Guides, comparatifs et actualités sur les outils d'IA

Le rite de passage des consultants juniors — nuits blanches sur les présentations, recherches manuelles interminables — craque. « Lilli » de McKinsey parcourt plus de 100 000 documents en quelques secondes et rédige des présentations ; « Deckster » de BCG peaufine les slides en un instant ; selon une analyse, ~80 % du travail de recherche et de slides d'un analyste junior pourrait être remplacé en quelques secondes. En tant que nouvel opus de notre série sur l'impact de l'IA par secteur après le n°068 (sociétés de négoce) et le n°094 (marketing), cet article passe en revue le conseil : l'état des lieux en chiffres (les Big Four et les cabinets de stratégie ont injecté plus de 10 milliards de dollars dans l'IA depuis 2023, PwC 1 milliard sur trois ans, BCG ~25 % de ses 14,4 milliards de revenus 2025 = ~3,6 milliards issus de l'IA, une étude de la HBS sur 758 consultants de BCG montrant que les utilisateurs d'IA accomplissaient 12,2 % de tâches en plus, 25,1 % plus vite, qualité supérieure de plus de 40 %), les cinq domaines que l'IA transforme (recherche, présentations, analyse, comptes rendus et nouveaux services de stratégie IA — un créateur net d'emplois dans les grands cabinets pour l'instant), l'effondrement du modèle pyramidal (travail routinier des juniors, ~80 % selon une estimation, automatisé en quelques secondes ; vers des équipes resserrées « quelques personnes + l'IA » avec des inquiétudes sur la formation), le séisme tarifaire (le paradoxe de la productivité — finir plus vite signifie facturer moins avec des tarifs horaires — et 73 % des clients préférant une tarification aux résultats, poussant vers le résultat et le prix fixe), la valeur essentielle immuable (poser la question, l'interprétation, le jugement, la confiance, l'exécution — le consultant qui pilote le système compte plus que le système), la bifurcation géants-pétroliers contre boutiques-vedettes (croissance des petits cabinets jusqu'à 50 % selon les estimations), et des conseils par rôle pour les aspirants, les praticiens et les entreprises clientes. La question que pose l'IA : votre valeur, est-ce le travail ou le jugement ?

À Davos en janvier 2026, les plus grands esprits du domaine se sont affrontés autour de « l'AGI est juste au coin de la rue » contre « l'essentiel est encore loin » — et l'étincelle, c'était l'AGI (intelligence artificielle générale). Cet article pour débutants part de ce qu'est l'AGI — « une IA universelle qui, comme un humain, peut apprendre et résoudre d'elle-même des choses inédites dans n'importe quel domaine » (mais un objectif non encore réalisé en 2026) — puis couvre la différence décisive avec l'IA étroite de type ChatGPT (peut-elle « transférer » des connaissances vers un autre domaine ; généralisation et acquisition autonome de compétences), le découpage en trois étapes IA étroite → AGI → ASI (superintelligence), le large éventail des prévisions d'experts (Amodei d'Anthropic optimiste à quelques années / vers 2027, Hassabis de DeepMind prudent à ~50 % d'ici 2030, une médiane de sondage de chercheurs à 2047, des sceptiques comme Marcus jugeant que c'est loin ou que ça ne viendra pas — l'écart vient de définitions divergentes), à quel point l'IA actuelle en est proche (sous la référence humaine sur ARC-AGI, mais s'approchant du seuil via le multimodal et les agents), les espoirs (accélérer les maladies et la science) et les risques (emploi, usage malveillant, le problème de l'alignement — positionné par Anthropic et l'UK AISI comme un point de décision critique), ainsi que des idées reçues comme « ChatGPT est déjà une AGI » et « AGI = a une conscience ». Ni trop craintif ni trop rêveur, maîtrisez l'IA étroite que vous avez en main tout en observant calmement ce qui vient ensuite.

