Optimiser l'utilisation de ChatGPT au sein des entreprises : Guide pratique

Dans la plupart des entreprises que je croise, ChatGPT est déjà entré par la fenêtre. Personne n'a signé de contrat, personne n'a arbitré quoi que ce soit : un commercial a collé un compte rendu de réunion dans la fenêtre de discussion pour en tirer un résumé, ça a marché, il l'a dit à deux collègues, et six mois plus tard la moitié du service s'en sert tous les jours sans que la direction en sache grand-chose. C'est le scénario le plus courant, et c'est aussi le pire, parce qu'il additionne les usages sans jamais poser la question des limites.

L'outil est utile sur certaines tâches, avec un gain qui se mesure en heures par semaine et pas en pourcentages inventés. Il est aussi capable de produire, avec un aplomb parfait, une réponse fausse dans un dossier client. Les deux affirmations tiennent ensemble, et un guide honnête doit dire où passe la ligne.

Là où ça marche vraiment

Le point commun de tous les bons usages : vous fournissez la matière, l'outil s'occupe de la forme, et vous êtes capable de juger le résultat en dix secondes. Reformuler un e-mail trop sec avant de l'envoyer à un client mécontent. Transformer des notes de réunion en compte rendu structuré. Traduire un document interne dans un anglais correct quand personne dans l'équipe n'a le niveau pour le faire vite. Produire dix variantes d'un objet d'e-mail pour en garder une. Écrire la première version d'une fiche de poste que le responsable RH va ensuite corriger de fond en comble.

Dans le développement, l'usage est encore plus net : expliquer un bout de code hérité que plus personne ne comprend, écrire des tests unitaires ennuyeux, convertir un format de données dans un autre. Le développeur voit tout de suite si ça compile et si ça passe. Le retour est immédiat, donc l'erreur ne survit pas.

Le fil conducteur, c'est le brouillon. L'outil fait gagner du temps sur la page blanche, pas sur la décision finale. Une équipe qui passait quarante minutes à rédiger une proposition commerciale en passe quinze, dont dix à relire.

Là où ça rate, et pourquoi

Les échecs sont plus intéressants que les réussites, parce qu'ils se ressemblent tous. Un modèle de langage produit du texte plausible. Il ne consulte pas votre base de données, il ne connaît pas votre grille tarifaire, il n'a aucune idée du contenu réel de votre convention collective. Quand on lui demande un chiffre qu'il n'a pas, il en fabrique un qui a l'air juste.

J'ai vu passer une note interne citant un article de loi qui n'existait pas, avec un numéro parfaitement crédible. Personne n'avait vérifié parce que le texte était bien écrit. La qualité de la forme sert de caution à celle du fond, alors que les deux n'ont aucun rapport.

Les tâches à éviter forment un ensemble assez cohérent. Tout ce qui exige un chiffre exact tiré de vos systèmes. Tout ce qui engage juridiquement l'entreprise sans relecture d'un juriste. Tout ce qui suppose de connaître un contexte interne que le modèle n'a pas. Et tout ce qui doit être vrai plutôt que vraisemblable, dans un domaine où personne dans la boucle n'a les compétences pour repérer une erreur.

Ce qui sort de l'entreprise quand quelqu'un tape un prompt

C'est le sujet dont on parle le moins et qui coûte le plus cher. Chaque texte collé dans une interface grand public part sur des serveurs qui ne vous appartiennent pas. Un contrat en cours de négociation, une liste de clients, un bilan avant publication, le dossier médical d'un salarié : tout cela sort du périmètre de l'entreprise au moment où on appuie sur Entrée.

Les offres professionnelles se distinguent des offres grand public sur ce point précis, avec des engagements contractuels sur la non-réutilisation des données pour l'entraînement et sur la localisation du traitement. Ces engagements existent, ils sont écrits, et ils ne sont pas les mêmes d'une formule à l'autre. Lire ces conditions avant de déployer prend une demi-journée à un juriste et évite des conversations pénibles avec la CNIL.

Le RGPD ne disparaît pas parce que l'outil est pratique. Dès qu'un prompt contient une donnée personnelle identifiante, on est dans le champ du règlement, avec les obligations qui vont avec : base légale, information des personnes, durée de conservation, sous-traitance encadrée. Un candidat dont le CV a été résumé par ChatGPT a des droits sur ce traitement.

Vérifier sans y passer plus de temps qu'à écrire

Une vérification systématique ligne à ligne annule le gain. L'approche qui tient dans la durée consiste à calibrer l'effort de relecture sur le risque. Un e-mail interne de relance : lecture rapide, ça suffit. Une réponse à un appel d'offres : relecture complète par quelqu'un qui connaît le dossier. Un document destiné à un client, une administration ou un tribunal : le nom de la personne qui a validé doit apparaître quelque part.

Deux réflexes valent tous les protocoles. D'abord, tout chiffre, toute date, tout nom propre et toute référence normative se vérifie à la source, systématiquement, sans exception. Ensuite, quand la réponse porte sur un sujet technique que vous ne maîtrisez pas, posez la même question deux fois en la formulant autrement : des réponses divergentes signalent que le modèle improvise.

Encadrer sans interdire

L'interdiction pure ne marche pas. Elle déplace simplement l'usage vers les téléphones personnels, hors de tout contrôle, ce qui aggrave exactement le risque qu'on cherchait à réduire. Une note de service qui bannit l'outil produit du shadow IT, pas de la conformité.

Ce qui fonctionne tient en peu de choses. Une page, pas dix, qui dit ce qui est autorisé, ce qui est interdit, et à qui on pose une question en cas de doute. Un compte professionnel fourni par l'entreprise, pour que les gens n'utilisent pas leur compte personnel. Une session de formation d'une heure, avec des exemples tirés du métier des participants plutôt que des généralités sur l'intelligence artificielle. Et un référent identifié par service, qui n'est pas forcément à la DSI : souvent, la personne la plus utile est celle qui s'est déjà formée toute seule.

Mesurer, mais pas n'importe quoi

Les indicateurs de productivité liés à l'IA sont souvent du théâtre. Compter les prompts par salarié ne dit rien : quelqu'un qui pose une bonne question obtient sa réponse du premier coup. Le nombre de comptes actifs mesure la curiosité, pas la valeur créée. Les signaux utiles sont plus lents : le délai moyen de réponse à une demande client, le temps passé le soir à rédiger des propositions, la tension au support à volume égal. Ces questions se posent au bout de six mois.

Ce résultat est acceptable. Un gain de confort de rédaction pour cinquante personnes vaut son abonnement, même sans courbe de productivité à montrer au comité de direction. Le problème commence quand on a promis une transformation et qu'il faut inventer des chiffres pour la justifier.

Ce qui reste vrai dans deux ans

Les modèles changent vite, les interfaces aussi, et une bonne partie des conseils techniques publiés sur le sujet vieillissent en quelques mois. Deux choses résistent. La première : la responsabilité de ce qui sort de l'entreprise reste humaine, quel que soit l'outil qui a produit le texte. La seconde : la valeur d'un usage se mesure à la capacité de celui qui l'emploie à juger le résultat.

Une entreprise qui a compris ces deux points peut changer d'outil sans rien changer à ses règles. Celle qui a bâti son organisation autour d'un fournisseur devra tout reprendre à la prochaine bascule.