Sélectionner le numéro de "Netsources" à afficher

L’intelligence artificielle s’intègre dans nos activités quotidiennes. À l'ère de la taylorisation rampante dans la zone «col blanc» de l’entreprise, les métiers de la donnée et de la connaissance se polarisent : exécution automatisée d›un côté, compétences de cadrage vitales de l›autre.

Netsources est une boussole dans cette mutation. Nous identifions les compétences qui résistent à l’automatisation, celles qui maintiennent l’humain aux commandes. Car la vraie question n’est pas «que peut faire l’IA ?», mais « que devons-nous savoir faire pour rester pilotes ? »

Sans questions, pas de valeur

Comme Christian Vigne l’avait souligné fin 2024 dans sa chronique «Mon premier paper : Answers in abundance, questions in scarcity», que nous publions ici pour la première fois : le problème n’est pas la machine avec son offre infinie de réponses, mais la question, souvent rare et mal formulée.

Un an après, avec une adoption B2B en forte croissance et des investissements triplés, cette «crise de la demande» demeure un sujet majeur: résultats aléatoires, bulle spéculative, débats sur l'intelligence réelle des LLMs.

Monter le décor

Ulysse Rajim présente le pas suivant après le prompt engineering : le context engineering. On n’écrit plus une phrase magique, on monte un décor entier - données, outils, sécurité - pour éviter que l’agent ne s’égare, se noie dans l’info ou se contredise. Savoir structurer ce contexte : une compétence fondamentale.

Lire aussi :

Le prompt, un art pour la veille stratégique et la recherche d'information 1ère et 2eme partie (Véronique Mesguich)

Choisir devient composer

Véronique Mesguich décrypte la contre-attaque de Google qui clarifie sa stratégie en intégrant l’IA dans ses écosystèmes pros, et la riposte des concurrents par la spécialisation: du «tout-en-un» vers des domaines ciblés (codage, recherche, création). On ne choisit plus un outil unique, mais on construit un portefeuille qu’il faut sans cesse suivre et valider. Une posture clef pour bâtir des stratégies IA hybrides.

Accélérer, pas remplacer

Elodie Charrière explore comment l’IA génère scripts, légendes et visuels sur mesure pour les réseaux sociaux. Les créateurs laissent l’IA écrire, trouver des angles. Non pour être remplacés - pour aller plus vite, tester, optimiser l’engagement. La compétence vitale ? Préserver l’intention créative. L’IA exécute, l’humain dirige.

Face à l’IA, structurer un contexte, orchestrer des outils, préserver une intention : ces compétences déterminent qui garde la main. Car formuler une question pertinente échappe à la taylorisation. C’est la compétence du cadre, pas de l’exécutant.

Le domaine de l’IA générative évolue à un rythme effréné. Début 2023, le terme « prompt engineering » entrait dans le vocabulaire courant. La presse annonçait alors des salaires à six chiffres pour les spécialistes de la formulation de requêtes aux modèles de langage1.

Deux ans plus tard, c’est un nouveau terme qui apparaît : le « context engineering ». Entre-temps, les modèles de langage ont évolué. Leurs fenêtres de contexte se sont élargies (jusqu’à un million de tokens pour Gemini). Les premiers agents IA sont apparus, capables de simuler un raisonnement à plusieurs étapes, de rechercher des informations sur le web, d’exécuter du code ou encore d’utiliser des outils.

Le prompt engineering reste primordial. Le dossier publié par Véronique Mesguich dans les deux numéros précédents de NETSOURCES (Le prompt, un art pour la veille stratégique et la recherche d’information . Netsources , no 178 & 179 ) en présente les fondamentaux : savoir structurer une requête, guider le raisonnement du modèle, fournir des exemples pour orienter les réponses2. Ces techniques constituent la base de toute interaction efficace avec un modèle de langage.