Serez-vous du côté de ceux dont l'IA prend le travail, ou du côté qui manie l'IA pour abattre le travail de dix personnes ? En 2026, c'est là le carrefour pour les ingénieurs. Cet article présente le fait de devenir un « développeur AI-native » (construire des applications avec des LLM, des agents, du RAG — à distinguer de la recherche sur les modèles) comme une pile de compétences à bâtir, pas un doctorat, en trois couches : ① les fondations qui ne changent pas (Python comme langage principal du dev IA, Git, ligne de commande, HTTP/REST/JSON — on a toujours besoin des bases à l'ère du code écrit par l'IA) ; ② les 5 compétences AI-native essentielles (conception de prompt/contexte, RAG comme épine dorsale des agents d'entreprise, construction d'agents, MCP comme standard de fait de la connexion d'outils, et conception d'evals — plus optimisation des coûts, garde-fous, observabilité) ; ③ l'avantage que la plupart des gens manquent — la conception d'evals et l'ingénierie du contexte (savoir écrire des evals est le plus fort signal de « avoir vraiment construit avec des LLM », et un AGENTS.md/CLAUDE.md plus un petit jeu d'evals est le saut de « assisté » vers « native »). Il ajoute une feuille de route de 8 à 12 mois (fondations → API LLM/prompting → construire un RAG sans frameworks → agents + MCP → evals + déploiement + publication), une stratégie de portfolio où le travail déployé bat le diplôme, des pièges (marécage des tutoriels, collectionnite d'outils, négligence des bases) et des chiffres de marché/demande (basés aux États-Unis, forte variation régionale). La frontière est de savoir si vous utilisez l'IA comme un système.

Lorsque la publicité de Noël en IA générative de Coca-Cola a été qualifiée de « sans âme » fin 2024, elle a symbolisé le bras de fer de l'IA en marketing : « efficience et efficacité » contre « confiance et émotion ». Cet article passe en revue le sujet, en prenant d'abord la température en chiffres (environ 87 % des marketeurs utilisent l'IA générative, contre 51 % en 2024 ; plus de 71 % des dépenses publicitaires pilotées par algorithme ; Google a réalisé environ 70 millions d'éléments créatifs avec Gemini au seul T4 2025 ; les dépenses en outils d'IA marketing ont environ triplé en 18 mois). Il couvre les cinq domaines que l'IA transforme (① création de contenu ② créations publicitaires ③ ciblage & diffusion / programmatique ④ personnalisation / DCO ⑤ analyse & mesure) et les effets rapportés (DCO à ~32 % de CTR en plus et ~56 % de CPC en moins, accroches IA à 3,2× le ROI, ciblage first-party/contextuel jusqu'à 2× le ROAS — tous publiés, dépendants des conditions) ; le cœur qui ne change pas (stratégie, marque, confiance, créativité de rupture restent aux humains — l'IA est un amplificateur, une base à zéro donne un résultat à zéro) ; le bouleversement du SEO/AEO/LLMO (avec liens internes) ; les risques (l'écart de perception 82 % des dirigeants contre 45 % des consommateurs sur les publicités IA, la fabulation plausible, la brand safety, droits/réglementation, le fonctionnement débridé sans surveillance) ; l'évolution du métier du marketeur (tâches prises, jugement plus lourd ; de producteur à rédacteur en chef et stratège) ; et un plan pratique en cinq étapes pour aujourd'hui. Le plus grand impact de l'IA est de libérer le temps humain du faire pour le décider.

« La facture d'API du mois dernier… 1 800 $ ? » En 2026, faire tourner Claude Code sérieusement comme agent aurait atteint 500–2 000 $ par mois. Mais rien qu'en changeant votre façon de l'utiliser, vous pouvez réduire les coûts de 70 à 85 % sans baisser la qualité du résultat (plusieurs retours du terrain convergent ici). Ce guide décortique d'abord le vrai visage du coût élevé (modèle cher, long contexte, appels gaspillés ; fonctionnement de la facturation au token ; agents consommant environ 7x une session unique), puis le point d'équilibre abonnement vs API (l'API ne l'emporte qu'en gros sous les 50 sessions par mois ; une estimation place les abonnements jusqu'à 36x moins chers en usage quotidien), un panorama des tarifs (Copilot Pro 10 $ / Cursor Pro 20 $, 60–100 $ en usage intensif / Claude Pro 20 $, Max 100 $ ; Copilot passé aux AI Credits à l'usage le 1er juin 2026), six leviers pour réduire les coûts (① routage par modèle pour −40–70 % ② prompt caching à environ −90 % avec un taux de réussite de 60–80 % ③ gestion du contexte ④ choix abonnement vs API ⑤ audit des abonnements en double ⑥ fonctions de mémoire), une checklist applicable dès aujourd'hui, et les pièges — fausse économie, coût caché du travail, double facturation, choc du compteur, trop faire confiance au cache — plus des configurations recommandées par profil. L'optimisation n'est pas être radin ; c'est concevoir pour payer le juste montant pour la bonne chose.

