Transcription
Je vais te révéler comment les influenceurs, les plus gros influenceurs ont bâti un empire économique gigantesque en utilisant une faille de ChatGPT. Ces mêmes influenceurs vendent du consulting, des prompts, des formations et apparaissent même dans des talk-shows tels que BFM ou des conférences.
Ce que je vais te révéler va faire trembler le monde des influenceurs. Tout simplement parce qu'ils ont essayé de stopper mon contenu, ma chaîne, ils m'ont même menacé. Pour cela, si tu te rends compte d'une chose, que les prompts, les formations que tu as faites ne fonctionnent pas, que tu n'arrives pas à faire travailler, partage cette vidéo, partage ce contenu. N'oublie pas de liker, de commenter et surtout de t'abonner.
Ce que je veux, c'est éveiller les personnes entre le discours marketing et aujourd'hui les compétences réelles qu'il faut avoir. Va jusqu'au bout de cette vidéo et ta façon de voir les choses te permettra en 2026 d'avoir une longueur d'avance sur tous les autres. Différence entre ceux qui exploitent le plein potentiel de ChatGPT et ceux qui effleurent la surface, c'est clairement l'art des prompts. Ce qu'on appelle aussi du Prompt Engineering.[1][2] Dans cette vidéo, j'aimerais vous donner toutes les méthodes pour que vous puissiez devenir un expert ChatGPT.
Le problème, c'est qu'est-ce qu'on a fait du Prompt Engineering ? On a fait ça. Je vais dire, tu es Jeff Bezos, le fondateur d'Amazon. Et ensuite, un exemple plus bien-être, tu es un grand maître Yogi. Voilà, là on a déconné. Là, on a commencé à sérieusement déconner avec l'intelligence artificielle.
Allez, on va s'intéresser à des influenceurs qui ont des formations high ticket 3000 €, qui vendent des formations sur l'automatisation, les agents IA et le code. Cas d'usage que vous pourriez utiliser, je vais faire comme si j'étais quelqu'un qui travaillait dans l'agence SEO qui s'appelle Eskimos. Justement pour prendre ça comme exemple et dire, "Je travaille dans l'agence SEO Eskimos. Fais-moi une étude de marché complète sur mes concurrents." Et donc là ici, on va utiliser Deep Research. Donc là, ça prend un peu plus de temps, ça prend une dizaine de minutes. Et pendant que ça réfléchit, en fait, une des choses qui est intéressante, c'est que vous voyez justement les recherches qui sont faites. On vous dit, tu tapes une phrase magique, tu obtiens un résultat incroyable sans effort et là tu factures 7000 €. Et quand tu achètes les formations, tu as 3000 € derrière et tu te dis, "Non, c'est pas possible." Et là, je me dis, "Mais les gars, réveillez-vous, réveillez-vous." Si c'était aussi simple, je vous le dis. En toute honnêteté, ce n'est pas vrai. Réveillez-vous pour votre bien.
On a l'étude avec justement les parts de marché et cetera. On a la croissance annuelle du secteur. On a l'écosystème, les évolutions tarifaires et cetera. On a des charts, chaque entreprise qui est comparée, il y a plus de 73 sources qui sont recoupées. Et essayez de vendre ce type d'audit, hein. Vous n'hésitez pas, vous prenez le téléphone, vous dites sur LinkedIn, franchement, je sais taper une phrase sur ChatGPT, je fais-moi une étude de marché complète et aujourd'hui, je te le facture 8000 €. Ouais, vas-y. Allez, chiche. Et on te dit aujourd'hui qu'avec une phrase comme ça, tu sors une étude de marché complète. Ça, si tu veux, le fossé avec lequel aujourd'hui, pour moi, on a enfoncé la machine à pognon sur le marketing du business de l'IA.
