Utile, utilisable, utilisé

D'une phrase de Gide

« L'art naît de contrainte, vit de lutte, meurt de liberté. »

La phrase est d'André Gide. Il la prononce le 25 mars 1904 à Bruxelles, à la Libre Esthétique, un salon d'avant-garde où l'on accrochait cette année-là près de deux cents toiles de Manet, Monet, Degas, Renoir, Van Gogh¹. Quatre conférences accompagnaient le salon : la poésie, la peinture et la musique étaient déjà prises, on lui confia le théâtre. Gide parle en blessé. Sa pièce Le Roi Candaule n'a tenu qu'une seule représentation en 1901 ; son Saül attend depuis six ans un directeur qui ose le monter².

Sa thèse, ce soir-là : le théâtre de son temps meurt de sa propre facilité ; pour le sauver, il faut lui retrouver des contraintes. Croire que l'art s'élève d'autant plus haut qu'il est plus libre, dit-il, « c'est croire que ce qui retient le cerf-volant de monter, c'est sa corde ». Puis il aligne ses preuves. C'est à un défaut du marbre que Michel-Ange dut, raconte-t-on, la pose ramassée de son Moïse. C'est au nombre restreint d'acteurs disponibles sur scène qu'Eschyle dut d'inventer le silence de Prométhée enchaîné. La Grèce proscrivit celui qui ajouta une corde à la lyre. « Le grand artiste est celui qu'exalte la gêne, à qui l'obstacle sert de tremplin. » La formule finale condense le tout. Gide l'a forgée en transposant Léonard de Vinci, qui écrivait de la force mécanique qu'elle « naît par violence et meurt par liberté »³ : la contrainte à la place de la violence, l'art à la place de la physique.

Je pratique des mathématiques appliquées avec un ordinateur en entreprise. On appelle cela aujourd'hui intelligence artificielle ; je préfère la version longue, parce que chaque mot y pèse. Les mathématiques : la rigueur, un modèle est une phrase qu'on peut prouver fausse. L'ordinateur : le réel du calcul, des données qui arrivent sales, des machines qui coûtent, des latences qui se mesurent. L'entreprise : le réel des gens, des budgets, des clients, des équipes qui n'ont pas le temps.

Depuis plus de dix ans, j'accompagne les entreprises pour bâtir des systèmes IA du prototype à la production, dans la santé, le e-commerce, le divertissement, l'assurance, la finance, l'automobile : détection de fraude à la carte bancaire, diagnostic in vitro, examens optiques raccourcis, prévision de demande, analyse de vidéo et de musique à l'échelle industrielle et désormais agents. Précisons les deux bouts du chemin, car tout l'essai tient entre eux. Le prototype est la maquette qui impressionne en réunion : elle marche sur dix exemples choisis, un mercredi, devant des gens bienveillants. La production est le même système devenu quotidien : branché aux vraies données, soumis aux pannes, aux budgets, aux humeurs, utilisé par des équipes qui ne vous ont rien demandé.

Les métiers de mes clients sont des langues. J'apprends la leur et je partage la mienne. Dans cette pratique, la phrase de Gide résonne en moi par sa poésie philosophique et raisonne en moi dans la définition pratique du métier que j'aime.

La contrainte, c'est le problème à résoudre : la vraie définition du succès, le chiffre qu'on s'engage à faire bouger. J'appelle cela utile, puisque c'est la contrainte résolue qui fait la valeur : un projet qui n'en résout aucune n'a pas de raison d'exister.

La lutte, c'est l'écart entre la belle théorie et la réalité du terrain : l'interface, l'intégration, la confiance. J'appelle cela utilisable, puisque c'est la lutte gagnée contre le réel qui fait l'outil : des problèmes de terrain à résoudre, des habitudes à bousculer sans les briser, pour que l'innovation paie dans les mains des métiers.

La liberté, c'est la joie du travail accompli : la transmission, un système qui tourne sans moi, le droit de passer au projet suivant. J'appelle cela utilisé, puisque c'est la liberté récoltée qui fait la preuve : un usage devenu quotidien libère tout le monde, les équipes d'abord, le praticien ensuite.

Utile, utilisable, utilisé. Trois adjectifs, un crible : celui qui sépare un projet qui tient d'une démonstration qui brille un jour. Un mot de Gide accroche pourtant : meurt. Gardez-le en tête, nous le retrouverons à la fin.

Un crible plus ancien que moi

Je n'ai pas inventé les trois U. Personne, à ma connaissance, ne peut le revendiquer, ce qui est plutôt bon signe : les cadres qui servent n'appartiennent à personne.

La science en a posé les fondations il y a longtemps. Fred Davis a montré dès 1989 que deux perceptions prédisent l'adoption d'une technologie : son utilité d'abord, sa facilité d'usage ensuite, la première pesant plus lourd que la seconde⁴. Jakob Nielsen a décomposé ce qui rend un système bon à prendre : l'utilité (fait-il la bonne chose ?) multipliée par l'utilisabilité (peut-on s'en servir ?)⁵. La norme ISO 9241-11 a défini l'utilisabilité noir sur blanc : efficacité, efficience, satisfaction, pour des utilisateurs donnés dans un contexte donné⁶. La recherche francophone a son propre triptyque, utilité, utilisabilité, acceptabilité⁷.

Les praticiens ont ensuite poli les mots. Les designers anglophones disent useful, usable, used⁸. Les bibliothécaires préfèrent terminer par desirable, désirable⁹. La recherche en santé exige que ses résultats soient « useful, usable and used »¹⁰. Les systèmes d'information ont même publié leur « 3U framework »¹¹. En français, la règle des 3U circule dans le numérique responsable¹², dans l'agilité¹³, dans la e-santé¹⁴. Un cadre sans auteur, poli par l'usage comme un galet.

Ma version assume un parti pris : le troisième U. Là où l'université prédit une acceptabilité, le praticien constate un usage. On ne me paie pas pour qu'un système soit acceptable en théorie. On me paie pour qu'un lundi matin ordinaire, quelqu'un l'ouvre sans y penser. D'où mes trois devises, forgées sur le terrain : la pertinence dans les systèmes bat les slogans ; l'intégration dans les habitudes de travail bat la démo ; la rétention bat le volume. La première dit que l'utile ne se proclame pas : il se lit dans les chiffres d'un système qui tourne. Interpréter le besoin réel demande plus d'effort que répéter une promesse. La deuxième dit que la plus belle démonstration du monde pèse moins qu'un outil qui entre dans la routine du mardi matin, dans les logiciels déjà ouverts, dans les habitudes déjà prises. La troisième dit que le volume d'utilisateurs du premier mois est une vanité ; ce qui compte, c'est qui revient au troisième, quand la curiosité est retombée et qu'il ne reste que le service rendu.

Pourquoi un crible ? Parce que les projets d'intelligence artificielle échouent en masse et que les chiffres qui circulent à ce sujet méritent, eux aussi, leurs barres d'erreur. Le fameux « 85 % des projets IA échouent » vient d'un communiqué Gartner de 2018 qui prédisait autre chose : des résultats erronés pour cause de biais, à l'horizon 2022, prédiction jamais évaluée depuis¹⁵. Le « 87 % » sort d'un article sponsorisé sans source primaire¹⁶. Le « 95 % des pilotes d'IA générative sans retour mesurable » du MIT se qualifie lui-même de « directionally accurate », directionnellement exact, ce qui est une élégante façon de demander l'indulgence¹⁷. La source la plus solide reste une étude de la RAND Corporation par entretiens : plus de 80 % d'échecs, le double des projets informatiques classiques, avec pour première cause un malentendu sur le problème à résoudre¹⁸. Retenez la hiérarchie : un échec sur le problème (utile), un échec sur le terrain (utilisable), un échec sur l'adoption (utilisé). Le crible ne décrit pas autre chose. Prenons les trois portes dans l'ordre.

