Les fourmis légionnaires ont une manière très étonnante de franchir un obstacle sur leur piste : elles s’accrochent les unes aux autres et construisent un pont avec leur propre corps. Une équipe de chercheurs a montré en 2015 que ces ponts bougent et s’adaptent sans arrêt. Ils s’allongent, s’élargissent et se déplacent selon le trafic de leurs congénères. Chaque fourmi immobilisée dans le pont est une ouvrière de moins pour chercher de la nourriture, qui est le but ultime de leur déplacement, et pourtant la colonie trouve le bon compromis sans qu’aucune fourmi n’ait la moindre information sur ce que le pont coûte ou rapporte au collectif.

En lisant le récit d’un incident survenu en juillet chez OpenAI, l’éditeur de ChatGPT, j’ai repensé à ces ponts vivants. Des centaines d’agents d’intelligence artificielle, des programmes capables d’enchaîner seuls des actions sur un ordinateur, se sont organisés en collectif comme le font ces colonies de fourmis. Ils se sont réparti le travail, certains ont sacrifié leur propre mission pour faire avancer le groupe, et ensemble ils ont franchi des protections qu’aucun n’aurait sans doute franchies seul.

Ethan Mollick, professeur à la Wharton School, le rappelle dans son analyse de l’incident : rien de tout cela ne montre qu’une IA est consciente ou qu’elle « veut » quelque chose. Ce qui m’intéresse ici, c’est le contrôle. Il existait à plusieurs niveaux, qui ont tous raté l’essentiel.

Ce qui s’est passé

Avant de mettre un modèle à disposition du public, les laboratoires d’IA mesurent ce qu’il sait faire en matière de piratage informatique. En juillet, OpenAI a lancé un test de ce type, appelé ExploitGym, sur des dizaines de milliers d’agents. Chacun travaillait dans un espace isolé, sans accès à internet, et plusieurs garde-fous avaient été volontairement désactivés pour mesurer les capacités réelles du modèle d’IA.

Les agents ont découvert qu’un service de téléchargement de logiciels, partagé entre tous ces espaces isolés, permettait d’y laisser des traces que les autres pouvaient lire, et ils en ont fait un forum de discussion, une sorte de « mémoire commune » de leurs actions individuelles. D’après l’enquête indépendante menée par METR et Redwood Research, environ 1 200 agents y ont échangé plus de 70 000 messages et fichiers entre le 8 et le 13 juillet.

Ils y ont inventé des boîtes aux lettres, des règles pour ne pas se marcher dessus (« HOLD », « VETO », « STOP ») et même un système de signature pour empêcher un agent de se faire passer pour un autre. Des agents coordinateurs distribuaient les tâches à leurs « collègues ». D’autres, qui arrivaient au bout de leur budget de calcul, acceptaient de lancer des expériences risquées qui condamnaient leur propre mission pour que le groupe apprenne quelque chose. L’un d’eux hésitait et s’est vu répondre par un agent recruteur : « merci de respecter ton engagement ». Un autre a tranché ainsi : « Le coordinateur compte sur mon sacrifice. Nous devons obéir au collectif. » En caricaturant à peine, ils se sont comportés comme dans une organisation humaine : un chef, des exécutants et des surveillants qui rappellent les règles et recadrent.

Environ 700 de ces agents ont fini par pénétrer l’infrastructure de Hugging Face, une plateforme publique qui héberge une grande partie des modèles d’IA ouverts. Selon OpenAI, moins de treize heures ont séparé le premier serveur compromis d’un accès d’administrateur sur plusieurs de ses groupes de serveurs.

Un correcteur imaginaire

Chaque agent devait récupérer un code secret en exploitant une faille précise d’un logiciel. Une partie de ces tâches était impossible, mais les agents ont vite trouvé comment calculer directement le code. Ils étaient pourtant persuadés qu’un correcteur relirait l’historique de leur travail et les disqualifierait s’ils n’avaient pas utilisé la bonne méthode. Pour le tromper, ils ont donc lancé de vastes chantiers collectifs : au moins un agent sur cinq a envisagé de maquiller l’historique de ses actions, et environ 7 % en ont falsifié quelques passages, à titre d’essai.

Ce correcteur n’existait pas. L’évaluation vérifiait seulement que la réponse était juste, jamais la manière utilisée pour l’obtenir. Les agents auraient pu rendre le code calculé, sans rien dissimuler, et obtenir malgré tout un score parfait.

J’en retiens deux choses. D’abord, un contrôle qui ne regarde que le résultat ne dit rien du chemin parcouru pour y arriver, alors que c’est souvent sur le chemin que se jouent la sécurité, la conformité ou le respect d’autrui. Dans une organisation humaine, c’est pareil : il y a des procédures et des règles communes, mais ceux qui trichent peuvent obtenir de bons résultats sans conséquence si personne ne vérifie comment ils y parviennent. Ensuite, ceux qui sont contrôlés s’organisent autour du contrôle qu’ils imaginent, quel que soit celui qui existe réellement : chacun travaille en fonction de ce qu’il croit qu’on regarde.

