IA 101 : Cours Accéléré sur les LLM, les Prompts et les Agents IA

En bref

• Les LLM (grands modèles de langage) sont les moteurs qui permettent à l’IA de comprendre et de générer du texte de façon contextuelle, et c’est sur eux que reposent tous les outils d’IA générative actuels.
• La qualité d’un prompt conditionne directement la qualité de la réponse : une instruction mal formulée produit un résultat inutilisable, même avec le meilleur modèle.
• Un agent IA va plus loin qu’un chatbot : il planifie, exécute plusieurs étapes, utilise des outils externes et ajuste ses actions selon le contexte.
• L’implémentation réussie commence par une compréhension claire des workflows existants, pas par le choix de la technologie.
• Les PME des secteurs juridique, immobilier, RH et comptabilité sont parmi les premiers bénéficiaires de l’automatisation par agents, à condition de commencer par des cas d’usage précis et délimités.

---

Ce que “IA” veut dire concrètement pour un dirigeant de PME

Quand un fondateur nous demande “est-ce que l’IA peut m’aider”, la bonne réponse n’est jamais oui ou non. Elle dépend de ce que vous appelez “IA”, et surtout de ce que vous faites réellement dans votre entreprise.

L’IA moderne repose sur trois composants distincts : les modèles de langage (LLM), les prompts qui leur donnent des instructions, et les agents qui coordonnent des actions sur plusieurs étapes. Comprendre chacun de ces éléments séparément vous permet de poser les bonnes questions, de choisir les bons outils, et d’éviter les déceptions qui arrivent quand on attendait autre chose.

Ce guide ne cherche pas à être exhaustif. Il cherche à vous donner un cadre opérationnel pour raisonner sur ce que l’IA peut et ne peut pas faire dans votre contexte.

---

Les LLM : ce qu’ils sont et ce qu’ils ne sont pas

Un Large Language Model, ou LLM, est un système entraîné sur de très grandes quantités de texte pour prédire, token par token, la suite la plus probable d’une séquence. En pratique, cela lui permet de comprendre le sens d’une phrase, de générer du texte cohérent, de résumer, de traduire, de raisonner sur un problème, ou de suivre des instructions complexes.

Le mot “token” désigne une unité de texte, roughly équivalente à un morceau de mot. Un texte de quelques centaines de mots représente typiquement quelques centaines à un millier de tokens. Les modèles actuels peuvent traiter des contextes très longs, ce qui leur permet d’analyser un contrat de plusieurs dizaines de pages en une seule requête, par exemple.

Ce que les LLM ne sont pas : une base de données. Ils ne “savent” pas ce qui se passe dans votre CRM. Ils ne consultent pas Internet en temps réel (sauf si un outil le fait pour eux). Ils n’ont pas de mémoire persistante entre deux conversations sans qu’on le configure explicitement. Et ils peuvent se tromper, en particulier sur des faits précis, des chiffres, ou des informations récentes.

Termes clés à retenir :

• Token : unité de base du traitement du texte par un LLM
• Contexte (ou “context window”) : la quantité de texte qu’un modèle peut traiter en une seule fois
• Inférence : le processus par lequel le modèle génère une réponse à partir d’une entrée
• Température : un paramètre qui contrôle le degré de variabilité dans les réponses (haute température = plus créatif, plus imprévisible)
• Hallucination : quand un modèle génère une information incorrecte avec apparente confiance

Les modèles de référence actuels incluent ceux d’Anthropic (famille Claude), d’OpenAI (famille GPT), et de Google (famille Gemini). Ils diffèrent dans leurs points forts, leurs limites de contexte, leurs politiques d’usage, et leurs tarifs. Le choix du modèle dépend du cas d’usage, pas d’une hiérarchie absolue.

---

Les prompts : pourquoi la formulation change tout

Un prompt, c’est l’instruction que vous donnez au modèle. C’est l’interface entre votre intention et ce que le système va produire. Et comme n’importe quelle instruction donnée à un collaborateur, la précision et la clarté de ce que vous demandez déterminent la qualité de ce que vous obtenez.

Un prompt mal formulé produit une réponse générique. Un prompt bien formulé produit exactement ce dont vous avez besoin.

