Perspectives
Découvrez nos articles sur l'intelligence artificielle, les agents IA et la transformation digitale des entreprises.
Le biais machine n'est pas le biais du recruteur : ce que Kahneman n'avait pas prévu
On déploie un scoring IA pour « retirer le biais humain » du recrutement. Six mois plus tard, un profil entier de candidats disparaît des listes — non par hostilité, mais par invisibilité statistique. Kahneman avait cartographié nos heuristiques ; il n'avait pas prévu un biais corrélé, appliqué à l'échelle industrielle, sans aucun système 2 pour se corriger. Selon dac.consulting, le biais machine n'hérite pas du biais humain : il obéit à une logique structurelle radicalement différente, plus dangereuse à grande échelle et pourtant, pour la première fois de l'histoire, mesurable et testable avant qu'il ne frappe. Cet article explique pourquoi la promesse « IA objective contre humain biaisé » est un slogan dangereux, ce que les études 2026 sur les LLM révèlent sur le renversement des biais, et les quatre garde-fous concrets qu'un praticien applique sur le terrain.
L'agent IA autonome et le pari de Pascal : la fiabilité se mesure au pire
Un agent de rapprochement bancaire, 994 bonnes décisions sur 1 000, et un virement de 47 000 euros parti vers un IBAN frauduleux : c'est par cet incident réel que Thomas Santori, fondateur de dac.consulting, ouvre la question centrale du déploiement d'agents IA en entreprise. Comment mesure-t-on vraiment la fiabilité d'un système autonome ? Selon dac.consulting, optimiser un taux de réussite moyen est une erreur de méthode : ce qui décide, c'est l'espérance pondérée par la magnitude des conséquences, exactement le raisonnement que Blaise Pascal formulait dans les Pensées en 1670. Dans cet essai, vous apprendrez à distinguer le réversible de l'irréversible, à comprendre les architectures de délégation par paliers et à appliquer quatre gestes concrets pour décider quand et surtout quand ne pas confier une décision à un agent.
La revalidation continue du contexte, ou pourquoi un colis déjà dédouané reste suspect
Un agent peut démarrer avec un prompt parfaitement sûr et déraper à l'étape 4, lorsqu'un document externe glisse une instruction cachée dans son contexte. C'est précisément cette faille — silencieuse, structurelle, invisible à l'entrée — que la revalidation continue du contexte (PCR) vient colmater. Selon dac.consulting, traiter le contexte comme un flux contaminable plutôt que comme un état figé change radicalement la façon de concevoir la sécurité des agents IA en production. Dans cet essai, vous apprendrez pourquoi la confiance accordée au premier tour se paie avec intérêts aux tours suivants, ce que le droit douanier enseigne sur la surveillance persistante, et quels quatre gestes concrets permettent de défendre l'environnement d'exécution d'un agent sans le transformer en bureaucrate paranoïaque.
On ne patche pas un poids : anatomie d'une vulnérabilité LLM
Un exploit zero-day façonné avec l'aide d'un LLM, une faille qualifiée de « sémantique » plutôt que technique : en novembre 2025, le Google Threat Intelligence Group a mis en lumière quelque chose que la sécurité informatique classique n'avait pas prévu. Quand la cible est elle-même un grand modèle de langage, le réflexe du patch — localiser, isoler, corriger — ne fonctionne plus. Il n'y a aucune ligne coupable à refermer, seulement des comportements statistiques émergents à infléchir. Selon dac.consulting, sécuriser un LLM en production relève moins de la chirurgie logicielle que de l'immunologie : on superpose des défenses adaptatives, on surveille les écarts de comportement, et on accepte qu'aucune barrière ne soit définitive. Cet article dissèque pourquoi le paradigme du correctif échoue face aux vulnérabilités LLM, ce que la biologie immunitaire enseigne sur la bonne architecture défensive, et les quatre gestes concrets qu'un praticien applique avant de brancher un agent sur une donnée sensible.
