Neuf verbes, une frontière dentelée.

Série « Comprendre l’IA », note 4 sur 12. Vous savez désormais ce qu’est un modèle de langage, comment il travaille de l’intérieur et en quoi il diffère du logiciel et des robots de processus. Cette note répond à la question qu’on me pose à la première réunion : « Bien, et que fait-il exactement dans mon entreprise ? »

Lundi, 8 h 15, une fabrique de meubles à Fribourg, quatre-vingts employés. Le directeur général a demandé à chaque responsable de service une liste de « là où l’IA pourrait nous aider ». Sur son bureau, quarante-deux propositions. Les ventes veulent qu’elle rédige les offres. L’administration veut qu’elle lise les factures des fournisseurs. La production veut qu’elle prédise quand la plaqueuse de chants va tomber en panne. Les ressources humaines veulent un assistant pour les questions sur les vacances. Le marketing veut des vidéos. Et le responsable qualité, le plus sceptique, a écrit une seule ligne : « Et qui vérifie ce qu’elle fait ? »

La scène est imaginaire. Les quarante-deux propositions, non : c’est ce qui arrive quand on demande sans carte. Et les quarante-deux ne se valent pas. Certaines se résolvent par une règle de logiciel. D’autres sont exactement ce qu’un modèle de langage fait mieux que quiconque. D’autres encore sont, aujourd’hui, une promesse de catalogue. Cette note est la carte que je poserais sur ce bureau : neuf verbes, sept services, quatre études qui ont mesuré de vrais résultats et un avertissement.

La question n’est pas « où l’IA peut-elle aider ? ». C’est « de quel verbe ai-je besoin ici, et que se passe-t-il quand elle le conjugue mal ? ».

Les neuf verbes.

Un modèle de langage ne « fait pas de l’IA ». Il fait des choses concrètes avec du texte, et depuis peu avec la voix et les images. Si vous les connaissez par leur nom, chaque proposition de votre entreprise devient comparable aux autres.

• Classer. Lire quelque chose et dire de quel type c’est : ce courriel est une réclamation, cette facture concerne le transport, cet appel est urgent. C’est le verbe le plus fiable et celui qui apporte le plus de valeur silencieuse, parce qu’il ordonne ce que le logiciel de toujours traitera ensuite.
• Extraire. Tirer des données concrètes d’un texte désordonné : le numéro de commande d’un courriel, le montant et la date d’une facture scannée, les clauses de pénalité d’un contrat. Ce qu’une personne tapait auparavant.
• Résumer. Transformer trente pages en une, une réunion d’une heure en cinq lignes, cent avis en trois thèmes. Très bon, avec un risque : le résumé omet, et vous ne voyez pas ce qu’il omet.
• Rédiger. Un premier jet d’offre, une réponse à un client, une description de poste. C’est ce que la plupart des gens font déjà en cachette. Nous le verrons en chiffres.
• Traduire. Entre langues, et aussi entre registres : le technique en langage courant, l’informel en formel. Pour une entreprise suisse qui sert ses clients en quatre langues, c’est souvent le premier usage rentable.
• Répondre avec vos documents. Répondre aux questions en lisant, à chaque demande, les manuels, tarifs et politiques approuvés par la direction, et en citant d’où vient chaque donnée. C’est la base de tout assistant sérieux. La technique s’appelle la récupération et je vous l’explique dans la note 5.
• Transcrire et parler. Convertir la voix en texte et le texte en voix. Les appels, les réunions et les notes dictées en voiture deviennent du texte sur lequel appliquer les verbes précédents.
• Voir. Lire des documents scannés, des photos de bons de livraison, des plans, des étiquettes. Ce qui exigeait il y a peu un programme spécialisé de reconnaissance de caractères, le même modèle qui écrit le fait aujourd’hui.
• Programmer. Écrire et corriger du code. C’est le verbe qui a le plus changé le secteur technologique, et la raison pour laquelle les automatisations sur mesure sont devenues bien moins chères à construire.

Observez ce qui n’est pas dans la liste : décider. Un modèle peut proposer une décision, classer les options et argumenter. Mais la décision, pour tout ce qui a des conséquences, est un verbe qui reste à une personne, pour les raisons de la note 2 : le modèle prédit le probable, pas le correct, et tend à vous dire ce que vous voulez entendre.

Sept services, avec leurs verbes.

Je reviens aux quarante-deux propositions de la fabrique et je les ordonne avec la carte. Ce n’est pas une liste du possible ; c’est une liste de ce que j’ai vu fonctionner ou de ce que les études ont mesuré.

