Le mois dernier, j’ai construit en quinze jours, pour le compte d’un client institutionnel, un dispositif complet de veille en sources ouvertes. Concrètement, cela veut dire un mécanisme « à l’ancienne » qui capte chaque jour tout ce qui se publie en sources ouvertes sur les sujets qui l’intéressent (presse en ligne, comptes officiels, réseaux sociaux), extrait les commentaires significatifs sous les publications, les fait pré-analyser par un assistant intelligent, et produit toutes les deux semaines un rapport synthétique. La matière circule dans deux langues, une langue asiatique à écriture non latine et l’anglais.
Ces quinze jours n’ont rien eu de facile, et ce travail n’a certainement pas consisté en quelques heures de papotage avec un robot. J’y ai passé des journées denses, quelques soirées aussi, et effectué un nombre considérable d’allers-retours, d’essais, d’erreurs, de reprises. Mais à un moment, en milieu de mission, j’ai pris conscience que je tenais à moi seul une charge de conception et de production qui, dans le monde d’avant, aurait demandé une petite équipe pendant plusieurs semaines.
Je suis consultant en veille depuis plus de vingt ans. Je n’ai jamais appris à coder, et je ne sais toujours pas. Le retex qui suit est ma tentative de comprendre et de rendre compte de ce qui s’est passé durant cette prestation, et surtout de cartographier honnêtement le partage du travail entre l’IA et moi.
Ce qui vient de moi
Toute la couche de conception. Les choix structurants du dispositif. Faut-il une seule profondeur de surveillance ou plusieurs ? Quels sont les bons critères pour décider qu’un fil de commentaires mérite d’être extrait et analysé, sachant qu’on ne peut pas tout extraire ? Comment graduer la tonalité des commentaires sans tomber dans des cases impossibles à utiliser pour une équipe d’analystes ? Comment séquencer le déploiement pour que les analystes puissent démarrer dès la première semaine sans attendre que l’IT ait livré les outils collaboratifs qu’on lui a demandés ?
Aucune de ces décisions ne se déduit d’une logique pure. Elles viennent de l’expérience, de la lecture du terrain, de ce qu’on sait des attentes du client et des contraintes réelles d’une équipe qui doit produire chaque jour. Une IA peut proposer des options, ce qu’elle fait très bien. Elle ne peut pas arbitrer à ma place, parce qu’elle ne porte pas la responsabilité de la mission.
Même chose pour la validation des mots-clés en langue cible. Là, c’est encore plus net. Une IA généraliste, même bien faite, reste pour l’instant limitée sur une langue faiblement représentée dans ses données d’entraînement, et plus encore quand cette langue n’a pas d’espaces entre les mots (ce qui fait planter les moteurs de recherche si on ne formule pas les requêtes correctement). Chaque terme de la matrice de mots-clés doit donc être testé un par un dans les moteurs réels, et validé par des analystes natifs avant tout déploiement. Sans cette étape, le dispositif tournerait à vide.
Tout ce travail-là, c’est la part de l’humain, et c’est précisément celle que l’IA ne peut prendre en charge. Du moins pour l’instant.
Ce que l’IA a fait
Tout le reste de la production technique, et c’est considérable, puisque je ne sais pas coder.
Des scripts Python et Node qui font tourner la machinerie en arrière-plan : générer des classeurs Excel élaborés (avec règles de validation, formats conditionnels, tableaux de bord dynamiques, graphiques calculés), produire des documents Word formatés (hiérarchie de styles, table des matières, pieds de page institutionnels), assembler les rapports périodiques en chaînant plusieurs étapes automatiques. Des règles de filtrage automatique avec des expressions régulières complexes, capables par exemple de capter une thématique précise dans des titres multilingues sans se déclencher sur les faux-positifs voisins. Je n’aurais jamais su construire ces règles seul.
