Une IA n'a pas de modèle de coût

Ce dossier raconte une erreur de méthode, pas une prouesse technique. Elle m’a coûté une douzaine de jours sur un produit qui n’était pas encore vendu. Je ne l’ai pas vue en la commettant. Je l’ai comprise après coup, devant un flyer à quarante euros. Le point commun des deux épisodes : à aucun moment l’IA n’a mal travaillé. Elle a trop bien travaillé, sur des choses qui ne le méritaient pas.

Douze jours sur des pixels

En construisant Oramus Radar — un outil encore en développement, que je n’ai pas publié — j’ai mis en place avec une IA une méthode de contrôle rigoureuse : des mesures, des tests, un registre de décisions numérotées. Sur la partie données et scoring, c’était indispensable. Un score faux ne se voit pas. Il s’affiche avec la même assurance qu’un score juste, et il est lu, cru, et utilisé. Là, chaque instrument se paie.

Puis nous sommes passés au langage visuel : couleurs, espacements, typographie. Et la méthode a suivi, intacte. Suite de tests sur les styles calculés, corpus de contraste, arbitrages signés sur chaque nuance de vert.

Sur dix-neuf jours de travail effectif, douze sont partis dans cette couche visuelle. Deux ou trois étaient légitimes : choisir un vert, arrêter une mise en page, ce sont des décisions, et elles se paient quel que soit l’outillage. Le reste a servi à instrumenter un domaine où chaque défaut était visible d’un simple coup d’œil.

Un écart de deux pixels n’est pas silencieux. Il ne demande pas d’instrument. Il demande un regard.

L’erreur n’est pas dans l’ordre des étapes, qui était bon : le fonctionnel d’abord, le design ensuite. Elle est dans le transport d’une doctrine d’un domaine à un autre. La rigueur avait été payée sur les données, où elle se justifie. Elle a été reconduite telle quelle sur le visuel, sans que personne ne demande si le défaut y avait la même propriété. Il ne l’avait pas.

Le flyer à quarante euros

C’est une tâche minuscule qui me l’a fait voir.

J’ai demandé à une IA de m’aider à concevoir un flyer. Rien de compliqué : un recto, quelques lignes, un numéro de téléphone. Le budget d’impression tenait dans un billet.

L’assistant a bloqué. Il fallait mesurer les marges. Vérifier que le titre était centré au pixel. Harmoniser les interlignes. Chaque écart était présenté comme un « défaut bloquant ».

Rien de tout cela n’était faux. Tout était hors de propos.

Un flyer sert à faire sonner un téléphone. Ses seules exigences réelles sont : pas de faute, mentions légales présentes, lisible. Le reste ne fait pas revenir un contact de plus. Personne n’investit une journée de travail dans un objet qui vaut le prix d’un déjeuner.

Sur ce terrain-là, je savais. Les flyers, WordPress, les plugins métier, Shopify : je pratique depuis assez longtemps pour dire non sans hésiter. Et c’est ce non immédiat qui m’a alerté. Si l’IA se trompait à ce point sur un objet que je maîtrisais, qu’avait-elle produit pendant douze jours sur un terrain que je découvrais ?

Elle, de son côté, ne pouvait pas le savoir. Ni sur le flyer, ni sur le produit.

Ce n’est pas pour autant une tâche où elle n’a servi à rien. J’ai gardé ce qu’elle faisait bien : des conseils marketing utiles, des tournures que je n’aurais pas trouvées seul. Mais il a fallu discuter de la cible pour que ça devienne exploitable. Elle écrivait pour des artisans. Je m’adresse à des entreprises de cinq à trente salariés. Rien dans ma demande ne le précisait, alors elle a comblé le vide avec le cas le plus probable — et elle l’a fait sans le signaler, avec le même aplomb que pour le reste.

Le détail paraît mineur. Il ne l’est pas. C’est le même mécanisme que les douze jours, en miniature : faute d’information, l’IA choisit une hypothèse et la déroule jusqu’au bout. Si vous connaissez le domaine, vous voyez l’hypothèse et vous la corrigez en une phrase. Sinon, vous ne voyez même pas qu’une hypothèse a été prise, et vous la suivez.

La maquette, je l’ai finalement faite moi-même. Bien plus vite qu’en la faisant reprendre ligne à ligne. C’est peut-être la compétence qui compte le plus aujourd’hui : savoir quand déléguer et quand reprendre la main.

Le mécanisme

Ce qui m’a frappé en relisant le déroulé, c’est qu’à aucun moment l’IA ne m’a proposé quelque chose d’absurde. Chaque contrôle supplémentaire était défendable isolément. Pris un par un, tous les arguments tenaient.

C’est précisément le piège. Une suite de décisions localement justes, jamais confrontées à un budget global. Il n’y avait pas de plafond, donc il n’y a pas eu d’arrêt.

Et la raison de fond est simple : une IA voit un écart de deux pixels aussi nettement qu’une mention légale manquante. Rien en elle ne dit « celui-ci vaut le prix d’un timbre, l’autre vaut un procès ». Elle optimise ce qu’elle sait vérifier. L’exactitude est vérifiable. La suffisance ne l’est pas — elle suppose de savoir à quoi sert l’objet, pour qui, et à quel prix.

S’y ajoute un effet que je n’avais pas anticipé : le rôle que je lui avais confié. Je lui avais demandé d’être l’arbitre, le gardien de la méthode, celui qui cherche ce qui cloche. Un rôle dont la production attendue est le défaut en trouvera indéfiniment. C’était le bon rôle sur les données. Il n’a jamais été révisé quand le domaine a changé.

