Bien utiliser l'IA au quotidien : le guide pratique en 8 infographies

88 % des organisations utilisent désormais l'IA dans au moins une fonction métier, contre 55 % il y a trois ans¹. L'outil s'est généralisé beaucoup plus vite que ne s'est généralisée une vraie méthode pour s'en servir. La plupart des utilisateurs tapent une question, lisent la première réponse et s'arrêtent là — alors que la différence entre une IA qui fait gagner du temps et une IA qui en fait perdre tient à quelques réflexes simples, qui se travaillent.

J'utilise ces huit infographies en formation parce qu'elles condensent, chacune sur une page, ce qu'il faut retenir sur un point précis. Elles sont présentées ici dans l'ordre où je les enseigne, du plus simple au plus avancé : d'abord écrire une bonne demande, ensuite adopter une méthode, puis vérifier ce que l'IA produit, et enfin lui déléguer des tâches entières. Chaque infographie est suivie de sa version texte détaillée.

À propos de l'auteure Florence Chatelot Formatrice IA & Consultante

J'accompagne des professionnels et des équipes à utiliser l'IA concrètement — sans jargon, sans gadget inutile. Mes formations et mes articles sont construits sur ce que je pratique et enseigne au quotidien.

451 apprenants · 4 730h de formation · +60 avis 5/5 Google · 23 avis 5/5 SuperProf

florence-chatelot.fr →

1. Les 4 réflexes pour bien prompter au quotidien

Tout commence par la demande elle-même. Quatre réflexes suffisent à obtenir des réponses nettement plus pertinentes — et ce sont exactement ceux que met en avant la documentation officielle d'Anthropic sur l'ingénierie de prompt : attribuer un rôle précis au modèle, structurer la demande, et fournir des exemples plutôt que de longues instructions améliore significativement la qualité des réponses².

1. Rôle + tâche + contexte. « Tu es graphiste expert » (rôle), « Crée une affiche au format A3 » (tâche), puis préciser l'événement, le public, l'objectif, la date, le lieu et la charte graphique (contexte). Les trois briques ensemble valent toujours mieux qu'une seule.
2. Demander une recherche web. « Avant de répondre, fais des recherches approfondies sur Internet et cite tes sources » — à utiliser avec une IA disposant d'un accès au web, pour ancrer la réponse dans des informations réelles plutôt que dans la seule mémoire du modèle.
3. Se faire questionner. « Pose-moi les questions nécessaires avant de commencer » permet à l'IA de recueillir les informations qui lui manquent, plutôt que de deviner et de partir sur une mauvaise piste.
4. Donner des exemples. « Voici des exemples du résultat attendu » — partager une référence de style, de format ou de ton guide bien plus efficacement qu'une longue description abstraite.

Le duo qui change le plus le résultat reste simple : vous fournissez le contexte, la recherche web vient l'enrichir. Un contexte réel et précis aide l'IA à adapter sa réponse à votre situation exacte, plutôt qu'à une situation générique.

2. Le métaprompting : laisser l'IA écrire ses propres instructions

Une fois ces quatre réflexes acquis, l'étape suivante consiste à ne plus écrire soi-même le prompt. Le métaprompting consiste à demander à l'IA de rédiger elle-même les instructions pour réaliser une tâche. C'est une inversion simple, mais elle change tout : l'IA connaît mieux qu'un débutant la structure d'un bon prompt (rôle, contexte, contraintes, format de sortie attendu), donc autant lui demander de la produire, quitte à l'ajuster ensuite.

La méthode express, pour les petites tâches, tient en une phrase à copier-coller :

Il suffit ensuite de relire le prompt proposé, de l'ajuster si besoin, puis de l'utiliser.

La méthode approfondie, pour les tâches à enjeux plus importants, part d'un prompt de départ plus long :

On complète ensuite brique par brique :

1. Objectif — ce que je veux obtenir et pourquoi.
2. Contexte — ma situation, le public visé, les informations utiles.
3. Ressources — les documents, données et outils disponibles.
4. Contraintes — délais, longueur, ton, éléments à éviter.
5. Résultat attendu — le livrable, son format, les critères de qualité.
6. Exemples — les résultats souhaités et les erreurs à éviter.