Votre présentation a lieu demain matin et vos slides sont toujours vierges — pourtant, tapez une ligne de thème et, quelques minutes plus tard, 20 slides en projet s'alignent. Ce sont les slides par IA en 2026. Ce guide divise la création de slides en trois étapes (structure, discours, design) et expose deux approches : la génération tout-en-un (balancez un thème, obtenez tout) ou la répartition des tâches (verrouillez la structure et le discours dans ChatGPT/Claude/Gemini, puis laissez un outil dédié concevoir). Il compare les principaux outils (Gamma à la génération rapide, Copilot dans PowerPoint en .pptx natif sans casse, Gemini fort en collaboration pour Google Slides, Beautiful.ai au meilleur rendu, Canva riche en modèles, l'extension ChatGPT pour PowerPoint lancée en mai 2026 — pas de champion absolu ; choisissez selon la sortie), le workflow en 5 étapes le plus reproductible (structure → discours → verser dans un outil de design → vérifier chiffres et sources → exporter en .pptx/Slides), trois prompts à copier-coller (plan, étoffer une slide avec notes de présentateur, reformater pour un outil de design), six conseils pour des slides qui font mouche (un message par slide, couper le texte de moitié, et plus), ainsi que les pièges — casse de mise en page .pptx, premier brouillon surchargé, données plausibles inventées, envoi de données confidentielles et fermetures d'outils (Tome arrêtant ses slides en avril 2025 comme leçon). L'IA est le partenaire qui ébauche en un instant ; couper et vérifier est le travail de l'humain.

Une note manuscrite, un reçu papier, de l'anglais dans une capture d'écran, un panneau sur une photo — le retapage que vous avez toujours fait à la main est, en 2026, presque entièrement inutile grâce à l'IA. Ce guide part de la différence entre l'OCR par IA et l'OCR traditionnel (lire caractère par caractère vs comprendre la page entière par le sens), puis trie trois options (IA conversationnelle généraliste / outils dédiés comme Google Lens / API et OSS tels que Mistral OCR et PaddleOCR-VL) selon l'usage. Il compare ChatGPT (GPT-5.5), Gemini 3.1 Pro et Claude (Opus 4.8) par point fort (manuscrit → famille GPT, structuration de tableaux → famille Claude, nombreuses pages → long contexte de Gemini, OCR brut → modèles spécialisés ; il n'y a pas de champion absolu), donne trois prompts prêts à l'emploi (transcrire sans casser, tableau en Markdown, reçu en JSON, tous avec une règle « ne rien inventer »), le meilleur choix par cas (manuscrit, reçus, PDF, tableaux complexes, texte vertical/ancien, formules et code), six conseils de précision avec la qualité d'image comme 80 % du résultat, et la seule plus grande faiblesse de l'OCR par IA — inventer de façon plausible ce qu'il ne peut pas lire (confrontez toujours montants, dates et noms à l'original) — plus des précautions de confidentialité sur l'envoi de données confidentielles, le droit d'auteur et l'usage pour l'entraînement. Ce que vous pouvez laisser à l'IA, c'est seulement la « lecture » ; confirmer revient à l'humain qui a vu l'original.

Vous savez « ce qu'est le RAG », mais quand vous en construisez un la réponse sort à côté — parce que c'est encore du RAG naïf : découper sans soin et faire une simple recherche vectorielle. En tant que volet implémentation de l'article 030, cet article explique le pipeline RAG pratique de 2026 (chunking intelligent, embedding, base vectorielle, recherche hybride, reranking) étape par étape : stratégies de chunking (recursive 512 par défaut, semantic/structural/parent-child, Contextual Retrieval réduisant les échecs de récupération jusqu'à 67 % selon les rapports), le choix d'un modèle d'embedding (text-embedding-3-large, etc.), un comparatif de six bases vectorielles (Chroma pour le prototypage, pgvector avec Postgres, Qdrant faible latence, Pinecone entièrement managé, Weaviate champion de l'hybride, Milvus grande échelle), la recherche hybride fusionnant BM25 + vecteurs denses avec RRF, le retrieve-then-rerank avec bi-encoder puis cross-encoder (Cohere/Voyage/BGE/Jina), la répartition LlamaIndex (récupération) vs LangChain/LangGraph (contrôle), pourquoi une fenêtre de 1M tokens ne remplace pas le RAG (lost in the middle, distraction), et les précautions de mise en production comme construire d'abord un ensemble d'évaluation.

