Comment travailler avec l’IA ? Trois compétences plus importantes que les prompts tout faits

Vous préparez le texte d’une landing page avec ChatGPT. L’offre est fluide et contient cette phrase : « Des études montrent que 67 % des clients abandonnent leur panier lorsque les frais de livraison ne sont pas affichés immédiatement. » Le chiffre tombe à pic : précis, crédible, prêt à devenir un titre. Un seul problème : le modèle vient de l’inventer. L’étude aussi.

Si vous dirigez une entreprise ou pilotez son marketing, vous vous trouvez probablement dans l’une de ces deux situations. Soit vous utilisez déjà l’IA pour vos offres, publications et e-mails commerciaux – et vous la surprenez parfois en train d’affabuler. Soit vous hésitez encore : vous avez entendu parler des hallucinations et ne voulez pas vous ridiculiser devant un client avec un texte dont la moitié des faits sont faux. Les deux positions sont rationnelles.

Dans les deux cas, les limites de l’IA peuvent être largement maîtrisées. Il vous faut les trois compétences décrites ici. Mais je dois d’abord vous montrer pourquoi le problème ne vient pas uniquement de la machine. Il vient aussi de nous.

Pourquoi faisons-nous confiance aux machines qui inventent ?

Notre confiance dans les machines a été mise à l’épreuve bien avant que quiconque entende parler de ChatGPT. Dans une étude célèbre, les psychologues Kathleen Mosier et Linda Skitka ont placé des pilotes professionnels dans un simulateur de vol entre San Francisco et Los Angeles. Mosier a consacré sa carrière aux décisions des équipages dans le cockpit, notamment avec le centre de recherche Ames de la NASA. Skitka est une psychologue sociale devenue connue pour ses travaux sur les convictions morales.

Un piège attendait les pilotes : des signaux contradictoires concernant un feu de moteur. Les instruments indiquaient que le moteur gauche brûlait. La tablette contenant la procédure d’urgence – une check-list électronique – ordonnait de couper… le moteur droit.

Trois pilotes sur quatre ont suivi l’automate. Les instruments et leur formation disaient le contraire ; pourtant, 75 % des équipages ont coupé le moteur intact parce que le système le suggérait. Dans le groupe témoin utilisant une check-list papier, seuls 25 % ont commis la même erreur.

Les chercheuses ont donné un nom à ce phénomène : le biais d’automatisation. Lorsqu’une machine propose une réponse, l’être humain cesse de chercher et de traiter lui-même l’information avec la même vigilance. La recommandation devient un raccourci : au lieu de réfléchir, nous regardons ce que dit le système et poursuivons. Mosier et Skitka ont ensuite distingué deux erreurs : l’omission – le système ne voit rien, donc nous non plus – et la commission – le système ordonne, donc nous exécutons sans vérifier.

Avec l’IA, nous tombons dans le même piège. Nous lisons en diagonale et laissons passer des données inventées. Ou nous ne réfléchissons pas du tout : le système nous livre une stratégie, nous l’exécutons.

Cette recherche apporte aussi une bonne nouvelle. Les pilotes qui se sentaient personnellement responsables de leur usage de l’automatisation vérifiaient plus souvent ses suggestions et commettaient nettement moins d’erreurs. Savoir que vous utilisez un automate, puis sentir que votre nom figurera sous le résultat final : voilà le point de départ. Viennent ensuite trois compétences pour garder la main.

Première compétence : sachez d’où vient ce que le modèle « sait »

Pour maîtriser les inventions du modèle, il faut comprendre comment il « parle ». Le mécanisme est plus simple qu’il n’y paraît.

Un modèle de langage fait essentiellement une chose : il prédit le prochain token, c’est-à-dire un fragment de mot. Il reçoit du texte et estime ce qui devrait statistiquement suivre. Puis il recommence. Encore et encore. Toute l’éloquence de ChatGPT repose sur deux éléments :

le processus est répété des milliers de fois – plusieurs fois pour un seul mot ;
des dizaines de milliards de paramètres entrent dans le calcul de probabilité. Cette échelle nous échappe, d’où l’impression de magie ou d’intelligence.

