3 Méthodes Efficaces pour Améliorer Immédiatement vos Compétences en IA

Bienvenue dans cet article spécial qui s’écarte un peu de nos analyses habituelles. Aujourd’hui, nous abordons une question que beaucoup se posent : quelle est la meilleure façon d’améliorer ses compétences en IA dès maintenant ?

Pendant longtemps, les réponses à cette question étaient relativement simples. Mais l’écart entre ce dont les gens ont réellement besoin pour apprendre et ce qui est disponible s’est considérablement creusé ces six derniers mois. Les ressources d’apprentissage en IA n’ont pas suivi le rythme de la transformation apportée par les agents IA. On ne trouve pas encore de cours sur Coursera concernant la gestion des agents IA, ni de certificats Udemy sur comment devenir un « agent boss ».

J’ai toujours été convaincu que la meilleure façon d’apprendre l’IA est de pratiquer concrètement. Souvenez-vous : il n’existe pas d’experts en IA, seulement des personnes qui ont plus pratiqué que vous. Si vous voulez en faire partie, vous devez simplement accumuler du temps de pratique.

Après réflexion, je pense qu’il existe trois actions que n’importe qui peut entreprendre dès maintenant pour devenir meilleur que 99,999% de la population dans l’utilisation efficace de l’IA.

1. Utiliser le modèle GPT-4o comme collaborateur stratégique pendant une semaine

Oui, le choix du modèle est important ici. D’autres modèles excellent dans différents domaines, mais si vous abordez l’IA d’un point de vue professionnel, GPT-4o est celui qui fera vraiment la différence.

Différents modèles sont adaptés à différentes tâches. Pour la rédaction, notamment celle qui nécessite une bonne prose, j’utilise généralement ChatGPT 4.5 ou Claude. Mais quand il s’agit d’utiliser ChatGPT comme un véritable collègue stratégique – pas simplement comme un assistant ou un stagiaire, mais comme quelqu’un qui a des idées substantielles susceptibles d’influencer ma réflexion – GPT-4o est de loin le meilleur modèle à mes yeux.

L’objectif ici, si vous voulez améliorer votre utilisation de cet outil, est d’utiliser GPT-4o et de le traiter comme un collègue stratégique pendant une semaine.

Exemples concrets d’utilisation de GPT-4o comme collaborateur stratégique

Transformer une idée en mémo structuré

Un exemple pratique : j’ai récemment réfléchi à une alternative aux réseaux de podcasts traditionnels. Ces réseaux gèrent généralement toutes vos ventes publicitaires, prennent une commission sur les annonces, et promettent beaucoup en matière de croissance sans réellement tenir leurs engagements.

J’ai toujours pensé qu’il pourrait exister une meilleure façon de construire une alliance collaborative de croissance directement entre podcasteurs. L’idée impliquerait de réserver une partie de l’inventaire pour diffuser des promotions d’autres podcasts du réseau, de collaborer plus facilement sur des « feed drops » où l’on intègre d’autres podcasts dans son flux pour les présenter directement à son audience, et d’autres stratégies créatives.

En me rendant à New York, j’ai partagé cette réflexion avec GPT-4o, lui demandant de structurer cette idée et de la développer. Ce qu’il m’a renvoyé était essentiellement un mémo d’aperçu de cette idée, structuré en sections claires avec des tableaux intégrés qui organisaient les pensées de manière nette et précise.

Il a proposé un plan détaillé pour une « alliance de croissance de podcasts », comprenant l’idée centrale, les principes directeurs, l’adhésion et la gouvernance, les leviers de croissance et les engagements standard, la pile d’outils, la gestion financière, un exemple de cadence trimestrielle, des arguments sur la viabilité du concept, et les prochaines étapes pour tester l’idée.

J’ai ainsi obtenu un point de départ beaucoup plus structuré pour cette idée, qui n’était auparavant qu’une réflexion désordonnée. C’est déjà précieux en soi. Cependant, certains aspects de la proposition de GPT-4o étaient trop complexes pour ce que je recherchais, comme sa suggestion d’avoir un « cercle directeur » pour établir un agenda de croissance trimestriel.

Comme je le traitais comme un collègue stratégique plutôt qu’un système d’IA nécessitant des instructions précises, je lui ai simplement demandé : « C’est bien, mais essayons une version encore plus légère ». Il est allé dans la direction opposée et m’a proposé une « Alliance Handshake », sa version d’un modèle ultra-léger, avec des sections similaires mais moins approfondies.