Vous savez « ce qu'est un agent IA » — alors comment en construire un ? En 2026, le no-code permet d'avoir un agent fonctionnel en marche en un après-midi par glisser-déposer, et les SDK modernes permettent d'en assembler un pratique en moins de 100 lignes. En complément pratique de « qu'est-ce qu'un agent IA », cet article couvre l'anatomie (cerveau LLM + instructions + outils + mémoire + boucle autonome), les deux voies (no-code vs code), la méthode universelle de construction en 5 étapes (cadrer le problème, choisir sa base, écrire les instructions, connecter les outils, tester en petit), un comparatif d'outils no-code (Dify pour une plateforme complète, n8n pour l'intégration métier, Flowise pour le prototypage, et les plus simples Custom GPT/Gemini Gems/Claude Projects), un comparatif de frameworks code (Claude Agent SDK/OpenAI Agents SDK solides, LangGraph pour le contrôle complexe, CrewAI pour la coordination par rôles), un exemple concret (résumer un e-mail de support puis notifier Slack), des repères de coût (plateforme ~$10-$50/mois plus l'usage des modèles) et de délai, et les pièges (ne pas cadrer trop large, permissions et dérapages, méfiance du PoC uniquement). Pour la plupart des gens, construire d'abord en no-code est le bon choix.

« ChatGPT, Claude ou Gemini — auquel m'abonner ? » En 2026, tous les trois tournent autour de 20 $/mois et sont de premier ordre, il n'y a donc pas de « celui-ci gagne ». La bonne question est « lequel est le meilleur pour votre cas d'usage ». À partir du consensus des sources, cet article couvre les bases (éditeur, famille de modèle principal, tarifs gratuit/standard/premium), les différences de caractère (Claude = artisan de l'écriture/analyse/code, ChatGPT = touche-à-tout polyvalent avec écosystème et image/voix, Gemini = multimodal, long contexte, intégration Google), un tableau détaillé par cas d'usage (écriture, code, généraliste, génération d'images, voix, compréhension d'image/PDF/vidéo, textes très longs, intégration Google, recherche, japonais), comment choisir une formule selon le volume d'usage, et la combinaison maligne de deux outils pour quand on ne peut pas en choisir un seul (un socle + un pour combler les lacunes). Les classements changent tous les quelques mois, alors plutôt que de chasser un « meilleur » figé, utilisez chacun selon son point fort et mesurez sur vos propres tâches avec l'offre gratuite.

Claude Code s'arrête brusquement sur « reconnectez-vous », « limite de débit », « prompt trop long », « MCP ne se connecte pas » — et chercher chacune sur Google devient fastidieux. Voici une référence pratique qui répertorie les erreurs que vous rencontrez couramment, avec la cause et la commande à lancer pour chacune. Elle commence par les trois commandes de diagnostic à lancer en premier (claude doctor pour le diagnostic complet, /status pour l'authentification active, /context pour la répartition du contexte), puis se concentre sur les quatre familles fréquentes (usage/limites de débit, débordement de contexte, authentification expirée, échecs de connexion MCP) avec des tableaux symptôme→cause→commande de correction couvrant l'authentification et la connexion, l'usage/les limites de débit (Claude Code brûle 10 à 100 fois plus de tokens que le chat), le contexte et les tokens (prompt trop long, compaction qui s'emballe), le serveur et le modèle (500/529/timeout/model not found), l'installation/le PATH/la mise à jour, le réseau et le proxy (ECONNREFUSED, TLS), le MCP, les permissions (deny l'emporte sur bypass) et divers (blocs thinking 400, image/PDF, IDE). Elle se termine par un aide-mémoire erreur→correctif et une FAQ. D'après la documentation officielle de Claude Code (à jour en 2026) : en cas de blocage, lancez les trois commandes de diagnostic, et si ce n'est pas réglé, lancez claude update.

Passez-vous encore une heure ou deux chaque semaine à taper vos comptes rendus à la main depuis un enregistrement ? En 2026, l'essentiel peut être automatisé. Ce guide décompose le compte rendu en quatre étapes (enregistrer → transcrire → résumer → extraire les décisions et tâches), compare deux approches (un outil tout-en-un qui assiste à l'appel ou un montage DIY enregistrer → IA de transcription → LLM), compare les principaux outils (Otter, Notta, Fireflies, tl;dv, Fathom, Granola — précision indiquée comme annoncée par l'éditeur), couvre l'IA intégrée à Zoom/Teams/Meet, détaille la voie DIY avec Whisper et ChatGPT/Claude/Gemini ainsi qu'un exemple de prompt « ne comblez pas les lacunes par des suppositions », donne cinq astuces pour gagner en précision (qualité audio, dictionnaire de noms propres, diarisation des locuteurs, adéquation linguistique, prompt modélisé) et expose les précautions de confidentialité, de consentement et d'excès de confiance. La dernière ligne de défense reste humaine : vérifiez toujours de vos yeux les décisions et les tâches à faire.