La conclusion en 5 secondes
Produire plein d'articles avec l'IA, ce n'est plus une nouveauté.
Ce qui est intéressant, c'est que les rouages de l'usine ont grandi avant les articles.
Sur un média multilingue géré par une seule personne, plus de 1 500 articles sont désormais officiellement bouclés. En coulisses, pendant ce temps, les mécanismes continuent de proliférer : contrôles de qualité, déploiement en 12 langues, files d'attente, audits, reprise après incident, décisions de publication et revérification.
De l'extérieur, c'est « un blog de 1 500 articles ». De l'intérieur, c'est « une petite maison d'édition encore en chantier ».
Et l'essentiel n'est pas le nombre d'articles.
Ce qui fait la force de l'ensemble, c'est que les points forts de l'humain, explorer, structurer, combiner des outils, améliorer et automatiser, sont multipliés par la capacité de traitement de l'IA.
Plutôt que de dire que l'IA a remplacé l'humain, il est plus juste de dire que la façon de penser de l'humain a reçu un moteur d'exécution externe.
1. Pourquoi un site de 1 500 articles est-il encore « en chantier » ?
Je croyais fabriquer des articles, et sans m'en rendre compte, je construisais une usine
L'objectif de départ était simple.
Écrire des articles. Les rendre agréables à lire. Les décliner en plusieurs langues. Les publier.
Mais quand le volume augmente, de nouveaux problèmes apparaissent.
- Quelle est la dernière version de chaque article ?
- Quand je corrige le japonais, comment les 11 autres langues suivent-elles ?
- Le contrôle de qualité regarde-t-il vraiment le texte actuel ?
- Suffit-il que l'IA dise « vérifié » pour laisser passer ?
- Plusieurs processus peuvent-ils toucher le même article en même temps ?
- Si ça plante juste avant la publication, on reprend d'où ?
- Va-t-on confondre « arrivé sur GitHub » et « publié » ?
Ainsi, au-dessus des mécanismes qui servent à écrire les articles, pousse un mécanisme qui surveille les mécanismes.
Puis un autre qui audite cette surveillance.
Sans s'en apercevoir, on voulait ouvrir un restaurant de ramen, et on se retrouve avec la gestion des stocks, l'assurance qualité, la reprise après sinistre et un service de logistique internationale avant même d'avoir installé la salle.
Voilà ce que signifie « l'usine d'abord ».
Devenir la Sagrada Família n'est pas un échec. Mais laissé à lui-même, ça devient un passe-temps
Chaque fois qu'on améliore les mécanismes, une nouvelle condition de « terminé » apparaît.
De « c'est traduit » à « je veux prouver de quelle version ça a été traduit ».
De « c'est publié » à « je veux vérifier le HTML en production ».
De « les tests passent » à « je veux confirmer qu'on n'a pas utilisé de preuves périmées ».
Comme la condition de « terminé » grandit, l'usine s'agrandit par ajouts successifs, comme la Sagrada Família.
C'est raisonnable quand on vise une meilleure qualité.
Mais ça s'inverse dès que construire l'usine devient un plaisir en soi et que plus aucun produit ne sort.
Il faut donc distinguer « être en chantier » et « ne rien produire ».
2. Ce qui dépasse le blog perso, c'est la structure d'exploitation, pas le nombre d'articles
1 500, c'est beaucoup. Mais le vraiment hors norme se passe en coulisses
Rien que par le nombre, il existe des sites personnels qui comptent de nombreux vieux articles.
Mais ici, l'important n'est pas le chiffre lui-même.
- Un article est géré dans plusieurs langues
- On garde la correspondance entre l'original et les traductions
- Les verdicts de qualité sont conservés
- Le travail en attente va dans des files
- Les échecs sont retentés ou mis à l'écart
- La décision de publier se prend dans une étape séparée
- L'historique des modifications est gardé dans Git
- La vérification humaine et celle de l'IA sont distinguées
Avec tout cela, la structure ressemble moins à « un blog où l'on dépose son journal » qu'à une petite maison d'édition numérique ou une chaîne de production.
Et moins l'équipe est nombreuse, plus cette différence est intéressante.
Car le travail qui se répartit d'ordinaire entre édition, traduction, relecture, développement, exploitation et audit peut être rassemblé dans un seul système de pilotage avec l'aide de l'IA.
Mais taille et réussite, ce n'est pas la même chose
Point important.
Avoir 1 500 articles ne veut pas dire que 1 500 articles sont lus.
Même si le système interne est sophistiqué, les résultats extérieurs comme le trafic venu des moteurs de recherche, la lecture jusqu'au bout, les retours de lecteurs, les liens entrants et les revenus ne suivent pas automatiquement.
Pour décrire la situation avec exactitude,
« un petit média en construction, doté d'une base de production plus grande que celle d'un blog perso »
est donc une formule raisonnable.