Dans cette vidéo, je vais vous expliquer pourquoi les prompts qu'on vous a appris ne marchent pas. ChatGPT, comment ça fonctionne ? Qu'est-ce qui se passe au moment où vous envoyez un prompt ? Texte, je vous explique. ChatGPT dispose d'un système neuronal. Ce système neuronal, un Generative Pre-trained Transformer.[3] Il va décomposer l'ensemble du texte en séquence de tokens. ChatGPT ne comprend pas les mots, il incorpore des tokens. Mais qu'est-ce que ça veut dire concrètement ? Il va donc découper vos mots en petite séquence. Ces séquences vont être comparées dans ce qu'on appelle un espace vectoriel. En fait, toute la connaissance de ChatGPT a été modélisée en coordonnées mathématiques. Il va appliquer des fonctions mathématiques pour les représenter dans un système multidimensionnel. Imaginez que chaque mot est relié aux autres mots en fonction de leur position sémantique. Si les mots appartiennent à des concepts rapprochés, ils vont se retrouver proches dans l'espace. Et ça, ce sont des coordonnées mathématiques. ChatGPT ne voit pas les mots, mais il se représente que ce que vous êtes en train de demander à ce qu'on appelle un espace dimensionnel vectoriel, la database de connaissance de l'IA. Et c'est ça qui lui permet de distinguer de quel sujet vous êtes en train de parler. En fonction des mots que vous allez choisir, jouer le rôle d'un cuisinier, d'un enseignant ou tout. Est-ce que ChatGPT comprend ce que vous êtes en train de lui demander ? Est-ce que ChatGPT pense ? Est-ce que ChatGPT comprend ce que vous êtes en train de lui dire ? Est-ce qu'il est capable de raisonner ?
L'étude d'Apple qu'on avait montré dans la vidéo précédente, si vous ne l'avez pas vu, allez la regarder, nous a permis de comprendre que l'IA, c'est un système qui n'a pas la capacité de raisonner et qui présente en plus des niveaux de performance qui dépendent du type de modèle. Des modèles, il y en a sensiblement trois modèles chez OpenAI.[3] Les modèles à réponse immédiate qui ne peuvent pas prendre un certain nombre de variables en simultané. Imaginez avec ce prompt, on a simplement demandé une recette de pâtes. Mais si cette recette de pâtes devient de plus en plus complexe, vous allez vous dire, "Mais j'ai mis beaucoup plus de détails. Il y a un rôle détaillé, un objectif détaillé, énormément de chaînes de pensée. Ça doit être un prompt parfait." La science nous apprend que les modèles en fait ont une limite, une limite du nombre de variables qu'elles arrivent à gérer dans une seule requête.
On va utiliser la capacité du système neuronal de ChatGPT pour comprendre ce qui se passe au moment où tu vas envoyer un prompt. Tout le réseau de neurones va s'activer et les différentes couches ont des fonctions différentes. Ils ne vont pas extraire les mêmes informations et ils vont permettre de se faire une représentation de ce que tu veux dire. Le modèle va décoder le sens explicite et le sens implicite des mots. Pour comprendre ta phrase, il va regarder chaque mot, son emplacement et où est-ce qu'il se trouve par rapport aux autres mots. C'est une loi de distribution. Il va donc construire une matrice et cela pour chaque phrase et chaque paragraphe. Ça veut dire que le coût de calcul est colossal et c'est pour ça qu'il y a des limites de compréhension du modèle. Le plafond 20000 tokens. À partir de cette étape, on s'est rendu compte que les modèles n'étaient plus capables vraiment d'être meilleurs. On avait donc atteint un seuil que cette méthode de prompter ne permettra pas de résoudre toutes les situations. Et là, tu vas toucher un autre seuil, la capacité du modèle à gérer ce qu'on appelle le nombre maximal de jetons d'entrée et donc la cohérence des contextes. Il y a à la fois un problème de longueur et à la fois un problème d'attention. Imagine lorsque tu envoies une seule phrase, le modèle peut prendre son temps et comprendre. Mais lorsque tu as envoyé plusieurs documents, des dizaines de pages, ça devient compliqué. Cette limite, la voici. Plus il y a d'aiguilles dans une botte de foin, plus tu vas rechercher des éléments à l'intérieur d'un contexte, plus le contexte va être difficile pour le modèle à être retenu et être compris. Ce qui veut dire plus tu envoies de documents et plus tu envoies des demandes complexes, moins le modèle va être performant. Et ça, ça réduit jusqu'à 60 % la performance de ChatGPT 5.2. Pareil pour tous les modèles, que ce soit Anthropic, DeepSeek ou autres. Tu te rends compte, un prompt fonctionne toujours mieux en début de discussion que après plusieurs échanges avec l'IA.
