« En combien de temps tu ferais ça avec ton IA ? » — la réponse honnête
On me pose la question presque chaque semaine. Au bureau, en famille, sous un post LinkedIn : « En combien de temps tu pourrais faire ça avec ton IA ? »
La personne attend un chiffre. Une heure ? Une journée ? Et je vois son regard changer quand je réponds la vérité : « Ça dépend entièrement de ce que tu m'apportes. »
Parce que la vraie réponse n'est pas un délai. C'est une question retournée.
🧊 Ce que tu vois n'est que la pointe
Sur les réseaux, l'IA ressemble à de la magie. Tu tapes trois lignes, tu cliques sur un bouton, et un résultat impeccable apparaît en trente secondes. Vidéo, rapport, code, image — peu importe.
Ce que tu vois, c'est le dernier kilomètre. Le moment où tout marche. Personne ne filme les semaines qui précèdent, parce que ça ne fait pas rêver et ça ne se vend pas en dix secondes.
Or c'est là que se trouve 95 % du travail. Et 100 % du coût.
🏗️ Avant même de parler d'IA : trois choses non négociables
Que tu sois un particulier qui veut automatiser sa compta ou une entreprise qui veut un assistant métier, l'IA ne démarre pas dans le vide. Il faut d'abord réunir trois ingrédients. Sans eux, aucune IA ne tient debout.
1. Un cahier des charges. Que veux-tu, exactement ? Quelles entrées, quelles sorties, quels cas limites ? « Je veux que l'IA gère mes mails » n'est pas un besoin, c'est un vœu. Un besoin, c'est : quels mails, selon quels critères, avec quelle action, et que faire quand ça sort du cadre.
2. Des données. L'IA n'invente pas ta réalité, elle la digère. Si tes données sont éparpillées, incohérentes, non nettoyées, le modèle le plus puissant du monde produira une bouillie confiante. « Garbage in, garbage out » n'a jamais été aussi vrai qu'avec l'IA — sauf qu'ici, le garbage sort bien écrit.
3. Des process documentés. Tu ne peux pas automatiser ce que tu ne sais pas décrire. Si le savoir-faire vit uniquement dans la tête de quelqu'un, la première étape n'est pas technique : c'est de l'écrire. Beaucoup de projets IA meurent ici, avant la moindre ligne de code.
⚙️ Ensuite, le vrai travail commence
Une fois ces fondations posées, on construit. Et là on ne parle pas de minutes. On parle d'heures, de jours, parfois de semaines pour obtenir un pipeline qui coche toutes ces cases :
- il fonctionne de bout en bout, pas juste sur l'exemple de démo ;
- il résiste aux mises à jour — le modèle change, l'API évolue, une dépendance casse, et ça continue de tourner ;
- il est documenté, pour que dans six mois tu comprennes encore ce que tu as fait ;
- il gère l'imprévu au lieu de planter à la première entrée inattendue.
Ce pipeline-là, robuste et maintenable, c'est ce qui coûte cher. Pas le prompt. Pas le bouton. L'ingénierie invisible autour.
🔧 Un exemple que je vis toutes les semaines
Je vais être concret, avec l'un de mes propres systèmes.
Je voulais que ma boîte mail se trie toute seule : chaque message entrant classé dans le bon dossier, les vrais sujets remontés, le bruit écarté. Sur le papier, « une IA qui trie mes mails », c'est l'exemple parfait du truc qu'on te vend en une démo de trente secondes.
Dans la réalité :
- J'ai d'abord dû définir mes catégories — pas dix vagues, des règles précises. Qu'est-ce qui est « urgent » ? Qu'est-ce qui est « à archiver » ? Où passe la frontière ? Ça, aucune IA ne le devine à ta place : c'est ton jugement qu'il faut écrire.
- J'ai dû regarder mes données : des années de mails hétérogènes, des expéditeurs récurrents, des formats improbables. Nettoyer, échantillonner, comprendre les cas tordus.
- J'ai documenté le process que je faisais jusque-là à la main, sans même m'en rendre compte.