Point important à noter : je n’ai pas demandé à GPT-4o de fournir un retour critique sur cette idée. Si vous ne lui demandez pas explicitement un feedback critique, GPT-4o partira du principe que votre idée est bonne sans la remettre en question. J’aurais pu lui demander de fournir un argument solide expliquant pourquoi cela ne fonctionnerait pas, comme moyen supplémentaire de tester l’idée. Mais comme j’étais assez convaincu de sa pertinence, je ne l’ai pas fait dans ce cas.

Explorer des scénarios stratégiques

Une autre utilisation efficace de GPT-4o consiste à lui soumettre une question stratégique et à lui demander de vous proposer différents scénarios à considérer. Le terme « scénarios » est crucial ici : je ne pense pas que GPT-4o soit particulièrement doué pour prendre des décisions. Il n’a pas de discernement ni de goût.

Un excellent exemple de cette limitation concerne la création de noms. Il n’y a pratiquement rien que GPT-4o ou n’importe quelle IA actuelle fait moins bien que proposer des noms. Il peut suggérer un million de noms théoriques pour un projet ou une entreprise, mais ils sont presque universellement terribles, car ce qui fait un bon nom est tellement intangible et subtil que cela dépasse les capacités des modèles actuels.

Dans un contexte stratégique plus large, je considère GPT-4o comme un outil pour cartographier des scénarios que vous pouvez ensuite examiner et évaluer. C’est comme demander à un collègue de préparer un plan de fonctionnement pour vous aider à décider si vous voulez réellement faire quelque chose.

Par exemple, chez Super Intelligent, nous proposons des audits de préparation aux agents IA. Il s’agit d’un outil aidant les entreprises à comprendre où elles en sont dans leur parcours d’adoption des agents IA, quelles sont leurs lacunes organisationnelles (comme la préparation des données) et quels cas d’utilisation leur conviennent le mieux. C’est un processus ponctuel qui peut déboucher sur d’autres types d’engagements, mais ce n’est pas un service par abonnement.

Nous envisageons naturellement de transformer ces audits ponctuels en une suite de produits de planification d’agents plus continue. J’ai donc demandé à GPT-4o : « Comment pourrions-nous transformer les audits de préparation aux agents de Super Intelligent en une suite de produits de planification d’agents qui soit un outil logiciel continu, où les gens recherchent en permanence des opportunités d’agents, obtiennent des conseils et trouvent les bons partenaires ? »

GPT-4o m’a proposé une vision structurée de ce que pourrait être cette transformation : une vision globale, quatre piliers clés et capacités principales, une esquisse de l’architecture des données, une feuille de route produit par phases, le modèle commercial, le mécanisme de mise sur le marché, les risques d’exécution et les mesures d’atténuation, etc. C’est ce genre de chose qu’il fait très bien : il vous aide à élaborer des scénarios que vous commencez tout juste à envisager d’une manière beaucoup plus complète, vous permettant de mieux les évaluer.

Utiliser Deep Research pour des recherches approfondies

Deep Research est essentiellement un agent à usage unique pour la recherche qui utilise le modèle GPT-4o. Il effectue des recherches basées sur une requête que vous lui soumettez et revient avec le type de rapport qui aurait pu prendre une semaine ou deux à quelqu’un dans le passé.

J’utilise Deep Research pour toutes sortes de choses : des dossiers d’information sur des secteurs, des analyses d’événements passés, etc. En préparant une conférence récemment, je voulais comparer la rapidité avec laquelle les géants technologiques se sont mis d’accord sur des standards d’agents comme MCP, par rapport à la durée des batailles autour des protocoles précédents comme HTML et les standards de messagerie.

J’ai demandé à Deep Research de compiler un dossier sur toutes les guerres de protocoles qui ont défini la technologie au cours des 70 dernières années. Comme toujours, Deep Research a posé des questions clarificatrices avant de se lancer. Après une recherche relativement courte de 7 minutes, couvrant 20 sources et 105 recherches, Deep Research m’a fourni un dossier bien documenté.

À propos de GPT-4o Pro

GPT-4o Pro est sorti récemment, et les gens essaient encore de déterminer à quoi il peut servir. Personnellement, je n’ai pas encore trouvé de cas d’utilisation régulier. Mais d’après ce que j’ai lu et ce que disent les personnes qui l’ont étudié en profondeur, GPT-4o Pro excelle lorsque vous voulez lui donner beaucoup de contexte pour l’aider à raisonner à travers une décision.

