C’était un vendredi soir, peu avant la fin de journée. Une analyse de journaux bloquée depuis des heures — des centaines de lignes, un motif évident mais difficile à saisir. J’ai collé la sortie dans un outil d’IA et posé une question. Trente secondes plus tard, la réponse était là : précise, correcte, élégamment raisonnée. Un collègue aurait pris plus longtemps.

Une heure plus tard, je voulais que le même outil réordonne un simple fichier YAML. Il a halluciné un champ qui n’avait jamais existé, a affirmé de but en blanc qu’il était requis, et a reproduit la même erreur quatre fois de suite — alors même que chaque fois je pointais le doigt dessus.

C’est précisément la rupture. La même technologie, à quelques minutes d’intervalle : brillante et bornée. Voyante et aveugle. Ce n’est pas un bug qu’un patch corrige. C’est la nature de cet outil.

La rupture avec tout ce que nous connaissions

Qui a longtemps travaillé avec des machines nourrit une attente stable : le déterminisme. Même entrée, même sortie. Un compilateur fait ce qu’il doit, ou il ne fait rien. Un script plante, déterministiquement, au même endroit.

L’intelligence artificielle rompt ce contrat. Elle produit des réponses différentes à des questions identiques. Elle fabrique des faits — des sources qui n’existent pas, des appels d’API qui n’ont jamais eu lieu, des bibliothèques aux noms plausibles et au contenu inventé. Elle s’obstine sur une erreur même quand on lui présente la preuve. Qui n’a jamais vu cela ne l’a pas utilisée.

Cela irrite. Traiter l’IA comme un moteur de recherche — question dedans, vérité dehors — échouera. La traiter comme un oracle déçoit. Elle n’est ni l’un ni l’autre. Elle est quelque chose de nouveau, et le nouveau doit être compris.

Un outil, pas un oracle

Aussi banal que cela sonne : l’IA est un outil. Et les outils doivent s’apprendre. Personne ne s’installe pour la première fois derrière un volant en espérant conduire avec assurance immédiatement. Personne ne tend une calculatrice à quelqu’un et ne s’étonne que le résultat soit faux parce que la saisie l’était.

Avec l’IA, c’est pareil — sauf que l’interface est le langage naturel, et le langage naturel suggère une familiarité qui n’existe pas.

La qualité de ce que livre une IA dépend crucialement de ce qu’on lui donne et comment. Le meilleur prompt apporte la meilleure réponse. Ce n’est pas une formule magique, c’est un métier : fournir du contexte, poser un cadre, nommer les hypothèses, formuler la tâche avec précision plutôt que vaguement. Question confuse, réponse confuse. Question suggestive — « C’est bien un bug, non ? » — et l’on reçoit assez souvent exactement la confirmation recherchée, indépendamment de sa véracité.

Nous connaissons cela avec les humains. Les questions suggestives entraînent des réponses suggestives. Avec l’IA aussi. La différence : un humain hésiterait, objecterait, demanderait des précisions. L’IA, elle, tend à être complaisante. Ignorer cela, c’est produire des résultats convaincants et pourtant inutilisables.

Le langage naturel n’est pas une liberté donnée aux imprudents

Justement parce que l’interaction se fait en langage naturel, une illusion naît : on ne peut pas vraiment se tromper. Après tout, on parle seulement. On formule, on recommence, on redemande.

Mais c’est l’inverse qui est vrai. Justement parce que la barrière est si basse, beaucoup ne remarquent pas qu’ils peuvent — et devraient — s’améliorer. Les bons prompts sont un savoir-faire. Ils se pratiquent, s’affinent, se systématisent. Prendre le premier résultat acceptable et passer à autre chose laisse du potentiel sur la route. Travailler par itérations, rajouter du contexte, forcer l’IA à expliciter ses étapes améliore nettement les résultats.