Le MCP n'est pas neutre : ce que Montesquieu enseigne sur la souveraineté de vos intégrations IA
Brancher un serveur MCP tiers prend dix minutes. Comprendre ce que vous venez d'ouvrir dans votre système d'information peut prendre beaucoup plus longtemps — si tant est qu'on se pose la question. Le Model Context Protocol a tenu sa promesse d'interopérabilité : un standard, des milliers de connecteurs, des intégrations qui s'assemblent comme des prises universelles. Mais un standard technique ne fait pas une politique de sécurité. Selon dac.consulting, confondre les deux est l'erreur la plus courante observée chez les équipes qui adoptent le MCP en production sans cadre de gouvernance préalable. Dans cet essai, Thomas Santori convoque Montesquieu et sa thèse du *doux commerce* pour montrer que l'interopérabilité crée aussi de la dépendance — et que la souveraineté de vos intégrations IA se joue entièrement hors du protocole : dans les frontières que vous décidez d'ouvrir, celles que vous gardez fermées, et les quatre garde-fous qui font la différence entre un connecteur et un traité commercial mal négocié.
Un agent qui n'oublie rien finit comme Funes : la mémoire de travail des agents IA
Un agent copilote en pleine session de cotation qui réapplique un tarif explicitement annulé trois tours plus tôt : ce n'est pas un bug, c'est une fenêtre de contexte mal gouvernée. Le problème n'est pas la taille de la mémoire — les fenêtres atteignent désormais un million de tokens — mais ce qu'on choisit d'y garder, et ce qu'on décide d'en retirer. Borges l'avait compris avant les ingénieurs : Funes el memorioso, doté d'une mémoire absolue, devient incapable d'abstraire. Penser, c'est oublier. Selon dac.consulting, la même logique s'applique aux agents IA en production : un agent qui ne sait pas oublier n'est pas plus intelligent — il archive, et un archiviste sans tri finit noyé sous ses propres feuilles. Cet article détaille les trois couches de mémoire d'un agent (contexte immédiat, compression, épisodique persistante), la règle de compaction à 60–70 % de la fenêtre, l'oubli stratégique par scoring, et la séparation critique entre faits stables et états transitoires — avec les risques concrets d'une persistance mal calibrée.
La cryptographie homomorphique, ou calculer sur des secrets qu'un LLM ne lira jamais
Envoyer un contrat en négociation, des dossiers RH ou des données de santé dans un modèle de langage tiers : l'objection revient dans chaque mission de conseil, toujours formulée de la même façon. « On ne peut pas envoyer *ça* dans un modèle tiers. » La cryptographie homomorphique promet de lever ce blocage en permettant de calculer sur des données sans jamais les déchiffrer — pas même pendant l'exécution. Selon dac.consulting, cette promesse est mathématiquement irréprochable, mais son application à un LLM complet reste, en 2026, plusieurs ordres de grandeur trop lente pour la production. Cet article distingue les trois régimes de confidentialité (chiffrement au repos, enclave TEE, FHE), explique pourquoi la FHE ressemble à de la magie sans en être, et donne la grille de décision concrète appliquée chez les clients : quand la FHE est un mirage marketing, quand un TEE suffit largement, et dans quel cas unique la FHE se justifie vraiment.
Le secret qui voyage : ce que les cifristi de Venise enseignent sur l'apprentissage fédéré
Vos données sensibles ne peuvent pas quitter leur silo — juridiquement, contractuellement, ou parce que vos partenaires refusent de se dévoiler entre eux. L'apprentissage fédéré promet de faire collaborer des LLM sans jamais centraliser l'information. Mais entre la promesse et la réalité de terrain, il y a un gouffre que la plupart des plaquettes commerciales n'osent pas nommer. Selon dac.consulting, dans neuf cas sur dix, le fédéré est une réponse surdimensionnée à un problème qu'un simple déploiement on-premise résout pour une fraction du coût et de la complexité. Cet essai part d'une intuition vieille de cinq siècles — les *cifristi* de Venise, ces chiffreurs d'État qui faisaient voyager le secret sans jamais l'exposer au canal — pour expliquer ce qu'est réellement le federated learning, pourquoi partager des gradients n'est pas sans risque, et les trois questions à poser avant d'engager un projet de ce type.