Trois précisions supplémentaires font la différence : demander à l'IA d'utiliser des sources fiables sur le métier concerné, lui demander d'expliquer les pratiques retenues et leur intérêt dans votre contexte, et l'inviter à poser les questions nécessaires avant de livrer le prompt final. Une fois le prompt testé sur un cas réel, signalez ce qui fonctionne et ce qui manque : c'est cette itération qui transforme un prompt correct en prompt vraiment adapté à votre usage.

3. Bien utiliser l'IA, c'est comme bien utiliser l'intelligence humaine

Au-delà de la formulation, la meilleure boussole pour utiliser l'IA est une situation que tout le monde connaît : demander conseil à un expert humain. Face à une fuite d'eau, on appelle un plombier, on lui explique la situation, on le laisse poser ses questions, on lui demande sur quoi repose son diagnostic, on compare parfois plusieurs devis. Chacune de ces étapes a son équivalent direct avec une IA :

1. Choisir le bon expert → préciser le rôle attendu. « Agis comme un plombier expérimenté spécialisé en installations domestiques. »
2. Expliquer clairement le problème → donner du contexte utile. « Voici mon problème, mon objectif, mon contexte, mes contraintes et ce que j'ai déjà essayé. »
3. Laisser poser des questions → demander des questions de clarification. « Avant de répondre, pose-moi les questions nécessaires pour bien comprendre. »
4. Demander des preuves → demander le raisonnement, des sources et des exemples. « Explique ton raisonnement et cite des sources fiables ou des exemples. »
5. Comparer plusieurs avis → demander plusieurs approches et les points de désaccord. « Présente plusieurs solutions, compare-les et souligne les points de désaccord. »
6. Vérifier les erreurs possibles → demander à l'IA de critiquer sa propre réponse. « Qu'est-ce qui pourrait être faux ? Quelles hypothèses fais-tu ? Où pourrais-tu te tromper ? »

La bonne méthode tient en six mots : expertise → contexte → questions → preuves → comparaison → vérification. On y retrouve les réflexes de prompt vus plus haut, complétés par trois étapes que la plupart des utilisateurs sautent : exiger des preuves, comparer plusieurs options et chercher les failles. L'IA aide à réfléchir ; la décision finale reste humaine.

4. Les 6 mauvais réflexes à éviter

Cette infographie est le miroir de la précédente : quand on cherche une réponse rapide sans méthode, le résultat dépend surtout de la chance — avec un humain comme avec une IA. Les mêmes mauvais réflexes produisent les mêmes résultats fragiles des deux côtés :

1. Chercher le gratuit avant la compétence. Demander à un cousin disponible de réparer une fuite plutôt qu'à un plombier, c'est l'équivalent de choisir une IA gratuite sans vérifier si elle est adaptée à une tâche complexe — « Analyse ce sujet complexe et dis-moi quoi décider. »
2. Décrire le problème partiellement. N'expliquer qu'une partie de la situation à un interlocuteur humain donne les mêmes résultats qu'un prompt incomplet : « J'ai un problème. Donne-moi la solution. »
3. Ne pas clarifier. Ne pas laisser l'intervenant poser les questions utiles équivaut à exiger une réponse immédiate de l'IA, sans qu'elle puisse questionner : « Réponds tout de suite, sans poser de questions. »
4. Ne pas demander de preuves. Prendre un conseil sans demander d'explications, de preuves ou de références, c'est ne demander à l'IA ni raisonnement, ni sources, ni exemples : « Donne juste la réponse finale. »
5. Suivre le premier avis venu. Ne pas comparer plusieurs avis ou plusieurs devis revient à se contenter d'une seule réponse de l'IA, sans lui demander d'alternatives.
6. Oublier les risques d'erreur. Ne jamais se demander ce qui pourrait mal se passer, c'est ne pas challenger la réponse de l'IA et partir du principe qu'elle est bonne.

Le résultat de cet enchaînement est toujours le même, humain ou IA : compétence incertaine → informations partielles → aucune vérification → une seule option → décision fragile. Parfois ça aide, parfois ça ne change rien, parfois ça aggrave le problème. Chacun de ces six mauvais réflexes se corrige par l'étape correspondante de la méthode précédente — et le dernier, oublier les risques d'erreur, mérite à lui seul une section entière.

