Challenger l'IA pour en faire un outil de travail — pas l'inverse

Qu'est-ce qu'un modèle de langage ? Qu'est-ce qu'un agent — et pourquoi c'est fondamentalement différent ? Où l'automatisation classique s'arrête et où l'IA commence. Ce module pose le cadre commun sans lequel tous les suivants restent flous.

Fonctionnement réel des modèles de langage, hallucinations, fabrication silencieuse. Pourquoi une confiance aveugle est dangereuse en contexte commercial. RGPD et souveraineté des données.

On prompte comme on parle : les modèles récents n'exigent plus de formule. Ce qui change vraiment le résultat — le contexte fourni, les exemples donnés, et la capacité à corriger en deux ou trois allers-retours plutôt qu'à chercher la phrase parfaite. Ce qui relève du folklore — les formules magiques, les rôles imposés, les incantations qui circulent en ligne. Et la question honnête : dans quels métiers la précision d'un prompt reste décisive, et pourquoi ce n'est pas le vôtre.

Un prompt utilisé une fois et jamais repris est du travail perdu. Comment une organisation conserve sa façon de dire les choses — charte graphique, charte verbale, tournures maison — et la transmet à ceux qui arrivent. Pourquoi un fichier texte de prompts ne sert à rien : un prompt se juge à son résultat, et un document n'en montre aucun. L'anatomie d'un prompt réutilisable : la part fixe, les champs qui varient. Démonstration d'un générateur en production.

Données clients, données fournisseurs, données personnelles : ce qu'on peut envoyer à un modèle IA et ce qu'on ne peut pas. Souveraineté numérique, stockage hors UE, responsabilité en cas de fuite. Les outils souverains (Albert, Mistral) et pourquoi ils changent la donne pour les entreprises françaises.

Interroger un fichier de ventes en langage courant : ce qui monte, ce qui décroche, ce qui se vend ensemble. Construire la question avant d'attendre la réponse. Et le réflexe décisif — vérifier le chiffre que l'IA vous donne, parce qu'un modèle qui additionne mal ne le signale jamais. C'est le cas d'école du module 01, appliqué cette fois à vos propres données.

Ce que l'IA accélère réellement : le dégrossissage, la structuration, la mise en forme. Ce qu'elle fabrique dès qu'on la laisse faire : la taille de marché plausible mais fausse, le concurrent inventé, la statistique sans source, la citation qui n'existe pas. Obtenir d'un modèle qu'il structure au lieu d'affirmer. Recouper, sourcer, dater. Ce qui est public, ce qui est payant, ce qui est périmé.

Construire une base de prospects qualifiés depuis des sources publiques. Segmentation, scoring, personnalisation à l'échelle — et ses limites.

Transformer des comptes rendus de visite en connaissance exploitable. Pourquoi un CRM se remplit mal — et comment y remédier avec l'IA. L'outil se construit sur ordinateur et s'utilise au téléphone, en clientèle.

Le module précédent dit à qui parler ; celui-ci dit quoi leur dire. Rédaction assistée, adaptation du message au segment, cohérence de marque d'un canal à l'autre. Ce qui se voit immédiatement — et ce qui décrédibilise.

L'IA depuis son téléphone, en situation réelle. Analyser un prospect avant un rendez-vous en quelques minutes. Se renseigner sur un client à la volée lors d'un salon. Générer un pitch commercial personnalisé pendant la phase de découverte.

Brochures, pitchs, présentations : comment l'IA produit du générique, et comment l'éviter. Passer d'un rendu « fait avec l'IA » qui dégrade l'image de marque à un support professionnel distinctif.

Un texte, une image, un code ou un logo généré par IA est-il protégeable ? Ce que dit le droit français et européen. Comment protéger une création hybride et documenter sa contribution créatrice.

Relances, devis, suivi d'affaires. Où l'automatisation gagne du temps, où elle en fait perdre. Identifier les tâches à ne jamais déléguer à une machine.

Compter les appels, les tarifer, mesurer le temps réellement gagné, et trancher. Ce que devient un coût par exécution multiplié par un usage quotidien. Les faux gains : le temps de vérification, le temps de reprise, le temps d'apprentissage. Certains outils construits pendant le cours ne passeront pas le test — et c'est le résultat le plus utile de la séance.

Le projet se mène en travail personnel, hors séance, sur le cas pratique retenu — compter 12 à 15 heures pour construire l'outil et préparer sa présentation. La soutenance valide les acquis : trente minutes de présentation, vingt minutes de questions. L'étudiant montre son outil en fonctionnement, puis explique ce qu'il y a derrière — arborescence, automatisations, appels d'API. Individuelle ou collective, au choix ; les deux formats peuvent coexister dans une même promotion. Le volume dépend de l'effectif : une soutenance par étudiant, ou par groupe de quatre à cinq en grande promotion. Les livrables sont remis selon un cahier des charges fourni — application, export JSON, formats de fichiers définis — de sorte que les critères soient identiques pour tous.