Avec le développement des agents IA, un nouveau défi émerge : la complexité et la durée des tâches traitées augmentent rapidement (selon METR, cette durée doublerait tous les sept mois3). Dans ce contexte, le prompt est un levier parmi d’autres pour orienter les résultats. Instructions système, mémoire, documents, outils : tout ce qui alimente le modèle IA constitue son « contexte ». Savoir l’assembler, le structurer, le gérer devient un enjeu à part entière.

C’est l’objet du context engineering, qui englobe le prompt engineering . Cet article en explore les fondements : définition, composantes, illustrations dans les outils du quotidien, et perspectives pour les métiers intellectuels.

Qu’est-ce que le context engineering ?

Le terme a été popularisé en juin 2025 par Tobi Lütke, CEO de Shopify, avant d’être relayé et amplifié par Andrej Karpathy ( cf. Fig.1 ), figure influente du monde de l’IA et cofondateur d’OpenAI. Dans un tweet du 25 juin 2025, ce dernier définit le context engineering comme « l’art et la science de remplir la fenêtre de contexte avec exactement les bonnes informations pour la prochaine étape ».

Avec Gemini 3 et ses concurrents, l’IA générative entre dans une phase de consolidation stratégique

Après l’annonce de Gemini3 Pro le mois dernier, Gemini 3 Flash est devenu depuis la mi-décembre le modèle par défaut de Google. Ce nouveau modèle puissant et rapide est en effet intégré désormais dans l’application Gemini, l’API et les outils pour développeurs.

L’arrivée de Gemini 3 marque moins une rupture spectaculaire qu’un changement d’échelle et de maturité dans la compétition entre grands modèles d’IA. Elle illustre la volonté de Google de reprendre l’initiative face à OpenAI, non seulement sur le plan des performances, mais surtout sur celui de l’écosystème et des usages. Après la phase d’expérimentation de ces trois dernières années, le marché entre dans un cycle où non seulement la robustesse, mais aussi l’intégration dans des usages professionnels complexes deviennent déterminantes. La différenciation ne passe plus uniquement par la puissance brute, mais par la capacité à s’insérer dans des workflows réels. Commençons par préciser les avancées apportées par cette nouvelle version, avant d’étudier la réaction des concurrents et les recompositions à venir pour le marché de l’IA générative.

Raisonnement, multimodalité, capacités agentiques

Là où la génération précédente se concentrait sur la rapidité et l’accès multimodal fluide, Gemini 3 privilégie le raisonnement profond et les capacités agentiques. Le modèle intègre ainsi une architecture de raisonnement dynamique capable de décomposer les problèmes complexes en étapes logiques internes, à travers des chaînes de pensée. Le mode « deep think » de Gemini 3 repose sur une architecture de réflexion parallèle explorant simultanément plusieurs hypothèses avant de synthétiser une réponse finale.

L’utilisateur peut choisir (y compris dans la version gratuite), entre le mode « rapide » fournissant immédiatement une réponse, et le mode « raisonnement » résolvant des questions complexes. Le mode « Pro» étant plutôt destiné au codage et à une réflexion encore plus approfondie pour des problèmes mathématiques. Ce modèle de raisonnement est censé réduire les hallucinations grâce à sa capacité à valider l’information en comparant et en recoupant plusieurs sources contradictoires.

La multimodalité, c’est-à-dire la capacité à traiter, comprendre et générer simultanément différents types de données textuelles et multimédias a toujours été l’un des points forts de Gemini. Ces possibilités se trouvent augmentées et fluidifiées dans la version 3. Contrairement aux versions précédentes qui utilisaient des modules distincts pour chaque type de données, Gemini 3 adopte une architecture unifiée où tous les médias (texte, image, vidéo, audio et code) sont traités simultanément dans un seul modèle transformeur.

