● Journal du Net 📅 30/03/2026 à 20:28

Géopolitique 👤 Sébastien Tran

🏷️ Tags : chine cert gemini rte

L'IA mal comprise reste un outil subi. Maîtriser ses architectures, ses paramètres et ses workflows, c'est transformer l'ignorance en avantage compétitif. « La plus forte cause d'aliénation dans le monde contemporain réside dans cette méconnaissance de la machine, qui n'est pas une aliénation causée par la machine, mais par la non-connaissance de sa nature et de son essence. » (G. Simondon, Du mode d'existence des objets techniques, 1958) Soixante-dix ans après cette intuition visionnaire, la mise en garde de Simondon n'a jamais été aussi actuelle. L'IA générative est désormais omniprésente — dans les entreprises, les médias, les universités — et pourtant, la grande majorité de celles et ceux qui l'utilisent quotidiennement ignorent ce qu'elle est réellement. Cette ignorance n'est pas anodine : elle conditionne directement la qualité de l'usage, le discernement du professionnel, et in fine, la valeur créée. Le risque n'est pas l'IA. Le risque, c'est de l'utiliser sans la comprendre. Utiliser un modèle de langage sans en connaître les principes fondamentaux — probabilités conditionnelles, fenêtres de contexte, modes d'inférence, coût computationnel — revient à conduire une voiture sans en comprendre ni la mécanique ni le code de la route. On peut avancer, certes. Mais on ne maîtrise rien. On subit. Et l'on passe à côté de l'essentiel : la capacité à tirer le meilleur de la machine, à calibrer ses limites, à en contrôler les effets. Quatre compétences structurantes s'imposent. 1. Comprendre l'architecture des modèles pour choisir le bon outil selon la tâche Tous les modèles ne se valent pas — et surtout, ils ne se ressemblent pas. Un utilisateur qui ignore la différence entre un modèle de raisonnement approfondi — dit frontier model, comme les dernières générations de Claude Opus, GPT-o3 ou Gemini Ultra, actuellement en cours de développement accéléré — et un modèle léger optimisé pour la vitesse et le coût, sera incapable de faire un choix pertinent. Les modèles frontières mobilisent des capacités de raisonnement en plusieurs étapes (chain-of-thought) qui les rendent adaptés à des tâches analytiques complexes : analyse stratégique, revue de contrat, diagnostic organisationnel. En revanche, pour une tâche de reformulation rapide ou de classification, un modèle plus léger sera plus efficace, plus sobre énergétiquement, et économiquement rationnel. Comprendre cette granularité — savoir que chaque appel à un grand modèle consomme des ressources computationnelles et énergétiques significatives, et que cette consommation doit être proportionnelle à la valeur produite — c'est déjà faire preuve de maturité professionnelle. 2. Savoir orchestrer plusieurs IA — et non pas en utiliser une seule La valeur ne réside plus dans l'usage d'un outil isolé, mais dans la capacité à construire des workflows intelligents. Selon McKinsey State of AI 2025, 23 % des organisations ont déjà commencé à déployer des systèmes agentiques à l'échelle dans au moins une fonction — des systèmes capables d'apprendre, de mémoriser et d'agir de manière autonome au sein de paramètres définis. Concrètement, cela signifie apprendre à connecter un modèle d'analyse documentaire, un agent de synthèse, et un outil de vérification factuelle — via des protocoles d'interopérabilité comme le Model Context Protocol (MCP) ou le standard Agent-to-Agent (A2A) — pour produire une analyse qu'aucun des trois ne pourrait générer seul. Ces protocoles permettent à des agents spécialisés de travailler en coordination plutôt que de recourir à des systèmes monolithiques. Un utilisateur qui sait architecturer de tels enchaînements dispose d'une longueur d'avance décisive. 3. Savoir paramétrer l'IA pour en reprendre le contrôle C'est peut-être la compétence la plus méconnue, et pourtant l'une des plus déterminantes. Un modèle non configuré tend à produire des réponses verbeuses, à solliciter des itérations inutiles, à adopter un mode conversationnel qui, s'il est rassurant pour l'utilisateur novice, est chronophage et coûteux — en temps, en tokens, et en énergie. Savoir rédiger un system prompt précis, fixer des contraintes de format, définir un ton et délimiter le périmètre de la tâche : voilà ce qui transforme l'IA en outil de travail rigoureux. De même, des outils comme Claude Code permettent, pour des tâches de production de code ou d'automatisation, d'agir directement en interface avec l'environnement de développement avec une efficience supérieure : moins de tokens consommés, moins d'allers-retours, moins d'énergie dépensée. Éviter que le modèle ne sollicite sans cesse des précisions ou génère des itérations non souhaitées, c'est exercer une maîtrise réelle sur la machine — ce que Simondon appelait la véritable connaissance de son essence. 4. Adopter une posture critique et une agilité face aux ruptures technologiques L'IA génère avec fluidité et parfois avec une fausse assurance. L'hallucination, le biais de confirmation, l'approximation factuelle sont des pathologies structurelles des modèles actuels. Près d'un tiers des répondants à l'enquête McKinsey 2025, conduite auprès de 1 993 entreprises dans 105 pays, déclarent avoir subi des conséquences négatives liées à l'imprécision de l'IA dans leur organisation. Savoir évaluer un résultat, le confronter à d'autres sources, identifier ce que le modèle n'a pas su faire — c'est exercer un jugement que la machine ne peut exercer à notre place. Par ailleurs, l'écosystème de l'IA évolue à une vitesse sans précédent : les outils disponibles aujourd'hui seront dépassés dans dix-huit mois. La compréhension des fondamentaux — plutôt que la maîtrise d'une interface particulière — est ce qui permettra aux étudiants de s'adapter aux prochaines ruptures sans perdre pied. Selon l'enquête de la CGE en 2025, 82 % d’entre eux souhaitent que leur établissement investisse davantage dans des formations autour de l'IA. Ce signal doit être entendu — et traduit en pédagogie exigeante, pas en initiation superficielle. Une responsabilité institutionnelle Simondon appelait à une réconciliation entre la culture humaniste et la culture technique, qu'il voyait comme artificiellement séparées. Cette réconciliation est aujourd'hui une exigence pédagogique. Former des professionnels qui comprennent la nature de l'IA — ses capacités réelles, ses limites, ses coûts, ses logiques internes — c'est leur donner les moyens d'une autonomie véritable. C'est, pour reprendre les termes du philosophe, les prémunir contre l'aliénation. L'avenir ne sera pas aux plus grands consommateurs d'IA. Il sera à celles et ceux qui en auront compris la boîte noire. Sources : McKinsey State of AI 2025 (1 993 répondants, 105 pays) ; Enquête CGE sur l'IA dans les grandes écoles, décembre 2025 (5 069 répondants) ; Gilbert Simondon, Du mode d'existence des objets techniques, Aubier, 1958.

🔗 Lire l'article original 👁️ 2 lectures