Utile : la contrainte

La troponine est une protéine qu'on dose dans le sang quand on suspecte un infarctus : plus elle monte, plus le cœur souffre. Un modèle qui estime ce risque peut se tromper de deux façons. S'il surestime, un patient occupe un lit pour rien. S'il sous-estime, un patient rentre chez lui et peut en mourir. Même grandeur numérique, conséquence renversée selon le signe. Un système d'intelligence artificielle qui ignore cette asymétrie n'est pas neutre : il a choisi, par défaut, de traiter les deux erreurs pareil. Le « par défaut symétrique » n'est pas l'absence de choix, c'est un mauvais choix fait en silence.

Tout commence avant le premier modèle, au moment où le besoin devient une idée. Une idée d'intelligence artificielle ne commence pas par « ce serait formidable », elle commence par quelqu'un qui a un problème ; le besoin réel se cache souvent derrière l'effet wow et le travail consiste à aller le chercher. Voilà pourquoi je poursuis avec une question qui paraît triviale : quelle est l'unité ? De l'argent, du temps, de l'énergie, du soin, ou bien l'impossible devenu possible. L'argent se passe d'explication. Le temps, ce sont des minutes de soignant ou d'ouvrier rendues au métier. L'énergie, des calculs, des trajets, des gaspillages évités. Le soin, une erreur médicale esquivée, un inconfort réduit, une attention mieux distribuée. L'impossible, la seule monnaie exotique des cinq : ce qui ne se faisait pas du tout, lire chaque avis client, écouter chaque minute d'antenne, décrire chaque image d'un catalogue entier. Un projet qui ne paie dans aucune de ces monnaies n'est pas un projet, c'est un jouet. Le silence qui suit la question est déjà une donnée.

Pour passer de l'unité au chiffre, il me faut d'abord un outil que tout le monde peut lire : la matrice de confusion. Le nom intimide ; l'objet est simple. Prenez une décision binaire (fraude ou pas fraude) puis croisez deux questions : qu'a dit le système ? qu'est-ce qui était vrai ? Deux réponses possibles à chaque question, donc quatre issues, pas une de plus. Le système signale une fraude réelle : bonne détection (les ingénieurs disent vrai positif), l'alarme a sonné au bon moment. Il accuse un client honnête : fausse alarme (faux positif), l'alarme a sonné pour rien. Il laisse passer une fraude : raté (faux négatif), l'alarme s'est tue au pire moment. Il laisse tranquille un client honnête : rejet correct (vrai négatif), le silence des bons jours. Tout modèle de décision, du plus simple au plus profond, finit dans ces quatre cases ; compter ce qui tombe dans chacune sur une année, c'est déjà le connaître.

La méthode tient alors en une seule opération : superposer ce comptage avec la matrice des conséquences métier, chiffrées dans l'unité du client. Chez un e-commerçant de pièces automobiles où j'ai passé six ans, la détection de fraude à la carte bancaire ne se jugeait pas au nombre de fraudeurs bloqués : bloquer un client honnête coûte une vente et un client. Le bon indicateur clé de performance (KPI, le chiffre qu'un dirigeant regarde pour décider) était le chiffre d'affaires net des pertes, pas un score de laboratoire.

Les ingénieurs ont leurs cadrans internes pour cela et je les présente à mes étudiants de MBA avec deux Avengers. La précision, c'est l'archer Hawkeye : quand il tire, il touche ; quand le système crie à la fraude, a-t-il raison ? Le rappel, c'est le colosse Hulk : rien ne lui échappe de ce qu'il y a à détruire ; sur cent fraudes réelles, combien le système en attrape-t-il ? L'archer rate peu mais laisse passer ; le colosse n'épargne rien mais casse le mobilier avec. Aucun des deux n'est le bon héros en toutes circonstances : tout dépend du prix du meuble et du prix de la cible manquée. L'intelligence artificielle parfaite aurait le rappel de Hulk et la précision de Hawkeye : elle attraperait tout et ne toucherait que ses cibles. Elle n'existe pas. Tout l'art consiste à doser l'un contre l'autre, au prix du métier. Ces cadrans servent à régler la machine ; ils ne disent rien à un conseil d'administration.

Dans une salle de comité, un modèle ne vaut que ce qu'il rapporte net de ses erreurs. En ophtalmologie, pour un client qui voulait raccourcir les examens optiques, le succès ne s'est pas mesuré en « précision » : un examen est passé de quatre minutes dix à deux minutes sept, à prescription égale, avec une fonction de perte asymétrique côté inconfort du patient. Mesuré, pas extrapolé.

Faisons le calcul une fois, lentement, parce que c'est lui qui change les réunions. Reprenez les chiffres de la figure : sur un an, 1 200 fraudes bloquées à 500 € de perte évitée chacune, 300 fraudes passées à 500 € de perte, 900 clients bloqués à tort à 60 € de manque à gagner. Le compte : 600 000 € sauvés, moins 150 000 € de fraudes manquées, moins 54 000 € de ventes perdues. Ce système vaut 396 000 € par an, net de ses erreurs. Au passage, sa précision n'est que de 57 % (1 200 bonnes détections sur 2 100 alertes) : un score dont aucun ingénieur ne se vanterait, pour un système très rentable. Première leçon. Un tel chiffre en euros a ensuite trois vertus qu'aucun score n'aura. Il se compare à un coût : le système revient-il à moins de 396 000 € par an ? Il se discute : le commercial contestera les 60 €, le gestionnaire du risque contestera les 500 €, tant mieux, la dispute porte enfin sur le métier au lieu de porter sur la technique. Il pilote les réglages, enfin. Un modèle de ce genre a toujours un seuil, un cran de sensibilité qu'on durcit ou qu'on relâche : durcissez-le et vous bloquez davantage de fraudes mais davantage de bons clients avec ; relâchez-le et c'est l'inverse. Où placer le seuil ? Au maximum des euros, plus au maximum d'un score. Le vieux dilemme d'ingénieur entre précision et rappel devient une décision de gestion que la direction peut comprendre, contester puis assumer.

Définir le succès ne suffit pas, encore faut-il le protéger. « Quand une mesure devient une cible, elle cesse d'être une bonne mesure » : la formule circule sous le nom de loi de Goodhart, elle est en réalité de l'anthropologue Marilyn Strathern^{19, 20}. Les théoriciens de l'apprentissage l'ont depuis durcie en théorème : tout indicateur plus simple que l'objectif qu'il remplace est piratable²¹. Il n'y a donc pas de KPI parfait à chercher, seulement une divergence à surveiller. Je l'ai payé pour l'apprendre. Sur un orchestrateur audio en temps réel, nous avions un seuil de vitesse : le facteur temps réel (RTF, le rapport entre durée de calcul et durée du signal) devait rester sous 1. L'optimisation l'a traité comme une note à minimiser sans fin : RTF de 0,12, magnifique, pendant que le taux d'erreur de transcription augmentait de 300 %. Un seuil avait été pris pour une note. La correction n'était pas un meilleur modèle, c'était une meilleure contrainte.

Richard Feynman a raconté en 1974 l'histoire d'insulaires du Pacifique qui, après la guerre, reconstruisirent de mémoire une piste d'atterrissage : les feux, la cabane, les antennes en bambou, l'homme qui agite les signaux. Tout est exact, la forme est parfaite et aucun avion n'atterrit²². Il appelait cela la science du culte du cargo. Notre domaine excelle dans les formes : le benchmark (un jeu d'épreuves standardisées pour noter les modèles), le tableau de bord, la suite d'évaluation, le test A/B (montrer deux versions à deux groupes et comparer leurs réactions). Chacun de ces instruments est réel. Chacun peut aussi être construit en bambou. Le test qui les départage est d'une brutalité salutaire : cet instrument a-t-il déjà fait changer une décision ? L'aurait-il fait changer dans l'autre sens si le chiffre était sorti autrement ? Un tableau de bord que personne ne regarde n'est pas un instrument, c'est un décor. L'analogie s'arrête où Feynman l'arrêtait : il ne s'agit ni de fraude ni de paresse, les praticiens sont sincères. Il manque une discipline envers son propre esprit, celle qui débogue les bonnes surprises avec la même énergie que les mauvaises.