Votre mémoire d'entreprise doit apprendre à oublier
Une procédure abrogée depuis dix-huit mois qui remonte comme si elle était en vigueur. Une grille tarifaire de l'an dernier qui cohabite avec la nouvelle sans que rien ne les départage. Ce scénario, rencontré sur le terrain lors d'audits de bases documentaires, n'est pas un bug du moteur de recherche : c'est le symptôme d'une mémoire d'entreprise qui n'a jamais appris à oublier. Selon dac.consulting, la majorité des incidents RAG en production ne viennent pas d'un mauvais *retrieval*, mais d'une absence totale de gouvernance temporelle sur les sources indexées. Dans cet essai, vous comprendrez pourquoi le cerveau humain — et Borges avant lui — ont tout compris sur l'oubli comme fonction cognitive de premier ordre, et vous repartirez avec les mécanismes concrets à installer : versioning, TTL, re-ranking par récence et cycles de consolidation périodiques.
n8n et le fantôme de Taylor : l'automatisation low-code n'est pas une chaîne de montage
Un dirigeant de PME regarde une démo LinkedIn : trente secondes de glisser-déposer, et ses e-mails sont triés, ses devis relancés. La promesse semble limpide. Elle l'est trop. Entre *low-code* et *sans expertise*, il y a un siècle d'histoire industrielle et un abîme technique que l'interface visuelle dissimule avec soin. Selon dac.consulting, l'automatisation n8n ne supprime pas l'expertise métier — elle la déplace vers l'architecture, les garde-fous et la gestion de l'imprévu, exactement là où le discours marketing ne regarde jamais. Cet article retrace le parallèle entre le taylorisme de 1911 et les workflows LLM de 2026, s'appuie sur une analyse empirique de plus de 6 000 pipelines n8n réels, et pose quatre règles concrètes pour qu'un workflow n8n intégrant un LLM survive en production — sans quarante-sept e-mails envoyés en boucle un mardi soir.
Un bon agent IA sait mourir : ce que l'apoptose cellulaire enseigne sur la fiabilité
Un agent IA qui boucle toute une nuit et envoie quarante-sept e-mails au même contact : ce n'est pas un agent incompétent, c'est un agent qui ne sait pas mourir. Selon dac.consulting, la fiabilité en production ne se mesure pas à ce qu'un agent ose faire, mais à la propreté avec laquelle il renonce — et cette idée, la biologie cellulaire l'a résolue bien avant l'ingénierie logicielle. Dans cet article, Thomas Santori part des travaux Nobel sur *C. elegans* et l'apoptose pour dériver six mécanismes concrets à exiger de tout agent IA déployé en entreprise : du circuit breaker au kill switch externe, en passant par les budgets d'actions et les points d'escalade humaine.
L'hypothèse de la Reine Rouge : courir pour rester à sa place
En 2023, le prompt engineering était un artisanat monnayable. En 2025, les meilleurs modèles l'ont rendu superflu — non parce que la compétence s'était dégradée, mais parce que l'écosystème avait couru plus vite qu'elle. C'est exactement ce que le biologiste Leigh Van Valen décrivait en 1973 avec son hypothèse de la Reine Rouge : dans un environnement coévolutif, la stagnation est une régression relative. Selon dac.consulting, la vraie question pour un dirigeant n'est plus « mes équipes savent-elles X ? » mais « à quelle vitesse recodent-elles quand X devient caduc ? ». Cet essai articule la loi de Van Valen, les données du Future of Jobs Report 2025 et une distinction opérationnelle entre compétences en compétition avec l'IA et compétences en coévolution avec elle — pour en tirer quatre gestes concrets applicables dès maintenant.
