1. Vous avez embauché 100 génies. Ils sont tous à la machine à café, faute de mission
L’IA générative impressionne. Elle code. Elle rédige. Elle fait des recherches. Elle traduit. Et elle a accès à une montagne de connaissances.
À entendre ça, on se dit que demain, chacun dirigera une petite dizaine d’entreprises à lui tout seul, genre 10.
Dans la vraie vie, beaucoup de choses s’arrêtent pile à cet endroit.
« Bon, on fait quoi ? »
Voilà la question.
Aussi puissante soit l’IA, si personne ne dit par où commencer, il ne se passe rien. Alignez 100 Ferrari : sans destination dans le GPS, vous avez juste un parking très chic.
À l’ère de l’IA, ce qui manque n’est pas forcément un modèle plus performant.
C’est souvent la personne qui donne sa première mission à toute cette puissance.
2. Le vrai atout, ce n’est pas la grande invention toute faite, c’est la première étincelle
Quand on parle d’« avoir des idées », on imagine l’éclair de génie révolutionnaire auquel personne n’avait pensé.
En réalité, il existe une capacité plus discrète, et bien plus puissante :
- ça, c’est pénible
- et si on reliait ces deux trucs ?
- cette fonction qui existe déjà, elle pourrait servir à autre chose ?
- au fait, pourquoi cette étape existe ?
- si on faisait une version minimale, on verrait quoi ?
C’est la capacité à créer un point de départ.
La première idée n’a pas besoin d’être aboutie. L’important, c’est de poser quelque chose sur lequel la réflexion suivante peut s’appuyer.
Devant une table vide, la discussion ne démarre pas. Mais posez-y un prototype, même bancal, et tout le monde s’y met : « là, c’est bizarre », « ça, c’est utile », « alors la suite, ce serait ça ».
Le premier pas n’est pas la réponse.
C’est une machine à faire jaillir les réponses suivantes.
3. « Avoir des idées » n’est pas une seule compétence
En la démontant, on trouve au moins ces pièces :
| Compétence | Ce qu’elle fait |
|---|---|
| Divergence | Tirer plusieurs pistes d’un seul problème |
| Analogie | Importer le fonctionnement d’un autre domaine |
| Recombinaison | Faire un C avec les pièces existantes A+B |
| Repérer le problème | Voir la gêne qui se cache avant le problème qu’on vous a confié |
| Recadrage | Reformuler la question qu’il faut vraiment résoudre |
| Convergence | Choisir parmi les idées celle qu’on va réaliser |
| Découpage | Couper l’objectif en tâches que l’IA sait traiter |
| Passage à l’acte | Sortir une première version concrète |
| Rebond | Regarder ce qui marche et trouver la suite |
Ce que la psychologie appelle la pensée divergente en est une pièce importante. L’APA la décrit comme une pensée créative qui résout des problèmes ou prend des décisions en s’écartant des stratégies habituelles ou apprises.[1]
Mais on rappelle aussi que les scores aux tests de pensée divergente ne mesurent pas toute la créativité de la vie réelle.[2]
Autrement dit, « sortir plein d’idées » ne suffit pas.
Le vrai travail va jusqu’à reformuler, choisir, concrétiser, puis repenser.
4. Créer, c’est un aller-retour : générer → explorer → générer encore
La recherche sur la façon dont l’esprit crée propose une idée simple : on ne trouve pas tout d’un coup. On génère d’abord des pistes, on les explore et on les évalue, puis on revient générer si besoin. C’est ce qu’on appelle le modèle Geneplore.[3]
Appliqué au développement avec l’IA, ça devient limpide :
- une idée vient
- on en discute avec l’IA
- on en fait un cahier des charges approximatif
- on construit
- on lance
- on se dit « non, pas comme ça »
- un autre angle apparaît
- on reconstruit
Bref, l’idée n’a pas besoin d’être bouclée avant de passer à la réalisation.
Réaliser fait partie de la réflexion.
C’est la grande différence avec avant.
Quand un prototype prend 3 mois, on a envie de tout réfléchir dans sa tête avant de se lancer.
Quand il prend forme en 30 minutes, le prototype lui-même devient un brouillon de réflexion.
Avoir des idées et les réaliser cessent d’être deux services séparés.
5. « Je ne sais pas faire plusieurs choses à la fois » : vrai, si vous devez tout faire vous-même
« Je ne peux pas gérer autant de choses en même temps. »
C’est vrai.