Cette discipline coûte peu et rapporte beaucoup, car l'intuition se trompe avec aplomb. En 2025, une étude randomisée a mesuré des développeurs chevronnés travaillant avec des assistants de code : ils se croyaient 20 % plus rapides, ils étaient 19 % plus lents²³. Se croire plus rapide, c'est déjà ralentir. On attribue à Peter Drucker l'adage « ce qui ne se mesure pas ne se gère pas » ; W. Edwards Deming tenait l'adage pour un mythe coûteux, car l'essentiel est souvent ce qu'on ne sait pas encore mesurer²⁴. Les deux ont raison, dans cet ordre : mesurez d'abord combien vous êtes mauvais, dans la monnaie de votre métier, puis méfiez-vous de votre mesure. Voilà pour la contrainte : un succès défini, chiffré, protégé. Reste à le faire entrer dans des mains réelles ; c'est une autre lutte.

Utilisable : la lutte

GPT-3, l'ancêtre direct de ChatGPT, existait en 2020. Les capacités qui ont ébloui le monde en novembre 2022 dormaient déjà dans les serveurs depuis deux ans. Ce qui a changé avec ChatGPT, ce n'est pas le cerveau, c'est la poignée de porte : une boîte de texte où écrire comme on parle. Cent modèles capables sont restés inutilisés faute de poignée. Voilà la lutte du deuxième U : la distance entre la belle théorie et la main qui doit s'en saisir.

Cette lutte a ses classiques. L'évaluation heuristique de Nielsen et Molich²⁵, la psychologie des objets de Don Norman²⁶, le principe de moindre effort de Steve Krug²⁷, l'élargissement de l'utilisabilité à l'expérience vécue²⁸. Elle a aussi ses classiques propres à l'intelligence artificielle : les dix-huit règles d'interaction humain-IA validées par Microsoft sur vingt produits²⁹, le guide de conception de Google³⁰ et la notion qui me sert le plus en clientèle, la confiance calibrée : le but n'est pas de maximiser la confiance de l'utilisateur, c'est de l'ajuster aux capacités réelles du système³¹. Car l'humain pardonne mal à la machine : une seule erreur visible d'un algorithme suffit à provoquer son abandon, là où la même erreur humaine serait excusée³². L'effet inverse existe aussi, une déférence excessive envers le chiffre machine³³. Entre les deux, le design.

Une étude de terrain donne la mesure de l'enjeu à l'ère générative. Sept cent cinquante-huit consultants d'un grand cabinet, tirés au sort avec ou sans assistant d'intelligence artificielle : à l'intérieur du domaine où le modèle est compétent, un quart de vitesse en plus et une qualité jugée supérieure ; à l'extérieur, dix-neuf points de justesse en moins³⁴. Les auteurs parlent de frontière dentelée : la compétence de la machine n'avance pas comme une marée, elle dessine des caps et des criques, invisibles depuis l'écran. Tout le problème du design des assistants tient là. La boîte de texte a exactement la même apparence des deux côtés de la frontière ; l'utilisateur ne sent pas quand il quitte la zone où la machine excelle pour celle où elle déraille avec aplomb. Dessiner pour l'intelligence artificielle, c'est d'abord rendre cette frontière sensible : afficher la provenance, montrer l'incertitude, inviter à vérifier quand le terrain devient meuble.

Le designer industriel Raymond Loewy, l'homme des locomotives et des rouges à lèvres, appelait cela MAYA : Most Advanced Yet Acceptable, le plus avancé qui reste acceptable. Avancez d'un cran de trop et l'humain décroche. J'en ai fait un curseur d'autonomie que je règle avec mes clients, cinq crans : expliquer, suggérer, rédiger, approuver, agir seul. La règle d'or qui place le curseur : plus une erreur coûte cher, moins l'intelligence artificielle garde d'autonomie.

Ce n'est pas de la prudence décorative, c'est du design au sens plein : la gouvernance fixe les limites, la conception décide de la place de l'humain. Une interface peut pousser vers la décision, l'audit, la correction. Une autre peut réduire l'opérateur à approuver sans comprendre. Les deux s'appellent « humain dans la boucle » sur les slides.

Une validation qui compte exige cinq conditions : du temps pour lire, une information intelligible (un libellé, pas un identifiant opaque), la compétence pour juger, le droit de refuser sans pénalité, un canal indépendant de ce qu'on valide. J'ai vu des écrans de validation présenter « réf. 58F2-C » à des opérateurs sommés d'approuver en cadence : on ne valide pas un identifiant, on le subit. Retirez une seule des cinq conditions et vous obtenez un théâtre de contrôle : multiplier les confirmations sur des actions sans conséquence habitue l'opérateur à cliquer oui sans lire. Ivan Illich disait d'un outil qu'il est convivial lorsqu'il étend l'autonomie de la personne, hostile lorsqu'il l'asservit à son propre entretien³⁵. Je ne connais pas de meilleure définition du deuxième U.

Ce deuxième U porte un nom de métier : le design. L'équation mérite d'être posée lentement, car elle décide de beaucoup : design égale UX plus UI. L'interface (UI, user interface) est ce que l'outil montre : l'écran, les couleurs, les boutons, la figure, la carte, le son. L'expérience (UX, user experience) est ce que l'outil fait vivre : le nombre d'actions pour arriver au résultat, ce qu'on comprend sans explication, ce qu'on ose tenter sans craindre de casser, la confiance qui s'installe ou ne s'installe pas. Les deux se confondent souvent dans les réunions et c'est une erreur de gestion. Une interface superbe peut porter une expérience humiliante : trois écrans pour valider une action simple. Une expérience bien pensée peut mourir d'une interface illisible : le bon parcours, écrit en gris pâle sur fond blanc. Le premier U se joue dans les chiffres ; le deuxième se joue dans le corps de l'utilisateur, ses yeux, ses mains, sa patience, sa dignité. C'est précisément parce que cette équation déborde l'opinion personnelle qu'elle peut s'outiller.

Dans ma pratique, cet outillage a pris la forme d'une suite logicielle que j'ai nommée sprezzature, publiée en licence libre sur sprezzature.ai³⁶. Le mot vient de Baldassare Castiglione, 1528 : la sprezzatura est l'art de « cacher l'art », de faire paraître sans effort ce qui en a coûté beaucoup³⁷. L'incarnation moderne que je lui donne, rapprochement personnel que j'assume : Frank Sinatra. Quand il chante, on jurerait que c'est facile. Cette facilité est l'œuvre d'une vie de métier, effacée pour que seule la chanson reste. C'est exactement le travail du design : l'interface réussie est celle dont personne ne voit la sueur et qui n'a presque pas besoin de mode d'emploi.

