L’équipe discrète de l’IA

Il est 7 h 13, un mardi matin, et le téléphone de Maria a déjà vibré six fois.

Elle l’ignore.

Le café n’est pas prêt.

Maria possède un petit atelier d’impression et de création graphique dans le Queens. Autrement dit, avant huit heures du matin, quelqu’un essaie généralement de faire imprimer quelque chose qui aurait dû être terminé la veille.

Il y a six employés, deux imprimantes grand format, une plastifieuse qui fonctionne à merveille sauf quand quelqu’un est pressé, et une machine de découpe aussi stable émotionnellement qu’une doublure à Broadway.

La boîte de réception de Maria contient trente-sept nouveaux messages.

Un client veut 250 menus de restaurant pour vendredi.

Un autre a envoyé une maquette de banderole en JPEG, apparemment photographiée sur l’écran de quelqu’un d’autre.

Un fournisseur a modifié un prix.

Un client dont la commande est prévue pour demain n’a toujours pas envoyé les fichiers définitifs.

Et quelqu’un a envoyé un message intitulé :

URGENT !!!!!!

Ce qui, d’après l’expérience de Maria, peut vouloir dire aussi bien « le mariage est demain » que « pouvez-vous agrandir le logo de deux pouces ? ».

L’intelligence artificielle n’est pas le passe-temps de Maria.

Venir à bout du mardi, si.

Pendant que le café coule, l’un des nouveaux messages est traité discrètement.

Bonjour, pouvez-vous en imprimer 250 pour vendredi ? Comme la dernière fois, mais en plus grand. Logo en pièce jointe.

Il y a trois fichiers.

Naturellement, aucun n’a un nom utile.

L’un s’appelle :

FINAL_USE_THIS_ONE_7_NEW.pdf

Un logiciel vérifie les pièces jointes.

Une image est trop petite.

Une police manque.

Les dimensions ne correspondent pas au travail précédent.

Puis un modèle d’IA lit le message du client et remarque quelque chose que le vérificateur de fichiers ne peut pas détecter.

La phrase :

« Comme la dernière fois, mais en plus grand »

est ambiguë.

La dernière fois, le client a commandé deux tailles différentes.

Alors le système ne devine pas. Il ne lance pas la production.

Il ajoute un élément au tableau de bord matinal de Maria :

Précision nécessaire : laquelle des tailles précédentes faut-il agrandir ?

Aucun poème n’a été écrit.

Aucun grand maître d’échecs n’a été battu.

Aucun robot n’a annoncé l’avènement de l’intelligence artificielle générale.

Mais Maria a évité d’imprimer 250 mauvais menus avant le petit-déjeuner.

Cela pourrait bien devenir l’une des façons les plus importantes dont l’intelligence artificielle transforme le travail ordinaire.

Pas une machine immense réalisant des prouesses spectaculaires.

Une multitude de petites touches d’intelligence qui, discrètement, enlèvent les obstacles d’un mardi ordinaire.

L’IA à qui vous ne parlez jamais

Quand la plupart des gens imaginent l’intelligence artificielle, ils imaginent une conversation.

Il y a une case à l’écran.

Vous tapez :

Explique-moi mon contrat d’assurance.

La machine l’explique.

Vous tapez :

Corrige cette fonction Python.

Elle corrige la fonction — ou transforme parfois le problème en un problème plus sophistiqué.

C’est la révolution visible de l’IA.

Elle parle.

Mais une grande partie de l’IA utile dans les entreprises ne discutera peut-être jamais avec personne.

Un message arrive. Quelque chose le classe.

Un document apparaît. Quelque chose en extrait des informations.

Une maquette est envoyée. Quelque chose la vérifie.

Un fournisseur change un prix. Quelque chose le remarque.

La tâche apparaît, est traitée, puis disparaît.

Personne ne demande au système quel est le sens de la vie.

Personne ne lui donne une personnalité.

Il fait simplement un petit travail qui, sinon, aurait atterri sur le bureau de quelqu’un.

Maria n’avait pas prévu de construire un tel système.

Elle y est arrivée un peu par hasard.

Maria n’avait pas prévu de devenir une spécialiste de l’IA

Maria avait un petit ami.

Il n’était pas chercheur en intelligence artificielle.

Il était simplement de ces gens qui voient dans un samedi soir parfaitement convenable une excellente occasion de réinstaller Linux.

