Fondamentaux
Description de la famille FONDAMENTAUX
Audio #12.Rends ton prompt défendable
À partir d’une simple question – « pourquoi avez-vous fait confiance à cette réponse ? » – découverte des 4 réflexes qui rendent un prompt traçable, testable et défendable au travail.
Audio #11.Documente le prompt qui fonctionne
Découvrir comment transformer un prompt efficace mais personnel en outil réutilisable : objectif, contexte, critères, limites, cas de test et suivi des ajustements.
Audio #10.Protège le prompt des contenus piégés
À partir d’un document reçu d’un tiers, découvrez comment une instruction cachée peut détourner la réponse de l’IA, et comment structurer vos demandes pour mieux vous en protéger.
Audio #9.Teste le prompt sur les cas difficiles
Découvrir comment un prompt brillant sur un cas simple peut s’effondrer dès que le réel devient flou, contradictoire ou sensible, et apprendre à le tester sans complaisance.
Audio #8.Exige un format contrôlable
À partir d’une réponse bien écrite mais inutilisable, découverte de formats simples (tableau, liste, grille, plan) qui rendent une comparaison contrôlable, vérifiable et réutilisable.
Audio #7.Découpe les tâches complexes
Découvrez comment transformer une demande professionnelle risquée en séquence d’étapes visibles — analyser, extraire, comparer, décider — pour rester aux commandes du résultat.
Audio #12.Relis avant de reprendre
À partir d’un texte d’IA prêt à être copié-collé, découverte de 4 vérifications rapides pour tester l’adéquation, combler les manques, filtrer les opinions et ajuster le ton au destinataire.
Audio #11.Améliore sans repartir de zéro
Découvrir comment transformer une réponse « bof » en contenu vraiment utile, en apprenant à cibler ce qui coince, formuler des demandes précises et avancer par petites touches.
Audio #10.Fais clarifier avant de produire
À partir d’un simple « Écris-moi un texte de présentation », découverte pas à pas de l’intérêt de demander à l’IA trois questions de clarification avant toute réponse.
Audio #9.Sépare la consigne du contenu
À partir d’une demande « tout en vrac », on apprend à séparer consigne, contexte, document et forme de sortie pour obtenir des réponses plus précises… et des idées plus claires.
Audio #8.Un exemple montre ce que tu veux dire
Découvrir pourquoi un exemple concret oriente mieux l’IA qu’une consigne vague, comment choisir la bonne phrase-modèle et éviter les exemples trompeurs pour obtenir le ton juste.
Audio #7.Les contraintes évitent les mauvaises surprises
Découvrir comment préciser ton, longueur et vocabulaire pour obtenir des réponses claires, utiles et adaptées, sans noyer sa demande sous les consignes.
Audio #6.Le format fait partie de la demande
À partir d’un cas concret, découverte de ce qui se passe quand on ne précise pas la forme attendue, et comment choisir le bon format selon l’usage réel de la réponse.
Audio #6.Fais apparaître les limites
Découvrir comment formuler des demandes pour faire apparaître les zones d’ombre d’une réponse d’IA, identifier ce qui manque, ce qui est incertain et ce qui doit être vérifié avant usage.
Audio #5.Le contexte aide seulement s’il est utile
Découvrir comment trier le contexte à donner à l’IA, en gardant ce qui change vraiment la réponse et en éliminant les détails qui la brouillent inutilement.
Audio #5.Sépare faits, hypothèses et recommandations
Comment formuler une demande pour obliger l’IA à distinguer clairement faits établis, hypothèses, interprétations et recommandations, et mieux maîtriser vos décisions.
Audio #4.Une bonne demande tient en quatre blocs
Comment passer d’une demande brouillonne à une consigne claire pour l’IA en utilisant quatre blocs simples — tâche, contexte, contraintes, format — à mémoriser en un réflexe.
Audio #4.Sépare les règles stables de la demande du moment
Comment écrire un prompt professionnel qui sépare clairement règles stables, rôle, contraintes durables et demande du moment, pour obtenir des réponses cohérentes et prévisibles.