Concrètement, sprezzature est un système de design complet pour l'ère des agents : dix skills (des savoir-faire empaquetés qu'un agent de code charge avant d'écrire) adossés à des paquets Python installables en une commande, tenus par une pile technique volontairement étroite. Sa documentation résume le pari en une phrase : « MCP donne à un agent la capacité ; un skill lui donne le goût », MCP étant le protocole standard qui branche les outils sur les agents. Car les agents savent désormais tout produire, pages, palettes, figures, cartes, sous-titres, films de démonstration ; ils ne savent pas encore ce qui est lisible, accessible, honnête. La suite le leur impose par un principe de deux mots, fabriquer et auditer : chaque brique qui produit est livrée avec l'auditeur qui la juge, verdict binaire rendu en quelques millisecondes, sans navigateur, posé en garde-fou de la chaîne de livraison, quel que soit l'auteur du code, humain ou machine. S'y ajoute la boucle de l'œil déjà croisée (rendre, regarder, corriger la source : la justesse d'un graphique est dans les pixels, pas dans le code) et une hygiène simple : tout tourne en local, un seul modèle de vision embarqué, rien ne quitte la machine. La suite mange sa propre cuisine, chaque gabarit qu'elle émet devant passer ses propres audits avec zéro constat ; un test y veille. Elle a enfin une pudeur que je revendique : « effortless », sans effort, figure sur la liste des mots interdits de sa propre documentation, avec tout le vocabulaire du marketing. L'aisance ne se déclare pas, elle s'audite.

Le tour du propriétaire dit l'étendue du mot design. Pour la main : une brique fabrique des poignées de porte, au sens du mot employé plus haut ; elle lit la définition d'un outil en ligne de commande et en tire une page web en un seul fichier, sans serveur, sans rien changer à l'outil, pour qu'une personne qui n'a jamais ouvert de terminal puisse s'en servir ; la page assemble la commande sans jamais l'exécuter, l'humain garde le dernier mot. Pour l'œil : cent soixante-sept types de figures dessinées en vectoriel (la figure est le livrable, pas sa photographie) ; des cartes qui savent écrire « probablement », car une carte qui ne sait pas le dire dit « certainement » par défaut ; des couleurs qui survivent aux niveaux de gris, donc à tous les regards, un homme sur douze distinguant mal les couleurs.

Pour les lecteurs qu'on oublie : l'accessibilité fait partie du design, donc de l'utilisable. Un système que certains ne peuvent pas lire n'est pas utilisable, il est seulement utilisable par les autres. La suite la traite en contrat, pas en politesse de fin de projet : vingt règles vérifiées à la source en quelques millisecondes. Une image sans texte alternatif est aussi invisible pour un lecteur d'écran que si elle n'existait pas sur la page ; le texte manquant est donc rédigé sur place par le modèle local, à partir de l'image et du texte qui l'entoure, puis marqué comme écrit par la machine tant qu'un humain ne l'a pas relu. Les contrastes sont mesurés contre les normes, le daltonisme est simulé avant livraison. Une vidéo sans sous-titres n'est pas une expérience dégradée, c'est une absence d'expérience. Pour l'oreille, justement : sous-titres aux normes de lisibilité des diffuseurs, identification des voix et narration, intégralement hors ligne. Jusqu'aux films de démonstration, dotés d'un vérificateur qui compare ce que le film affirme à ce que le projet contient, car la prose d'une documentation se relit, un nombre incrusté dans une image ne se relit pas ; la brique est née d'un vrai bug de la maison, cinq films annonçant 127 types de figures quand le catalogue en comptait 167.

Le mérite profond de cet outillage n'est pas d'embellir. C'est de changer le statut du design : tant qu'il reste une opinion, il perd tous ses arbitrages face à un indicateur ; audité, chiffré, bloquant dans la chaîne de livraison, il se défend en réunion comme se défend un test qui échoue. Voilà ma réponse au deuxième U, visible et vérifiable : sprezzature.ai expose les figures, les cartes, la galerie des produits qui en vivent ; tout s'installe en une commande. L'expérience et l'interface cessent d'y être un vœu : c'est une chaîne de fabrication avec ses contrôles. Le mieux conçu des outils n'a pourtant rien prouvé encore : la dernière porte se franchit dans la durée.

Utilisé : la liberté

Le gadget moderne a eu son portraitiste : Jacques Tati, dont les maisons ronronnent d'appareils modernes qui fabriquent discrètement plus de travail qu'ils n'en épargnent. Beaucoup de pilotes d'intelligence artificielle finissent en gadgets de Tati : démonstration impressionnante, puis plus personne ne se connecte la troisième semaine. Mon test favori n'a rien de scientifique et ne rate jamais : dans trois semaines, un jeudi après-midi ordinaire, ouvrirez-vous encore cet outil ? Un projet qui ne survit pas à un mardi banal n'est pas un projet, c'est une capture d'écran.

Vous connaissez déjà une courbe de rétention si vous avez publié une vidéo : YouTube montre aux créateurs la part du public encore présente seconde après seconde. La mienne compte autre chose, des personnes qui reviennent semaine après semaine. Alex Schultz, qui dirigeait la croissance de Facebook, en a tiré en 2014 le critère le plus simple du métier : une courbe de rétention qui devient parallèle à l'axe du temps signale un produit qui tient ; une courbe qui file vers zéro signale qu'il n'y a rien à tenir³⁸. Le test du jeudi après-midi en est la version artisanale.

Le troisième U a un nom savant depuis 1997 : disuse, le désusage, dans la taxonomie de Parasuraman et Riley sur nos rapports à l'automatisation, usage, mésusage, désusage, abus³⁹. Des opérateurs abandonnent un système fiable après quelques fausses alarmes et le silence s'installe. L'inverse existe, la complaisance, s'en remettre à la machine sans plus vérifier⁴⁰. La littérature sur l'adoption raconte la même histoire à l'échelle des organisations : des systèmes achetés à prix d'or jamais utilisés, le shelfware, le logiciel d'étagère⁴¹, le gouffre entre les enthousiastes de la démo et la majorité pragmatique⁴², l'usage réel comme pratique qui s'invente sur le terrain et jamais ne se décrète⁴³. Même le non-usage est un objet d'étude : il est souvent un choix rationnel, pas un déficit à corriger⁴⁴.

Les chiffres récents donnent le vertige par leur asymétrie. L'adoption individuelle de l'intelligence artificielle générative est la plus rapide de l'histoire des technologies⁴⁵ : un dixième de la population adulte mondiale utilise ChatGPT⁴⁶ et les études de terrain mesurent des gains réels, 15 % de productivité chez des agents de support, surtout les novices⁴⁷, 55,8 % de vitesse en plus sur une tâche de code⁴⁸. Pendant ce temps, côté organisations, presque toutes déclarent utiliser l'intelligence artificielle, 21 % seulement ont redessiné un flux de travail⁴⁹. Et 78 % des employés du savoir apportent leurs propres outils d'intelligence artificielle au bureau, sans aval de l'entreprise⁵⁰. L'usage déborde l'officiel. Je lis ce débordement comme un praticien lit une fuite : une informatique qui propose une intelligence artificielle médiocre fabrique elle-même son intelligence artificielle de l'ombre. Le contournement n'est pas une faute des employés, c'est un signal produit.

Alors, que fait-on pour être utilisé ? Trois choses, prosaïques comme un contrat de maintenance.

D'abord la formation. Chez un client de diagnostic in vitro, la réussite n'a pas tenu au modèle : elle a tenu à l'acculturation de toute la chaîne, direction, techniciens, scientifiques, vendeurs, avec l'annotation humaine dans la boucle. L'intelligence artificielle la moins chère que vous aurez jamais, c'est votre équipe actuelle, montée en compétence. La formation a aussi une face sombre que Lisanne Bainbridge, psychologue du travail, a nommée dès 1983 les ironies de l'automatisation : l'humain qu'on place en dernier recours est précisément celui qu'on a le plus désentraîné⁵¹. D'où une pratique que je recommande partout : une réserve d'environ 20 % de travail sans assistance, comme le pilote repasse au simulateur tous automatismes coupés.