3. Ceux qui s'entendent bien avec l'IA n'ont pas seulement l'atout de « bien écrire des prompts »
Force n° 1 : l'exploration
À l'ère de l'IA, les forts ne sont pas seulement ceux qui trouvent la bonne réponse du premier coup.
Ceux qui savent rassembler largement des candidats, les comparer, les essayer, en jeter et réessayer sont forts aussi.
Là où le coût d'une recherche manuelle vous arrêterait à 10 idées, avec l'aide de l'IA on peut en explorer 50, voire 100.
L'important n'est pas de produire du nombre, mais de savoir resserrer après avoir élargi l'espace de recherche.
Force n° 2 : l'abstraction et la structuration
Si l'on se contente de retenir les événements isolés tels quels, on les réutilise mal.
« Ce problème, au fond, c'est un problème de gestion de versions. »
« Ce n'est pas une question de qualité, mais de fraîcheur des preuves. »
« Ce n'est pas un problème d'article, c'est un problème de flux de travail. »
En remontant d'un cran vers une structure de ce genre, on peut la transposer à d'autres situations.
L'IA sait traiter un grand nombre d'exemples concrets, mais décider ce qu'on traite comme une même structure reste en grande partie un jugement humain.
Force n° 3 : voir les outils comme des pièces, pas comme des produits isolés
IA, GitHub, planificateur de tâches, recherche, exécution de code, journaux d'audit.
Se contenter de les comparer en se demandant « quel est le meilleur outil » ne suffit pas.
Ce qui marche vraiment, c'est de répartir les rôles :
- La recherche se fait ici
- La rédaction se fait ici
- Les modifications de code se font ici
- La conservation des preuves se fait ici
- La décision de publication se prend ici
Autrement dit, savoir câbler les outils entre eux pèse plus que savoir les utiliser.
Force n° 4 : ne pas considérer l'amélioration comme un acte unique
Que ça marche ne veut pas dire que c'est fini.
On repère l'échec.
On regarde pourquoi il a eu lieu.
On généralise les conditions de sa répétition.
On en fait une règle ou un mécanisme.
Et on fait en sorte qu'une personne n'ait pas à y prêter la même attention la prochaine fois.
Si l'on sait faire tourner cette boucle, l'IA n'est plus un simple exécutant : elle devient un amplificateur qui accélère le rythme d'amélioration.
4. Pourquoi l'effet de l'IA se multiplie au lieu de s'additionner
Avec une automatisation simple, un travail de 10 heures passe à 5 heures.
C'est un gain d'un facteur 2.
Mais quand l'exploration, la décomposition, la délégation, la vérification et la réutilisation sont toutes reliées, l'histoire change.
Sous forme de formule conceptuelle approximative :
résultat ≈ étendue de l'exploration × capacité de décomposition × part déléguée à l'IA × nombre de cycles d'amélioration × taux de réutilisation
Bien sûr, cela ne veut pas dire qu'on peut vraiment multiplier au sens mathématique.
Le point, c'est qu'une seule étape ne s'accélère pas : plusieurs étapes s'allègent en même temps.
Par exemple :
- La recherche va plus vite
- On peut proposer davantage d'options à comparer
- On peut mettre les bonnes idées en texte
- On peut décliner ce texte en plusieurs langues
- On peut automatiser les contrôles de qualité
- Dès la fois suivante, on réutilise les mêmes contrôles
Chaque amélioration sert de base à la suivante, si bien que l'effet de levier s'accumule.
C'est ce que j'appelle l'effet de levier composé.
5. « L'IA sait tout ce que j'ai en tête » : moitié vrai, moitié faux
Quand on discute longtemps avec une IA, elle répond de plus en plus souvent en anticipant.
On se met alors à penser : « Ce truc lit dans mes pensées ? »
Mais ce qui se passe réellement ressemble moins à de la lecture de pensée qu'à l'observation de schémas répétés.
Si la même personne raisonne toujours dans cet ordre :
- Repérer ce qui cloche
- Chercher la structure
- Comparer
- Améliorer
- Automatiser
- Gagner en liberté
alors ce schéma devient facile à prévoir.
L'IA n'a pas « lu dans le cerveau ».
L'historique de réflexion que vous avez mis à l'extérieur est devenu assez long pour que vos habitudes de pensée apparaissent.
C'est un peu troublant, et plutôt pratique.
Car les critères que vous réexpliquiez chaque fois depuis zéro peuvent être réutilisés peu à peu par un système extérieur.
6. Côté recherche aussi, l'IA ressemble plus à un « amplificateur sous conditions » qu'à un « remplaçant universel »
Des gains de productivité ont déjà été observés
Brynjolfsson et ses collègues ont étudié l'aide d'une IA générative auprès de 5 179 agents du support client et ont rapporté un gain de productivité moyen d'environ 14 %. L'effet était plus marqué chez les moins expérimentés.
