Sources
- Vidéo analysée — YouTube, à partir de la transcription fournie, jusqu’à 30 min 59 s. L’intervenant s’y présente sous le prénom de Fabrice ; ses essais et diagnostics sont rapportés comme tels.
- ARC Prize — Présentation d’ARC-AGI-3, pour le périmètre du benchmark.
- OpenAI — Présentation de GDPval, pour la nature de l’évaluation et ses limites.
L’intelligence artificielle peut-elle vraiment prendre en charge notre travail ? Dans la vidéo analysée ici, Fabrice confronte les promesses entourant GPT-6 Astra à une tâche ordinaire : produire un devis exploitable. Son retour d’expérience ouvre une question plus large : que faut-il transmettre à une machine pour pouvoir lui déléguer une responsabilité professionnelle ?
Un document impeccable, des lignes bien alignées, un total rassurant. À première vue, le travail est fait. Puis un professionnel regarde les détails : les références ne conviennent pas, les choix techniques ne correspondent pas aux exigences annoncées. La présentation inspire confiance ; le contenu ne la mérite pas encore.
C’est cette discordance qui sert de point de départ à la vidéo. Son auteur, qui se présente sous le prénom de Fabrice, raconte avoir demandé à GPT-6 Astra de préparer un devis pour une entreprise d’électricité, en mentionnant la norme NF C 15-100. Selon son récit, le résultat accumule les erreurs.
L’exemple ne constitue pas, à lui seul, une évaluation générale du modèle. Il pose néanmoins une question essentielle : à quel moment une réponse convaincante devient-elle un travail sur lequel on peut réellement compter ?
Un devis n’est pas seulement un document
Dans le récit de Fabrice, l’échec concerne notamment les protections électriques et les sections de câbles. Nous ne disposons pas ici du dossier technique complet permettant de vérifier son diagnostic. Mais la distinction qu’il soulève dépasse largement cet exemple.
Un devis professionnel condense des informations, des décisions et des engagements. Il suppose de comprendre une demande, d’identifier ce qui manque, de choisir des prestations adaptées et de justifier les éléments retenus. Produire sa forme visible n’épuise donc pas le travail nécessaire à sa réalisation.
C’est aussi vrai d’un article, d’un montage vidéo ou d’une proposition commerciale. Un texte fluide peut déformer sa source. Une séquence séduisante peut rompre la continuité d’un film. Une offre bien présentée peut promettre une prestation impossible à fournir.
La difficulté tient précisément à cette apparence d’achèvement. Le document semble terminé avant que sa validité soit établie.
Transmettre les règles du métier
La proposition centrale de Fabrice consiste à rendre explicite la « logique métier » : les relations entre les informations, les conditions qui orientent une décision et les vérifications attendues.
Dans une proposition commerciale, par exemple, le budget influe sur le périmètre ; le périmètre détermine les moyens ; les moyens conditionnent le délai. Modifier une donnée peut obliger à revoir plusieurs autres choix.
Pour déléguer une telle tâche, il devient utile de préciser les sources à consulter, les contraintes prioritaires, les informations à demander et les critères d’acceptation du résultat. Donner un rôle au modèle — « tu es un expert » — ne suffit pas à établir ces garanties.
Il faut toutefois nuancer une formule récurrente de la vidéo : les erreurs ne proviennent pas nécessairement des seules instructions de l’utilisateur. Des limites du modèle, des documents ambigus ou des outils inadaptés peuvent aussi intervenir. Une méthode rigoureuse améliore les conditions de travail ; elle ne transforme pas toute défaillance en faute de celui qui formule la demande.
Les performances d’un test ont un périmètre
La vidéo mobilise ARC-AGI-3 pour discuter les capacités de GPT-6 Astra. Ce benchmark évalue des agents dans des environnements interactifs nouveaux : ils doivent explorer, inférer des objectifs et découvrir comment agir efficacement. C’est une épreuve d’adaptation, dont le périmètre diffère de celui d’une prestation professionnelle complète. Présentation officielle d’ARC-AGI-3.
Un score doit donc être lu avec ses conditions d’obtention : quel environnement, quels outils, quels moyens et quelles tâches ? Il ne suffit pas, isolément, à garantir la fiabilité d’un devis ou à trancher la question de l’intelligence artificielle générale.
Autre précision utile : Fabrice emploie l’expression « architecture GDPval ». Or, OpenAI présente GDPval comme une évaluation de tâches professionnelles, accompagnées de documents et de contexte, et non comme une architecture interne qui dicterait au modèle la manière d’exercer un métier. Présentation officielle de GDPval.
