Le mauvais point de départ
Quand une équipe commence par « nous devons ajouter de l’IA », elle a déjà choisi une solution avant de décrire le problème. Le résultat est souvent une fonctionnalité spectaculaire en démonstration, mais peu utilisée après quelques semaines.
Un meilleur point de départ consiste à observer la friction : où un utilisateur cherche trop longtemps, répète une tâche, compare trop d’options, reformule constamment la même information ou prend une décision avec trop peu de contexte.
Trois questions avant le modèle
Avant de choisir un LLM, une base vectorielle ou un agent, je préfère répondre à trois questions. Premièrement : quelle tâche devient plus rapide ou plus fiable? Deuxièmement : quelle donnée permet de vérifier la qualité de la réponse? Troisièmement : que se passe-t-il quand le modèle a tort?
Ces questions ramènent immédiatement la discussion vers le produit. Elles obligent aussi à concevoir les garde-fous, la traçabilité et l’expérience d’échec en même temps que l’expérience idéale.
L’IA comme couche, pas comme destination
Dans un bon produit, l’utilisateur ne devrait pas avoir à comprendre votre architecture IA pour obtenir de la valeur. Il veut retrouver une information, comprendre une situation, préparer une action ou décider plus vite. Le modèle est une couche derrière cette expérience.
C’est aussi pourquoi certaines fonctionnalités n’ont pas besoin d’IA. Une règle déterministe, une recherche bien indexée ou une interface mieux structurée peut être plus rapide, moins chère et plus fiable.
La mesure qui compte
Le test final n’est pas « la réponse semble intelligente ». C’est : avons-nous réduit le temps, les erreurs, l’incertitude ou le nombre d’étapes? Une fonctionnalité IA devient intéressante quand sa valeur peut être décrite sans utiliser le mot IA.
C’est la philosophie que je veux appliquer aux expérimentations GuruLabs : partir d’un problème observable, prototyper rapidement, puis mesurer si l’intelligence ajoutée mérite réellement de rester.