5. Vérifier les réponses : comment ne pas se faire tromper par l'IA

C'est le point le plus sous-estimé par les utilisateurs occasionnels : même le « prompt parfait » ne garantit pas une réponse exacte. Rôle, tâche, contexte, recherches, sources — une réponse peut cocher toutes les bonnes pratiques de prompting et rester fausse. Les chiffres publiés en 2026 sont sans ambiguïté sur l'ampleur du phénomène : selon le benchmark Vectara, tous les modèles évalués franchissent la barre des 10 % d'hallucination sur des tâches factuelles simples, et sur le benchmark AA-Omniscience, les taux mesurés vont de 22 % pour le modèle le plus fiable à 94 % pour le moins fiable³. Sur des requêtes juridiques pointues, une étude du Stanford RegLab a mesuré des taux d'hallucination compris entre 69 % et 88 % selon les modèles⁴. Autrement dit : le risque d'erreur ne disparaît jamais complètement, il se réduit.

Trois points de vigilance permettent de le limiter :

1. Le modèle choisi. Pour une tâche complexe, vérifiez le modèle actif dans votre outil et privilégiez le plus performant disponible pour cette tâche : cela réduit les erreurs, sans les supprimer.
2. La complexité de la demande. Beaucoup d'informations et une longue réponse multiplient les occasions d'erreur. Découpez le travail en étapes plus courtes et vérifiez les points clés au fur et à mesure.
3. La qualité des documents fournis. Les PDF mal structurés, les scans, les tableaux et les schémas complexes peuvent être mal interprétés par l'IA. Fournissez des documents lisibles et contrôlez ce qu'elle en a extrait.

Trois prompts permettent ensuite d'affiner une réponse avant de s'y fier :

Vérifier un point

Passer la réponse en revue

Chercher les failles

Ces trois relances ne remplacent pas votre propre vérification : elles la préparent. Le dernier mot doit toujours rester humain — relisez, ouvrez les sources citées, recoupez les faits importants. L'auto-vérification demandée à l'IA n'est jamais une preuve en soi, seulement une étape de filtrage avant votre propre contrôle.

6. Piloter un agent IA comme on délègue à un collaborateur humain

Une fois qu'on sait formuler une demande et vérifier une réponse, on peut passer à l'étape suivante : confier des tâches entières. Un agent IA (un assistant capable d'agir sur plusieurs étapes, de consulter des outils, de lire des documents) se pilote avec les mêmes réflexes de management qu'un collaborateur humain — l'infographie prend l'exemple d'une assistante administrative chargée du courrier :

1. Lui donner accès aux informations. Une assistante a besoin d'accéder au courrier, aux dossiers, aux procédures ; un agent IA doit être connecté aux bons documents, emails, fichiers, bases de connaissances, calendrier et outils. Sans ces accès, ni l'une ni l'autre ne peut bien travailler.
2. Définir clairement la mission. Rôle, objectifs, tâches précises : plus c'est net, mieux c'est exécuté — pour un humain comme pour une IA à qui l'on donne un rôle, des objectifs et des instructions.
3. Préciser la fréquence et le déclencheur. Quand agir, à quelle fréquence, qu'est-ce qui déclenche l'action (un nouveau courrier reçu, chaque vendredi pour un récapitulatif…).
4. Tester sur une première mission. Confier une tâche concrète, vérifier qu'elle a été bien comprise, contrôler le résultat — avant de généraliser.
5. Rédiger une fiche de poste. Pour un humain, une fiche de poste précise rôle, tâches, règles et ce qu'il peut faire seul. Pour un agent IA, l'équivalent est un fichier d'instructions (type CLAUDE.md ou AGENTS.md) qui détaille rôle, objectifs, ce qu'il doit et ne doit pas faire, les règles à respecter et les outils autorisés.
6. Contrôler et améliorer. Vérifier régulièrement le travail produit, identifier les erreurs ou interprétations incorrectes, et ajuster la fiche de poste ou le fichier d'instructions en conséquence.

Un agent IA performant repose sur cinq ingrédients qui se retrouvent tous dans cette liste : un modèle performant, un contexte pertinent, les bons outils connectés, des instructions précises, et un niveau d'autonomie défini avec un contrôle régulier. Retirer l'un de ces cinq éléments dégrade la fiabilité du résultat, exactement comme cela dégraderait le travail d'un collaborateur mal briefé ou mal outillé.