Ces distinctions permettent de conserver l’intérêt de son analyse sans reprendre toutes ses formulations techniques comme des faits établis.
Organiser l’information plutôt que tout accumuler
Une partie importante de la vidéo porte sur la mémoire. Fabrice critique l’idée qu’un vaste stock de documents suffirait à rendre un assistant compétent.
Sa méthode distingue trois ensembles : un plan durable, des informations temporaires pour l’étape en cours et des résultats validés à conserver pour la suite. L’enjeu consiste à retrouver ce qui sert effectivement à la tâche, au moment où cela devient nécessaire.
L’analogie avec un atelier est parlante. Posséder des centaines d’outils ne garantit pas de savoir réparer une pièce. Il faut reconnaître le problème, choisir le bon instrument et garder trace des essais utiles.
Pour un projet éditorial, cela pourrait signifier conserver séparément les références canoniques, les recherches provisoires et les décisions validées. Une ancienne proposition abandonnée ne devrait pas avoir le même statut qu’une consigne définitive.
La qualité de l’organisation compte autant que la quantité d’informations disponibles. Les réglages précis et le plugin évoqués dans la vidéo restent, eux, des propositions de l’auteur : la transcription seule ne permet pas d’en certifier le fonctionnement.
Vérifier sans transformer un test personnel en loi universelle
Fabrice rapporte aussi des essais portant sur le nombre de « variables » traitées simultanément. Il évoque un seuil de 128 variables et des niveaux de précision très élevés.
Ces résultats doivent rester attribués à ses expérimentations. Sans protocole détaillé, définition stable des variables et tests indépendants, ils ne permettent pas de fixer une limite générale de fiabilité. Deux dossiers contenant autant d’éléments peuvent présenter des difficultés très différentes.
L’idée d’introduire des relectures demeure intéressante. Mais demander au même système de relire son résultat ne constitue pas une validation indépendante. La vérification gagne à porter sur des critères observables : concordance avec une source, exactitude d’un calcul, présence d’une information indispensable ou respect d’une contrainte explicite.
Le véritable progrès serait alors de pouvoir expliquer pourquoi un résultat est acceptable, au-delà de l’assurance avec laquelle il est livré.
Qui paie le travail invisible ?
La vidéo invite enfin à examiner le coût des essais, de l’exploration et des reprises. La question mérite d’être élargie au temps humain consacré à préparer les données, corriger les erreurs et maintenir les procédures.
OpenAI reconnaît d’ailleurs, dans sa présentation de GDPval, que ses comparaisons de vitesse et de coût ne comprennent pas toutes les étapes de supervision, d’itération et d’intégration nécessaires en situation professionnelle. Limites des comparaisons GDPval.
Une automatisation doit donc être jugée sur le travail utilisable qu’elle produit. Combien de temps fait-elle gagner après vérification ? Quelles erreurs laisse-t-elle passer ? À quelle fréquence faut-il intervenir ?
Cette perspective pose aussi une question sociale. Lorsque le professionnel formalise son savoir pour qu’un système puisse l’exécuter, il accomplit lui-même un travail de transmission. Qui en conserve la maîtrise ? Qui bénéficie du gain obtenu ? Et quelle autonomie lui reste-t-il si les tarifs ou les conditions d’accès changent ?
Déléguer en gardant la capacité de juger
L’intérêt de cette vidéo réside dans son retour aux conditions concrètes du travail : des informations pertinentes, des règles explicites, une mémoire organisée et des résultats vérifiables.
Son discours conserve certaines promesses qu’il entend critiquer, notamment lorsqu’il qualifie le modèle d’AGI ou présente ses tests comme une démonstration très générale. Cette tension mérite de rester visible.
Pour Mat et le Web, la réflexion ouvre une voie exigeante : utiliser ces outils tout en conservant la connaissance du métier et la capacité d’évaluer leur production. L’autonomie se mesure aussi à ce que l’on demeure capable de comprendre, de corriger et de reprendre.
Que voulons-nous réellement déléguer à l’IA, et quels savoirs voulons-nous continuer à exercer pour garder la main sur notre travail ?
Sources
- Vidéo analysée — YouTube, à partir de la transcription fournie, jusqu’à 30 min 59 s. L’intervenant s’y présente sous le prénom de Fabrice ; ses essais et diagnostics sont rapportés comme tels.
- ARC Prize — Présentation d’ARC-AGI-3, pour le périmètre du benchmark.
- OpenAI — Présentation de GDPval, pour la nature de l’évaluation et ses limites.