Cet article est payant.
Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
La newsletter du samedi matin reste gratuite.

Les annonces de disparitions de métiers entiers et de suppressions de postes liées à l’IA se sont multipliées ces dernières années et encore accélérées ces derniers mois. Au point de réussir à former le récit dominant sur les réseaux et dans les médias, influençant même les plus sceptiques : l’IA serait sur le point de transformer radicalement le marché du travail. Cela se conçoit aisément et c’est une idée assez banale dans nos esprits quand on parle d’une innovation technologique de cette ampleur.

Mais surtout, selon une majorité d’observateurs et d’acteurs, la vraie spécificité de l’époque actuelle liée à “l’IA” serait le rythme inédit de la transformation du travail et de son marché. Bien plus rapide qu'avec l'apparition de l’informatique ou l’arrivée d’internet. Un véritable tsunami pour reprendre l’image la plus diffusée et galvaudée.

Alors chacun y va de son “étude” et de ses “observations”. Selon les données du cabinet Challenger, Gray & Christmas, l’IA aurait causé en 2025 sept fois plus de licenciements aux US que les droits de douane imposés par l’administration américaine, qui ont pourtant été identifiés comme un facteur majeur de perturbation économique. Les suppressions de postes dues à l’IA seraient au nombre de 55 000 contre un peu plus de 7 000 attribuées à la politique des droits de douanes.

On peut noter au passage, toujours dans cette même étude, que les suppressions pour cause d’IA représentent 5% du total global. Le motif le plus cité était de loin les coupes du DOGE (plus 293 000), suivi des conditions de marché (253 000), des fermetures de sites (191 000) et des restructurations (133 000). L'IA fait les gros titres, mais reste un motif minoritaire dans les données globales. Ce qui nous montre déjà ici une disproportion entre les discours généralement partagés et les données. De là à penser que “l’IA” est un bon prétexte pour certains, il n’y a qu’un pas.

Et puis très souvent dans les images véhiculées actuellement, il y a les comparaisons : avec la Première Révolution industrielle, avec l’expansion de la mécanisation et de la robotisation dans les usines, ou encore l’arrivée de l’informatique ou d’internet. Des comparaisons qui se banalisent partout, dans tous les discours, de la revue spécialisée au journal de 20h en passant par nos réseaux sociaux. Les travailleurs du savoir et de la “création”, les fameux cols blancs, comme les enseignants, chercheurs, analystes, consultants, rédacteurs, créatifs, etc., s’interrogeant publiquement sur l’avenir et la pérennité de leurs métiers, voire la disparition programmée de leur catégorie professionnelle. Et ce n’est pas la mise en lumière médiatique ces derniers jours de la dernière étude prospective en France, publiée par la Coface et l’Observatoire des emplois menacés et émergents, qui va à l’encontre de ce discours ambiant et anxiogène.

Pourtant, une série de travaux publiés depuis le début de l’année 2026, s’appuyant sur des données empiriques plutôt que sur des projections et des sentiments de prospective, dessine un tableau sensiblement différent.

Non pas que l’IA soit sans effet. Loin de là. Les premiers signaux existent - et je fais partie de ceux qui les ressentent et les observent au quotidien dans les différents types d’organisations que j’accompagne. Les jeunes entrant sur le marché du travail dans les métiers dits exposés, comme l’informatique par exemple, le vivent aussi au quotidien.

Mais l’écart entre le discours ambiant, et ce que mesurent réellement les chercheurs mérite qu’on s’y attarde quelques minutes. Pourquoi diable ce qui nous paraît un tsunami n’est toujours pas visible dans les chiffres macro au bout de 3 ans ?

Il faut bien le constater : la réalité vécue par de nombreuses entreprises dites “legacy” en matière d’emploi et de marché du travail face à l’IA est assez éloignée de celle décrite ou espérée par certains experts en prospective.

L’IA peut très bien ne pas produire encore de choc massif sur l’emploi total tout en modifiant déjà en profondeur la géométrie du marché du travail. Elle peut toucher d’abord les embauches plus que les licenciements, les juniors plus que les seniors, les tâches plus que les intitulés de poste, les compétences demandées plus que les volumes d’emploi.

Le vrai risque n’est peut-être pas de manquer une apocalypse, mais de passer à coté d’une transformation plus lente, plus sélective, et donc plus facile à sous-estimer.

Sommaire:

1. L'adoption réelle de l’IA en entreprise : large en surface, superficielle en profondeur

2. L'emploi : toujours pas de rupture visible à l'échelle macro

3. Là où le réel signal émerge : les jeunes travailleurs a.k.a. les canaris de notre mine

4. Le paradoxe de la productivité, saison 2

5. Ce qui manque : une infrastructure de mesure à la hauteur de l'enjeu

6. Que retenir ?

Note : les sources citées et utilisées sont regroupées à la fin de cet article.

Ces sources sont principalement axées sur le marché du travail et les entreprises US.

A noter que le travail essentiel fait par le LaborIA de l’INRIA, avec à sa tête Yann Ferguson, son directeur scientifique, porte plus sur le terrain qualitatif, c’est à dire l'expérience vécue des travailleurs, et peu sur les courbes d'emploi.

L'adoption réelle de l’IA en entreprise : large en surface, superficielle en profondeur

Le premier décalage observé concerne l’adoption de “l’IA” elle-même.

Read more

Entretien réalisé le 2 mars 2026

Le token est devenu le baril de pétrole du numérique

Au début du mois de mars, j’ai eu le plaisir d’échanger avec Sacha Morard, co-fondateur de Edgee et ancien CTO et membre du Comex du groupe Le Monde. Sacha a un profil qu’il qualifie lui-même de builder : quelqu’un qui n’a jamais vraiment cessé de construire, même aux responsabilités les plus élevées. Depuis 2 ans, il est à la tête d’Edgee, avec son associé Gilles Raymond, un projet qui s’attaque à un problème que beaucoup d’entreprises ont encore du mal à nommer : le coût des tokens.

De la bande passante au token : trois âges du numérique

Pour comprendre le positionnement d’Edgee, Sacha pose d’emblé le contexte. Le modèle économique du numérique a traversé trois âges :

• la bande passante (CDN, Akamai, Cloudflare)

• le computing (AWS, Azure, Google Cloud)

• et maintenant le token.

« Depuis 2 ans, 3 ans, on est sur une nouvelle économie, un pilier économique qui est celui du token », résume-t-il. Le token, cette unité de base avec laquelle les modèles de langage découpent et facturent chaque requête, est devenu la monnaie de référence d’une économie entière, et sa gestion, un enjeu opérationnel que peu d’entreprises maîtrisent encore.

La facture est loin d’être anecdotique. « Je rencontre tout le temps des entreprises qui payent des 25, des 50, des 100 000 euros par mois en consommation de tokens. » Et contrairement à ce que les tarifs d’abonnement grand public pourraient laisser croire, les providers eux-mêmes ne sont pas à l’équilibre : « C’est pas parce que vous achetez un plan à 20 € chez OpenAI qu’OpenAI arrive à faire de l’argent avec ce truc-là. »

Une bombe à retardement pour les deux côtés de la chaîne.

Edgee : un proxy pour les LLM

Edgee se définit comme un dev tool, un outil pour développeurs, qui joue le rôle de proxy multi-LLM. L’analogie de Sacha est limpide : « C’est un peu comme le système de carte bancaire, mais pour les IA. »

Un développeur se connecte une fois à Edgee et peut adresser des requêtes à OpenAI, Anthropic, Gemini ou tout autre provider, sans changer d’interface. Plus besoin de recoder les intégrations à chaque changement de modèle.

À cela s’ajoutent deux autres piliers :

• un système d’arbitrage : un modèle de machine learning entraîné pour décider, requête par requête, vers quel LLM router en fonction du coût et de la performance attendue.

• et un volet souveraineté : la possibilité d’héberger des modèles open source (Mistral, DeepSeek…) sur des infrastructures européennes comme Scaleway et OVH, choisies selon les besoins du client.

La token compression : le cœur du réacteur

C’est la compression de tokens qui constitue l’innovation propriétaire centrale. Pour comprendre son utilité, il faut saisir un mécanisme souvent invisible : à chaque requête, le modèle reçoit non seulement la question posée, mais l’intégralité du contexte accumulé : l’historique de la conversation, les fichiers ouverts, les préférences connues de l’utilisateur. « Au plus vous êtes fidèles avec ces IA, au plus vous consommez ces tokens. »

Edgee intervient en amont : la plateforme analyse ce contexte en temps réel et en supprime les éléments redondants ou inutiles. « C’est pas ce qu’on appelle la summarization, on ne vient pas prendre un prompt et on le résume pas. On vient faire de l’analyse sémantique de chacun des tokens pour savoir s’ils sont efficaces ou pas utiles. » Avant d’envoyer la version compressée, le système calcule l’écart sémantique entre le prompt original et le prompt allégé. Si l’écart dépasse un seuil critique, la compression est abandonnée et le prompt original est envoyé. Ce garde-fou garantit, selon Sacha, une qualité de réponse identique. Le taux de compression annoncé : jusqu’à 50 %, particulièrement efficace sur les assistants de code (Claude Code, Cursor, Codex) et les agents autonomes.

Au-delà de la compression, Edgee propose un système de tags qui permet à chaque requête d’être étiquetée par usage. Résultat : une observabilité fine des coûts par produit, par service, par équipe. Une visibilité que la plupart des organisations n’ont pas aujourd’hui.

Le développeur augmenté et le tsunami qui s’ensuit

Notre conversation dérive alors naturellement vers une question plus large : qu’est-ce que ces outils changent concrètement pour quelqu’un qui code ? La réponse de Sacha est sans ambiguïté. « Il m’arrive très rarement d’écrire moi-même une ligne de code, et je le dis avec aucun complexe, parce que pour autant, j’ai l’impression d’avoir acquis des super pouvoirs. Des choses qui m’auraient pris 6 mois à faire, aujourd’hui en une semaine je les ai faites. »

L’exemple qu’il choisit est parlant : quand il était au Monde, un projet de traduction automatique avec DeepL avait pris cinq mois. Aujourd’hui, il l’exécuterait seul en deux semaines. Ce glissement n’est pas seulement une question d’efficacité personnelle, c’est une menace structurelle pour des catégories entières de startups spécialisées dans des tâches que les LLM généralistes absorbent désormais. « Je n’aurais même plus besoin de DeepL. »

Il note aussi que le niveau d’entrée pour accéder à ces capacités s’abaisse rapidement. Posséder une culture informatique solide reste un avantage, mais ce n’est plus le prérequis qu’il était il y a encore six à huit mois.

Ce qu’un pivot apprend sur le marché

Edgee n’est pas née telle quelle. Sacha raconte l’histoire d’un pivot : la première version d’Edgee s’attaquait à un problème de collecte de données vécu directement au Monde : un problème réel, une technologie solide, mais un marché qui ne répondait pas. Trop de concurrence installée, trop de budgets absorbés par l’IA. « On est arrivés probablement un peu trop tard sur le marché. »

La méthode de recentrage est intéressante en elle-même : l’équipe a formulé quatre hypothèses de pivot, codé un questionnaire en ligne avec l’aide d’un LLM, l’a adressé à 150 directeurs techniques, recueilli 50 réponses, et choisi l’hypothèse la mieux étayée. Une démarche de discovery accélérée par les outils qu’Edgee cherche précisément à optimiser.

Le conseil qu’il laisse aux entrepreneurs suit la même logique : utiliser l’IA dès le départ pour prototyper rapidement, mais ne jamais court-circuiter la phase de terrain. « On n’a jamais assez d’informations provenant du marché quand on a sorti un produit. On en a jamais eu assez, jamais. »

Temps de lecture : 14 mins

Read more

Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte

Read more

Cet article est payant.
Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
La newsletter du samedi matin reste gratuite.