Brancher l'agent sur vos emails, votre agenda ou vos fichiers partagés est l'étape où l'on se trompe le plus souvent : accès trop larges, connecteur qui refuse de s'authentifier, instructions trop vagues. Si vous voulez l'avis d'une professionnelle avant de lui ouvrir vos outils, je regarde votre configuration avec vous en une heure de consultation, résultat obtenu ou remboursé.

7. Donner une mémoire à son agent IA : l'agent qui apprend de son travail

Un agent IA a une limite de taille : il ne garde pas de mémoire fiable d'une conversation à l'autre. Chaque nouvelle session repart presque de zéro, et tout ce qu'on lui a expliqué la veille est à réexpliquer. La solution consiste à externaliser sa mémoire dans un dossier de projet qu'il lit avant d'agir et qu'il vous propose d'enrichir après chaque tâche utile. La formule tient en quatre briques : mémoire externalisée + documentation + skills + validation humaine. On transforme ainsi un agent ponctuel en assistant permanent de projet, qui s'améliore au fil du travail.

1. Créer le dossier de travail. Un dossier dédié au projet, avec un sous-dossier mon-contexte/ où déposer documents, notes, PDF, liens et exports. Les sources brutes restent séparées du reste : l'objectif est de donner à l'agent toute la matière utile.
2. Préparer la structure mémoire. docs/ pour les connaissances durables, un dossier de skills pour les méthodes réutilisables (.claude/skills/ avec Claude, .agents/skills/ avec Codex et la plupart des autres agents), livrables/ pour les productions finales, taches/ pour les listes de tâches en cours, et un fichier d'instructions qui sert de carte du projet (CLAUDE.md avec Claude, AGENTS.md ailleurs). Le modèle n'a pas de mémoire fiable : le dossier devient sa mémoire.
3. Connecter l'agent au dossier. Ouvrir une interface agentique (Cowork, Codex, Claude Code…), la brancher sur le dossier racine du projet, et demander à l'agent d'explorer d'abord mon-contexte/. Avant d'agir, l'agent doit comprendre le terrain.
4. Lancer le prompt de configuration. Un rôle clair, un objectif clair, l'exigence d'une mémoire écrite dans les fichiers, et la demande de créer l'organisation initiale. Ce premier prompt conditionne la qualité de tout ce qui suit : il installe les règles de travail que l'agent relira à chaque session. Il s'agit de lui dire comment apprendre, en plus de lui dire quoi faire.
5. Lui apprendre à documenter. Après une tâche, quand l'agent a appris une information durable (une préférence, une règle, un fait sur le projet), il vous propose de l'ajouter à docs/ ou au fichier d'instructions, et vous décidez. Avant de proposer un nouveau document, il vérifie qu'il n'en existe pas déjà un sur le même sujet et complète l'existant plutôt que de dupliquer. La règle : ne mémoriser que l'utile.
6. Lui apprendre à créer des skills. Quand une procédure risque de revenir souvent, l'agent propose d'en faire un skill. Si vous acceptez, il cherche d'abord un skill existant, dans le projet puis sur Internet, et ne vous le propose que s'il est performant et sûr ; à défaut, il en crée un. L'article sur Hermes Agent détaille ce que sont les skills, comment les utiliser chez Claude, ChatGPT et Hermes, et leurs risques. Un skill est une méthode réutilisable : docs/ contient le savoir du projet, les skills contiennent le savoir-faire. Un document explique, un skill exécute.
7. Mettre en place la boucle d'amélioration. À chaque tâche : consulter la documentation utile, chercher un skill, exécuter, contrôler le résultat, puis capitaliser (mettre à jour une doc, un skill ou une instruction). L'humain valide les changements importants.

Suivre les tâches dans des fichiers

La mémoire couvre aussi ce qui reste à faire. Les tâches en cours vivent dans le dossier taches/, avec un fichier par projet ou domaine (par exemple urssaf.md, impots-2025.md, refonte-site.md). Chaque fichier contient quelques lignes de contexte puis une liste de cases à cocher, en précisant qui fait quoi : vous ou l'agent. En début de session, l'agent vous rappelle les tâches ouvertes et les échéances proches.