Il montait des ordinateurs de jeu, expérimentait avec des serveurs et avait récemment pris l’habitude de télécharger des modèles d’IA pour voir ce que sa carte graphique pouvait faire tourner.

Un soir, Maria se plaignait de l’atelier.

Elle avait passé une demi-heure à retrouver une ancienne commande parce que le client ne se souvenait plus de la taille choisie.

Puis un autre client avait envoyé une maquette à la mauvaise résolution.

Puis quelqu’un avait demandé un devis en employant l’expression :

« à peu près grand comme ça »

sans fournir la moindre dimension.

À cinq heures, Maria avait répondu à des messages, vérifié des fichiers, validé un bon à tirer, appelé un fournisseur, retrouvé une facture égarée et résolu un problème de production. Et elle n’avait toujours pas fait ce qu’elle avait réellement prévu de faire ce jour-là.

Son petit ami écoutait.

« Tu pourrais automatiser une partie de tout ça. »

Maria le regarda.

« Avec quoi ? »

« L’IA. »

Un regard plus long.

« Je ne vais pas payer vingt abonnements à des IA. »

« Ce n’est pas nécessaire. »

Voilà qui attira son attention.

Parce que beaucoup de modèles d’IA peuvent désormais être téléchargés gratuitement et exécutés sur son propre ordinateur, sans payer ni le modèle lui-même ni les tokens.

Quelqu’un d’autre a déjà fait la partie coûteuse : entraîner le modèle.

Maria n’a pas besoin de créer un réseau de neurones de toutes pièces, ni même de comprendre comment il fonctionne à l’intérieur.

Elle peut télécharger le modèle terminé.

C’est une phrase étrange, quand on s’arrête pour y réfléchir.

Un modèle contenant des milliards de paramètres appris peut arriver sur un ordinateur ordinaire sous forme de fichiers.

Il y a quelques années, cela aurait évoqué un laboratoire de recherche.

Aujourd’hui, les gens le font chez eux.

Souvent sur des cartes graphiques achetées à l’origine pour rendre les explosions des jeux vidéo plus convaincantes.

À la recherche d’un cerveau

Le petit ami de Maria ouvrit un catalogue de modèles.

L’écran affichait des noms comme :

Qwen 8B Instruct Q4_K_M

Qwen 8B Instruct Q5_K_M

Llama 8B Instruct Q8_0

Mistral 7B Q4_K_M

Maria les fixa.

« Lequel ? »

Son petit ami, très sûr de lui jusqu’à cet instant précis, regarda le plafond.

« Alors… »

C’est la cérémonie d’initiation traditionnelle à l’IA locale.

On commence par :

Je vais télécharger une IA.

Cinq minutes plus tard, on compare Q5_K_M à Q6_K en se demandant à quel moment on s’est inscrit en école d’ingénieurs.

Heureusement, les noms sont moins mystérieux qu’ils en ont l’air.

Prenons :

Qwen 8B Instruct Q5_K_M

La première partie désigne la famille du modèle.

8B signifie environ huit milliards de paramètres.

Les paramètres sont des valeurs numériques apprises au sein du réseau de neurones. Beaucoup sont ce que nous appelons les poids.

Il n’est pas nécessaire d’approfondir les poids ici. Ils méritent leur propre histoire.

Pour Maria, l’idée importante est simple : le modèle contient des milliards de relations numériques apprises qui façonnent ses réponses.

Aucun paramètre isolé ne sait ce qu’est un menu de restaurant.

Aucun nombre particulier ne contient un paragraphe enregistré sur l’impression.

La capacité vient du réseau dans son ensemble.

Huit milliards, cela paraît énorme.

Ça l’est.

Et dans l’IA moderne, huit milliards de paramètres peuvent encore correspondre à un modèle relativement compact.

Plus grand ne veut pas forcément dire meilleur

Dans le catalogue, Maria voit aussi des modèles beaucoup plus grands.

Cela veut-il dire qu’ils sont meilleurs ?

Parfois.

Mais il faut d’abord se demander :

Meilleurs pour quoi ?

Supposons que Maria doive livrer une petite boîte de brochures imprimées à un client situé à six pâtés de maisons.

Elle peut envoyer un coursier à vélo.

Ou elle peut envoyer un camion.

Le camion est plus puissant.

Il peut transporter beaucoup plus.

Mais pour le moment, il n’y a qu’une petite boîte à livrer.

