Il y a quelques semaines, en comité de pilotage chez un client, quelqu’un a proposé de « mettre un agent là-dessus ». Tout le monde a hoché la tête. En faisant le tour de table, j’ai découvert que les six personnes présentes avaient six définitions différentes du mot. Pour l’un, c’était un chatbot. Pour un autre, une automatisation Power Automate. Pour le DSI, un service qui appelle des API. Pour la direction métier, quelque chose qui « remplace une personne ».
Le projet a été validé ce jour-là. Il a dérivé pendant quatre mois.
Ce n’est pas une anecdote isolée. Dans l’adoption de l’IA générative, le malentendu de vocabulaire coûte systématiquement plus cher que la technologie. On ne se dispute pas sur des outils, on se dispute sur des mots qu’on croit partager. Voici les cinq confusions que je rencontre le plus, et ce qu’elles font rater concrètement.
1. Le mot « IA » ne veut plus rien dire
L’intelligence artificielle a soixante-dix ans. Votre filtre anti-spam, la lecture automatique de vos factures, le score de risque de votre banque : tout cela est de l’IA, et tout cela tourne en production depuis des années sans que personne n’ait organisé de séminaire.
Ce qui est nouveau depuis 2022, c’est l’IA générative : celle qui produit du contenu neuf au lieu de ranger le monde dans des cases. Sa mécanique tient en une phrase. Elle prédit, mot après mot, la suite la plus vraisemblable compte tenu de ce qui précède. Rien de plus.
Annoncer « nous faisons de l’IA » ne porte donc aucune information. Les seules questions utiles sont : quelle tâche, quelles données, quelle décision, et qui en répond.
2. Le moteur et la voiture
C’est la confusion la plus fréquente, et la plus coûteuse en réunion de choix d’outil.
Un modèle (GPT-5, Claude, Gemini, Mistral) est un moteur. Un produit (Microsoft 365 Copilot, ChatGPT Entreprise, Gemini) est un modèle, plus une interface, plus vos droits d’accès, plus des connecteurs vers vos données, plus des garde-fous et une facturation.
La conséquence pratique : comparer Copilot et ChatGPT sur la qualité de rédaction n’a pas de sens. Ils reposent souvent sur la même famille de modèles. Ce qui les sépare, c’est l’accès à vos documents et à votre annuaire. J’ai vu des comparatifs d’outils de quarante lignes qui notaient la « qualité du français produit » et oubliaient la seule ligne qui décide : à quoi le produit a-t-il le droit d’accéder chez vous.
3. « On va mettre un agent là-dessus »
Trois objets différents portent ce nom dans la plupart des réunions.
- Un chatbot : vous demandez, il répond, vous exécutez.
- Un agent : vous fixez un objectif, il choisit les étapes, utilise des outils et boucle jusqu’au résultat.
- Une automatisation : un enchaînement déclenché sans vous, avec ou sans IA à l’intérieur.
Un agent, au sens strict, c’est un modèle à qui l’on donne trois choses : un objectif plutôt qu’une question, des outils, et le droit de boucler, c’est-à-dire d’agir, d’observer le résultat, de se corriger et de recommencer.
Sans outils et sans boucle, ce n’est pas un agent, c’est un assistant avec une belle consigne.
Cette distinction n’est pas de la sémantique. Elle déplace le point de contrôle. Avec un assistant, vous relisez un texte. Avec un agent, vous encadrez une trajectoire : quels outils il a le droit d’utiliser, sur quel périmètre, et à quel moment une validation humaine s’impose avant une action irréversible. Ce sont deux projets de nature différente, avec deux niveaux de risque différents.
4. Le test qui évite d’acheter de l’IA pour rien
Corollaire direct du point précédent, et probablement le conseil qui fait économiser le plus d’argent.
Une automatisation classique exécute des règles : déclencheur, condition, action. « Quand un formulaire est soumis, si le montant dépasse 5 000 euros, créer une tâche et notifier le directeur. » C’est déterministe, traçable, auditable et quasi gratuit. Une grande part des gains de productivité d’une PME est là, et ne demande aucune IA.