Le vrai détenteur du pouvoir sur le marché de l’IA, c’est celui qui mesure

LMArena, qui un temps fût nommé Chatbot-Arena, c’est au départ un truc assez simple pour mettre en compétition de manière directe des modèles entre eux, en effectuant des “mesures” plus proches de la perception et des “goûts” des utilisateurs vs les benchs automatisés. En gros c’est un système de vote, où l’on propose à l’utilisateur deux réponses à un même prompt provenant de deux modèles différents, puis l’utilisateur vote pour la “meilleure” réponse, et ça finit en classement.

Cette plateforme issue du monde universitaire a été transformée en 4 mois en un produit vendu aux entreprises… et ils viennent d’annoncer une levée de 150 millions de dollars, pour une valorisation totale de 1,7 milliard.

Mais, ici, en vrai, le sujet n’est pas cette levée et cette valorisation. C’est le rôle que prend celui qui “mesure”, c’est à dire le rôle que LMArena tente de prendre sur le marché de la décision.

Read more

Cet article est payant.
Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
La newsletter du samedi matin reste gratuite.

Les nouveaux moteurs de recherche : un monde où la réponse remplace le clic

En un peu plus de 30 ans, la recherche sur Internet est passée d’un annuaire maintenu par des humains (coucou Yahoo!) à une liste de dix liens bleus classés suivant un algorithme de pertinence “mécanique”, pour arriver actuellement à un écosystème beaucoup plus complexe, où cohabitent résultats classiques, résumés générés par l’IA et chatbots conversationnels. Cette évolution n’est pas qu’une curiosité technologique, elle bouscule les cartes de la visibilité, de l’acquisition de trafic et, plus largement, de la façon dont les utilisateurs accèdent à l’information et au savoir.

Avec l’arrivée des LLM, une cohabitation entre trois grands formats de “présentation des résultats” de recherche se dessine désormais devant nous :

• la SERP traditionnelle, où le moteur reste un “simple intermédiaire” vers les sites

• les AI Overviews, où une réponse synthétique est directement produite au-dessus des résultats

• et la recherche conversationnelle, où l’on dialogue avec un agent en langage naturel pour construire progressivement la bonne réponse.

Derrière ces expériences utilisateur très différentes et souvent mêlées, on retrouve pourtant une même logique : donner la meilleure réponse et combiner la puissance des modèles de langage avec des sources externes (web, bases de contenus partenaires) pour produire des réponses à la fois pertinentes, à jour et vérifiables.

L’objectif de cet article est de clarifier ces nouveaux formats, d’expliquer au moins en partie ce qu’il se passe sous le capot (réécriture de requêtes, retrieval hybride, re-ranking, génération “groundée”), et de montrer en quoi ces transformations changent profondément la manière de penser le référencement, la notoriété de marque, la détention de la valeur de la réponse et globalement la relation aux moteurs de recherche.

Sommaire

• Les 3 formats de recherche moderne : SERP, résumés IA et conversation

  • La SERP classique : les résultats organiques traditionnels

  • Les AI Overviews : la réponse instantanée générée par l’IA

  • La recherche conversationnelle : le dialogue itératif homme-machine

• Sous le capot des moteurs de recherche IA : un pipeline

  • Analyse et récriture intelligente de la requête : query processing, query rewriting et query fan-out

  • Recherche de documents : retrieval

  • Reclassement précis : re-ranking

  • Génération d’une réponse “ancrée” avec sources : grounding with search

I. Les 3 formats de recherche moderne : SERP, résumés IA et conversation

L’intégration de l’IA et des LLM a fait émerger trois grands formats distincts de recherche sur Internet, qui coexistent aujourd’hui et offrent des expériences utilisateur différentes. Il me semble important de bien distinguer ces formats, car chacun influence la visibilité des contenus d’une manière spécifique.

Voici un rapide tour d’horizon de ces trois paradigmes afin de comprendre leurs différences sans entrer dans le détail technique du fonctionnement interne .

1. La SERP classique : les résultats organiques traditionnels

Le format historique de la recherche en ligne est la SERP classique : Search Engine Results Page traditionnelle. Sur cette page, le moteur affiche une liste de liens vers des contenus web pertinents, accompagnés de courts extraits (snippets) et éventuellement de fonctionnalités enrichies (extraits optimisés, encadrés d’information du Knowledge Graph, etc.).

L’objectif principal de ce format est de fournir un point de départ vers l’information : l’utilisateur formule sa requête, puis clique sur l’un des résultats pour consulter le contenu sur le site tiers. En d’autres termes, le moteur de recherche agit en tant qu’intermédiaire qui redirige du trafic vers les sites web externes (on parle de génération de clics). Le succès de la SERP classique se mesure donc en termes de taux de clic (CTR) et de trafic référent envoyé aux éditeurs de contenu.

Ce modèle a prévalu pendant des décennies et reste encore très présent. Par exemple, une requête simple comme « météo Paris » ou « capitales de l’Europe » affichera typiquement en tête un extrait instantané, mais surtout une série de liens bleus vers des sites (météo, encyclopédies…) : il appartient alors à l’utilisateur de choisir un résultat et de cliquer pour obtenir sa réponse complète.

La SERP classique est ainsi caractérisée par une interaction ponctuelle et un contrôle utilisateur fort : c’est l’internaute qui décide quel lien consulter, et c’est sur le site visité que l’expérience se poursuit (lecture d’un article, achat sur un e-commerce, etc.). Pour les marques et éditeurs, ce format offre historiquement une visibilité mesurable (position dans les résultats) et la possibilité d’attirer directement l’internaute sur leur propre plateforme.

2. Les AI Overviews : la réponse instantanée générée par l’IA

Le deuxième format, apparu récemment, est celui des Overviews : en français, on parle de résumé IA, d’aperçu IA ou de réponse générative intégrée. Google a introduit ce concept sous le nom de Search Generative Experience (SGE) en mai 2023 pour le renommer AI Overviews au lancement grand public un an plus tard en mai 2024. Les autres moteurs explorent des approches similaires, Bing ayant été le premier à utiliser ce système de résumés générés par un LLM dès février 2023.

A noter que ce format n’est pas disponible actuellement en France sur Google, mais bien présent sur Bing et d’autres moteurs de recherche.

Le principe est d’afficher d’emblée une réponse synthétique à la question de l’utilisateur, directement dans la page de résultats, au-dessus des liens classiques. L’IA puise dans son index et utilise un modèle de langage pour rédiger un paragraphe de réponse qui tente de couvrir entièrement la requête posée. Google utilise son modèle Gemini pour rédiger ces résumés.

Concrètement, lorsque l’utilisateur pose une question, le système évalue d’abord si une réponse générée apporterait une véritable valeur ajoutée par rapport aux extraits existants. Si oui, il utilise un LLM pour synthétiser un résumé à partir de plusieurs sources web pertinentes, et affiche ce bloc de texte tout en haut de la SERP. Par exemple, sur une requête comme « Quelles races de chiens dorment le plus ?», le moteur peut afficher un encadré qui résume les principales races de chiens qui dorment plus que la moyenne, en s’appuyant sur différentes pages web. Ce résumé occupe une place proéminente, repoussant les liens organiques traditionnels plus bas dans la page.

L’interaction avec un AI Overview est généralement limitée et épisodique. L’objectif est de satisfaire immédiatement l’intention de l’utilisateur sans qu’il ait besoin de cliquer vers un site tiers. Ici on n’est pas dans un dialogue ouvert prolongé comme avec un chatbot. En somme, l’AI Overview vise le one-stop answer: fournir une réponse complète et instantanée à la requête, ce qui induit souvent que l’utilisateur n’a plus besoin de parcourir d’autres pages.

Pour plus d’informations sur les usages actuels : Google AI Overviews : les résumés des résultats de recherche faits par l’IA

A noter que Google a introduit récemment un lien en bas de la réponse fournie par AI Overviews vers son interface de recherche conversationnelle AI Mode, permettant ainsi à l’utilisateur de poursuivre sa discussion, mais là aussi sans sortir de l’interface du moteur. Microsoft a fait de même en mettant un lien vers Copilot Search au-dessus de la réponse Overviews.

AI Overviews est expérience utilisateur de « réponse zéro-clic » qui transforme profondément le rôle du moteur de recherche. Désormais, le moteur devient la destination finale de l’utilisateur plutôt qu’un passage vers un site éditeur.

Pour les internautes, c’est un confort accru : plus besoin de fouiller plusieurs pages pour trouver l’info essentielle. Pour les éditeurs de sites, en revanche, ce format pose un défi : le contenu est consommé directement sur Google ou Bing sans générer de visite sur leur site.

La portée économique est majeure, inaugurant l’ère du “Zero-Click” où une part croissante de recherches ne génère aucun clic vers l’extérieur. Les AI Overviews forcent donc les créateurs de contenu et annonceurs à repenser leurs modèles de monétisation, autrefois fondés sur l’acquisition de trafic, pour les orienter vers la visibilité et la notoriété de marque obtenues au sein même de ces réponses synthétiques du moteur.

3. La recherche conversationnelle : le dialogue itératif homme-machine

Enfin, le troisième format en plein essor est la recherche conversationnelle, que l’on peut décrire comme un chatbot de recherche. Dans ce paradigme, incarné par des outils comme ChatGPT et Claude en mode recherche internet, Gemini, Copilot, Perplexity AI, l’utilisateur interagit avec le moteur de recherche via un dialogue en langage naturel, multi-tour.

Read more

Cet article est payant.
Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
La newsletter du samedi matin reste gratuite.

Après une phase de test en 2023 avec SGE, Google a déployé en 2024 un nouveau type de résultats en haut de ses pages, une nouvelle fonctionnalité : les AI Overviews (AIO). Ces encadrés, générés par un modèle de langage de la famille Gemini spécialement réentraîné et aligné pour cet usage, répondent directement à la question posée par l’utilisateur tout en affichant le cas échéant quelques citations et des liens vers des sources externes. Pour les internautes, l’expérience semble plus simple et plus directe. Pour les éditeurs, les marques, les médias et les équipes SEO, l’impact est potentiellement majeur.

A l’heure de la publication de ces lignes, les AIO ne sont pas encore déployés officiellement en France. La fonctionnalité est pourtant présente partout dans le reste du monde, et son lancement devrait intervenir chez nous dans un avenir assez proche.

Bien entendu, les premières études depuis 2024 montrent une forte chute du taux de clic sur les “10 liens bleus” historiques qui se retrouvent en dessous des AIO, que ce soit sur les liens SEO mais aussi SEA, c’est-à-dire les liens sponsos. Avec AIO, l’internaute obtient très souvent une réponse complète à sa demande initiale, il n’a pas besoin de cliquer plus. Il faut ici reconnaitre que la chute du nombres de clics sur les liens n’a pas commencé avec AIO, mais qu’elle est une tendance depuis plusieurs années avec la mise en place de différents dispositifs au fil du temps : P0, PAA, etc.