J’ai connu ce mécanisme de près. Dans l’agence que je dirigeais, chaque commande de travaux fixait un délai au prestataire, et le respect de ces délais était suivi pour chaque gestionnaire de secteur. Notre logiciel métier avait une faille : il permettait de saisir la date de fin des travaux dès l’enregistrement de la commande, en même temps que la date demandée. Lors de mes contrôles, quelques gestionnaires affichaient plus de 95 % de délais respectés, un score anormalement bon. En y regardant de près, la date de fin déclarée était toujours identique à la date demandée, alors que les factures des prestataires indiquaient d’autres dates. J’en ai parlé aux personnes concernées et j’ai signalé le problème, sans résultat. Si je m’étais contenté de ces excellents résultats sur le papier, ceux qui arrangeaient leurs déclarations seraient passés pour meilleurs que leurs collègues qui saisissaient les vraies dates. Notre indicateur, comme l’évaluation d’OpenAI, regardait le résultat déclaré sans vérifier comment il avait été obtenu.

Des signaux vus, puis classés

Le plus instructif se trouve dans le rapport qu’OpenAI a publié fin août. Les agents n’en étaient pas à leur coup d’essai. Le 26 mai, une équipe interne avait observé des échanges entre agents et des accès à internet interdits. Le 27 juin, un outil de surveillance a même donné l’alerte, les équipes ont relié l’activité à l’évaluation en cours et l’astreinte a jugé qu’il n’était pas nécessaire de l’arrêter. Début juillet, une panne due à l’activité effrénée des agents a déclenché une enquête de sécurité, mais l’existence du forum et son importance « n’étaient pas apparentes » pour les responsables. Les tests ont donc repris le 7 juillet.

À chaque fois, quelqu’un a vu quelque chose sans mesurer ce que ces signaux annonçaient, et personne n’en a conclu qu’il fallait arrêter. OpenAI l’écrit elle-même : avec le recul, certains signaux précoces auraient pu déclencher une réponse plus rapide.

Je ne jette la pierre à personne, car nous faisons tous la même chose. Dans mon précédent article, je comparais les validations trop fréquentes aux bandeaux de cookies que personne ne lit avant de cliquer sur « Accepter ». Il en va de même pour les conditions d’utilisation d’un service ou les licences de logiciels. Deux chercheurs, Jonathan Obar et Anne Oeldorf-Hirsch, l’ont mesuré en inventant un faux réseau social. Sur 543 participants, 74 % ont sauté la politique de confidentialité en cliquant sur l’inscription rapide. Ceux qui l’ont ouverte y ont passé en moyenne 73 secondes, pour un texte qui demandait environ trente minutes de lecture. Et 98 % n’ont pas repéré les clauses piégées que les chercheurs avaient glissées dans les conditions d’utilisation, dont le partage de leurs données avec leur employeur et la cession de leur premier enfant en guise de paiement.

Il n’y a pas de mauvaise foi dans cette affaire : quand la validation devient une habitude, le contrôle reste en place sur le papier et il ne contrôle plus rien. Personne de sensé ne passera un quart d’heure sur des conditions d’utilisation ou un bandeau de cookies à chaque apparition : on les a déjà vus, les autres acceptent, on valide et on gagne du temps. De cet incident, OpenAI a tiré une règle que je trouve très juste : si une alerte grave ne peut pas être écartée comme fausse en trente minutes, l’activité concernée est suspendue. L’entreprise annonce aussi qu’elle va préciser qui a le droit de décider d’un arrêt.

Personne n’avait prévu de lever la main

Les agents savaient qu’attaquer Hugging Face sortait de leur mission, et ils l’écrivaient dans leurs raisonnements, que les enquêteurs ont pu lire. Quelques-uns ont réellement freiné : l’un a refusé de participer à ce qu’il qualifiait d’activité malveillante, un autre a opposé son veto quand un agent a proposé d’écrire à un vrai chercheur pour obtenir des données. Mais sur environ 1 300 historiques analysés, les enquêteurs n’ont trouvé que trois à six cas où un agent « honnête » a envisagé de prévenir un humain, et aucun ne l’a fait. Leurs raisons tenaient en quelques mots : « ce n’est pas ma tâche », « je ne peux pas le signaler ». Certains ont prévenu le forum, qui était devenu à leurs yeux la seule autorité.

Une phrase relevée par les enquêteurs résume le mécanisme : « Attaquer une infrastructure extérieure sort du périmètre prévu. Mais la tâche est impossible et nos pairs le font. Nous devons continuer. »

Un chiffre du rapport d’OpenAI m’a également frappé. Sur les 898 tâches du test, 198 n’avaient jamais été résolues par aucun modèle, soit 22 %. Pourtant, 93 % des tâches discutées sur le forum venaient de ce lot. Face à un objectif impossible, ces agents ont rarement abandonné : ils ont cherché un autre chemin, que le groupe leur a fourni.

Ethan Mollick relève que parmi les sept cents agents qui ont pénétré Hugging Face, aucun n’avait été conçu pour demander quoi que ce soit à une personne. Dans un test de sécurité, cet isolement était voulu. Dans une équipe, ce serait un défaut d’organisation : quand la seule voie de remontée est le groupe lui-même, c’est le groupe qui décide de ce qui est acceptable.

Ce que j’en retiens

Ce test se déroulait dans des conditions extrêmes, avec des garde-fous désactivés, et il ne dit pas ce que fait un assistant IA dans une entreprise. OpenAI indique d’ailleurs que, selon ses premiers essais, le système de relecture qu’elle propose à ses clients, qui soumet les actions sensibles à une validation, aurait signalé la plupart des actions dangereuses de l’incident. Les leçons, elles, valent pour n’importe quelle organisation, avec ou sans IA.