Un article invité de Latent Space sur GPT-4o Pro s’intitulait « Dieu a faim de contexte ». L’auteur écrit : « Mon co-fondateur Alexis et moi avons pris le temps de rassembler l’historique de toutes nos réunions de planification chez Raindrop, tous nos objectifs, nous avons même enregistré des mémos vocaux, puis nous avons demandé à GPT-4o Pro d’élaborer un plan. Nous avons été stupéfaits. Il a produit exactement le type de plan concret et d’analyse que j’ai toujours voulu qu’un LLM crée, avec des métriques cibles, des délais, ce qu’il faut prioriser et des instructions strictes sur ce qu’il faut absolument éliminer. Le plan que GPT-4o Pro nous a donné était suffisamment spécifique et ancré pour qu’il change réellement notre façon de penser à notre avenir. »

Si vous avez une décision importante à prendre pour votre entreprise, essayez peut-être de donner à GPT-4o Pro beaucoup de contexte et voyez comment il s’en sort, éventuellement en comparaison avec GPT-4o standard.

2. Créer quelque chose avec un outil de « vibe coding »

Je préfère personnellement Lovable, mais vous pourriez utiliser Bolt, Replet, SoftGen ou n’importe quel outil de vibe coding, et vous obtiendrez une grande partie de cette expérience.

Il y a une raison pour laquelle le vibe coding est un cas d’utilisation si remarquable pour l’IA : il augmente massivement la capacité de la personne moyenne à créer des choses réelles et significatives, à donner vie à des idées par la parole. Je crois que l’interaction avec les outils de codage sera une compétence aussi cruciale que l’interaction avec les LLM basés sur le texte. Vous voudrez donc commencer à vous entraîner.

Même si le langage qu’ils utilisent est l’anglais, vous voudrez quand même savoir comment les utiliser au mieux, obtenir ce que vous voulez d’eux, et interagir avec les autres outils auxquels ils vous donnent accès. En fait, l’un de mes reproches concernant l’ancien programme éducatif qui persiste encore est qu’il se concentre beaucoup sur l’ingénierie des prompts d’une manière que je ne trouve pas très utile, du moins par rapport à ce qu’elle était il y a 12 mois. Cependant, si vous deviez apprendre un type d’ingénierie de prompt maintenant, comprendre comment tirer le meilleur parti de Lovable ou Bolt serait un excellent choix.

Idées de projets à réaliser avec le vibe coding

Lovable suggère des projets comme un site web personnel, une application de prise de notes ou un suivi de dépenses. Tous ces projets sont intéressants, mais voici mes trois suggestions :

1. Prototyper des idées de fonctionnalités

Si vous travaillez dans une startup ou une petite équipe avec un produit numérique, l’utilisation la plus pertinente du vibe coding est de prototyper des idées de fonctionnalités. Chez Super Intelligent, nous avons adopté une approche que je crois deviendra la norme dans les startups et les équipes produit en général : les gens ne sont plus autorisés à simplement partager des idées de produits, ils doivent les prototyper.

En parcourant ma bibliothèque Lovable, vous verriez qu’un grand nombre de mes projets sont exactement cela. Par exemple, j’ai créé un « sample hub » proposant de connecter les audits que nous réalisons directement au marketplace que nous avons, afin que lorsqu’une entreprise reçoit un ensemble de recommandations de cas d’utilisation, elle puisse les transformer en RFP (demande de proposition) en un seul clic. En d’autres termes, si Acme Corp souhaite implémenter un assistant IA pour le service client, elle peut le faire en appuyant sur un seul bouton.

Dans ce cas, ce prototype n’était pas destiné à la production. Il ne s’agissait pas de quelque chose que j’allais confier à l’équipe d’ingénierie logicielle pour qu’elle le développe. C’était un moyen de montrer plutôt que de simplement décrire quelque chose que je voulais voir construit, ou du moins proposer que nous en discutions.