Audio #3.L’IA répond à côté quand la demande flotte
Découvrir comment ambiguïté, objectif implicite, destinataire absent, manque de contexte et forme floue transforment une question en réponse correcte… mais hors sujet.
Audio #3.Donne le dossier, pas seulement la question
En partant d’une simple demande stratégique, découvrez comment transformer votre consigne en dossier structuré — question, faits, contraintes, documents et limites — pour des réponses vraiment actionnables.
Audio #2.Définis d’abord le résultat utile
Découvrir comment passer de « aide-moi sur ce sujet » à une demande claire, en définissant objectif, usage final, destinataire et critères simples qui rendent vraiment la réponse exploitable.
Audio #2.Définis les critères avant la réponse
Comment passer du simple « pas mal » à une évaluation solide d’une réponse d’IA, en définissant à l’avance pertinence, exactitude, ton, détail, complétude et usage concret.
Audio #1.Un prompt n’est pas une formule magique
En partant de la quête du « bon prompt », découvrez pourquoi un prompt n’est ni un mot de passe ni une formule magique, mais une consigne de travail claire à une IA.
Audio #1.Un prompt pro est une spécification
Découvrir pourquoi un prompt qui marche pour vous peut échouer en équipe, et comment le transformer en consigne claire, explicite et transmissible sans vous.
Audio #16.Elle ne porte pas la responsabilité
À partir d’un texte généré « prêt à publier », exploration de ce que l’IA ne fait pas : choisir la finalité, assumer le risque, porter la responsabilité et la relation de confiance.
Audio #15.Le travail se déplace vers le jugement
À partir d’un manager noyé sous dix versions en quelques secondes, découverte de la façon dont l’IA générative déplace la valeur du travail vers le choix, le cadrage et la responsabilité.
Audio #14.Un contenu réaliste doit prouver son origine
Dans un monde où l’IA fabrique des contenus bluffants, découvrez pourquoi l’origine traçable compte plus que l’apparence, et comment provenance, métadonnées et watermarking peuvent aider.
Audio #13.Les représentations peuvent se déformer
À partir d’images de dirigeants, d’infirmières ou de clients idéaux, on explore comment l’IA apprend des données et finit par normaliser, répéter puis amplifier certains profils au détriment d’autres.
Audio #12.Les garde-fous réduisent les dérives sans les supprimer
L’IA générative n’est pas un Far West total. Données filtrées, comportements appris, filtres d’entrée et de sortie, red teaming : découvrez ce que ces garde-fous protègent… et ce qu’ils laissent passer.
Audio #11.Les benchmarks ne mesurent qu’une partie de l’intelligence
Découvrir à quoi servent vraiment les benchmarks d’IA, ce qu’ils mesurent (ou non), pourquoi ils vieillissent vite et comment les relier à vos usages concrets plutôt qu’au « meilleur modèle » abstrait.
Audio #10.Le langage remplace le bouton
Découvrir comment l’IA générative transforme une intention formulée en langage courant en interaction avec un logiciel, en réduisant la distance entre ce que vous voulez et la première action proposée, sans confondre interface et autonomie.
Audio #9.Le multimodal relie les formats
À partir d’une simple réunion, découvrez comment un même système peut relier document, capture d’écran et enregistrement audio, et circuler entre les formats.
Audio #8.La vidéo ajoute le temps au réalisme
En partant d’une image parfaite qui se met à bouger, on découvre pourquoi la vidéo générée doit gérer mouvement, continuité et sens dans le temps, bien au-delà de l’image fixe.
Audio #7.Le son crée une ambiance avant de convaincre
En partant d’une même vidéo muette, découvrez comment différentes ambiances générées par l’IA transforment votre perception, vos émotions et le sens que vous attribuez à la scène.
Audio #6.La voix synthétique imite une présence
À partir d’un message qui semble venir d’une personne connue, découverte de la synthèse vocale, du clonage et des deepfakes, et de ce qu’ils changent pour la confiance et le consentement.