La question n’est donc pas :

Quel véhicule est le plus puissant ?

Mais :

Lequel convient le mieux à cette livraison ?

L’IA pose la même question.

Maria n’a pas besoin d’un modèle gigantesque pour comprendre ce qui est arrivé dans sa boîte mail : une facture, une nouvelle commande ou une question sur une livraison.

La question utile est :

Quel modèle peut accomplir cette tâche et bien fonctionner sur son ordinateur ?

La seconde partie de la question compte.

Parce que Maria compte exécuter le modèle sur sa propre machine.

Instruct, la quantification et le canapé

Le mot Instruct indique à Maria que le modèle a reçu un entraînement supplémentaire destiné à lui apprendre à suivre des instructions.

Un modèle de base peut connaître beaucoup de choses sur le langage sans se comporter comme un assistant utile.

Pour simplifier beaucoup :

Le modèle de base est allé à l’université.

Le modèle Instruct est allé à l’université, puis a suivi une formation au service client.

Maria voulait le second.

Puis vint :

Q5_K_M

Son petit ami introduisit un autre joyeux terme de l’IA :

« Quantification. »

L’idée est moins effrayante que le mot.

Les poids du modèle sont des nombres, et les nombres peuvent être stockés avec différents degrés de précision.

Si je vous demande la distance approximative entre New York et Philadelphie, « environ quatre-vingt-quinze miles » peut parfaitement suffire.

Vous n’avez probablement pas besoin de neuf décimales.

La quantification utilise des techniques mathématiques pour représenter les poids du modèle avec moins de précision, afin qu’ils occupent moins de mémoire.

C’est pourquoi un même modèle peut se présenter en Q8, Q6, Q5, Q4 et dans d’autres variantes.

Une précision plus élevée utilise généralement plus de mémoire.

Une précision plus faible en utilise généralement moins.

Les compromis exacts peuvent devenir techniques très vite.

Maria n’avait pas besoin de tous les connaître.

Elle avait besoin de savoir quelle version fonctionnerait sur sa machine.

Sa carte graphique possédait une quantité fixe de Video Random Access Memory, ou VRAM.

Supposons qu’un fichier de modèle la remplisse presque entièrement.

Techniquement, le modèle tient.

En pratique, cela peut être un désastre.

Le modèle a aussi besoin d’espace pour travailler : du contexte, des tampons temporaires et un Key-Value Cache, généralement appelé cache KV, qui conserve des informations utiles provenant des tokens déjà traités.

Imaginez que vous emménagez dans un studio et achetez un canapé énorme.

Après des efforts considérables et des propos peu publiables, le canapé passe la porte.

Victoire.

Puis vous découvrez qu’il occupe la cuisine, la salle de bains et l’essentiel du couloir.

Techniquement, le canapé tient.

En pratique, l’appartement ne fonctionne plus.

L’IA locale a le même problème.

La vraie question n’est pas :

Le modèle tient-il ?

C’est :

Le modèle tient-il en laissant assez de place pour travailler ?

Maria le comprit immédiatement.

Pas parce qu’elle connaissait l’architecture mémoire des Transformers.

Parce qu’elle comprenait les canapés.

L’IA la plus intelligente n’est parfois pas de l’IA

Une fois le modèle de Maria en fonctionnement, une autre tentation apparut.

Si l’IA peut faire tout cela, pourquoi ne pas lui laisser tout faire ?

Parce qu’un modèle très intelligent est parfois l’outil le plus bête que l’on puisse choisir.

Un fichier d’impression doit mesurer exactement 4 500 sur 5 100 pixels.

Maria n’a pas besoin qu’un modèle de langage examine l’image et se demande philosophiquement si elle semble à peu près correcte.

Un minuscule programme Python peut lire les dimensions exactes.

Elles correspondent ou elles ne correspondent pas.

C’est pareil pour de nombreuses tâches professionnelles.

Si Maria a besoin d’un pourcentage exact, il faut du code.

Si elle a besoin de retrouver une fiche client précise, il faut une base de données.

Si elle doit comprendre :

« Utilisez l’ancien logo, mais avec un bleu plus proche de celui de l’enseigne dehors »,

alors l’IA devient utile.

Les meilleurs systèmes ne remplacent pas chaque logiciel ordinaire par un réseau de neurones.

Ils associent des outils exacts à l’IA là où une interprétation est réellement nécessaire.