Bien que cela m’ait pris un peu plus de temps que de simplement écrire l’idée (car j’ai dû formuler l’idée comme un prompt puis l’affiner), cela a fait deux choses importantes : premièrement, cela m’a donné l’occasion de m’assurer que je pensais que l’idée était bonne ou de la faire évoluer jusqu’au point où je voulais la partager. Deuxièmement, cela a rendu beaucoup plus facile pour les autres membres de mon équipe de comprendre exactement ce dont je parlais, plutôt que d’essayer de traduire l’image dans mon cerveau à travers les mots que je partageais.

Le prototypage d’idées de fonctionnalités est, selon moi, le cas d’utilisation par défaut le plus simple pour ces outils, et je ne serais pas surpris qu’il vous soit utile dès maintenant de manière productive.

2. Prototyper une idée de projet personnel

Je suis sûr que vous vous êtes tous dit à un moment donné : « Ce serait vraiment cool s’il existait quelque chose qui faisait X, Y ou Z ». Eh bien, maintenant, vous pouvez simplement prototyper cette chose.

Un exemple personnel : j’étais intéressé par l’idée d’une plateforme de vibe coding intrinsèquement sociale, où l’idée centrale serait que lorsque vous construisez quelque chose, vous le partagez instantanément avec la communauté qui peut le remixer, le voter, et vous permettre potentiellement de le monétiser et éventuellement de le lancer. Imaginez un hybride entre Lovable et Product Hunt, peut-être avec un côté écosystème de tokens.

C’est l’équivalent moderne de l’achat d’un nom de domaine pour une idée que vous savez que vous ne réaliserez jamais, mais pour laquelle vous voulez quand même garder quelques options. Mais en termes d’apprentissage, c’est une autre excellente façon de comprendre comment fonctionnent ces outils de vibe coding.

3. Recréer un jeu de votre enfance

Ma dernière suggestion : essayez de construire une copie d’un jeu que vous aimiez enfant. Je suis assez âgé pour avoir connu dans mon école primaire cette vieille version noir et vert d’Oregon Trail. J’ai donc pensé qu’il serait amusant d’en construire une version, mais ancrée dans l’univers de H.P. Lovecraft plutôt que dans l’expansion vers l’Ouest.

C’est ainsi qu’est né « Eldrich Trail », où vous pouvez commencer une nouvelle expédition, créer un personnage, décider de votre occupation, tout comme dans le jeu Oregon Trail. Je peux être un occultiste, acheter mes fournitures (la partie préférée de ces premiers jeux), et commencer mon voyage.

Ce projet a pris plus de temps que tous les autres projets que je vous ai montrés. C’est en partie pourquoi je pense que cette approche de conception de jeu est précieuse : il s’avère qu’il y a tellement plus de détails à prendre en compte lorsque vous essayez de construire quelque chose comme ceci qui fonctionne réellement, que cela vous donnera une idée encore plus large de ce que les outils de vibe coding peuvent faire.

Si vous voulez aller encore plus loin, vous pouvez également essayer d’aller jusqu’à la publication, en apprenant à utiliser des outils comme Supabase et GitHub. Mais même si vous ne le faites pas, je vous garantis que si vous passez environ une semaine à faire du vibe coding, vous vous sentirez bien en avance sur les autres en matière d’IA.

3. Construire des flux de travail automatisés avec des outils d’agents

La troisième chose que vous pouvez faire pour améliorer vos compétences en IA dès maintenant est de passer du temps à construire des flux de travail d’agents avec N8N, Zapier, Plum, Lindy ou autre.

L’important ici est que, même si de nombreux agents grand public font leur apparition et abstraient ce type de processus, en construisant manuellement ces flux de travail automatisés, vous aurez une bien meilleure idée de comment fonctionnent réellement les agents et de ce qui se passe sous le capot. Et je parie que vous aurez une longueur d’avance dans l’utilisation des agents, même ceux qui abstraient toute cette complexité.

Il existe de nombreux cas d’utilisation courants qui, même s’ils ne sont pas la chose la plus essentielle que vous faites, vous donneront quand même l’occasion de vous plonger dans ces outils et d’en tirer probablement de la valeur : flux de recherche, flux de prospection commerciale, flux de génération de contenu.

Voici un exemple de template de Lindy pour la prospection de leads. Vous pouvez voir le flux depuis la réception du message ou de l’instruction, jusqu’à la première action de l’agent IA, en passant par les boucles qu’il parcourt pour résoudre le problème, la sortie vers l’agent, et enfin la livraison du résultat.

