Perspectives
Découvrez nos articles sur l'intelligence artificielle, les agents IA et la transformation digitale des entreprises.
La fiabilité d'un agent IA n'est pas une moyenne : Sisyphe et l'autocorrection
On l'imagine comme un gage de rigueur : un agent IA qui se relit, se critique, s'améliore, recommence. En pratique, cette boucle d'autocorrection produit souvent six versions du même rapport sans jamais progresser — à un coût en tokens multiplié par quatre. Le problème est structurel : le juge et le prévenu partagent exactement les mêmes biais. Selon dac.consulting, la fiabilité d'un agent ne se mesure ni à la moyenne de ses tentatives ni au volume de son introspection, mais à l'existence d'un point d'ancrage dans le réel que le modèle ne peut pas fabriquer lui-même. Dans cet essai, Thomas Santori décortique les trois pièges de la boucle infinie, s'appuie sur les travaux de Kamoi et al. (TACL 2024) et sur ProgCo (ACL 2025), et expose les quatre règles concrètes qu'il applique sur ses propres agents en production pour transformer l'introspection circulaire en vérification opérationnelle.
Adam Smith contre lui-même : quand automatiser un workflow n8n détruit la valeur créée
Un workflow n8n qui tourne parfaitement peut cacher une dette silencieuse : plus personne dans l'équipe ne comprend le processus en entier. Quand un fournisseur change la mise en page de son PDF, 14 % des factures partent en vrille — sans qu'aucun nœud ne clignote en rouge. Selon dac.consulting, c'est exactement le piège que décrit Adam Smith dans le Livre V de *La Richesse des nations* : la spécialisation qui optimise le geste finit par atrophier l'intelligence du tout. Dans cet essai, vous verrez comment la déqualification cognitive s'installe dans un graphe de nœuds low-code, pourquoi un LLM intégré en milieu de workflow aggrave la dérive en se trompant *poliment*, et quels quatre gestes concrets permettent de garder un propriétaire du tout — l'humain qui peut encore rejouer mentalement le processus entier.
La sécurité des LLM ne se patche pas, elle s'immunise
Notre LLM est sécurisé : la phrase rassure les comités de pilotage et expose les organisations. Derrière elle se cache une confusion fondamentale entre le patch logiciel, une correction ponctuelle sur une ligne coupable, et l'immunité biologique, qui ne se décrète pas mais s'entretient face à un adversaire qui mute en permanence. Selon dac.consulting, traiter la sécurité des LLM comme un projet à clore plutôt que comme un métabolisme vivant est l'erreur la plus coûteuse que commettent aujourd'hui les directions techniques et les comités de gouvernance IA. Dans cet essai, vous découvrirez pourquoi Edward Jenner éclaire mieux la sécurité LLM que n'importe quel framework de patch management, ce que les études de 2025-2026 révèlent sur la vitesse à laquelle les défenses deviennent obsolètes, et les quatre gestes concrets qu'un praticien applique pour passer d'une posture réactive à une vigilance immunitaire durable.
Le prompt engineer n'est pas un ingénieur, c'est un mythologue
On recrute des « prompt engineers » comme on recruterait des développeurs : en cherchant des gens qui maîtrisent une syntaxe, une procédure, une logique déterministe. C'est un contresens. Une étude publiée dans *PLOS ONE* en avril 2025 le prouve chiffres à l'appui : GPT-4 choisit la première option dans 63 % des cas, et l'option étiquetée « B » dans 74 % — là où un choix non biaisé approcherait 50 %. Il n'existe pas de prompt neutre. Chaque formulation active des strates culturelles enfouies dans le modèle. Selon dac.consulting, prompter ressemble bien plus à composer un mythe qu'à écrire du code : on cadre une scène, on choisit un registre, on endosse un rôle — et c'est précisément parce que le matériau est narratif qu'il exige ensuite la rigueur la plus froide de l'ingénieur. Dans cet essai, Thomas Santori revient sur ce que Gorgias de Léontinoi avait compris avant nos serveurs, ce que la recherche récente confirme, et les quatre critères concrets pour recruter ou former quelqu'un capable de tenir cette double posture.