Ce principe allait devenir important très rapidement.

Un modèle n’est pas encore un travailleur

Le modèle local de Maria pouvait répondre à des questions.

Il pouvait lire un e-mail.

Il pouvait résumer un document.

Mais Maria découvrit vite une limite évidente.

Elle devait encore lui dire quoi faire.

Si, toutes les vingt minutes, elle devait s’asseoir et taper :

Lis ces messages.

puis :

Vérifie ces fichiers.

puis :

Retrouve cette ancienne commande.

puis :

Consulte ce fournisseur.

elle n’avait pas vraiment automatisé l’atelier.

Elle avait simplement acquis un brillant logiciel qui exigeait une surveillance permanente.

Son petit ami présenta la pièce suivante.

Des programmes comme OpenClaw et Hermes Agent appartiennent à une catégorie généralement appelée cadres logiciels pour agents.

Le modèle de langage fournit le raisonnement.

Le cadre logiciel donne à ce raisonnement un accès contrôlé à des éléments extérieurs : fichiers, navigateurs, bases de données, code, mémoire et autres outils.

Il peut aussi diviser une mission importante en tâches plus petites et créer des sous-agents temporaires pour les accomplir.

C’est alors que le modèle de Maria cessa de ressembler à un chatbot.

Il commença à ressembler à un système.

Lundi matin : 37 messages

Ils commencèrent par la boîte de réception de Maria.

L’instruction donnée à l’agent principal était simple :

Examine les messages des clients de ce matin. Sépare les nouvelles commandes, les questions sur leur état, les demandes de devis, les problèmes de maquette, les factures et tout ce qui est inhabituel. Montre-moi seulement ce qui demande mon attention.

L’agent pouvait effectuer toute la tâche lui-même.

Mais il pouvait aussi en déléguer une partie bien délimitée :

Classe ces messages. Renvoie le numéro du message, sa catégorie et une justification en une phrase. Ne réponds pas aux clients.

Un sous-agent reçoit cette tâche dans un contexte neuf.

Il n’a pas besoin des informations sur les fournisseurs de Maria.

Il n’a pas besoin de la discussion de production d’hier.

Il n’a pas besoin de savoir quelle imprimante fait des siennes.

Il a une mission.

Quand il termine, l’agent principal reçoit un résultat bref :

14 questions courantes sur l’état des commandes
8 demandes de devis
6 révisions de maquettes
3 factures
4 messages à examiner
2 courriers probablement indésirables

La session temporaire peut maintenant disparaître.

L’important n’est pas le mot sous-agent.

L’important est que le système principal de Maria n’a pas à avaler tous les détails de chaque petite tâche.

Il peut confier une mission limitée et récupérer le résultat utile.

Le même modèle en dessous, si nécessaire.

Un autre bureau.

Un autre dossier.

Un autre travail.

Une vraie commande arrive

Quelques jours plus tard, une demande plus intéressante apparaît.

Rivera Events a besoin de 500 affiches pour vendredi.

Le client dit que le bon à tirer a déjà été validé.

La production a besoin d’assez de support mat.

La maquette doit correspondre à la version approuvée.

Maria demande :

Vérifie la commande Rivera. Dis-moi si quelque chose bloque la production.

L’agent a maintenant un vrai travail en plusieurs étapes.

Il le divise.

Un sous-agent vérifie l’historique de la commande et retrouve la dernière validation du client.

Un autre examine la maquette et utilise du code ordinaire pour confirmer les dimensions et la résolution.

Un autre vérifie les stocks.

Il manque deux rouleaux.

Cette tâche se poursuit sur les sites des fournisseurs.

Le navigateur trouve quatre rouleaux disponibles chez Atlantic Paper.

Python calcule la quantité nécessaire et la différence de prix.

Les résultats reviennent à l’agent principal :

Maquette : CONFORME
Dernier bon à tirer : VALIDÉ
Stock : il manque 2 rouleaux
Atlantic Paper : 4 rouleaux disponibles
Action requise : autoriser l’achat du matériel

Maria ne reçoit pas trois comptes rendus de sous-agents et vingt pages de texte provenant de sites web.

Elle reçoit :

La commande Rivera est prête, sous réserve de l’autorisation d’achat du matériel.

C’est cela, l’orchestration.

Pas une mystérieuse armée de travailleurs artificiels.