L’IA gagne sa place quand aucune règle ne tient. « Quand un mail arrive sur l’adresse de contact, déterminer s’il s’agit d’une réclamation, d’une demande de devis ou d’un spam, en extraire le besoin, puis router. » Aucune liste de mots-clés n’aurait fait cela correctement.
D’où le test : essayez d’écrire la règle. Si vous y arrivez, automatisez sans IA. Si vous n’y arrivez pas parce que l’entrée est du texte libre, flou ou variable, alors l’IA a sa place. Mettre un modèle de langage dans un processus qui fonctionnait avec une simple condition, c’est ajouter du coût, de la latence et de l’imprévisibilité pour rien.
5. Le vocabulaire qui décide de votre facture
Trois mots reviennent dès qu’on parle budget, et ils sont presque toujours mal compris.
Le token est l’unité que le modèle lit réellement : un fragment de mot. En français, comptez environ 100 tokens pour 75 mots. Tout se compte en tokens, le prix comme la vitesse. Budgéter en « nombre de questions par mois » n’a donc aucun sens, puisque deux questions peuvent coûter mille fois l’une l’autre selon les documents qu’on y attache.
La fenêtre de contexte est la mémoire de travail du modèle. Contresens classique : ce n’est pas de la mémoire. À chaque message, on lui renvoie toute la conversation depuis le début. Il ne se souvient de rien, on lui relit son cahier à chaque fois. Quand la fenêtre sature, le plus ancien tombe, et la conversation « perd le fil ».
L’effort est le réglage qui détermine combien le modèle a le droit de réfléchir avant de répondre. Côté rapide, quelques secondes. Côté approfondi, il explore, recoupe et se relit : plus lent, plus cher, nettement plus fiable sur les tâches complexes. L’interface le dit sans détour, un effort plus élevé est plus rigoureux mais consomme plus. Ce réglage se choisit par tâche, jamais une fois pour toutes. Rester au minimum partout conduit à conclure à tort que « l’IA n’est pas au niveau ». Rester au maximum partout fait exploser la facture sur des broutilles.
Et l’hallucination, qui n’est pas un bug à corriger
Un mot enfin sur celui que tout le monde emploie et que peu situent correctement.
Une hallucination, c’est une affirmation fausse énoncée avec exactement le même aplomb qu’une affirmation vraie. Ce n’est pas un défaut de jeunesse que la prochaine version corrigera, c’est structurel. Le modèle optimise la vraisemblance du texte, jamais sa véracité. Une référence inventée ressemble trait pour trait à une vraie, et rien dans sa mécanique ne distingue les deux.
On réduit le risque en lui fournissant les sources au lieu de les lui demander, en exigeant la citation exacte, en l’autorisant explicitement à répondre « je ne sais pas », et en montant l’effort sur les sujets à enjeu. On ne le supprime pas. La relecture humaine reste obligatoire sur tout ce qui sort de l’entreprise ou vous engage.
Et le corollaire qu’on oublie toujours : fournir les sources, c’est brancher l’IA sur vos documents. C’est ce qu’on appelle le RAG, et c’est exactement ce que fait Copilot avec vos fichiers. Cette mécanique hérite de vos droits d’accès et de votre désordre. Un document obsolète, mal rangé ou partagé trop largement ressortira dans les réponses avec l’autorité d’une source officielle. La réussite d’un déploiement Copilot est d’abord une affaire de gouvernance documentaire, pas d’IA.
Mettre tout le monde au même niveau, avant la réunion
Ces malentendus ne se règlent pas par une note de service. Ils se règlent en donnant à chacun les mêmes définitions, avec les mêmes exemples, avant la réunion de cadrage plutôt qu’après.
C’est pour cela que j’ai construit une page de référence visuelle qui reprend ces douze notions en les montrant directement sur une interface d’IA générative, plutôt qu’en les définissant dans le vide : comprendre l’IA générative en 12 notions. Prompt, token, contexte, effort, agent, RAG, hallucination : chaque notion est rattachée à l’endroit de l’écran où elle se manifeste. Vous pouvez l’envoyer telle quelle à vos équipes avant un atelier.
Si vous préparez un déploiement Copilot ou un premier cas d’usage et que vous voulez cadrer le sujet avec les bons mots, écrivez-moi, on en parle trente minutes.