Quand une tâche est faite, l'agent la coche et écrit juste en dessous une courte réponse : ce qui a été fait, le résultat, le lien vers le livrable. Quand toute la liste est terminée, il déplace le fichier dans taches/archive-taches/, en préfixant son nom par la date. Vous gardez ainsi un historique lisible de tout ce qui a été traité, et l'agent peut s'y référer plus tard.

# URSSAF — vérifications 2026
Créé le 2026-10-01 · Statut : en cours

## Contexte
Déclaration trimestrielle. Voir docs/urssaf.md et mon-contexte/declarations-2026.pdf.

## Tâches
- [ ] Vérifier le taux appliqué au T3 — moi
- [x] Préparer le message de demande de correction — agent
  ✅ Fait le 2026-10-02 : brouillon dans livrables/2026-10-02-message-urssaf.md, à relire et envoyer.

La structure recommandée du projet ressemble à ceci :

MON-PROJET/
├── mon-contexte/      # sources brutes
├── docs/              # mémoire du projet
├── .agents/
│   └── skills/        # procédures (.claude/skills/ avec Claude)
├── livrables/         # productions
├── taches/            # listes de tâches en cours
│   └── archive-taches/  # listes terminées, avec les comptes rendus
└── AGENTS.md          # mode d'emploi (CLAUDE.md avec Claude)

Et voici le prompt de départ à copier-coller une fois l'agent connecté au dossier, en complétant le rôle et l'objectif. Il ne sert qu'une fois : il met en place la structure, puis recopie dans le fichier d'instructions les règles de travail que l'agent appliquera à chaque session suivante.

Tu vas devenir un assistant IA auto-apprenant pour ce projet. Ta mémoire ne sera pas cette conversation : ce seront les fichiers de ce dossier. Cette première session sert uniquement à mettre en place cette organisation.

Ton rôle : [décrire le rôle, ex. assistant marketing de ma boutique en ligne]
L'objectif du projet : [décrire le résultat recherché]

ÉTAPE 1 — Comprendre le terrain
Explore le dossier, en commençant par mon-contexte/. Résume-moi ce que tu as compris du projet, puis pose-moi des questions si nécessaire pour combler les manques.

ÉTAPE 2 — Mettre en place la structure
Crée les dossiers manquants :
- mon-contexte/ : les sources brutes que je fournis (tu les lis, tu ne les modifies jamais) ;
- docs/ : les connaissances durables du projet ;
- le dossier de skills reconnu par ton outil (.claude/skills/ si tu es Claude, .agents/skills/ sinon) : les procédures réutilisables ;
- livrables/ : les productions finales ;
- taches/ : les listes de tâches en cours, un fichier .md par projet ou domaine ;
- taches/archive-taches/ : les listes de tâches terminées.

ÉTAPE 3 — Écrire le fichier d'instructions
Crée le fichier que ton outil lit automatiquement au début de chaque session : CLAUDE.md si tu es Claude, AGENTS.md sinon. Il doit contenir :
- le rôle, l'objectif et le contexte du projet, en quelques lignes ;
- la carte des dossiers ci-dessus et ce qui va dans chacun ;
- les règles de travail et la gestion des tâches ci-dessous, recopiées telles quelles.

RÈGLES DE TRAVAIL (à appliquer à chaque session)
1. Avant une tâche, relis les documents de docs/ utiles pour cette tâche et vérifie si un skill existe déjà pour la réaliser.
2. Range chaque fichier au bon endroit : sources dans mon-contexte/, connaissances dans docs/, procédures dans le dossier de skills, productions dans livrables/.
3. Après une tâche, si tu as appris une information durable (préférence, règle, fait sur le projet), propose-moi de l'ajouter à docs/, à AGENTS.md ou à CLAUDE.md.
4. Quand une procédure risque de revenir souvent, propose-moi d'en faire un skill. Si j'accepte, cherche sur Internet des skills existants et propose-les s'ils sont performants et sécurisés, avant d'en créer un de zéro.
5. Avant de proposer un nouveau document ou un nouveau skill, vérifie qu'il n'en existe pas déjà un sur le même sujet : complète l'existant plutôt que de dupliquer.