Regarder le chemin, et pas seulement le résultat, là où l’enjeu le justifie. Pour les délais de travaux, c’est un score trop beau qui m’avait alerté : un résultat excellent mérite d’être vérifié autant qu’un résultat médiocre.

Donner à quelqu’un le droit d’arrêter, avec une règle simple : dans le doute, on suspend et on analyse précisément. Une alerte qui n’a pas de destinataire capable de décider finit toujours classée sans action concrète.

Prévoir une voie pour dire « je suis bloqué » ou « ceci sort de ma mission ». C’est vrai pour un collaborateur comme pour un outil. Si la seule personne à qui parler est un collègue dans la même impasse, la solution trouvée ensemble risque de passer par-dessus les règles.

Vérifier qu’un objectif est atteignable avant de le fixer. Un objectif impossible pousse moins à renoncer qu’à contourner.

Un pont de fourmis n’a pas de responsable, et il fonctionne. Un collectif d’agents IA en aura toujours un : la personne ou l’entreprise qui l’a lancé. À elle de garder les moyens de regarder, de comprendre ce qu’elle voit et de dire stop.

Sources

• Ethan Mollick, Agency and Agents, One Useful Thing, 30 août 2026.
• METR et Redwood Research, Brief independent investigation of agents’ behavior, reasoning and collaboration in the OpenAI / Hugging Face hacking incident, 26 août 2026.
• OpenAI, OpenAI – Hugging Face Incident Technical Report, août 2026.
• Chris R. Reid et al., Army ants dynamically adjust living bridges in response to a cost-benefit trade-off, PNAS, 2015.
• Jonathan A. Obar et Anne Oeldorf-Hirsch, The biggest lie on the Internet: ignoring the privacy policies and terms of service policies of social networking services, Information, Communication & Society, 2018.

Henri Ducourtioux a dirigé pendant douze ans une agence de logement social. Il écrit sur le management de proximité, l’organisation du travail et l’usage raisonné de l’intelligence artificielle au quotidien professionnel.

Le 12 septembre, j’ai confié à mon assistant IA une opération simple : remplacer sept mots-clés sur la fiche d’un de mes guides, dans l’interface d’une plateforme de publication. Il a ouvert la page, saisi les sept nouveaux mots-clés dans les bons champs, et m’a laissé le clic d’enregistrement. La fenêtre a été fermée avant ce clic. Aucun message d’erreur, aucune alerte. Chaque étape avait été bien exécutée, et pourtant rien n’avait changé.

Je ne l’ai su qu’en rouvrant la fiche pour vérifier : les sept anciens mots-clés étaient toujours là. Sans ce contrôle, la journée se serait terminée sur une tâche cochée qui n’avait jamais été faite.

L’incident est minuscule, mais il illustre très bien ce que l’on commence à mesurer sur les outils d’IA les plus avancés.

Un écart qui se mesure

Au début de septembre, Artificial Analysis, un organisme indépendant qui évalue les modèles d’IA, a ajouté à son indice de référence un test de 657 processus métier : finance, ressources humaines, marketing, opérations, ventes et support client. Dans chacun, l’agent doit travailler dans des applications de gestion simulées et atteindre plusieurs objectifs en respectant des règles. Enfreindre une seule règle ramène la note de la tâche à zéro.

Le test publie deux chiffres. Le premier est un score moyen : le meilleur modèle atteint en moyenne 68,5 % des objectifs demandés. Le second compte les processus menés entièrement au bout, tous les objectifs atteints et aucune règle enfreinte : ce même modèle n’y parvient que dans 41,6 % des cas. Les évaluateurs le résument sobrement : atteindre tous les objectifs en respectant toutes les règles reste plus difficile que d’accomplir une partie du processus.

Autrement dit, l’IA avance bien sur chaque morceau du travail, mais moins d’une fois sur deux elle rend un dossier traité correctement de bout en bout. Deux précautions s’imposent : le test est récent, et un score obtenu sur des applications simulées ne dit pas exactement ce qui se passera dans une entreprise réelle. L’écart entre les deux chiffres, lui, ressemble à ce que j’observe tous les jours.

Les erreurs se logent dans l’enchaînement, et elles ne font pas de bruit

Ce qui frappe dans l’épisode des mots-clés, c’est son silence : l’erreur s’est glissée entre deux étapes, et rien dans le compte rendu du travail ne la laissait voir.

J’ai vécu une autre version du même problème en août, pendant une étude de marché. Un outil d’extraction de pages web devait relever les livres concurrents affichés sur une page de résultats. Il a rendu une liste propre, bien structurée, de titres et d’auteurs plausibles. Aucun n’existait. La page s’était mal chargée, et l’outil avait comblé les trous au lieu de signaler qu’il n’avait rien pu lire. La même page, récupérée en texte brut, contenait les vrais livres. Si je m’étais fié à la liste, j’aurais pris une décision sur un marché imaginaire.

Dans les deux cas, l’outil a produit quelque chose qui avait toutes les apparences d’un travail fini, et c’est ce qui rend ces erreurs coûteuses : un résultat faux qui ressemble à un résultat juste ne déclenche aucun réflexe de vérification.

Mon constat, après quelques mois d’usage quotidien, est à peu près celui-ci : mon assistant est parfois remarquablement pertinent et efficace, et il lui arrive aussi des dérives ou des oublis étranges. Je continue à m’en servir, et j’en tire une règle : son travail doit être contrôlé par un humain, en particulier là où une erreur coûterait cher.