Cela ne veut pas dire qu'« avec l'IA, tout le monde gagne 14 % ».
Ce qui compte, c'est que l'effet varie selon le type de travail, l'expérience et la manière de l'utiliser.
Forte dans son domaine, mais source d'accidents hors de ses limites
Dans une expérience de Dell'Acqua et ses collègues menée auprès de 758 consultants, sur les tâches situées dans le champ de compétence de l'IA, la vitesse de travail s'est améliorée de plus de 25 % et la qualité jugée par des humains de plus de 40 %. En revanche, elle a aussi montré que, sur les tâches situées au-delà des limites des capacités de l'IA, son usage peut être contre-productif.
L'équipe a décrit cela comme la jagged technological frontier (la frontière technologique en dents de scie).
Cela rejoint l'histoire de l'usine à articles.
Ce que l'IA fait bien, on le lui confie à fond.
Là où l'IA se trompe facilement, on place des barrières, des preuves et de la vérification.
L'humain ne fait ni « tout moi-même » ni « tout à l'IA » : il conçoit ce qu'il délègue et ce dont il se méfie.
C'est là que se trouve la force.
7. Le plus grand risque : « une usine très performante qui fabrique ce dont personne ne veut »
Optimiser l'intérieur, c'est grisant
Le contrôle de qualité (QC) passe.
La file d'attente est rangée.
Le journal d'audit est propre.
La reprise automatique réussit.
Du point de vue du développeur, c'est le bonheur.
Mais les lecteurs ne viennent pas lire ce joli JSON.
Ce que veulent les lecteurs, c'est une expérience : utile, intéressante, compréhensible, qui donne envie de revenir.
Aussi, si l'on ne peaufine que les KPI de l'usine (les chiffres qui mesurent son bon fonctionnement), on peut se retrouver avec la plus belle usine de nouilles automatisée du monde, et zéro client.
Non pas un chiffre, mais un échantillon à explorer
La valeur de ces 1 500 articles n'est pas de pouvoir se vanter du chiffre 1 500.
Elle est de pouvoir mettre sur le marché une variété de thèmes, d'angles, d'intentions de recherche et de styles, et d'observer où l'on obtient des réactions.
Autrement dit, un grand nombre d'articles n'est pas le but : c'est un énorme échantillon à explorer.
Quand un article fait mouche, on regarde pourquoi.
Quand il rate, on regarde ce qui était faible.
Puis on le reporte sur la suite.
Ce n'est qu'après avoir bouclé tout ce tour que l'usine apprend.
8. Le plus passionnant : en externalisant sa pensée, on peut quitter son poste
L'aboutissement de l'automatisation par l'IA, ce n'est pas la disparition de l'humain.
C'est que, parmi les jugements que l'humain portait à chaque fois, seule la part réutilisable sort à l'extérieur.
- Ce qui fait un bon texte
- Ce qui est dangereux
- Quelles preuves exiger
- Comment classer les échecs
- Jusqu'où l'on autorise les corrections automatiques
Ces jugements passent dans des règles, des tests, des prompts, des files d'attente et des barrières.
Alors une partie de la chaîne continue de tourner même si le directeur d'usine quitte son bureau.
La valeur de l'humain n'a pas baissé.
Il est passé de « celui qui refait à la main le même jugement à chaque fois » à « celui qui décide quoi explorer ensuite ».
C'est plus qu'un simple gain d'effort.
Car on ramène son temps du travail répétitif vers l'exploration de l'inconnu.
En résumé : ce n'est pas un blog généré par IA, c'est un « amplificateur de pensée »
Fabriquer 1 500 articles à la main seulement, les déployer en 12 langues, auditer la qualité, corriger le code et vérifier sans cesse les publications n'est pas réaliste.
La capacité de traitement de l'IA est donc bel et bien énorme.
Mais cela seul ne construit pas une usine.
Il faut la part humaine :
- Décider quoi explorer
- Transformer les problèmes en structures
- Relier les outils
- Tirer des règles des échecs
- Équilibrer qualité et vitesse
- Regarder les résultats extérieurs et corriger encore
L'IA ne remplace pas cette capacité : elle en étend la portée de plusieurs fois.
C'est pourquoi la combinaison vraiment forte est
un humain qui fixe la direction × une IA qui fournit le volume × un mécanisme qui accumule les améliorations.
Je fabriquais des articles, et une usine est apparue.
Je construisais une usine, et elle a fini par ressembler à une maison d'édition.
Je construisais une maison d'édition, et en réalité j'étais en train d'implémenter à l'extérieur ma propre façon de penser.
C'est probablement la partie la plus intéressante.
