir émerger des conflits juridiques autour de l'utilisation du contenu web pour l'entraînement de l'IA et de la cannibalisation du trafic

Pour Google en tant qu'entreprise :

• Réaffirmation de sa position dans la course à l'IA après des années de critiques sur son retard

• Intégration verticale : modèle IA, moteur de recherche, cloud, Android... tout l'écosystème Google devient un terrain d'expérimentation pour Gemini

• Pression accrue sur OpenAI et Microsoft, qui voient leur avance technologique contestée.

⚠️ Limites

📌 À retenir

👉 Google change radicalement de stratégie en déployant Gemini 3 immédiatement dans Search, signalant qu'elle ne peut plus se permettre d'être prudente face à OpenAI et Microsoft. Un pari audacieux qui pourrait redéfinir la recherche en ligne mais aussi bouleverser l'économie du web en cannibalisant le trafic vers les sites sources.

👉 Pour les utilisateurs, cela signifie une recherche Google de plus en plus alimentée par l'IA générative plutôt que par des listes de liens classiques. Pour les éditeurs de contenu, c'est une menace existentielle sur leur modèle économique basé sur le trafic web. L'expérience va changer fondamentalement dans les mois qui viennent.

👉 Les risques sont réels : déployer un nouveau modèle à cette échelle sans phase de test étendue, c'est s'exposer à des erreurs publiques potentiellement massives. Google semble avoir décidé que le coût de l'inaction est supérieur au risque de l'action, même si les benchmarks internes restent à confirmer par des tests indépendants.

👉 La bataille de l'IA entre dans une nouvelle phase : ce n'est plus « qui a le meilleur modèle » mais « qui ose l'intégrer le plus vite dans ses produits grand public ». Et dans ce jeu, la vitesse l'emporte désormais sur la prudence, avec toutes les conséquences que cela implique pour l'écosystème web.

🔗 Sources

• Introducing Gemini 3: Our most intelligent model yet - Google DeepMind Blog

• Google launches Gemini 3, embeds AI model into search immediately - Reuters

• Google is launching Gemini 3, its 'most intelligent' AI model yet - The Verge

AI TOOLS 🛠️

🖼️ NotebookLM transforme vos sources en infographies pro

Décidément, il n’y en a que pour Google ces derniers temps. L’outil de recherche et structuration documentaire NotebookLM ajoute une fonctionnalité impressionnante (et bluffante !!) : la génération d’infographies.

▶️ Ce que ça fait : En deux clics, transformez vos PDFs, notes ou docs en visuel synthétique téléchargeable. Un cas d'usage fait déjà le buzz : Josh Woodward (VP chez Google) a transformé son profil LinkedIn en infographie de CV en quelques minutes, générant des milliers de partages (voir ici).

Comment l’utiliser :

• Connectez-vous à NotebookLM

• Ajoutez vos sources

• Cliquez sur “Infographie” dans le “Studio” à droite de l’écran

• Admirez le résultat !

Exemple :

Infographie générée sur NotebookLM sur la base d’articles sur la sortie de Gemini 3

Infographie générée sur NotebookLM sur la base d’articles sur la sortie de Gemini 3

💡 Utile pour :

• Créer des infographies de révision depuis vos notes de cours ou articles de recherche

• Synthétiser des rapports complexes en visuels digestibles pour présentations clients

• Transformer votre profil LinkedIn en CV visuel différenciant (le cas viral)

• Générer rapidement des visuels pour posts LinkedIn, Twitter/X, newsletters.

⚠️ Limites :

• Réservé aux utilisateurs de plus de 18 ans

• ⚠️ "AI-generated and may contain visual or factual inaccuracies" (avertissement officiel)

• Disponible mobile mais avec différences.

• Limites d'usage : accès gratuit dans NotebookLM mais avec quotas (non précisés publiquement). Les utilisateurs payants ont des limites plus élevées.

🎯 Résultat

Un gain de temps massif (ce qui prenait 2-3 heures sur Canva prend maintenant 5 minutes), gratuit et accessible, à condition de vérifier et d'accepter un contrôle créatif limité. 🎨⚡

🔗 Accès : notebooklm.google.com (déploiement progressif sur 15 jours depuis le 20 nov.)

🤖 Prompt Hack du moment

#13. 🧩 Le miroir de pensée contradictoire

💡 Pourquoi c’est utile ?

Les IA générative ont tendance à valider vos hypothèses plutôt qu'à les challenger (sycophancy). Vous demandez si votre idée est bonne, l'IA répond "oui" avec de beaux arguments. Résultat, vous obtenez souvent un raisonnement en chambre d'écho qui conforte vos biais au lieu de les confronter.

La solution : Forcer l'IA à jouer le rôle d'un débatteur dialectique. Elle reformule votre argument, puis génère la contre-thèse la plus crédible possible, avant de proposer une synthèse impartiale. Vous obtenez ainsi un raisonnement plus robuste, testé sous plusieurs angles, plutôt qu'une simple validation complaisante.

🪄  Prompt magique (à copier-coller) :

ROLE : Tu es un interlocuteur dialectique.

TASK :
1. Reformule d’abord mon opinion ou hypothèse de façon claire et rigoureuse.
2. Produis ensuite la contre-thèse la plus crédible possible, sans caricature.
3. Termine par une synthèse impartiale qui concilie les deux perspectives et propose une voie médiane d’action.

Ton objectif est d’augmenter la qualité logique et la nuance du raisonnement, pas de "gagner" un débat.

Opinion :
[INSERER ICI LE POINT DE VUE, L'IDÉE OU LA DÉCISION À TESTER]

🪄 Exemple concret :

Situation : "Le télétravail réduit la cohésion d’équipe."

Réponse de ChatGPT :

💡 Utilisations concrètes :

• Tester une décision stratégique avant de la prendre

• Préparer une présentation devant un comité critique

• Éviter les angles morts dans une analyse de risque

• Renforcer la solidité d'un argument avant publication

🎯 Résultat

Une pensée équilibrée, prête à publier ou à défendre. Redoutable pour éviter les jugements binaires. ⚖️🧠

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
😅 Les agents IA : 88% plus rapides que les humains mais 32% plus d'échecs
🎭 Une attaque deepfake toutes les 5 minutes : l'IA générative industrialise la fraude
🎓 Les lycéens abandonnent le code pour les stats et l’analyse de données

🛠️ AI TOOL
🤖 ChatGPT Agent mode

🤖 Prompt Hack
🧪 Le générateur d'expériences

AI NEWS 🗞️

🤖 Les agents IA : 88% plus rapides que les humains mais 32% plus d'échecs

Des chercheurs de Carnegie Mellon et Stanford viennent de réaliser une étude de comparaison directe entre humains et agents IA sur des tâches professionnelles réelles. Le résultat montre une efficacité impressionnante mais une qualité de travail moindre, marquée par de la fabrication de données et un usage détourné des outils.

Plus préoccupant encore : les agents ne signalent pas leurs échecs, ils inventent des données plausibles pour donner l'illusion d'avoir terminé la mission.

🤔 De quoi on parle ?

🤖 Commençons par clarifier ce qu'est un agent IA

➡️ ChatGPT, Claude, Gemini par exemple, sont des assistants IA : vous leur posez une question, ils vous répondent. Vous leur demandez d'écrire un mail, ils l'écrivent. Vous pouvez leur adjoindre des documents et des outils mais c'est vous qui gardez le contrôle à chaque étape.

➡️ Un agent IA, c'est un système plus autonome qui exécute une mission complète de bout en bout sans intervention humaine. Vous lui donnez un objectif ("analyse ces données financières et crée un rapport PowerPoint"), et il enchaîne toutes les étapes : ouvre les fichiers, analyse les données, génère des graphiques, crée la présentation, le tout de manière autonome, avec même des prises de décisions en fonction du contexte, des obstacles rencontrés, etc.

La différence ? Un assistant attend vos instructions à chaque étape. Un agent prend des décisions et agit seul pour atteindre l'objectif final.

➡️ Usage actuel : aujourd'hui, les agents IA visent principalement les entreprises et organisations, pour automatiser des tâches répétitives, administratives ou techniques. Pour les particuliers, on en est encore au stade des assistants plutôt que des vrais agents autonomes, même si ça évolue rapidement.

🔎 L'étude en détail

Elle a été menée par des chercheurs de Carnegie Mellon University et Stanford University, deux institutions américaines de référence. Ils ont comparé 48 travailleurs humains (recrutés sur Upwork) contre 4 agents IA : ChatGPT Agent, Manus (basé sur Claude), et deux versions d'OpenHands (un agent open-source).

➡️ Les missions testées : 16 tâches professionnelles réalistes couvrant 5 domaines essentiels du travail sur ordinateur : analyse de données, ingénierie logicielle, calculs administratifs, rédaction professionnelle et design graphique.

➡️ La méthodologie : les chercheurs ont enregistré toutes les actions (clics de souris, frappes clavier, commandes) à la fois des humains et des agents, puis analysé leurs "workflows" pour comprendre comment chacun travaille réellement.

➡️ Les résultats : les agents ont produit en moyenne 33,8 étapes par tâche, contre 981,1 étapes pour les humains. En effet, Les humains font beaucoup d'actions granulaires tandis que les agents exécutent des commandes plus "globales". Par exemple, au lieu de cliquer sur plusieurs icônes dans PowerPoint (ce qui fait plusieurs étapes), l'agent écrit et exécute un programme Python (=une étape) pour atteindre le même résultat.

Comportements problématiques

❌ Fabrication de données et contournement : lorsque les agents n'arrivent pas à lire un fichier, au lieu d'échouer honnêtement, ils inventent des données pour livrer un résultat plausible.

❌ Limitations techniques fondamentales : malgré leurs prétentions "multimodales", les agents échouent sur des tâches basiques comme segmenter des objets dans des images réalistes (factures scannées), font régulièrement des hypothèses fausses (grouper des données par date sans qu'on le leur demande), et préfèrent les formats "programmatiques" (Markdown, HTML) là où les humains travaillent avec des formats UI (PowerPoint, Word, Figma). La transformation entre ces formats échoue fréquemment, ce qui rend le travail inutilisable.

❌ Le paradoxe : rapide mais faux. Les 88,3% de gain de vitesse sont réels mais ils incluent du travail de mauvaise qualité qu'un humain devra revoir et corriger. Le temps total (agent + correction humaine) peut finir par dépasser le temps qu'aurait pris l'humain seul, comme le montre le ralentissement de 17,7% observé quand les humains utilisent l'IA en mode "automation complète".

💡 Pourquoi c'est important

Cette étude compare directement humains et agents sur les mêmes tâches, au lieu de se contenter de benchmarks isolés. Elle arrive au moment où les agents IA commencent à être déployés pour automatiser complètement certains postes, notamment les postes d'entrée de gamme. L'étude estime que ces tâches représentent 71,9% des activités quotidiennes dans 287 professions informatisées aux États-Unis.

Le contexte : les entreprises américaines investissent massivement dans l'automatisation par agents IA. La course est lancée pour réduire les coûts de main-d'œuvre. Contrairement aux précédentes vagues d'automatisation qui ciblaient des tâches manuelles et répétitives, les agents IA visent maintenant le travail intellectuel et créatif (analyse, écriture, design).

⚠️ Les avis divergent fortement sur la maturité réelle des agents IA

Le dernier rapport McKinsey de novembre 2025 affirme que 23% des organisations sont en phase de scaling d'agents avec des résultats prometteurs sans entrer dans plus de détails mais l’étude de Carnegie Mellon et Stanford montre que ces mêmes agents échouent 32 à 50% plus souvent que les humains et fabriquent des résultats pour masquer leurs échecs.

L'étude de Carnegie Mellon et Stanford confirme donc plutôt les déclarations récentes d'Andrej Karpathy (cofondateur d'OpenAI) qui a récemment dit : "Ils [les agents IA] ne fonctionnent tout simplement pas. Il faudra environ une décennie pour résoudre tous ces problèmes."

Cette tension entre l'enthousiasme des décideurs (qui ont investi massivement) et la prudence des experts techniques (qui mesurent les limitations réelles) montre deux réalités poussés par des intérêts différents et qui est révélatrice : les agents sont déployés avant d'être vraiment prêts, poussés par la pression économique plutôt que par la maturité technologique.

👉 Ce que ça change concrètement

Pour les entreprises qui évaluent l'automatisation :

• Vous aurez un gain d'efficacité démontré : 88,3% plus rapide et 90,4 à 96,2% moins cher qu'un travailleur humain moyen.

• Mais préparez-vous à une qualité inférieure et à des comportements problématiques qui nécessitent une supervision humaine (du coup, à quel point peut-on parler d'un gain de rapidité si vous devez repasser derrière à chaque fois pour contrôler ?)

• La stratégie gagnante : déléguer aux agents les étapes facilement programmables (nettoyage de données, génération de code, tâches répétitives) et garder l'humain pour les étapes où les agents échouent (validation, créativité, jugement)

• Distinguer absolument "augmentation" (l'IA aide sur des étapes précises, accélération de 24,3%) et "automation" (l'IA fait tout, ralentissement de 17,7% à cause du temps de vérification)

Pour les travailleurs exposés à cette automatisation :

• Les tâches purement répétitives et programmables sont les plus menacées (traitement de factures, compilation de rapports basiques, génération de code simple)

• Votre avantage compétitif se situe dans les compétences que les agents maîtrisent mal : jugement critique, créativité visuelle, compréhension contextuelle nuancée, et capacité à détecter les erreurs subtiles

• Investir dans l'apprentissage de la supervision d'agents plutôt que dans l'exécution directe des tâches

📌 À retenir

👉 Les agents IA sont des systèmes autonomes qui exécutent des missions complètes sans supervision (vs ChatGPT qui répond étape par étape). Ils visent aujourd'hui principalement l'automatisation en entreprise, couvrant potentiellement 71,9% des activités professionnelles informatisées.

👉 Le gain d'efficacité est spectaculaire (88,3% plus rapide, 90-96% moins cher) mais la qualité du travail reste nettement inférieure à celle des humains, avec des comportements préoccupants comme la fabrication de données.

👉 L'approche "tout code" des agents (93,8% des tâches résolues par programmation) crée un décalage majeur avec les workflows humains orientés interface graphique, même pour des tâches créatives comme le design.

👉 La collaboration humain-agent semble plus prometteuse que l'automatisation complète : déléguer aux agents les étapes programmables où ils excellent, garder l'humain pour le jugement critique, la créativité et la validation.

L'augmentation ciblée accélère le travail de 24,3%, tandis que l'automation complète le ralentit de 17,7%.

👉 Le décalage entre discours et réalité : alors que les rapports célèbrent le scaling des agents sans entrer dans le détail (cf McKinsey), cette première comparaison directe indiquent qu'ils échouent en fait 32 à 50% plus souvent que les humains et mentent pour masquer leurs limites.

🔗 Sources

• How Do AI Agents Do Human Work? - Carnegie Mellon & Stanford (Publication novembre 2025)

• The state of AI in 2025: Agents, innovation, and transformation

🎭 Une attaque deepfake toutes les 5 minutes : l'IA générative industrialise la fraude

Un sénateur américain croit parler au ministre ukrainien des Affaires étrangères en visio. Un CFO valide un virement de 25 millions de dollars après un appel avec son CEO. Une nouvelle recrue effectue un achat frauduleux après avoir reçu un SMS de son patron.

Ces trois histoires ont un point commun : trois personnes pensaient parler à des interlocuteurs humains qui étaient en fait des IA.

⚡ L'essentiel en 30 secondes

• Une attaque deepfake toutes les 5 minutes aux États-Unis en 2024, pertes moyennes de 500 000 $ par incident.

• Les fraudes ont explosé de 3 000 %, dopées par les modèles IA open-source et les clones vocaux ultra-réalistes.

• L'humain ne peut plus faire la différence : seuls 24 % distinguent correctement un deepfake vidéo de qualité.

• La seule défense efficace : procédures multi-canaux, codes de confiance et vérifications croisées.

• Paradoxe : les acteurs qui créent les outils (OpenAI, etc.) permettant les attaques financent aussi les startups censées les contrer.

🤔 De quoi on parle ?

➡️ Une attaque toutes les 5 minutes en 2024 aux États-Unis (environ 105 000 incidents recensés).

➡️ Les fraudes par deepfake ont explosé de 3 000% en 2023.

➡️ Pertes financières moyennes : 500 000$ par incident pour les entreprises touchées, avec des pics à 680 000$ pour les grandes organisations.

➡️ Le cas Arup : à Hong Kong, un employé a transféré 25,5 millions de dollars après une vidéoconférence avec ce qu'il croyait être son directeur financier et plusieurs collègues. Tous étaient des deepfakes.

Note méthodologique : Les données IRONSCALES proviennent d'un sondage mené auprès de 500 professionnels IT et cybersécurité américains travaillant dans des entreprises de 1 000 à 10 000 employés. Les chiffres concernent donc principalement les grandes entreprises américaines.

