Catégorie : Idées

Révélation : l’IA excelle à imiter, pas à créer ex nihilo.

Comme vos collaborateurs, d’ailleurs. Montrez-leur un modèle excellent, ils le reproduisent. Donnez-leur des consignes floues, ils improvisent… mal.

L’IA fonctionne identiquement. Les meilleurs résultats viennent du « few-shot learning » : donner 1-3 exemples concrets avant votre demande.

Pourquoi ça marche ?

L’IA analyse les patterns dans vos exemples : ton, structure, niveau de détail, format. Elle calibre sa réponse sur cette base, comme un bon collaborateur observant vos standards.

Exemple concret : Au lieu de « Rédige une analyse concurrentielle », donnez : « Voici notre dernière analyse réussie : [EXEMPLE] Maintenant, applique la même méthodologie à notre nouveau concurrent X. »

L’erreur classique ? Croire que l’IA « comprend » intuitivement votre contexte. Faux. Elle interpole à partir de ses données d’entraînement – souvent génériques.

Vos exemples la recentrent sur VOTRE réalité, VOS standards, VOTRE style.

C’est du management 101 appliqué à l’IA : montrer avant de déléguer.

La prochaine fois, sortez vos meilleurs livrables. Ils sont votre meilleur prompt.

L’IA vous déçoit ? Le problème, c’est vous.

Pas par incompétence, mais par flemme. Vous donnez des consignes aussi floues qu’à un stagiaire le vendredi soir : « Fais un truc marketing, tu vois le genre. »

Résultat ? Du générique insipide.

L’IA, comme un bon consultant, excelle avec des instructions précises. Trois éléments non négociables :

• Le Contexte : Situez l’IA dans votre réalité. Taille d’entreprise, secteur, enjeux spécifiques. Sans ça, elle improvise dans le vide.
• Le Rôle : Dites-lui qui elle incarne. Un DRH, un financier, un marketeur ? Chaque rôle a ses codes, son vocabulaire, ses priorités.
• L’Objectif : Soyez mesurable. « Améliorer les ventes » vs « Augmenter le taux de conversion de 12% en 3 mois ». Devinez lequel donne de meilleurs résultats.

The Prompt Report (analyse de 1500+ études académiques) confirme : des ajustements structurés peuvent améliorer la qualité jusqu’à 90%.

Ce n’est pas de la magie, c’est du management. Vous briefez déjà vos équipes ainsi – pourquoi traiter l’IA différemment ?

L’ironie ? Nous passons des heures à briefer nos collaborateurs mais 30 secondes à prompter l’IA. Puis nous nous étonnons des résultats médiocres.

La prochaine fois, prenez 2 minutes pour structurer. L’IA vous remerciera par sa performance

---

Source :

• The Prompt Report: A Systematic Survey of Prompting Techniques (Schulhoff et al., 2024) – https://arxiv.org/abs/2406.06608

Pour finir en beauté cette semaine de démystification : les « capacités émergentes » – le terme qui transforme les effets d’échelle en magie computationnelle.

Le narratif est séduisant : quand les systèmes d’IA grossissent, ils développent spontanément des capacités que personne n’a programmées. Des aptitudes « émergent » de la complexité comme la conscience naîtrait de la matière.

Bullshit total.

Voici la réalité : franchissement de seuils d’utilisabilité.

Tout système computationnel a des capacités qui existent mais sont en deçà de niveaux de qualité utiles. Quand vous ajoutez plus de paramètres, de données d’entraînement et de puissance de calcul, certaines de ces capacités passent de « techniquement possible mais inutile » à « réellement fonctionnel ».

Les capacités n’émergent pas – elles étaient toujours mathématiquement possibles dans l’architecture du système. Elles étaient juste nulles jusqu’à atteindre l’échelle suffisante pour devenir utilisables.

C’est comme prétendre que des « capacités de conduite émergent » quand vous mettez enfin assez d’essence dans votre voiture pour démarrer le moteur. La voiture était toujours capable de rouler – elle avait juste besoin de carburant suffisant pour fonctionner.