La plus grosse faille de ChatGPT, c'est ça. Lorsque tu lui poses une question et que tu vois que le modèle te répond, tu as l'impression qu'il comprend ta question. Or, c'est une distribution de probabilité. Si tu vas rechercher une information qui est contenue à l'intérieur des données d'entraînement du modèle, tu peux utiliser un langage ordinaire. Mais si le même sujet, aller rechercher un vol d'avion devient une action et que tu poses cette question à Gemini 3 ou à ChatGPT, qu'est-ce qui se passe ? Exactement la même chose. Le modèle va te répondre. Le problème, c'est que dans un des deux cas, ça ne va pas marcher et tu sais pas pourquoi. Je t'explique. Gemini est configuré pour faire un appel d'outil qui va se connecter à un système qui répertorie tous les services d'aéroport. Dans ce cas-là, tu vas réellement obtenir l'information que tu recherches et tu pourras même réserver ton vol. ChatGPT va te répondre. Le problème, c'est qu'il faut que tu imagines une IA comme un système de distribution de probabilité. Lorsqu'il ne connaît pas, il va rechercher sur internet. Si sur internet, il ne dispose pas de l'information, le modèle ne va pas te dire, "Je ne suis pas en mesure de faire cette tâche." Il va te répondre en te disant, "Tu as des vols, voici le niveau de prix." Le modèle ne connaît pas ce qu'on appelle le niveau d'incertitude. Qu'est-ce qui se passe ? Il n'y a pas un modèle qui est meilleur que l'autre. Il y a deux types d'architecture complètement différentes. Mais ce qui s'est passé dans un cas, Gemini est entraîné pour résoudre cette problématique, une problématique très banale, retrouver un vol d'avion avec des horaires et des prix en ayant une logique qui a été entraînée et il a donc des outils pour le faire. ChatGPT ne l'a pas. Qu'est-ce qui se passe ? Il ne va même pas commencer à trouver une réponse au problème. Il va décrocher complètement sur le système. C'est exactement ce qui se passe sur les modèles de raisonnement. Ils se rendent compte qu'ils n'ont pas l'information, qu'ils ne sont pas entraînés pour faire ça. Ils décrochent, mais le problème, c'est qu'ils te répondent et ça, c'est la faille la plus énorme qu'on a sur toutes les IA.
La conséquence, quels sont les meilleurs investissements à faire si je voulais acheter un hélicoptère et un avion et je voulais monter un aéroport, c'est que tu peux lui demander à peu près n'importe quoi, mais n'importe quoi et le modèle, il va te répondre et ça, c'est le problème. Alors, qu'est-ce qu'il faut faire ? Les influenceurs ont voulu trop simplifier le sujet. On se demande parfois s'ils ont vraiment travaillé le sujet de l'IA et du prompt engineering. Si aujourd'hui, tu veux utiliser l'intelligence artificielle pour faire exécuter des tâches métier, la première étape à comprendre les intelligences artificielles, c'est une distribution de probabilité. La structure du prompt, ce que tu vas marquer comme type de structure va permettre de plus ou moins cadrer la probabilité de réponse d'un modèle. Et avec les structures de prompt que tu utilises, du texte, du Markdown, du YAML, tu ne pourras pas dépasser 40 % de reproductibilité dans les structures prompts. Donc, ce n'est pas la structure de ton prompt qui va faire que tu auras un prompt parfait. Ça, c'est la première chose à comprendre.