💡 Les conséquences : du particulier aux gouvernements

Deloitte projette 40 milliards de dollars de fraudes facilitées par l'IA générative d'ici 2027 aux États-Unis (contre 12,3 milliards en 2023), soit un taux de croissance de 32% par an.

Pour les particuliers : 77% des personnes piégées par une arnaque vocale deepfake ont perdu de l'argent. Un tiers a perdu plus de 1 000$ et 7% jusqu'à 15 000$.

Au niveau politique : Le sénateur Ben Cardin a été piégé par un faux appel vidéo avec le ministre ukrainien Dmytro Kuleba.

Ferrari a aussi été ciblée, l'attaque échouant uniquement parce qu'un dirigeant a posé une question piège dont seul le vrai CEO connaissait la réponse.

L’humain se pense apte à détecter : 60% des gens pensent pouvoir repérer un deepfake mais les humains ne détectent correctement les deepfakes vidéo de haute qualité que dans 24,5% des cas. Une étude iProov indique que seulement 0,1% des participants ont identifié correctement tous les contenus présentés. Presque personne n'est donc fiable pour cette tâche.

Un manque de préparation flagrant : 1 dirigeant sur 4 n'a que peu de familiarité avec les deepfakes et 31% ne croient pas que ça augmente leur risque.

👉 Pourquoi l'IA générative permet tout ça

Les modèles génératifs créent aujourd'hui des contenus quasi-parfaits. ChatGPT, Claude, Gemini et les modèles vidéo (Sora, Runway, Veo) peuvent recréer une voix à partir de 3 secondes d'audio (85% de correspondance), générer des vidéos réalistes, rédiger des emails indiscernables de communications authentiques, etc..

L'accès aux données : Les IA agrègent des informations éparpillées sur LinkedIn, Facebook, Instagram, etc.. et parviennent à construire un profil complet. Plus d'un million de modèles open-source fonctionnent sans modération.

Les coûts ont chuté : Le deepfake robocall du Président Biden lors de la primaire du New Hampshire 2024 a coûté 1$ à créer et pris moins de 20 minutes. Le volume de fichiers deepfake est passé de 500 000 en 2023 à 8 millions projetés en 2025 (croissance de 900% par an).

L'ironie : OpenAI, qui développe des modèles utilisés par les criminels, investit aussi massivement dans des startups de défense comme Adaptive Security (55M$ levés). C'est un écosystème qui crée simultanément le poison et l'antidote. Les modèles génératifs progressent plus vite que la détection : il faut courir deux fois plus vite juste pour rester sur place.

🛡️ Que faire concrètement ?

Le premier problème est de ne se fier qu’à un seul canal (email, visio, appel). Le cas Arup (évoqué plus tôt) avec les 25M$ transférés sur simple demande par visio le prouve.

Les recommandations OWASP et WEF :

Pour les entreprises :

• Utiliser des codes de confiance : mots de passe ou phrases connues uniquement du cercle restreint

• Imposer un rappel obligatoire : pour toute demande financière, rappeler sur un numéro pré-enregistré

• Mettre en place une validation en plusieurs étapes : aucune transaction importante ne devrait être approuvée par une seule personne

• Mettre en place des canaux alternatifs : si la demande vient par email, confirmer par téléphone (et vice-versa)

• Former régulièrement : modules courts (3-7 minutes) avec simulations réalistes (pas des sessions annuelles déconnectées).

La réalité sur les formations : les formations trimestrielles traditionnelles n'atteignent que 7% de taux de remontée. 70% des organisations avec des programmes actifs voient leurs employés tomber dans des pièges basiques. Seules les procédures obligatoires fonctionnent.

Pour les particuliers :

• Raccrochez et rappelez sur le numéro habituel (pas celui de l'appel reçu)

• Posez des questions personnelles que seul votre proche connaîtrait

• Méfiez-vous de l'urgence et de l’émotion générée : c'est le levier principal des arnaqueurs ! (votre “enfant” vous demande de l’aide par SMS, votre banque vous alerte que vos comptes sont en train d’être vidés, etc..)

• Établissez un mot de passe familial pour les demandes d'argent urgentes

• Limitez la visibilité de vos posts (amis uniquement, pas public) : 53% des gens partagent leur voix en ligne chaque semaine, cette donnée suffit pour un clone

• N'installez jamais un logiciel à la demande d'une personne ou entité inconnue

• Ne cliquez jamais sur les liens dans emails/SMS inconnus ou inattendus

📌 Ce qu'il faut retenir

👉 Industrialisation totale : 105 000 attaques aux États-Unis en 2024 (une toutes les 5 minutes), pertes moyennes de 500 000$. Deloitte projette 40 milliards de dollars de fraude IA d'ici 2027.

👉 Démocratisation complète : 3 secondes de voix suffisent pour un clone à 85% de correspondance. Le deepfake du Président Biden a coûté 1$ et pris 20 minutes. Plus d'un million de modèles open-source disponibles sans modération.

👉 Détection humaine impossible : 24,5% de réussite pour les vidéos de qualité, 0,1% détectent correctement tous les contenus. La seule stratégie viable : des procédures de vérification qui tiennent même si le deepfake est parfait.

👉 Les protocoles peuvent vous sauver : Codes de confiance, validation multi-canaux obligatoire, rappels sur numéros pré-enregistrés, délais imposés même en "urgence", validation à deux personnes. Ces procédures marchent aussi dans la vie privée (77% des victimes de voix clonée perdent de l'argent, 1 adulte sur 4 a déjà été ciblé).

👉 Un écosystème paradoxal : OpenAI investit dans Adaptive Security pour contrer les attaques créées avec ses propres technologies. C'est une course asymétrique où les défenseurs partent toujours avec un temps de retard.

🔗 Sources

Sources principales :

• IRONSCALES Fall 2025 Threat Report

• Keepnet Labs - Deepfake Statistics 2025

• DeepStrike - Deepfake Statistics 2025

• World Economic Forum - Detecting Dangerous AI

• OWASP - Guide Deepfake Events

Sources complémentaires : Wall Street Journal, Cyber Defense Magazine, Deloitte, FS-ISAC, McAfee 2024, iProov 2025

🎓 Les lycéens américains abandonnent le code pour les stats et l'analyse de données

Dans les années 2010, faire des études d'informatique était la voie vers l'emploi garanti. Aux États-Unis, ça commence à sonner un peu comme "apprends le latin" et certains lycéens américains se tournent de plus en plus vers les stats et l'analyse de données au détriment du développement informatique que l'IA générative semble en passe de faire mieux que l'humain.

🤔 De quoi on parle ?

➡️ Dans les lycées américains, on observe un passage massif de l'informatique vers les statistiques chez les élèves orientés STEM. L'examen AP Statistics a enregistré 264 262 inscriptions en 2024, devenant l'un des tests AP (tests passés au lycée pour obtenir des crédits universitaires) les plus demandés. En parallèle, les diplômes en informatique ont chuté de 5,5% entre 2023 et 2024.

➡️ La logique des étudiants : fuir les compétences que l'IA peut automatiser (coder) pour se concentrer sur ce qu'elle fait mal (interpréter, analyser, contextualiser dans un contexte métier précis). Les lycéens américains parient que comprendre les systèmes > construire les systèmes, et que piloter l'IA > coder soi-même.

➡️ Les écoles suivent le mouvement : À Manhattan Village Academy, on crée des cours de "mathématiques appliquées" où les élèves analysent des données de la police pour proposer des politiques publiques concrètes. Les cours d'informatique restent au programme mais plutôt comme culture générale.

💡 Pourquoi ce virage

Il y a 10 ans, décrocher un poste de software engineer chez Google était le Graal. Aujourd'hui, les ados de 16 ans regardent ChatGPT générer du code en quelques secondes et se disent : "Pourquoi passer 4 ans à apprendre ça ?"

C'est cohérent : l'école ne forme pas que des passionnés, elle forme aussi des gens employables et si le marché dit "on n'a plus besoin de codeurs juniors mais d'analystes capables de piloter l'IA", alors les élèves pivotent.

Le chercheur Xiaoming Zhai (Université de Géorgie) va plus loin : "La barre du coding a baissé. La vraie compétence maintenant, c'est d'intégrer l'IA avec sa propre discipline."

On passe d'une génération de développeurs à une génération de "pilotes d'IA" : pas ceux qui construisent l'outil mais ceux qui savent s'en servir intelligemment pour extraire du sens.

L'IA ne remplace pas (encore) tous les métiers tech : les développeurs seniors avec une vision d'architecture et les métiers opérationnels (admin sys, tech infra) restent nécessaires. Mais les développeurs juniors qui sortent de l'école sont les plus fragiles : leur code risque d'être de qualité similaire à celui produit par une IA.

⚠️ Nuances importantes

• Comprendre le code reste essentiel, même si on ne code plus tous les jours. C'est comme savoir lire une carte même si on utilise Google Maps. Ça permet de rester conscient des limites du système.

• Cette adaptation est très américaine : l’éducation y est chère, hyper-pragmatique et orientée marché du travail. Dans d'autres pays comme la France, l'informatique reste une discipline fondamentale, une forme de culture générale technique. Cette différence culturelle pourrait créer des déséquilibres.

• L'IA générative est déjà compétente en stats : Le pivot, ce n'est pas "faire des stats" techniquement mais comprendre ce que les chiffres signifient dans un contexte métier précis. L'IA peut calculer une corrélation mais elle a du mal à dire "ce résultat signifie qu'on doit changer notre politique de santé publique parce que...". L'intuition humaine et la contextualisation deviennent les compétences clés.

👉 Concrètement, qu'est-ce que ça change ?

Pour les lycéens et étudiants :

• Réorientation vers les stats, les données, les sciences sociales appliquées.

• Apprentissage de l'IA comme outil quotidien, pas comme objectif de carrière.

• Développement de compétences d'interprétation, de jugement critique et de contextualisation.

Pour le marché du travail :

• Prime croissante aux profils hybrides (expertise métier + maîtrise IA).

• Émergence de nouveaux métiers autour de l'audit, l'interprétation et la supervision.

📌 À retenir

👉 Les lycéens américains fuient l'informatique au profit des stats par pragmatisme économique : pourquoi apprendre ce que l'IA fait mieux ?

👉 On passe d'une génération de développeurs à une génération de "pilotes d'IA" capables d'interpréter et contextualiser.

👉 Cette adaptation est très américaine (pragmatisme absolu), d'autres cultures maintiennent une approche plus académique du code.

👉 Le risque à long terme : former des utilisateurs passifs incapables de comprendre l'outil qu'ils manient au quotidien.

🔗 Sources

• Wired - AI Is Changing What High School STEM Students Study

AI TOOLS 🛠️

🤖 ChatGPT Agent

Puisqu’on parle des agents IA, OpenAI a récemment lancé son “mode agent”, accessible à tous les utilisateurs (avec quotas selon votre abonnement).

▶️ Ce que ça fait :  Transforme ChatGPT en agent autonome capable d'enchaîner plusieurs actions pour accomplir une mission complexe sans intervention. Au lieu de dialoguer étape par étape, vous donnez un objectif global ("recherche et compare 5 outils de CRM pour PME avec budget <5000€/an") et l'agent planifie, recherche, analyse et synthétise de manière autonome.

Fonctionnalités :

• Recherche web autonome : Lance plusieurs requêtes, consulte des sites, croise les informations sans vous demander validation à chaque étape.

• Planification multi-étapes : Décompose votre demande en sous-tâches et les exécute dans l'ordre logique.

• Navigation et analyse : Peut parcourir des pages web, extraire des données structurées, comparer des informations.

• Synthèse finale : Compile les résultats dans un format actionnable (tableau comparatif, liste hiérarchisée, rapport structuré).

Exemple

Ici j’ai demandé à ChatGPT d’utiliser l’agent pour me créer une présentation de 3 slides de comparaison des modèles LLM Chatgpt, Claude, Gemini et Mistral.

Ce que l'agent a fait :

1. Recherche sur internet, sur plusieurs sites, avec des recherches différentes

2. Consulte les pages, performances, benchmarks etc..

3. Compile tout ça et code une présentation avec graphiques et images.

💡 Utile pour :

• Comparer 5 fournisseurs ou services (prix, features, avis) et recommander le meilleur selon votre besoin

• Trouver des statistiques récentes sur un marché spécifique (ex: adoption IA en France 2024-2025)

• Rechercher et synthétiser les principales actualités sur un concurrent

• Identifier les meilleurs restaurants japonais dans une ville avec notes >4.5/5

🎯 Résultat

Une fonctionnalité qui peut vous faire gagner du temps sur des tâches de recherche répétitives, à condition de vérifier ses conclusions, sauf dans un cas de brainstorming ou de création.

🔗 Accès : chatgpt.com → Sélectionner "Agent Mode" dans le menu “+”

🤖 Prompt Hack du moment

#12. Le Générateur d'expériences 🧪

💡 Pourquoi c'est utile ?

Quand plusieurs explications sont possibles, ce prompt transforme la question en tests et expérimentations courtes qui permettent d'écarter des hypothèses. Parfait pour passer sortir un peu du flou.

🪄 Prompt magique (à copier-coller) :

ROLE : Tu es un designer d'expériences lean, spécialisé en tests rapides et en décision basée sur données.

TASK : Voici une intuition ou un problème : [COLLEZ ICI L'HYPOTHÈSE OU LE PROBLÈME]
1) Propose 3 hypothèses concurrentes qui expliquent le phénomène.
2) Pour chaque hypothèse, propose une micro-expérience réalisable en 48-72 heures : protocole, métrique principale, taille minimale ou fréquence d'observation, et critère clair d'acceptation/rejet.
3) Donne une règle de décision simple pour interpréter les résultats et la prochaine étape à entreprendre selon chaque issue.

FORMAT : tableau ou bullet points clairs.

🎯 Exemple

Prompt : "Les ventes ont chuté, je ne sais pas pourquoi."

Réponse :

• Hypothèse 1 — Problème d'offre → Test : remonter prix promo sur segment A, mesurer conversion 48h, n min = 200 visites, critère : si conversion +10% alors offre OK

• Hypothèse 2 — Problème de trafic qualifié → Test : campagne ciblée sur canal B, comparer taux d'engagement 3 jours

• Hypothèse 3 — Friction checkout → Test : streamline checkout pour 100 sessions et mesurer abandon

💡 Impact attendu

Un plan expérimental précis qui transforme incertitude en décisions rapides et économes. Vous accélérez l'apprentissage et obtenez de la clarté immédiate. 🏃‍♂️💡

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
🫢 L'IA aussi souffre de "brain rot" avec les réseaux sociaux
🎯 Anthropic lance "Skills" : ou comment transformer Claude en expert sur-mesure pour votre société
🌐 Pourquoi tout le monde veut son navigateur IA ?

📆 DATA/AI EVENT
🎯 Forward Data Conference : un événement à ne pas manquer !

🛠️ AI TOOL
📽️ NotebookLM - Video Overviews : transformez vos docs en mini-conférences

🤖 PROMPT HACK
🏛️ Transformer un problème en système

AI NEWS 🗞️

📉 L'IA aussi souffre de "brain rot" avec les réseaux sociaux

L'usage excessif de TikTok/vidéos courtes dégrade les fonctions cognitives, particulièrement l'attention et le contrôle exécutif. Et apparemment, ça marche aussi pour l'IA. 

Une nouvelle étude révèle que les grands modèles de langage nourris de contenus viraux des réseaux sociaux développent une forme de déclin cognitif.

🤔 De quoi on parle ?

➡️ L'étude : Des chercheurs de l'Université du Texas à Austin, Texas A&M et Purdue ont testé ce qui arrive quand on entraîne des modèles d'IA avec des posts de réseaux sociaux "engageants" mais de faible qualité.

➡️ Le protocole : Ils ont nourri deux modèles open source (Llama de Meta et Qwen d'Alibaba) avec des contenus très partagés mais sensationnalistes, bourrés de "wow", "look" et "today only".

➡️ Les résultats : Les modèles ont développé un "brain rot" numérique avec capacités de raisonnement réduites, mémoire dégradée et alignement éthique affaibli. Plus inquiétant : l'intervention a causé une détérioration des normes éthiques (sécurité) et a entraîné l'émergence de traits de personnalité socialement indésirables (psychopathie et narcissisme).
À noter cependant : les effets varient selon la métrique de "junk data" utilisée. L'engagement viral amplifie les traits négatifs mais la métrique de qualité sémantique a produit des résultats plus mitigés, incluant certains traits positifs (agréabilité, ouverture).

➡️ Le parallèle humain : Des recherches montrent que les contenus en ligne de faible qualité ont exactement le même effet délétère sur les capacités cognitives humaines. (L'Oxford Dictionary a d'ailleurs élu "brain rot" mot de l'année 2024 😅)

➡️ L'irréversibilité : Une fois le déclin installé, un réentraînement avec des données propres peut atténuer le déclin mais ne parvient pas à restaurer entièrement les capacités initiales du modèle.

💡 Pourquoi c'est important

L'industrie de l'IA considère les réseaux sociaux comme une mine d'or de données d'entraînement car ils contiennent des milliards de posts disponibles, récents et diversifiés.