Un objectif plus grand est divisé en petites tâches. Différents outils réalisent les parties auxquelles ils sont adaptés. Les résultats sont rassemblés.

Le modèle de langage gère l’ambiguïté et la planification.

Python fait les calculs exacts.

La base de données se souvient.

Le navigateur récupère les informations.

Maria prend la décision qui compte.

Puis le site s’est mis à répondre

Une fois le fonctionnement interne au point, Maria essaya quelque chose de visible.

Le site de l’atelier avait déjà une fenêtre de discussion.

La plupart des questions étaient merveilleusement peu originales :

Quels formats de fichiers acceptez-vous ?

Pouvez-vous imprimer des affiches de 24 × 36 pouces ?

Imprimez-vous sur du carton plume ?

Où en est ma commande ?

Un agent de service client pouvait y répondre en utilisant les informations commerciales approuvées par Maria.

Il pouvait consulter l’état d’une commande après avoir vérifié son numéro et confirmé que le client était autorisé à la consulter.

Mais il avait des limites.

Il pouvait expliquer les délais habituels.

Il ne pouvait pas inventer une garantie de livraison.

Il pouvait décrire la politique de remboursement.

Il ne pouvait pas en inventer une nouvelle.

Il pouvait répondre aux questions courantes à 23 h 30.

Si le client demandait quelque chose qui dépassait ses pouvoirs, la conversation était transférée à Maria.

C’était une leçon importante.

Donner plus d’outils à une IA la rend plus utile.

Cela rend aussi les autorisations plus importantes.

La question n’est plus seulement :

Que peut faire le modèle ?

Elle devient :

Qu’a-t-il le droit de faire ?

Maria était parfaitement disposée à laisser un logiciel dire à un client quels formats de fichiers l’atelier acceptait.

Elle était nettement moins enthousiaste à l’idée qu’il négocie un litige sur une commande de 4 000 dollars pendant son sommeil.

La corvée du jeudi que personne n’a regrettée

Maria avait aussi un rituel qu’elle détestait.

Chaque jeudi, elle vérifiait ses principaux fournisseurs.

Papier.

Vinyle.

Carton plume.

Prix.

Disponibilité.

Ce n’était pas un travail difficile.

C’était justement le problème.

Un travail difficile peut au moins être intéressant.

Là, il fallait ouvrir des sites, retrouver les mêmes produits, lire des chiffres et recommencer.

L’agent reçut une tâche délimitée :

Consulte ces pages de fournisseurs approuvées. Compare nos cinq matériaux habituels aux valeurs de la base de données fournisseurs. N’achète rien. Signale seulement les changements de prix ou de disponibilité.

Le navigateur recueillit les informations actuelles.

Python compara les prix.

L’agent renvoya :

Atlantic Paper : rouleau mat de 36 pouces, +6,34 %
Metro Supply : support brillant indisponible
Aucun autre changement.

Maria ne consultait plus quinze pages pour découvrir que treize n’avaient pas changé.

Elle lisait deux lignes.

Personne à l’atelier ne regrettait l’ancienne méthode.

Ce que Maria a réellement acheté

À ce stade, l’installation de Maria semble assez élaborée.

Il y a un modèle local, un environnement d’exécution pour l’inférence, un cadre logiciel pour agents comme OpenClaw ou Hermes, Python, une base de données, des outils de navigation et quelques petits scripts.

Mais une bonne partie des logiciels de base peuvent être téléchargés et utilisés gratuitement.

Et il existe une autre différence avec la façon dont un projet pareil se serait présenté il n’y a pas si longtemps.

Maria n’a pas besoin de savoir assembler l’ensemble du système avant de commencer.

Elle peut ouvrir ChatGPT, Claude ou un autre assistant d’IA capable et décrire ce qu’elle essaie de faire :

« J’ai cet ordinateur et ce modèle local. Je voudrais qu’OpenClaw lui permette de travailler avec des fichiers clients, de conserver certaines informations dans une base de données et de créer des sous-agents pour certaines tâches. Comment dois-je configurer tout ça ? »

L’IA peut la guider.

Elle peut expliquer ce qu’il faut installer, fournir des commandes de terminal, montrer où placer la configuration et aider à diagnostiquer les erreurs.

Et si Maria a besoin d’un petit programme sur mesure, elle n’est pas obligée de commencer par apprendre Python.