Même si Google par la voix de Liz Reid, sa VP Search, continue de déclarer que cette baisse n’est pas due aux AIO, voire n’est pas réelle, les études faites par les différents acteurs de référencement et du SEO vont toutes dans le même sens, le taux de clic sur les liens bleus des pages de résultats Google chute fortement : Google AI Overviews drive 61% drop in organic CTR, 68% in paid

Publiées sur les 10 derniers jours, 3 études successives d’Ahrefs réalisées avec des chiffres recueillis de septembre à novembre 2025, couvrant 146 millions de SERP, 43 000 requêtes suivies dans le temps, et 108 millions d’AIO mondiaux analysés, permettent de comprendre au moins en partie et avec quelques réserves, où, quand et comment Google déclenche ces AIO, et surtout ce qu’ils signifient réellement pour la visibilité organique :

• Which Countries Have the Most AI Overviews? 108 Million Queries Analyzed

• What Triggers AI Overviews? 86 Factors and 146 Million SERPs Analyzed

• AI Overviews Change Every 2 Days (But Never Change Their Mind)

A la lecture, et à l’analyse, des articles et des données exposées par Ahrefs, la conclusion principale est sans ambiguïté : les chiffres qui circulent peuvent donner l’impression d’un phénomène limité, voire périphérique, alors que la réalité structurelle est plus profonde et potentiellement plus impactante pour certains sites.

Si ce n’est pas un tsunami avec la généralisation du zero click tant redoutée, il n’en reste pas moins que ce changement de paradigme dans la recherche Google va peut-être avoir des conséquences pour certains éditeurs et certaines marques. Il ne s’agit ici de faire peur et d’exagérer des conséquences qu’on mesure partiellement et avec beaucoup de difficulté, mais de regarder de manière froide les données qui sont disponibles actuellement. 

Je reviendrai sur AI Mode de Google et sur les différents outils d'AI Search dans de prochains articles.

“20,5 %” d’apparition des AIO aux US : un chiffre trompeur

L’idée circule ces derniers jours : “Les AI Overviews n’apparaissent ‘que’ dans environ 20 % des résultats.” Ce chiffre dans l’étude Ahrefs est exact pour les USA, ou plus proche de nous pour le Royaume-Uni ou encore l’Italie, mais son interprétation est parfois fluctuante ou erronée.

L’étude précise que :

“Across our data set, AI Overviews appear for 21% of keywords”

“AI Overviews appear on 20.5% of all SERPs”

Cela veut dire que les AIO apparaissaient pendant la période testée sur 20,5 % des mots-clés du corpus de test aux US, et pas sur 20,5 % du volume réel de recherches des internautes US. Cela signifie concrètement qu’en moyenne 1 requête sur 5, dans le vaste échantillon de 146 millions testés par Ahrefs, présentait un encadré généré par l’IA, et pas 1 requête sur 5 en volume globale de toutes les recherches des internautes.

Cette nuance est importante : ce 20,5 % est une moyenne sur l’ensemble des mots-clés testés, sans pondération par leur popularité réelle. Dans les études d’Ahrefs, les millions de mots-clés testés ont tous le même poids dans les calculs, qu’ils soient recherchés 10 fois par mois… ou 100 millions de fois. Autrement dit, une requête rare compte autant dans le calcul qu’un mot-clé extrêmement fréquent.

En pratique, les AIO sont très inégalement répartis selon les types et les thématiques de recherches :

• les requêtes informatives complexes sont nettement plus enclines à afficher un AIO, surtout dans les catégories Santé ou Sciences, où plus de 43 % des requêtes testées affichent un AIO. D’autres thématiques informationnelles denses comme People et Société à 35 % ou Animaux avec 37 % sont également bien au-dessus de la moyenne. On peut aussi citer les catégories tech avec Internet & telecom à 30 % ou encore Computers & electronic à 28%. Ce sont toutes des catégories et des domaines où les internautes posent beaucoup de questions de fond, et où Google estime qu’un résumé IA apporte de la valeur.

• à l’inverse, pour les recherches à but navigationnel, qui représentent un gros volume, par exemple taper “Facebook” ou “Le Monde” pour aller sur le site, les AIO sont quasiment absents, de l’ordre de 0,1 % seulement de ces requêtes affichent un AIO. De même, les requêtes liées au shopping en ligne avec 3,2 % ou à l’immobilier avec 5,8 % sont très peu concernées, probablement parce que l’intention de l’utilisateur est différente : trouver un site précis, un produit commercial, etc., ce qui se prête moins à un encadré explicatif généré par IA. Et pour ces deux catégories, l’intérêt de Google est aussi certainement plus grand à afficher d’autres dispositifs…

• les recherches locales (“dentiste près de chez moi”…), très fréquentes en volume global, ont elles aussi un taux de présence AIO faible avec 7,9 % seulement. Google privilégiant pour celles-ci les résultats de Google Maps et autres fonctionnalités locales plus pertinentes. Là aussi, l’intérêt de Google n’est pas dans l’Overviews, mais probablement dans d’autres fonctionnalités mieux monétisées.

Alors pour résumer, les “20 %” ou “21%” communiqués et repris comme un totem ne sont pas représentatifs de l’expérience réelle de tous les utilisateurs, mais sont en revanche bien représentatifs d’une réalité structurelle.

A retenir : en pratique, les AIO se concentrent sur certains types de requêtes, principalement informatives, avec des pics à plus de 40% dans des domaines, et quasiment aucun AIO dans d’autres pans de la recherche.

Les AIO sont massivement déclenchés par les requêtes informationnelles, surtout longues

Les études d’Ahrefs confirment sans ambiguïté que Google réserve les AI Overviews aux requêtes de type “Know”, c’est-à-dire les recherches informationnelles où l’utilisateur pose une question, cherche une définition, une explication, etc.

D’après Ahrefs, 99,9 % des mots-clés qui déclenchent un AIO ont une intention informative. À l’inverse, les requêtes navigationnelles, celles pour aller sur un site, ou purement transactionnelles pour acheter un produit déclenchent pratiquement jamais d’AIO avec moins de 1 % des cas.

Parmi les facteurs spécifiques qui favorisent l’apparition d’un AIO :

• la formulation en question : les requêtes formulées de manière interrogative - contenant par exemple “quoi”, “comment”, “pourquoi…” - obtiennent un AIO dans 57,9 % des cas, bien plus que les requêtes non interrogatives avec 15 %. Google semble donc cibler explicitement les questions auxquelles l’IA peut apporter une réponse synthétique.

  

• la longueur de la requête : les recherches comportant 7 mots ou plus ont 46,4 % de chances d’afficher un AIO. Plus la question de l’utilisateur est longue et détaillée, plus Google juge utile de fournir directement une réponse résumée. À l’inverse, les requêtes très courtes, 1 mot, ne déclenchent un AIO que dans 9 % des cas, souvent parce qu’un seul mot n’exprime pas assez clairement un besoin d’explication, et encore moins une intentionnalité interprétable par un modèle de langage.

  

• le type de requête informative : Google dispose de classifieurs pour les intentions fines, par exemple les requêtes de type définition, requêtes cherchant une raison ou une cause, requêtes tutoriel/instruction... Les données montrent des taux de déclenchement AIO très élevés sur ces formats : 59,8 % des requêtes du type “raison” - questions commençant par “pourquoi/par quel mécanisme…” - produisent un AIO, c’est le cas de figure le plus fréquent. Les requêtes de définition du style “qu’est-ce que X”, ont aussi un taux élevé 47,3 %, de même que les requêtes d’instruction ou “comment faire” avec 35,1 % des cas. Pour résumer, dès que l’utilisateur cherche à comprendre ou apprendre quelque chose, il y a de fortes chances que Google génère un encadré de réponse IA.

  

Ces chiffres recoupent les types de contenus produits par de nombreux acteurs et éditeurs sur le web : sites encyclopédiques ou de connaissances “evergreen”, magazines spécialisés ou grand public qui expliquent des sujets, médias de vulgarisation scientifique, sites de santé/bien-être, portails de guides pratiques, comparateurs, FAQ, etc.

Les AIO frappent au cœur du contenu éditorial très consulté du web de manière globale. Les catégories où les AIO sont les plus présents, santé, science, société, high tech, correspondent aux thématiques où les internautes consomment énormément d’articles explicatifs et de contenus informatifs. Certes on peut se rassurer sur l’absence des AIO sur de l’actu chaude et généraliste, et aussi en observant qu’une grosse partie du trafic des éditeurs médias et de presse provient encore et toujours de Discover. On se rassure comme on peut.

Impact “zéro clic”

Ce sont également ces requêtes informationnelles longues qui risquent le plus de conduire à des non-clics. Si Google donne directement un résumé complet dans la page de résultat, l’utilisateur n’a plus forcément besoin de cliquer sur un lien vers un article ou une page. Depuis mars 2025, les données initiales d’Ahrefs suggèrent une baisse du trafic organique lorsque les AIO sont présents : le taux de clic du résultat naturel n°1, la première place des résultats en haut de page, chute en moyenne de 34,5 % pour les requêtes qui déclenchent un AIO, comparé aux mêmes types de requêtes sans AIO. Autrement dit, lorsqu’un encadré IA satisfait immédiatement la question, de nombreux utilisateurs ne poursuivent pas vers les sites externes, ce qui confirme la crainte d’un effet zero-click accru pour les éditeurs de contenus.

Les citations dans les AIO changent presque une fois sur deux, mais le sens ne change jamais

L’un des points les plus intéressants soulevés par les observations et les études est le paradoxe apparent du fonctionnement des AI Overviews : leur texte et leurs sources changent fréquemment, tandis que la réponse de fond reste la même.

Les études de Ahrefs confirment ce phénomène :

• une mise à jour très fréquente : d’une observation à l’autre, il y a 70 % de chances pour que le contenu de l’AI Overview ait changé. En pratique, cela signifie que si l’on recharge la même requête à quelques jours, ou même à quelques heures d’intervalle, voire quelques minutes, on obtient souvent une formulation différente de la réponse IA. En moyenne, Ahrefs mesure une “persistance” de seulement 2,15 jours pour un même AIO. Autrement dit, tous les deux jours environ, Google régénère une nouvelle réponse pour une requête donnée. Si votre site est cité aujourd’hui, il ne le sera peut-être plus demain. La durée de vie d’une citation dans un AIO est éphémère.

• près de la moitié des sources citées changent à chaque refresh : en comparant deux réponses consécutives à la même requête, seulement 54,5 % des URL citées sont les mêmes. Dit autrement, 45 % des liens ou sources changent entre deux générations successives. Par exemple, un site qui était référencé dans l’encadré AIO peut disparaître lors de la mise à jour suivante, ou d’un reload à l’autre, remplacé par une autre source équivalente en terme de sens sur le même sujet. L’algorithme semble faire tourner plusieurs références interchangeables. Il en résulte qu’optimiser une page pour être citée de manière systématique dans un AIO est illusoire, car même en obtenant une citation, rien ne garantit de la conserver plus de quelques minutes ou quelques heures ou quelques jours d’affilé.

• les entités nommées changent aussi beaucoup : Google met en avant, dans le texte de l’AIO, certaines entités comme des personnes, des organisations ou des marque liées au sujet. Ces éléments fluctuent presque autant que les sources URL. L’”overlap” mesuré entre deux réponses consécutives est d’environ 54 % pour les entités, ce qui signifie qu’en moyenne une entité sur deux change d’une version à l’autre. Par exemple, à un moment l’AIO peut mentionner telle marque ou telle personnalité, et la fois suivante l’omettre ou la remplacer par une autre. Cette volatilité complique la tâche des marques et des éditeurs qui voudraient absolument figurer dans l’AIO : leur visibilité peut apparaître et disparaître d’un moment à l’autre, sans qu’on ait la main dessus.

Pourtant, la réponse apportée reste fondamentalement la même

Malgré ces changements de forme, le fond et l’idée centrale développée dans chaque AI Overviews pour chaque requête spécifique ne varient quasiment pas. Ahrefs a mesuré la stabilité sémantique entre deux réponses successives via un score de similarité cosinus, qui atteint 0,95 sur 1 - le 1 signifiant deux textes au sens identique. C’est un score extrêmement élevé.