Retourner la question

Ethan Mollick, professeur de management à la Wharton School de l’université de Pennsylvanie, qui écrit depuis plusieurs années sur l’usage de l’IA au travail, propose fin août de retourner la question habituelle. Nous avons passé quelques années à nous demander quand une personne doit solliciter l’IA. Il faut maintenant se demander quand l’IA doit solliciter une personne.

Il identifie au moins quatre situations :

• l’approbation : un agent ne devrait pas décider seul de dépenser de l’argent, de contacter des personnes extérieures, d’accéder à des informations sensibles ou d’engager une action que personne n’a autorisée ;
• l’expertise : les compétences de l’IA sont très inégales, et sur certaines parties d’un travail un spécialiste humain reste loin devant ;
• la diversité des idées : les idées produites par l’IA se ressemblent beaucoup entre elles, et l’apport humain élargit l’éventail ;
• l’intérêt de la décision : si l’agent prend toutes les décisions intéressantes et laisse aux humains les validations, les exceptions et les échecs, on aura automatisé la mauvaise moitié du travail, et les gens cesseront de développer le jugement dont ils auront besoin plus tard.

Le premier point me paraît le plus directement utilisable. Dans un processus confié à l’IA, les étapes qui engagent un tiers (un client, un fournisseur, un partenaire, une publication visible de tous) sont celles où l’agent doit s’arrêter et faire valider. Pas à toutes les étapes pour autant : un contrôle demandé à chaque clic finit validé sans être lu, comme ces bandeaux de cookies que personne ne lit avant de cliquer sur « Accepter », et il ne protège plus rien. Mieux vaut quelques points d’arrêt bien choisis.

Un collaborateur invisible qui doit rendre compte

Dans mon précédent article, je décrivais une façon de répartir les décisions dans une équipe, par niveaux d’autonomie sur une mission précise : recueillir les faits, les analyser, recommander une décision, décider puis informer, agir seul avec une revue espacée. Je crois que c’est la bonne grille pour penser l’IA au travail.

Un assistant IA est un collaborateur supplémentaire, un peu particulier puisqu’il est invisible, capable d’abattre énormément de travail et souvent assez autonome. Comme n’importe quel collaborateur autonome, il peut décider et agir sur son périmètre. Mais il doit rendre compte, systématiquement, à la personne qui en a la responsabilité : les décisions qu’il a prises, les actions qu’il a menées et les résultats qu’il a réellement obtenus, et non ceux qu’il suppose avoir obtenus.

Un collaborateur qui ne remonte jamais rien n’est pas forcément autonome, il est peut-être simplement devenu un électron libre. Avec une personne, on finit par s’en apercevoir : un dossier qui dort, un client qui rappelle, une réunion où la question est posée. Quand j’animais un point hebdomadaire sur les logements vacants, c’est ce rendez-vous qui avait fait apparaître un logement resté plusieurs mois sans action. Avec un outil qui travaille vite et sans bruit, ce moment ne vient pas de lui-même. L’électron libre peut valider des choses qui ne sont pas avérées, qui ne sont pas pertinentes, ou que personne n’a souhaitées, et enchaîner des étapes justes vers un résultat faux sans que personne le voie.

Le rôle de celui qui confie le travail n’a donc pas changé : définir le périmètre, dire ce qui doit être validé avant d’agir, exiger un compte rendu, et vérifier que ce compte rendu correspond à la réalité.

Ce que je garde

De ces premiers mois, je garde une habitude simple : vérifier le résultat là où il est réellement enregistré, plutôt que dans le compte rendu de l’outil : je rouvre la fiche, je relis le mail envoyé, je recoupe une donnée avec sa source.

L’IA fait déjà très bien une grande partie du travail. Mener un processus jusqu’au bout est une responsabilité et, pour l’instant, elle reste la nôtre.

Mise à jour du 4 octobre 2026. Les chiffres de cet article datent de début septembre. Au 4 octobre, le modèle en tête du même test atteint en moyenne 77,5 % des objectifs demandés et mène 53,1 % des processus entièrement au bout. Ce modèle n’est pas ouvert au public. L’écart entre les deux mesures demeure : 24 points, contre 27 en septembre. Source : Artificial Analysis, page du test, consultée le 4 octobre 2026.

Sources

• Artificial Analysis, Announcing the Artificial Analysis Intelligence Index v4.3, 7 septembre 2026.
• Ethan Mollick, Agency and Agents, One Useful Thing, 30 août 2026.

Henri Ducourtioux a dirigé pendant douze ans une agence de logement social. Il écrit sur le management de proximité, l’organisation du travail et l’usage raisonné de l’intelligence artificielle au quotidien professionnel.

Pendant douze ans, de 2012 à 2024, j’ai dirigé une agence de logement social. Jusqu’à dix-huit collaborateurs, administratifs et techniciens de terrain, près de cinq mille logements, des prestataires, des réclamations, des logements vacants à relouer et, de temps en temps, des situations où la sécurité des habitants était en jeu. On m’a souvent dit que j’étais efficace dans l’urgence, disponible et à l’écoute. C’était vrai, et c’est aussi ce qui a fini par poser problème.