Les influenceurs sont arrivés avec des nouvelles méthodes de prompting, des prompts qui semblent beaucoup plus professionnels et là, c'est le drame. Ma transition, mon contexte, la tâche et le rôle. Et là, j'ai rajouté des éléments de format. Je veux par exemple des éléments en Markdown, 400 à 600 mots et une structure avec la vision, la matrice des cas d'usage, conformité éthique, analyse des risques et des indicateurs de succès. Et là, regardez, résumé exécutif, la vision stratégique, la matrice des cas d'usage prioritaires avec des différents niveaux de potentiel, la gouvernance, analyse des risques. Et là, c'est le drame. Vous avez des experts en consulting qui vous expliquent qu'en donnant ce type de prompt à une IA, on va être en mesure d'avoir un responsable de la sécurité des systèmes d'information et expert éthique algorithmique pour des comités de direction d'une banque internationale pour une vision stratégique non expert technique en codage en cryptographie. Reprenez le film de l'histoire. Ce n'est pas la structure de ton prompt qui permettra de transformer une tâche que le modèle ne peut pas accomplir en une tâche métier. Ce n'est pas parce que rédiger le prompt parfait au format RCT ou au format Cartel si tu continues à croire que c'est une formule magique et que tu n'intègres pas la compréhension de la surcharge neuronale des modèles. La compréhension que travailler sur ChatGPT, Llama ou Anthropic comme l'a montré cette étude qui a étudié plus de 5000 prompts sur différents modèles. On ne peut pas prompter de la même manière entre les modèles.[4] On a des scores qui sont différents. Il faut donc connaître tes modèles, que la manière de prompter aujourd'hui des êtres humains, le choix qu'ils ont fait dans la manière de rédiger les instructions fait perdre en moyenne 18 % à 20 % de la précision sur les modèles. Les prompts que tu vas générer avec des architectures Transformers ne sont pas applicables à des architectures de manière directe comme des systèmes MoE et encore moins des prompts qui vont être sur des systèmes quantifiés. Les domaines en fait de l'IA, ce n'est pas une recette magique comme ils vous ont vendu sur les réseaux sociaux avec le prompt parfait et le prompt pour les gouverner tous.
Si tu veux commencer à cadrer le fonctionnement d'une IA avant de passer au système agentique, il faut que tu t'intéresses à cet article, comprendre les capacités de raisonnement et de saturation des systèmes neuronaux des IA et définir quel type de format tu dois utiliser dans ton prompt pour cadrer la probabilité de réponse d'un modèle. Ça, c'est les trois premières étapes et c'est exactement ce que je t'apprends à faire dans les formations. C'est ce que je te propose de passer d'un niveau qu'on appelle des LLM de complétion dans lequel la première partie, c'est savoir gérer la capacité brute des modèles de savoir activer et configurer les outils. Après, tu passes au système de raisonnement, mais ce sont toujours des systèmes de complétion. Le point de départ, c'est le cadrage des probabilités de sortie d'un modèle. Une fois qu'on a fait ça, on peut passer au système agent. Oublie complètement les histoires de prompt parfait. Tu as compris aujourd'hui que les modèles d'IA répondent à des instructions structurées de manière différente qui dépendent également du type de benchmark que tu vas utiliser et qu'il faut toujours prendre en compte la surcharge des étapes d'exécution des systèmes neuronaux pour ne pas saturer la capacité de raisonnement d'un modèle et que un modèle ne sera jamais en mesure de te dire, "Je ne suis pas aujourd'hui en mesure de répondre à ta question." Il va te répondre et il va automatiquement t'induire en erreur. Et ça, c'est la plus grosse faille sur laquelle l'écosystème du marketing de l'intelligence artificielle a été basé.
Si tu veux apprendre à utiliser l'IA, rendez-vous dans les formations.[3] Sinon, va regarder les articles que je te propose à découvrir dans le domaine de la.