Mais vous savez quoi ? Vous faites quelque chose de comparable. Lorsque vous parlez, vous ne planifiez pas la phrase jusqu’au dernier mot : votre cerveau fournit les suivants en chemin. Et lorsque vous racontez une vieille anecdote dont un détail vous échappe, il glisse discrètement quelque chose de plausible. La voiture de location était de quelle couleur ? Votre cerveau lui en attribue une. Même chose pour le prénom du serveur ou le montant de l’addition. Les psychologues parlent de confabulation. Personne ne la remarque, puisque le détail s’intègre au récit. Parfois, nous-mêmes ne la remarquons pas.

Le modèle confabule de la même manière, token après token. Tant que sa prédiction s’appuie sur quelque chose qu’il a réellement « vu » – dans ses données d’entraînement ou dans les documents que vous lui avez fournis –, le résultat reste proche des faits. Mais lorsqu’un trou apparaît dans ses connaissances, il ne s’arrête pas avec un message d’erreur. Il poursuit et remplit le vide avec ce qui convient statistiquement : un chiffre vraisemblable, le titre plausible d’un rapport, le nom plausible d’un expert. C’est ainsi qu’est née mon « étude sur les 67 % de paniers abandonnés » : le modèle connaissait la forme des statistiques dans un texte marketing, il en a produit une.

Andrej Karpathy, l’un des fondateurs d’OpenAI, décrit les modèles comme des dream machines. L’hallucination serait leur état naturel ; nos prompts ne feraient qu’orienter leurs rêves. Inventer une statistique et écrire un slogan mémorable relèvent du même mécanisme. Impossible de supprimer l’un sans tuer l’autre.

Puisque l’invention ne peut être éradiquée, il reste le contrôle. Celui-ci commence par une question : d’où le modèle tire-t-il ce qu’il vous raconte ? Il existe trois sources. Chacune exige une attitude différente.

Les poids du modèle – ce qu’il apporte avec lui

Les poids sont la mémoire compressée de tout ce qui a servi à entraîner le modèle : des milliards de pages réduites à des paramètres. C’est ainsi qu’il « connaît » les règles du copywriting, les formats des publications LinkedIn ou les généralités de votre secteur.

Voici un test que je recommande à toute personne qui dirige une entreprise : demandez au modèle de parler de votre société et de vos concurrents, sans lui donner accès à Internet. Vous verrez noir sur blanc ce qui se trouve dans ses poids : parfois beaucoup, parfois rien et parfois – cas le plus dangereux – un mélange de vérité et de confabulation. Cette expérience vous apprendra davantage sur ses limites que bien des formations.

La mauvaise nouvelle : vous ne contrôlez pas les poids. Lorsque des utilisateurs disent « entraîner leur propre IA », dans 99,9 % des cas, ils ne parlent pas de modifier ceux du modèle. L’opération est coûteuse, longue et peu rentable pour la plupart d’entre nous.

Deux bonnes nouvelles. Premièrement, vous pouvez changer de modèle : remplacer ChatGPT par Gemini ou Claude. Cette possibilité deviendra plus intéressante avec la troisième compétence. Deuxièmement, les poids ne sont qu’un élément parmi ceux que le modèle utilise. Les deux autres, vous pouvez les modifier.

Le contexte visible – ce que vous fournissez

La deuxième source est entre vos mains : tout ce que vous écrivez ou collez dans la conversation. Questions, instructions, documents, fichiers. C’est la mémoire de travail du modèle – et votre meilleure arme contre les hallucinations. Un modèle qui peut citer n’a pas besoin de deviner.

