Il existe un profil psychologique qui ne pourra jamais profiter de l’IA.
Ce n’est pas la personne « pas tech ». Ce n’est pas non plus le sceptique de principe, celui qui trouve que tout était mieux avant. C’est plus subtil que ça, et on le croise dans beaucoup d’équipes marketing.
Pour l’expliquer, je vais vous raconter l’histoire de Tiphaine.
Tiphaine, Kevin et leur entreprise sont des personnages inventés. J’ai pris un prénom au hasard : Tiphaine, Typhon, Martin ou Abdel Kader, c’est pareil. Les situations, en revanche, beaucoup les reconnaîtront.
À retenir
L’IA générative est un outil probabiliste : elle produit un brouillon, pas un verdict.
Le premier frein à son adoption n’est pas le niveau technique. C’est le rapport à l’erreur.
Le profil qui n’en profitera jamais est celui qui a besoin d’avoir raison du premier coup.
La rigueur de vérification est la compétence qui manque le plus aux utilisateurs d’IA. Les sceptiques l’ont déjà.
Tiphaine, Head of Marketing ultra-rationnelle
Tiphaine est Head of Marketing. C’est un profil « ultra-rationnel ».
Elle a d’abord fait un Master en finance. Puis la crise de 2008 est passée par là, et elle a bifurqué vers un Mastère E-commerce. Ce qui l’attire, ce sont les chiffres, les calculs, le palpable, les sciences dures.
Elle voulait devenir Data Scientist. Mais il y avait trop « d’informatique ». Alors elle s’est rabattue sur le marketing.
Aujourd’hui, elle adore décortiquer des tableurs, trouver la faille et vendre des corrélations à sa direction. Du genre :
« Les -20 % de chiffre d’affaires s’expliquent pour deux tiers par la baisse du trafic direct, corrélée à la fin de la campagne TV de mars, et pour un tiers par l’érosion du SEO non-brand sur les requêtes génériques après la dernière core update, avec un effet de cannibalisation partiel du paid sur le brand. »
Sa direction adore. C’est précis, c’est chiffré, c’est rassurant.
Dans le monde de Tiphaine, une même formule appliquée aux mêmes cellules donne toujours le même résultat. C’est ce qui rend Excel digne de confiance. Et c’est exactement ce qui va lui jouer un tour.
Le jour où le COMEX a demandé « une stratégie IA »
Arrive ChatGPT. Le COMEX veut une stratégie IA pour le trimestre suivant. Tiphaine fait ce qu’elle sait faire : elle teste.
Premier prompt : « Calcule le ROAS de nos campagnes de mars. » Elle colle un export. L’IA sort un chiffre. Le chiffre est faux : le modèle a mal lu une colonne.
Capture d’écran envoyée à l’équipe : « Voilà. Ça invente. »
Deuxième essai, pour être honnête. Elle pose trois fois la même question. Elle obtient trois réponses différentes.
Pour elle, c’est la preuve définitive. Un outil qui ne donne pas deux fois le même résultat n’est pas un outil. C’est un générateur de bruit.
Onglet fermé. Sujet clos.
Pendant ce temps, Kevin pose des questions idiotes
Dans la même équipe, il y a Kevin. Kevin n’a pas de Master en finance.
Kevin pose des questions idiotes à l’IA. Il se trompe, recommence, reformule, demande « pourquoi ? », et recommence encore. Quand une réponse est fausse, il ne fait pas de capture d’écran : il corrige et repose la question.
En trois semaines, Kevin a :
écrit un script Python pour extraire les données de la Search Console, sans savoir coder ;
automatisé le reporting hebdomadaire qui prenait une demi-journée à Tiphaine ;
croisé ventes, trafic SEO et météo pour mieux comprendre la saisonnalité.
En clair, Kevin fait de la data science.
Le métier que Tiphaine voulait faire. Celui qu’elle a abandonné à cause de « l’informatique ».