Audio #5.L’image naît d’une description
À partir d’une simple demande d’affiche, découvrez comment l’IA compose une image crédible à partir de régularités apprises, sans scène réelle ni photographe.
Audio #4.Le code devient une production exécutable
À partir d’une simple demande de script, découvrez pourquoi le code généré par l’IA n’est pas qu’un texte bien écrit, mais un ensemble d’instructions qui agissent et engagent votre responsabilité.
Audio #3.Le texte lance le premier jet
Découvrir comment la génération de texte peut servir de brouillon, de plan ou de reformulation pour vaincre la page blanche, sans confondre vitesse de rédaction et vérité.
Audio #2.Elle crée avec des traces humaines
En partant de la sensation d’une machine « créative », on remonte aux données d’entraînement, aux régularités apprises et au rôle décisif de votre demande.
Audio #1.Elle fabrique des contenus, pas des réponses
En partant d’une demande professionnelle très concrète, distinction claire entre moteur de recherche, IA prédictive, logiciel classique et IA générative pour savoir quand une réponse est retrouvée ou fabriquée.
Audio #13.La bonne question est le niveau de preuve
À partir de trois demandes très concrètes, découvrez une grille mentale claire pour décider quand un LLM peut aider, quand vérifier chaque point et quand refuser de lui déléguer.
Audio #12.Les biais ne sont pas des accidents isolés
En partant d’un outil RH apparemment objectif, on remonte à la fabrication des modèles de langage pour comprendre comment données, langues et choix de conception créent des biais structurels.
Audio #11.Un long contexte ne règle pas tout
À partir de l’image d’un gros dossier sur un bureau, découverte de ce qui limite vraiment l’usage d’une grande fenêtre de contexte et du rôle clé de l’organisation.
Audio #10.L’hallucination, c’est du faux plausible
En partant d’un collègue qui improvise plutôt que d’avouer « je ne sais pas », découverte des causes profondes des hallucinations des IA et de leurs limites de fiabilité.
Audio #9.Il répond comme un assistant, pas comme une preuve
Un assistant peut paraître compétent, poli et structuré sans avoir vérifié ce qu’il avance. Ici, on décortique comment il apprend à bien parler plutôt qu’à prouver.
Audio #8.Il peut répondre autrement deux fois de suite
En partant de l’image de deux collaborateurs compétents, découvrez comment un LLM génère plusieurs réponses possibles, le rôle de la probabilité, de la température et pourquoi stable ne veut pas dire vrai.
Audio #7.Il ne sait pas toujours ce qui est récent
À partir de l’image du GPS, apprenez à faire la différence entre ce qu’un modèle a figé lors de son entraînement et les informations récentes que l’application peut lui ajouter à la volée.
Audio #6.Comment il garde le fil d’un texte
À partir de « Le point a été validé. », découvrez comment l’attention permet à un modèle de langage de relier les bons morceaux de texte pour réduire l’ambiguïté, sans garantir la vérité.
Audio #5.Le contexte est une mémoire de travail
À partir de l’image d’un simple bureau, découvrez comment la fenêtre de contexte limite ce qu’un LLM peut vraiment prendre en compte, et pourquoi ce n’est pas une mémoire durable.
Audio #4.Les tokens sont les vrais morceaux du langage
Découvrez comment les modèles de langage comptent en tokens plutôt qu’en pages ou en mots, et comment ce découpage discret influence longueur, coût et qualité des réponses.
Audio #3.Le moteur, c’est prédire la suite
À partir de l’autocomplétion de votre téléphone, découvrez comment un LLM construit ses réponses morceau par morceau, et pourquoi cela fait sa force autant que ses limites.
Audio #2.Il a appris avant de vous répondre
À partir de l’image d’un grand lecteur qui parle de mémoire, découvrez comment un LLM apprend des régularités, pourquoi il ne stocke pas les textes et ce que cela change pour vérifier ses réponses.