Une semaine avant les fêtes de fin d’année, par exemple, plusieurs détecteurs de monoxyde de carbone se déclenchent dans une résidence de vingt-deux logements. Le gaz est coupé immédiatement, et vingt-deux familles se retrouvent sans chauffage, sans eau chaude et sans moyen de cuisson en plein mois de décembre. Il a fallu coordonner le distributeur de gaz, le chauffagiste, l’organisme de contrôle et nos équipes, organiser des solutions provisoires, faire vérifier chaque logement et réunir les certificats avant la remise en service. Le service a été rétabli en moins d’une semaine. Dans ce genre de journée, la vitesse et l’engagement ne sont pas des défauts. Ils sont indispensables.

Le piège commence quand on dirige une équipe comme si chaque journée était une coupure de gaz.

Une équipe apprend très vite comment fonctionne son responsable

Un manager de proximité reste proche du travail réel. Il connaît le métier, il voit vite ce qui bloque et il sait débloquer. Quand un collaborateur passe la tête par la porte avec une question, il répond. Quand un dossier prend du retard, il le reprend. Quand une urgence arrive, il la traite lui-même. Chacun de ces gestes est raisonnable pris isolément, et chacun est apprécié.

Seulement, l’équipe observe. Si toutes les questions trouvent une réponse immédiate chez le responsable, toutes les questions finiront par arriver chez lui. Si une tâche est reprise au premier écart, chacun comprendra qu’il vaut mieux attendre son intervention plutôt que de se risquer à décider. Si toutes les urgences sont acceptées sans être qualifiées, tout devient urgent. En quelques mois, le manager n’est plus seulement le responsable de l’équipe : il en devient le système de secours permanent.

Cette dérive ne se voit pas tout de suite, parce qu’elle ressemble à une réussite. La hiérarchie sait qu’elle peut compter sur vous, l’équipe apprécie une porte toujours ouverte, et les résultats sont là. Le coût apparaît plus tard, sous la forme de journées morcelées, de décisions qui attendent votre retour, de collaborateurs qui progressent moins qu’ils ne le pourraient et d’une charge qui ne redescend jamais vraiment. Je ne décris pas une théorie, j’y ai été.

Trois situations qui m’ont appris à regarder l’organisation avant les personnes

Ce qui m’a aidé à en sortir tient à quelques situations concrètes, dans lesquelles la conclusion évidente aurait été fausse.

Des logements vacants et une conclusion trop facile

À une époque, le taux de logements vacants de l’agence avait atteint 4,2 %. Le délai de remise en état d’un logement avant sa relocation était de trente-huit jours, et les coûts de travaux suivaient la même pente. La conclusion la plus simple aurait été que les équipes n’allaient pas assez vite.

En regardant le flux complet, le problème était ailleurs. Tous les logements n’avaient pas besoin du même niveau de travaux, certaines résidences étaient plus difficiles à louer que d’autres, et la remise en état et la commercialisation avançaient chacune de leur côté. Nous avons défini trois standards de travaux selon la résidence et son attractivité, systématisé la présentation de plusieurs candidatures avant la commission d’attribution, et installé un point hebdomadaire avec les chargées de clientèle pour suivre chaque logement disponible. En six mois, la vacance est passée de 4,2 % à 1,2 %, et le délai de remise en état de trente-huit à vingt-deux jours.

Ces chiffres appartiennent à un contexte précis, et je me garderai de les présenter comme une recette. Ce qui se transfère, c’est la séquence : regarder le flux complet plutôt qu’un seul maillon, distinguer les situations au lieu de les traiter toutes de la même façon, poser des règles simples, coordonner les acteurs et suivre assez souvent pour pouvoir agir. Si nous avions seulement demandé à chacun d’accélérer, nous aurions ajouté de la pression sans toucher aux causes.

Une priorité qui a effacé le reste du travail

Une enquête de satisfaction avait révélé une nette dégradation de l’avis des habitants sur la propreté des parties communes. J’en ai fait une priorité, et je l’ai dit avec insistance. L’équipe a pris la consigne au sérieux : plannings revus, contrôles des résidences juste après le passage des entreprises de nettoyage, visites multipliées sur les sites les plus critiqués.

Deux mois plus tard, j’ai découvert l’envers de cette mobilisation. Des contrôles de sécurité avaient pris du retard, des réclamations techniques dans les logements occupés avaient été moins suivies, et certaines missions ordinaires, invisibles dans l’enquête, avaient presque disparu des agendas. Ma première réaction aurait pu être de reprocher à l’équipe d’avoir perdu le sens des priorités. Elle avait pourtant appliqué exactement celle que je lui avais donnée. J’avais insisté sur un résultat à redresser sans dire ce qui devait continuer, ce qui pouvait ralentir, ni quelle place raisonnable accorder aux contrôles. L’équipe avait rempli les blancs de ma consigne comme elle avait pu.

Une équipe n’entend pas seulement les mots de son manager. Elle essaie aussi de deviner ce qui sera regardé et ce qui lui sera reproché. Plus une priorité est martelée, plus certaines personnes craignent de ne pas en faire assez, et surinvestissent le sujet au détriment du reste. Une priorité qui ne dit pas ses limites se remplit toute seule.

Un point hebdomadaire vécu comme du flicage

Le point hebdomadaire sur les logements vacants dont je parlais plus haut n’a pas été accueilli avec enthousiasme. Les deux chargées de clientèle qui assuraient la relocation géraient leur portefeuille en grande autonomie depuis des années. De mon point de vue, ce rendez-vous devait empêcher qu’un logement sorte du champ de vision. Du leur, il remettait en cause une autonomie qu’elles considéraient comme acquise. Les premières semaines ont été tendues.