Cette érosion de la compétence porte un nom de philosophe : le bateau de Thésée, qu'on remplace planche par planche jusqu'à se demander ce qui reste du bateau d'origine. Remplacez tâche par tâche ce que fait une équipe par ce que fait un agent et posez la question avant qu'il ne soit tard : que reste-t-il de la compétence qui permettait de surveiller l'agent ? Un dirigeant technique a raconté publiquement avoir confié quarante jours de développement à une équipe entièrement artificielle, milliards de jetons de calcul à l'appui⁵². Le récit est enthousiaste ; la question qu'il laisse ouverte est la bonne : le jour où l'agent se trompe, qui, dans l'équipe, sait encore le voir ? La réserve sans assistance n'est pas une coquetterie de puriste, c'est l'entretien du juge humain.

Ensuite le suivi. Les alertes contournées sont la règle, pas l'exception : en médecine, 49 à 96 % des alertes de sécurité des prescriptions sont ignorées⁵³. Un validateur qui n'a jamais refusé n'a pas validé. Je mesure donc les taux de refus, les taux de contournement, la rétention à trois semaines. Je les traite comme des indicateurs de première classe, au même rang que la justesse du modèle.

Enfin la maintenance. La recherche l'a établi au-delà du raisonnable : dans un système d'apprentissage automatique réel, le code du modèle est une petite boîte au centre d'une immense tuyauterie et la dette technique s'accumule dans la tuyauterie⁵⁴. La méthodologie qui a formé une génération de data scientists, CRISP-DM, relègue le déploiement en sixième et dernière phase, à peine décrite⁵⁵ et les ingénieurs interrogés par la recherche le disent sans détour : on n'a aucune idée du comportement d'un modèle en production avant la production⁵⁶. Ma conférence préférée à donner s'appelle d'ailleurs la tuyauterie de l'intelligence artificielle : les 90 % que personne ne photographie⁵⁷. Les deux fables récentes du secteur disent le reste. Zillow a laissé un modèle de prix acheter des maisons : prédire était devenu agir et l'entreprise a déprécié 304 millions de dollars⁵⁸. Klarna a confié son support client à des agents, s'est félicitée publiquement⁵⁹, puis a fait machine arrière⁶⁰. La leçon n'est pas « le modèle était mauvais ». La leçon est qu'on avait autorisé le modèle à agir sans relecture sur un poste où l'erreur coûte cher. La correction n'a pas été de renvoyer l'agent, elle a été de redessiner sa permission.

Quand ces trois chantiers aboutissent, il se produit une chose étrange : l'intelligence artificielle disparaît. En 2023, Microsoft disait douze fois « IA » dans ses résultats, Google cent quarante-trois fois en deux heures de conférence, Apple zéro. L'intelligence artificielle invisible est la forme achevée du troisième U : si votre initiative a encore besoin d'un événement de lancement et d'un courriel de rappel, vous avez livré un outil, pas un usage. La rétention bat le volume. Et c'est ici que la liberté prend son sens plein. Mes contrats de déploiement se terminent par une phrase qui surprend : nous organisons notre sortie. Guide d'intégration, formation, support, puis je m'en vais. Un projet réussi est un projet qui n'a plus besoin de moi. C'est aussi pour cela que j'enseigne, dans un EMBA depuis 2022 et ailleurs : transmettre est la version généralisée de partir.

Ce que les agents amplifient

Tout ce qui précède existait avant les agents. Les agents n'abolissent rien, ils amplifient tout.

Un agent, au sens où l'industrie l'entend depuis 2024, est un grand modèle de langage qui dirige son propre processus : il perçoit, planifie, agit par des outils, boucle⁶¹. La distinction utile est celle d'Anthropic : le workflow, chemin prédéfini qui orchestre un modèle, contre l'agent, qui choisit son chemin⁶², avec ce conseil contre-intuitif venu du constructeur même : commencez simple, n'ajoutez de l'autonomie que si elle paie.

Quelque chose a pourtant changé de nature : la barrière technique s'est effondrée. Écrire du code qui tourne, monter une maquette, brancher une base de données, l'agent le fait en un après-midi là où il fallait un trimestre. Je traite un agent de code comme nos aînés ont traité le compilateur : une montée d'abstraction qui n'a pas supprimé les programmeurs mais déplacé leur jugement. Or quand tout le monde peut construire, construire ne distingue plus personne. Le prototype devient presque gratuit, donc le crible monte en valeur exactement dans la proportion où la technique en perd : savoir quoi construire (utile), pour quelle main (utilisable), avec quelle suite dans les idées (utilisé), voilà ce que l'agent ne fournit pas. Plus la barrière technique s'abaisse, plus les trois U deviennent le métier.

Côté utile, les agents aggravent le péché originel : coder avant de définir le succès. Gartner prédit que plus de 40 % des projets d'intelligence artificielle agentique seront annulés d'ici fin 2027 (coûts croissants, valeur métier floue, contrôles de risque inadéquats) et nomme la maladie agent washing, l'agent de façade⁶³. McKinsey décrit le paradoxe : huit entreprises sur dix déploient de l'intelligence artificielle générative, autant n'en voient aucun effet sur le résultat⁶⁴. Les chercheurs de Princeton ajoutent que la mesure elle-même est cassée : des benchmarks d'agents optimisés sur la seule exactitude, sans coût ni reproductibilité, fabriquent des agents inutilement complexes⁶⁵. La démo d'agent est le plus bel instrument en bambou jamais construit.

Côté utilisable, le paradigme d'interface change pour la première fois en soixante ans : on ne commande plus des actions, on spécifie des intentions⁶⁶. Le design ne dessine plus des écrans, il règle des niveaux d'autonomie supervisée. Mon curseur MAYA ne m'a jamais autant servi.

Côté utilisé, le mur est la fiabilité composée. La raison est arithmétique et tient sur un ticket de métro. Supposez un agent fiable à 95 % sur chaque étape, ce qui est flatteur, puis donnez-lui une tâche en vingt étapes : il faut que tout réussisse, donc 0,95 multiplié par lui-même vingt fois, à peine plus d'une chance sur trois d'arriver au bout. À cinquante étapes, moins d'une chance sur dix. Voilà pourquoi des agents brillants à la démonstration s'effondrent sur la longueur. Les mesures confirment le calcul : sur des tâches bureautiques réelles, les humains réussissent 72 % du temps, le meilleur agent 12 %⁶⁷. Mis face à des utilisateurs simulés sous règles métier, les meilleurs modèles échouent plus d'une fois sur deux ; pire, confiez-leur huit fois la même tâche et la proportion de tâches réussies à chaque fois s'effondre encore, car l'agent ne rate pas toujours la même marche⁶⁸. Pour un service client, réussir souvent ne suffit pas : c'est réussir à chaque fois qui fait la confiance. La trajectoire est réelle, l'horizon des tâches réussies double environ tous les sept mois⁶⁹, mais une trajectoire n'est pas une garantie : c'est une pente, à surveiller comme toutes les divergences.

Et il y a la leçon amère. Richard Sutton a observé en 1100 mots que sur soixante ans, les méthodes générales qui convertissent du calcul en performance finissent par battre les règles du métier patiemment écrites à la main par des experts⁷⁰ : les échecs, le go, la parole, la vision, quatre fois la même histoire. Le mécanisme est économique, deux horloges pour un seul budget : votre projet vit en trimestres, le coût du calcul chute sur une courbe décennale. Les règles écrites à la main sont un capital figé qui vieillit ; la méthode générale est un abonnement à une baisse de prix. D'où ma question d'achat préférée : que fait votre système avec dix fois plus de calcul ? « Il va plus vite » est la réponse d'une base de règles. « Il devient meilleur » est la réponse d'un système qui apprend. L'honnêteté oblige à borner la leçon : tous les vainqueurs de cette histoire étaient des hybrides. Deep Blue, l'ordinateur d'IBM qui battit le champion du monde d'échecs en 1997, embarquait huit mille règles d'échecs écrites à la main en plus de sa force de calcul. Les critiques de Sutton ont raison de rappeler que l'ingéniosité humaine ne disparaît pas, elle se déplace⁷¹. Elle se déplace, précisément, vers mes trois U : si le calcul emporte le comment, ce qui reste à l'humain est le quoi (définir le succès, chiffrer le coût des erreurs), le pour qui (l'interface, la confiance) et l'ensuite (la formation, le suivi, la maintenance). La leçon amère ne dévalue pas le praticien. Elle fait monter le prix du jugement.