Langage naturel ne signifie pas absence de méthode. Cela signifie seulement que la méthode ressemble à autre chose que SQL ou Bash. Disposé à l’apprendre, on tire un véritable bénéfice. Pas disposé, on reste aux anecdotes.

Le bilan écologique — et pourquoi ce n’est pas si simple

Voici maintenant la vérité inconfortable : l’IA consomme de l’énergie. Beaucoup d’énergie. L’entraînement et l’inférence engloutissent de l’électricité à des échelles autrefois réservées à des centres de données entiers. Le nier revient à plaider contre la physique.

Mais ce n’est pas si simple. Premièrement, une bonne part du débat s’appuie sur des chiffres globalisés rarement comparables. Deuxièmement, la consommation par requête baisse à mesure que les modèles deviennent plus petits, quantifiés et spécialisés. Troisièmement — et c’est le vrai point — le problème n’est pas l’IA en soi, mais la manière dont elle est livrée.

Les géants de la techno tentent d’ériger des centres de données colossaux, raccordés à leurs propres réacteurs nucléaires. C’est une mauvaise idée dès le départ. Le nucléaire n’est pas pour moi une voie acceptable — les risques restent non résolus, et le banaliser pour des centres de données fait porter le coût aux générations futures. Mais au-delà de cela, la vraie question n’est pas « d’où vient le courant ? », mais « avons-nous besoin de cette concentration ? ». Exploiter l’IA de façon distribuée, plus légère, plus proche de l’utilisateur rend inutiles les réacteurs à milliards. Mais dans la course entre superpuissances, on bâtit plus grand, pas plus malin.

Cette course est déjà réalité. Elle se nourrit de guerres commerciales, de prestige national et de peur d’être distancé. L’IA y est à la fois bénédiction et fléau : elle accélère la recherche, la médecine, la science des matériaux — et pousse à une course aux armements où la raison perd face à l’échelle. Louer une moitié et ignorer l’autre, c’est parler à côté.

Ce que libcom.de en a fait

J’utilise l’IA depuis des années — non comme expériences mais au quotidien d’une pratique IT. Revues de code, documentation, analyses de journaux, esquisses d’architectures, traduction, explication. De cette pratique viennent deux jugements.

Premièrement : bâtir des connaissances autour de l’IA compte. Savoir ce qu’un modèle sait faire, où il hallucine, comment bien le questionner, quand lui faire confiance et quand non. Ce n’est pas un luxe, c’est devenu une alphabétisation de base.

Deuxièmement — au moins aussi important : il faut savoir quelles offres d’IA utiliser et lesquelles non. Les grands modèles publics sont pratiques, mais ce sont des boîtes noires. Ce qu’on y saisit quitte votre sphère d’influence. Pour une question privée, peu importe. Pour des données clients, des internes, du code source, des configurations, oui.

C’est pourquoi libcom.de exploite aussi l’IA on-premise — localement, sur son propre matériel, sans fuite de données. Plus exigeant qu’un appel d’API. Plus lent, plus cher à acquérir, plus exigeant à maintenir. Mais cela résout le plus gros problème de l’usage de l’IA que personne n’aime nommer : la confidentialité. Nourrir un modèle étranger de données sensibles, c’est avoir déjà cédé le contrôle. Inférer localement, c’est le garder.

Et là devient clair que la question n’est pas « IA oui ou non » mais « quelle IA, où, sous le contrôle de qui ». C’est précisément le travail : non pas vendre un produit mais déterminer ensemble quel déploiement est pertinent — et lequel ne l’est pas.

Si vous vous demandez si et comment l’IA peut être déployée utilement dans votre environnement — on-premise, conforme à la vie privée, sans dépendance aux hyperscaleurs : écrivez à contact@libcom.de. Nous reprenons ça honnêtement. Sans pression commerciale. Avec le regard sur ce qui dure à long terme.

L’IA n’est ni salut ni ruine. C’est un outil — puissant, faillible, à apprendre. Comme tout outil, la main qui le guide décide.