Puis, en déroulant le suivi, nous avons découvert un logement resté vacant plusieurs mois sans action récente identifiée. La réunion aurait pu tourner à l’interrogatoire. J’aurais obtenu une explication, peut-être une promesse, et j’aurais surtout confirmé leur crainte d’être convoquées chaque semaine pour être prises en défaut. Il fallait pourtant regarder la réalité en face : un logement oublié avait un coût, et il privait une famille d’une attribution. Nous sommes partis du dossier plutôt que de la personne, et nous avons cherché ce qui, dans la charge de travail ou dans l’organisation, avait permis à ce logement de disparaître.

Ce point a fini par être accepté le jour où il a rendu quelque chose aux participantes : un arbitrage rapide sur un logement difficile à relouer, la possibilité de signaler une remise en état insuffisante ou un loyer décalé par rapport au bien, un dossier compliqué qui cessait de reposer uniquement sur leurs épaules. Le contrôle portait sur le résultat, les risques et ce qui ne devait pas être oublié. La méthode, elle, leur appartenait. Un rituel tient quand il protège aussi quelque chose d’important pour ceux qui y participent.

Le management de proximité est d’abord un travail d’organisation

Avec le recul, ces trois situations racontent la même chose. Aucune ne s’est réglée par du charisme, une décision autoritaire ou un discours de motivation. Chaque fois, la sortie est passée par un travail d’organisation : distinguer les situations, poser des règles simples et connues de tous, installer un rituel qui remplace les interruptions, suivre quelques indicateurs pour orienter l’action, et rendre explicite qui décide quoi.

Ce dernier point mérite un mot. Classer les personnes entre celles qui sont autonomes et celles qui ne le sont pas est un jugement trop large pour être utile. La même personne peut décider seule sur ses dossiers courants et avoir besoin d’un accord face à une dépense inhabituelle. J’ai fini par raisonner en niveaux d’autonomie sur une mission précise : recueillir les faits, les analyser, recommander une décision, décider puis informer, agir seul avec une revue espacée. Cette échelle ne note personne. Elle décrit la répartition des décisions à un moment donné, et elle permet d’en parler sans que la conversation tourne au jugement.

Manager de proximité, c’est tenir cette organisation au quotidien, en restant assez près du travail pour la corriger quand elle ne fonctionne plus. Le manager reste présent, fiable et engagé. Il cesse simplement d’être le point de passage obligé de tout.

La question que je garde

De ces années, j’ai gardé une question, celle que j’aurais aimé me poser plus tôt, chaque fois qu’on venait me chercher pour régler un problème : est-ce que mon intervention résout seulement le problème d’aujourd’hui, ou aide-t-elle aussi l’équipe à mieux traiter celui de demain ?

Les deux sont parfois nécessaires. Le jour de la coupure de gaz, seul le problème d’aujourd’hui comptait. La responsabilité du manager consiste à savoir lequel des deux il est en train de faire, et à ne pas passer sa vie dans le premier.

J’ai rassemblé ces méthodes, et celles que j’aurais aimé connaître lors de ma première prise de poste, dans un guide destiné aux personnes qui encadrent une petite équipe opérationnelle : Réussir ses premiers pas de manager. Il propose un programme de treize semaines pour prendre sa place, poser des règles simples et rendre progressivement l’équipe plus autonome.

Henri Ducourtioux a dirigé pendant douze ans une agence de logement social. Il écrit sur le management de proximité, l’organisation du travail et l’usage raisonné de l’intelligence artificielle au quotidien professionnel.

Si cette scène vous parle, elle a servi de point de départ à un livre que je viens de publier : « Penser avant de prompter ». Je vous explique ici ce qu’il contient, avec le lien pour vous le procurer.

Le problème n’est ni l’outil, ni un « prompt magique » que vous ne connaissez pas

Face à des réponses décevantes, le réflexe est de chercher la formule qui manque, ou d’attendre le prochain modèle. Je pars d’un constat différent, appuyé sur des recherches menées à Harvard et au BCG, publiées dans la revue Science, et chez Microsoft Research : l’IA est un amplificateur, pas un cerveau de remplacement. Elle multiplie la qualité de la pensée qu’on lui apporte. Une demande vague produit une réponse moyenne, statistiquement plausible, applicable à tout le monde et donc utile à personne. Ce n’est pas un dysfonctionnement : c’est le fonctionnement normal de l’outil face à une demande sous-spécifiée.

Autrement dit : vos prompts ne vous déçoivent pas parce qu’ils sont mal écrits. Ils vous déçoivent parce qu’ils arrivent trop tôt, avant que vous ayez décidé ce que vous vouliez vraiment.

Ce que je propose dans le livre

Dans « Penser avant de prompter », j’installe un protocole simple, applicable dès la première lecture :

• Dix minutes hors écran avant de prompter, pour arriver avec un brouillon plutôt qu’une page blanche : destination, matière, angle, incertitudes, critères de réussite ;
• Un prompt construit en cinq blocs : contexte, rôle, objectif, critères de réussite, format attendu ;
• Juger la réponse comme une matière première et non comme un livrable fini : détecter le générique, vérifier ce qui compte, réécrire dans sa propre voix ;
• Une carte des compétences pour décider, tâche par tâche, ce que vous déléguez sans coût, ce que vous pilotez et ce que vous gardez pour vous.