Pire : plus la méthode que vous lui donnez est rigoureuse, plus elle l’amplifie. Elle ne la tempère pas avec son propre jugement, parce qu’elle n’a pas de jugement sur le coût. Une IA est donc plus risquée avec quelqu’un de rigoureux qu’avec quelqu’un de pressé. Dans un domaine que vous maîtrisez, vous la freinez. Dans un domaine que vous découvrez, personne ne la freine.

C’est la version coûteuse d’un travers connu : l’outil vous rend exactement ce que vous lui avez demandé. Ce que je ne lui avais jamais demandé, c’était de s’arrêter.

Ce qu’aucune formation ne dit

On peut être formé à l’IA. Connaître les modèles, savoir écrire une consigne propre, mesurer ce qu’on obtient en sortie. Rien de tout cela ne prévient de cette dérive-là.

Parce qu’elle n’est écrite nulle part. Ce n’est pas une limite documentée du modèle, ni un biais listé dans une fiche technique. Ce n’est même pas une erreur : c’est un excès de zèle, et un excès de zèle ne déclenche aucune alerte. Il ne se voit pas sur une réponse isolée — chacune est bonne. Il se voit sur une facture, ou en relisant un mois de travail d’affilée.

Un développeur plus expérimenté que moi sur ce terrain aurait construit le même produit autrement, et la différence n’aurait pas porté sur la rigueur. L’expérience ne se lit pas dans la qualité de ce qu’on produit. Elle se lit dans le nombre de choses qu’on laisse volontairement imparfaites. Un senior sait que l’essentiel de ce qui s’écrit avant les premiers utilisateurs finira jeté, donc il refuse de le polir. C’est un arbitrage qu’aucune consigne ne remplace. On ne l’apprend pas en lisant une règle, mais en ayant déjà jeté du travail dans lequel on avait mis du soin.

C’est ce que je retiens de plus général. La formation donne le mode d’emploi ; l’usage prolongé donne les angles morts. On ne trouve pas ces dérives en apprenant l’outil, on les trouve en le payant — et il faut y être passé soi-même pour savoir où poser le plafond la fois d’après.

Ce que j’ai changé

Je n’ai pas abandonné la rigueur. Je l’ai bornée.

Désormais, avant toute tâche, je déclare un niveau d’exigence, et l’IA s’y tient :

• Jetable — pas de faute, légal, lisible. On livre. Le flyer.
• Correct — ça se juge à l’œil, pas d’instrument. L’interface.
• Instrumenté — le défaut est silencieux, on mesure. Les données, l’argent.

Et cinq domaines où le troisième niveau s’applique sans discussion : l’argent, les données présentées comme mesurées, le juridique, la sécurité, la perte de données. Partout ailleurs, si l’IA veut ajouter un contrôle, elle doit d’abord expliquer pourquoi l’œil ne suffit pas.

Une quatrième règle compte autant que les trois niveaux : l’IA doit dire quand une tâche est finie, même s’il lui reste des choses à proposer. Une file toujours ouverte donne une sensation de progression qui n’en est pas une — c’est exactement ce qui m’a tenu douze jours.

En pratique, ça tient en une ligne posée au début de la demande, avant même de décrire le travail. Pas un document de process : une phrase. Le critère de tri est toujours le même — le défaut est-il visible ? S’il se voit, un regard suffit et l’instrument est du gaspillage. S’il ne se voit pas, aucun regard ne le rattrapera et l’instrument n’est pas négociable.

Le vrai bénéfice n’est pas le temps gagné sur les tâches jetables. C’est que la rigueur retrouve du sens là où elle compte. Quand tout est instrumenté, plus rien ne signale ce qui est réellement critique.

La leçon

Avant de confier une tâche à une IA, dites-lui ce que vaut la tâche.

Pas seulement ce qu’elle doit produire — ce qu’elle doit coûter. Combien de temps, pour quel enjeu, avec quel niveau de finition acceptable. Sans cette information, l’outil ne fera pas un mauvais travail. Il fera un travail parfait. Et c’est exactement le problème.

Reste une difficulté que je n’ai pas résolue, et qui est peut-être la vraie. Ces trois niveaux supposent de savoir ce que l’IA sait faire, donc où passe la limite entre ce qu’on lui confie et ce qu’on reprend. Or cette limite bouge. Ce qu’elle ratait il y a six mois, elle le réussit aujourd’hui ; ce qu’elle réussit aujourd’hui, elle le fera peut-être mieux que moi dans trois mois. Le repère ne se pose donc pas une fois pour toutes. Il se revérifie au démarrage de chaque projet, puis en cours de route.

Il y a une chance dans cette histoire, et elle mérite d’être dite : c’est arrivé sur mon propre produit, pas chez un client. La leçon a coûté du temps, pas une relation. C’est le prix normal d’un apprentissage, et il est payé.

C’est aussi la conviction derrière Oramus Radar : un outil doit vous aider à voir, pas décider à votre place. Le budget, le niveau d’exigence, le moment où l’on s’arrête — ça reste votre métier.

Cette question du cadrage est le vrai sujet de l’automatisation IA en entreprise, bien avant le choix du modèle ou de l’outil. Elle revient dans presque tous les chantiers racontés ici — notamment dans la chronique de construction du Lab, où la même tentation a été arbitrée en direct.

Si vous êtes en train de poser ce cadre sur vos propres projets, on peut en parler.