Un regard pratique sur les descriptions d’IA
Je suis Livia Sannaro, et j’enseigne la visibilité dans l’IA aux cabinets comptables locaux. Mon travail reste proche de la trace documentaire : profils publics, formulations de services répétées, avis, noms, adresses et petits choix de rédaction qui décident si un résumé machine paraît précis ou seulement plausible. Je prête attention aux éléments de preuve ordinaires, parce que c’est là que commencent beaucoup de descriptions erronées.
Livia Sannaro
J’enseigne à partir de petits éléments de preuve, parce que c’est dans ces petits éléments que commencent la plupart des erreurs d’IA confiantes.
Dans un exemple d’enseignement récurrent, trois descriptions du même cabinet comptable sont posées sur mon bureau : le site web indique que le cabinet accompagne les petites entreprises dans leur comptabilité récurrente et leur paie, un annuaire le présente comme un centre d’assistance fiscale, et une autre fiche utilise une ancienne adresse avec un nom abrégé. Aucune des trois ne semble spectaculaire. Ensemble, elles suffisent pour qu’une réponse d’IA invente une quatrième version : proche, plausible, et fausse de la manière qui fait hésiter un chef d’entreprise. C’est à ce moment-là que j’ai commencé à regarder plus attentivement comment les systèmes génératifs lisent les petits cabinets professionnels.
Je viens du nord de l’Italie, et je suis arrivée dans ce domaine après des années passées à aider des bureaux professionnels locaux à expliquer leur travail sans prétendre être plus grands ni plus froids qu’ils ne l’étaient. Avant de me concentrer sur la visibilité dans l’IA, j’ai travaillé sur des revues de positionnement de services locaux, des audits de textes pour pratiques professionnelles, des contrôles de cohérence dans les annuaires, la cartographie du langage d’accueil client et des formations en langage clair pour de petits bureaux de conseil. Les cabinets comptables m’ont intéressée parce que leur langage public doit porter en même temps la confiance, la compétence formelle, l’habitude locale et l’utilité quotidienne. Un cabinet peut être parfaitement clair pour ses clients existants et paraître flou pour une machine qui lit des éléments de preuve dispersés.
Quand les réponses d’IA ont commencé à influencer la manière dont les chefs d’entreprise comparent les conseillers, j’ai vu le même schéma se répéter. Un cabinet était nommé correctement, mais réduit à la paie seule. Une fiche voisine d’assistance fiscale lui prêtait son vocabulaire. Une formulation d’avis devenait plus forte que la page de services. Un nom bilingue ou abrégé divisait le cabinet en deux entités. Je ne pense pas que ces problèmes se résolvent en courant après les mentions seules. Une mention peut être flatteuse tout en décrivant mal le travail. Mon cours commence une étape plus tôt : les éléments de preuve publics peuvent-ils être lus proprement ?
J’ai ouvert ce cours pour les petits cabinets comptables indépendants parce que le travail est assez spécifique pour être enseigné avec soin. Les étudiants comprennent déjà l’accueil client, les traces documentaires, le travail de conseil récurrent et la différence entre qualifications formelles et perception quotidienne du client. Je n’ai pas besoin d’expliquer la pratique comptable depuis le début. Je peux plutôt montrer comment une requête mène à une réponse, comment une réponse renvoie à une piste des sources, et comment une correction peut devenir une habitude mensuelle du cabinet.
Je commence par une petite scène avant d’introduire un terme. Un chef d’entreprise demande à un système d’IA de lui trouver un cabinet comptable près de chez lui. La réponse nomme un cabinet, restreint son service, emprunte une formulation à un annuaire ou laisse le cabinet de côté. À partir de là, je peux parler de poids de la source, d’hallucination, de confusion d’entité, de variantes multilingues du nom et de décalage de mise à jour sans transformer la leçon en brouillard. Chaque leçon utilise un exemple inspectable : une requête, une réponse, une piste des sources, un chemin de correction. Je sépare ce qui peut être vérifié de ce qui ne peut être qu’inféré, parce que cette distinction compte dans le travail professionnel. Les captures d’écran doivent porter une date, une requête, un moteur et un contexte. La réécriture doit rendre les faits plus clairs, pas plus bruyants. Le suivi doit rester assez petit pour qu’un cabinet puisse le répéter quand le travail client ordinaire attend.
Apprenez la méthode avant de réécrire les éléments de preuve.
Le cours commence avec le comportement simple de l’IA et se termine par une routine que vous pouvez utiliser pour votre propre cabinet.