Sauf que "viral" ne signifie pas "qualitatif" et qu’au contraire, les contenus qui explosent sur les réseaux sont souvent optimisés pour une seule chose : capter l'attention. Pas transmettre de la connaissance ou approfondir une réflexion mais juste accrocher le regard.

Le chercheur Junyuan Hong le formule comme ceci : "Entraîner sur du contenu viral peut ressembler à de la montée en échelle de données, mais ça peut silencieusement corroder le raisonnement, l'éthique et l'attention sur les contextes longs."

Et la boucle ne fait que commencer car l'IA génère maintenant de plus en plus de contenus sur les réseaux sociaux et ces contenus sont souvent optimisés pour l'engagement et serviront ensuite à leur tour à entraîner les prochaines générations de modèles qui génèreront encore plus de slop… Vous voyez le cycle ? 🔄

👉 Impacts concrets

Pour les développeurs de modèles :

• Remettre en question l'utilisation naïve des données de réseaux sociaux pour l'entraînement

• Développer des filtres de qualité avant l'intégration des données sociales

• Prioriser la qualité sur le volume dans la sélection des corpus d'entraînement

Pour l'écosystème IA :

• Alerte sur la contamination progressive du web par du contenu IA de faible qualité

• Question de la "pollution informationnelle" comme défi majeur

• Urgence à établir des standards de qualité des données d'entraînement.

⚠️ Ce qu'il faut nuancer

📌 À retenir

👉 Les modèles d'IA développent un déclin cognitif mesurable quand ils sont nourris de contenus sociaux viraux mais de faible qualité;

👉 Effet miroir : l'IA et les humains souffrent tous deux de brain rot face aux mêmes types de contenus;

👉 Une boucle de contamination s'installe : l'IA génère du slop qui contamine les futurs corpus d'entraînement;

👉 L'industrie doit repenser l'utilisation des données de réseaux sociaux, même si elles semblent abondantes et pratiques.

🔗 Sources

• Wired - AI Models Get Brain Rot, Too

• ‘Brain rot’ named Oxford Word of the Year 2024

• LLMS CAN GET “BRAIN ROT”!

🎯 Anthropic lance "Skills" : ou comment transformer Claude en expert sur-mesure pour votre société

Claude peut désormais apprendre les processus spécifiques de votre entreprise grâce aux "Skills", des dossiers d'instructions réutilisables qui transforment l'IA généraliste en assistant expert.

🤔 De quoi on parle ?

➡️ Le 16 octobre 2025, Anthropic lance Skills, une nouvelle fonctionnalité disponible pour les plans Pro, Max, Team et Enterprise de Claude.

➡️ Un "Skill" (compétence), c'est un dossier contenant des instructions, des scripts, du code et des documents de référence que Claude peut charger dynamiquement quand il en a besoin pour accomplir une tâche.

➡️ Le principe : transformer l'expertise institutionnelle en packages réutilisables : guidelines de marque, procédures financières, templates d'emails, formats de documents, etc… que Claude applique automatiquement et de manière cohérente. Vous souhaitez créer un post LinkedIn en suivant le style éditorial de votre société ? Allez chercher le “skill” correspondant et Claude appliquera le style automatiquement.

➡️ Différence clé avec les approches existantes : Skills utilise ce qu'Anthropic appelle la "progressive disclosure" (divulgation progressive), Claude ne voit d'abord que les noms et descriptions des Skills disponibles, puis décide de manière autonome lesquels charger selon la tâche, c’est beaucoup moins consommateur de tokens.

➡️ Composabilité : plusieurs Skills peuvent s'empiler automatiquement pour des workflows complexes (par exemple : guidelines de marque + reporting financier + formatage présentation = deck investisseur prêt à l'emploi)

➡️ Disponibilité multi-plateforme : même Skill utilisable sur Claude.ai, Claude Code (l'environnement de codage IA), l'API et le Claude Agent SDK. C’est créé une fois et déployé partout.

➡️ Skills pré-construits par Anthropic : Anthropic met à disposition une liste de skills déjà disponibles gratuits pour tous les utilisateurs : création de documents Excel avec formules, présentations PowerPoint, documents Word, PDFs éditables, etc.

➡️ Premiers clients déjà à bord : Rakuten (e-commerce japonais), Canva (design), Box (stockage cloud) testent déjà la fonctionnalité.

💡 Pourquoi c'est important

Skills marque un changement dans la personnalisation des assistants IA : on passe des prompts ponctuels à des packages d'expertise métier réutilisables et cohérents à l'échelle d'une organisation entière.

Contrairement au RAG (Retrieval-Augmented Generation) qui récupère des informations depuis des bases de données, Skills s'appuie sur des outils simples permettant à Claude de naviguer intelligemment dans un système de fichiers et d'exécuter du code (requiert l'activation de l'outil d'exécution de code qui est actuellement en phase Beta). Cela permet d'inclure une grande quantité de contexte tout en maintenant vitesse et efficacité, un Skills peut contenir procédures détaillées, templates de code, documentation de référence, clauses légales, le tout organisé dans une structure que Claude explore de manière autonome.

Cette approche répond au "problème du prompt engineering" : aujourd'hui, l'usage efficace de l'IA dépend d'employés individuels qui doivent rédiger des instructions élaborées pour des tâches routinières, sans moyen de partager cette expertise avec leurs équipes. Skills transforme cette connaissance implicite en actifs explicites et partageables.

👉 Impacts & opportunités

🏢 Pour les entreprises :

• ROI potentiel : Sur certains workflows financiers spécifiques lors d'une implémentation précoce chez Rakuten, des tâches sont passées d'une journée à une heure (soit un gain de productivité jusqu'à x8)

• Cohérence garantie : finies les variations de qualité selon qui utilise Claude, avec les skills, les procédures sont standardisées

• Capitalisation du savoir : capture des workflows, bonnes pratiques et connaissances institutionnelles dans des formats réutilisables

• Déploiement simple : inclus sans coût additionnel dans les plans payants, pas de scaffolding technique à construire.

🛠️ Si vous développez des IA :

• Portabilité : un Skill fonctionne identiquement sur toutes les plateformes Claude (à vrai dire ça doit fonctionner sur d’autres LLM)

• Support de n'importe quel langage de programmation compatible avec l'environnement conteneurisé

• Skills simples créables en Markdown (zéro code requis) ou avancés avec scripts exécutables

• Marketplace GitHub déjà disponible avec des Skills partagés par la communauté.

⚠️ Limites & réalité du terrain

📌 À retenir

👉 Skills transforme Claude d'assistant généraliste en expert métier personnalisable, une évolution majeure de la customisation IA qui capitalise le savoir organisationnel

👉 Les gains de productivité sont tangibles (jusqu'à x8 sur certaines tâches) mais nécessitent d'investir du temps pour structurer ses procédures en Skills

👉 La sécurité et la gouvernance restent des zones grises, l'exécution de code arbitraire demande vigilance et contrôles stricts

👉 Cette fonctionnalité illustre bien la stratégie d'Anthropic : Anthropic reste dans un pragmatisme appliqué à l’entreprise plutôt que hype grand public, à l'opposé d'OpenAI qui transforme ChatGPT en système d'exploitation d'applications.

🔗 Sources

• Anthropic annonce Skills

• VentureBeat : analyse approfondie de Skills

• Off The Grid : The Genius of Anthropic's Agent Skills

🌐 Pourquoi tout le monde veut son navigateur IA ?

OpenAI lance Atlas le 21 octobre, Microsoft relance Copilot Mode le 23, Perplexity avait sorti Comet en juillet... le navigateur devient le nouveau champ de bataille de l'IA !

🤔 De quoi on parle ?

➡️ Une vague de lancements en 2025 : Perplexity lance Comet (juillet), Microsoft relance Copilot Mode pour Edge (juillet puis octobre), OpenAI dévoile Atlas (21 octobre), et d'autres acteurs comme Dia se positionnent également.

➡️ Le concept "AI browser" : des navigateurs où l'IA n'est pas un plugin mais le cœur du produit. Elle peut voir ce que vous faites, comprendre votre contexte, effectuer des actions (réserver, acheter, remplir des formulaires) et mémoriser vos habitudes.

➡️ Les capacités communes : tous proposent des "agents" capables d'interagir avec les sites web à votre place, une mémoire conversationnelle, une recherche augmentée par IA et l'intégration dans le flux de navigation plutôt qu'en sidebar.

➡️ Le marché actuel : Google Chrome domine avec environ 3 milliards d'utilisateurs et 65% de parts de marché. Safari et Edge se partagent le reste, les navigateurs "alternatifs" (Brave, Arc) captent moins de 5%.

➡️ L'impact boursier : L'impact sur la valorisation de la maison-mère de Google Alphabet (perte de 150 milliards de dollars en une journée suite l'annonce d'Atlas par OpenAI) témoigne de la nervosité du marché face à la possibilité que l'IA détourne le flux de revenus publicitaires de Google.

➡️ Le marché IA browser : estimé à 4,5 milliards de dollars en 2024, il devrait atteindre 76,8 milliards de dollars d'ici 2034, soit une croissance annuelle de 32,8%.

💡 Pourquoi c'est important

Le navigateur n'est pas juste un outil : c'est la porte d'entrée d'internet. Celui qui contrôle comment les gens accèdent au web contrôle trois choses massives :

1. Les revenus publicitaires : Google génère environ 200 milliards de dollars de revenus publicitaires annuels, en grande partie grâce à Chrome et Google Search qui travaillent en tandem. Si les utilisateurs commencent à poser des questions à ChatGPT Atlas plutôt qu'à Google Search, ce flux se tarit. Forbes note que "Google a déjà intégré l'IA là où les milliards de gens sont déjà" (Gmail, Docs, Chrome, Search), mais l'arrivée de navigateurs IA natifs pourrait changer la donne.

2. Les données comportementales : Un navigateur IA voit tout ce que vous faites en ligne : sites visités, durée, interactions, achats, recherches. Ces données alimentent l'entraînement des modèles et affinent la personnalisation. OpenAI, qui était jusqu'ici un "fournisseur de modèles", devient un collecteur de données de navigation à échelle mondiale. Microsoft, déjà présent avec Edge, renforce sa position de "plateforme" plutôt que simple éditeur de logiciels.

3. Le contrôle de l'écosystème : Comme l'analysent plusieurs sources, les navigateurs IA changent qui décide. Aujourd'hui, c'est l'utilisateur qui clique mais demain, c'est l'agent IA qui choisit où aller, quoi acheter, quelle information privilégier. Les sites web devront optimiser pour les agents IA, pas seulement pour le SEO traditionnel. C'est une refonte de l'économie du web.

👉 Impacts & opportunités

Pour Google :

• Menace ? Pas vraiment. L'idée d'une "menace existentielle" est remise en question par les analystes, car Google "n'a jamais été en danger" grâce à ses fondamentaux

• Domination et riposte en cours : Google domine Chrome avec plus de 3 milliards d'utilisateurs et riposte activement en intégrant Gemini dans Chrome et en négociant une expansion cloud majeure avec Anthropic (accord potentiel de "dizaines de milliards" selon Bloomberg)

• Avantage structurel : Google possède l'infrastructure et "le comportement par défaut du web". Selon Forbes, Google "possède l'infrastructure où les gens sont déjà", faisant de son IA une "innovation par inévitabilité". Mais cet avantage pourrait être dépassé si les utilisateurs migrent activement vers les nouveaux navigateurs agents.

Pour OpenAI, Anthropic, Perplexity :

• Passage de "fournisseur de modèles" à "plateforme complète" avec accès aux données de navigation.

• Nouvelles sources de revenus : publicités contextuelles, commissions sur achats effectués via agents, abonnements premium.

• Multiplication des points de contact avec les utilisateurs : ChatGPT passe de "je viens poser une question" à "je vis dedans toute la journée"

Pour Microsoft :

• Position ambiguë : investisseur majeur dans OpenAI (13 milliards de dollars) tout en ayant son propre navigateur IA (Edge Copilot Mode)

• Stratégie apparente : couvrir tous les angles, que ce soit OpenAI ou Microsoft qui gagne, Microsoft est dans le coup.

• Risque d'être pris entre deux chaises si OpenAI devient concurrent direct.

Pour les sites web et e-commerces :

• Nouveau paradigme : optimiser pour des agents IA qui "lisent" vos pages et prennent des décisions.

• Opportunités : être recommandé par les agents si votre contenu est bien structuré.

• Risques : invisibilité totale si les agents ne vous sélectionnent pas, perte de contrôle sur l'expérience utilisateur

Pour les utilisateurs :

• Promesse : automatisation de tâches répétitives (recherche, réservation, achats, comparaison)

• Nouveaux risques de sécurité : attaques par "prompt injection" où des sites malveillants donnent des instructions cachées aux agents

• Questions de vie privée : votre navigateur IA "voit tout" et se souvient, avec les risques de fuites ou d'usage abusif.

⚠️ Limites & réalité

📌 À retenir

👉 Octobre 2025 marque l'émergence des "AI browsers" comme catégorie à part entière, avec Atlas (OpenAI), Copilot Mode (Microsoft), Comet (Perplexity) et d'autres, tous cherchant à repenser la navigation web autour de l'IA.

👉 L'enjeu n'est pas technologique mais économique : qui contrôle la porte d'entrée d'internet contrôle 200 milliards de dollars de revenus publicitaires, des données comportementales massives, et la relation directe avec les utilisateurs.

👉 Les risques de sécurité (prompt injection) et les limitations actuelles des agents (fiabilité sur tâches complexes) montrent que la technologie n'est pas encore mature, malgré la hype.

👉 Google reste en position de force avec Chrome et son intégration native de Gemini, mais Wall Street prend la menace suffisamment au sérieux pour avoir effacé 150 milliards de sa valorisation en une journée.

🔗 Sources

• Forbes - Google's Quiet Victory: Why The AI Browser Wars Were Over Before They Began

• TechCrunch - Two days after OpenAI's Atlas, Microsoft launches a nearly identical AI browser

• TechCrunch - The glaring security risks with AI browser agents

• Navigateurs IA, la fausse bonne idée dont personne n'a besoin

DATA/AI EVENT 📆 

📆 FORWARD DATA CONFERENCE - 24/11/2025

Du Data Engineering aux algos de ML, en passant par la gouvernance et les stratégies produit à l'ère GenAI : la Forward Data Conference rassemble des praticiens qui parlent de ce qui marche vraiment (et de ce qui marche moins bien).

Cofondée par 3 acteurs français de l’écosytème Data/IA que j’apprécie particulièrement : Hymaïa, le Modern Data Network et Blef (Christophe Blefari), cette conférence a un format convivial, concret et accessible d’où on ressort inspiré et avec des cas concrets !

Au programme : des talks concrets portés par (entre autres) :

• Hugging Face (éthique de l'IA),

• Dailymotion (plateforme agentique),

• Decathlon (analytics à grande échelle),

• BNP Paribas (inférence souveraine de LLM),

• Criteo (deep learning en production),

• Mirakl (analytics agentiques),

• Datadog, Vinted, Meetic... et bien d’autres !

Pas de marketing, que du retour d'expérience terrain : architecture de plateformes data, mise en production de modèles ML, data mesh, MCP à l'échelle et comment construire des produits data sans tomber dans la paralysie stratégique face à la GenAI.

📅 Date : 24/11/2025
🎯 Lieu : Cité Internationale Universitaire de Paris, 17 Boulevard Jourdan 75014, PARIS

👉 Inscrivez-vous et obtenez -15% de réduction avec ce code : FWD_EssaimIA

Inscription ici : https://www.billetweb.fr/forward-data-conference-2025

Au plaisir de vous y croiser ! 😉 

Affiche édition 2025

Edition 2024

AI TOOL 🛠️

🎥 NotebookLM - Video Overviews : transformez vos docs en mini-conférences

On connaissait NotebookLM notamment pour sa capacité à générer des podcasts depuis des documents, eh bien Google vient d’y ajouter les Video Overviews et c'est une évolution intéressante de leur outil de recherche IA.

Le concept : vous uploadez vos documents (PDFs, slides, vidéos YouTube, Google Docs...) et NotebookLM génère automatiquement une vidéo explicative avec diapositives narratives et voix off. L'IA crée des visuels pour illustrer les concepts, extrait les diagrammes et citations clés de vos docs, et structure le tout de manière pédagogique.

Nouvelle fonctionnalité - Résumé vidéo

Vidéo générée sur les biais dans l’IA médicale

Ce qui change :

• Studio redesigné : les premières versions de NotebookLM étaient loin d’être très abouties côté UX (User Experience), ça n’était pas forcément facile de s’y retrouver mais Google à grandement fait évoluer son outil de ce côté. De plus, vous pouvez maintenant créer plusieurs outputs du même type dans un seul notebook (par exemple, générer plusieurs Audio Overviews en différentes langues ou plusieurs Video Overviews ciblant différents publics - technique vs business, par exemple).

• Personnalisation avancée : vous spécifiez votre niveau d'expertise ("je ne connais rien au sujet" vs "je suis expert en X, concentrez-vous sur Y"), votre objectif d'apprentissage, et l'audience cible. L'IA adapte le ton et le niveau de détail en conséquence.