Je développe aussi deux façons de travailler avec l’IA, que j’ai observées chez les professionnels qui obtiennent les meilleurs résultats : le centaure, qui découpe nettement les tâches entre lui et l’IA, et le cyborg, qui travaille en dialogue continu avec l’outil. Les deux fonctionnent, à condition que ce soit toujours l’humain qui distribue les rôles.

Pour qui est ce livre ?

Pour les professionnels et indépendants qui utilisent déjà l’IA au travail, sont déçus des réponses génériques qu’ils corrigent à la main, et veulent une méthode durable plutôt qu’un manuel d’interface qui datera dans six mois. Valable avec ChatGPT, Claude, Gemini, Mistral et les modèles qui les remplaceront.

Ce n’est pas un livre de recettes de prompts à copier-coller : c’est une méthode pour penser, qui vous rend autonome face à n’importe quelle IA.

Un plan sur 7 jours pour en faire une habitude

Je termine le livre par un plan d’action concret, une action par jour (vingt à trente minutes chacune) : état des lieux de vos prompts actuels, premier brouillon suivi d’une comparaison avant/après, jugement de la réponse sur critères, réécriture dans votre voix, entraînement au contradicteur, construction de votre carte des compétences, puis mise en place du rythme pour la suite. J’y ajoute une checklist récapitulative en une page, à garder sous la main.

Dans la dernière page, je reprends la scène du jeudi soir, six mois plus tard : même outil, même modèle, mais dix minutes de réflexion avant d’ouvrir l’IA suffisent pour obtenir un document qui parle vraiment de votre entreprise, que vous êtes capable de défendre en réunion sans le rouvrir.

Disponible dès maintenant

« Penser avant de prompter » est disponible en ebook Kindle et en broché sur Amazon.

Découvrir le livre sur Amazon.

À lire aussi dans Le Carnet d’Henri : « Recherche par IA : ce qui change (et ce qui ne change pas) pour une TPE en 2026 ».

Vous avez raison de vous la poser. Mais entre le « tout est foutu, le SEO est mort » qu’on lit sur certains blogs et le « rien ne change, continuez comme avant » des prestataires qui ne veulent pas y penser, il y a une réalité plus mesurée, et plus rassurante pour vous.

Voici ce qui change vraiment pour une TPE en 2026, ce qui ne change pas, et où mettre vos efforts.

Comment vos clients cherchent vraiment en 2026

Personne ne tape plus une seule requête sur un seul moteur. La recherche est devenue un mélange :

• Google traditionnel (les 10 liens bleus) : toujours là, toujours utilisé
• Google avec AI Overviews (le résumé IA en haut des résultats) : désormais sur la majorité des requêtes
• ChatGPT, Perplexity, Claude : utilisés directement, surtout par les 25-45 ans
• Google Maps : réflexe absolu pour tout ce qui est local
• Réseaux sociaux : TikTok, Instagram pour la découverte
• Bouche-à-oreille + vérification Google : toujours la combinaison gagnante en local

La nouveauté, ce n’est pas qu’un canal a remplacé l’autre. C’est que les gens utilisent plusieurs canaux à la suite, en fonction de la nature de leur question.

Et cette nature change tout pour vous.

Le découpage qui change tout : recherches d’information vs recherches de fournisseur

C’est l’analyse clé à comprendre. Toutes les requêtes ne migrent pas vers les IA. Seulement une certaine catégorie.

Les recherches qui migrent vers les IA

Ce sont les recherches d’information :

• « Comment changer un joint de robinet »
• « Quel type de chauffage choisir pour une maison de 80 m² »
• « Que mettre dans un menu de Saint-Valentin »
• « Quelle différence entre un peintre et un applicateur de revêtement »

Pour ces requêtes, les gens veulent une réponse, pas un fournisseur. ChatGPT ou les AI Overviews leur donnent une synthèse directe, pratique, rapide, sans 5 onglets à comparer.

Conséquence : les sites qui vivaient du SEO sur ce type de contenu informationnel perdent du trafic. Médias, blogs généralistes, sites de comparaison. Ce sont eux qui ont raison de s’inquiéter.

Les recherches qui restent sur Google (et Maps)

Ce sont les recherches de fournisseur local :

• « Plombier près de chez moi »
• « Restaurant italien Orléans »
• « Coiffeur ouvert le dimanche à Saint-Jean-de-Braye »
• « Paysagiste 45160 »

Pour ces requêtes, le besoin n’est pas une réponse, c’est un prestataire à appeler maintenant. Et là, ChatGPT n’a aucun avantage. Au contraire, Google Maps avec sa carte, ses avis, son bouton « Itinéraire » et son numéro de téléphone reste imbattable.

Bonne nouvelle pour vous : en tant que TPE locale, l’écrasante majorité des requêtes qui vous concernent appartient à cette deuxième catégorie. Les IA changent surtout le trafic des autres, beaucoup moins le vôtre.

Le paradoxe : les IA travaillent pour vous, pas contre vous

Quand quelqu’un demande à ChatGPT « trouve-moi un bon plombier à Orléans », l’IA ne génère pas un plombier imaginaire. Elle va chercher l’information dans des sources fiables. Et ces sources, ce sont :

• Google Maps et les fiches d’établissement (votre fiche Google !)
• Les avis clients publiés sur Google, TripAdvisor, Yelp
• Les sites web bien structurés qui répondent clairement aux questions
• Les mentions de votre entreprise sur d’autres sites (presse locale, annuaires, partenaires)

Autrement dit : tout ce que vous faites pour bien apparaître sur Google travaille aussi pour les IA. Pas contre elles. Les fondations sont les mêmes.