Dans la pratique du marketing : vous rédigez une offre ? Joignez le tarif, la description du service et deux vrais témoignages, au lieu de supposer que le modèle « connaît » votre entreprise. Vous demandez des publications commerciales ? Ajoutez la page produit et les objections entendues en rendez-vous. Vous voulez analyser une campagne ? Exportez les données et fournissez le fichier plutôt que de raconter les chiffres de mémoire.

Alimenter le contexte peut être fastidieux. Mais, dans le travail quotidien avec l’IA, c’est la méthode la plus efficace connue pour limiter les inventions – et le chemin le plus court vers des textes qui ressemblent à votre entreprise plutôt qu’à la moyenne d’Internet.

Encore une mauvaise et une bonne nouvelle. Sans entraînement, nous sommes très mauvais pour fournir le contexte. Nous supposons que le modèle sait quelque chose qu’il ne peut pas savoir, puis nous nous fâchons lorsqu’il hallucine. Bonne nouvelle : les structures de prompt résolvent ce problème. Ce sera la troisième compétence.

Le contexte invisible – ce que le modèle va chercher seul

La troisième source est la plus récente et la plus sournoise. Les modèles modernes peuvent sortir de la conversation : effectuer une recherche, lire des pages, se connecter à vos outils grâce à des serveurs MCP. Le Model Context Protocol permet par exemple au modèle d’accéder à votre agenda, votre CRM ou votre messagerie. Tout ce qu’il trouve rejoint la même mémoire de travail que vos consignes. À une différence près : vous ne voyez pas nécessairement comment l’information y est arrivée.

Vous commandez une analyse concurrentielle avant de préparer une offre. Le modèle fouille Internet et revient avec son travail. Sur quoi s’appuie-t-il ? Un rapport sectoriel – ou le message d’un internaute aux opinions fortes et aux sources faibles ? Sans vérification, impossible de le savoir. Prenez donc l’habitude d’une question de contrôle : « Sur quelles sources cette réponse repose-t-elle ? Montrez-moi la liste. » Trente secondes suffisent pour la parcourir. Envoyer à un client une analyse fondée sur une légende de forum coûte davantage.

Conseil pratique : des outils comme ChatGPT proposent des instructions permanentes, que le modèle doit suivre dans chaque nouvelle conversation. Demandez-lui d’y indiquer systématiquement ses sources.

John Lee et Katrina See, spécialistes de la confiance dans l’automatisation, parlent de calibrage de la confiance. L’enjeu n’est ni de faire confiance à la machine, ni de s’en méfier toujours, mais de savoir quand elle mérite votre confiance. Les trois sources donnent une échelle simple. Une réponse issue des poids ressemble à l’avis d’un ami cultivé : intéressante, à vérifier. Une réponse tirée de vos documents est bien plus solide. Une réponse trouvée sur Internet vaut les sources choisies par le modèle : regardez-les.

Un dernier piège : les recherches sur la coopération avec l’IA mettent en évidence un paradoxe de l’explication. Plus le modèle justifie sa réponse avec aisance et abondance, plus nous lui faisons confiance – qu’il ait raison ou non. Nous traitons les humains de la même manière : une explication assurée paraît plus crédible.

Deuxième compétence : passez du chat aux fichiers

Cette compétence exige de revoir ce que signifie « travailler avec l’IA ». La plupart des gens réduisent cela à une fenêtre de chat : écrire une question, recevoir une réponse, la copier dans Word. Or les outils se sont répartis sur trois niveaux, adaptés à trois types de travail.

Le mode chat, c’est la conversation. Le modèle répond en texte, parfois en images. Vous transportez manuellement le résultat ailleurs. Excellent pour réfléchir : chercher des idées de campagne, esquisser une offre, tester des titres, apprendre. Limité si vous attendez un fichier, un tableau ou une présentation.
Le mode tâche travaille directement sur les fichiers. Le modèle accède à un dossier, des documents et des outils ; au lieu d’expliquer ce qui pourrait être fait, il le fait. Dans la vie d’un marketeur : il reçoit un dossier de photos et un CSV, puis rend quatre-vingts descriptions produits. Il reçoit un export de votre plateforme d’e-mailing, puis livre un rapport de segmentation et des recommandations. Il transforme l’enregistrement d’un entretien commercial en note, offre et entrée CRM via MCP. Vous cessez d’être le coursier entre le chat et le reste de l’ordinateur.
Le mode code va plus loin : le modèle peut écrire un programme qui l’aidera à réaliser la tâche. Pour le marketing, appelons cela le niveau avancé. La plupart d’entre nous n’en ont pas besoin.