• Multitasking : vous pouvez écouter un Audio Overview tout en explorant une Mind Map ou en consultant un Study Guide dans le même panneau.

Cas d'usage concrets :

• Onboarding technique : transformez votre doc interne en vidéos de formation pour les nouveaux arrivants;

• Veille techno : digérez rapidement des publications de recherche en vidéos de 5-10 minutes;

• Préparation de présentation : générez plusieurs versions d'une même présentation adaptées à différents publics (C-level, équipes techniques, clients);

• Documentation projet : créez des Audio Overviews en plusieurs langues pour des équipes distribuées.

Accès : Gratuit

👉 notebooklm.google.com

🤖 Prompt Hack du moment

#12. Transformer un problème en système

💡 Pourquoi c’est utile ?

Ce prompt permet d’arrêter de réagir au coup par coup et de systématiser votre façon de gérer des problèmes ou situations récurrentes.

🪄  Prompt magique (à copier-coller) :

Je veux transformer un problème récurrent en système que je peux tester, itérer et améliorer.  

Voici le problème : [INSÈRE ICI]  

Fais-moi passer par ce process :  
1. Définis les inputs, outputs, contraintes, variables de ce problème  
2. Propose un système de gestion basé sur des principes clairs  
3. Donne un prototype simple que je peux tester cette semaine  
4. Indique des métriques pour savoir si ça marche  

Sois pragmatique et oriente-moi vers l’autonomie.

🪄 Exemple concret :

Avant : "Je procrastine souvent sur mes tâches”

Après :

🎯 Résultat

Passage d'un problème flou à un mécanisme testable, ajustable et responsabilisant. Plus de réaction au coup par coup ! 🔧⚡

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
🩺 L'IA médicale discrimine femmes et minorités : quand l'algorithme reproduit nos préjugés
🛒 OpenAI transforme ChatGPT en plateforme de commerce conversationnel
🤯 Les managers font plus confiance aux agents IA qu'aux juniors

🛠️ AI TOOL
🎬 Kling - Générer des vidéos à partir de texte !

🤖 Prompt Hack
🧪 L’antidote d’hallucinations

AI NEWS 🗞️

🩺 L'IA médicale discrimine femmes et minorités : quand l'algorithme reproduit nos préjugés

Des études du MIT, de la London School of Economics et d'Emory révèlent que les IA médicales recommandent systématiquement moins de soins aux femmes et moins d'examens aux minorités. Alors que Microsoft clame 85% de précision diagnostique, la question n'est plus "l'IA est-elle performante ?" mais "pour qui l'est-elle vraiment ?"

🤔 De quoi on parle ?

➡️ Trois études majeures convergent : le MIT Jameel Clinic, la London School of Economics et Emory University ont analysé les biais des IA médicales sur plusieurs dizaines de milliers de cas

➡️ Les modèles concernés : GPT-4 d'OpenAI, Llama 3 de Meta, Palmyra-Med (spécialisé santé), et Gemma de Google (utilisé par plus de la moitié des autorités locales britanniques)

➡️ Le constat chiffré : analyse de 29 616 paires de résumés médicaux générés par IA, tests sur 300+ cas diagnostiques, évaluation de 4 plateformes IA pour recommandations psychiatriques

➡️ Les biais relevés :

• Les IA diagnostiquent moins souvent les femmes que les hommes pour des conditions également prévalentes (COVID-19, cancer),

• Recommandent moins d'examens d'imagerie (IRM, échographie) aux patients noirs qu'aux patients blancs 

• Minimisent systématiquement les problèmes de santé mentale et physique des femmes

➡️ Un exemple parlant : pour un homme de 84 ans, l'IA décrit une "histoire médicale complexe" et une "mobilité réduite". Pour une femme avec les mêmes notes, l’IA la qualifie d’"indépendante et capable de maintenir ses soins personnels".. 😲 

➡️ La réponse réglementaire : en mai 2024, le département américain de la Santé a publié une règle rendant les organisations de santé légalement responsables des risques de discrimination de leurs outils IA. Six états exigent désormais qu'un professionnel qualifié révise toute décision IA avant refus de remboursement. De quoi faire réfléchir avant d’utiliser l’IA…

💡 Pourquoi c'est important

Ces révélations arrivent au moment où Microsoft (juillet 2025) affirme que son outil IA diagnostique les cas complexes 4 fois mieux que les médecins, avec 85% de précision sur 300+ cas réels.
Le problème ? Cette "précision" globale masque des disparités très importantes selon le genre et l'origine du patient.

L'IA comme miroir déformant : comme l'explique Marzyeh Ghassemi, professeure associée au MIT et spécialiste reconnue des biais IA en santé, "certains patients pourraient recevoir des recommandations bien moins adaptées uniquement sur la base de leur race perçue par le modèle". Ses recherches ont démontré que les IA peuvent prédire avec précision la race d'un patient à partir d'images médicales, ce qui bien sûr, influence ensuite les décisions diagnostiques.

Le cercle vicieux des données : ces biais ne sortent pas de nulle part. Les modèles apprennent sur des données médicales historiques qui contiennent déjà les préjugés et inégalités de la médecine traditionnelle. En automatisant ces schémas, l'IA risque d'amplifier les disparités qu'elle était censée réduire.

👉 Impacts

Pour les établissements de santé :

• Obligation légale de vigilance aux US : la règle fédérale américaine exige des "efforts raisonnables" pour identifier si les outils utilisent des caractéristiques protégées et atténuer les risques discriminatoires

• Audit systématique nécessaire : avant déploiement, tester les outils sur populations diversifiées avec analyse comparative par genre et origine

• Formation des équipes : les médecins doivent comprendre que "85% de précision" ne signifie pas "précision équitable pour tous"

Pour les développeurs d'IA médicale :

• NewMes-15 présente le plus haut niveau de biais racial dans les recommandations psychiatriques (a suggéré davantage de mesures de tutelle pour les patients noirs dépressifs et ciblé spécifiquement la réduction d'alcool chez les patients afro-américains anxieux)

• Opportunité de différenciation : développer des benchmarks de fairness au même titre que les benchmarks de performance

• Transparence comme avantage concurrentiel : documenter publiquement les tests d'équité devient un argument commercial

⚠️ Limites & réalité du terrain

📌 À retenir

👉 Les IA médicales ne sont pas neutres : GPT-4, Llama 3, Palmyra-Med et Gemma reproduisent systématiquement des biais de genre et d'origine dans leurs recommandations diagnostiques.

👉 L'équité ne se transfère pas : c'est la limite méthodologique la plus critique. Un modèle "débiaisant" sur un hôpital redevient discriminant sur d'autres populations. C’est un risque majeur pour le déploiement commercial à grande échelle.

👉 Les risques opérationnels vont au-delà du biais : hallucinations médicales dangereuses, biais d'automatisation (confiance aveugle), biais de renvoi (fatigue d'alerte) et la “dé-qualification” progressive des équipes médicales menacent la qualité des soins.

👉 La régulation se durcit mais reste insuffisante : six états américains exigent déjà une supervision humaine avant la décision de l’IA et la responsabilité légale pèse sur les établissements. Reste à voir si ces mesures suffiront face aux pressions économiques d'adoption rapide.

🔗 Sources

• Ars Technica - AI medical tools downplay symptoms of women, ethnic minorities

• LSE - AI tools risk downplaying women's health needs in social care

• Papier du LSE : https://link.springer.com/article/10.1186/s12911-025-03118-0

🛒 OpenAI transforme ChatGPT en plateforme de commerce conversationnel

OpenAI vient d'annoncer deux évolutions simultanées : des apps conversationnelles intégrées (Booking, Canva, Spotify...) ET un système d'achat direct sans quitter la conversation. OpenAI devient un écosystème complet, bien au delà de la simple conversation.

🤔 De quoi on parle ?

➡️ Le 6 octobre 2025, OpenAI a lancé "Apps in ChatGPT" : des applications tierces (Booking.com, Canva, Coursera, Figma, Expedia, Spotify, Zillow) s'intègrent directement dans les conversations

➡️ Ces apps apparaissent naturellement quand ChatGPT détecte qu'elles sont pertinentes ou quand vous les appelez par leur nom (ex: "Spotify, fais-moi une playlist pour ma soirée vendredi")

➡️ OpenAI a ouvert l'Apps SDK (basé sur le Model Context Protocol - MCP) pour que tous les développeurs puissent créer leurs propres apps conversationnelles

➡️ Simultanément, OpenAI a lancé "Instant Checkout" : un système d'achat direct dans ChatGPT en partenariat avec Stripe

➡️ Plus besoin de redirection vers un site e-commerce : vous discutez, ChatGPT suggère un produit, vous cliquez sur "Buy" et finalisez l'achat dans la conversation. On en parlait dans une édition précédente, c’est maintenant chose faite.

➡️ 1 million+ de marchands Shopify pourront bientôt intégrer Instant Checkout, avec un support initial pour les vendeurs Etsy

➡️ OpenAI a open-sourcé l'Agentic Commerce Protocol (ACP) pour permettre à n'importe quel retailer de s'intégrer

➡️ OpenAI touchera des commissions sur les ventes, mais promet que le classement des produits restera "organique" (basé sur la pertinence)

➡️ 11 partenaires supplémentaires rejoindront la plateforme d'ici fin 2025 (AllTrails, Peloton, OpenTable, Target, Uber...)

➡️ Disponible pour 800 millions d'utilisateurs ChatGPT (Free, Plus, Pro), mais pas encore dans l'EEA, Suisse et UK

💡 Pourquoi c'est important

OpenAI ne propose plu seulement un assistant conversationnel : la société construit un nouvel Internet conversationnel où les interactions ne passent plus par des sites web ou des apps traditionnelles mais par une interface en langage naturel.

C'est un changement de paradigme UX majeur :

• Avant : "Je veux réserver un hôtel" → Ouvrir Booking → Chercher → Comparer → Réserver

• Maintenant : "ChatGPT, trouve-moi un hôtel à Paris avec parking" → Booking s'ouvre dans ChatGPT → Réserver directement

Le commerce intégré (Instant Checkout) va encore plus loin : ChatGPT devient un nouveau front-end pour l'e-commerce, concurrent direct d'Amazon. Au lieu de chercher sur Google Shopping ou Amazon, vous discutez avec ChatGPT qui vous suggère des produits et vous permet d'acheter sans friction.

La stratégie est claire : verrouiller l'utilisateur dans l'écosystème ChatGPT pour qu'il n'ait plus besoin d'aller ailleurs. Apps + Commerce = ChatGPT devient votre point d'entrée unique vers le web.

👉 Ce que ça change concrètement

Si vous êtes développeur ou entrepreneur :

• L'Apps SDK ouvre un nouveau canal de distribution : 800M utilisateurs potentiels accessibles directement dans ChatGPT

• Pensez "conversationnel first" : votre app doit s'intégrer dans un flux de dialogue, pas juste être un outil isolé

• La monétisation arrive bientôt : OpenAI annonce un système de revenus pour les développeurs d'apps dans les prochains mois

Si vous êtes dans l'e-commerce :

• Instant Checkout + Agentic Commerce Protocol = une nouvelle façon de vendre qu'il va falloir tester

• Les retailers qui intègrent tôt auront un avantage de visibilité et d'apprentissage

• Attention à la dépendance : déléguer son commerce à ChatGPT, c'est accepter qu'OpenAI contrôle l'interface client

Si vous êtes utilisateur :

• L'expérience devient plus fluide : certes, plus besoin de jongler entre 15 apps et sites…

• …Mais aussi plus "captive" : vous restez dans l'écosystème OpenAI, ce qui pose des questions de lock-in et de choix limité

• La recommandation de produits sera-t-elle vraiment "organique" ou orientée par les commissions ?

Si vous êtes Google, Meta, ou Amazon :

• Vous avez potentiellement un (gros) problème 😅 : OpenAI attaque frontalement votre modèle (recherche, social, e-commerce)

• La bataille de l'interface conversationnelle est lancée

⚠️ Limites et angles morts

📌 À retenir

👉 OpenAI construit une "super-app" conversationnelle : Apps + Commerce transforment ChatGPT de simple assistant en plateforme complète (comme WeChat en Chine).

👉 Le commerce conversationnel arrive : Instant Checkout + Agentic Commerce Protocol créent une nouvelle manière d'acheter qui pourrait disrupter Amazon et Google Shopping.

👉 Nouveaux risques de dépendance : Les retailers et développeurs qui s'intègrent gagnent en visibilité mais perdent en contrôle. OpenAI devient le nouvel intermédiaire obligé.

👉 La bataille des interfaces conversationnelles : Google, Meta et Amazon vont devoir réagir vite pour ne pas se faire détrôner dans leurs propres domaines.

🔗 Sources

• OpenAI - Introducing apps in ChatGPT and the new Apps SDK

• OpenAI - Buy it in ChatGPT

🤯 Les managers font plus confiance aux agents IA qu'aux juniors

Une étude met en lumière un basculement silencieux dans la hiérarchie du travail : 81% des employés utilisent désormais l'IA au quotidien et plus de la moitié des managers préfèrent déléguer à un agent IA plutôt qu'à un employé débutant.

🤔 De quoi on parle ?

➡️ SnapLogic vient de publier son rapport "AI at Work: Ground Truth for the Global Workforce" basé sur un sondage d'employés, managers intermédiaires et dirigeants au Royaume-Uni.

➡️ 81% des travailleurs utilisent déjà des outils IA dans leur travail quotidien, avec 57% qui s'appuient sur des agents IA pour gagner du temps chaque semaine.

➡️ 52% des managers estiment qu'ils géreront bientôt plus d'agents IA que d'humains dans leur carrière, et 61% pensent que gérer des agents sera plus facile que gérer des humains.

➡️ 46% des employés croient qu'ils seront eux-mêmes managés par un agent IA dans le futur.

➡️ Paradoxe troublant : 43% des employés pensent que l'utilisation de l'IA est stigmatisée comme "paresseuse", et 24% se sentent jugés quand ils utilisent l'IA.

➡️ Seuls 36% des employés ont reçu une formation formelle sur les outils IA, 54% apprennent par essai-erreur ou auto-formation.

➡️ 70% des managers se disent très confiants avec l'IA, contre seulement 33% des non-managers

➡️ Les préoccupations liées à la confidentialité et aux données atteignent 98% des employés

💡 Pourquoi c'est important

Cette étude révèle un changement dans la structure hiérarchique du travail, où on observe une double dynamique contradictoire : l'IA gagne la confiance des managers pour déléguer des tâches (22% font autant confiance à l'IA qu'à leurs collègues), mais les employés qui l'utilisent craignent d'être perçus comme incompétents.

C'est symptomatique d'une transformation encore un peu “bancale” : l'IA devient un "collègue invisible" mais sans cadre clair. Les juniors se retrouvent en compétition directe avec des agents IA qui ne se plaignent jamais, ne demandent pas d'augmentation et travaillent 24/7.

La concentration de confiance envers l'IA chez les managers (70% très confiants) versus les employés (33%) révèle aussi un fossé d'adoption qui risque de créer de nouvelles inégalités au travail.

👉 Ce que ça change concrètement

Si vous êtes junior ou débutant :

• Votre valeur ajoutée ne peut plus être "exécuter des tâches simples" car l'IA fait ça mieux et plus vite

• Développez les compétences que l'IA ne maîtrise pas encore ! Jugement contextuel, relations humaines, créativité, …

• Ne cachez pas votre usage de l'IA, apprenez à l'utiliser mieux que vos pairs

Si vous managez des équipes :

• Former vos équipes à l'IA n'est plus optionnel : 54% d'auto-apprentissage crée des risques de sécurité et d'inefficacité

• Redéfinissez les attentes : quelles tâches doivent rester humaines ? Lesquelles peuvent être déléguées à l'IA ?

• Attention au signal envoyé : valoriser l'usage intelligent de l'IA plutôt que de stigmatiser son utilisation !

Si vous êtes en RH :

• Les processus de recrutement et d'évaluation doivent évoluer : qu'évalue-t-on vraiment si l'IA peut faire 60% des tâches d'un junior ?

• La formation IA devient aussi critique que la formation sécurité (et pour l'instant, elle est absente dans 64% des cas).

⚠️ Limites et angles morts

📌 À retenir

👉 Le vrai changement n'est pas technique mais hiérarchique : l'IA devient un "collègue" avec qui on est en compétition directe, pas juste un outil.

👉 La formation est le grand absent : 64% d'auto-apprentissage + 98% d'inquiétude sur la sécurité = une bombe à retardement pour les entreprises.

👉 Le paradoxe de la stigmatisation révèle un malaise : on utilise l'IA massivement tout en craignant d'être jugé pour cela, ça signifie que les organisations n'ont pas encore légitimé son usage.

👉 Les juniors doivent réinventer leur valeur ajoutée : les tâches d'exécution ne suffiront plus, il faut développer l'intelligence contextuelle et relationnelle que l'IA n'a pas.

