
Assistants IA : productivité ou frontière irrégulière ?
Les expériences montrent des gains sur certaines tâches, mais aussi des erreurs convaincantes hors du domaine de compétence de l’outil.
1714 articles tirés de nos interventions à Genève, Lausanne, Zurich, Berne, Bâle, Lugano, Fribourg et Neuchâtel. Études de cas, guides pratiques, tendances 2026.

Les expériences montrent des gains sur certaines tâches, mais aussi des erreurs convaincantes hors du domaine de compétence de l’outil.

Les modèles de langage peuvent produire des informations fausses avec assurance. La recherche sur la confiance indique comment en tenir compte dès la conception.

Les gains de productivité annoncés reposent souvent sur des tâches bornées. Lire les études de près change la manière de concevoir un assistant.

Relier un modèle de langage à des documents de référence améliore l'exactitude sur des questions factuelles. La méthode a aussi ses limites.

Les travaux portent surtout sur l'aviation et les systèmes industriels, avant l'IA générative.

Un assistant peut accélérer une tâche tout en multipliant les changements d’attention. La littérature invite à examiner le rythme des sollicitations, pas seulement la vitesse des réponses.

Partager un assistant IA ne suffit pas à partager une compréhension du travail. La recherche sur les frontières entre métiers invite à examiner ce que ses réponses permettent réellement de transmettre.

Un assistant peut faciliter la production sans entretenir les compétences de son utilisateur. La recherche invite à distinguer la qualité du résultat immédiat de l’apprentissage qui subsiste.

Un prénom, un avatar ou une voix peuvent rendre un assistant plus engageant. La recherche invite à distinguer cette proximité de la compétence réelle du système.

Un assistant performant n’est pas nécessairement un assistant utilisé. La recherche sur l’aversion algorithmique invite à examiner la marge de correction laissée à ses utilisateurs.

Un assistant facile à utiliser peut aussi rendre la divulgation d’informations trop facile. La recherche sur la vie privée invite à examiner les données demandées, pas seulement les réponses produites.

Prototyper tôt révèle les vrais besoins.

Les modèles tendent à la complaisance.

Il peut appeler des outils, avec des erreurs.

Le milieu d'un long contexte est moins bien exploité.

La génération augmentée par recherche.

Les hallucinations sont structurelles.

Utile sur les problèmes à plusieurs étapes.

Quelques exemples changent nettement les résultats.

Plus qu'on ne le pense.


Littérature générale, peu spécifique à l'IA.

Expériences de laboratoire.

Domaine technique en évolution rapide.

Littérature émergente, peu de mesures en entreprise.

Tâches courtes, contexte expérimental.

Domaine en évolution rapide, résultats provisoires.

Contexte industriel ancien.

Études sur l'automatisation classique, avant l'IA générative.

Bancs d'essai, technologie en évolution rapide.

Modèles étudiés en 2023.

Tâches courtes, contexte expérimental.

Modèles de 2021, attaques ciblées.

Tâches de raisonnement, modèles de 2022.

Cadre antérieur aux agents génératifs.

Domaine en évolution rapide.

Une tâche standardisée, prépublication.

Texte ancien, issu du contrôle industriel.

Résultats sur des tests de raisonnement, pas sur des tâches métier.

Analyse conceptuelle, sans données empiriques.

Tâches courtes et standardisées.

Expériences de prévision en laboratoire.

Les études portent surtout sur l'aviation et les systèmes industriels.

Étude dans un seul cabinet, tâches choisies par les chercheurs.

Une seule entreprise, un seul métier.