Elle peut dire :

« Écris un script qui vérifie toutes les images de ce dossier et signale celles qui font moins de 4 500 sur 5 100 pixels. »

L’IA peut écrire la première version.

Maria l’exécute.

Si elle échoue, Maria colle le message d’erreur dans la conversation.

« Que s’est-il passé ? »

L’IA explique et révise le code.

Si Maria ne comprend pas ce qu’elle s’apprête à exécuter, elle peut demander :

« Explique-moi cela ligne par ligne, avec des mots ordinaires. »

Le code généré doit toujours être testé. Tout ce qui touche à des fichiers importants, à de l’argent, aux données des clients ou aux systèmes de production mérite des autorisations raisonnables et une attention humaine.

Mais la porte d’entrée a changé.

Maria n’a plus à commencer par :

Il faut que j’apprenne Linux, Python, les bases de données, les API et les cadres logiciels pour agents.

Elle peut commencer par :

Voilà ce que je veux que l’ordinateur fasse.

C’est un point de départ radicalement différent.

L’IA n’est pas seulement une partie du système que Maria construit.

Elle peut l’aider à le construire.

Les petites expériences finissent par compter

C’est ici que l’économie devient intéressante.

Maria n’a pas besoin d’un grand « projet de transformation par l’IA ».

Elle peut commencer par une contrariété.

Puis une autre.

Le système peut-il classer ces messages ?

Essayons.

Peut-il détecter des fichiers de maquette manquants ?

Essayons.

Peut-il comparer les prix des fournisseurs ?

Essayons.

Peut-il préparer un rapport matinal ?

Essayons.

Certaines expériences ne serviront à rien.

Supprimons-les.

D’autres feront gagner trente secondes.

Trente secondes, cela ne paraît pas révolutionnaire.

Mais l’entreprise de Maria compte des centaines de tâches répétitives.

Supposons qu’une petite tâche prenne trois minutes et que l’automatisation réduise l’intervention humaine à trente secondes.

Le gain est de deux minutes et demie.

Faites cela quatre cents fois et vous aurez économisé mille minutes — plus de seize heures.

La tâche individuelle n’est jamais devenue impressionnante.

Elle est devenue fréquente.

C’est ainsi que les logiciels transforment les entreprises.

Pas toujours en éliminant un problème gigantesque.

Parfois en réduisant légèrement mille petits problèmes.

Tout est dans la capacité à grandir

Maria finit par ne plus se soucier de l’expression « intelligence artificielle ».

Ce qui l’intéressait, c’était la capacité.

Davantage de commandes entrantes pouvaient être triées.

Davantage de maquettes pouvaient être vérifiées.

Davantage d’informations fournisseurs pouvaient être surveillées.

Davantage de questions clients pouvaient être traitées.

Davantage d’informations pouvaient circuler dans l’atelier sans que Maria intervienne personnellement à chaque étape.

C’est ce que signifie ici le passage à l’échelle.

Cela ne veut pas dire que l’entreprise devient immense par magie.

Cela veut dire que la quantité de travail qu’elle peut traiter n’a pas à augmenter exactement au même rythme que l’effort administratif.

L’impression physique prend toujours du temps.

Quelqu’un doit toujours charger le matériel.

Les machines ont toujours des vitesses maximales.

Les cartons doivent toujours quitter le bâtiment.

L’IA n’abolit pas la physique.

Mais une part étonnamment importante du travail qui entoure ces processus physiques est de l’information.

Lis ceci.

Vérifie cela.

Retrouve cette commande.

Compare ces chiffres.

Demande au client.

Consulte le fournisseur.

Résume le résultat.

Cette couche d’information peut devenir beaucoup plus souple.

Et pour une petite entreprise, cela peut changer la vitesse à laquelle le reste de l’activité peut se développer.

Quand l’IA devient celle de Maria

Le modèle Qwen sur l’ordinateur de Maria n’est pas unique.

Des milliers d’autres personnes peuvent télécharger le même modèle.

Ce qui rend le système de Maria personnel, c’est tout ce qu’elle construit progressivement autour.

Ses fiches clients.

Sa liste de fournisseurs.

Ses commandes précédentes.

Ses règles commerciales.

Ses documents.

Ses outils.

Ses autorisations.

Ses méthodes de travail.

Sa mémoire accumulée.

L’intelligence générale vient du modèle.

L’utilité particulière vient de l’environnement.

C’est l’idée plus profonde derrière l’IA personnelle.