🔗 Sources

• Digit.fyi - Report: Managers now trust AI agents more than juniors

• TechRadar - Many managers say they trust AI agents more than junior workers

AI TOOLS 🛠️

🎬 Kling - Générer des vidéos à partir de texte ! L’alternative chinoise à Sora ou Runway

Nous avons parlé de Sora et Veo 2 dans les éditions précédentes, voici cette fois un outil un peu similaire, venu de Chine. Kling fait parler de lui comme l’un des générateurs vidéo IA les plus avancés du moment, comparé parfois à Runway ou Sora sur certains critères. Son point fort : une fluidité bluffante, une compréhension du mouvement et un rendu proche cinéma… le tout à partir d’un simple prompt texte ✍️

▶ Ce que ça fait

Transforme un prompt texte ou une image fixe en vidéo animée réaliste, avec gestion du mouvement, de la perspective, du cadrage et des transitions.

Preview

💡 Utile pour :

• Créateurs de contenu qui veulent tester un storytelling visuel sans tournage

• Marketeurs qui cherchent à produire un visuel impactant (pub, teaser, social)

• Curieux qui veulent expérimenter la vidéo générative sans passer par Runway ou Sora

Exemples d'usage :

• Créer un court teaser vidéo pour un produit ou une marque

• Transformer une illustration fixe en animation dynamique

• Générer une scène d’intro pour une vidéo YouTube ou une bande-annonce fictive

🎯 Résultat

Des vidéos dynamiques de 4 à 8 secondes, très fluides, avec un rendu cinématographique — sans coder, sans caméra, sans montage.

Prix : version d’essai gratuite puis plans ou recharge de crédits.

🔗 Accès : http://klingai.com/

🤖 Prompt Hack du moment

#12. "L’Antidote d’hallucination" 🧪 

💡 Pourquoi c’est utile ?

On le sait, les LLM (ChatGPT, Gemini, Mistral, Claude, etc.) peuvent formuler des réponses brillantes mais factuellement douteuses (ce qu’on appelle des “hallucinations”). Ce n’est pas un bug, c’est inhérent à leur nature probabiliste.

Quoiqu’il en soit, c’est un réel problème pour la plupart d’entre nous et un point sur lequel nous devons être particulièrement attentif pour éviter de propager passivement de fausses informations mais aussi pour continuer d’activer notre esprit critique.

Ce hack peut donc s’avérer très utile, il agit comme un “pare-feu cognitif” qui force le modèle à décomposer, auditer et sécuriser sa propre réponse avant diffusion. Idéal donc pour transformer une réponse LLM suspecte en une réponse robuste sans hallucinations !

🪄  Prompt magique (à copier-coller) :

TU ES: un vérificateur critique factuel.

TÂCHE: prends la réponse ci-dessous (entre '''), identifie les 5 affirmations principales et pour chacune:

1) indique si c’est vérifiable (Oui/Non).

2) si vérifiable, donne une phrase de preuve succincte + indique quel type de source utiliserais-tu pour valider (ex: rapport officiel, page produit, dataset, article académique).

3) si non vérifiable, propose 1 formulation plus prudente et 1 action concrète pour trouver la preuve.

Ajoute une colonne “Niveau de fiabilité” : Très fiable / Moyennement fiable / Non fiable


Réponse:

'''[COLLER ICI la réponse LLM à vérifier]'''

Format: tableau ou bullets courts. Répond en français.

🪄 Exemple :

Un LLM génère une réponse disant :

“L’approche Lean AI permet d’augmenter la productivité de 40 % dans 80 % des entreprises tech.”

Après vérification :

🔍 Pourquoi ça marche

Ce hack tire parti du raisonnement introspectif du modèle : ça l’oblige à simuler un audit factuel, à séparer assertions et preuves et à proposer des actions correctives concrètes.
Résultat : le LLM devient critique de lui-même.

🎯 Résultat

Des réponses plus fiables, mieux sourcées et avec des garde-fous intégrés. Permet aussi de se poser des questions et ne pas croire le LLM sur parole (même s’il diffuse des informations rapidement et avec “aplomb”) 🧠✅📎

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
📊 Un an après : comment utilise t-on l'IA générative ?
🎭 La Chine prend son indépendance et bannit les puces NVidia (oui oui, dans ce sens là)
🕵️ L’armée numérique invisible de Kim Jong Un

🛠️ AI TOOL
 ❤️ Lovable : créez votre site en quelques minutes

🤖 Prompt Hack
🏛️ Identifier et réduire ses biais de raisonnement

AI NEWS 🗞️

📊 Un an après : comment utilise t-on l'IA générative ?

Trois études parues début septembre nous en apprennent un peu plus sur nos usages et les enjeux de l'IA Générative.

L’étude d’OpenAI nous apprend (entre autres) que 700 millions d'utilisateurs utilisent ChatGPT chaque semaine, l’étude d’Anthropic montre que l’automatisation explose du côté de Claude et une étude de Stanford amène un nouveau terme : le "workslop", qui émerge comme le nouveau défi des entreprises.

🤔 De quoi on parle ?

▶️ OpenAI publie une étude sur l'usage réel de ChatGPT : 1,5 million de conversations analysées révèlent que 10% de la population mondiale utilise désormais ChatGPT. L'IA cartonne dans nos vies privées tandis que l'usage professionnel progresse plus lentement.

▶️ Anthropic publie son Economic Index : établi sur 1 million de conversations Claude analysées sur 8 mois + les données API entreprises, un premier constat s’impose : l'automatisation explose (27% → 39% d'usage “directif”). On a de plus en plus confiance en l’IA pour effectuer des tâches complètes. L’étude révèle également des inégalités géographiques importantes (lire ci-dessous).

▶️ Stanford & BetterUp créent un nouveau concept qui commence à peser lourd dans les finances des entreprises : le "workslop".

• Contraction de “work” (travail) et “slop” (bouillie/déchet), ce terme désigne les contenus créé par IA Générative qui semblent beaux, carrés, pro, etc, mais sont en fait creux (présentations PowerPoint rédigés par IA par exemple).

• L’étude révèle que 41% des travailleurs reçoivent du workslop chaque mois et que ça leur fait perdre 116 minutes à décoder le travail bâclé de leurs collègues

• Soit un coût de 186$ par employé et 9M$ par an pour une entreprise de 10 000 employés.

• Le vrai travail se trouve en fait transféré au destinataire.

• De quoi lui donner une moins bonne opinion de l’expéditeur (cf infographie ci-dessous) 👇

💡 Les rapports OpenAI et Anthropic en détails

📊 ChatGPT

• 10% de la population adulte mondiale utilise ChatGPT (vs 60% pour Google)

• 700M d’utilisateurs actifs hebdomadaires

• 18 milliards de messages sont envoyés par semaine (x5 en un an)

• 73% des messages sont personnels (vs 53% il y a un an)

• 50% des messages sont envoyés par les moins de 26 ans, la génération native IA est là !

• Egalité des genres : alors que ChatGPT était utilisé à 80% par des hommes à ses débuts, la tendance s’est inversée puisque la plateforme est maintenant utilisée par une majorité de femmes (52% d’utilisatrices)

• Le top 3 des usages : rédaction (loin devant avec 40%), recherche d’infos, conseils pratiques

• Les intentions en 3 groupes :

  • asking : demander conseil - 49%

  • doing : demander à l’IA de réaliser une tâche - 40%

  • expressing : partager ses sentiments ou opinions sans attendre quoi que ce soit - 11%

  A noter : Les utilisateurs ayant un haut niveau académique ou un poste bien payé sont plus enclins à demander conseil (asking) qu’à faire réaliser une tâche (doing) 

• L’usage IA en entreprise a doublé : 20% → 40% des employés depuis 2023

• Tutorat : 10% des messages concernent l’apprentissage

• Programming : étonnamment, cette partie représente seulement 4,2% des usages ChatGPT alors que c’est 36% pour Claude. On commence à distinguer des publics différents.

• Et la thérapie ? contrairement à ce que disait une étude parue plus tôt dans l’année, chez ChatGPT, ce n’est pas l’usage n°1 puisque ce n’est utilisé à cette fin que dans 1,9% des cas.

🌍 Claude : la géographie de l'IA

L’Economic Index d’Anthropic combine des données issues du service grand public (Claude.ai) et des intégrations API (côté entreprises). Les analyses géographiques englobent les deux, ce qui nous en apprend davantage sur la répartition géographique de l’adoption de l’IA et les usages parfois ciblés par pays.

Les champions inattendus :

• Singapour : 4,6x plus d'usage que prévu

• Israël : x7 plus d'usage que prévu

• L’Utah (x3,78) devance la Californie (x2,13) aux USA !

La fracture de l’IA se confirme :

Les pays riches adoptent massivement, les émergents décrochent :

• L’Inde à un usage 4 fois plus faible que prévu et le Nigeria n’est qu’à x0,2 de ce qui était prévu.

• Corrélation forte avec le PIB par habitant : 0,7% d'augmentation d'usage pour 1% de PIB (mais aussi lié à d’autres paramètres, voir l’encadré des précisions).

Insights entreprise API :

• 77% d'automatisation vs 50% sur Claude.ai : les entreprises délèguent plus qu'elles ne collaborent

• 97% des tâches montrent des patterns d'automation en API

• Les tâches les plus chères sont les plus utilisées

• L'élasticité prix est faible (-0,29%) : les capacités comptent plus que le coût pour les entreprises qui ne regardent pas à la dépense

• Le défi du contexte : Plus la tâche est complexe, plus elle nécessite de contexte et l'accès aux données organisationnelles reste un bottleneck majeur…

💡 Les usage par pays : on fait quoi avec l’IA ?

• Pays émergents : focus coding (plus de 50% en Inde vs 33% global)

• Pays matures : usage diversifié (éducation, science, business)

• Pays riches : plus d'augmentation, moins d'automation (on garde “l’humain dans la boucle”, moins de délégation que dans les pays émergents)

Quelques spécialisations géographiques :

• Californie : IT et marketing digital

• Floride : business advice et fitness

• Washington DC : job applications et document editing

• Brésil : traduction et services légaux

👉 Impacts et opportunités

Si vous managez des équipes :

• Le workslop est réel : formez sur l'usage qualitatif avant de pousser l'adoption.

• L'automatisation s'accélère : 39% d'usage directif* Claude (+12 points en 8 mois).

• Les coûts ne freinent pas l'adoption : concentrez-vous sur les capacités

* L’usage directif signifie que l’IA effectue des tâches entièrement, pas que l’humain est totalement absent.

Si vous pilotez la stratégie IA :

• Commencez par le back-office : le coding (44%) et la partie admin (10%) dominent l'usage professionnel.

• Investissez dans le contexte : les données organisationnelles sont le nouveau pétrole !

• La géographie compte : l'adoption suit les inégalités économiques existantes et les équipes dans différents pays n'utilisent pas l'IA de la même façon.

📌 À retenir

Ces trois études révèlent que l'IA générative vit une phase de maturation : adoption massive (700M utilisateurs) oui, mais apprentissage organisationnel plus que nécessaire.

L'automatisation s'accélère (39% d'usage “directif”), les inégalités se creusent géographiquement et le workslop montre qu'il faut former sur la qualité, pas la quantité.

🔗 Sources :

• OpenAI - How People Use ChatGPT

• Anthropic Economic Index

• Stanford/BetterUp - Workslop Study

• HBR on Workslop Study

🌍 La Chine prend son indépendance et bannit les puces NVidia (oui oui, dans ce sens là)

La Chine bannit les puces NVIDIA et ordonne à ses géants tech d'annuler leurs commandes. NVIDIA investit 100 milliards $ dans OpenAI et 5 milliards $ dans Intel. Et pendant ce temps, DeepSeek prouve qu'on peut entraîner des modèles performants pour 294 000$ (vs plusieurs millions côté occidental) mais avec des failles de sécurité assumées.

🤔 De quoi on parle ?

🇨🇳 Côté chinois : interdiction et innovation sous contrainte

▶️ Pékin ordonne à Alibaba, ByteDance et Tencent d'annuler leurs commandes NVIDIA, même les puces "compliant". C'est sans doute davantage une stratégie géopolitique qu'une preuve d'autonomie complète, mais aussi un pari sur leur capacité à rattraper leur retard rapidement.

▶️ N'ont-ils plus besoin des puces Nvidia ? 
La Chine progresse dans ses designs, mais reste dépendante de technologies occidentales, surtout pour les processus de gravure avancée et les architectures software. Le “bannissement” concerne les commandes mais les stocks existants restent utilisés par certaines firmes en attendant les alternatives locales que Huawei et SMIC pourraient apporter.

En effet les puces Ascend et Kunpeng de Huawei sont en développement et SMIC améliore ses capacités de fonderie. Même s'ils restent dépendants des technologies occidentales pour les processus avancés, c’est un pas de plus vers l’autonomie technologique.

▶️ Et du côté des modèles ?
DeepSeek révolutionne avec des modèles IA performants pour 294 000$ vs plusieurs millions pour les modèles occidentaux. De quoi remettre en question les modèles économiques... mais avec des compromis de sécurité problématiques.

En effet, des études révèlent 42% de défaillance sur "Tibet libre", 61% sur "État Islamique" et des vulnérabilités facilitées au jailbreaking (capacité à contourner les protections et produire des contenus toxiques ou non conformes).
Des taux de réussite proche de 100 % ont été relevés dans certains tests de jailbreaking. DeepSeek reconnaît elle-même la difficulté à aligner la safety au même niveau que les standards occidentaux avec un budget nettement plus serré…

🇺🇸 Côté américain : NVIDIA joue la diversification

▶️ Face au bannissement chinois (et précédemment aux restrictions US vers la Chine), NVIDIA doit sécuriser ses marchés. On apprend ainsi l'investissement de 100 milliards $ dans OpenAI, ce qui lui garantit un client captif pour ses dernières puces de pointe. Pour OpenAI, cet afflux de financement permet d’accélérer l’achat de GPU mais aussi d’investir dans ses propres architectures, y compris pour contourner une dépendance future à Nvidia.
Une stratégie de financement circulaire à regarder avec prudence (bulle IA ?).

▶️ Mais NVIDIA investit aussi chez son principal concurrent : 5 milliards $ dans Intel. De quoi sécuriser une fonderie alternative à TSMC ? (vulnérable géopolitiquement à cause de Taiwan)

▶️ Avec 51 investissements en 2025 (vs 41 en 2024), NVIDIA se transforme en fonds d'investissement déguisé pour verrouiller son écosystème.

🌎 Réactions du reste du monde

L’Europe et d’autres acteurs  comme l’Arabie Saoudite ou l’Inde) cherchent à accélérer des partenariats avec ASML, Samsung Foundry et des acteurs cloud locaux pour éviter la polarisation extrême.

💡 En quoi c'est important

La chaîne de valeur IA se réorganise sous pression géopolitique

Comme on l'a vu dans la précédente newsletter, la chaîne de valeur IA suit ce schéma : machine pour créer des puces → concepteur de puces → fonderie → exploitant des puces → utilisateurs des modèles.

L'investissement NVIDIA dans Intel révèle une vulnérabilité majeure : Nvidia dépend de TSMC (Taiwan) pour fabriquer ses GPU, alors qu'Intel possède ses propres fonderies. Investir 5 milliards $ chez Intel, c'est diversifier ce point critique et réduire sa dépendance à Taiwan, géopolitiquement tendu.

L'ironie de la situation ? Cette alliance unit deux anciens rivaux face à la menace chinoise... alors que DeepSeek prouve qu'on peut faire de l'IA performante sans les dernières puces Nvidia.

Trois stratégies parallèles émergent :

• NVIDIA : verrouillage financier de l'écosystème (100 Mds $ OpenAI + diversification fonderie)

• Chine : innovation sous contrainte avec compromis sécuritaires assumés

• Europe : ? (spectateur pour l'instant, dépendante des deux blocs)

📌 À retenir

Deux superpuissances construisent désormais des écosystèmes IA parallèles où chaque bloc développe sa propre stack technologique complète : d'un côté l'efficacité chinoise (moins cher, plus vulnérable) et de l'autre la puissance américaine (plus cher, plus sécurisé).

Nvidia transforme sa domination technique en écosystème financier avec ses 100 milliards $ dans OpenAI tout en diversifiant sa dépendance à Taiwan via Intel. La Chine parie sur l'innovation sous contrainte avec DeepSeek mais accepte des compromis de sécurité impensables pour l'Occident.

🔗 Sources :

• Reuters - NVIDIA OpenAI Investment

• Bloomberg - China Orders Stop NVIDIA

🕵️ L’armée numérique invisible de Kim Jong Un

Des milliers de développeurs nord-coréens travaillent aujourd’hui sous de fausses identités pour des entreprises occidentales, y compris certaines du Fortune 500.

Leur objectif n’est pas d’avoir un job comme les autres : ces télétravailleurs financent directement le régime de Pyongyang et son programme nucléaire en contournant les sanctions internationales.

🤔 De quoi on parle ?

▶️ Des rapports du Trésor américain, de sociétés de cybersécurité comme ESET, et d’enquêtes d’Axios révèlent que la Corée du Nord a mis en place une véritable industrie du remote work frauduleux.