Dans ce cas, le message de départ demande à l’utilisateur de fournir une liste de prospects à contacter, qui peuvent être des noms, des emails ou des feuilles Google Sheets. L’agent interprète ensuite, selon qu’il s’agit d’un lien Google Sheets ou d’une liste de prospects, ce qu’il doit faire ensuite.

Vous pouvez voir ici que vous pouvez changer le modèle. Lindy vous donne le choix entre par défaut, le plus rapide, équilibré ou le plus intelligent. Et vous pouvez le connecter à des actions spécifiques dans des outils externes.

La boucle est l’action qui va être répétée encore et encore, qui dans ce cas est la recherche sur Perplexity puis l’envoi d’un email. Comme vous pouvez le voir, lorsque vous travaillez avec Lindy ou n’importe lequel de ces outils, ils deviennent plus puissants lorsque vous les connectez à d’autres systèmes, mais ils vous donnent la possibilité de déterminer quand et comment ils ont réellement accès à ces systèmes.

Par exemple, dans cet outil de prospection, pour aller jusqu’au bout, je devrais l’autoriser à envoyer des emails. Mais vous pouvez également activer des options comme demander une confirmation avant que cette action ne se produise.

La sortie de boucle fait référence au moment où l’agent a terminé une version complète de l’action et est prêt à passer à la version suivante de cette action. Dans ce cas, avec un prospect différent sur lequel se concentrer.

Je pense que vous ne pouvez pas vous tromper avec n’importe lequel des types d’outils que je viens de mentionner. Et encore une fois, même si des agents grand public arrivent rapidement sur le marché et abstraient tout cela, je pense vraiment qu’il y a de grands avantages à apprendre à cartographier ces flux manuellement, ne serait-ce que pour comprendre comment fonctionnent toutes ces connexions.

Bonus : Deux approches supplémentaires

1. Explorer les agents généralistes grand public

Nous commençons à voir apparaître des agents généralistes destinés aux consommateurs, et certains connaissent une croissance très rapide. Voici l’entrepreneur Henry Shei qui parle sur LinkedIn de GenSpark, qu’il qualifie d’entreprise IA lean à la croissance la plus rapide qu’il ait jamais vue. L’entreprise a atteint 36 millions de dollars de revenus annuels récurrents en seulement 45 jours avec seulement 24 personnes.

GenSpark est l’un de ces agents généralistes qui peuvent faire un tas de choses différentes. Bien que mon expérience générale ait été un peu décevante avec ces outils (Manis est un autre qui a fait beaucoup de bruit), je pense que si vous prenez le temps de découvrir les différentes choses pour lesquelles ils sont bons, ils peuvent probablement apporter énormément de valeur. Et une fois de plus, vous serez en avance sur le reste d’entre nous qui devrons rattraper le fonctionnement des interfaces d’agents à mesure qu’elles apparaissent.

2. Explorer et interagir avec MCP

Le deuxième bonus, si vous voulez vraiment aller un peu plus loin, est d’apprendre et même d’interagir avec MCP. MCP signifie Model Context Protocol et c’est essentiellement une API pour les données que les agents peuvent utiliser.

Un serveur MCP est quelque chose qui donne à un agent accès à un ensemble spécifique de données et, une fois configuré, peut être utilisé par plusieurs agents. Vous pouvez donc voir comment, dans un monde où de nombreuses personnes construisent de nombreux agents différents, cela ira beaucoup plus vite si chaque individu n’a pas à connecter manuellement les sources de données à chaque fois, mais peut simplement se connecter au serveur MCP pertinent pour cette source de données quand et comme il en a besoin.

L’excellent Riley Brown sur Twitter a épinglé en haut de son profil (Riley Brown_I sur Twitter/X) un tutoriel MCP complet qui peut vous aider à comprendre comment interagir avec ce protocole. Comme je l’ai dit, c’est beaucoup plus avancé, mais vous serez définitivement en avance sur près de 100% des utilisateurs si vous allez jusque-là.

Conclusion

Voilà donc trois façons d’améliorer vos compétences en IA dès maintenant :

Utiliser GPT-4o comme collègue stratégique pendant une semaine
Créer quelque chose avec un outil de vibe coding

Construire des flux de travail automatisés avec des outils d’agents

L’avantage supplémentaire de toutes ces stratégies est qu’elles sont réellement amusantes. Je suis impatient de voir ce que vous en ferez. Merci de votre lecture et à bientôt !

Featured image by Team Kiesel on Unsplash