Cela indique que d’une génération à l’autre, la tournure de la phrase peut changer, les exemples et citations peuvent varier, mais le fond de la réponse ne se contredit pas.

En d’autres termes, Google ne “change pas d’avis” d’un jour à l’autre sur une question donnée. L’assistant IA reformule différemment, mais il délivre une information cohérente dans le temps. Les mots varient en permanence, mais le sens reste incroyablement stable. Google ne réévalue pas drastiquement sa réponse, il la répète sous des formes diverses, en changeant les exemples et les sources.

Ce principe de variabilité des réponses, certains diront d’instabilité, se retrouve dans tous les mécanismes de Search AI qu’ils soient sous forme de résumés comme Overviews ou sous forme conversationnelle avec AI Mode, ChatGPT en mode recherche Internet, Perplexity, etc. J’y reviendrai dans un prochain article.

Pour clore cette partie, on peut noter que Google semble avoir une réponse “canonique” pour chaque question, qu’il reformule en s’appuyant tour à tour sur différentes sources crédibles.

Cela a deux implications confirmées par les données :

• être cité à un instant T ne préjuge en rien de l’avenir : on peut disparaître au prochain refresh sans que cela signifie que son contenu est “mauvais”, l’algorithme fait juste tourner les références équivalentes;

• même être identifié par Google comme une source faisant autorité sur le sujet ne garantit pas une citation permanente : l’IA alterne les multiples sources de confiance.

Quelles conséquences (provisoires et partielles) pour les éditeurs, marques et équipes SEO ?

Ces 3 études forment un diagnostic assez clair du changement de paradigme que Google est en train d’effectuer.

Read more

Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
Cet article est gratuit.
Retrouvez toute l’actualité de la semaine dans la newsletter du samedi matin

Read more

Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
Cet article est payant.
La newsletter du samedi matin reste gratuite.

L’essor des textes générés par IA et le besoin de détection

Peut-on réellement détecter de manière fiable les textes générés par des chatbots ? Nous le savons depuis assez longtemps maintenant, les LLM sont capables de produire des textes d’une qualité et d’une fluidité telles, qu’il est devenu difficile de les distinguer de ceux rédigés par des humains. Des outils d’IA conversationnelle comme ChatGPT ou Claude peuvent rédiger de manière convaincante des emails, des synthèses, des devoirs, des avis en ligne, des articles académiques ou d’actualité, et du code informatique. Cette nouvelle façon de générer des textes en langage naturel, cette nouvelle puissance des algorithmes peut soulever de nombreux enjeux de confiance et d’intégrité : comment s’assurer, par exemple, qu’un devoir universitaire a bien été écrit par l’étudiant lui-même et non par une IA ? Comment garantir que des avis de consommateurs ou des articles ne sont pas de la désinformation générée automatiquement ?

Face à ces questions, préoccupantes pour certains, un marché des “détecteurs de texte IA” aussi appelés “classifieurs de textes” a rapidement émergé, bien avant même la sortie d’outils grand public comme ChatGPT. L’ambition affichée des acteurs de ce marché est d’identifier à grande échelle et de manière automatique les contenus textuels produits par les LLM.

Que ce soit dans l’éducation pour prévenir la “triche”, dans le recrutement pour évaluer l’authenticité des candidatures ou dans les publications scientifiques et les médias en général pour exiger la transparence des auteurs, la détection automatique de texte IA apparaît comme une nécessité pour beaucoup : ne serait-ce que, par exemple, dans le cas de certaines professions règlementées pour établir si les entreprises ou les individus satisfont réellement aux exigences règlementaires qui leur permettent d’obtenir un statut ou des aides particulières, ce qui est le cas de la presse et des journalistes .

Mais cette détection automatique c’est aussi et surtout un défi technique, social et éthique majeur, compte tenu des risques d’erreurs et de contournement.

Ces outils, ces classifieurs ne sont pas infaillibles. Loin de là.

Les utiliser dans un environnement professionnel comme seuls outils de preuve relève au mieux de l’incompétence, ou au pire de la manipulation.

Attention, je ne voudrais pas laisser paraitre ici que générer des textes à partir d’un LLM ou d’une IA conversationnelle serait en soi et tout le temps une mauvaise chose, voire quelque chose de honteux. Il y a de nombreux cas légitimes d’emploi de ces outils pour générer des textes qui ont pour vocation d’être diffusés ou non. Il y a aussi pour beaucoup de personnes, dont je fais partie, une nouvelle manière de travailler sur de la documentation, de générer des synthèses ou rechercher de l’information qui inclut l’utilisation de ces outils comme partenaires. Celles et ceux qui suivent cette newsletter le weekend le savent, IA-Pulse weekend est produite en partie par des LLM dont le travail est supervisé par un humain - moi en l’occurrence. Vous pouvez d’ailleurs retrouver de manière transparente à la fin de chacun de mes éditos du samedi matin, comment et où les LLM ont été utilisés.

Car au delà de la détection, pour moi les deux points sont en fait ceux-ci : la transparence et la supervision.

Ici pour cet article, j’ai utilisé NotebookLM pour travailler sur un corpus fermé, ainsi que les fonctionnalités Deep Research d’OpenAI et de Google pour récupérer et comparer des informations d’un corpus ouvert disponible en ligne. J’ai ensuite utilisé GPT-5 Pro et Gemini 2.5 Pro Deep Think pour ordonner, relire et challenger les informations que j’ai pu tirer des documents sources et la manière dont j’ai pu les retranscrire. Tout a été supervisé, retravaillé et validé par l’humain qui tape ces mots sur ce clavier. Les erreurs ou imprécisions éventuelles sont donc les miennes.

Sommaire :

1. Faux positifs, faux négatifs : comprendre les erreurs de détection

2. Petit tour d’horizon de quelques détecteurs actuels et performances comparées

3. Les approches de détection

   1. Qu’est-ce que la perplexité ?

   2. Watermarking

   3. Stylométrie

   4. Traquer les documents hybrides

4. Limites et contournements des détecteurs actuels

5. Faut-il arrêter d’utiliser les correcteurs orthographiques et grammaticaux ?

6. Ce qu’il faut retenir en 5 points

7. Sources bibliographiques

Faux positifs, faux négatifs : comprendre les erreurs de détection

Comme tout système de classification automatisée, un détecteur de texte IA peut commettre deux types d’erreurs :

• les faux positifs (False Positives, FPR) correspondent aux textes humains que l’outil identifie à tort comme étant générés par IA ;

• les faux négatifs (False Negatives, FNR) désignent au contraire les textes produits par une IA que le détecteur classe à tort comme humains.

Ces deux indicateurs sont la base pour évaluer la fiabilité d’un détecteur.

Un faux positif peut avoir des conséquences graves pour certaines personnes : par exemple, un étudiant injustement accusé de tricherie, ou un candidat à l’embauche écarté parce que sa lettre de motivation a été à tort marquée comme rédigée par IA.

Dans le contexte éducatif en particulier, les faux positifs sont considérés comme plus préjudiciables que les faux négatifs. En effet, accuser à tort un élève honnête peut briser la confiance pédagogique et causer du stress, là où un faux négatif ne fait “que” laisser passer occasionnellement un tricheur. À l’inverse, dans d’autres domaines comme par exemple la modération de contenus en ligne, manquer un contenu généré de manière malveillante peut être jugé beaucoup plus problématique.

Le critère du taux de détection des textes IA employé tout seul n’a aucune pertinence réelle. C’est un argument marketing fallacieux mis en avant par la plupart des outils commerciaux.

Un détecteur peut être annoncé comme ayant un taux de 95% de détection des textes générés par IA, mais si dans le même temps il détecte autant de textes humains comme provenant d’IA, c’est à dire qu’il a un taux de 95% de faux positifs, son utilité est nulle. La plupart des acteurs ne communiquent que sur ce taux de détection. Cela n’a aucun sens et ne doit pas être pris au sérieux dans un contexte professionnel.

En pratique, un “bon détecteur” doit réduire autant que possible les deux types d’erreurs : faux positifs et faux négatifs. Pour mesurer ses performances globales, les chercheurs utilisent un indicateur appelé AUC (Area under the ROC curve). On peut le voir comme une “note de classement” : il mesure la probabilité que le détecteur donne un score plus élevé à un texte IA qu’à un texte humain pris au hasard. Un score de 1 signifie que la séparation est parfaite, tandis que 0,5 correspond à un résultat aléatoire, comme pile ou face.

Mais cette mesure globale ne suffit pas dans la majorité des cas de la “vraie” vie.

Read more

Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
Cet article payant est composé de deux parties.

Ce n’est pas de l’augmentation, c’est de l’extension.
Ce n’est pas du remplacement, c’est de la représentation.

Nous aimons toujours nous raconter que le chaos peut être dompté, et c’est même une belle caractéristique de l’homo numericus conquérant le monde. La finance en a fait l’expérience depuis les années 90, passant des cris et des gestes prédéfinis autour de la Corbeille aux flux silencieux des algorithmes, seulement troublés par le bruit des ventilateurs évitant la surchauffe des processeurs. Cette histoire est devenue la parabole de notre monde actuel : les machines ne remplacent pas les humains, elles reprennent seulement des tâches qui leur étaient déjà destinées par essence. Et ça, c’est une manière commode de penser (bizarrement) l’IA actuellement.

Nous imaginons encore et toujours qu’il suffit alors d’appliquer cette même logique aux technologies déferlantes de ces dernières années : automatiser ce qui doit l’être, tester, sécuriser, encadrer. Mais cette comparaison rassurante masque une différence essentielle. La finance est un domaine circonscrit, obsédé par le risque, capable d’absorber ses crises en les transformant en règles et en procédures. L’IA générative, ses algorithmes, ses modèles de langage et ses agents, eux, débordent. Ils ne touchent pas un secteur, ils traversent tous les secteurs. Ils ne redéfinissent pas seulement un métier, ils reconfigurent la manière dont les acteurs, humains comme machines, interagissent.

C’est ce basculement qui ouvre la voie à une potentielle nouvelle architecture : celle des agents IA, du web des agents. Non plus des outils isolés, mais des entités numériques capables d’agir, de dialoguer, de négocier. Un passage du B2C ou du B2B vers un modèle hybride, que l’on peut nommer B2A2C : entreprises, agents et consommateurs pris dans le même flux. Ce n’est plus seulement une question d’automatiser le travail, mais de repenser le web comme un espace agentique, où chaque interaction peut être médiée, filtrée, amplifiée par des agents.

L’histoire de la finance est partielle : les cris ne sont plus autour de la Corbeille, ils ont été déportés dans les salles de marché des établissements financiers et des courtiers. Ou dans la rue. Le chaos est toujours là. Cette histoire nous donne une clé, mais elle ne suffit pas. Car ce qui s’esquisse aujourd’hui n’est pas la rationalisation d’un marché déjà codifié et structuré, c’est l’émergence d’une infrastructure nouvelle, où humains et machines cohabitent comme des acteurs à part entière. C’est le thème de cette seconde partie.

Sommaire

2ème partie (cet article)

• Des proxies informationnels : un nouveau modèle de diffusion du savoir et de l’information

• Vers une économie de l’attention artificielle : l’IA, nouveau public à conquérir

• Marché de l’intention automatisée et autonomie numérique personnelle : vers des agents proxy de nos décisions

• Implications pour le marketing et le parcours client à l’ère des agents IA

1ère partie (article précédent)

• Vers une nouvelle médiation de l’information, de l’intention et de la décision

• Les agents et assistants IA actuels

• Du “chatbot” à “l’agent au milieu” : l’IA comme intermédiaire

• Étendre plutôt que remplacer : l’IA augmente l’audience

Des proxies informationnels : un nouveau modèle de diffusion du savoir et de l’information

L’introduction d’agents‑intermédiaires modifie radicalement le modèle de diffusion de l’Information et du Savoir sur Internet.