Pareil pour l’IA. Les opérations mathématiques pour le raisonnement complexe existent aussi dans les petits modèles. Elles ne sont simplement pas fiables ou utiles jusqu’à atteindre l’échelle suffisante.

Cette semaine, nous avons démonté cinq termes qui mystifient l’ingénierie de base. Le pattern est constant : prendre du progrès technique normal, l’enrober de métaphores biologiques/cognitives, et soudain vous avez des percées révolutionnaires.

Comprendre vaut mieux que mystifier. À chaque fois.

La « frontière dentelée » ou quand Harvard découvre les données d’entraînement

Aujourd’hui, le pompon : la « frontière technologique dentelée » (jagged frontier).

Des chercheurs de Harvard ont découvert que l’IA performe de manière inégale. Brillante en écriture créative, nulle en maths de base. Excellente pour générer des idées, catastrophique en raisonnement logique.

Leur conclusion révolutionnaire ? Les capacités de l’IA forment une « frontière dentelée ».

Permettez-moi de vous révéler le secret : ils ont testé l’IA sur des tâches où elle avait de bonnes données d’entraînement versus des tâches où elle n’en avait pas. Surprise – elle performe mieux sur le premier groupe.

N’importe quel ingénieur ML aurait pu leur dire ça. Les capacités de l’IA reflètent directement la distribution des données d’entraînement.

• Beaucoup d’exemples = bonne performance.
• Peu d’exemples = performance médiocre.
• Cas limites = résultats imprévisibles.

L’étude de Harvard a essentiellement conçu des tâches pour faire échouer l’IA, puis a exprimé sa surprise face aux échecs. Ils ont créé des exercices nécessitant la synthèse de données numériques avec des indices contextuels subtils enterrés dans du texte – exactement le type de raisonnement multi-modal avec lequel les architectures actuelles peinent.

Cette « frontière dentelée » n’est pas mystérieuse – c’est le résultat prévisible de la façon dont ces systèmes sont construits. Comprendre la méthodologie d’entraînement vous donne un véritable pouvoir prédictif sur le comportement de l’IA.

Le terme sert le complexe consultant-académique qui a besoin de conférences et d’heures facturables.

Demain : les « capacités émergentes » – le boss final de la mystification IA.

Après les prompts et l’attention, attaquons-nous au « chain-of-thought reasoning » – le terme qui transforme la génération de texte en méditation philosophique.

La découverte initiale est réelle : quand on demande à l’IA de « réfléchir étape par étape » ou « montrer son raisonnement », les réponses s’améliorent drastiquement. Les chercheurs y ont vu une révolution cognitive.

Erreur d’interprétation massive.

Voici la réalité : le modèle génère du texte intermédiaire qui corrèle avec de meilleures réponses finales. Il ne raisonne pas – il produit du pattern matching verbeux.

Analogie : un étudiant qui écrit les étapes d’un calcul ne raisonne pas forcément mieux, il suit juste un format qui réduit les erreurs. Pareil pour l’IA.

Le modèle a appris que certains patterns textuels (structures étape-par-étape) apparaissent près des bonnes réponses dans les données d’entraînement. Quand il génère ces patterns, il touche plus souvent dans le mille statistique.

C’est de l’autocomplete sophistiqué, pas du dialogue socratique.

Cette confusion sémantique crée des attentes délirantes. On s’attend à une compréhension profonde alors qu’on a affaire à de la génération structurée qui corrèle avec la précision.

Le vrai breakthrough ? La verbosité améliore l’exactitude. C’est de l’ingénierie utile, même si ce n’est pas du raisonnement.

Comprendre cette distinction change tout : vous ne demandez pas à l’IA de penser, vous lui demandez de générer dans un format qui corrèle avec la justesse.

Demain : la « jagged frontier » ou comment les mots cachent la réalité des données d’entraînement.