De l'outil IA au système IA : pourquoi un modèle ne suffit pas

Un bon modèle IA répond à peu près à tout. Un système IA, lui, connaît le métier, se souvient du projet et vérifie ce qu'il produit. La différence ne tient pas à la puissance de calcul : elle tient à ce qui sépare un pilote qui ne débouche sur rien d'un usage qui change réellement la façon de travailler.

Le chiffre qui pose le problème

En juillet 2025, MIT NANDA (Networked Agents And Decentralized Architecture, initiative de recherche du MIT) publie un rapport qui a fait grand bruit dans les comités de direction : The GenAI Divide: State of AI in Business 2025. L'étude repose sur cinquante-deux entretiens structurés avec des dirigeants, cent cinquante-trois réponses à une enquête menée auprès de responsables lors de grandes conférences professionnelles, et l'analyse de plus de trois cents déploiements publics d'intelligence artificielle générative en entreprise.

Le constat : 95 % des projets pilotes d'IA générative ne produisent aucun retour mesurable. Pour trente à quarante milliards de dollars investis collectivement.

Le rapport insiste sur un point central pour qui veut maîtriser l'IA en 2026 : l'écart entre les 5 % de déploiements qui réussissent et les 95 % qui échouent ne vient pas de la qualité des modèles. Les grands modèles génératifs actuels répondent déjà correctement à la quasi-totalité des tâches testées.

Ce qui manque ? L'intégration aux flux de travail réels. Les données prêtes à l'emploi. Un objectif métier défini avant même de commencer.

Un modèle seul répond, mais ne connaît pas le métier

Ce constat rejoint une observation qu'Erlé Alberton formule très tôt dans son échange avec CréActifs, diffusé le 9 septembre 2026.

Il raconte qu'arriver chez une petite ou moyenne entreprise en promettant d'y installer de l'intelligence artificielle ne produit rien de concret. Un modèle générique répond dans le vide. Il ne connaît ni les produits, ni les clients, ni les habitudes de l'équipe qui devra s'en servir. Il ne sait pas reformuler une demande mal posée pour en tirer une réponse exploitable.

Ce premier maillon paraît trivial. Pourtant il explique à lui seul une bonne part du chiffre du MIT. Un outil isolé, aussi performant soit-il sur un benchmark, reste générique tant que personne ne lui a donné le contexte dont il a besoin pour produire une réponse utile, un principe au cœur du pilier IA.

Donner du contexte change déjà la réponse

Avant même de parler d'agents ou de systèmes complexes, Erlé partage dans cet échange des réflexes simples, transférables à n'importe quel usage personnel d'un assistant conversationnel.

Le premier consiste à créer un projet persistant plutôt que d'enchaîner des prompts isolés sans lien entre eux : le modèle conserve alors un contexte stable d'une session à l'autre, au lieu de repartir de zéro à chaque échange.

Le second ? Utiliser un méta-prompt : une demande adressée au modèle pour qu'il reformule lui-même une question mal posée avant d'y répondre.

Le troisième s'appuie sur un outil de recherche sourcée pour construire un brief documenté avant de lancer une tâche, plutôt que de laisser le modèle deviner le contexte manquant.

Trois réflexes. Trois niveaux. Mis bout à bout, ils dessinent une progression du prompt isolé vers quelque chose qui ressemble à un système léger. C'est le même mécanisme qu'on retrouve sur un autre terrain, celui du référencement, où un système hérite de l'outil, il ne le remplace pas : un système IA hérite de tout ce qu'un modèle isolé sait déjà faire, il ne le remplace pas, il ajoute du contexte, de la mémoire, des agents spécialisés et du contrôle par-dessus.

Un contexte ajouté ne change pas ce que le modèle sait faire. Il change ce qu'on lui permet de faire correctement.

Le seuil de discovery : poser des questions tant qu'il en faut

Ce principe de contexte progressif, Erlé le pousse plus loin dans la manière dont il conçoit l'entrée d'un projet dans un système qu'il pilote. Plutôt qu'un onboarding qui s'arrête après un nombre d'étapes fixé à l'avance, trois ou cinq questions et puis c'est parti, il décrit un seuil de découverte qui continue tant que le contexte réuni n'est pas jugé suffisant, quitte à multiplier les questions bien au-delà d'un onboarding classique. L'idée n'est pas de compliquer l'entrée en matière pour le plaisir, mais de refuser de démarrer une tâche tant que le système n'a pas assez d'éléments pour produire autre chose qu'une réponse générique.

Stabiliser cette qualité dans la durée : mémoire et connaissance métier

Un contexte réuni pour une tâche ponctuelle a un défaut structurel : il s'évapore. La session suivante repart de zéro, et tout ce qui a été précisé, corrigé, ajusté, doit être réexpliqué. C'est le maillon suivant de la progression de l'outil vers le système : une mémoire persistante, qui conserve d'une session à l'autre ce qui a déjà été établi, et une connaissance métier encodée en amont, qui évite de redonner à chaque usage les mêmes contraintes, le même vocabulaire, les mêmes règles internes.