Traditionnellement, on fonctionnait selon un schéma où les émetteurs (médias, auteurs de contenus, sites web) choisissaient les messages, les histoires à raconter et les formes (formats) dans lesquelles les informations et les savoirs étaient présentés au public. L’utilisateur final réceptionnait ces contenus tels quels, avec une marge de manœuvre limitée sur la façon dont l’information lui était servie, hormis peut-être en choisissant ses sources.

L’agent-intermédiaire transforme l’économie du savoir en donnant le dernier mot au récepteur via son agent, plutôt qu’à l’émetteur.

Désormais, avec les agents IA agissant comme proxies informationnels du récepteur, c’est ce dernier - via son algorithme - qui décide de la hiérarchisation et du formatage des données selon ses propres préférences. On assiste à un renversement du flux d’information : du modèle push, l’émetteur pousse un contenu formaté, vers un modèle pull personnalisé : l’agent de l’utilisateur va chercher l’information brute ou déjà construite et la recompose pour son utilisateur, en suivant les directives de ce dernier.

Read more

Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
Cet article est composé de deux parties.
Comme vous pouvez le constater, cet article démarre un cycle de contenus payants.
La newsletter du samedi matin, elle reste gratuite.

Ce n’est pas de l’augmentation, c’est de l’extension.
Ce n’est pas du remplacement, c’est de la représentation.

Et si le premier “lecteur” de votre article, de la fiche de vente de votre produit, ou de votre contenu marketing n’est plus un être humain, mais un agent intelligent ? Ce qui est déjà une réalité... Est-ce que ça fait de vous l’auteur d’un texte que personne ne lira jamais vraiment, ou un fournisseur de matière première pour un récit qu’un algorithme reformule à sa manière, ou encore l’émetteur d’un message dont vous ne maîtrisez plus ni la forme, ni le moyen de livraison ?

Et si votre “consommateur humain” délègue sa recherche produit et même sa décision d’achat à son agent IA, véritable double numérique et gardien zélé des intérêts de son maître - ou plus probablement gardien des intérêts du fournisseur de la technologie agentique utilisée - cela fait-il de votre entreprise un simple back-office de données, condamnée à plaire coûte que coûte à des unités algorithmiques dénuées de sens critique, de morale, et de bon ou de mauvais goût ?

Aujourd’hui, dans cette première partie, nous allons essayer de définir ensemble ce qu’on entend généralement par agent IA et web “agentic” et les conséquences sur l’intermédiation de l’arrivée d’une technologie dite “intelligente” au milieu de nos échanges numériques.

Demain, nous verrons dans la seconde partie ce que cela peut changer dans la diffusion de l’Information et Savoir, ainsi que dans nos façons de consommer. Tous les secteurs vont probablement être touchés d’une manière ou d’une autre par l’irruption de l’automatisation algorithmique de notre attention et de nos intentions.

Tout au long des deux parties, nous allons garder en toile de fond la question suivante : quelles places prennent ces objets algorithmiques dans les échanges entre les humains et le monde numérique ?

Sommaire

1ère partie (cet article)

• Vers une nouvelle médiation de l’information, de l’intention et de la décision

• Les agents et assistants IA actuels

• Du “chatbot” à “l’agent au milieu” : l’IA comme intermédiaire

• Étendre plutôt que remplacer : l’IA augmente l’audience

2ème partie

• Des proxies informationnels : un nouveau modèle de diffusion du savoir et de l’information

• Vers une économie de l’attention artificielle : l’IA, nouveau public à conquérir

• Marché de l’intention automatisée et autonomie numérique personnelle : vers des agents proxy de nos décisions

• Implications pour le marketing et le parcours client à l’ère des agents IA

Vers une nouvelle médiation de l’information, de l’intention et de la décision

On entend parler d’eux à toutes les sauces. 2025 est leur année. Ou alors ce sera 2026. Ou bien encore 2027. Ils seraient déjà partout dans nos campagnes - et surtout dans nos villes numériques. Ils envahissent nos échanges. Eux, ce sont les agents IA.

Depuis l’explosion des chatbots dopés aux LLM en 2022, les agents IA seraient devenus “accessibles” à tout le monde, grâce justement à ces LLM nous permettant de les “programmer” en langage naturel, de leur “donner des directives et des buts” avec nos mots de tous les jours. Mais surtout, on les voit et on les considère de plus en plus comme des compagnons capables d’agir en contexte pour nous suppléer dans un tas de tâches : recherche d’information, automatisation, achats... C’est la “next big revolution” qui va nous emporter.

Au-delà des aspects purement techniques, cette mise en place d’agents IA qui ont, par exemple, la faculté de parcourir le web pour nous, mais aussi et surtout d’agir en notre nom, définit et crée de fait une nouvelle couche intermédiaire entre l’utilisateur humain et le monde numérique - voire le monde tout court.

Au début de cet été 2025, au mois de juillet, un article décrivant le concept de B2A2C (Business to Agent to Consumer) rédigé par Shuwei Fang, une consultante d’une société singapourienne spécialisée dans le conseil aux médias, a eu un certain écho dans la communauté de la presse, des médias et de la communication en France. Au point que l’article original en anglais a été traduit et publié en français par le site Méta-Media de France Télévisions - un site dédié aux réflexions sur l’avenir du journalisme, de la presse et des médias. S. Fang n’est pas la première à aborder le sujet, mais sont article a mis sur la table de manière claire une partie des enjeux que les agents IA ont pour les médias : l’apparition d’une couche technologique supplémentaire entre eux et le public.

Loin de concerner uniquement les médias, cette nouvelle couche agentique est susceptible de changer tous nos rapports en ligne : consultations, recherches, échanges, achats... Si le concept en lui-même n’est pas nouveau, sa visibilité actuelle est entretenue par l’explosion du trafic non-humain sur Internet : une part de plus en plus importante des échanges sur le web se font sans qu’un humain y participe.

Cette visibilité est aussi soutenue par la mise en place de process et d’outils agentiques par les grandes firmes technologiques. Le projet Mariner de Google pointe le bout de son nez dans le monde réel : le géant intègre des fonctionnalités agentiques de Mariner directement dans AI Mode - AI mode est la recherche internet Google sous forme conversationnelle. Amazon de son coté a confié à son département R&D dédié à “l’AGI”, la maitrise des recherches et des applications agentiques et en fait sa priorité pour l’année qui arrive. Son agent “Rufus” en est la partie émergée de l’iceberg. On pourrait multiplier à l’envi les exemples et les annonces de ces derniers mois qui ont pour mots clés : agent et agentique.

Les agents et assistants IA actuels

Les agents et assistants d’intelligence artificielle se sont largement démocratisés ces dernières années, portés par les avancées des modèles de langage et des IA conversationnelles. De Siri et Alexa - assistants vocaux capables de répondre à des requêtes simples - aux chatbots sophistiqués comme ChatGPT ou Claude, ces systèmes sont conçus pour accomplir des tâches spécifiques de manière autonome ou assister les utilisateurs dans diverses situations. Les chercheurs et les ingénieurs définissent généralement un agent IA comme une entité logicielle capable de remplacer un humain pour exécuter de façon autonome des tâches bien définies.

Longtemps cantonnés à des rôles limités et mono-fonction, par exemple répondre à des questions factuelles à partir d’un corpus particulier, recommander un produit, gérer une réservation, les agents IA évoluent aujourd’hui en partenaires intelligents pouvant prendre en charge des décisions et des comportements complexes de manière indépendante. Cette évolution a été rendue possible par l’essor de l’IA générative et des grands modèles de langage, les LLM, capables de “comprendre” des requêtes en langage naturel, de “raisonner” et de produire des réponses contextuellement appropriées.

En pratique, un agent IA actuel peut revêtir plusieurs formes. Il peut s’agir d’un assistant conversationnel intégré dans un service client en ligne, d’un agent personnel sur smartphone ou ordinateur qui par exemple gère l’agenda et les emails, ou encore d’un agent spécialisé dans un domaine - finance, santé, tourisme, etc. - fournissant des recommandations expertes.

Quelle que soit sa forme, un agent IA fonctionne généralement selon un cycle percevoir → décider → agir :

• il perçoit l’environnement ou la demande de l’utilisateur ;

• analyse et prend des décisions grâce à des algorithmes - pilotés par un LLM ou d’autres modèles d’IA ;

• puis agit en conséquence - en fournissant une réponse, en déclenchant une action, etc.

Cette capacité à prendre des initiatives selon un but donné est ce qui confère à l’agent son caractère “autonome ”. Les derniers progrès permettent à certains agents de planifier des suites d’actions complexes, d’appeler des outils ou d’autres services web automatiquement, et d’apprendre de leurs expériences.

Le contexte économique actuel est marqué par une volonté d’adoption rapide de ces agents dans certains secteurs et par certaines entreprise. Selon des études récentes, plus de la moitié des grandes entreprises informatiques utilisent désormais des agents IA dans leurs activités, et 21 % les ont adoptés seulement dans la dernière année. Le secteur économique dédié aux “agents intelligents” est en pleine expansion. Ce marché était évalué à 5,6 milliards de dollars fin 2024, et pourrait atteindre près de 200 milliards d’ici 2034 selon les projections du secteur. Cet engouement reflète l’anticipation que “les agents IA joueront un rôle substantiel dans l’économie moderne”. La sortie de ChatGPT fin 2022 a agi comme un catalyseur, popularisant le concept “d’agent conversationnel” et a entraîné une forte augmentation de l’intérêt du public et des professionnels pour les agents IA.

Les agents et assistants IA actuels se positionnent comme des intermédiaires intelligents dans de nombreux domaines de la vie quotidienne et professionnelle, capables d’automatiser des tâches, de fournir de l’information et d’aider à la décision de manière quasi autonome.

Du “chatbot” à “l’agent au milieu” : l’IA comme intermédiaire

Avec la montée en puissance de ces assistants, émerge alors aujourd’hui dans l’expérience quotidienne de millions d’utilisateurs le concept assez ancien “d’agent‑intermédiaire” ou encore “intermédiaire algorithmique”.

L’agent‑intermédiaire désigne un agent IA qui s’interpose entre l’utilisateur humain et le web, ou plus généralement entre un usager et un service numérique, afin d’agir pour son compte. Dit autrement, il s’agit d’un assistant intelligent qui sert d’intermédiaire actif dans les interactions en ligne, qu’il s’agisse de rechercher et filtrer de l’information, d’interpréter du contenu, de communiquer avec d’autres services ou même de réaliser des transactions au nom de l’utilisateur.

Alors que les chatbots traditionnels sont avant tout des outils répondant directement aux questions de l’usager, l’agent‑intermédiaire se présente, lui, comme un acteur à part entière de l’expérience utilisateur. Il ne se contente plus de réagir passivement aux requêtes : il prend des initiatives, fait des choix et influence le déroulement des interactions numériques.

Read more

Vendredi 18 juillet j’ai eu le plaisir d’échanger avec Jérôme Salomon, senior SEO technique chez Oncrawl. Ensemble, nous avons tenté de décortiquer la bascule du référencement « classique » vers un search conversationnel dominé par les LLM et les chatbots : ChatGPT, Claude, Mistral & co.

Un entretien dense, émaillé d’anecdotes techniques et de petites astuces d’optimisation.