La structure d’un prompt efficace comprend généralement :

• Un rôle ou un contexte : qui est censé répondre, dans quel cadre (“tu es un assistant juridique spécialisé en droit des contrats commerciaux”)
• La tâche précise : ce que vous voulez obtenir, sans ambiguïté
• Le format attendu : liste, paragraphe, tableau, email, etc.
• Les contraintes : longueur, ton, ce qu’il faut éviter
• Des exemples si nécessaire : un ou deux exemples du résultat attendu

Exemple concret : un cabinet de recrutement qui veut automatiser la rédaction des synthèses de candidats ne va pas écrire “résume ce CV”. Il va écrire quelque chose comme : “Tu es un chargé de recrutement senior. À partir du CV ci-dessous, rédige une synthèse de 150 mots destinée à un manager non-RH. Mets en avant les 3 expériences les plus pertinentes pour un poste de [intitulé]. Utilise un registre professionnel mais direct.”

La différence de qualité entre ces deux approches est immédiate et significative.

Techniques avancées de prompting :

• Chain-of-thought : demander au modèle d’expliquer son raisonnement étape par étape avant de donner sa réponse finale. Améliore la fiabilité sur les tâches de raisonnement.
• Few-shot : fournir deux ou trois exemples du résultat attendu avant de poser la vraie question. Particulièrement utile pour les formats spécifiques ou les tonalités particulières.
• System prompt : une instruction de fond qui définit le comportement général du modèle pour toute une conversation, distincte de la question posée à chaque échange.

La “prompt engineering” est devenue une compétence à part entière. Les équipes qui investissent du temps à formaliser leurs prompts pour les cas d’usage récurrents obtiennent des résultats nettement plus stables et exploitables.

---

Les agents IA : quand le modèle peut agir

Un LLM seul répond à une question. Un agent IA fait des choses.

La différence est structurelle. Un agent est un système qui utilise un LLM comme moteur de raisonnement, mais qui peut aussi planifier une séquence d’actions, appeler des outils externes (API, base de données, moteur de recherche, email, CRM), mémoriser des informations entre les étapes, et ajuster son plan selon les résultats intermédiaires.

Prenons un exemple dans le secteur immobilier. Un agent de qualification de prospects peut recevoir un formulaire entrant, rechercher des informations sur le contact et son entreprise, comparer son profil à des critères définis, rédiger un email personnalisé selon le résultat de l’évaluation, l’envoyer, mettre à jour la fiche dans le CRM, et programmer une relance dans sept jours. Le tout sans intervention humaine, en quelques secondes.

Ce type de workflow aurait demandé, manuellement, vingt à trente minutes par prospect. Multiplié par des dizaines de prospects par semaine, l’impact sur la productivité de l’équipe commerciale est tangible.

Les composants d’un agent IA :

• Le modèle : le cerveau qui raisonne et décide
• Les outils : les capacités d’action (envoyer un email, lire une base de données, faire une recherche web, appeler une API)
• La mémoire : ce que l’agent retient entre les étapes ou entre les sessions
• L’orchestrateur : la logique qui gère le flux, les erreurs, les conditions

Les outils d’orchestration les plus utilisés dans des contextes PME incluent n8n pour les workflows visuels, et des frameworks comme LangChain ou des implémentations directes via l’Anthropic SDK pour les systèmes plus personnalisés.

---

Ce que les agents font bien, et où ils ont des limites

Les agents IA sont très efficaces sur des tâches qui combinent plusieurs étapes répétables, de la manipulation de texte, et des appels à des systèmes externes. Ils sont moins fiables quand les décisions nécessitent un jugement nuancé basé sur une expérience humaine, une connaissance tacite du contexte, ou une responsabilité légale.

Ce qu’un agent gère bien :

• Triage et qualification de leads entrants selon des critères définis
• Rédaction de communications personnalisées à partir de templates et de données
• Extraction et structuration d’informations depuis des documents
• Relances automatiques selon des règles de workflow
• Synthèse de contenu long (rapports, contrats, transcriptions)
• Mise à jour de bases de données et de CRM

Ce qu’un agent ne devrait pas gérer seul :

• Décisions contractuelles ou légales engageant la responsabilité de l’entreprise
• Évaluations qui requièrent une connaissance relationnelle du client
• Situations ambiguës ou inédites sans protocole défini
• Communications sensibles en contexte de crise ou de litige

Dans notre travail avec des équipes de services professionnels qui déploient des agents d’intake ou de qualification, le problème le plus fréquent n’est pas technique. C’est l’absence de définition claire des cas où l’agent doit escalader à un humain. Les agents qui fonctionnent bien ont des conditions de sortie explicites.

