Briser le cycle : Comment les organisations peuvent éviter le Doomprompting et atteindre le succès

Depuis son concept théorique dans les années 1950, l’intelligence artificielle (IA) a ouvert la voie aux entreprises pour expérience améliorée et productivité grâce à diverses techniques, en particulier les systèmes d’apprentissage automatique. Ces outils/technologies ont amélioré la prévision et la prise de décision, jetant les bases pour les progrès techniques futurs. Récemment, l’IA générative a promis de bouleverser tout ce que nous savons sur le travail et a démocratisé l’expérience de l’IA. Les utilisateurs interagissent maintenant avec des modèles d’IA comme ChatGPT, via la « promptisation », où l’on interagit avec un modèle d’IA. Cependant, ces avantages sont également accompagnés d’un nouveau défi : le Doomprompting. C’est l’équivalent du défilement infini de contenu en ligne, sans objectif défini, piégeant les utilisateurs dans des trous de lapin. Avec l’IA, cependant, le trou de lapin répond. Cette action de raffinement continu de la promptisation pour les modèles génératifs et agents, motivée par l’ambition d’obtenir la sortie parfaite (et parfois par la promptisation sans objectif spécifique), conduit à des coûts accrus et à des rendements décroissants. Cela crée un obstacle majeur à la réussite et contredit l’objectif de l’utilisation de la technologie d’IA elle-même.

À mesure que les entreprises augmentent leurs budgets liés à l’IA, les décideurs doivent comprendre le chemin vers de véritables rendements sur leurs investissements et quelle est la valeur qu’ils génèrent. Un rapport de 2025 de l’IEEE, ‘Les coûts cachés de l’IA: Comment les petites inefficacités s’accumulent‘, montre comment les ajustements mineurs peuvent s’accumuler en fardeaux économiques importants. Pour éviter de devenir partie de cette lutte coûteuse, les organisations doivent affiner la formation de leurs employés à l’utilisation des LLM pour atteindre le plein potentiel de leurs investissements dans l’IA.

L’IA générative apporte la promesse d’optimisation et d’efficacité. Cependant, lorsque les équipes sont piégées dans le cycle de raffinement sans fin (ou d’errance sans radar), l’inefficacité sape cette fondation.

Nettoyage du « Workslop »

L’une des raisons pour lesquelles les équipes raffinent continuellement les sorties pour générer une réponse parfaite est le workslop. Décrit pour la première fois dans la Harvard Business Review, le workslop englobe « le contenu de travail généré par l’IA qui se déguise en bon travail mais manque de substance pour avancer de manière significative une tâche donnée ».

Ce « slop » produit par l’IA est le premier domino d’une longue chaîne qui crée le cycle de doomprompting. Bien que la modification du contenu sous-par via des itérations ou des éditions soit importante, il faut comprendre quand arrêter, avant de tomber dans la pente des rendements décroissants. Les organisations doivent aborder leur investissement de temps dans la formation à l’IA avec un équilibre délicat. D’une part, les équipes doivent être conscientes de la qualité requise ; d’autre part, elles doivent savoir quand il est trop. La formation des employés à l’utilisation plus intelligente des modèles d’IA via une promptisation optimale et des objectifs clairs serait également utile.

Utilisation de l’IA agente pour éviter le Doomprompting

Ces dernières années, les entreprises ont considérablement augmenté leur intérêt et leur investissement dans l’IA agente, reconnue pour sa capacité à améliorer l’efficacité opérationnelle. L’IA agente peut prendre des tâches complexes, orchestrer avec de multiples agents (y compris RAG et agents d’action) pour décider du plan d’action, et exécuter les tâches pour compléter la tâche globale de manière autonome.

Ces qualités peuvent aider l’IA à atténuer le doomprompting, ou à l’éviter complètement. Cela peut éliminer le besoin de guider les interfaces GenAI via de multiples promptisations pour compléter la tâche. Un exemple de ceci peut être trouvé dans les opérations informatiques alimentées par l’IA, ou AIOps, qui modernisent l’informatique en intégrant l’IA dans les tâches quotidiennes. Traditionnellement, les équipes passent leur temps à ajuster manuellement les systèmes. Les départements du 21e siècle sont ceux qui utilisent l’IA pour gérer de manière autonome les fonctions critiques comme le dépannage, la réponse aux incidents et l’allocation des ressources.

