Le mot « avocat » désigne en français un fruit ou un juriste. Comment une IA générative choisit-elle entre les deux ? Et que se passe-t-il quand un calembour active les deux sens à la fois ? Une grille de lecture utile pour tout cadre qui pilote l’usage de l’IA en entreprise.
Le T de ChatGPT renvoie à une rupture architecturale précise, documentée dans un article de quinze pages publié en juin 2017 par Ashish Vaswani et sept co-auteurs chez Google. Le Transformer original a été entraîné en douze heures sur huit GPU. GPT-4, dix ans plus tard, a coûté plus de cent millions de dollars. Cinq ordres de grandeur séparent l’invention de son exploitation industrielle. Cinquième et dernier article d’une série de cinq sur les noms et acronymes de l’IA générative.
Le P de GPT signifie Pre-trained, « pré-entraîné ». Derrière ce mot technique se cache une nature de produit qui ne ressemble en rien à un logiciel classique. On ne corrige pas une IA générative comme on corrige un bug. Quand un éditeur passe de la version 4 à la version 5, il livre un nouveau modèle, pas un correctif. Quatre implications directes pour qui pilote un déploiement IA. Quatrième article d’une série de cinq.
Le G de ChatGPT signifie « Generative ». Mais ce qualificatif n’a de sens que par opposition à d’autres familles d’IA, non génératives, plus anciennes, et toujours au cœur de l’économie numérique : systèmes experts, machine learning classique, deep learning de reconnaissance. Confondre ces deux mondes est un piège fréquent dans les comités de pilotage IA. Troisième article d’une série de cinq.
Le moteur de recherche Perplexity AI doit son nom à une notion technique précise, formalisée en 1977 par des chercheurs d’IBM. La perplexité mesure l’hésitation d’un modèle de langage face au prochain mot à prédire. Comprendre ce qu’elle dit, et surtout ce qu’elle ne dit pas, est utile pour tout professionnel qui pilote des usages d’IA générative en entreprise. Deuxième article d’une série de cinq.
Le chef économiste d’Apollo affirme qu’il n’existe « aucune preuve » de destruction d’emplois liée à l’IA, et convoque un paradoxe vieux de 160 ans pour l’expliquer. Le paradoxe de Jevons, né sur le charbon en 1865, énonce qu’une technologie plus efficace peut augmenter la demande au lieu de la réduire. Reste à distinguer ce que les données disent vraiment, au niveau macro comme au niveau des métiers.
Anthropic a choisi le prénom Claude pour son assistant : un nom humain, sobre, prononçable dans plusieurs langues. Ce choix peut aussi se lire comme un clin d’œil à Claude Shannon, dont les travaux de 1948 sur la théorie de l’information continuent de structurer le fonctionnement des grands modèles de langage. Premier article d’une série de cinq.
La moyenne APEC de 50 % d’usagers réguliers de l’IA chez les cadres est exacte, mais elle agrège des situations très contrastées. Décomposée par âge et par taille d’entreprise, elle dessine une autre réalité : un tissu majoritaire en nombre (TPE-PME) en retard structurel sur la formation, la charte d’usage et la mise à disposition d’outils professionnels. Trois chantiers indissociables, dans un contexte où le shadow AI présente un profil de risque autrement plus inquiétant que les licences pirates d’autrefois. Décodage à partir des données APEC, DGSI et Cisco.
Avec l’IA, la compétence décisive n’est pas seulement de savoir écrire un prompt. Elle consiste à transformer un besoin flou en problème exploitable, à tester les réponses, à relancer avec méthode et à conserver la maîtrise du jugement final.
Toyota rappelle une règle simple : un indicateur ne remplace jamais le réel. À partir de cette leçon de management, cet article montre pourquoi l’IA ne vaut que par la qualité de la donnée, la rigueur de sa gouvernance et la capacité du manager à revenir aux faits.
Les agents IA sont séduisants parce qu’ils promettent d’agir et non plus seulement de proposer. C’est justement ce qui impose aujourd’hui une grande prudence. À partir de l’alerte récente du CERT-FR, cet article défend une ligne claire : oui à l’innovation et aux assistants IA, mais non au déploiement trop rapide d’agents encore insuffisamment mûrs pour un usage professionnel large.
Accenture montre ce que signifie industrialiser l’IA : formation de masse, incitations RH, investissement et refonte organisationnelle. À partir de ce cas, je propose une méthode réaliste pour former et faire adopter l’IA à l’échelle d’une équipe en trois ans.