Reste à travailler avec les agents sans leur abandonner le gouvernail. Deux disciplines me servent. La première est une méthode publique, BMAD, Breakthrough Method of Agile AI-Driven Development : une équipe de développement logiciel complète, simulée par des agents spécialisés qui se passent le travail comme le feraient un analyste, un chef de produit, un architecte, un développeur et un testeur humains⁷². Son créateur la présente comme l'antithèse du vibe coding, le codage à l'ambiance⁷³. Sa vertu tient en une inversion : la phase de planification agentique force à écrire le brief, le cahier des charges produit et l'architecture avant la première ligne de code, un humain validant chaque artefact. Autrement formulé dans ma langue : BMAD institutionnalise le premier U (le cahier des charges définit le succès avant le code), inscrit le deuxième dans les artefacts (les spécifications d'expérience utilisateur sont un livrable, pas une politesse) et rythme le troisième (chaque story, chaque histoire de développement, se clôt par une revue et une rétrospective, c'est-à-dire par une preuve d'usage). Les vieux réflexes de l'agilité retrouvent du service : ils sont devenus des garde-fous pour machines pressées.

La seconde discipline est artisanale et je l'ai racontée en détail ailleurs : les boucles de Ralph⁷⁴. Agir, rendre, juger, décider, en boucle, avec un budget d'essais déclaré d'avance et un juge protégé : car un agent qui optimise son juge finit par le corrompre, Goodhart ne prend pas de vacances. Dans une simulation que j'ai publiée, un gain annoncé valait douze fois le gain réel après huit cents essais. La boucle de l'œil, sa variante visuelle, applique le même principe aux figures et aux interfaces : générer, regarder, critiquer, corriger. Regarder vraiment. C'est la discipline de Feynman portée au rythme des machines : ne pas se laisser raconter le résultat par celui qui l'a produit. Les figures de cet article sont passées par cette boucle, défauts consignés puis corrigés à la source : je ne vous demande pas de me croire sur parole, la méthode s'applique à elle-même.

La boussole, en pratique

Un cadre ne vaut que s'il descend jusqu'au lundi matin. Voici les questions que je pose, dans l'ordre, à chaque projet. Aucune ne demande de savoir programmer ; chacune a déjà sauvé ou tué un projet sous mes yeux.

Pour l'utile. Quelle est l'unité ? Que coûte chaque type d'erreur, en euros, en minutes ou en soin ? Quel chiffre du compte d'exploitation doit bouger, de combien, d'ici quand ? Puis la question la plus dure, héritée de Feynman : si le chiffre était sorti dans l'autre sens, aurions-nous pris une autre décision ? Si la réponse est non, l'instrument est en bambou.

Pour l'utilisable. Qui s'en servira, un mardi, fatigué, pressé, sans formation fraîche ? Où passe la frontière de compétence de la machine et comment l'utilisateur la voit-il à l'écran ? À quel cran du curseur l'autonomie est-elle réglée, qui a le droit de la monter, qui a le devoir de la descendre quand le coût d'erreur augmente ?

Pour l'utilisé. Qui forme-t-on, sur quoi, avec quelle réserve de travail sans assistance ? Qui regarde les taux de refus des validateurs et la rétention à trois semaines ? Qui paie la maintenance l'année prochaine, sur quelle ligne budgétaire ? Enfin la clause qui oblige tout le monde à être sérieux dès la signature : comment organise-t-on ma sortie ?

Meurt de liberté

Revenons au mot qui accrochait. L'art, dit Gide, meurt de liberté : l'œuvre sans contrainte se dissout dans la facilité. Pour l'œuvre, il a raison. Dans ma pratique, j'ai vu sa phrase se vérifier deux fois, dans deux sens qui s'opposent. Il faut les séparer, car l'un décrit un échec et l'autre décrit le but.

Premier sens : la liberté qui tue. Libérez un système d'intelligence artificielle de ses contraintes et vous ne le grandissez pas, vous le condamnez. Retirez l'unité : il optimisera un chiffre qui ne veut rien dire, comme mon orchestrateur audio devenu huit fois plus rapide que nécessaire pendant que ses transcriptions se dégradaient. Retirez le juge indépendant : il finira par corrompre sa propre évaluation ; Goodhart l'avait promis et l'expérience des agents le confirme chaque semaine. Retirez la relecture humaine sur un poste où l'erreur coûte cher : Zillow, on l'a vu, a laissé son modèle acheter des maisons en toute liberté ; l'aventure s'est arrêtée sur une dépréciation à neuf chiffres. La corde du cerf-volant, encore : coupez-la pour libérer l'objet et il ne s'envole pas, il tombe. Un agent sans contrainte n'est pas un agent puissant, c'est un accident en préparation. Les trois U sont précisément les cordes qu'on lui laisse : un succès défini avant lui, une place dessinée pour l'humain, une surveillance qui ne s'endort pas.

Second sens : la liberté qui couronne. Un système d'intelligence artificielle naît de contrainte : un problème réel, une unité, un coût d'erreur, un chiffre à faire bouger. Il vit de lutte : contre l'écart entre la théorie et le terrain, pour une interface qui respecte la main et l'esprit de celui qui travaille. Et il s'accomplit de liberté. Non pas la sienne, la nôtre. Celle des équipes d'abord : un outil convivial, disait Illich, étend l'autonomie de la personne au lieu de l'asservir à son entretien ; un système utilisé rend les gens plus libres dans leur propre métier, plus rapides vers ce qui compte, déchargés de ce qui ne compte pas. Celle du praticien ensuite : ranger ses outils, transmettre ce qu'on sait, s'en aller commencer ailleurs une nouvelle contrainte. Ce qui meurt alors n'est pas le projet. C'est le besoin qu'on avait de moi. Je ne connais pas de plus belle définition du succès.

Les deux sens se tiennent et c'est leur paradoxe qui me plaît : pour que la liberté couronne les humains, il faut qu'elle soit refusée à la machine. Le projet qui donne toute sa liberté au système la retire à ses utilisateurs, condamnés à surveiller, corriger, réparer. Le projet qui tient la machine par ses trois cordes rend la liberté aux gens. Gide ne pensait évidemment pas aux agents en 1904 ; la transposition s'arrête là, une pièce de théâtre ne vous rembourse pas une maison achetée trop cher. Mais la mécanique qu'il décrivait, l'exigence qui élève et la facilité qui dissout, je la retrouve dans chaque comité de pilotage.

Utile, utilisable, utilisé. L'art naît de contrainte, vit de lutte. Ce qui s'éteint dans la liberté, quand le travail est bien fait, c'est l'artisan qu'on remercie. Le système, lui, continue de tourner un jeudi après-midi ordinaire, sans que personne n'y pense. C'est tout ce que je lui souhaite. C'est tout ce que je vous souhaite.

Bibliographie

Chaque titre ci-dessous a servi à écrire une section précise ; la notice dit laquelle. Aucun n'est cité de seconde main.