Cette différence sépare un assistant qu'on réexplique sans fin d'un système qui capitalise. Sans mémoire ni connaissance métier stabilisée, chaque interaction reste un coup isolé, aussi bon que le contexte fourni ce jour-là, et jamais meilleur que la dernière fois qu'on a pris le temps de tout redétailler.

Spécialiser des agents par domaine change l'échelle

Un modèle généraliste, même bien alimenté en contexte et en mémoire, plafonne. Il reste un outil unique, sollicité pour des tâches très différentes : rédaction, analyse, production visuelle, tout à la fois.

La bascule suivante ? Spécialiser. Au lieu de demander la même chose à un modèle généraliste, on constitue une bibliothèque d'agents, chacun entraîné sur un métier précis, avec ses propres règles, son propre vocabulaire, ses propres critères de qualité.

Cette spécialisation change l'échelle du travail, pas sa nature. Un agent entraîné sur un métier produit directement ce qu'un modèle généraliste n'obtiendrait qu'après plusieurs allers-retours de correction, si tant est qu'il y arrive.

Le cas concret : une annonce statique animée en sept minutes

Erlé illustre ce maillon par un exemple tiré de sa propre expérience, raconté dans son échange avec CréActifs.

Chez un ancien employeur : commercialisation de véhicules de prestige. Volume publicitaire conséquent : de l'ordre de deux mille cinq cents vidéos à produire. Il a transformé une annonce statique (une simple photo + descriptif) en vidéo animée de qualité en sept minutes, sans brief rédigé au préalable. Son ancien employeur découvrait le résultat sans comprendre comment une simple photo avait pu être animée avec un tel niveau de finition.

Ce résultat ne tient pas à un outil de génération vidéo pris isolément : il tient à la méthode et au contexte métier déjà encodés dans le système qui a traité la demande. C'est la différence exacte entre un outil brut et un système qui connaît déjà le secteur, le produit et le format attendu.

Coordonner les agents entre eux

Une bibliothèque d'agents spécialisés ne suffit pas si chacun travaille en silo. Erlé décrit l'IA agentique comme des agents qui s'organisent entre eux en fonction du projet découvert, plutôt que comme une simple juxtaposition d'outils qu'un humain doit enchaîner manuellement.

C'est le maillon de la coordination. Son rôle ? Mettre en cohérence ce que produit chaque agent spécialisé, dans le bon ordre, avec les bonnes informations transmises de l'un à l'autre.

Cette coordination n'a rien d'abstrait. Un pipeline éditorial multi-agents déjà documenté en donne un exemple concret et vérifiable : plusieurs agents spécialisés, chacun sur une étape distincte de la production d'un contenu, coordonnés pour produire un résultat qu'aucun d'entre eux n'obtiendrait seul.

Contrôle qualité et mesure : fermer la boucle

Un système d'agents coordonnés qui ne vérifie jamais ce qu'il produit rejoint le constat du MIT : un déploiement sans mesure, même techniquement impeccable, retombe dans le même angle mort qu'un outil brut jamais évalué.

Le contrôle qualité et la mesure ferment la boucle. Sans eux, un système sophistiqué produit simplement des erreurs plus vite et à plus grande échelle qu'un outil isolé. Pire : il les produit à l'échelle du projet entier.

C'est aussi le maillon où la place de l'humain face aux agents reste entière. Erlé le répète dans son échange avec CréActifs : l'humain garde le jugement, l'émotion et l'arbitrage final. Un agent, même spécialisé et bien coordonné avec d'autres, reste un collègue entraîné sur un métier, jamais un remplacement de la décision humaine.

Ce que ça change concrètement pour une TPE ou une PME

Ces sept maillons dessinent un chemin simple.

Un outil isolé répond sans connaître le métier. Du contexte améliore déjà la réponse. Une mémoire et une connaissance métier stabilisent cette qualité dans la durée. Des agents spécialisés changent l'échelle de ce qui devient possible. Leur coordination fait système. Le contrôle qualité et la mesure ferment la boucle, en laissant à l'humain le jugement final.

L'annonce statique animée en sept minutes le démontre mieux que tout discours : ce n'est pas l'outil de génération vidéo qui a fait la différence, c'est tout ce que le système savait déjà du secteur, du produit et du client avant même de recevoir la demande.

C'est exactement la thèse qu'OMKomUnity défend au sujet de l'intelligence artificielle en entreprise. Le problème n'est plus d'avoir accès à un modèle, c'est de lui donner le bon contexte et de coordonner les capacités qui l'entourent autour d'un résultat vérifiable. Une thèse qu'Erlé Alberton développe plus largement dans son échange avec CréActifs.