• Service client. Classer et répondre avec des documents. Le modèle trie la boîte de réception, propose la réponse et la personne la relit ou l’envoie. C’est le service avec les meilleures preuves, comme vous le verrez dans un instant, et aussi celui de l’avertissement de Klarna.
• Administration et finances. Extraire et classer. Factures de fournisseurs lues et comptabilisées avec une relecture finale ; rapprochement des mouvements ; relance automatique des paiements échus. Ici, le modèle ordonne et le logiciel exécute. C’est, de loin, l’endroit où l’on récupère le plus d’argent par franc investi, et celui qui reçoit généralement le moins de budget.
• Ventes. Rédiger, résumer et extraire. Préparation d’une réunion à partir de tout ce que l’entreprise sait du client ; projet d’offre à partir d’un modèle approuvé ; résumé de l’appel dans le système commercial sans que le vendeur ne tape rien.
• Ressources humaines. Répondre avec des documents et rédiger. Un assistant interne pour les questions habituelles, qui lit la convention collective et le règlement du personnel et cite l’article. Et un avertissement : le recrutement avec l’IA est strictement réglementé dans l’Union européenne et constitue un terrain délicat en Suisse. Ce n’est pas un verbe pour commencer.
• Juridique et conformité. Extraire et résumer. Comparer un contrat reçu avec son propre modèle et marquer les différences ; résumer une nouvelle norme. Toujours avec une personne qui signe, et avec la leçon de Mata contre Avianca de la note 2 bien présente.
• Marketing. Rédiger et traduire. Premiers jets, variantes, adaptation en quatre langues. C’est là qu’on dépense le plus et qu’on mesure le moins ; nous le verrons dans la note sur les coûts.
• Opérations et production. Classer et voir. Rapports d’incident dictés à la voix et classés ; photos d’un défaut comparées au catalogue des défauts. Prédire quand la plaqueuse de chants va tomber en panne relève d’une autre famille d’IA, celle des capteurs et des séries temporelles, et exige des années de données que presque personne n’a.

Ce qui a vraiment été mesuré.

C’est ici que je sépare ce que je sais de ce qu’on me raconte. Il y a quatre études que je cite dans presque toutes les réunions parce qu’elles ont mesuré avec des groupes de contrôle, dans des entreprises ou des tâches réelles, et publié les chiffres complets.

La première porte sur le service client. En avril 2023, Brynjolfsson, Li et Raymond ont publié au National Bureau of Economic Research l’étude de 5179 agents de support d’une entreprise de logiciels à qui l’on a donné, par étapes, un assistant d’IA qui suggérait des réponses. La productivité, mesurée en demandes résolues par heure, a augmenté de 14 % en moyenne. Et la donnée qui m’intéresse le plus : les agents les moins expérimentés se sont améliorés de 34 %, tandis que les plus experts ont à peine changé. L’assistant, en pratique, transmettait aux nouveaux ce que les anciens savaient. La rotation du personnel a baissé. C’est le meilleur argument que je connaisse en faveur de l’IA comme outil de formation déguisé.

La deuxième porte sur la rédaction. En juillet 2023, Noy et Zhang ont publié dans Science une expérience avec 453 professionnels diplômés de l’université effectuant des tâches d’écriture propres à leur travail. Avec ChatGPT, ils ont mis 40 % de temps en moins et la qualité, évaluée par d’autres professionnels, a augmenté de 18 %. Comme dans le cas précédent, ceux qui écrivaient le moins bien au départ sont ceux qui ont le plus gagné. L’outil réduit les écarts vers le haut.

La troisième est celle qui change la façon de penser. En septembre 2023, une équipe de Harvard, du MIT, de Wharton et du Boston Consulting Group a fait réaliser des tâches réelles à 758 consultants de BCG, les uns avec GPT-4, les autres sans. Dans les tâches situées dans ce que le modèle fait bien, ceux qui l’ont utilisé ont accompli 12,2 % de tâches en plus, 25,1 % plus vite et avec 40 % de qualité en plus. Mais les chercheurs ont inclus à dessein une tâche qui semblait tout aussi facile et se trouvait juste en dehors de cette capacité, une tâche qui exigeait de croiser des données avec des entretiens et d’appliquer du jugement. Là, les consultants avec IA ont eu raison nettement moins souvent que ceux qui ont travaillé sans elle : le groupe sans IA a eu raison dans 84 % des cas et les groupes avec IA sont restés entre 60 % et 70 %. Les auteurs ont appelé cela la frontière dentelée : la capacité du modèle n’est pas un cercle qui grandit, c’est une ligne irrégulière où deux tâches voisines peuvent tomber de côtés différents, et de l’extérieur on ne voit pas où passe la ligne.