Un autre exemple approprié est la façon dont les systèmes d’IA agente peuvent gérer un incident complexe de manière autonome. Ces agents, ainsi que les ITOps, sont capables de comprendre le contexte du problème, d’orchestrer avec des agents de raisonnement pour décider du plan d’action, d’utiliser des agents d’action pour effectuer les réparations de dernière étape sur les systèmes informatiques et, enfin, d’employer des agents d’apprentissage pour comprendre la résolution et l’appliquer plus efficacement dans les incidents futurs.

L’automatisation intelligente de l’IA agente réduit l’interaction humaine et effectue les tâches de manière autonome. Pour répondre aux demandes commerciales en évolution, les tâches et les opérations répétitives devraient être confiées à l’IA autonome. Cette délégation élimine le cycle de ré-promptisation et de raffinement répétitif qui alimente souvent le doomprompting. Les opérations autonomes permettent aux modèles d’IA de s’optimiser et de répondre continuellement aux variables changeantes sans intervention manuelle, conduisant à des résultats plus rapides avec une intervention humaine minimale.

Bien que les professionnels formés jouent toujours un rôle instrumental dans les opérations quotidiennes via l’approche humaine dans la boucle, leur temps sera mieux utilisé pour vérifier les résultats. Cette approche minimise le risque d’introduction d’erreurs ou de sur-réglage.

Le rôle de la gouvernance dans la prévention du Doomprompting

Dans une enquête récente de McKinsey, 88 % des répondants ont déclaré utiliser l’IA dans au moins une fonction commerciale. Cela représentait un bond de 10 % par rapport à 2024 et une augmentation étonnante de 33 % depuis 2023. Pour l’IA agente, ce bond était encore plus profond. De seulement 33 % en 2023 à près de 80 % en 2025.

Cette adoption généralisée pousse les entreprises à trouver de nouvelles solutions pour le doomprompting. Un tel outil est les cadres de gouvernance robustes. Ces cadres doivent être soigneusement élaborés pour garantir que les projets d’IA restent alignés sur les objectifs commerciaux et ne tombent pas victimes de la valse interminable d’optimisation. Lorsque les équipes développent ces cadres, elles doivent considérer :

• Établissement de lignes directrices : Les flux de données vers et à partir des modèles d’IA deviennent de plus en plus complexes. Pour les simplifier, les lignes directrices d’IA doivent créer un cadre pour les équipes afin de gérer les données, de prendre des décisions et de gérer les sorties d’IA de manière responsable.
• Formation des utilisateurs : Une formation appropriée à l’utilisation des promptisations peut contribuer à une productivité optimale
• Utilisation de modèles spécialisés : Les modèles d’IA spécifiques à l’industrie et à l’objectif sont susceptibles de fournir des sorties contextuelles et significatives plus rapidement
• Formation des modèles d’IA : La formation des modèles d’IA avec des données spécifiques à l’industrie, à la tâche ou à l’organisation (lorsque cela est possible) peut conduire à moins de workslop et à des sorties plus adaptées plus rapidement.
• Élaboration de règles : L’élaboration et la mise en œuvre d’un ensemble clair de règles sont essentielles pour guider le développement et le déploiement de l’IA. Lorsque les équipes établissent des limites opérationnelles, elles garantissent que les systèmes adoptés s’alignent sur les objectifs organisationnels, les normes éthiques et les exigences réglementaires.

Alors que le taux d’adoption des solutions d’IA augmente, la gouvernance ne suit pas. Selon le rapport PEX Industry 2025 , moins de la moitié ont une politique de gouvernance de l’IA en place. Pendant ce temps, seulement 25 % étaient en train de mettre en œuvre une telle politique, et près d’un tiers n’avaient aucune politique de gouvernance de l’IA en place. Ces cadres peuvent être le facteur déterminant pour aider les entreprises à établir des limites claires sur ce qui constitue une performance acceptable.

Échapper à la boucle de Doomprompting

Pour éviter de tomber dans le cycle de doomprompting, les entreprises doivent adopter des stratégies d’IA qui privilégient les résultats par rapport à la perfection. L’utilisation de la formation de promptisation, de modèles d’IA spécifiques à l’objectif et de modèles formés sur des données d’entreprise contextuelles peut réduire le besoin de ré-promptisation extensive. Les entreprises qui exploitent l’IA agente, les opérations informatiques autonomes et les cadres de gouvernance solides peuvent réallouer les ressources critiques vers la réalisation de leurs objectifs commerciaux sans se laisser détourner par des cycles d’optimisation interminables. Le succès viendra lorsque les équipes changeront leur mentalité de raffinement constant à une mentalité d’exécution ciblée et de résultats mesurables. Les entreprises qui parviennent à échapper à la boucle de doomprompting seront celles qui réussiront à atteindre leurs objectifs et à réaliser leur plein potentiel.