Cette approche permet une compréhension transversale : un document, une vidéo, un graphique et un jeu de données peuvent être traités comme un même objet informationnel. Par exemple, le traitement vidéo n’est plus une suite d’images, mais un flux continu permettant de mieux comprendre les relations de cause à effet. L’extraction de données depuis des PDF denses ou des schémas techniques gagne également en précision. Les taux de reconnaissance OCR (reconnaissance optique de caractères) sont impressionnants, avec une grande capacité à lire du texte manuscrit ou flou.

Pour les professionnels de la veille, cela ouvre des perspectives sur l’analyse de rapports complexes (PDF, tableaux, annexes), la surveillance de contenus audiovisuels ou institutionnels, et la corrélation entre discours, chiffres et supports visuels.

Depuis quelques années, les réseaux sociaux connaissent une nouvelle révolution. Après les filtres, les stories et les vidéos courtes, c’est désormais l’intelligence artificielle générative (IAG) qui s’impose comme le nouvel outil incontournable des créateurs de contenu. Fini le temps où elle faisait peur : aujourd’hui, elle inspire, elle assiste, et surtout, elle crée.

Les réseaux sociaux restent aujourd’hui les principales plateformes de création et de diffusion de contenus, avec des chiffres impressionnants qui montrent l’ampleur de cette production. Instagram publie chaque jour près de 100 millions de photos et vidéos, TikTok diffuse environ 34 millions de vidéos, YouTube enregistre 720 000 heures de visionnage quotidien, et Snapchat voit circuler pas moins de 5 milliards de snaps.

En 2025, la tendance est clairement au “tout-vidéo” : les formats vidéo dominent les flux, et les créateurs privilégient les formats courts et engageants pour capter l’attention d’un public toujours plus exigeant.

Dans ce contexte, l’intelligence artificielle s’impose comme un outil clé pour produire rapidement des vidéos de qualité, tester différents formats et optimiser l’engagement sur chaque plateforme.

L’idée n’est pas de remplacer le créateur, mais de faciliter le processus de fabrication, de traduire son intention et de proposer des contenus sur mesure, tout en l’aidant à gagner du temps et à booster sa créativité. Besoin d’un script pour une vidéo TikTok, d’une légende impactante pour Instagram ou d’une idée de visuel pour une campagne ? Avant, il fallait passer des heures à retoucher une photo, écrire une légende accrocheuse ou monter une vidéo, alors qu’aujourd’hui l’IA peut faire tout cela… ou presque. Elle peut fournir des pistes, proposer des angles originaux et même simuler plusieurs versions. Mais c’est toujours l’utilisateur qui choisit, adapte et décide de la version finale.

Chroniques amusées sur l’intelligence artificielle par Christian Vigne

Christian Vigne (Narra), anciennement Product Manager chez Google, s’amuse dans ses chroniques à explorer l’impact de l’IA sur nos vies. Il est amené à conseiller les entreprises sur leurs stratégies IA (cadrage, priorisation, formation, conduite du changement).

Je suis archi nul en maths. C’est pas grave, j’en ai fait mon deuil à quarante et un ans. Mais cet aprem, j’ai écrit une équation et je n’en suis pas peu fier ! 

Ce qui suit est de l’ordre de l’intuition : a-t-on à faire dans le domaine de l’IA générative à une crise de la demande ? Beaucoup de modèles fondationnels, en libre-service et à moindre coût, une technologie qui se généralise notamment via l’open source, une tonne de financements, une attention média folle, etc. À tel point qu’aujourd’hui, sauf si vous avez sélectionné votre LLM de prédilection, vous pouvez avoir le vertige avant de savoir quoi demander, à qui et comment. D’où le terme Na ci-dessous qui désigne une quantité de réponses (answers) faramineuse aujourd’hui disponible. Coût et capacité de serveur mis à part, les modèles de langage sont en mesure de générer de la réponse à l’infini (trop beau ce smiley). Pourtant, dans des systèmes AI powered, l’objectif, la question, le prompt sont ultra stratégiques, pire, existentiels, et de ce fait supérieurs en importance par rapport aux résultats (c’est une hypothèse). Il y aurait donc un déséquilibre : 

