Tech • IA • Robotique • Jeu
La session LIE 3 - Mon « Employé IA
6/10INTRO
L’intelligence artificielle passe de simples chatbots à des outils capables d’automatiser le travail sur les ordinateurs personnels et en clinique, mais son adoption est freinée par la gouvernance, la confidentialité et l’inertie organisationnelle.
POINTS CLÉS
Les pilotes en santé se heurtent aux frictions institutionnelles
Des cliniciens testent des agents d’écoute ambiante capables de capter une consultation et de générer une note préliminaire, permettant aux praticiens de rester concentrés sur le patient plutôt que sur la documentation. L’enthousiasme initial est tempéré par des questions liées au RGPD, au traitement des données, à l’adoption par toute l’équipe et à l’écart entre une initiative individuelle et un flux de travail validé par l’institution.
Les cas d’usage médicaux dépendent de la spécialisation
Un résumé générique produit par l’IA ne suffit souvent pas en santé. Les courriers et rapports cliniques varient fortement selon la spécialité, et une note adaptée à la médecine interne peut ne pas convenir à la chirurgie orthopédique ou à un autre domaine. La personnalisation devient donc essentielle, via des prompts, des modèles ou des systèmes de contexte plus avancés.
La technologie a largement dépassé les simples prompts
La discussion a mis en avant une progression allant de l’usage basique des chatbots à des systèmes d’IA connectés à des outils externes, puis à des logiciels capables d’agir directement sur l’ordinateur de l’utilisateur. Ces systèmes peuvent créer des formulaires, manipuler des fichiers, récupérer des informations locales et enchaîner plusieurs tâches, transformant l’IA d’assistant en couche opérationnelle du travail quotidien.
La gestion du contexte devient une capacité centrale
Un concept technique clé est le harness, une couche qui donne à un modèle de langage accès à des fichiers, outils et instructions sélectionnés sur une machine locale. Son rôle principal est de rassembler le bon contexte pour le modèle et d’exposer les bonnes actions. Trop peu d’informations réduit les performances, tandis qu’un excès de données non pertinentes peut aussi dégrader les résultats.
Le code est en train d’être transformé, pas supprimé
L’émergence d’outils comme Open Code, Claude Code, Codex et d’autres environnements de codage agentique modifie la pratique du développement logiciel. Des développeurs expérimentés indiquent de plus en plus qu’ils n’écrivent plus, voire ne relisent plus, chaque ligne de code générée pour de petits outils internes, tout en soulignant que le jugement en ingénierie logicielle reste crucial pour la fiabilité, la sécurité et les produits destinés à un usage plus large.
L’automatisation touche désormais le travail média du quotidien
Un exemple concret décrivait une application locale qui automatise la publication de vidéos courtes en supprimant les silences, en générant des sous-titres, en évaluant la performance vocale et en vérifiant le risque juridique du contenu parlé avant la mise en ligne. Des tâches qui exigeaient autrefois une expertise spécifique en traitement audio peuvent désormais être assemblées rapidement avec l’appui de l’IA, abaissant fortement la barrière à la création d’outils sur mesure.
Le code déterministe est privilégié pour les tâches répétables
Les participants ont établi une distinction nette entre l’automatisation déterministe et le raisonnement génératif de l’IA. Lorsqu’un flux de travail est répétitif et standardisé, le code conventionnel reste préférable, car il produit des résultats stables et consomme moins de ressources d’IA payantes. Les modèles de langage sont alors réservés aux parties du processus qui exigent de l’interprétation, comme l’analyse du texte, du ton ou de l’exposition juridique.
Le no-code reste une porte d’entrée, mais avec des limites
Des plateformes comme n8n et d’autres outils no-code peuvent aider les utilisateurs moins techniques à commencer à automatiser des flux de travail. Mais elles ont été décrites comme moins flexibles que les approches fondées sur le code, surtout lorsque les utilisateurs veulent une personnalisation poussée, l’accès à des fichiers locaux ou l’intégration de plusieurs couches d’outils et de modèles.
Le coût et l’accès façonnent encore l’expérimentation
Faire tourner l’IA via une API plutôt que par une interface de chat grand public permet à ces outils de piloter des logiciels et des flux de travail, mais introduit généralement des coûts d’usage. Malgré cela, les quotas gratuits de certains fournisseurs rendent l’expérimentation possible, y compris pour des prototypes intégrant l’analyse par IA dans des applications privées au lieu de s’appuyer uniquement sur des services de chat publics.
Les craintes liées à la vie privée dépassent largement les seuls fournisseurs d’IA
L’échange s’est élargi aux préoccupations sur la surveillance, les données de santé, l’assurance et l’influence algorithmique. Même si davantage de travail bascule vers des modèles locaux ou des outils auto-hébergés, les participants ont noté qu’une grande partie des données personnelles est encore produite par d’autres via les messages, les photos, les réseaux sociaux et les objets connectés. Le débat a suggéré que l’IA intensifie des rapports de pouvoir anciens plutôt qu’elle ne les crée de toutes pièces.
CONCLUSION
L’IA devient rapidement une couche pratique d’automatisation dans les médias, le développement et la santé, mais son impact global dépendra autant des institutions, des règles de confidentialité et de la confiance sociale que des performances techniques. Le défi central n’est plus de savoir si les outils fonctionnent, mais comment les organisations et les individus choisissent de les encadrer et de les intégrer.
Poser une question