Le canard de Vaucanson ne digérait rien : Copilot et la dette cognitive du développeur
GitHub Copilot et ses concurrents promettent de rendre les développeurs plus rapides. Mais que se passe-t-il quand le code compile, les tests passent, et personne — ni l'auteur ni le relecteur — n'a réellement compris ce qui a été écrit ? Selon dac.consulting, cette situation n'est pas un accident isolé : c'est un effet systémique documenté par trois études récentes, que l'on peut nommer « dette cognitive » par analogie avec le canard automate de Vaucanson, qui simulait la digestion sans jamais digérer. Dans cet essai, Thomas Santori analyse les données de 2026, distingue les usages sains des usages destructeurs, et propose cinq pratiques immédiatement applicables pour les CTO de PME et d'ETI qui veulent garder le bénéfice de l'outil sans en payer le prix silencieux.
250 documents suffisent : ce que Lyssenko révèle de l'empoisonnement des LLM
Un agronome soviétique sans formation sérieuse a réussi à corrompre toute la biologie d'un pays — non pas en réfutant la science, mais en contrôlant ce qui entrait dans les manuels. Pendant vingt ans, le système a continué de fonctionner, produisant des sorties fluides et confiantes. Et fausses. Selon dac.consulting, cette structure est exactement celle du data poisoning des LLM : un modèle empoisonné ne sent pas qu'il est corrompu, il répond avec la même assurance qu'un corpus sain. Cet article explique comment fonctionne l'empoisonnement des bases RAG d'entreprise, pourquoi un seuil aussi bas que 250 documents suffit à compromettre n'importe quel modèle, et quelle hygiène concrète protège votre mémoire documentaire.
Les LLM ont l'esprit de finesse, pas l'esprit de géométrie
Un agent IA rédige une mise en demeure sans faute… puis se trompe sur la date d'expiration du délai. Ce paradoxe — la machine qui maîtrise la langue du droit mais trébuche sur une addition de calendrier — n'est pas un bug à corriger : c'est une limite structurelle que Blaise Pascal avait conceptualisée en 1657, trois siècles avant l'invention du transformer. Selon dac.consulting, comprendre la distinction pascalienne entre esprit de finesse et esprit de géométrie est aujourd'hui la grille de lecture la plus utile pour construire des agents IA fiables en production. Dans cet article, vous découvrirez pourquoi les LLM sont par nature des esprits de finesse, ce que les architectures neuro-symboliques apportent pour combler ce manque, et la règle opérationnelle appliquée sur chaque mission : ne jamais laisser le modèle deviner ce qu'un calcul déterministe tranche gratuitement.
Le RAG expliqué par un poète grec mort il y a 2 500 ans
Un toit s'effondre sur un banquet grec, et l'art de mémoire est né. Le RAG repose sur la même intuition : on ne retrouve que ce qu'on a rangé. Explication, état de l'art mi-2026 et les trois erreurs qui condamnent les projets d'entreprise.
OpenClaw, l'IA qu'Ivan Illich aurait installée chez lui
Un matin ordinaire avec un assistant IA qui tourne sous mon bureau, et un philosophe de 1973 pour comprendre pourquoi ça compte : OpenClaw, ou la question de la maîtrise de nos machines.
Claude Code, ou la revanche de Grace Hopper
En 1952, on riait de Grace Hopper et de son compilateur. En 2026, Claude Code écrit des logiciels entiers à partir de phrases en français. Guide pratique : installation, forces, limites, cinq bonnes pratiques et comparatif honnête face à Cursor et Copilot.
Vendre l'art, pas la machine — bâtir une agence n8n qui dure
« Vous facturez 4 000 € pour trois nœuds n8n ? » Oui — et ce malentendu est le vrai sujet. Licence SUL, hébergement, modèle économique : comment bâtir une agence d'automatisation qui dure en vendant l'art, pas la machine.
Le pari à un milliard de Yann LeCun contre les LLM
1,03 milliard de dollars levés en mars 2026 par AMI Labs, la startup de Yann LeCun, pour prouver que l'IA doit imaginer le monde plutôt que prédire le mot suivant. Kant, un chat, JEPA — et ce que ce pari change pour une entreprise qui investit aujourd'hui.