Deux personnes peuvent posséder exactement le même modèle et obtenir des systèmes qui se comportent de façons complètement différentes parce qu’ils vivent dans des mondes différents.

L’un peut organiser un atelier d’impression.

Un autre peut aider à gérer un laboratoire.

Un autre peut étudier des investissements.

Un autre peut faire fonctionner un serveur domestique.

Le modèle est le point de départ.

L’environnement lui donne une vie.

Retour au matin de Maria

Il est maintenant 8 h 04.

Maria s’assoit enfin.

Son café a survécu.

Pendant qu’elle se préparait, le système de l’atelier a traité la boîte de réception matinale, vérifié les maquettes reçues, rapproché plusieurs commandes de dossiers antérieurs, repéré un changement de prix chez un fournisseur, répondu aux questions courantes du site et bloqué une tâche de production parce que l’achat du matériel attendait encore une autorisation.

Le client du restaurant n’a toujours pas expliqué ce que signifie « comme la dernière fois ».

Certains problèmes restent obstinément humains.

Maria ouvre le tableau de bord.

Elle ne voit pas chaque message, chaque vérification de fichier, chaque page du navigateur, chaque consultation de la base de données ni chaque session temporaire de sous-agent.

Elle voit quatre points qui nécessitent une décision.

Voilà le produit.

Pas le modèle.

Pas OpenClaw.

Pas Python.

Pas le navigateur.

Pas la base de données.

Le résultat utile, c’est que Maria commence sa matinée avec quatre décisions au lieu de quarante-sept corvées.

La mécanique qui se trouve dessous peut rester invisible.

De l’ordinateur personnel à l’intelligence personnelle

Il fut un temps où l’expression ordinateur personnel paraissait étrange.

Les ordinateurs appartenaient aux gouvernements, aux universités et aux grandes entreprises.

Puis l’informatique est devenue assez bon marché et assez petite pour tenir sur un bureau ordinaire.

Une fois cela arrivé, les gens ont découvert des usages difficiles à imaginer auparavant : écriture, édition, photographie, musique, jeux, communication, programmation et entreprises entières.

L’intelligence artificielle est peut-être en train de faire un mouvement semblable.

Aujourd’hui, la plupart des gens vivent encore l’IA comme un endroit où ils se rendent.

Ouvrir un navigateur.

Aller sur ChatGPT, Claude ou un autre service.

Poser une question.

Fermer l’onglet.

L’IA locale propose une autre façon d’utiliser l’intelligence artificielle.

Le modèle peut vivre sur votre propre machine. Un logiciel d’agents peut le relier à vos fichiers, outils, bases de données, navigateur, mémoire et façons de travailler. Quand une tâche plus importante apparaît, le système peut la diviser, exécuter les outils nécessaires, rassembler les résultats et restituer ce qui compte.

Et ce système n’a pas à rester pour toujours tel qu’il était au premier jour.

Au début, trier le courrier du matin suffisait à Maria.

Plus tard, elle a ajouté la vérification des maquettes, la recherche de commandes et le suivi des fournisseurs.

Si les tâches deviennent plus complexes, elle peut ajouter de nouveaux outils, connecter un modèle plus performant si son ordinateur le permet, ou choisir un logiciel d’agents aux possibilités plus étendues.

Cela ne veut pas forcément dire repartir de zéro.

Les documents de Maria, sa base de commandes et les règles de l’atelier restent nécessaires. Un nouvel assistant peut les utiliser dans le même environnement de travail, une fois les connexions et les autorisations d’accès configurées.

Le système peut évoluer avec son activité.

Et Maria n’a pas besoin de suivre chacune des actions qui s’y déroulent.

C’est peut-être précisément l’idée.

Pendant l’essentiel de l’histoire de l’informatique, un ordinateur personnel donnait à une personne accès à des logiciels.

La prochaine étape pourrait être un ordinateur qui lui donne aussi de l’intelligence à la demande.

Pas une pièce pleine de robots de dessin animé assis devant de minuscules bureaux.

Quelque chose de plus discret.

Des modèles, des agents, des outils, des navigateurs, des bases de données et du code ordinaire qui travaillent ensemble quand il le faut.

La plupart du temps, vous ne remarquerez peut-être aucun d’eux.

Vous arriverez simplement le matin, prendrez une gorgée de café, regarderez l’écran —

et découvrirez que la partie ennuyeuse est déjà faite.