Le problème : chaque fournisseur donne à ces niveaux des noms différents. Voici l’aide-mémoire au mois de juillet 2026.

OpenAI

Niveau chat : ChatGPT
Niveau tâche : ChatGPT Work depuis juillet 2026 ; auparavant Codex
Niveau code : Codex ou ChatGPT Code

Google

Niveau chat : Gemini
Niveau tâche : Antigravity 2.0 depuis juin 2026 ; auparavant, Google n’avait pas d’outil de ce niveau
Niveau code : Antigravity IDE et Antigravity CLI depuis juin 2026 ; auparavant Gemini CLI

Anthropic

Anthropic a « toujours » regroupé les trois modes dans Claude. Leur emplacement change toutefois beaucoup.

Niveau chat : onglet Home, mode Chat dans la conversation ; avant juillet 2026, onglet Chat
Niveau tâche : onglet Home, mode Cowork ; auparavant onglet Cowork
Niveau code : onglet Code, pratiquement depuis toujours

Cette liste vieillira plus vite que je ne le voudrais. Rien qu’en juin et juillet 2026, presque chaque fournisseur a rebattu ses cartes. Les noms changeront. La distinction chat–tâche–code restera, car elle correspond à trois formes de travail réellement différentes.

Pourquoi considérer le passage du chat au mode tâche comme une compétence à part entière plutôt qu’un détail technique ? Pour deux raisons.

La première est pratique : le gain de productivité n’est pas progressif, c’est un saut. Dans le chat, vous demandez le texte d’un rapport puis le mettez vous-même en forme, paragraphe après paragraphe. En mode tâche, vous obtenez un fichier terminé ; entre-temps, le modèle a lui-même consulté les documents du dossier. C’est la différence entre dicter une lettre et déléguer la correspondance.

La seconde est psychologique. Une étude de Michael Gerlich publiée en 2025, menée auprès de 666 personnes, a établi une corrélation entre usage fréquent de l’IA et faiblesse de la pensée critique. Le mécanisme intermédiaire est la délégation cognitive (cognitive offloading) : confier des opérations mentales à la machine. Cela ressemble à un argument contre l’IA, mais la conclusion est plus subtile. Le problème apparaît lorsque nous lui déléguons la réflexion. Le mode tâche permet de lui déléguer autre chose : l’exécution.

Copier, mettre en forme, coller et ranger des fichiers ne demande pas votre intelligence ; c’est une taxe sur la réflexion. Une automatisation bien utilisée paie cette taxe pour vous. Il vous reste de l’énergie pour décider : à qui parlons-nous, que promettons-nous, qu’est-ce qui nous distingue ? À une condition : vous continuez à prendre ces décisions. En mode tâche, contrôler ce que le modèle introduit dans son contexte devient même plus important, puisqu’il agit plus longtemps et plus seul.

Troisième compétence : construisez vos prompts, ne les collectionnez pas

Reste la compétence par laquelle commencent la plupart des guides – et que j’ai volontairement gardée pour la fin. Un prompt écrit sans comprendre d’où vient le savoir du modèle ni dans quel mode il travaille ressemble à une excellente question posée à la mauvaise personne, dans la mauvaise pièce.

Un bon prompt contient au moins trois éléments.