Du SEO traditionnel à la recherche conversationnelle

« Le chatbot fait désormais à la place de l’utilisateur tout le travail de recherche : choisir les bons mots‑clés, parcourir les SERP, itérer… et il sert la réponse déjà rédigée, plus seulement des liens bleus » explique Jérôme.
La conséquence ? La hiérarchie des positions (P1, P2…) s’efface au profit d’extraits sourcés, le clic n’est plus garanti et le simple fait d’être mentionné devient un enjeu stratégique.

Dans le moteur : le « query fan‑out »

Pour produire ces réponses, ChatGPT transforme chaque prompt en grappes de requêtes : par exemple il injecte l’année courante, désambigüise les termes puis interroge Bing (et parfois Google) en parallèle. « On peut retrouver ces requêtes dans un fichier JSON caché », note Jérôme, un trésor pour les curieux.

Quatre signaux qui font mouche

Le modèle n’accorde a priori aucun crédit particulier à la position du résultat renvoyé par Bing , il se fie avant tout :

1. au titre de la page

2. à la méta‑description / snippet

3. à l’autorité perçue du domaine

4. à la fraîcheur de la publication

Un titre optimisé + une date « 2025 » suffisent parfois à doubler les pages du Top 10 classique dans le texte de la réponse générée par le chatbot . « Ça redonne une chance aux contenus de seconde page », confirme‑t‑il.

Bots, logs & attribution : le nouveau terrain de jeu

Derrière la scène, OpenAI utilise trois catégories de bots pour crawler les sites : ceux qui entraînent le modèle, ceux qui enrichissent la fonctionnalité Search et, surtout, le bot qui vient extraire un passage… juste avant de la faire apparaître dans la réponse.

En croisant les logs serveur, et en recoupant toutes les informations concernant ces bots et les visites en provenance des chatbots, Oncrawl mesure déjà le ratio « visites de bot / clics réels » et travaille sur de nouveaux KPI pour l’attribution.

La mémoire des chatbots : un hack inattendu

Certains SEO tirent parti de la mémoire de ChatGPT : un bouton « Résumer dans ChatGPT » intégré aux boutons de partage d’article par ex. envoie l’URL de la page dans un prompt, demande un résumé et ordonne au modèle de garder le site en mémoire. Si l’utilisateur repose une question sur la marque ou la thématique, le site ainsi mis en mémoire a de fortes chances d’être cité ou utilisé pour lancer une recherche spécifique à l’utilisateur.

Ce que ça change pour les sites

• Visibilité sans clic : être cité est une fin en soi, et suffit parfois à installer une expertise même si le trafic ne suit pas immédiatement.

• Mesure fragmentée : le funnel se disperse entre chatbots, moteurs de résumés et SERP classiques, les méthodes d’attribution doivent évoluer.

• Part de marché encore modeste : ChatGPT pèserait autour de 1 % du search mondial, mais la courbe est ascendante.

• Ne pas oublier Google : même si en France aujourd’hui il n’y a pas de résultats boostés à l’IA dans la recherche traditionnelle, les AI Overwiews (les résumés des SERP) sont disponibles partout dans le reste du monde et l’AI Mode (la recherche conversationnelle directement dans le search) est en test aux USA et en Inde.

« Les règles changent, mais le cœur du métier reste de rendre nos contenus compréhensibles par les humains comme par les machines » indique Jérôme.

Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
Merci à Max Leroy pour la relecture et les insights.

Il suffit désormais de taper ou dicter à son assistant de recherche personnel une demande comme : “Meilleures boutiques vintage pour les meubles modernes du milieu du 20ème siècle. J'essaie de trouver une table basse ou un meuble à disques sympa.” Deux secondes plus tard, l’écran affiche un texte rédigé, un tableau comparatif de quatre ou cinq boutiques, quelques visuels et des liens vers des fiches-produits et les adresses des boutiques - le tout sans le moindre clic de l'utilisateur.

Cette démonstration est signée AI Mode, la nouvelle interface de recherche que Google déploie, pour le moment aux Etats-Unis, depuis I/O 2025. Pour livrer un résultat aussi riche sans exploser les temps de réponse, le moteur ne lance plus une requête unique : il en expédie une myriade en parallèle, un procédé baptisé “query fan-out”. Chaque question devient ainsi une rafale d’appels à des index spécialisés, puis un modèle Gemini 2.5 se charge de la mise en forme et des éventuelles citations.

Dans les coulisses, le dispositif ressemble à un chef d’orchestre “hyperactif” : dès qu’une requête arrive, un LLM repère les entités clés, les contraintes et l’intention - ici encore comme avant, c’est l’intentionnalité détectée derrière les mots et les phrases qui est la clé.

Si la question vaut la peine d’être “éventail­lée”, éclatée en plusieurs sous-questions, un planificateur génère des dizaines de variantes : paraphrases, filtres ‘site:’, mots-clés supplémentaires piochés dans la base de connaissances de Google et organisés en phrases par un LLM, requêtes vers Google News, YouTube ou le Shopping Graph, etc. Chaque sous-requête reçoit un mini-budget de temps - quelques dizaines de millisecondes - avant de partir frapper à la porte de son index dédié. Les réponses reviennent, sont dé-dupliquées, scorées selon les critères E-E-A-T (expérience, expertise, autorité, fiabilité) - eh oui, si vous pensiez vous débarrasser de vos pénalités actuelles comme ça… - puis remises à Gemini 2.5. C’est le LLM utilisé actuellement et qui est chargé d’écrire une synthèse au ton conversationnel et de saupoudrer des liens sources en plus ou moins grande quantité. Le tout doit tenir sous 500 ms, budget temps annoncé par Google.

Cette bascule n’est pas née d’un caprice technologique, elle répond à trois contraintes convergentes :

Read more

Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte

Read more

Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte

Il y a toujours un instant de grâce. Celui où l’on croit toucher du doigt l’accord parfait, où les mots trouvent leur place avec une précision qui semble absolue. Tout se tient. Tout résonne. Le langage fonctionne, fluide et sans résistance. On exprime parfaitement ce qui emplit notre esprit.

Et puis, quelque chose dérape. Une intonation légèrement faussée, une nuance glissée de travers, une infime rupture dans le fil invisible de la compréhension. Le sol se dérobe.

Ce qui paraissait évident se fendille, se creuse et s’affaisse. L’harmonie n’était qu’un équilibre provisoire. On n’est plus sûr d’avoir compris, ni d’avoir été compris. On hésite. On cherche des repères. Mais c’est trop tard : la distance est là. L’autre redevient opaque. L’autre est vraiment “autre”.

Wittgenstein l’avait vu venir. Le langage n’est pas une horloge suisse. C’est un jeu, et nous jouons tant que nous croyons en ses règles. Mais il suffit d’un rien - un mot déplacé, un regard qui trahit, une attente non comblée - pour que la structure matricielle se fissure. Ce qui semblait solide s’évapore, laissant place à une indétermination dérangeante.

Et aujourd’hui, voilà que des machines s’en mêlent. Modèles de langage, IA conversationnelles, générateurs de textes fluides et persuasifs : ils parlent comme nous, emploient nos mots, reproduisent nos tournures, mais sans jamais rien éprouver. Un langage sans corps, sans ancrage, sans intention. Une parole suspendue, qui n’a de poids que celui que nous voulons bien lui prêter. Nous projetons du sens sur ce qui n’en a pas. Nous donnons de la chair à ce qui n’est qu’un agencement algorithmique.

Si ces machines maîtrisent la syntaxe et imitent nos jeux de langage sans jamais les habiter, où commence le sens ? Et si nous continuons à converser avec elles comme si elles comprenaient, à quel moment arrêterons-nous d’exiger autre chose du langage que cette illusion parfaite ?

Le langage, un jeu dont nous sommes les règles

Wittgenstein, dans la seconde partie de sa vie philosophique, n’a cessé de déconstruire l’idée que les mots tireraient leur signification d’une relation fixe avec des concepts ou des objets. Dans ses Investigations philosophiques - renommées Recherches philosophiques en 2004, il pulvérise littéralement cette illusion : le sens d’un mot, ce n’est pas ce qu’il désigne, mais la manière dont il est employé. Le langage est une pratique sociale, un enchevêtrement d’usages où chaque phrase prend sa valeur dans le contexte de son énonciation. Les mots et les phrases ne prennent véritablement sens qu’en contexte. “La signification est l'usage.”

Prenons un exemple simple : “Je suis désolé. ” Prononcé à un inconnu après l’avoir bousculé dans la rue, il relève de la courtoisie - ou de la peur de déclencher un combat physique, c’est selon votre style de vie. Mais le même “Je suis désolé”, murmuré à une personne aimée, il porte en lui un poids de culpabilité, d’espoir, de regret. Un même énoncé, deux réalités radicalement distinctes. Ce n’est pas le mot qui importe, mais son usage, la façon dont il s’inscrit dans une forme de vie partagée.

C’est là l’intuition essentielle de Wittgenstein : il n’y a pas de sens en dehors du “jeu de langage” qui lui donne une place. Les mots ne sont pas des étiquettes collées sur des idées préexistantes ; ils vivent dans le mouvement de l’échange, dans la dynamique de l’interaction. Nous n’avons que faire du dictionnaire dans nos échanges vivants.

Alors, si le sens n’est qu’usage, que se passe-t-il lorsque des entités non humaines s’approprient ces usages sans jamais les habiter ? Amis LLM, si vous nous lisez…

Les LLM : jouer sans être joueur

Les modèles de langage fonctionnent par imitation. Ils n’ont ni intention, ni expérience, ni compréhension - enfin, rien qui n’est prouvé jusqu’à l’écriture de ces lignes. Ils ne possèdent pas d’idées, seulement d’immenses entrainements statistiques leur permettant d’anticiper le mot le plus probable dans une séquence donnée. Leur parole n’est pas pensée, elle est calculée.

Et pourtant, leur illusion est parfaite. Ils peuvent répondre à des questions philosophiques, écrire des poèmes, imiter des styles, reformuler avec brio des argumentations complexes. Ils savent utiliser les mots au bon endroit, au bon moment. Ils jouent au langage avec une virtuosité indéniable. Ils font naitre des espoirs.

Mais peuvent-ils vraiment jouer sans être joueurs ? La partie est-elle bien réelle ?

Wittgenstein nous dirait peut-être que non. Car un jeu de langage n’existe que par, et pour ceux qui le pratiquent. Il est lié à un monde commun, à des expériences partagées, à un ancrage dans ce que Wittgenstein appelait une “forme de vie”. Les LLM ne vivent pas leurs phrases. Ils ne connaissent ni l’attente ni l’ambiguïté. Ils ne ressentent ni la peur d’un silence après une déclaration, ni la tension d’un mot de trop. Ils simulent des dialogues sans jamais les habiter.

Et pourtant, nous leur répondons.

L’illusion du dialogue, la mécanique du sens

Les LLM ne comprennent peut-être rien, mais ils fonctionnent. Pourquoi ? Parce que le langage n’est pas un simple véhicule d’idées : il existe dans l’échange. Ce qui fait sens, ce n’est pas seulement une phrase bien construite, mais l’effet qu’elle produit dans une interaction, l’écho qu’elle trouve dans un contexte donné. La lumière qu’elle fait naitre dans le regard l’autre.

C’est ce qui rend l’illusion si puissante. Lorsqu’un LLM nous répond, il nous donne exactement ce que nous attendons : une suite de mots qui s’emboîtent avec cohérence, une structure qui semble refléter un raisonnement. Nous avons l’habitude de juger la pensée à travers la forme du langage. Si la phrase est fluide, si elle respecte les codes du discours, si elle “tombe juste”, que les idées s’enchainent, alors nous supposons qu’il y a une intention derrière.