Audio #1.Un LLM n’est pas un cerveau
À partir d’une scène de réunion trompeuse, découvrez comment un grand modèle de langage génère du texte plausible sans intention, ni vérité intérieure, ni conscience.
Audio #14.Novembre 2022, ChatGPT et la rupture grand public
Pourquoi un outil discret lancé fin 2022 a rendu visible au grand public une puissance d’IA déjà là depuis 2020, en changeant surtout l’interface et l’accès, pas la magie technique.
Audio #13.GPT-3, plus grand et soudainement capable de tout
En explorant GPT-3 et ses 175 milliards de paramètres, découvrez comment l’augmentation d’échelle produit à la fois des gains prévisibles et des capacités émergentes déroutantes.
Audio #12.GPT-2, le modèle trop dangereux pour être publié
Découvrez pourquoi GPT-2 a marqué un tournant : un modèle de langage jugé trop risqué pour être diffusé entièrement, et le début d’un débat ouvert sur la divulgation responsable.
Audio #11.2017, l'attention change tout
En partant d’une simple expérience de lecture, découvrez comment le mécanisme d’attention des Transformers a remplacé la lecture séquentielle, permis le calcul en parallèle et ouvert la voie aux grands modèles actuels.
Audio #10.2016, quand l'IA bat l'humain au jeu le plus complexe
De la « frontière Go » au coup 37 d’AlphaGo contre Lee Sedol, découvrez comment l’apprentissage par renforcement a fait basculer notre vision de ce que les machines peuvent apprendre seules.
Audio #9.Quand l'IA entre dans les métiers
Entre 2015 et 2020, le deep learning passe de l’automatisation de tâches simples à l’imitation de jugements experts, en radiologie, industrie, logistique et biologie.
Audio #8.L'IA invisible, déjà là depuis 10 ans
De la boîte mail aux recommandations de films, en passant par la recherche en ligne et la traduction, explorez comment l’IA façonnait déjà vos journées bien avant ChatGPT, en toute discrétion.
Audio #7.2012, le moment où tout bascule
Découvrir pourquoi la victoire écrasante d’AlexNet à ImageNet 2012 marque la vraie naissance du deep learning et a redessiné les choix d’investissement à l’échelle mondiale.
Audio #6.Les données, le carburant invisible
Comprendre comment Internet a fourni les milliards d’exemples qui manquaient aux réseaux de neurones, et pourquoi cela concentre aujourd’hui le pouvoir entre quelques acteurs.
Audio #5.Les réseaux de neurones, la longue patience
Des premiers neurones artificiels aux triomphes de l’apprentissage profond, découvrez comment une idée longtemps marginalisée a attendu données, calcul et bon moment pour changer le monde.
Audio #4.Les hivers de l'IA, quand la promesse s'effondre
Explorez comment deux grandes vagues de désillusion (1974-1980 et 1987-1993) ont presque figé l’IA, révélant les limites des promesses face aux réalités techniques.
Audio #3.Les premières fois, quand la machine a étonné le monde
De Logic Theorist à MYCIN, découvrez comment quatre démonstrations spectaculaires — raisonnement, dialogue, perception, expertise médicale — ont nourri un optimisme promis aux désillusions.
Audio #2.Dartmouth 1956, le jour où l'IA reçoit son nom
Pourquoi 1956 est-elle devenue la date de naissance officielle de l’IA ? En retraçant l’atelier de Dartmouth, on découvre un pari scientifique audacieux, ses succès réels, ses angles morts et la raison pour laquelle l’optimisme initial s’est transformé en douche froide.
Audio #1.La question qui a tout déclenché
Découverte du geste décisif de Turing : remplacer la question « une machine pense-t-elle ? » par « peut-on la distinguer d’un humain ? », et comprendre pourquoi ce glissement a tout changé.
Audio La bonne question est le niveau de preuve
Comment savoir quand faire confiance à une IA au travail ? Découvrez une grille simple en trois niveaux pour décider quand déléguer, quand vérifier et quand refuser l'usage d'un LLM selon le niveau de preuve exigé par vos tâches.