Je n’ai pas écrit une ligne de code de la mission ; en revanche j’ai testé, validé, signalé ce qui ne marchait pas, demandé des reprises, fait les essais en conditions réelles, refait les essais après modification, validé à nouveau. La conduite d’une voiture ne demande pas de savoir en détail comment fonctionne un moteur à combustion, mais conduire correctement, ne s’improvise pas non plus. On apprend, on fait attention, on reconnaît quand quelque chose cloche, on s’arrête, on cherche pourquoi. C’est très exactement la posture que j’ai tenue avec le code. Validation par l’usage, par le bon fonctionnement, par les essais répétés.
Un mot technique pour donner une idée du niveau de soin pris par l’IA sans que je le demande : les scripts produits sont presque tous idempotents, autrement dit conçus pour qu’on puisse les relancer autant de fois qu’on veut sans casser ce qu’ils ont déjà produit, sans dupliquer les données, sans introduire d’incohérences. J’imagine que c’est une discipline d’ingénieur expérimenté. Je n’aurais évidemment pas pensé à demander cela, l’IA l’a apportée d’elle-même (et j’ai appris un nouveau terme…).
Autre élément qui entre dans ce territoire et qui mérite d’être nommé : la mémoire projet. Tout au long des quinze jours, l’IA a maintenu un fichier de contexte stratifié qui condense les décisions prises, les versions actives des artefacts, les pièges à éviter. Sans ce fichier, chaque nouvelle session de travail m’aurait coûté une heure de remise en route (et pas mal de tokens). Avec lui, on reprend à froid en cinq minutes, parce que l’IA a déjà tout le contexte derrière elle.
Toute la documentation d’accompagnement des analystes appartient au même domaine. Un corpus pédagogique complet, conçu pour qu’une équipe prenne la main sans formation longue : kit de démarrage par étage du dispositif, tutoriel pas-à-pas du tableau de bord, descriptif détaillé du workflow analyste, recueil commenté des consignes d’analyse pour l’assistant intelligent, taxonomie des marqueurs avec leurs définitions, exemples de livrables remplis. Sans l’IA, je n’aurais pas produit ce volume. J’aurais livré une note de cadrage de quelques pages, et j’aurais compté sur les sessions d’accompagnement pour combler le reste. Là, l’équipe dispose d’une bibliothèque de référence qui lui permet d’opérer en autonomie.
C’est dans ce territoire que la productivité change vraiment d’ordre de grandeur. Parce qu’une couche de travail qui demandait soit une compétence technique pointue, soit la sous-traitance à un développeur, est désormais absorbée par la collaboration.
Ce que nous avons fait ensemble
Et puis il y a une troisième zone, qui n’est ni moi seul, ni l’IA seule. C’est la zone où la valeur provient du dialogue lui-même, et plus précisément de ce que l’IA me fait voir et que je n’aurais pas vu autrement.
Un exemple : à mi-parcours, j’ai pris la posture d’un analyste fictif et j’ai saisi plusieurs articles dans le dispositif que je venais de concevoir. Pas pour vérifier qu’il fonctionnait techniquement, mais pour le confronter au réel. Des décisions doctrinales se sont alors imposées les unes après les autres, sur des points que je n’avais pas anticipés. Une ambiguïté ici dans le libellé d’une grille. Une formulation là dans un prompt d’analyse qui poussait l’IA dans une direction que je n’avais pas voulue. Un trou doctrinal sur tel cas limite. Aucune de ces décisions n’aurait émergé « en chambre ». Elles sont nées du fait que j’ai vu, sur des cas réels, les frictions de mon propre dispositif. Et l’IA m’a renvoyé en miroir ce que disaient mes propres consignes. J’ai corrigé. Elle a propagé les corrections à tous les documents impactés, sans erreur et en en gardant la trace.
Cette zone-là demande à l’humain d’être entièrement présent. L’IA ne me dispense pas de réfléchir, elle accélère le cycle entre une intuition métier et sa mise à l’épreuve sur cas concret. C’est cette accélération qui m’a permis d’atteindre une qualité que je n’aurais jamais atteinte seul, faute de temps pour itérer autant.
