Notes: Accueil. Annoncer le fil rouge : « aujourd'hui, on ne parle pas de comment marche l'IA, mais de comment on en fait un produit que les gens utilisent, auquel ils font confiance, et qui rapporte plus qu'il ne coûte. »

Notes: 5 blocs, 2 démos live sur la page interactive (calculateur ROI et arbre de décision). Prévenir : 5 exit tickets jalonnent la session.

Notes: 3–4 réponses max. Typiquement : chatbot qui tourne en rond, réponses fausses affirmées avec aplomb, pas de moyen de parler à un humain. Garder ces exemples visibles : ils illustrent les blocs 2 et 5.

Notes: RAG = Retrieval-Augmented Generation (génération augmentée par récupération). Marteler : la question technique est légitime, mais elle vient en **second**. La techno la plus impressionnante n'est pas la plus utile.

Notes: Cas composite mais représentatif. Le coût n'est pas que financier : 6 mois de retard sur le vrai besoin. Question au groupe : « qu'aurait-il fallu faire au jour 1 ? » (Réponse : parler aux utilisateurs avant de coder.)

Notes: Contraste avec les produits « AI-powered » comme argument marketing sans valeur. Transition : « si l'IA est un moyen, encore faut-il gérer son défaut majeur : elle se trompe. »

Notes: C'est LA différence avec le logiciel classique (déterministe). Un bouton « enregistrer » marche ou plante. Une réponse d'IA peut être *plausiblement fausse*. Toute l'UX découle de ça.

Notes: UX = User Experience (expérience utilisateur). Exemples slide suivante. « Dégradation gracieuse » : si le service IA tombe, l'utilisateur doit pouvoir continuer en manuel — jamais d'écran mort.

Notes: OCR = Optical Character Recognition (reconnaissance optique de caractères). Point commun : l'incertitude est **visible et actionnable**, jamais cachée. Question 2 du quiz porte là-dessus.

Notes: Le dernier point est subtil : afficher « confiance : 0,87 » ne parle à personne. Préférer des codes simples : vert / orange / « à vérifier ». Reprendre les frustrations récoltées slide 3 — la plupart rentrent dans ces cases.

Notes: Dessiner au tableau. Définitions nettes : *automatisé* = l'IA agit seule ; *approbation* = rien ne s'exécute sans validation préalable ; *override* = l'IA agit, l'humain surveille et peut annuler ; *manuel* = l'humain fait, l'IA assiste.

Notes: Exercice participatif : proposer d'autres cas (virement suspect, tri de CV, réponse client) et faire voter le groupe sur la position. Exit ticket n°1 juste après : virement frauduleux → approbation humaine.

Notes: Point souvent oublié : la position n'est pas figée. Le taux d'escalade (bloc suivant) est justement l'instrument qui dit si on peut déplacer le curseur.

Notes: Chaque condition : *volume* (la tâche revient assez souvent pour amortir l'effort), *tolérance* (une erreur se rattrape sans catastrophe), *rétroaction* (on sait mesurer si l'IA fait bien, et le signal alimente l'amélioration).

Notes: Exercice inverse avec le groupe : « donnez une tâche de votre métier, testons-la contre le triangle ». 2–3 tours. C'est l'exercice 1.1 du dossier d'exercices — et l'exit ticket n°4.

Notes: Insister sur le premier cas, le plus sournois : le produit « marche » au lancement puis se dégrade en silence. D'où le bloc métriques qui suit.

Notes: Le taux d'escalade est le canari dans la mine : il monte souvent **avant** que les plaintes n'arrivent. « Temps gagné » : méfiance envers le déclaratif — les utilisateurs surestiment ou sous-estiment ; mesurer les horodatages réels.

Notes: Faire chercher le groupe : mise à jour du prompt/modèle qui a dégradé un cas d'usage, nouveau segment d'utilisateurs aux besoins différents, dérive des données d'entrée… Action : comparer les cas escaladés avant/après, rollback si besoin. C'est l'exit ticket n°2 (écrit, 3 min).

Notes: Test A/B = comparer deux variantes sur des populations distinctes. Rappels méthodo : significativité statistique (un écart sur 40 utilisateurs ne prouve rien), une seule variable à la fois, déploiement progressif. Question 6 du quiz.

Notes: API = Application Programming Interface (interface de programmation). ⚠ Les tarifs API évoluent vite — donner des ordres de grandeur « au moment où je parle » et montrer les pages de tarifs officielles. Le coût le plus sous-estimé : la **supervision humaine** — un produit à 82 % de précision garde 18 % de traitement manuel.

Notes: ROI = Return On Investment (retour sur investissement). Démo en direct : saisir les valeurs, montrer l'économie mensuelle et le point d'équilibre (breakeven). Puis jouer : « que se passe-t-il si la précision tombe à 60 % ? » → montrer que la précision pèse plus que le coût API. C'est le cœur de l'exercice 2.

Notes: C'est la conclusion attendue de l'exercice 2.4. Corollaire produit : investir dans l'amélioration de la précision (meilleurs prompts, meilleures données) rapporte plus que changer de fournisseur pour 20 % moins cher.

Notes: Fine-tuning = affinage d'un modèle existant sur ses propres données. Build from scratch = construire depuis zéro. Ordre de lecture important : on descend l'arbre, on ne saute pas d'étage. « Buy » est le défaut ; les deux autres se justifient sur preuve.

Notes: ML = Machine Learning (apprentissage automatique). Démo : onglet « Arbre de décision » de la page interactive — faire répondre le groupe pour 2 scénarios : classification de courriels internes (→ buy), détection de fraude propriétaire à très fort volume (→ fine-tune, voire build si le modèle est l'avantage concurrentiel).

Notes: PME = Petite et Moyenne Entreprise. Réponse attendue : **buy** — une API + un prompt structuré avec les gabarits de devis suffit ; le fine-tuning ne se justifierait qu'avec un volume élevé et une spécificité prouvée après essai. Si quelqu'un défend fine-tune, demander : « avec quelles données ? à quel coût ? pour gagner quoi ? »

Notes: Anti-exemple : l'assistant qui affirme sans citer → la confiance s'effondre à la **première** erreur détectée, et ne revient pas. La correction utilisateur ferme la boucle de rétroaction du triangle de la valeur — tout se rejoint.

Notes: Relier aux frustrations de la slide 3. Transition vers l'IA responsable : « la confiance de l'utilisateur, c'est une chose. La responsabilité vis-à-vis des personnes affectées, c'en est une autre. »

Notes: RGPD = Règlement Général sur la Protection des Données. CV = Curriculum Vitae. Le test du prénom est réel (études sur les biais de tri de CV). L'exercice 3 est un audit complet d'un cas de ce type — l'annoncer ici. Non négociable même si le timing est serré.

Notes: 90 secondes par cas. Pour chacun, faire nommer par le groupe : position sur le spectre human in the loop, et validation du triangle de la valeur. Point commun des trois : **l'IA fait le premier jet, l'humain garde la décision.

Notes: Distribuer les deux derniers exit tickets. Rappeler que la page interactive est réutilisable sur leurs propres projets — c'est l'outil, pas juste le support de cours. Clôture.