C’est l’avertissement que presque personne n’inclut dans la présentation. Le même outil qui rend votre équipe 25 % plus rapide dans une tâche la rend moins bonne dans la tâche voisine, et moins bonne avec assurance, parce que les gens tendent à accepter ce que le modèle propose quand c’est bien écrit. L’étude décrit deux manières de travailler qui l’évitent : le centaure, qui répartit le travail et fait certaines tâches avec la machine et d’autres sans, et le cyborg, qui mélange les deux à chaque étape mais vérifie sans relâche. Aucune des deux ne consiste à déléguer.

La quatrième étude est, en réalité, une histoire en deux parties, et il vaut la peine de la raconter entière. En février 2024, l’entreprise suédoise de paiements Klarna a annoncé que son assistant d’IA avait tenu 2,3 millions de conversations avec des clients au cours de son premier mois et faisait le travail équivalent à 700 agents. Ce fut le cas le plus cité de l’année dans les présentations. En mai 2025, son directeur général a reconnu publiquement que le pari avait produit une qualité plus basse et qu’il recrutait de nouveau des personnes pour le service client, avec l’IA en appui et non en remplacement. Ce n’est pas un échec de la technologie. C’est la frontière dentelée appliquée à toute une entreprise : cela a fonctionné là où le modèle fait bien le verbe, et échoué là où le client avait besoin de quelqu’un avec du jugement.

Ce qui se passe déjà dans votre entreprise, sans que vous le sachiez.

Il y a une dernière donnée que je recommande de garder à l’esprit avant de décider quoi que ce soit. En mai 2024, Microsoft et LinkedIn ont publié une enquête auprès de 31 000 personnes dans 31 pays. 75 % des travailleurs du savoir utilisaient déjà l’IA générative dans leur travail, et 78 % d’entre eux utilisaient des outils personnels, non fournis par l’entreprise. La plupart ne le disaient à personne. Cela signifie que la question « adoptons-nous l’IA ? » arrive trop tard. Votre équipe l’a déjà adoptée. La vraie question est de savoir si elle le fait avec les outils, les données et les règles de l’entreprise ou avec un compte gratuit et les données de vos clients. Je vous le détaille dans la note sur la sécurité.

1. Cette semaine

   Demandez les propositions, mais avec un verbe

   Que chaque responsable écrive son idée avec l’un des neuf verbes. Ce qui ne tient dans aucun est généralement du logiciel classique ou une promesse.

2. Cette semaine

   Marquez la frontière

   À côté de chaque proposition, écrivez ce qui se passe si le modèle se trompe avec assurance. Là où la réponse est « personne ne s’en rendrait compte », il faut une relecture.

3. Ce mois-ci

   Commencez par l’administration

   Factures, rapprochement, encaissements. Moins spectaculaire qu’une vidéo, plus d’argent et moins de risque.

4. Ce mois-ci

   Demandez à votre équipe ce qu’elle utilise déjà

   Sans sanction. Vous découvrirez de quels verbes elle a besoin et avec quelles données elle les conjugue hors de la maison.

Comment je l’aborde.

Quand j’entre dans une entreprise, je ne demande pas où l’IA pourrait aider. Je parcours les services avec les neuf verbes et un carnet, et je note trois choses par processus : combien d’heures y passent, quel verbe manque et ce qui arrive s’il est mal conjugué. À la fin, il y a une carte en trois couleurs : ce qu’une règle résout, ce qu’un modèle avec relecture résout et ce qu’on ne touche pas aujourd’hui. Le Diagnostic stratégique que je propose est exactement cette carte, faite avec vos chiffres.

Faites l’exercice avec votre propre semaine. Notez les cinq tâches qui vous prennent le plus de temps et écrivez à côté le verbe qui leur correspond. Certaines n’en auront aucun, et c’est aussi une information.

Regardez maintenant celle dont vous aimeriez le plus vous débarrasser et posez-vous la question qui compte vraiment : si un modèle s’y trompait avec une parfaite assurance, combien de temps faudrait-il pour que quelqu’un s’en aperçoive ?

Note suivante : comment les verbes se relient entre eux. Ce qu’est la récupération, ce qu’est un outil, ce qu’est vraiment un agent et pourquoi un système de quatorze étapes qui réussit 95 % du temps à chacune échoue une fois sur deux au total.