Le réel comme révélateur
Aucun des artefacts produits pendant ces quinze jours n’est sorti propre dès la conception. Six versions du classeur de pilotage en deux semaines. Quatre versions du prompt principal d’extraction en une semaine. Une refonte architecturale complète au premier cycle de test sur cas réel. Une taxonomie de marqueurs qui passe de la version 1 à la version 1.4 en quelques jours.
Chaque cycle d’audit a révélé des dérives non anticipées, des frictions d’usage que seul le contact avec le réel faisait apparaître. L’IA n’évite pas ces itérations mais les rend supportables. Sans elle, je me serais arrêté à la version 2 du classeur, et j’aurais fait avec.
Première leçon, donc : la veille à l’ère de l’IA générative ne consiste pas à automatiser un dispositif existant. Elle consiste à concevoir des dispositifs qu’on n’aurait jamais osé envisager seul, et à les faire évoluer au rythme de leur premier contact avec le réel.
Ai-je moins travaillé ? Non.
Voilà ce qu’on évite généralement de dire dans les retours d’expérience sur l’IA, et c’est pourtant le plus juste à mes yeux.
Ai-je gagné un temps fou ? Pas tout à fait. J’ai probablement passé plus d’heures sur cette mission que si je l’avais traitée à l’ancienne. Pourquoi ? Parce que sans l’IA, je m’y serais pris autrement. J’aurais bricolé un classeur Excel avec quelques formules basiques, j’aurais accepté que le dispositif soit moins fin, moins outillé, plus dépendant du bon vouloir des analystes pour compenser le manque d’automatisation. Bref, j’aurais su me limiter à ce que je suis capable de produire seul. Et j’aurais livré quelque chose de plus simple, de plus rustique aussi, et… de moins utile.
Avec l’IA, je n’ai pas travaillé moins, j’ai travaillé autant, voire plus. Mais j’ai pu aller beaucoup plus loin. Un dispositif plus dense, plus cadré, plus capable d’évoluer, et que je suis capable de maintenir.
Au fond, l’IA m’a permis de tenir seul un volume de travail qui n’aurait tout bonnement pas été envisageable autrement.
Ce que ça ne change pas, et trois précautions
L’IA n’a pas changé la nature de mon métier. Elle en a déplacé les frontières techniques, c’est tout. Trois choses m’ont guetté pendant ces quinze jours, et continueront sans doute de le faire.
D’abord l’abus d’exploration. L’IA rend la production de variantes si facile qu’on est tenté de tout tester en parallèle : multiplier les versions de prompt, ouvrir trois dialogues en même temps, raffiner des sections que personne ne lira jamais. Au début, c’est utile, on cherche la bonne forme. Passé un certain point, ça devient une dispersion. Je me suis imposé une règle simple : pas de variante conservée tant qu’elle n’a pas démontré, sur cas réel, qu’elle réduit une friction concrète.
Ensuite la dérive doctrinale silencieuse. Une méthodologie un peu fine ne se maintient pas seule. Elle se complexifie de session en session si on ne la rappelle pas, si on ne la teste pas. Sans la mémoire projet stratifiée et sans les sessions, le dispositif aurait dérivé vers une sophistication inutile.
Enfin, la posture client. L’IA ne sait pas qu’un livrable dont la première phrase s’excuse de ses limites sape sa propre crédibilité. Elle ne sait pas que devant certains commanditaires institutionnels, certaines formulations sont mortifères et certaines autres apaisantes. Cette lecture culturelle et « politique » reste l’apanage du consultant.
Pour finir
Ce que l’IA a recomposé en quinze jours, sur cette mission, c’est l’horizon de ce qu’un consultant solo peut espérer mettre en œuvre sans le sous-traiter ni le dégrader. Ce sont des dispositifs jusque-là hors de ma portée que je peux désormais concevoir et maintenir.
Texte publié initialement sur LinkedIn le 25 mai 2026.
Laisser un commentaire