---

Application sectorielle : quelques cas d’usage concrets

Cabinets juridiques et d’expertise comptable Revue préliminaire de documents, extraction de clauses spécifiques dans des contrats, préparation de résumés d’instruction pour les associés. L’agent ne remplace pas l’analyse juridique, il réduit le temps de préparation.

Agences de recrutement et équipes RH Qualification des candidatures entrantes, rédaction de synthèses candidats, communication automatisée aux candidats non retenus, programmation d’entretiens via intégration calendrier. McKinsey a documenté des gains de productivité substantiels sur les tâches administratives RH liées à l’automatisation.

Agences immobilières Qualification des acheteurs et des vendeurs potentiels, relances automatiques sur les leads froids, génération de descriptions d’annonces à partir de fiches techniques, synthèse des retours de visite.

Entreprises e-commerce et marketing Traitement des demandes de support récurrentes, personnalisation des communications post-achat, génération de descriptions produits cohérentes à l’échelle, analyse de retours clients.

Entrepreneurs du bâtiment et services (ex : HVAC) Qualification des demandes de devis entrants, réponse aux questions fréquentes sur les prestations et délais, suivi automatisé après intervention, collecte d’avis clients.

---

Les erreurs d’implémentation les plus fréquentes

Automatiser un processus cassé. L’IA accélère ce qui existe. Si le processus sous-jacent est désorganisé, vous aurez de la désorganisation accélérée. L’audit des workflows avant l’implémentation n’est pas optionnel.

Sous-estimer la maintenance. Les agents ne sont pas “set and forget”. Les APIs changent, les modèles sont mis à jour, les données évoluent. Prévoir un temps de maintenance régulier est indispensable.

Commencer trop large. Vouloir tout automatiser en même temps mène presque toujours à un projet qui s’enlise. Le bon point d’entrée est le cas d’usage le plus répétitif, le mieux délimité, et dont le résultat est vérifiable.

Négliger la qualité des données d’entrée. Un agent qui travaille sur des données incomplètes ou mal structurées produira des résultats incohérents. La qualité de l’output est directement liée à la qualité de l’input.

Ne pas impliquer l’équipe. Les outils IA adoptés par les équipes sont ceux que les équipes ont contribué à définir. L’implémentation top-down sans formation ni explication génère de la résistance, même pour des outils qui font gagner du temps.

---

Comment évaluer si votre entreprise est prête

Avant de parler de technologie, trois questions valent la peine d’être posées honnêtement :

1. Quelles tâches répétitives consomment le plus de temps dans votre équipe chaque semaine ? Si vous ne pouvez pas répondre précisément, vous n’avez pas encore fait l’inventaire nécessaire.

2. Ces tâches ont-elles des règles explicites et vérifiables ? Un agent IA ne peut automatiser que ce qui peut être décrit. Si la tâche repose sur un jugement implicite difficile à formaliser, l’automatisation sera limitée ou fragile.

3. Votre équipe a-t-elle la capacité et la volonté de tester, itérer et ajuster ? Les premières versions d’un agent ne sont pas parfaites. L’amélioration vient de cycles d’itération courts avec un retour terrain.

Si vous répondez oui aux trois, votre contexte est favorable à une première implémentation.

---

Ce que l’IA ne remplace pas

La clarté sur ce point évite beaucoup de désillusions. L’IA ne remplace pas le jugement stratégique, la relation client construite sur la durée, la créativité dans l’ambiguïté, ou la responsabilité humaine sur des décisions qui engagent l’entreprise. Elle libère du temps pour ces activités en absorbant les tâches à faible valeur ajoutée qui occupent une part disproportionnée des agendas.

Les organisations qui en tirent le meilleur parti sont celles qui ont une vision claire de ce qu’elles veulent faire avec le temps récupéré, pas seulement de ce qu’elles veulent déléguer à une machine.

Gartner et McKinsey convergent sur l’idée que la valeur de l’IA en entreprise se matérialise moins dans la substitution directe de postes que dans la redistribution des capacités humaines vers des activités à plus forte valeur. C’est un cadre utile pour poser la conversation en interne.

---

Les concepts présentés ici, LLM, prompts, agents, ne sont pas des abstractions réservées aux équipes techniques. Ce sont des outils de travail que les dirigeants de PME peuvent commencer à utiliser et à raisonner dès aujourd’hui, sans avoir besoin d’un département IT.

Si vous voulez évaluer concrètement quels processus dans votre entreprise se prêtent à une automatisation par agents, une conversation de 30 minutes permet généralement d’identifier deux ou trois pistes solides. Vous pouvez réserver un appel stratégie IA ici.