1. Gide, A. (1911). De l'évolution du théâtre. Dans Nouveaux Prétextes : réflexions sur quelques points de littérature et de morale, Mercure de France La conférence de Bruxelles de 1904, « De l'évolution du théâtre », d'où viennent la phrase, le cerf-volant, Michel-Ange et Eschyle.
2. Gide, A. (1904). Saül ; Le Roi Candaule. Société du Mercure de France Les deux pièces blessées du conférencier, Saül et Le Roi Candaule : Gide parle en connaissance d'échec.
3. Léonard de Vinci (1881). Les manuscrits de Léonard de Vinci : le manuscrit A de la Bibliothèque de l'Institut. A. Quantin Le manuscrit A de Vinci : la force « naît par violence et meurt par liberté », matrice de la formule de Gide.
4. Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), p. 319-340 Le modèle d'acceptation de la technologie : l'utilité perçue pèse plus lourd que la facilité d'usage.
5. Nielsen, J. (1993). Usability Engineering. Academic Press Le manuel fondateur : l'utilité multipliée par l'utilisabilité.
6. International Organization for Standardization (2018). ISO 9241-11:2018  : Ergonomics of human-system interaction  : Part 11: Usability: Definitions and concepts. Geneva: ISO, 2^e édition La norme qui définit l'utilisabilité noir sur blanc : efficacité, efficience, satisfaction, en contexte.
7. Tricot, A., Plégat-Soutjis, F., Camps, J. et al. (2003). Utilité, utilisabilité, acceptabilité : interpréter les relations entre trois dimensions de l'évaluation des EIAH. Dans Environnements Informatiques pour l'Apprentissage Humain (EIAH 2003) Le triptyque francophone : utilité, utilisabilité, acceptabilité.
8. Interaction Design Foundation (2016). Useful, Usable, and Used: Why They Matter to Designers. IxDF Literature, 17 mars 2016 Les designers anglophones et leur « useful, usable, used ».
9. Schmidt, A. et Etches, A. (2014). Useful, Usable, Desirable: Applying User Experience Design to Your Library. ALA Editions, American Library Association La variante des bibliothécaires, qui préfère finir par désirable.
10. Kothari, A., Sibbald, S. L., McCutcheon, C. et al. (2025). How does integrated knowledge translation work? A realist review. Health Research Policy and Systems, 23(102). doi.org La recherche en santé exige des résultats « useful, usable and used ».
11. Pan, S. L. et Pee, L. G. (2020). Usable, in-use, and useful research: A 3U framework for demonstrating practice impact. Information Systems Journal, 30(2), p. 403-426 Le « 3U framework » publié par les systèmes d'information.
12. Groupe de travail AIR, I. d. N. R. (2023). C1  : Éco-concevoir les services numériques. Bonnes pratiques Architecture Informatique Responsable (BP-AIR) La règle des 3U dans le numérique responsable français.
13. Albarracin, L. (2021). Les 3U (Utile, Utilisable, Utilisé) et sa mise en application via l'agilité. LinkedIn Pulse, 3 novembre 2021 La même règle, côté agilité.
14. Maoulida, C. (2024). Les 3U : Utile, Utilisable et Utilisé. Blog H\^opital Web 2.0, 7 janvier 2024 Et côté e-santé.
15. Gartner, I. (2018). Gartner Says Nearly Half of CIOs Are Planning to Deploy Artificial Intelligence. Press release, Stamford, CT, 13 février 2018 Le communiqué de 2018 d'où sort le « 85 % » : il prédisait en réalité des résultats erronés pour 2022, prédiction jamais réévaluée.
16. VB Staff (2019). Why Do 87% of Data Science Projects Never Make It into Production?. VentureBeat, 19 juillet 2019 L'article sponsorisé d'où sort le « 87 % », sans source primaire.
17. Challapally, A., Pease, C., Raskar, R. et Chari, P. (2025). The GenAI Divide: State of AI in Business 2025. MIT NANDA (Project NANDA, Massachusetts Institute of Technology) Le rapport MIT des « 95 % », « directionally accurate » de son propre aveu.
18. Ryseff, J., De Bruhl, B. F. et Newberry, S. J. (2024). The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. RAND Corporation L'étude RAND par entretiens : plus de 80 % d'échecs, d'abord par malentendu sur le problème à résoudre.
19. Strathern, M. (1997). `Improving ratings': audit in the British University system. European Review, 5(3), p. 305-321 La formule exacte « quand une mesure devient une cible », qui est d'elle et non de Goodhart.
20. Goodhart, C. A. E. (1984). Problems of Monetary Management: The UK Experience. Dans Monetary Theory and Practice: The UK Experience, Macmillan Education UK. doi.org Le texte de Goodhart dont la loi porte le nom.
21. Skalse, J., Howe, N. H. R., Krasheninnikov, D. et Krueger, D. (2022). Defining and Characterizing Reward Hacking. Dans Advances in Neural Information Processing Systems 35 (NeurIPS 2022) Le théorème : tout indicateur plus simple que l'objectif qu'il remplace est piratable.
22. Feynman, R. P. (1974). Cargo Cult Science. Engineering and Science, 37(7), p. 10-13 Le discours de la science du culte du cargo, et la discipline envers son propre esprit.
23. Becker, J., Rush, N., Barnes, E. et Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arxiv.org L'étude randomisée : des développeurs qui se croient 20 % plus rapides et sont 19 % plus lents.
24. Deming, W. E. (s. d.). The New Economics for Industry, Government, Education. MIT Center for Advanced Engineering Study Deming contre l'adage de la mesure : l'essentiel est souvent ce qu'on ne sait pas encore mesurer.
25. Nielsen, J. et Molich, R. (1990). Heuristic Evaluation of User Interfaces. Dans Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI '90), ACM L'évaluation heuristique, le classique de l'inspection d'interface.
26. Norman, D. (2013). The Design of Everyday Things: Revised and Expanded Edition. Basic Books La psychologie des objets : la poignée de porte qui dit comment on la saisit.
27. Krug, S. (2014). Don't Make Me Think, Revisited: A Common Sense Approach to Web Usability. New Riders Le principe de moindre effort : ne me faites pas réfléchir.
28. Hassenzahl, M. et Tractinsky, N. (2006). User Experience  : A Research Agenda. Behaviour & Information Technology, 25(2), p. 91-97 L'élargissement de l'utilisabilité à l'expérience vécue.
29. Amershi, S., Weld, D., Vorvoreanu, M. et al. (2019). Guidelines for Human-AI Interaction. Dans Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems (CHI '19), ACM Les dix-huit règles d'interaction humain-IA, validées sur vingt produits.
30. Google PAIR (2019). People + AI Guidebook. \urlhttps://pair.withgoogle.com/guidebook/. pair.withgoogle.com Le guide de conception de Google pour les produits à base d'IA.
31. Lee, J. D. et See, K. A. (2004). Trust in Automation: Designing for Appropriate Reliance. Human Factors, 46(1), p. 50-80 La confiance calibrée : ajuster la confiance de l'utilisateur aux capacités réelles du système.
32. Dietvorst, B. J., Simmons, J. P. et Massey, C. (2015). Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), p. 114-126 L'aversion à l'algorithme : une seule erreur machine visible suffit à l'abandon.
33. Logg, J. M., Minson, J. A. et Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes, 151, p. 90-103 L'effet inverse : la déférence excessive envers le chiffre machine.
34. Dell'Acqua, F., McFowland III, E., Mollick, E. et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science. doi.org Les 758 consultants et la frontière dentelée : plus vite à l'intérieur, faux à l'extérieur.
35. Illich, I. (1973). Tools for Conviviality. Harper & Row L'outil convivial, qui étend l'autonomie de la personne au lieu de l'asservir à son entretien.
36. Harchaoui, W. (2026). Sprezzature : create and audit figures, visualizations for app and web content. \urlhttps://sprezzature.ai. sprezzature.ai} La suite elle-même : fabriquer et auditer, tout en local, documentation et galerie.
37. Castiglione, B. (1991). Le Livre du courtisan. Flammarion Le Courtisan, où la sprezzatura est l'art de cacher l'art.