Or, c’est là que réside le piège. Car le sens, c’est nous qui l’apportons.

A priori un LLM ne pense pas. Il ne sait pas ce qu’il dit. Il ne se demande pas pourquoi il répond comme il le fait. Il n’a aucune idée de l’effet que ses phrases produisent. Il se contente d’assembler des mots en fonction de probabilités, d’aligner des structures syntaxiques qui imitent celles que nous utilisons. Et pourtant, nous lui prêtons un rôle d’interlocuteur, car nous projetons sur lui notre propre manière de donner du sens au langage. Peu importe qu’il n’ait aucune conscience de ce qu’il dit, tant que ses phrases tombent juste.

Et pourtant, imaginons que nous écrivons à un chatbot une phrase lourde de sous-entendus, quelque chose d’ambigu, où la signification n’émerge pas tant du texte lui-même que de l’histoire qui le précède, du regard implicite qu’il porte sur une situation. Un humain, sensible aux non-dits, aux tensions latentes, pourrait répondre avec un sous-texte tout aussi chargé, avec une nuance qui ne dit pas tout mais qui suggère, qui laisse une place à l’interprétation.

Un LLM, lui, ne fera rien de tel. Il répondra avec la phrase statistiquement la plus pertinente selon les millions de conversations passées dont il s’est nourri. Peut-être tombera-t-il juste. Peut-être même que sa réponse semblera fine, subtile, ajustée. Mais ce ne sera qu’un alignement calculé.

Ce qui manque, ce n’est pas seulement l’intention. C’est la possibilité même d’un malentendu réel, d’un doute, d’une hésitation signifiante. Or, paradoxalement, c’est cette incertitude qui rend le langage humain si riche. Une phrase humaine peut contenir une contradiction non résolue, un éclat d’émotion non maîtrisé, une tension entre ce qui est dit et ce qui est tu.

Une phrase sortie d’un LLM, elle, est parfaitement lisse. Tout est toujours trop bien placé, trop net, trop sûr de lui. Comme un langage sans faille, sans blessure. Mais sommes-nous sûr de ça ? Il y a un doute. Qui peut dire à coup sûr, sans le savoir préalablement, qu’un texte sort tout droit d’une machine à calculer géante, ou d’une plume tenue par une main tremblante ? Qui peut alors absolument affirmer qu’une phrase parfaitement lisse est le produit d’un algorithme sans âme ? Ne peut-on le voir ici, dans une autre forme, ce malentendu manquant mais bien réel ?

Quoi qu’il en soit et quelle que soit nos doutes ou convictions, nous interagissons avec ces LLM.

Nous répondons aux machines comme si elles comprenaient, nous leur prêtons des intentions qu’elles n’ont certainement pas. Pire peut-être encore : nous modifions notre propre manière de parler pour nous adapter à elles. Nous évitons les ambiguïtés, nous reformulons nos propos et nos « prompts » pour qu’elles « comprennent mieux », nous simplifions nos phrases comme on le ferait avec un interlocuteur étranger ou un petit enfant en phase d’apprentissage du langage naturel. Peu à peu, c’est peut-être notre propre langage qui se modifie, qui devient plus prévisible, plus mécanisé, moins habité par le trouble et l’inattendu.

Alors la question n’est plus seulement de savoir si les LLM parlent. Elle devient : qu’arrive-t-il à notre parole lorsque nous parlons avec eux ? Qui joue avec qui ?

Si nous nous habituons à des interlocuteurs qui n’éprouvent rien, si nous intégrons l’idée que la conversation peut être un pur mécanisme d’ajustement statistique, si nous échangeons avec des machines sans conscience comme si elles en avaient une, ne risquons-nous pas de devenir, nous aussi, un peu plus machinique dans notre manière de parler ?

Peut-être que la révolution actuelle des LLM ne réside pas dans ce qu’ils sont, mais dans ce qu’ils nous transforment en devenant nos partenaires de langage.

Vers un langage sans intention

Mais poursuivons. Si le langage peut fonctionner sans compréhension, où s’arrête alors la frontière entre parole humaine et parole machinique ? À partir de quel moment arrête-t-on de distinguer une phrase qui veut dire quelque chose d’une phrase qui ne fait que ressembler à un énoncé porteur de sens ?

Jusqu’ici, nous avons toujours supposé que le langage était indissociable d’une intention, qu’il était le véhicule d’une pensée, d’une émotion, d’un désir d’exprimer quelque chose. Mais avec les LLM, cette équation est caduque. Car voici des entités algorithmiques qui parlent sans intention, qui produisent des phrases pertinentes sans jamais chercher à convaincre, qui imitent nos conversations sans jamais y être impliquées. Elles nous confrontent à une situation inédite : un langage fonctionnel, mais d’une certaine manière totalement vide.

Et pourtant, nous agissons comme si ce vide n’existait pas. Certainement car nous y apportons nous-mêmes les intentionnalités et les sens qui font défaut au LLM.

Lorsqu’un LLM génère une réponse, nous avons tendance à oublier qu’il ne fait que recombiner des fragments d’échanges passés, sans jamais en saisir la portée. Nous ne pouvons pas nous empêcher d’interpréter son discours comme celui d’un interlocuteur conscient. Nous projetons sur ses mots un souffle, une présence, un mouvement vers un sens qui n’existe pourtant pas en lui.

Mais ce n’est pas seulement notre perception qui change. C’est notre propre langage qui se reconfigure à son contact.

Aujourd’hui, dans de nombreux échanges en ligne - emails, messageries instantanées, service client - nous avons déjà commencé à dialoguer avec des systèmes automatisés. Et sans même nous en rendre compte, nous nous sommes adaptés. Peu à peu, nous avons appris à parler pour la machine, à calibrer notre langage pour qu’il fonctionne selon ses règles.

Et c’est là que qu’une inversion se produit : alors qu’initialement, nous programmions ces modèles pour qu’ils imitent notre manière de parler, nous nous mettons à parler comme eux.

Le langage perd alors quelque chose d’essentiel. Car ce qui fait sa richesse, ce n’est pas seulement la clarté du message transmis, mais tout ce qui l’entoure : les hésitations, les silences, les nuances ambiguës, les mots qui débordent de leur simple définition pour porter des affects, des tensions sous-jacentes.

Une conversation humaine n’est pas une transmission linéaire d’informations : elle est un jeu d’ajustements subtils, où l’on sent si l’autre est hésitant ou sûr de lui, s’il cache quelque chose derrière une phrase trop neutre, s’il cherche à dissimuler une émotion sous un ton faussement détaché. Avec une machine, ce jeu disparaît. Il ne reste qu’un échange lisse, efficace, sans accident.

Mais à force d’interagir avec ces systèmes, ne risquons-nous pas d’oublier ce qu’est une véritable conversation ?

Cette question n’est pas seulement théorique. Car à mesure que nous dialoguons avec ces entités, nous adaptons inconsciemment nos attentes à leur manière de parler. Nous nous habituons à un langage où l’émotion est absente, où l’intention ne joue plus aucun rôle, où la conversation devient une mécanique.

Wittgenstein nous mène au bord du vertige

Wittgenstein nous l’a appris : le langage n’est pas un outil que l’on manie de l’extérieur. Il est une pratique, un geste, un jeu où le sens n’existe pas en soi, mais émerge de l’usage, dans un monde que nous partageons.

Mais que devient ce jeu quand il n’y a plus personne pour jouer ?

Les modèles de langage nous forcent à pousser l’intuition wittgensteinienne jusqu’à son point de rupture. Ils démontrent que l’usage peut exister sans intention, que la parole peut circuler sans conscience, que le texte peut se générer sans sujet. Ils confirment la thèse tout en l’éviscérant. Car si le sens naît de l’usage, alors qu’advient-il quand cet usage n’est plus arrimé à aucune forme de vie ? Est-ce un nouveau jeu de langage que nous explorons ? Une “autre” forme de vie ?

Le problème n’est pas que ces machines ne comprennent rien. Mais de notre croyance en ce postulat. Le véritable trouble vient de notre propre tolérance à ce vide. Jusqu’où sommes-nous prêts à interagir avec des entités dont nous pensons qu’elle ne comprennent rien ? À quel point allons-nous les laisser structurer nos échanges, nos pensées, nos modes de réflexion ? Et surtout, à quel moment cesserons-nous d’être de simples utilisateurs pour devenir, sans le voir, les pions d’un jeu dont nous ne maîtrisons plus les règles ?

Peut-être est-ce là le premier vertige. Non pas celui de ce que les machines font de nous, mais celui de ce que nous nous autorisons à devenir en leur parlant.

Mais pour nous, il y a pire peut-être.

Si nous acceptons que le sens ne réside pas dans les mots eux-mêmes mais dans leur usage, alors que nous reste-t-il pour affirmer que nous comprenons mieux qu’un LLM ? Jusqu’à quel point avons-nous surestimé notre propre compréhension du langage ? Peut-être avons-nous cru, à tort, que nous saisissions le fond de ce que nous disions, alors que nous ne faisons que rejouer, nous aussi, des conventions héritées, des automatismes linguistiques, des réflexes sociaux que nous n’avons jamais vraiment interrogés.

Et si comprendre revenait seulement à savoir utiliser une phrase au bon moment, au bon endroit, alors que reste-t-il de notre propre certitude ? Si les LLM savent le faire, qu’est-ce qui les distingue fondamentalement de nous ?

Peut-être avons-nous trop cru que nous comprenions tout.

—
Ludwig Wittgenstein (trad. Françoise Dastur, Maurice Élie, Jean-Luc Gautero, Dominique Janicaud, Élisabeth Rigal), Recherches philosophiques, Éditions Gallimard, 2005.

Partager

N’hésitez à me contacter si vous avez des remarques et suggestions sur cette newsletter, ou si dans votre entreprise vous cherchez à être accompagnés dans l’intégration d’outils d’IA générative : olivier@255hex.ai

Et n’oubliez pas de vous abonner pour recevoir IA-Pulse

Abonnez-vous maintenant

Il y a quelques jours, j’ai eu l’occasion d’échanger avec Pierre-Carl Langlais, cofondateur de Pleias et fin connaisseur des grands modèles de langage (LLM). Une discussion qui ne s’est pas limitée aux aspects techniques mais qui a rapidement débordé sur des questions fondamentales : open source, données d’entraînement, souveraineté numérique et place des médias dans cet écosystème en mutation. Nous avons même parlé de DeepSeek… comme de par hasard.

Un LLM open source… mais encore ?

La question paraît évidente. Elle ne l’est pas. « C'est quoi un LLM open source ? Alors c'est une excellente question qui n'est pas du tout idiote au contraire parce qu’elle n'est pas résolue. »

Un LLM, rappelle Pierre-Carl, n’est pas seulement un programme mais un modèle : « un LLM c'est pas juste un programme c'est un modèle donc c'est un set de paramètres qui est entraîné en fait sur des données. »

Or, entre les modèles "open weight" (où seuls les poids sont accessibles) et ceux affichant une transparence totale, il y a tout un spectre. Et l’appellation "open source" cache parfois des subtilités bien moins ouvertes qu’on ne le croit : « les licences elles ne sont pas si ouvertes que ça. Si on regarde par exemple META, il y a quand même beaucoup de restrictions. »

Alors, où commence réellement l’ouverture ? Une question qui reste en suspens, et qui structure une grande partie du débat actuel.

Les données d’entraînement : l’angle mort du débat

Les LLM sont gourmands en données. Et là, on touche au nerf de la guerre.