L'agent qui doute : pourquoi la vérification socratique ne rend pas un agent IA fiable
La promesse fait recette dans les démonstrations : un agent IA qui se relit, se critique, débat avec lui-même avant de répondre. On appelle ça la *vérification socratique interne*, et on la présente comme un gage de fiabilité. Selon dac.consulting, c'est précisément l'inverse — un agent qui se relit n'est pas plus fiable, il est juste plus lent à se tromper avec assurance. Dans cet essai, Thomas Santori décortique les trois pièges de la vérification interne (conformisme du modèle, illusion de robustesse, coût sans garantie), rappelle pourquoi Socrate avait besoin d'un *autre* pour que le doute soit utile, et pose les quatre gestes concrets qui construisent une vraie fiabilité en production : vérificateur déterministe, oracle indépendant, golden set adversarial et critère d'arrêt calibré sur le risque.
Deux généraux, zéro décision : le mythe des agents IA qui collaborent
Les protocoles d'interopérabilité comme MCP font la une : vos agents IA peuvent enfin « se parler ». Mais partager une grammaire n'est pas partager un but — et c'est là que la plupart des projets multi-agents déraillent silencieusement. Selon dac.consulting, l'erreur la plus coûteuse n'est pas de choisir le mauvais protocole, c'est de confondre coordination et gouvernance : un canal ouvert ne dit ni qui décide, ni qui tranche un désaccord, ni qui répond quand un agent part en boucle. Dans cet essai, Thomas Santori convoque le problème des deux généraux byzantins et les huit principes d'Elinor Ostrom pour exposer les quatre modes de défaillance d'un essaim d'agents — et les quatre institutions à poser au-dessus du protocole avant toute mise en production.
Le mot qui anime : ce que le Golem de Prague apprend au prompt engineering
Un géant d'argile animé par un mot, désactivé par une lettre effacée : la légende du Golem de Prague n'a pas 400 ans de retard — elle décrit exactement ce qui se passe quand on rédige un prompt système pour un agent IA. Le mot grave la direction, l'intention ne suffit pas, et oublier un critère d'arrêt peut inonder la maison. Selon dac.consulting, le prompt engineering n'est pas l'art de trouver la formule magique : c'est une discipline d'artisan qui exige de versionner chaque instruction comme du code, de tester sur au moins cinquante exemples et de connaître la distribution des comportements avant tout déploiement. Dans cet essai, Thomas Santori explore trois vérités tirées du mythe — le mot fait toute la direction, une lettre change tout, la créature obéit à la lettre jamais à l'intention — et les traduit en quatre gestes concrets applicables dès aujourd'hui sur vos agents en production.
Le secret de chambre des alchimistes : pourquoi le post-quantique menace vos LLM aujourd'hui
Un dossier confidentiel envoyé à une API LLM aujourd'hui peut être intercepté, stocké, et déchiffré dans quinze ans — le jour où un ordinateur quantique en aura les moyens. Ce n'est pas de la science-fiction : c'est le principe *Harvest Now, Decrypt Later*, documenté par le NIST et pris au sérieux par l'ANSSI depuis la finalisation des standards post-quantiques ML-KEM et ML-DSA en 2024. Selon dac.consulting, les pipelines LLM aggravent structurellement cette exposition : embeddings dans des vector stores, logs de prompts conservés des mois, connecteurs MCP qui répliquent des secrets là où personne ne surveille. Dans cet article, vous comprendrez pourquoi le risque post-quantique est une décision d'architecture à prendre aujourd'hui — et non en 2035 — et quels quatre gestes concrets permettent à un dirigeant de réduire l'exposition de ses données à longue durée de valeur.
Qui a décidé de ce que votre base RAG a le droit de dire ?
Déployer une base RAG sur des milliers de documents internes, c'est tentant. L'agent répond vite, cite ses sources, semble fiable. Mais que se passe-t-il quand le rapport le plus important dort dans un classeur jamais numérisé ? L'agent ne signale rien : il comble, il lisse, il rassure — et l'erreur devient invisible. Selon dac.consulting, la vraie question n'est pas « mon RAG dit-il vrai ? » mais « qui a décidé de ce qu'il a le droit de dire ? » — une question que Derrida posait déjà sur les archives papier. Dans cet essai, vous apprendrez pourquoi toute base RAG est un acte de pouvoir autant qu'un outil technique, pourquoi ses angles morts sont structurellement indétectables, et comment imposer une gouvernance réelle sur ce que votre mémoire d'entreprise peut énoncer.
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.