Si une seule personne doit garder en tête le cahier des charges, le code, les recherches, les vérifications et les corrections de 10 projets à la fois, tous les onglets de son navigateur mental finissent par planter.
Mais on peut changer de point de départ.
L’humain n’a pas besoin d’être multitâche. C’est le système qui travaille en parallèle.
Ce que l’humain garde en main, c’est :
- ce qu’il veut
- ce qui compte
- jusqu’où c’est acceptable
- quel résultat il retient
Et c’est tout.
Ensuite,
- recherches
- cahier des charges
- développement
- tests
- traduction
- relecture
se découpent dans la mesure où ces tâches sont indépendantes, puis sont confiées à l’IA.
Ce n’est pas « je suis nul en multitâche, donc l’IA, ce n’est pas pour moi ».
Au contraire : si vous êtes mauvais en multitâche, sortir le travail de votre tête pour en faire des tâches avec un responsable clair vaut encore plus.
6. Une base de connaissances géante, c’est un entrepôt de matériaux, pas un plan d’architecte
Aussi énormes soient l’IA et les données derrière elle, rien ne garantit « ce qu’il faut construire ».
Imaginez un magasin de bricolage gigantesque, avec du bois, de l’acier, du verre, des outils et même des engins de chantier.
Impressionnant.
Mais si le client ne décide pas ce qu’il veut bâtir, le magasin reste un magasin.
L’IA, c’est pareil.
Elle trouve des infos. Elle compare. Elle code. Elle propose des idées.
Mais dès qu’arrive une direction du genre
« je veux supprimer cette galère », « si on reliait ces deux choses, ce serait sympa », « je veux faire passer cette expérience au niveau supérieur »,
la puissance devient du travail.
Pour tirer le meilleur de l’IA, pas besoin d’en savoir plus qu’elle.
Il faut savoir lui dire « creuse ici ».
7. Avant de résoudre le problème, l’avantage va à ceux qui savent le reformuler
En recherche en design, le fait de « cadrer » un problème ouvert et complexe est vu comme une pratique centrale. Dorst s’intéresse au recadrage : face à une situation difficile, une organisation change sa façon même de regarder le problème.[4]
Avec l’IA, c’est encore plus vrai.
Si on demande à l’IA « fais ça », elle peut résoudre exactement le problème demandé, à une vitesse folle.
C’est justement ce qui fait peur.
Avec une question mal posée, elle produit en série, et très vite, des choses qui ont l’air de bonnes réponses.
La question vraiment forte, ce n’est pas seulement
« Comment aller plus vite sur cette tâche ? »
C’est de remonter jusqu’à :
« Cette tâche est-elle vraiment nécessaire ? » « L’utilisateur veut-il la faire plus vite, ou ne plus avoir à la faire du tout ? » « Peut-on régler ça par un autre bout ? »
Plus l’IA devient forte pour répondre, plus la façon dont l’humain pose la question pèse lourd.
8. Quand on construit vite, les idées se multiplient. Et ça change tout, l’air de rien
Des expériences montrent que l’IA générative réduit le temps passé et améliore la qualité sur certains travaux intellectuels. Dans l’expérience de Noy et Zhang, sur les tâches de rédaction professionnelle étudiées, le temps moyen a baissé de 40 % et la qualité évaluée a augmenté de 18 %.[5]
Bien sûr, ça ne veut pas dire que tout travail va 40 % plus vite.
L’essentiel est ailleurs :
quand essayer coûte moins cher, on essaie plus souvent.
Et plus on essaie, plus on apprend de choses en regardant le résultat réel :
- est-ce que ça sert vraiment
- est-ce que c’est plus moche que prévu
- est-ce que ça marcherait mieux pour un autre usage
- est-ce que ça se branche sur la fonction d’à côté
- où l’utilisateur se perd
Ce genre d’infos sort rarement d’une simple réflexion.
C’est pourquoi, plus la boucle
idée → réalisation → observation → nouvelle idée
est courte, plus les idées s’enchaînent au lieu de rester isolées.
La vitesse de réalisation n’est pas qu’une question de productivité.
C’est aussi le régime moteur de la machine à idées.
9. Mais si on laisse l’IA trouver toutes les idées, tout le monde grimpe la même montagne
L’IA peut aussi aider à trouver des idées.