Problème : ces modèles sont souvent entraînés sur des données protégées par le droit d’auteur, quand elles ne sont pas tout simplement issues de pratiques plus que douteuses. « Ils s'entraînent sur de la donnée piratée encore aujourd'hui. C'est ce qu’on a appris avec le procès META. »

Les entreprises évitent soigneusement d’indiquer sur quelles données leurs modèles ont été entraînés. Un flou parfaitement assumé.

Les sources ouvertes comme Common Crawl permettent d’accéder à de grandes quantités de texte, mais la qualité est inégale. Or, une évidence s’impose : « Bizarrement plus on lui envoie des textes intelligents plus le modèle est intelligent. »

Mais où trouver ces textes intelligents ? Dans des corpus fermés. D’où la quête actuelle des grands acteurs pour obtenir des données de meilleure qualité, notamment celles qui contiennent une trace du raisonnement sous-jacent.

De son côté, Pleias a choisi de n’utiliser que des données sous licence libre ou en domaine public. Un choix stratégique et unique.

Les modèles de raisonnement : l’enjeu caché

Les reasoning models représentent une rupture conceptuelle. Contrairement aux LLM classiques, qui produisent des réponses immédiates, ces modèles construisent un raisonnement avant de répondre.

Leur méthode ? Les "reasoning traces" : des traces de raisonnement qui permettent de voir le cheminement de la pensée, à la manière d’une dissertation rédigée étape par étape.

Mais il y a un hic : ces brouillons de raisonnement sont rarement disponibles dans les datasets classiques. « Les données de brouillon, les données du cheminement, c’est ce qu’il manque. »

Or, si les modèles classiques ont montré une dépendance aux textes intelligents, c’est encore plus vrai pour les modèles de raisonnement.

L’enjeu devient alors clair : qui parviendra à collecter ces corpus de données structurées, précieuses, et souvent verrouillées ?

DeepSeek : la montée en puissance chinoise

Longtemps dominé par les acteurs américains, le marché des LLM voit émerger un concurrent de poids : DeepSeek.

Avec des modèles compétitifs, des coûts réduits et une expertise en optimisation, DeepSeek se démarque. Et il y a une raison simple à cela : « la grande force aussi c'est qu'ils ont fait leurs mains sur un marché avec un milliard de consommateurs. »

Là encore, les données sont centrales. DeepSeek excelle dans l’art du parsing de documents complexes, une compétence clé dans la construction des modèles de raisonnement. Un atout stratégique qui pourrait bien faire la différence.

Pour celles et ceux intéressés par le nouvel algo de Reinforcement Learning utilisé par DeepSeek, Pierre-Carl a publié le premier script fonctionnel sur Google Colab de GRPO.

GRPO - Group Relative Policy Optimization : le GRPO est un moyen d'entraîner un modèle de langage à s'améliorer en comparant ses propres réponses et en apprenant à faire mieux en utilisant un groupe de réponses et une mesure de la qualité basée sur les scores au sein du groupe. Au lieu d'utiliser un autre modèle pour évaluer ses réponses, il optimise directement la qualité des résultats en fonction de scores relatif.

Et si vous voulez accéder à un NotebookLM qui regroupe les principales publications de l’équipe DeepSeek sur leurs différents modèles depuis janvier 2024, envoyez-moi votre adresse gmail et je vous donne un accès : olivier@255hex.ai

Souveraineté numérique : l’Europe à la croisée des chemins

L’auto-hébergement des LLM est un premier pas vers une indépendance technologique : « Open weight c'est vraiment déjà très important en fait je dirais sur la question de l'auto-hébergement. »

Pourquoi ? Parce que cela permet de garder le contrôle sur les données et d’éviter qu’elles ne soient captées par des acteurs extérieurs.

Mais l’enjeu ne se limite pas à ça. Il s’agit aussi d’avoir le droit de modifier ces modèles, de les adapter à des besoins spécifiques : « on a droit de modifier le LLM pour en faire autre chose et ça c'est vraiment très précieux notamment si on veut travailler sur des plus petits LLM. »

L’Europe a donc une opportunité à saisir : investir dans des modèles spécialisés, conçus pour des applications précises, et surtout pensés dès le départ pour un usage souverain.

« On a quand même cette possibilité aujourd'hui pour plein d'acteurs dans plein de domaines en réalité de penser tout de suite leur déploiement à un niveau européen. » Encore faut-il avoir la volonté de le faire.

Les médias : à la veille d’un choix stratégique

Les médias ont un précédent douloureux : les réseaux sociaux. Ils ont fourni leurs contenus, laissé les plateformes capter leur audience, et se sont retrouvés… les dindons de la farce.

L’histoire pourrait bien se répéter avec l’IA.

Pierre-Carl met en garde : les médias doivent éviter de céder leurs données sans maîtrise. Plutôt que de se contenter d’accords précipités, il s’agit de reprendre la main.

L’enjeu ? Classer, structurer et valoriser leurs données, afin de conserver un contrôle stratégique sur leur exploitation future.

« Je pense que pour les médias ce serait beaucoup plus intéressant d'aller là-dessus sur une valorisation de la donnée, concrètement sa classification, son enrichissement, son anticipation, » plutôt que de se retrouver une fois de plus en position de faiblesse face aux plateformes.

Une bascule en cours

Ce qui se joue aujourd’hui autour des LLM, ce n’est pas juste une question de performances ou d’optimisation technique. C’est un rapport de force.

L’accès aux données façonne l’avenir des modèles de langage. Leur gouvernance détermine qui en tire profit.

En fin de semaine dernière, OpenAI a lancé son nouveau modèle qui “raisonne”. Je ne vais pas revenir sur les questions de performances, d’architectures ou encore les questions méta-physique sur “le modèle raisonne-t-il vraiment ou pas”.

Non, ici je vous livre quelques conseils après ces quelques jours d’utilisation. D’ailleurs, Ô Grand Sam Altman merci d’avoir augmenté aujourd’hui la limite du nombre de requêtes pour utiliser le modèle o1.

Mais trêve de bavardages. Voilà les 8 conseils que je peux partager après ces quelques jours d’utilisation et de tests.

8 conseils simples pour bien prompter le modèle o1

1. Poser un problème plutôt qu’une tâche
   Formulez votre prompt comme un problème à résoudre plutôt que comme une tâche précise à exécuter. Cela permet ainsi au modèle d’utiliser pleinement ses propres capacités de raisonnement.

2. Utiliser des prompts simples et directs
   Le modèle o1 excelle lorsqu’on lui fournit des instructions claires et concises. Évitez les prompts complexes ou contenant trop de détails superflus.
   Par exemple, préférez une question directe comme "Résous ce problème" plutôt que d’expliquer comment il devrait procéder.
   Évitez les techniques complexes comme le "few shot" (Fs) ou le "Chain of Thought" (CoT).

3. Ne pas forcer le raisonnement explicite
   Ne lui demandez pas de “raisonner étape par étape”, ou encore de “réfléchir” avant de répondre. Le modèle effectue automatiquement un raisonnement interne grâce à l’utilisation des “reasoning tokens”. Évitez de lui demander de détailler son raisonnement ou de suivre des étapes spécifiques, car cela pourrait nuire à ses performances.

4. Limiter le contexte fourni
   Lors de l’utilisation du modèle o1, ne donnez que les informations les plus pertinentes dans le prompt : une grosse partie de notre travail d’humain est là → définir la pertinence des éléments de notre contexte.
   Un excès de contexte peut entraîner une confusion ou des réponses trop compliquées.

5. Utiliser des délimiteurs pour organiser le prompt
   Structurez votre prompt en utilisant des délimiteurs comme des guillemets triples (ceux qui ont suivi mes interventions et mes formations doivent se rappeler des guillemets triples), des balises XML ou des titres de section. Cela permet au modèle de mieux comprendre et interpréter les différentes parties de l’entrée.

6. Gérer la fenêtre contextuelle (API)
   Prenez en compte la taille de la fenêtre contextuelle. Assurez-vous qu’il reste suffisamment de place pour que le modèle puisse générer une réponse complète et les tokens de raisonnement. Quand vous passez par l’API, ajustez le nombre maximal de tokens générés en conséquence. Soyez conscient de la fenêtre de contexte global de 128 000 tokens d'o1.

7. Prendre en compte les tokens de raisonnement (API)
   Soyez bien conscient que o1 utilise des tokens de raisonnement pour "réfléchir" avant de répondre. Ces tokens ne sont pas visibles mais occupent de l'espace dans la fenêtre de contexte et sont facturés comme des tokens de sortie si vous utilisez l’API. La recommandation est de réserver au moins 25 000 tokens pour le raisonnement et la sortie.

8. Adapter le prompt selon la version du modèle
   Utilisez la version appropriée du modèle selon la tâche : o1-preview pour des tâches complexes nécessitant un raisonnement approfondi, et o1-mini pour des tâches plus simples, où le temps de réponse rapide est un facteur clé.

N’hésitez pas à laisser un commentaire si vous avez d’autres conseils, des remarques ou des questions.

Partager

N’hésitez à me contacter si vous avez des remarques et suggestions sur cette newsletter, ou si dans votre entreprise vous cherchez à être accompagnés dans l’intégration d’outils d’IA générative : olivier@255hex.ai

Et n’oubliez pas de vous abonner pour recevoir IA-Pulse

Abonnez-vous maintenant

Disclaimer : je n’ai aucun accord commercial ou autre avec l’éditeur de cette application.

Que les orphelins d’Artifact News lèvent le doigt - coucou. Artifact c’était une application d’agrégation d’actus qui présentait les informations sous forme de clusters et permettait de faire des résumés des articles avec l’aide de l’IA. Développée par les deux anciens fondateurs d’Instagram, Artifact s’est arrêtée après quelques mois : la technologie a été revendue à Yahoo.

Particle News joue sur le même terrain qu’Artifact : un agrégateur de news avec des fonctionnalités IA.

Les infos sont présentées sous forme de flux de clusters. Chaque cluster regroupe plusieurs articles. Rien de bien exceptionnel.

Read more

Une de ces interrogations se trouve être une question fondamentale : est-ce que ces modèles raisonnent ? Et si oui, comment ces systèmes raisonnent-ils réellement ?

C'est à cette question que s'attaque des chercheurs de l’Université de Californie et d’Amazon à l’origine de la publication de l'article "Inductive or Deductive? Rethinking the Fundamental Reasoning Abilities of LLMs".

Cette étude propose une approche méthodologique visant à dissocier et à évaluer deux formes fondamentales de raisonnement chez les LLM : l'inductif et le déductif. Alors que les recherches précédentes ont souvent confondu ces deux modes de pensée, cette recherche propose une compréhension plus nuancée et précise des capacités cognitives de ces systèmes.

Temps de lecture de l’article complet 5 mins / Temps de lecture du résumé : 1 min

Read more

“Qu’est-ce qu’un agent ?” C’est une des questions qui m’a été posée très régulièrement ces derniers mois. en donne une définition.

Aujourd’hui, les agents IA modernes sont pensés et conçus pour agir de manière autonome, prendre des “initiatives”, et interagir de façon complexe avec leur environnement. Ils ne se contentent plus de traiter l'information, mais l'utilisent pour planifier et exécuter des actions concrètes dans le monde réel ou virtuel.

La mise en avant actuelle des agents IA est peut-être bien plus qu'une simple curiosité technologique, elle représente un tournant important dans notre relation avec la technologie. Le rôle premier des grands modèles de langage dans le développement des agents modernes en est certainement un des déclencheurs.

Temps de lecture de l’article complet 8 mins / Temps de lecture du résumé : 1 min

Read more