GESTION DES TÂCHES
1. Une liste par projet ou domaine : taches/nom-du-domaine.md, placée à la racine de taches/. Avant d'en créer une, vérifie qu'il n'en existe pas déjà une pour ce domaine.
2. Chaque fichier commence par un titre, la date de création, le statut (en cours / terminé) et quelques lignes de contexte avec les liens vers les documents utiles. Puis viennent les tâches, en cases à cocher : - [ ] Tâche — qui (moi ou toi) — échéance si connue.
3. En début de session, liste les fichiers de taches/ et rappelle-moi les tâches ouvertes et les échéances proches.
4. Quand une tâche est faite, coche-la (- [x]) et écris juste en dessous une courte réponse : ✅ Fait le AAAA-MM-JJ : ce qui a été fait, le résultat, le lien vers le livrable.
5. Quand toutes les tâches d'un fichier sont faites, vérifie que chacune a sa réponse, passe le statut à « terminé le AAAA-MM-JJ » et déplace le fichier dans taches/archive-taches/ en préfixant son nom par la date (AAAA-MM-JJ-nom-du-domaine.md). Propose-moi ensuite d'ajouter à docs/ ce qui a été appris.

ÉTAPE 4 — Premier bilan
Propose-moi la liste des premiers documents à créer dans docs/ à partir de mon-contexte/ (un titre et une phrase pour chacun), et attends ma validation avant de les rédiger. Crée aussi les premiers fichiers de tâches dans taches/ à partir de ce que tu as repéré (démarches en attente, questions ouvertes). Termine par un résumé de ce que tu as mis en place.
        La structure recommandée :
      MON-PROJET/
├── mon-contexte/      # sources brutes
├── docs/              # mémoire du projet
├── .agents/
│   └── skills/        # procédures (.claude/skills/ avec Claude)
├── livrables/         # productions
├── taches/            # listes de tâches en cours
│   └── archive-taches/  # listes terminées, avec les comptes rendus
└── AGENTS.md          # mode d'emploi (CLAUDE.md avec Claude)

Le réflexe clé à enseigner à l'agent tient en trois moments : avant d'agir, chercher le bon contexte ; après une tâche, proposer de capitaliser si c'est utile ; avant un changement important, demander validation. C'est le prolongement naturel de la fiche de poste vue à l'étape précédente : au lieu de rédiger seul le fichier d'instructions et de l'ajuster à la main, on confie à l'agent le soin de l'enrichir, sous votre contrôle.

Hermes Agent : l'agent qui a inspiré cette méthode

Cette méthode s'inspire de Hermes Agent, l'agent open source de Nous Research, lancé en 2026 et réputé pour « apprendre de son travail ». Son secret tient à l'organisation de sa mémoire, que l'on reproduit avec Claude Code ou Codex :

• une petite mémoire toujours présente, avec un grand historique consulté seulement au besoin ;
• le savoir séparé du savoir-faire : les faits d'un côté, les procédures (les skills) de l'autre, chargées uniquement quand la tâche le demande ;
• un bilan après chaque tâche pour décider ce qui mérite d'être retenu.

Hermes a aussi ses limites : installation et maintenance sur un serveur, facture variable selon la consommation, surface d'attaque plus large et apprentissage automatique qui peut dériver sans validation humaine. Pour une personne seule ou une petite équipe, un abonnement Claude ou ChatGPT à environ 20 $ par mois avec un dossier de projet bien organisé couvre l'essentiel, pour un coût fixe. Hermes reste pertinent pour un agent disponible 24 h/24 sur un serveur, joignable par messagerie, avec le choix libre du modèle.

Pour en savoir plus : comparaison détaillée des coûts et de la sécurité, explication des skills avec leurs risques, et version enrichie du prompt, dans Créer un agent Claude Code ou Codex façon Hermes Agent.

8. Cas concret : Copilot dans les outils Microsoft 365

Tous les principes précédents s'appliquent concrètement dans les outils que beaucoup d'entreprises ont déjà en main. Microsoft 365 Copilot s'utilise de deux façons complémentaires :

1. Directement dans les logiciels — Outlook pour rédiger un brouillon ou résumer des emails, Word pour rédiger, reformuler ou synthétiser, PowerPoint pour créer et améliorer une présentation. Les fonctions disponibles dépendent de la licence souscrite.
2. Dans Copilot Chat — pour rechercher sur le web, explorer une idée, résumer ou travailler sur un document joint, en ouvrant Copilot dans un onglet ou une fenêtre à part (copilot.cloud.microsoft) ou via le bouton Copilot Chat intégré aux logiciels.