- Puis j'ai construit le pipeline. Plusieurs soirées. Des ratés. Des faux positifs à corriger. Un modèle qui change de comportement après une mise à jour et qu'il faut re-tester.
Aujourd'hui ? Ça tourne tout seul. Je passe quelques minutes par semaine à surveiller. Le gain est réel, mesurable, quotidien.
Mais le mois où un nouveau type de courrier est apparu — un cas que je n'avais pas prévu — le système l'a mal classé, avec assurance. Je n'ai pas cliqué sur un bouton « aller plus loin ». J'ai rouvert le cahier des charges, ajouté la catégorie, re-testé, redéployé. Retour, partiel, à la case départ.
C'est exactement ça, le contrat de l'IA que personne n'affiche.
⏱️ Le paradoxe des « quelques minutes par jour »
Voici ce que personne n'explique : une fois le système construit, l'utiliser prend effectivement quelques minutes par jour. C'est vrai. C'est même tout l'intérêt.
À une condition : rester dans le cadre défini au départ.
Tant que tu poses à ton système les questions pour lesquelles il a été pensé, il te fait gagner un temps fou. Le jour où tu sors du périmètre — nouveau type de donnée, nouveau cas d'usage, nouvelle exigence — tu repars pour un tour : nouveau cahier des charges, nouvelles données, nouveau cycle.
Le « quelques minutes par jour » n'est pas un mensonge. C'est juste la partie émergée d'un iceberg qu'on t'a caché.
🧭 Par où commencer, concrètement
Si tu veux te lancer sérieusement — à titre perso ou en entreprise — voici l'ordre qui évite 90 % des désillusions. Aucune de ces étapes n'est technique. C'est le point.
- Écris ton besoin en une seule phrase testable. Format : « à partir de [entrée], produire [sortie], en appliquant [règle], et en cas de doute faire [action]. » Si tu n'y arrives pas, ton besoin n'est pas prêt — l'IA non plus.
- Fais l'inventaire de tes données. Où sont-elles ? Dans quel format ? Sont-elles propres, à jour, accessibles ? Un après-midi d'inventaire honnête t'épargne des semaines d'illusions.
- Documente le process à la main d'abord. Fais la tâche toi-même cinq fois, en notant chaque décision. Ce document est la véritable spécification. L'IA ne fait qu'automatiser ce que tu as su décrire.
- Définis le cadre — et surtout le hors-cadre. Écris noir sur blanc ce que le système NE fera PAS. C'est cette frontière qui protège ta fiabilité.
- Choisis un seul cas d'usage étroit pour commencer. Pas « toute ma compta ». Un ticket. Une catégorie. Un type de document. On élargit après que le socle tient.
- Prévois la maintenance dès le jour un. Qui re-teste quand le modèle change ? Où est la doc ? Un pipeline non maintenu n'est pas un actif, c'est une dette qui dort.
Fais ces six étapes, et tu sauras déjà, seul, « en combien de temps ».
🎣 Pourquoi tout ça ressemble à un attrape-nigaud
Je ne crois pas que les gens mentent. Je crois qu'ils montrent l'arrivée sans montrer la course.
Tu reçois un texte, quelques indications, un bouton « pour aller plus loin ». C'est séduisant, c'est vrai en apparence, et ça vend une compétence réelle. Je comprends la démarche : chacun valorise son savoir-faire, et il y en a un vrai derrière.
Mais on oublie de dire l'essentiel — et pourquoi ça va coûter cher : le cahier des charges, les données, les process, l'ingénierie de robustesse, la maintenance. Le travail qui ne tient pas dans une vidéo de trente secondes.
Alors, en combien de temps ?
La vraie question n'est pas « à quelle vitesse l'IA peut faire ça ? ». C'est : « à quel point mon problème est-il défini, mes données propres, mes process écrits ? »
L'IA n'est ni lente ni rapide. Elle est aussi prête que toi.
Et si le sujet te parle — que tu sois curieux, sceptique, ou en plein projet — on peut en discuter autour d'un café, lors d'une conférence, ou simplement en commentaire. C'est souvent là, dans la vraie conversation, qu'on cadre un besoin bien mieux que sous n'importe quelle démo. 👇