La barrière qui l’avait arrêtée est en train de tomber. Et elle ne le voit pas, parce qu’elle a fermé l’onglet.
Le problème n’est pas l’intelligence, c’est le rapport à l’erreur
Tiphaine est probablement plus brillante que Kevin. Ce n’est pas la question.
Son problème, c’est son rapport à l’erreur.
Un modèle de langage est un outil probabiliste. À chaque réponse, il choisit des mots selon des probabilités. Poser deux fois la même question et obtenir deux réponses différentes n’est pas une panne : c’est son fonctionnement normal. Il a raison souvent, tort parfois, et il le dit avec le même aplomb.
Si vous attendez de lui une calculatrice, vous serez déçu à chaque fois. Si vous le traitez comme un stagiaire brillant mais un peu mythomane, vous gagnez des semaines.
Il y a une ironie supplémentaire. Tiphaine, la scientifique de l’équipe, a appliqué le pire protocole expérimental possible : un seul essai, sur une seule tâche, la plus mal choisie (un calcul), et une conclusion générale. Avec un test pareil sur une campagne, elle aurait renvoyé n’importe quel stagiaire refaire ses devoirs.
Le profil qui ne profitera jamais de l’IA, ce n’est donc pas le rationnel. C’est :
celui qui a besoin d’avoir raison du premier coup ;
celui qui refuse d’être débutant devant les autres ;
celui qui préfère prouver qu’un outil est mauvais plutôt que d’apprendre à s’en servir.
Trois signes que vous êtes (un peu) Tiphaine
Vous jugez un outil sur son premier essai. Une mauvaise réponse suffit à classer le sujet.
Vous partagez plus volontiers les erreurs de l’IA que ce qu’elle vous a fait gagner. La capture d’écran de l’hallucination circule plus vite que le gain de temps.
Vous préférez ne pas utiliser un outil plutôt que d’être vu en train de mal vous en servir. Le risque perçu n’est pas technique, il est social.
Le plus ironique : sa rigueur est exactement ce qui manque
La qualité de Tiphaine est celle qui manque à beaucoup d’utilisateurs d’IA : vérifier.
Repérer le chiffre faux. Contrôler la source. Refuser une corrélation bancale.
Kevin, lui, va vite. Mais il lui arrive de recopier une réponse fausse sans la relire. Le jour où ce chiffre finit dans un comité de direction, c’est l’équipe entière qui perd en crédibilité.
Si Tiphaine mettait son scepticisme au service de la vérification plutôt que du rejet, elle deviendrait la meilleure de l’équipe. Kevin produit vite. Tiphaine saurait produire juste. Ensemble, ils seraient redoutables.
Comment rouvrir l’onglet
Si vous vous êtes reconnu dans Tiphaine, voici par où je commencerais.
Changer la question. Ne plus se demander « est-ce que c’est fiable ? », mais « sur quelles tâches c’est fiable, et comment je le vérifie ? ».
Commencer là où l’erreur coûte peu. Un plan, un brouillon, une reformulation, un script jetable. Pas un chiffre qui part en comité.
Sortir le calcul du modèle. Plutôt que de demander le ROAS, demandez la formule ou le script qui le calcule, puis exécutez-le vous-même. Le chiffre sort de votre tableur, pas de la conversation.
Itérer. La première réponse est un point de départ. Précisez, corrigez, demandez « pourquoi ? ». C’est dans la troisième ou la quatrième réponse que se trouve la valeur.
Vérifier systématiquement. Chiffres, sources, citations. C’est là que votre rigueur devient un avantage, au lieu d’un frein.
Et vous ?
L’IA ne récompense pas les plus intelligents ni les plus techniques. Elle récompense ceux qui acceptent d’avoir tort souvent, vite et en public, puis qui vérifient avant de livrer.
Tiphaine a tout ce qu’il faut pour en tirer le meilleur. Il lui manque une seule chose : rouvrir l’onglet.
Et dans votre équipe, vous avez plutôt des Tiphaine ou des Kevin ?