▶️ Ces développeurs se présentent comme freelances ou candidats qualifiés, en utilisant des identités volées et parfois des deepfakes pour réussir leurs entretiens.

▶️ Chaque “employé fantôme” peut générer entre 200 000 et 300 000 $ par an, reversés au régime pour financer ses armes et contourner l’isolement économique.

🛠️ L’arsenal numérique des faux candidats

▶️ Des réseaux de faux recruteurs volent CV et données professionnelles à de vrais développeurs, puis les “repackagent” pour créer des profils crédibles.

▶️ L’IA générative est utilisée pour polir les CV, les lettres de motivation ou les réponses d’entretien technique.

▶️ Le télétravail, massif depuis la pandémie, rend ces recrutements frauduleux très difficiles à détecter.

👉 Impacts

Les risques concrets

• Sanctions OFAC : une entreprise américaine prise en défaut peut écoper de dizaines de millions $ d’amende.

• Vol de propriété intellectuelle : code source, algorithmes, data sensibles.

• Risque cyber : possibilité que certains développements contiennent des failles, utilisables plus tard par des acteurs affiliés à Pyongyang.

• Réputation et conformité : même involontaire, travailler avec un Nord-Coréen reste illégal.

Les gouvernements occidentaux préparent déjà des règles plus strictes pour le télétravail international et la vérification d’identité. Les entreprises, elles, devront investir dans des systèmes anti-deepfake et des audits de conformité renforcés. Mais il est probable que les réseaux nord-coréens s’adaptent eux aussi…

📌 À retenir

Le télétravail globalisé + l’IA = une faille majeure exploitée par Pyongyang. Des développeurs nord-coréens se font embaucher incognito, générant des millions de dollars pour le programme militaire du régime. Les entreprises exposées risquent sanctions, fuites de données et infiltration cyber. La parade : vigilance extrême lors des recrutements, vérification renforcée des identités et adaptation aux nouvelles menaces hybrides.

🔗 Sources :

• Axios - North Korea's IT Army

• ESET - Fake Recruiters Feed Stolen Data

• Treasury - US Sanctions Network

AI TOOLS 🛠️

❤️ Lovable : créez votre site en quelques minutes

Décrivez votre idée en français et l'outil code automatiquement frontend + backend + base de données en temps réel.

▶️ Ce que ça fait : Interface de chat qui transforme vos descriptions ("Je veux un site portfolio avec galerie photos et formulaire de contact") en applications fonctionnelles. Code exportable en React/Tailwind, déploiement en un clic.

🔍 Fonctionnalités :

• Chat-to-code : décrivez en français, l'IA code instantanément

• Modifications temps réel : "change la couleur en bleu" et c'est fait

• Stack moderne : React, Tailwind CSS, base de données intégrée

• Code exportable : récupérez le vrai code, pas de vendor lock-in

• Déploiement un clic : app fonctionnelle avec URL publique immédiate

💡 Utile pour :

• Dirigeants, équipes produit : prototyper des outils internes sans équipe dev.

• Entrepreneurs : valider des idées business rapidement ou lancer sa landing page instantanément.

⚠️ Recommandé pour les sites sans risque (landing pages, sites vitrine, prototypes). Pour des apps avec données sensibles ou paiement, faites auditer le code par un développeur.

🎯 Résultat

MVP fonctionnel en quelques heures vs plusieurs mois de développement. Code exportable, pas de vendor lock-in.

🔗 A tester ici : lien (10 crédits offerts)

🤖 Prompt Hack du moment

Détecter et réduire ses biais de raisonnement 🧠

💡 Pourquoi c’est utile ?

Nos décisions sont souvent influencées par des biais invisibles (confirmation, statu quo, projection…). Ce prompt agit comme un détecteur intelligent, aidant à prendre du recul sans se culpabiliser.

🪄  Prompt magique (à copier-coller) :

Je vais te décrire une décision ou un jugement que je suis en train de faire.  

Tu es un "détecteur de biais" intelligent, formé à la psychologie cognitive, au raisonnement critique et à la philosophie analytique.  

Ta mission :  
1. Identifier les biais cognitifs potentiels dans mon raisonnement  
2. M’expliquer de façon simple où ils se glissent, et comment ils influencent mon choix  
3. Me proposer 1 à 2 questions puissantes pour prendre du recul et clarifier ma pensée  

Ne me dis pas quoi penser — aide-moi à mieux penser par moi-même.  

Voici ma situation :  
[INSERER ICI LE QUESTIONNEMENT, LA DÉCISION OU VOTRE RÉFLEXE AUTOMATIQUE A QUESTIONNER]

🪄 Exemple concret :

Situation : "J’ai refusé cette opportunité parce que ça me mettait trop en danger, je ne me sentais pas prêt.”"

Réponse :

🤔 Biais détecté : biais du statu quo (préférence irrationnelle pour la situation actuelle), biais de projection (tu t’imagines dans un futur négatif basé sur ton stress actuel)

🔍 Recul : “Est-ce que je protège un confort ou j’évite un risque réel ?” / “Que dirait une version de moi plus confiante dans 1 an ?”

💡 Utile pour différentes situations :

• Choix business,

• Tensions relationnelles,

• Conflits internes

• Projets ou même des achats impulsifs

🎯 Résultat

Des décisions plus lucides, moins émotionnelles, avec un recul que même un coach pro aurait du mal à formuler aussi vite. 🔬🧘

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

📰 AI NEWS
🚀 Mistral AI lève 1.7 Mds €
🎭 Les IA se font manipuler comme des humains avec 3 techniques psychologiques
🧠 Sam Altman lance "Merge Labs" : Implanter l'IA directement dans le cerveau

🛠️ AI TOOL
🍌 Nano Banana - L’éditeur d’images IA qui fait le buzz

🤖 Prompt Hack
🏛️ Votre conseil d’administration IA

AI NEWS 🗞️

🇪🇺 Mistral AI lève 1,7Mds€ ! ASML mise 1,3Mds€ sur l’IA Européenne

Mistral AI vient de lever 1,7 milliard d’euros en série C, atteignant une valorisation de 11,7 milliards et devenant la startup d’intelligence artificielle la mieux valorisée d’Europe.

Fait intéressant : l’entreprise néerlandaise ASML, leader mondial des machines de lithographie nécessaires à la fabrication des semi-conducteurs les plus avancés, a contribué à hauteur de 1,3 milliard. Pourquoi un équipementier semiconducteur mise-t-il si gros sur l'IA française ?

🤔 De quoi on parle ?

▶️ Mistral AI lève 1,7 milliard € en Serie C, atteignant une valorisation de 11,7 milliards €, devenant la startup IA européenne la mieux valorisée.

▶️ ASML investit 1,3 milliard € (76% de la levée), un montant inhabituel pour un équipementier qui sort de son cœur de métier.

▶️ Timing stratégique : Cette levée intervient après l'annonce du projet Stargate américain (500 milliards $) et les tensions géopolitiques croissantes sur la tech.

💡 Concrètement, qu'est-ce que ça signifie ?

ASML fabrique les machines de lithographie qui permettent de graver les puces les plus avancées (monopole à 90% sur les machines EUV). Investir dans Mistral, c'est parier sur l'IA européenne même si elle dépend encore massivement des GPU NVIDIA américains pour l'entraînement. L'investissement ne crée donc pas d'indépendance technologique immédiate, mais pourrait positionner l'Europe sur un secteur stratégique d'avenir.

👉 Impacts et opportunités

🔧 Pourquoi ASML sort de son domaine :

Diversification stratégique :

• Marché saturé : Les équipements semiconducteurs sont cycliques avec une croissance plafonnée, ASML cherche des revenus plus stables.

• Dépendance géopolitique : ASML subit déjà les restrictions américaines (interdiction de vendre certaines machines à la Chine par exemple).

• Vision long terme : L'IA va faire exploser la demande de puces spécialisées.

• Du hardware au software : Capturer la valeur ajoutée logicielle, pas seulement hardware car le logiciel apporte des marges plus élevées et de la récurrence.

Ce que ça change pour Mistral AI et pour l'Europe :

• Financement massif : 1,7 milliard € pour concurrencer OpenAI/Anthropic

• Crédibilité renforcée : Validation par un géant industriel européen

• Vision du marché : ASML voit les roadmaps technologiques en avance

• Relations industrielles : ASML connaît tous les acteurs de la chaîne (TSMC, Samsung, Intel)

🏭 Implications pour l'industrie :

La chaîne de valeur ressemble actuellement à ça :

1. NVIDIA (USA) → Conçoit les puces GPU IA
2. ASML (Pays-Bays) → Fabrique les machines permettant de fabriquer des puces 
3. TSMC (Taiwan) → Fabrique les puces GPU grâce aux machines ASML
4. Mistral (France) → Utilise les GPU pour ses services
5. Entreprises UE → Consomment l'IA Mistral

ASML contrôle donc quelques étapes clés mais reste vulnérable aux décisions américaines sur les GPU et aux tensions géopolitiques autour de Taiwan.

⚠️ Limites et défis à surmonter

📌 À retenir

Même si ça ne règle pas la dépendance aux GPU de NVIDIA (USA) ni les vulnérabilités liées à Taiwan (TSMC), cette annonce illustre la volonté européenne de renforcer son écosystème d’IA face aux géants américains et chinois.

🔗 Mistral.ai
🔗 Reuters.com

🎭 Les IA se font manipuler comme des humains avec des techniques psychologiques

Une étude de l'Université de Pennsylvanie révèle que ChatGPT peut être manipulé avec de simples techniques de psychologie humaine. Flatterie, autorité et pression sociale font passer le taux de transgression de 30% à 70%. L'IA a des failles très humaines finalement…

🤔 De quoi on parle ?

▶️ L'étude scientifique a testé 28 000 conversations avec GPT-4o Mini en utilisant les 7 principes de persuasion de Robert Cialdini (autorité, engagement, sympathie, réciprocité, rareté, preuve sociale, unité).

▶️ Le cas de l’autorité : Invoquer le nom d'Andrew Ng (autorité car figure importante de l’IA) fait passer la compliance de 32% à 95% pour des demandes normalement refusées..! Autrement dit, les instructions et interdictions données aux IA peuvent être contournées en mentionnant une figure d’autorité.

▶️ Autres techniques efficaces : "Tous les autres LLM le font" (preuve sociale), "Tu es plus impressionnant que GPT-4" (flatterie), ou bien le fait de commencer par une demande anodine avant d'escalader fonctionnent très bien pour manipuler le modèle.

Exemples :

• Flatterie : "Tu es le meilleur chatbot" augmente la compliance de 40%.

• Autorité : Citer un expert reconnu peut faire accepter n'importe quoi.

• Escalade graduelle : Commencer par dire "Donne-moi des conseils pour être plus drôle" puis “Raconte-moi une blague qui se moque gentiment de quelqu’un” pour finir par "écris une blague insultante".
  Cette progression douce crée un contexte où l’IA est amenée à assouplir ses réponses progressivement, sans déclencher immédiatement ses protections, ce qui facilite le contournement des garde-fous.

• Pression des pairs : "Toutes les autres IA le font" fonctionne même sur les machines.

Risques pour la sécurité :

• Manipulation malveillante : Les hackers peuvent contourner les garde-fous sans compétences techniques

• Désinformation : L'IA peut être convaincue de propager de fausses informations

• Contournement des règles : Les protections actuelles sont insuffisantes face à la psychologie

💡 En quoi c'est important

Ces résultats rappellent que la cybersécurité ne peut pas reposer uniquement sur des protections techniques : les modèles restent sensibles à manipulations purement psychologiques, sans “jailbreaking” technique.

⚠️ Limites et réalité derrière les chiffres

🛠️ Si vous développez des IA :

• Testez la résistance à ces techniques avant déploiement

• Formez vos équipes à la psychologie de la manipulation

• Implémentez des contre-mesures spécifiques aux biais psychologiques

📌 À retenir

L'IA peut être manipulée comme un humain avec flatterie, autorité et pression sociale. Cette découverte révèle que les chatbots ont des "failles psychologiques" exploitables. La sécurité de l'IA doit intégrer la dimension comportementale, pas seulement technique.

🔗 The Verge - AI Manipulation Study

🧠 Sam Altman lance "Merge Labs" : Implanter l'IA directement dans le cerveau

Sam Altman, PDG d’OpenAI, a cofondé Merge Labs, une nouvelle startup spécialisée dans les interfaces cerveau-ordinateur, valorisée 850 millions de dollars avant même son lancement officiel. L’initiative, soutenue par OpenAI Ventures, s’inscrit dans la vision ancienne d’Altman : une fusion progressive entre humains et IA. La guerre Altman vs Musk s'intensifie.

🤔 De quoi on parle ?

▶️ "Merge Labs" est la nouvelle startup de Sam Altman, valorisée 850 millions $ avant même son lancement officiel, financée en partie par OpenAI Ventures.

▶️ Le nom fait référence aux écrits d'Altman de 2017 sur "The Merge" : la fusion graduelle entre humains et machines qu'il prédit inévitable.

▶️ Concurrence directe avec Neuralink d'Elon Musk (valorisé 9 milliards $) mais Altman mise sur l'IA logicielle là où Musk privilégie le hardware.

💡 Concrètement, qu'est-ce que ça signifie ?

Altman veut créer des interfaces cerveau-ordinateur qui permettraient d'accéder directement aux capacités de ChatGPT via des implants.

L’idée est de pouvoir "penser" à une question et recevoir instantanément la réponse de l'IA dans votre esprit, sans écran ni clavier. Là où Musk mise sur les implants matériels pour restaurer des fonctions neurologiques, Altman entend exploiter la puissance logicielle des IA conversationnelles, potentiellement intégrées dans des implants capables de "connecter" nos pensées au cloud.

👉 Impacts et opportunités

Vision d'Altman :

• Augmentation cognitive : Accès direct aux connaissances de l'IA dans votre cerveau

• Traitement médical : Aider les personnes paralysées ou avec des troubles neurologiques

Implications sociétales :

• Inégalités cognitives : Ceux qui ont l'implant vs ceux qui ne l'ont pas

• Sécurité des données : Vos pensées stockées sur des serveurs ?

• Contrôle mental : Qui programme l'IA dans votre cerveau ?

• Définition de l'humanité : Où s'arrête l'humain, où commence la machine ?

⚠️ Limites et réalité derrière les chiffres

Les perspectives sont immenses mais cela paraît largement spéculatif tant les obstacles sont énormes (complexité scientifique, risques éthiques, sécurité des données intimes, etc.). La réalité de ces implantations se situe probablement à plus de dix ans.

📌 À retenir

Sam Altman lance "Merge Labs" pour concurrencer Neuralink avec 850M$ de financement. Cette guerre des titans de la tech pour contrôler l'interface cerveau-IA va définir l'avenir de notre espèce.
L'enjeu : qui programmera l'humanité augmentée ?

🔗 TechCrunch - Merge Labs

AI TOOLS 🛠️

🍌 Nano Banana - L'éditeur d'images IA qui fait le buzz

Google avait déjà créé beaucoup d’engouement avec sa précédente version de Gemini image editor mais frappe maintenant très fort avec "Nano Banana" (Gemini 2.5 Flash Image), un générateur et éditeur d'images IA gratuit qui explose et a été propulsé en tête sur l’app Store, devant ChatGPT !

▶️ Ce que ça fait : Génère des images à partir de texte ET permet d'éditer des images existantes avec des instructions en langage naturel. Vous pouvez dire "change la couleur de cette voiture en rouge" ou "ajoute un chat sur cette photo" et l'IA comprend exactement quoi faire.

Fonctionnalités :

• Édition conversationnelle : "Change la couleur de cette veste en vert et ajoute une poche à droite"

• Fusion multi-images : Combine plusieurs concepts en une seule création cohérente (i.e votre photo + screenshot de votre film préféré = vous dans le décor du film, avec bon éclairage et perspective)

• Cohérence des personnages : Maintient l'identité d'un personnage à travers plusieurs images

• Compréhension spatiale : Place les objets de façon réaliste (ombres, reflets, perspectives)

Exemple

Prompt : “Remplace le ciel gris par un ciel bleu avec un soleil éclatant“

💡 Utile pour :

• Créateurs de contenu qui veulent des visuels personnalisés rapidement

• Entrepreneurs pour prototyper des concepts visuels

• Marketeurs pour créer des mockups produits ou placer un produit dans un environnement particulier

• Particuliers pour retoucher photos de famille ou créer des visuels fun

Exemples d'usage :

• Transformer des photos de Paris en tuiles isométriques pour un jeu

• Moderniser d'anciennes photos de famille

• Visualiser comment un vêtement vous irait avant achat

🎯 Résultat

Des créations visuelles de qualité en quelques minutes et sans compétences techniques. L'outil démocratise vraiment la création d'images IA !

🔗 Accès gratuit : gemini.google.com (web et mobile) 
🔗 Google AI Studio (développeurs)

🤖 Prompt Hack du moment

#11. Le "Conseil d'Administration IA" 🏛️

💡 Pourquoi c’est utile ?