Seulement, dans l’expérience de Doshi et Hauser, les nouvelles écrites avec des idées soufflées par l’IA ont été en moyenne mieux notées une par une, mais elles se ressemblaient davantage entre elles, ce qui a réduit la diversité de l’ensemble.[6]
C’est un point important.
Si on se contente de demander à chaque fois « donne-moi 10 idées originales », tout le monde risque de monter dans le même car de touristes.
La valeur humaine ne disparaît donc pas :
- ce que vous avez vous-même trouvé pénible
- le détail qui cloche que vous avez repéré sur le terrain
- les manies d’un système qui existe déjà
- une comparaison empruntée à un autre domaine
- un mélange improbable
- le « tout le monde fait comme ça, mais pourquoi au juste ? »
Ce sont ces apports bien à vous qui donnent une direction et une personnalité à l’immense savoir de l’IA.
Il ne s’agit pas de laisser l’IA tout penser.
C’est l’humain qui lance un caillou bizarre dans l’eau, et l’IA qui amplifie les ronds.
C’est bien plus intéressant comme ça.
10. La boucle gagnante : trouver → résumer en une phrase → découper → confier → regarder → retrouver
Au quotidien, ça peut être aussi simple que ça :
① Le déclic « Ce serait pratique si ça marchait comme ça, non ? »
② Une phrase Quoi, pour qui, et comment on veut le changer, en une seule phrase.
③ Découper Séparer en tâches indépendantes : recherche, conception, réalisation, vérification.
④ Confier Passer chaque morceau à l’IA. L’humain ne porte pas tout en même temps.
⑤ Du concret Texte, écran, code, résultat : quelque chose de visible.
⑥ Revérifier Lire, tester, vérifier qu’on est vraiment arrivé là où on voulait.
⑦ Rebondir Arrive le « si ça, c’est possible, alors ça aussi ».
C’est grâce à cette étape ⑦ que la boucle ne s’arrête jamais.
Une réalisation devient la matière première de l’idée suivante.
La fonction A est prête. Grâce à A, on pense à B. Une fois B prête, A+B donne C. Une fois C prête, on se dit : « et si on redéfinissait tout le service comme D ? »
Au départ, une petite étincelle. Et sans s’en rendre compte, une centrale électrique est sortie de terre.
11. Le piège : avoir des idées plus vite qu’on ne range
Cette méthode a un effet secondaire évident.
Les idées s’enchaînent, la réalisation va vite, et le système s’agrandit extension après extension.
Puis un jour, vous ouvrez le tableau électrique.
« Mais qui a fait ça ? »
Vous. Hier.
La solution n’est pas d’arrêter d’avoir des idées.
- ne pas multiplier les sources de référence
- ne pas créer deux mécanismes pour le même rôle
- si on peut l’intégrer à l’existant, l’intégrer
- ne paralléliser que les tâches vraiment indépendantes
- toujours revérifier après avoir réalisé
- mettre un contrôle qualité sur les changements importants
- distinguer « on peut le faire » de « c’est le moment de le faire »
Des idées rapides demandent un rangement rapide.
Plutôt que de lever le pied, renforcez le volant et les freins.
12. Conclusion : à l’ère de l’IA, l’atout n’est pas de « savoir utiliser l’IA », mais de « savoir lui donner du travail »
Les modèles d’IA vont continuer à progresser.
Ils en sauront plus. Le code et les textes sortiront plus vite. Faire tourner plusieurs IA en même temps deviendra simple.
Du coup, la compétence rare côté humain se déplace peu à peu.
De « je sais tout faire moi-même » vers :
trouver ce qui mérite d’être créé,
donner la première étincelle,
reformuler le problème,
découper le travail,
le confier à l’IA,
regarder le résultat réel,
et en tirer l’idée suivante.
L’IA est une puissance énorme.
Mais cette puissance attend sagement qu’on lui donne du travail.
Ceux qui prennent l’avantage ne sont donc pas seulement ceux qui codent plus vite que l’IA.
Ce sont ceux qui osent lâcher en premier : « Attends, on pourrait pas faire ça ? »
Dans une entreprise qui a embauché 100 IA géniales, ce qui manque en premier, ce n’est pas le génie numéro 101.
C’est quelqu’un pour écrire la première ligne de l’ordre de mission.
Références (6)
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