Sauf que le business model des LLMs repose sur la présence de questions qui viendront rendre utiles ces réponses. Une réponse sans question, c’est un dogme et le fanatisme. Un ChatGPT sans prompt c’est 6 ,6 milliards de dollars jetés par la fenêtre. Une distribution en masse B2C de ChatGPT a assuré à Open AI une adoption vertigineuse qui a déjà été commentée mille fois. Côté B2B, c’est plus compliqué parce qu’il faut savoir quoi demander, quelles questions poser. Et dans le business, on veut des réponses idéalement sans poser de questions, parce que c’est bien fatigant après tout et qu’on préfère tous le baby-foot et la machine à café. En somme les éditeurs de LLM sont confrontés à cette terrible équation aujourd’hui : 

D’où la stratégie de distribution des éditeurs de LLM de rendre disponibles leurs modèles sur un maximum de plateformes et d’applications. D’où l’importance d’un réseau de développeurs qui viendront s’emparer de la technologie et peut-être donner naissance à des use cases qui renforceront l’utilisation et l’utilité des modèles. D’où aussi le rôle des cabinets de conseil qui vont chercher à révéler des use cases pertinents pour la gen AI. D’où les seed prompts que vous pouvez voir sur ChatGPT et autres interfaces Gen AI powered… D’où enfin les nombreux partenariats de distribution annoncés par tous les acteurs majeurs. (All I wanna do, and a- And take your money). Etc., etc., etc. En d’autres termes, pour les éditeurs de LLMs, en plus de coûts inhérents à la génération de réponse, il pourrait y avoir des coûts inhérents à la génération de questions, tant la présence de questions est essentielle pour leur survie.

Or, il est fort probable que le résultat de cette équation aujourd’hui soit <1. Mais comment sortir de l’ornière ? Ah si je le savais !

• Option 1 : on est dans une bulle spéculative : on s’est tous un peu emballés et il n’y a pas de business suffisamment robuste pour générer de tels investissements. Trop d’offre pour pas assez de demande. Consolidation, commoditization, etc.
• Option 2 : Augmenter les prix. C’est risqué parce que l’adoption n’est pas encore ancrée à ce stade encore et le sens de l’histoire des prix va… dans l’autre sens.
• Option 3 : Augmenter la couverture à la fois des capacités de LLMs (multimodalité, etc.) et augmenter le nombre de surfaces depuis lesquelles ces modèles sont accessibles. Stratégie de distribution classique, mais qui a certainement un coût
• Option 4 : The product magic - trouver une question à poser c’est dur, la formuler c’est pas facile, avoir le réflexe de la soumettre à un LLM encore moins. La question est alors : quelle est l’alternative aux prompts d’un point de vue product design ? Comment transformer des prompts imparfaits, difficiles à formuler, qui donnent des résultats stochastiques en constantes cliquables ? C’est le x factor.
• Option 5 : Les LLM participent à l’effort de questionnement (ils nous payent pour nous aider et les entreprises à prompter) et ce, jusqu’à ce que le ROI soit supérieur à 1 sans leur intervention. Jusqu’à ce que chatGPT devienne un verbe en somme. 

Ainsi, l’équation de monétisation des LLMs pourrait ressembler à ça : 

Parmi toutes les inconnues, celle qui fait sans doute le plus débat est bien entendu P, où les gains de productivité sont proportionnels à l’intelligence du système, une variable exponentielle qui se situerait entre le “perroquet stochastique”, le chat (1) de Yann Le Cun et HAL 9000. À moins qu’il suffise de mettre “Smart [placeholder]” dans vos pitches marketing, mais l’approche est peut-être trop risquée sur le long cours.

Je commence à avoir des sueurs froides. Je vous laisse.

Source

1. This AI Pioneer Thinks AI Is Dumber Than a Cat (Wall Street Jounal, Oct.11, 2024)