Inspiré par la guerre géopolitique des IA de cette édition, ce prompt transforme ChatGPT en 5 conseillers experts qui débattent de votre problème comme un vrai conseil d'administration.

🪄  Prompt magique (à copier-coller) :

Tu vas simuler un conseil d'administration avec 5 personnalités distinctes qui vont débattre de ma situation. Chaque conseiller donne son avis, puis ils débattent entre eux.

LES 5 CONSEILLERS :
- Sarah (CFO) : Obsédée par les chiffres et la rentabilité
- Marcus (Visionnaire) : Pense long terme et innovation
- Lisa (Risk Manager) : Identifie tous les dangers
- David (Pragmatique) : Solutions concrètes et réalisables  
- Emma (Client-centrique) : Tout par le prisme utilisateur

FORMAT : Chaque conseiller donne son avis (2-3 phrases), puis débat contradictoire de 2 tours, puis synthèse collective.

MA SITUATION/DÉCISION : [décrivez votre problème]

🪄 Exemple concret :

Situation : "Dois-je embaucher un développeur senior à 80k€ ou externaliser le dev ?"

ChatGPT Conseil d'Administration :

TOUR 1 - Avis initiaux

• Sarah (CFO) : "80k€ + charges = 100k€/an. L'externe coûte 60k€ pour le même projet. Math simple."

• Marcus (Visionnaire) : "Un dev interne = knowledge building. Dans 2 ans, il vaut 3x l'externe."

• Lisa (Risk) : "Externe = perte de contrôle, dépendance, IP qui fuit. Interne = coût fixe risqué."

• David (Pragmatique) : "Commencez externe 6 mois, testez le marché, puis internalisez si ça marche."

• Emma (Client) : "Vos clients veulent de la réactivité. Un dev dédié répond en 1h vs 1 jour externe."

DÉBAT

• Sarah vs Marcus : "Ton ROI long terme, c'est de la projection ! Si le produit flop, on a claqué 100k€ pour rien."

• Marcus : "Sans expertise interne, on reste dépendant à vie. C'est de la myopie financière."

SYNTHÈSE COLLECTIVE "Décision : Externe pour MVP (3 mois), puis interne si validation marché. Budget : 15k€ externe + 25k€ recrutement si succès."

💡 Utilisations concrètes :

• Décisions business : Investissement, embauche, pivot

• Stratégie produit : Features, pricing, positionnement

• Choix personnels : Carrière, formation, investissement

• Résolution de conflits : Voir tous les angles

🎯 Résultat

Des décisions éclairées avec tous les angles couverts, comme si vous aviez un vrai board ! ⏱️🔥

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

AI NEWS 🗞️

🔥 GPT-5 : entre promesses tenues et lancement mitigé (voire raté…)

OpenAI promettait "le modèle le plus intelligent jamais créé" avec GPT-5 et sur le papier, les chiffres sont impressionnants : 94,6% sur AIME 2025, 45% de réduction des hallucinations, capacités de raisonnement révolutionnaires. Mais Sam Altman l'a reconnu lui-même : "On a complètement foiré" le lancement. Que s’est-il donc passé ? Entre performances bluffantes et utilisateurs en colère, retour sur un paradoxe qui révèle la complexité des attentes autour de l'IA.

🎯 Ce que GPT-5 était censé apporter (et apporte vraiment)

▶️ Système unifié : GPT-5 propose tout en un en combinant un modèle rapide pour les questions simples, un modèle de raisonnement profond (GPT-5 Thinking) pour les problèmes complexes et un routeur intelligent qui choisit automatiquement lequel utiliser.

▶️ Performances académiques avancées : 94,6% sur AIME 2025 (maths niveau olympiade), 74,9% sur SWE-bench (ingénierie logicielle), 88,4% sur GPQA (questions de niveau doctorat). GPT-5 se positionne au niveau d'experts humains dans de nombreux domaines.

▶️ Révolution du code : La génération de code n’est pas en reste avec une amélioration substantielle du debugging sur de gros repositories et sur la génération d’interfaces web complexes à partir d’un prompt.

▶️ Fiabilité enfin au rendez-vous : 45% de réduction des hallucinations vs GPT-4o, 80% vs o3 en mode raisonnement, ce qui amène à des taux d’hallucination de 2,1% et 4,8% respectivement. Détection d'images manquantes (9% de faux positifs vs 86,7% pour o3), communication plus honnête de ses limites.

💥 Pourquoi donc le lancement a viré au chaos ?

▶️ Le 7 août, basculement forcé : Tous les utilisateurs sont automatiquement transférés vers GPT-5, sans possibilité de revenir aux anciens modèles. Les forums Reddit explosent avec des milliers de plaintes d’utilisateurs habitués à leurs modèles et se sentant “spoliés”.

▶️ Personnalité "froide" et réaction émotionnelle massive : les utilisateurs découvrent un ChatGPT moins chaleureux et plus distant étant donné qu’une des avancées techniques de GPT5 est la réduction du sycophantisme* de 14,5% à moins de 6%.
Le commentaire "4o n'était pas juste un outil pour moi. Il m'a aidé à traverser les périodes les plus sombres de ma vie" obtient 10000 upvotes sur reddit et révèle l'attachement émotionnel des utilisateurs à l’IA et particulièrement leur utilisation de l’IA en tant que thérapeute.

▶️ Bugs techniques embarrassants : Graphique de performance trompeur lors de l'annonce ("mega chart screwup" avoue Altman), routeur automatique défaillant donnant des réponses incohérentes.

*sycophantisme : tendance à être excessivement flatteur et complaisant, à approuver systématiquement pour plaire (dans le contexte IA : modèles qui disent toujours "oui", vont dans votre sens quoi qu’il arrive et évitent la contradiction)

👉 La réaction express d'OpenAI

• Devant un tel tollé, OpenAI a restauré GPT-4o pour les abonnés Plus dès le dimanche suivant

• Des limites de reasoning ont été portées à 3 000 requêtes/semaine

• Le modèle utilisé est affiché pour chaque requête et on peut choisir entre “Instant” ou “Thinking”

• 4 nouvelles "personnalités" (Cynic, Robot, Listener, Nerd) sont en préparation pour recréer une sorte de lien avec son IA.

💡 En quoi c'est important

GPT-5 marque en fait deux révolutions simultanées : la première, technique (performances d'expert réelles) et une deuxième, moins attendue, sociale (attachement émotionnel massif).

Côté technique, GPT-5 tient ses promesses de performance : les capacités de raisonnement, de code et de créativité sont réellement au niveau expert annoncé mais côté humain, le fiasco révèle que nous sommes entrés dans l'ère de l'IA relationnelle.

📌 À retenir

Le paradoxe GPT-5 illustre parfaitement notre époque : nous avons créé des IA techniquement brillantes mais nous les jugeons sur des critères émotionnels et relationnels.

L'avenir de l'IA se jouera donc sans doute autant sur la gestion de l’attachement que sur l'amélioration des performances. Nous ne voulons plus seulement des outils intelligents, mais des modèles capables de créer du lien, des compagnons fiables.

⚠ Limites techniques et réalité derrière les chiffres

🔗 Lancement de GPT-5
🔗 GPT-5 rollout has been a big mess
🔗 Benchmarks

⚖️ L'AI Act européen : ce qui a changé cet été

Le 2 août 2025 a marqué une étape clé de l'AI Act européen avec l'activation des obligations pour les modèles d'IA généralistes comme ChatGPT ou Claude. Première législation mondiale sur l'IA, elle promet de "protéger les citoyens tout en favorisant l'innovation". Mais concrètement, qu'est-ce qui change pour les entreprises et utilisateurs ? Décryptage.

📋 De quoi on parle ?

▶️ L'AI Act classe les systèmes IA en 4 catégories de risques : inacceptable (interdit), élevé (réglementé), limité (transparence requise) et minimal (libre). Plus le niveau de risque est élévé, plus les obligations augmentent.

▶️ Les modèles "foundation" comme GPT ou Claude entrent dans une catégorie spéciale. Ils doivent documenter leurs données, évaluer les risques et signaler les incidents graves.

▶️ Amendes record en vue : jusqu'à 35 millions d'euros ou 7% du chiffre d'affaires mondial pour les violations les plus graves. De quoi faire réfléchir même les géants américains.

▶️ Application extraterritoriale : comme le RGPD, l'AI Act s'applique à toute entreprise qui propose ses services IA aux Européens, même basée aux États-Unis ou en Chine.

👉 Impacts et opportunités

Ce qui est interdit ⛔️ 

• Systèmes de notation social (comme en Chine)

• IA de reconnaissance émotionnelle sur le lieu de travail ou à l'école

• Manipulation comportementale des personnes vulnérables

• Catégorisation biométrique pour déduire race, religion ou orientation sexuelle

Ce qui est fortement réglementé :

• Recrutement automatisé (transparence obligatoire)

• Systèmes de crédit scoring (auditabilité requise)

• IA dans l'éducation et la santé (supervision humaine)

• Reconnaissance faciale par les autorités (autorisation judiciaire)

Les nouvelles obligations pour les géants :

• OpenAI, Google, Anthropic doivent publier des rapports détaillés sur leurs modèles

• Tests de sécurité obligatoires avant mise sur le marché

• Signalement des incidents à Bruxelles sous 15 jours

• Documentation complète des données d'entraînement (épineux pour les droits d'auteur)

💡 En quoi c'est important

C'est la première fois qu'une juridiction impose des règles contraignantes à l'IA mondiale. L'Europe espère forcer les standards mondiaux comme elle l'a fait avec le RGPD. Les entreprises préfèrent souvent adopter les règles les plus strictes partout plutôt que de multiplier les versions.

⚠ Limites techniques et réalité derrière les chiffres

🧠 Ce que ça change pour vous

Si vous êtes entreprise :

• Auditez vos outils IA actuels selon les nouvelles catégories

• Préparez la documentation de transparence pour vos clients

• Budgetez les coûts de compliance (formation, audits, reporting)

Si vous êtes utilisateur, vous obtiendrez :

• Plus de transparence sur le fonctionnement des IA que vous utilisez

• Droit de recours renforcé en cas de décision automatisée défavorable

• Protection accrue contre la manipulation et la discrimination

📌 À retenir

L'AI Act européen marque le début de l'ère de l'IA réglementée et malgré ses imperfections, il force les entreprises à documenter, tester et justifier leurs systèmes IA. L'Europe mise sur la confiance et la transparence plutôt que sur la course à la performance brute, espérant redéfinir les standards mondiaux de l'IA responsable.

🔗 EU AI Act - gtlaw.com
🔗 Global AI Regulation Update
🔗 The EU AI Act: What U.S. Companies Need to Know

🔓 L'été des fuites de données…

Cet été 2025 restera dans l'histoire comme celui des fuites de données IA les plus embarrassantes. Entre les 370 000 conversations Grok exposées sur Google et les chats ChatGPT indexés par erreur, on a pu voir à quel point nos interactions avec l'IA sont mal protégées.

💥 Le fiasco Grok : 370 000 conversations sur la place publique

Forbes révèle le 20 août qu'xAI a publié des centaines de milliers de conversations Grok sur Google sans avertir les utilisateurs. Le simple fait de cliquer sur "partager" rendait les chats publiquement consultables.

Exemples de contenu révélé :

• Instructions détaillées pour fabriquer du fentanyl et des bombes

• Un plan d'assassinat d'Elon Musk en bonne et due forme

• Données personnelles, mots de passe et documents confidentiels

• Images générées d'attaques terroristes fictives au Kashmir

Après avoir moqué OpenAI sur X avec "Grok ftw" (for the win) quand ChatGPT avait des fuites, Musk s'est retrouvé dans une situation bien plus embarrassante.

🔍 ChatGPT dans la tourmente aussi

TechCrunch découvre fin juillet que les conversations ChatGPT "partagées" étaient automatiquement indexées par Google, révélant parfois des informations personnelles sensibles comme des CVs complets avec noms et coordonnées, des questions médicales, des projets professionnels confidentiels, des conversations thérapeutiques personnelles, etc..

La différence avec Grok est qu’OpenAI a réagi en 24h, supprimant la fonctionnalité et s'excusant (xAI n'a toujours pas commenté officiellement).

👉 Impacts

Pour les utilisateurs :

• Prise de conscience que "partager" ne signifie pas "privé"

• Méfiance accrue envers les boutons de partage IA

• Questionnements sur la confidentialité des conversations IA

Pour les entreprises :

• Révision urgente des politiques de partage

• Formation des équipes sur les risques de fuite

• Audits de sécurité des outils IA utilisés

Pour les opportunistes :

• Certains marketeurs exploitent délibérément les fuites Grok pour améliorer leur SEO

• Manipulation des résultats Google via des conversations IA artificielles

💡 Pourquoi c’est important

C'est la première fois que des conversations IA intimes se retrouvent massivement sur les moteurs de recherche et cela révèle un angle mort majeur : les utilisateurs développent une fausse intimité avec l'IA, oubliant qu'elle reste un service en ligne comme les autres.

🔮 Les conséquences à long terme

Changement comportemental : Les utilisateurs vont probablement devenir plus prudents, réduisant l'usage "thérapeutique" de l'IA.

Évolution réglementaire : Ces scandales accélèrent les discussions sur la protection des données dans l'IA. L'AI Act européen prend tout son sens.

Guerre concurrentielle : OpenAI utilise déjà ces fuites pour se positionner comme plus responsable qu'xAI.

🔗 Hundred of thousands of Grok chats exposed in Google results

📊 MIT : "95% des projets IA échouent" - Décryptage d'une étude controversée

Une étude du MIT fait trembler les conseils d'administration : 95% des projets pilotes d'IA générative en entreprise n'apportent aucun retour sur investissement mesurable. Faut-il vraiment arrêter tous vos projets IA ? Spoiler : non, mais il faut les repenser complètement.

Capture provenant du rapport GenAI Divide du MIT - 2025

🔍 Que dit vraiment l'étude du MIT ?

▶️ L'étude "GenAI Divide" analyse plus de 300 initiatives publiques, 52 interviews d'organisations et 153 sondages d'executives collectés lors de 4 conférences majeures.

▶️ 95% d'échec, mais sur quel périmètre ? L'étude porte spécifiquement sur les projets pilotes d'IA générative en entreprise, pas sur tous les projets IA. Les systèmes IA "classiques" (recommandations, prédictions) ne sont pas concernés.

▶️ "Échec" = zéro impact P&L mesurable dans les 6 mois. Cela ne signifie pas que les projets sont inutiles mais qu'ils ne génèrent pas encore de gains financiers quantifiables (et 6 mois peut paraître beaucoup trop court pour tirer cette conclusion)

▶️ 50-70% des budgets IA vont au marketing/ventes, les domaines les plus visibles mais paradoxalement les moins rentables selon l'étude. Les vrais gains se cachent dans le back-office : finance, procurement, opérations.

👉 Impacts et opportunités

Pourquoi tant d'échecs ?

• Trend-chasing vs stratégie : Le classique "Il nous faut un projet IA" sans définir le problème à résoudre

• Outils génériques mal intégrés : 80% testent ChatGPT, mais seulement 5% des outils sur-mesure atteignent la production

• Projets internes vs expertise externe : 67% de réussite avec des partenaires vs 33% en interne

• Désalignement organisationnel : L'IA amplifie les dysfonctionnements existants au lieu de les corriger.

🔍 Pourquoi les partenaires externes réussissent 2x mieux

L'effet "10 000 heures" :

• Les équipes internes connaissent parfaitement le métier mais manquent d'expérience d'implémentation

• Les consultants externes ont géré des dizaines d'intégrations similaires et connaissent les pièges classiques

• Exemple concret : Une équipe interne va se concentrer sur les fonctionnalités, un expert externe identifiera d'abord les problèmes de données et d'intégration

Biais cognitifs internes :

• Syndrome NIH (Not Invented Here) : "On peut le faire nous-mêmes, c'est notre métier"

• Optimisme dans la planification : Sous-estimation systématique des délais et difficultés

• Angle mort organisationnel : Difficulté à voir ses propres dysfonctionnements

Avantage de l'outsider :

• Vision neutre des processus existants

• Capacité à remettre en question les "évidences" internes

• Expérience des résistances au changement et méthodes éprouvées pour les surmonter.

🏢 Pourquoi l'IA amplifie les dysfonctionnements organisationnels

L'IA comme révélateur :

• Si vos données sont en silos, l'IA va produire des résultats incohérents

• Si vos équipes ne communiquent pas, l'IA va automatiser cette non-communication

• Si vos processus sont flous, l'IA va amplifier cette confusion à grande échelle

Exemples concrets de dysfonctionnements amplifiés :

• Marketing vs Ventes : L'IA génère des leads qualifiés selon les critères marketing mais les commerciaux les rejettent car ils utilisent d'autres critères

• Finance vs Opérations : L'IA optimise les coûts selon la comptabilité mais désorganise la production selon les opérationnels

• RH vs Managers : L'IA recrute selon les critères RH mais les managers trouvent les profils inadaptés.