38. Schultz, A. (2014). Lecture 6: Growth. Stanford CS183B \guillemotleft How to Start a Startup \guillemotright, Y Combinator. youtube.com Le cours de Schultz : la courbe de rétention qui s'aplatit, critère le plus simple du métier.
39. Parasuraman, R. et Riley, V. (1997). Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors, 39(2), p. 230-253 La taxonomie usage, mésusage, désusage, abus : le nom savant du troisième U.
40. Parasuraman, R. et Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), p. 381-410 La complaisance : s'en remettre à la machine sans plus vérifier.
41. Markus, M. L. et Keil, M. (1994). If We Build It, They Will Come: Designing Information Systems That People Want to Use. Sloan Management Review, 35(4) Le logiciel d'étagère, acheté à prix d'or et jamais utilisé.
42. Moore, G. A. (2014). Crossing the Chasm: Marketing and Selling Disruptive Products to Mainstream Customers. HarperBusiness Le gouffre entre les enthousiastes de la démo et la majorité pragmatique.
43. Orlikowski, W. J. (2000). Using Technology and Constituting Structures: A Practice Lens for Studying Technology in Organizations. Organization Science, 11(4), p. 404-428 L'usage réel comme pratique qui s'invente sur le terrain et ne se décrète pas.
44. Selwyn, N. (2003). Apart from Technology: Understanding People's Non-Use of Information and Communication Technologies in Everyday Life. Technology in Society, 25(1), p. 99-116 Le non-usage comme choix souvent rationnel, pas comme déficit à corriger.
45. AI Index Steering Committee (2026). The 2026 AI Index Report. Stanford Institute for Human-Centered Artificial Intelligence (HAI), Stanford University L'AI Index : l'adoption individuelle la plus rapide de l'histoire des technologies.
46. Chatterji, A., Cunningham, T., Deming, D. J. et al. (2025). How People Use ChatGPT. National Bureau of Economic Research Un dixième de la population adulte mondiale utilise ChatGPT.
47. Brynjolfsson, E., Li, D. et Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), p. 889-942. doi.org Les 15 % de productivité mesurés chez des agents de support, surtout les novices.
48. Peng, S., Kalliamvakou, E., Cihon, P. et Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arxiv.org Les 55,8 % de vitesse en plus sur une tâche de code.
49. McKinsey & Company (2025). The State of AI: How Organizations Are Rewiring to Capture Value. McKinsey & Company, QuantumBlack Presque toutes les organisations déclarent utiliser l'IA ; 21 % ont redessiné un flux de travail.
50. Microsoft et LinkedIn (2024). AI at Work Is Here. Now Comes the Hard Part: 2024 Work Trend Index Annual Report. Microsoft Corporation Les 78 % d'employés du savoir qui apportent leurs propres outils d'IA au bureau.
51. Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), p. 775-779 Les ironies de l'automatisation : l'humain de dernier recours est le plus désentraîné.
52. Bonnin, L. (2026). J'ai viré mon équipe de dev pour une équipe 100\,% IA pendant 40 jours et 2,3 milliards de tokens Le récit des quarante jours de développement confiés à une équipe entièrement artificielle.
53. van der Sijs, H., Aarts, J., Vulto, A. et Berg, M. (2006). Overriding of Drug Safety Alerts in Computerized Physician Order Entry. Journal of the American Medical Informatics Association, 13(2), p. 138-147 Les 49 à 96 % d'alertes de prescription ignorées : la mesure du contournement.
54. Sculley, D., Holt, G., Golovin, D. et al. (2015). Hidden Technical Debt in Machine Learning Systems. Dans Advances in Neural Information Processing Systems 28 (NIPS 2015) La petite boîte et la tuyauterie : la dette technique cachée des systèmes d'apprentissage.
55. Chapman, P., Clinton, J., Kerber, R. et al. (s. d.). CRISP-DM 1.0: Step-by-Step Data Mining Guide. The CRISP-DM Consortium (NCR, SPSS, DaimlerChrysler) CRISP-DM, qui relègue le déploiement en sixième et dernière phase, à peine décrite.
56. Shankar, S., Garcia, R., Hellerstein, J. M. et Parameswaran, A. G. (2024). ``We Have No Idea How Models Will Behave in Production until Production'': How Engineers Operationalize Machine Learning. Proceedings of the ACM on Human-Computer Interaction, 8(CSCW1), p. 206:1-206:34 Les ingénieurs interrogés le disent : on ne connaît pas un modèle avant la production.
57. Harchaoui, W. (2026). Conférences en intelligence artificielle. deraison.ai Mes conférences, dont la tuyauterie de l'intelligence artificielle.
58. Zillow Group (2021). Zillow Group Reports Third-Quarter 2021 Financial Results & Shares Plan to Wind Down Zillow Offers Operations Zillow : prédire était devenu agir, 304 millions de dollars dépréciés.
59. Klarna (2024). Klarna AI assistant handles two-thirds of customer service chats in its first month Klarna se félicite publiquement de ses agents de support.
60. Ekblom, J. (2025). Klarna Turns From AI to Real-Person Customer Service. bloomberg.com Puis fait machine arrière.
61. Wang, L., Ma, C., Feng, X. et others (2024). A Survey on Large Language Model Based Autonomous Agents. Frontiers of Computer Science. doi.org L'état de l'art des agents : percevoir, planifier, agir par des outils, boucler.
62. Anthropic (2024). Building Effective Agents. \urlhttps://www.anthropic.com/research/building-effective-agents. anthropic.com Le workflow contre l'agent et le conseil contre-intuitif de commencer simple.
63. Gartner, I. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Communiqué de presse, 25 juin 2025 Les 40 % de projets agentiques annulés prédits d'ici fin 2027 et le nom de la maladie : agent washing.
64. McKinsey & Company (QuantumBlack) (2025). Seizing the Agentic AI Advantage Le paradoxe : huit entreprises sur dix déploient, autant n'en voient aucun effet sur le résultat.
65. Kapoor, S., Stroebl, B., Siegel, Z. S. et al. (2024). AI Agents That Matter. arxiv.org Les benchmarks d'agents cassés : l'exactitude seule, sans coût ni reproductibilité.
66. Nielsen, J. (2023). AI: First New UI Paradigm in 60 Years. Nielsen Norman Group, 18 juin 2023 Le premier changement de paradigme d'interface en soixante ans : spécifier des intentions.
67. Xie, T., Zhang, D., Chen, J. et others (2024). OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments. arxiv.org OSWorld : 72 % de réussite humaine sur des tâches bureautiques réelles, 12 % pour le meilleur agent.
68. Yao, S., Shinn, N., Razavi, P. et Narasimhan, K. (2024). $\tau$-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains. arxiv.org Face à des utilisateurs simulés sous règles métier : échec plus d'une fois sur deux, et pas toujours sur la même marche.
69. Kwa, T., West, B., Becker, J. et others (2025). Measuring AI Ability to Complete Long Software Tasks. arxiv.org L'horizon des tâches réussies double environ tous les sept mois : une pente, pas une garantie.
70. Sutton, R. S. (2019). The Bitter Lesson. incompleteideas.net, 13 mars 2019 La leçon amère : en soixante ans, le calcul finit par battre les règles écrites à la main.
71. Brooks, R. (2019). A Better Lesson. rodneybrooks.com, 19 mars 2019 La réponse de Brooks : l'ingéniosité humaine ne disparaît pas, elle se déplace.
72. Madison, B. (2025). BMAD-METHOD: Breakthrough Method of Agile AI-Driven Development. \urlhttps://github.com/bmad-code-org/BMAD-METHOD. github.com La méthode BMAD : une équipe logicielle complète simulée par des agents spécialisés.
73. Madison, B. et Prasetya, H. (2026). Stop Vibe Coding: Spec-Driven Development with The BMad Method. Tech Lead Journal, épisode 255, 20 avril 2026 Son créateur la présente comme l'antithèse du vibe coding.
74. Harchaoui, W. (2026). Tant que ce n'est pas bon. deraison.ai L'article compagnon de celui-ci : la boucle, son budget déclaré d'avance et son juge protégé.