Quand l'IA s'entraîne sur elle-même, elle finit comme les Habsbourg
Le menton de Charles II d'Espagne, produit de deux siècles de mariages consanguins, et le model collapse des IA entraînées sur leurs propres sorties obéissent au même mécanisme. Trois idées reçues corrigées, et une règle d'hygiène des données pour l'entreprise.
L'IA générative peut-elle fabriquer de la magie ?
Un enfant tend la main vers un droïde BDX à Galaxy's Edge ; en 1964, un Lincoln mécanique faisait pleurer les foules. Entre les deux, la même question : l'IA générative fabrique-t-elle de la magie, ou seulement de l'illusion ? Réponse tranchée.
L'IA peut-elle prouver qu'un logiciel n'a pas de bugs ? Dijkstra répond toujours non
Seize mille tests écrits par un agent en quatre jours — et toujours aucune preuve d'absence de bugs. Ce que l'IA change vraiment aux tests logiciels, ce qu'elle ne changera jamais, et trois questions à se poser avant de lui confier les vôtres.
Ce que l'IA militaire doit à l'homme qui lui a désobéi
Les systèmes de commandement assistés par IA compriment la décision militaire en minutes. En 1983, un officier soviétique a montré pourquoi il faut préserver, au bout de la chaîne, quelqu'un capable de contredire la machine.
On ne force pas un LLM, on le persuade — la sécurité IA depuis Troie
Un email piégé, aucun clic, et l'assistant IA exfiltre lui-même les données : l'affaire EchoLeak racontée au présent, la chute de Troie en miroir, et les trois gestes minimaux avant de brancher un agent au public.
Pourquoi le MCP est à l'IA ce que le conteneur fut au commerce mondial
Vos intégrations IA cassent à chaque mise à jour ? Le Model Context Protocol standardise le branchement entre modèles et logiciels, comme le conteneur a standardisé le fret. État du standard mi-2026, gouvernance, et trois cas d'usage concrets pour PME.
95 % de réussite, 100 % de confiance trahie : la leçon de Tau-Bench
95 % de réussite paraît excellent — jusqu'à ce qu'on compte les 5 % restants. Ce que Tau-Bench et sa métrique pass^k révèlent de la fiabilité réelle des agents conversationnels, et la règle à exiger avant de signer.
Comment fonctionne un LLM ? La réponse tient dans un jeu de salon de 1951
Un couple joue à deviner des lettres dans son salon en 1951 : tout ChatGPT est déjà là. Le fonctionnement d'un LLM en cinq étapes, du token à l'hallucination — avec une expérience à faire soi-même en deux minutes.
Non, l'IA ne détruit pas votre métier — elle le déplace
Dix métiers passés au crible, un paradoxe fondateur — le guichetier que le distributeur automatique devait tuer — et une conclusion : le seul professionnel vraiment menacé par l'IA est celui qui refuse d'apprendre.
Dix agents IA à construire — et pourquoi le meilleur ne figure sur aucune liste
Dix idées d'agents IA prêtes à l'emploi, un indicateur à chiffrer pour chacune, et la raison pour laquelle le meilleur agent de votre entreprise ne figurera jamais sur une liste — pas même celle-ci.
Recruter avec l'IA, ou la tentation de lire les visages
Un entretien vidéo analysé par algorithme, un pasteur du XVIIIe siècle qui lisait les visages, une loi européenne qui interdit désormais la reconnaissance émotionnelle au travail : ce que le recrutement par IA promet, et ce qu'un candidat peut exiger.
Écrire un prompt, c'est graver un mot sur le front d'un Golem
Un prompt raté, sa correction ligne à ligne, puis la légende du Golem comme grille de lecture : les techniques de prompt engineering qui tiennent encore la route en 2026 — et celles que les modèles « reasoning » ont rendues superflues.
Un LLM seul est un cerveau dans un bocal. Voici ce qui en fait un agent.
Un LLM seul pense mais ne perçoit rien, ne retient rien, n'accomplit rien. Anatomie d'un agent IA organe par organe — perception, mémoire, outils, boucle de contrôle — avec un exemple d'entreprise pour chacun.