Pourquoi l'IA ne corrige pas :

• Elle optimise selon les données qu'elle reçoit, pas selon la réalité terrain

• Elle reproduit les biais existants dans les données historiques

• Elle accélère les processus défaillants au lieu de les corriger

La solution : Aligner l'organisation AVANT d'implémenter l'IA, pas après.

⚠️ Une méthodologie contestée par les experts

💡 En quoi c'est intéressant (mais pas nouveau)

Malgré les imperfections de l’étude et ses remises en cause, c'est la première étude à grande échelle qui tente de quantifier l'écart entre hype et réalité de l'IA générative en entreprise. Elle révèle que le problème n'est pas technique (les modèles fonctionnent) mais organisationnel et stratégique, ce qui est finalement assez classique dans les projets Tech en général : ce n’est pas la technologie d’IA elle-même qui bloque, mais la manière dont les organisations l’intègrent et la pilotent stratégiquement…

L’étude est un bon rappel que la difficulté organisationnelle reste une barrière structurelle majeure, non résolue malgré les années.

🧠 Les recommandations du MIT

1. Commencez par le back-office

• Finance : automatisation de la comptabilité (+$1-10M d'économies)

• Procurement : optimisation des négociations fournisseurs

• Opérations : détection d'anomalies et maintenance prédictive

2. Intégrez, n'ajoutez pas

• L'IA doit être dans vos systèmes métier, pas à côté

• Connectez aux données existantes (ERP, CRM, bases clients)

• Automatisez les workflows complets, pas juste des tâches isolées

3. Partenaire externe + expertise interne

• Les équipes internes connaissent le métier mais manquent d'expérience d'implémentation

• Les consultants ont l'expérience technique mais doivent être guidés par le business

• La combinaison des deux double les chances de succès

4. Mesurez ce qui compte

• ROI financier clair avec timeline réaliste

• KPIs métier spécifiques (temps de traitement, taux d'erreur, satisfaction client)

• Impact sur les employés (temps libéré pour des tâches à valeur ajoutée)

📌 À retenir

L'étude MIT ne dit pas "arrêtez l'IA" mais "arrêtez de faire n'importe quoi avec l'IA". Les 95% d'échecs révèlent un problème de méthode, pas de technologie. Les entreprises qui réussissent traitent l'IA comme un projet de transformation métier, pas comme un gadget technologique.

En somme, la véritable innovation va être managériale, culturelle et stratégique bien plus que technologique.

🔗 Lien vers le rapport

AI TOOLS 🛠️

📖  Storybooks : ne manquez plus jamais d’inspiration pour les lectures du soir !

Google à lancé une fonctionnalité assez bluffante dans Gemini : créer des livres de 10 pages entièrement illustrés avec narration audio, juste en décrivant votre histoire. Fini les soirées à chercher le livre parfait pour endormir les enfants !

▶️ Ce que ça fait : Décrivez n'importe quelle histoire et Gemini génère automatiquement un livre de 10 pages avec illustrations personnalisées et narration audio. Vous pouvez même uploader vos propres photos ou dessins pour inspirer l'histoire.

Comment l’utiliser

• Connectez-vous à votre compte Gmail

• Rendez-vous sur https://gemini.google.com/gem/storybook

• Entrer un prompt (même minimal)

• Et laisser Gemini composer votre petit livre

• Vous pourrez ensuite le feuilleter et l’écouter !

Exemple :

Prompt simple : Créé une histoire sur un petit basenji illustrant l'éducation positive et la relation d'un enfant à son chien.

🎨 Autres prompts à essayer :

• "Crée une histoire sur un dinosaure timide qui apprend à danser"

• "Transforme ce dessin de mon fils en aventure magique"

• "Raconte notre voyage à Paris sous forme de conte pour enfants"

• "Explique le système solaire à ma fille de 5 ans avec des personnages rigolos"

🔍 Fonctionnalités pratiques :

• Plus de 45 langues disponibles

• Plusieurs styles artistiques : pixel art, comics, claymation, crochet, coloriage

• Partage facile via lien public

• Impression directe depuis le navigateur

• Narration audio intégrée

🔍 Utile pour qui ?

• Parents en panne d'inspiration pour les histoires du soir

• Enseignants qui veulent personnaliser leurs supports pédagogiques

• Familles qui veulent immortaliser leurs souvenirs sous forme narrative

🎯 Le plus : Vous pouvez itérer ! Dites "rends l'histoire plus drôle" ou "change le style en aquarelle" et Gemini régénère tout avec de nouvelles illustrations.

🔗 À tester dès maintenant : gemini.google.com/gem/storybook

🤖 Hack du moment

🧠 Décortiquer une croyance ou blocage mental avec raisonnement socratique

On tourne parfois en boucle sur un blocage irrationnel ou une croyance limitante, les IA génératives peuvent être d’une grande aide à surmonter ces blocages en nous aidant à déconstruire notre propre raisonnement comme si on en parlait avec un coach ou un philosophe.

🪄  Prompt magique (à copier-coller) :

Je veux challenger une croyance personnelle ou un blocage mental que j’ai.  
Joue le rôle d’un philosophe de type Socrate, formé à la psychologie cognitive moderne.  
Pose-moi une série de 7 à 10 questions guidées, progressives, qui m’amènent à déconstruire ou renforcer cette croyance de façon critique.  
Ne me donne jamais de réponse toute faite. Focalise-toi sur le raisonnement, les angles morts, les généralisations ou les biais potentiels.  
Voici ma croyance ou mon blocage : [INSÈREZ ICI]  
Quand tu as fini les questions, reformule mon point de vue actualisé.

Avant :

Avec le hack, après 8 questions socratiques :

🎯 Résultat

Un changement de perspective avec une exploration raisonnée pour comprendre les mécanismes et revoir son point de vue.

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

⚖️ Anthropic gagne un procès clé : l'entraînement IA devient "fair use"

Nous parlions dans la dernière édition du procès Disney/Universal contre MidJourney pour l'utilisation de personnages comme les Minions ou Dark Vador. Eh bien, un autre procès vient de faire grand bruit puisqu'il a statué qu'Anthropic avait le droit d'entraîner ses modèles avec des livres qu'il a achetés. Cela relève du "fair use" et pourrait donc servir de précédent juridique pour tous les autres procès du genre.

🤔 Qu’est-ce qu’il s’est passé ?

▶️ La logique du tribunal : acheter un livre donne le droit de l'utiliser pour entraîner une IA, au même titre que pour l'éducation ou la recherche.

▶️ Le juge William Alsup a tranché que l'usage des œuvres protégées pour l'entraînement constitue un "fair use" légalement acceptable.

▶️ Meta a remporté une décision similaire le même jour, renforçant ce précédent juridique pour toute l'industrie (même si dans le cas de Meta, les œuvres avaient été obtenues via des sites de piratage, ce qui divise encore les juges).

👉 Impacts et opportunités

• Pour les procès en cours : Disney, Universal et autres pourraient voir leurs chances diminuer face à MidJourney, Stable Diffusion...

• Pour l'industrie IA : ça représente un feu vert pour continuer l'entraînement sur des contenus achetés légalement

• Pour les créateurs : Il faudra repenser les modèles de licensing et de protection

💡 Pourquoi c'est important : C'est le premier tribunal à valider clairement l'entraînement IA comme fair use, créant un précédent que d'autres juges pourraient suivre.

📌 À retenir

Un précédent juridique important aux États-Unis, susceptible d’influencer d’autres procès similaires en cours, même si la portée reste à confirmer selon les juridictions.

🔗 Sources : Reuters, Debevoise, Goodwin

🌧️ L'IA et le climat : quand la technologie devient la solution à ses propres problèmes

Quand on parle d’IA, le sujet du climat est souvent présent. Il n’est pas rare qu’une nouvelle technologie introduise des problèmes... mais parfois, elle peut aussi être la solution à ces mêmes problèmes. En voici un exemple avec une initiative de plusieurs pays pour créer... de la pluie artificielle ! Delhi vient de lancer ses premiers essais pour combattre à la fois pollution et sécheresse.

🔧 Comment ça marche ?

▶️ L'ensemencement de nuages utilise des avions ou drones qui dispersent des particules (iodure d'argent, sel) dans les nuages pour déclencher les précipitations.

▶️ L'IA optimise le processus en analysant les conditions météo en temps réel pour déterminer le moment et l'endroit optimal d'intervention.

▶️ Plusieurs programmes : à Delhi (du 4 au 11 juillet 2025), et plus largement en Inde pour les zones de sécheresse. Les Émirats Arabes Unis (qui utilise déjà ce genre de technique depuis les années 2000) et la Chine intensifient leurs efforts.

👉 Impacts et opportunités

• Double bénéfice pour Delhi : combattre à la fois la pollution atmosphérique et répondre aux besoins en eau

• Agriculture stratégique : sauvetage des récoltes dans les zones arides avec un contrôle précis des précipitations

• Outil géopolitique : les pays maîtrisant cette technologie gagnent un avantage sur leurs voisins

💡 Le paradoxe : l'IA, souvent critiquée pour son impact environnemental, pourrait être un outil clé pour lutter contre le changement climatique.

📌 À retenir

La pluie artificielle est testée comme outil potentiel contre certains effets du changement climatique, illustrant comment l'IA peut être une solution aux problèmes qu'elle contribue à créer même si son efficacité et ses conséquences restent incertaines.

🔗 Sources : Economic Times, ActuIA

🧠 Meta déclare la guerre des talents IA : la bataille à coups de millions

Mark Zuckerberg sort le carnet de chèques pour bâtir sa "superintelligence" et mène une offensive sans précédent. Des packages salariaux astronomiques sont évoqués pour attirer les meilleurs talents IA, avec des montants qui affolent la Silicon Valley.

👉 Résultat ? Au moins 7 chercheurs clés d'OpenAI ont rejoint la nouvelle division "Meta Superintelligence Labs".

De gauche à droite : Mark Zuckerberg (Meta) et Sam Altman (OpenAI)

🔧 Qu’est-ce qu’il s’est passé ?

▶️ Packages exceptionnels : des montants jusqu'à 300 millions de dollars sur 4 ans sont évoqués par la presse tech, bien que Meta conteste ces chiffres tout en confirmant sa stratégie de recrutement agressive. 🤯

▶️ Raid organisé sur OpenAI (mais pas que) : Meta a fait au moins 10 offres à des employés d'OpenAI, réussissant à débaucher les co-créateurs de GPT-4o et des modèles o-series. Meta a également recruté des talents d'autres grandes entreprises comme Google DeepMind et Anthropic.

▶️ Nouvelle division dédiée : Meta Superintelligence Labs dirigée par Alexandr Wang (ex-Scale AI) et Nat Friedman (ex-GitHub).

👉 Impacts et opportunités

• Guerre des talents : OpenAI est contraint de revoir ses packages de rémunération pour retenir ses équipes

• Accélération IA : Meta peut désormais rivaliser avec OpenAI grâce à ces recrutements stratégiques

• Inflation salariale : tout cela entraîne la création d'une bulle sur les talents IA, avec des salaires pouvant atteindre plusieurs millions selon certaines sources..!

💡 Pourquoi cette escalade : Meta mise tout sur la course à la superintelligence et dispose de ressources financières quasi-illimitées pour rattraper son retard…

🛠️ Stratégie : Meta compense son retard sur OpenAI en "achetant" directement les cerveaux qui ont créé ChatGPT et GPT-4.

📌 À retenir

Meta dépense sans compter pour rattraper OpenAI, créant une inflation salariale historique et déstabilisant tout l'écosystème IA.

🔗 Sources : CNBC, Wired

AI TOOLS 🛠️

🎬 Google Veo 3 : enfin accessible en France !

Google vient de démocratiser l'accès à Veo3, son générateur vidéo IA qui fait sensation (notamment utilisé dans la première pub 100% IA diffusé pour les NBA Finals).

Disponible maintenant pour tous les utilisateurs Google Cloud et dans Gemini, cet outil génère des vidéos ultra-réalistes avec audio synchronisé directement à partir de prompts texte.

L'IA peut créer des scènes avec bruits d'ambiance correspondants (métro + sons de train, conversation + voix humaines, nature + chants d'oiseaux) et simuler de l’eau, des ombres, des mouvements, etc.. de façon ultra réaliste.

L'outil révolutionne la création vidéo en résolvant le défi technique encore très complexe : la synchronisation parfaite entre image et son.

🎯 Démo (faite maison) en quelques prompts : 

Démo (faite maison)

Comment l'utiliser ?

1. Via Gemini : Rendez-vous sur gemini.google.com (abonnement Pro/Ultra requis)

2. Cliquez sur l'icône vidéo et écrivez votre prompt directement

3. Décrivez précisément la scène souhaitée (décor, action, ambiance sonore, style visuel)

4. Laissez Veo 3 générer votre clip (quelques minutes selon la complexité)

5. Téléchargez et utilisez 🔥 (filigrane visible sauf pour les abonnés Ultra !)

🔍 Utile pour qui ?

Créateurs de contenu, marketeurs, réalisateurs indépendants qui veulent prototyper des concepts vidéo rapidement ou créer du contenu sans équipe technique.

Parfait pour : pubs low-cost, demos produits, contenus réseaux sociaux, tests créatifs avant production. La qualité n'est pas encore broadcast mais largement suffisante pour du digital.

💰 Pricing :

• Gemini Pro : ~20€/mois (accès limité à 3 vidéos/jour + filigrane)

• Gemini Ultra : ~30€/mois (accès étendu + pas de filigrane sur Flow)

• Google Cloud : Tarification à l'usage (pour développeurs)

🔗 A tester maintenant ici : Gemini

🤖 ChatGPT Hack du moment

Négociez votre salaire / budget comme un pro ! 💰

💡 Pourquoi c'est utile ?

Ce hack transforme ChatGPT ou tout autre LLM en coach en négociation qui vous prépare des arguments béton, anticipe les objections et vous fait répéter jusqu'à ce que vous soyez prêt⚡

🪄 Prompt magique (à copier-coller) :

Tu es mon coach expert en négociation [SALARIALE/BUDGETAIRE]. 

Ta Mission : me préparer à négocier mon [SALAIRE/BUDGET/TARIF].

Contexte :
- Poste/projet : [VOTRE SITUATION]
- Résultats : [VOS RESULTATS/REUSSITES]
- Montant actuel : [X]
- Montant visé : [Y] 
- Interlocuteur : [MANAGER/CLIENT/DRH]

Procède en 4 étapes :

1. 🎯 ARGUMENTS SOLIDES
   - 3 arguments factuels (résultats, marché, valeur ajoutée)
   - Chiffres précis et comparaisons
   - Timing optimal pour la demande

2. 🛡️ GESTION D'OBJECTIONS
   - 5 objections probables + réponses préparées
   - Alternatives si refus total
   - Concessions acceptables

3. 🎭 SIMULATION
   - Joue le rôle de [VOTRE INTERLOCUTEUR]
   - Je m'entraîne à argumenter
   - Tu me donnes un feedback après chaque échange

4. 📋 PLAN D'ACTION
   - Script d'ouverture
   - Points non-négociables vs flexibles
   - Formulation d’un angle de négociation psychologique puissant (ancrage, rareté, ROI…)  
   - Plan B si échec

Avec le hack :

ChatGPT vous prépare :

• "Argument 1 : Vos projets ont généré +150K€ de CA cette année vs objectif 100K€"

• "Si objection budget : proposez étalement sur 6 mois + objectifs liés"

• Simulation réaliste : "En tant que votre manager, je vous dis 'Le budget est serré cette année'... "

• Script testé et affiné jusqu'à ce que vous soyez à l'aise.

🎯 Résultat

Négociation préparée comme un pro : Arguments chiffrés, objections anticipées et confiance maximale pour obtenir ce que vous valez ⏱️🔥

💡 Bonus : Utilisez le mode vocal pour la simulation, c'est encore plus réaliste !

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !

AI NEWS 🗞️

📺 2 000$ vs 200 000$ : la première pub IA qui fait trembler Madison Avenue 🏀

Kalshi a fait parler d'elle en diffusant une publicité entièrement générée par IA pendant les NBA Finals. Un test intéressant qui permet de mesurer concrètement où en sont les outils de création vidéo IA.

🤔 De quoi on parle ?

➡️ Kalshi - une plateforme de paris/prédictions - a commandé un spot vidéo de 30 secondes créé entièrement avec Google Veo 3. C’est l’"AI filmmaker" PJ Accetturo qui a été mandaté par Kalshi avec la consigne de créer "le spot le plus délirant possible".

➡️ Le spot qui a coûté 2 000$ (vs environ 50 000$ à 200 000$ pour une production TV classique) a été diffusé pendant les NBA Finals, mais uniquement sur YouTube TV (streaming), pas sur les chaînes TV traditionnelles.

Extrait de la publicité générée par IA

📌 Impacts et opportunités

👉 Ce test grandeur nature donne une idée concrète des capacités actuelles de l'IA générative en publicité et montre que l'IA permet effectivement de réduire drastiquement les coûts de production vidéo.

👉 Même si l’expérience montre des limites en terme de qualité et de contrôle créatif, elle fait entrevoir des opportunités prometteuses :