La personnalité de votre IA est tout aussi importante que son QI — et fera ou détruira le déploiement d’entreprise

La plupart des entreprises choisissent encore les modèles d’IA en fonction des benchmarks. Dans la pratique, ce n’est rarement ce qui détermine si ces systèmes fonctionnent vraiment.

Jusqu’à présent, la plupart des conversations autour des grands modèles de langage dans les environnements d’entreprise ont été dominées par les benchmarks. Les équipes sont attirées par les performances mesurables, telles que quel modèle est le plus intelligent, le plus fort en codage, le plus précis en résumé ou en raisonnement mathématique.

Mais à mesure que les équipes commencent à aller au-delà de la phase d’expérimentation et à plonger dans un déploiement réel à grande échelle, d’autres facteurs importants, qui sont largement négligés par la plupart des PDG, se révéleront tout aussi cruciaux pour le succès d’une entreprise.

L’embauchabilité de l’IA

L’intelligence brute et la capacité d’analyse sont évidemment importantes, mais la variable la plus sous-estimée dans le déploiement de l’IA d’entreprise est la personnalité. La personnalité, dans le contexte des grands modèles de langage, fait référence à la voix, au ton et au comportement constants que le modèle transmet à travers les interactions. C’est ce qui rend un IA cohérent et fiable.

Lors de la mise en œuvre de l’IA, les entreprises doivent adopter la même approche qu’elles utiliseraient pour embaucher un employé humain : évaluer non seulement la capacité du modèle à effectuer une tâche, mais également son attitude envers le travail, sa façon de communiquer et sa façon de s’intégrer dans le flux de travail plus large.

La capacité d’un modèle à maintenir la cohérence, à répondre de manière appropriée et à gérer les nuances dans différents contextes peut avoir un impact significatif sur les résultats commerciaux. Un IA techniquement brillant qui répond lentement, dévie dans le ton ou gère mal les interactions nuancées peut être mal appliqué par les entreprises, frustrant les utilisateurs, réduisant l’engagement et finalement réduisant l’efficacité de l’IA et le succès de l’entreprise.

Ceci est particulièrement important dans des secteurs tels que le support client, la sensibilisation politique ou les communications internes, car de subtiles variations de ton ou de formulation entre les réponses peuvent causer de la confusion, éroder la confiance et réduire l’engagement global. Comme pour les humains, il n’y a pas de modèle idéal qui surpasse la concurrence dans toutes les catégories. Certains modèles sont meilleurs pour effectuer des tâches analytiques comme la programmation ou les mathématiques, tandis que d’autres sont nettement meilleurs pour la rédaction conversationnelle et la synthèse de réunions.

Mais un défi pour les équipes qui construisent sur ces systèmes est que ces caractéristiques ne sont pas fixes.

Une cible mobile

Le paysage de l’IA évolue plus rapidement que la plupart des organisations ne peuvent suivre. De nouvelles versions sont publiées fréquemment, et les caractéristiques de performance peuvent changer d’une mise à jour à l’autre. La série de modèles Gemini de Google est un exemple récent.

Gemini 2.0 Pro a été publié en février 2025 et a immédiatement été présenté comme le modèle phare pour les développeurs et les entreprises qui l’utilisaient pour la programmation et les invites complexes dans le monde entier.

Il est venu avec ce qui, à l’époque, était la plus grande fenêtre de contexte que Google ait jamais offerte, avec deux millions de jetons, ce qui lui a donné la capacité d’analyser et de comprendre de vastes quantités d’informations en une seule fois, tout en étant capable d’utiliser des outils comme Google Search et même d’écrire du code.

Pour les équipes qui construisent des systèmes qui doivent traiter de grandes quantités de données rapidement et avec précision, il semblait être le choix évident. Mais en quelques semaines, Google a publié Gemini 2.5 Pro, qui a immédiatement dépassé son prédécesseur avec des améliorations dans la programmation, les mathématiques et la science.

En une nuit, le modèle qui venait d’être le meilleur choix sur le marché était déjà dépassé, moins de deux mois après son lancement. Mais les premiers adoptants ont immédiatement remarqué que les changements n’étaient pas seulement incrémentiels ou analytiques — la personnalité entière de Gemini avait été modifiée en une nuit. Plusieurs développeurs sont allés jusqu’à dire que l’IA agissait comme si elle avait été “lobotomisée” après sa mise à jour.

Ils se sont plaints que l’IA semblait être, littéralement, “devenue plus bête” — produisant constamment des réponses plus lentes, des sorties moins cohérentes et montrant des incohérences dans la façon dont elle gérait les invites qu’elle n’avait auparavant aucun problème et les tâches qui semblaient fluides sont devenues rigides.

Et c’est là que la stratégie d’une entreprise autour du déploiement de l’IA commence à fondamentalement changer.

Au-delà des benchmarks

Sur le papier, Gemini 2.5 Pro devrait avoir été le vainqueur évident avec ses améliorations considérables en termes de capacité et de sécurité.

Mais dans la pratique, ces changements ont complètement modifié la fiabilité du modèle, son comportement, sa réponse aux invites et, à leur tour, ont renvoyé les équipes qui venaient de dépenser une fortune et de passer des heures à construire autour de ces systèmes à la case départ si les nouvelles capacités du modèle ne correspondaient pas à leur pipeline existant.

Même de petits changements de comportement peuvent perturber les systèmes construits autour de la cohérence et de la prévisibilité. Cela crée un risque opérationnel réel si une entreprise est étroitement liée à un seul modèle, car toute mise à jour peut introduire une instabilité immédiate dans les équipes qui s’appuient sur ces systèmes.

Pour contrer cela, de nombreuses entreprises visionnaires ont commencé à mettre en œuvre une stratégie multi-modèle où elles acheminent différentes tâches vers les modèles les mieux adaptés à celles-ci, plutôt que de s’appuyer sur un seul modèle pour gérer tout.

Cette approche non seulement améliore les performances adaptées à chaque tâche, mais réduit également le risque associé à la mise en œuvre de l’IA, car si un modèle se dégradait après une mise à jour, il ne ferait pas tomber l’ensemble du système qui s’appuie sur lui avec lui, car il y a des sauvegardes disponibles.

Simplement put, la personnalité et la fiabilité de l’IA sont tout aussi importantes que son intelligence brute lorsqu’il s’agit d’appliquer le modèle dans un environnement de travail pour effectuer diverses tâches. Ce changement de pensée représente un changement fondamental dans la façon dont les entreprises ne sont plus simplement en train d’acheter un “outil plus intelligent”, mais plutôt en train de construire et de gérer un système d’infrastructure numérique entier.

Afin que les entreprises ne survivent pas seulement, mais prospèrent dans le paysage commercial d’aujourd’hui, les équipes doivent établir des pipelines qui peuvent basculer entre différents modèles en fonction de la tâche et surveiller constamment comment les mises à jour affectent à la fois les performances et la qualité d’interaction.

Finalement, les modèles eux-mêmes continueront à évoluer à un rythme difficile à suivre. Mais les entreprises qui planifient le changement, construisent la redondance et traitent l’IA à la fois comme un outil et comme un partenaire seront celles qui transformeront ces changements rapides en avantage concurrentiel.