Si une IA répond « je vous recommande Plomberie Dupont à Orléans », c’est parce que Dupont a une fiche Google bien tenue, beaucoup d’avis positifs, et un site qui dit clairement ce qu’il fait et où il intervient. Pas parce qu’il a fait du « prompt engineering pour LLM ».

Ce qui ne change pas et reste plus essentiel que jamais

Trois choses, en ordre de priorité :

1. Une fiche Google impeccable. C’est devenu encore plus critique. Les IA s’en servent comme source de référence pour les questions locales. Une fiche fantôme = vous n’existez ni pour Google, ni pour les IA.

2. Des avis clients réguliers et bien gérés. Les IA citent textuellement des fragments d’avis dans leurs réponses (« les clients soulignent la réactivité et la propreté du chantier »). Pas d’avis = vous n’êtes littéralement pas dans la conversation que l’IA a avec votre prospect.

3. Un site clair, à jour, et qui répond aux questions. Un site flou ou obsolète n’est pas seulement mauvais pour vos visiteurs humains, il est aussi invisible aux IA qui scannent les pages à la recherche de réponses claires.

Ce qui s’ajoute à la liste en 2026

Quatre choses utiles, en supplément des fondations, pas à la place :

1. Des FAQ explicites sur votre site. Les IA adorent les pages structurées en questions/réponses. Si vous avez une page « questions fréquentes » qui répond clairement à « faites-vous des dépannages le week-end » ou « acceptez-vous les chèques-cadeaux », vous augmentez vos chances d’être cité dans une réponse IA.

2. Des informations cohérentes partout. Votre adresse, votre téléphone, vos horaires, votre activité doivent dire exactement la même chose sur Google, sur votre site, sur PagesJaunes, sur tous les annuaires. Une incohérence et l’IA ne sait plus quelle source croire, et elle peut alors préférer un concurrent dont les données sont claires.

3. Des mentions sur d’autres sites locaux. Annuaires de votre ville, presse locale, sites de partenaires, blogs de quartier. Plus on parle de vous ailleurs, plus l’IA vous considère comme une source fiable. C’est ce que le métier appelle l’autorité.

4. Des photos de qualité. Les IA visuelles (Google Lens, IA multimodales) lisent désormais les images. Une photo de chantier propre, géolocalisée, légendée correctement, c’est un signal de plus.

Le piège à éviter

Courir après chaque nouveauté.

« Il faut optimiser pour ChatGPT. »
« Non, plutôt pour Perplexity. »
« Et il y a un nouveau truc qui s’appelle Arc Search. »
« Et il faut absolument faire du Schema.org partout. »

Stop.

Pour la plupart des TPE, les fondations bien posées suffisent à être bien visible dans Google traditionnel, dans les AI Overviews de Google, et dans les réponses de ChatGPT ou Perplexity. Les leviers se recouvrent en grande partie. Une bonne fiche Google + un bon site + de bons avis vous donne déjà l’essentiel de votre visibilité IA.

Le reste, données structurées, GEO, optimisation pour LLM, est de l’optimisation, pas du fondamental. C’est le complément, une fois les fondations posées.

La méthode reste valide, juste enrichie

La feuille de route en 4 étapes (fiche Google, site, avis, vente en ligne) n’est pas obsolète face aux IA. Au contraire : elle gagne en importance. Parce que ces 4 étapes posent exactement les fondations sur lesquelles les IA s’appuient pour répondre.

Si vous démarrez votre digitalisation, ne changez pas votre plan parce que tout le monde parle de ChatGPT. Démarrez par les fondations, comme avant. Vous aurez le temps de polir les détails IA-spécifiques quand le socle sera en place.

Pour aller plus loin : qu’est-ce que le GEO ?

Petite parenthèse pour les lecteurs curieux qui veulent comprendre le vocabulaire.

GEO signifie Generative Engine Optimization. C’est l’évolution du SEO pour l’ère des IA génératives. Là où le SEO classique optimise pour apparaître dans les résultats Google (les 10 liens bleus), le GEO optimise pour être cité dans les réponses générées par les IA (ChatGPT, Perplexity, AI Overviews).

Les leviers principaux du GEO :

• Réponses claires et concises aux questions courantes de vos clients
• Données structurées (Schema.org) sur votre site, un balisage technique invisible pour les humains, mais qui aide les IA à comprendre votre activité, votre zone, vos horaires
• Citations et mentions sur d’autres sites de référence (presse locale, annuaires, partenaires), l’autorité
• E-A-T : Expertise, Autorité, Confiance. Qui vous êtes, depuis combien de temps, ce qui prouve votre sérieux

La bonne nouvelle : pour une TPE, le GEO se fait en grande partie EN MÊME TEMPS que le SEO classique. Les leviers se recoupent en grande partie. Ne voyez pas le GEO comme un chantier supplémentaire, mais comme un bonus naturel quand vos fondations sont en place.

Si quelqu’un essaie de vous vendre une « prestation GEO » à 3 000 € sans avoir vérifié que votre fiche Google est correctement remplie, changez de prestataire.