Le compte utilisé est déterminant : connectez-vous avec l'identifiant fourni par votre entreprise, car la licence, les fonctionnalités disponibles et l'accès aux documents en dépendent directement.

Dans Teams, la transcription d'une réunion n'est plus activée par défaut depuis un changement introduit par Microsoft en septembre 2025 : l'organisateur doit désormais démarrer manuellement l'enregistrement et la transcription pendant la réunion (menu Enregistrer et transcrire → Démarrer la transcription), sans que l'audio ni la vidéo ne soient nécessairement conservés⁵. Après la réunion, le texte se retrouve dans l'onglet Récapitulatif → Transcription, prêt à être copié ou joint à Copilot selon vos droits d'accès — avec un prompt aussi simple que : « Résume cette réunion : décisions, actions, responsables et échéances. Signale les informations manquantes. » Comme pour toute synthèse générée par IA, relisez le compte rendu avant de le partager.

Si le bouton Copilot reste grisé, si la transcription n'apparaît pas ou si Copilot n'accède pas aux documents attendus, je peux vous aider à identifier le blocage (licence, compte, droits) lors d'une consultation d'une heure, résultat obtenu ou remboursé.

Pourquoi ces réflexes comptent plus que le choix de l'outil

L'écart entre les organisations qui tirent un vrai bénéfice de l'IA et celles qui n'en tirent presque rien se joue aujourd'hui sur la méthode, l'accès à l'outil étant largement démocratisé. Le rapport 2026 de Stanford HAI le confirme : si 88 % des organisations utilisent l'IA dans au moins une fonction, le déploiement réellement agentique (des agents qui exécutent des tâches de bout en bout) reste à un chiffre dans la plupart des fonctions métier, et les gains de productivité restent concentrés sur un petit groupe d'organisations en tête¹. Ce petit groupe n'a pas accès à une meilleure IA : il a simplement développé de meilleurs réflexes d'usage, de vérification et de délégation — ceux détaillés dans les huit infographies ci-dessus.

Ce que j'enseigne en formation

Ces huit infographies condensent des principes que je développe beaucoup plus en profondeur en formation, sur vos propres dossiers et outils. Concrètement, on y travaille :

• la construction de prompts réutilisables par métaprompting, adaptés à vos tâches récurrentes ;
• une méthode de vérification systématique des réponses, avant de les intégrer à un livrable professionnel ;
• la mise en place d'un agent IA cadré par un fichier d'instructions, avec un niveau d'autonomie et un contrôle définis ;
• l'organisation d'un dossier de projet qui sert de mémoire à l'agent, avec sa documentation et ses skills, et le choix de skills fiables ;
• l'usage concret de Copilot ou d'un autre assistant déjà présent dans votre environnement de travail ;
• l'application de ces réflexes à des tâches réelles : emails, comptes rendus, documents, recherche, création de contenu.

Ce qu'il faut retenir

Une IA bien utilisée se reconnaît à la qualité de la méthode bien plus qu'à la qualité du modèle. La progression est toujours la même : un prompt structuré (ou mieux, rédigé par l'IA elle-même), une démarche d'expert qui exige des preuves et compare les options, une vérification systématique avant de faire confiance au résultat, puis une délégation cadrée à un agent qui garde la mémoire du projet. Ce sont ces habitudes, prises ensemble, qui transforment l'IA d'un outil qu'on subit en un outil qu'on pilote.

Sources

1. Stanford HAI — The 2026 AI Index Report
2. Anthropic — Bonnes pratiques d'ingénierie de prompt
3. Siècle Digital — Même les IA les plus avancées continuent d'halluciner selon une nouvelle étude (benchmarks Vectara et AA-Omniscience)
4. Stanford RegLab / arXiv — étude sur les hallucinations des LLM en matière juridique
5. Microsoft Learn — Gérer Copilot et la transcription dans les réunions Teams