Le rôle. Lorsque vous écrivez « Vous êtes un stratège e-commerce expérimenté », vous ne jouez pas au théâtre. Vous envoyez le modèle vers une zone précise de son nuage de connaissances. Dans ses poids, les textes de stratèges sont proches les uns des autres. Le rôle tire la réponse de ce voisinage, plutôt que de tout Internet où chacun donne son avis sur la vente.
La tâche. Vous définissez le résultat : ce qui doit être produit, sous quelle structure, pour qui et à quelle longueur. Pas « Écrivez quelque chose sur notre produit », mais « Rédigez trois titres de landing page pour une personne qui nous compare à la concurrence et craint le coût de mise en œuvre. »
L’indice. C’est l’élément le plus souvent oublié : ce qui sort le modèle de l’écriture « comme tout le monde ». L’exemple d’un e-mail qui a fonctionné. Un fragment dans votre style. Un contre-exemple : « Évitez un ton où chaque phrase ressemble à un slogan. » Sans indice, le modèle revient au centre de sa distribution statistique – la langue moyenne d’Internet, celle que vos concurrents obtiennent du même modèle. L’indice signifie : pas de là-bas, d’ici.

Rôle, tâche et indice suffisent pour la plupart des usages quotidiens. Je montre cette logique sur seize cas dans mon article consacré aux prompts ChatGPT pour le copywriting.

Pour une mission plus importante – stratégie de communication, offre destinée à un client clé, plan de campagne –, je recommande la structure CRIT popularisée par Geoff Woods : Context, Role, Interview, Task, soit contexte, rôle, entretien et tâche.

Le troisième élément est le plus intéressant. Dans le prompting classique, vous devinez ce dont le modèle a besoin et entassez tout dans une seule instruction. CRIT inverse les rôles : demandez au modèle de vous interroger d’abord. « Avant de commencer, posez-moi des questions, une à la fois, jusqu’à avoir réuni tout ce dont vous avez besoin. » Il aborde alors ce à quoi vous n’auriez pas pensé : qui décide chez le client, ce que celui-ci a déjà essayé, pourquoi cela n’a pas fonctionné.

Vous répondez à des questions au lieu d’écrire une dissertation.

Et nous revenons à la première compétence. L’entretien complète le contexte visible, sauf que le modèle conduit le processus et signale lui-même les trous dans ses connaissances. Au lieu de confabuler les faits manquants, il les demande. Ces trois compétences ne sont pas des leçons indépendantes. Elles forment un système.

Par où commencer ?

Si l’on me demandait comment travailler avec l’IA et que je ne pouvais répondre qu’en une phrase, ce serait celle-ci : soyez le pilote, pas le passager. Le passager monte, fait confiance et consomme le résultat. Le pilote sait d’où viennent les données de la machine, choisit le mode de vol et indique précisément la destination. Mosier et Skitka nous ont appris ce qui distingue les bons pilotes de l’automatisation : ils sentent que ce sont eux, et non la machine, qui signent le résultat.

Pour aujourd’hui, trois exercices – un par compétence :

Premièrement : interrogez un modèle sur votre entreprise et vos concurrents, sans recherche Internet. Découvrez ce qui se trouve dans ses poids. Puis, avant d’utiliser une réponse devant un client, demandez : « Comment le savez-vous ? Montrez-moi vos sources. »
Deuxièmement : explorez le mode tâche. Ouvrez les outils ou onglets mentionnés. Confiez à un agent une mission qui doit produire de vrais fichiers, par exemple des fiches produits à partir de photos. Familiarisez-vous avec cette façon de travailler : c’est la suite.
Troisièmement : reprenez votre prompt le plus fréquent et vérifiez s’il contient un rôle, une tâche et un indice. Si l’indice manque – c’est généralement le cas –, ajoutez l’exemple d’un texte que vous jugez bon.

Pour aller plus loin, découvrez comment fonctionnent les modèles de langage, ou passez directement à la pratique avec les 16 prompts de copywriting. Pour travailler cette méthode avec votre équipe, consultez mes ateliers. Les sessions en direct ont lieu en anglais ; les supports peuvent être localisés sur demande.