Théorie de l’input et éloge de la curiosité décousue

Pause. Tentons l’abstraction. Comment faire mieux que ses concurrents lorsque tout le monde utilise les mêmes modèles d’IA ?

En lui donnant un input différent.

Comment ?

Prompt, contexte, loop engineering : pourquoi ces leviers ne suffisent pas

Parmi les pistes qu’on a tous entendues :

• Mieux rédiger / structurer ses prompts. Oui, mais : cette approche est désormais largement banalisée, et ses gains varient fortement selon les tâches. Plus l’IA est capable de raisonner, moins l’utilisateur gagne à lui expliquer comment s’y prendre.*1
• Donner un meilleur contexte ? Oui, mais à mesure que cette capacité se standardise, elle devient un prérequis plutôt qu’un avantage en soi. Le contexte réduit l’ignorance du modèle ; il ne garantit ni la justesse, ni la singularité. Et son accumulation ne produit pas mécaniquement de meilleurs résultats.*2
• Le loop engineering ? Oui, mais : faire tourner une IA en boucle jusqu’à ce qu’elle accomplisse son devoir ne permet pas directement de prendre l’avantage sur ses concurrents, puisqu’ils peuvent faire pareil.*3

L’input du modèle commence par une direction humaine

En amont du modèle, un humain a, directement ou indirectement, choisi le problème, sélectionné le contexte, formulé l’objectif et défini ce qui constituerait une bonne réponse.

Ces choix dessinent une direction.

Cette direction est une production de l’esprit humain : un output. Elle peut prendre la forme d’une question, d’un angle, d’une intuition, d’une contrainte ou d’une association.

Pour simplifier, appelons cette direction une « idée ».

Dès lors, qu’est-ce qu’une bonne idée à confier à l’IA ? Suffit-il qu’une idée soit parfaitement rationnelle ? Qu’elle procède du bon sens ? Qu’elle soit le fruit d’une riche expérience professionnelle ?

Je pense que non.

Quand l’IA banalise la compétence standard

Et c’est ici que le mécanisme se renverse.

Un LLM est particulièrement puissant pour développer, structurer et rationaliser une direction déjà formulée.

Mais cette capacité réduit la valeur différenciante de certaines qualités humaines.

Prenons deux inputs prévisibles, c’est-à-dire deux directions qui suivent une logique familière au modèle.

• Le premier est un input prévisible et médiocre: il suit une logique évidente, mais reste peu approfondi et faiblement structuré.
• Le second est un input prévisible et sophistiqué : il suit la même logique, mais avec davantage de précision, de méthode et d’expertise.

La différence entre les deux inputs est réelle, pourtant ils orienteront des outputs très proches*4 :

L’IA banalise ce qu’elle sait déjà reproduire, rendant difficile de se différencier par la maîtrise d’une compétence standard.

Les conventions restent utiles pour viser juste. Mais si elles déterminent toute la direction, elles conduisent le modèle là où tout le monde l’attend. Pour créer une différence, il faut y introduire une association, une expérience ou une perspective qu’il n’aurait pas spontanément privilégiée.

Il faut être imprévisible.

Mais être imprévisible ne suffit pas ! Un élément atypique hors-sol ne produit qu’une impasse ridicule : un résultat original, cohérent en apparence, mais sans valeur pour le problème posé. Cette différence ne devient un avantage que lorsqu’il permet d’aborder le problème autrement sans cesser de le résoudre.*5

Comment encourager la production d’idées atypiques ?

L’input humain, matière première des idées atypiques

L’input du modèle est en partie l’output de l’humain. Mais cet output dépend lui-même de tout ce qu’une personne a lu, observé, vécu, ressenti, appris ou entendu. Toutes ces expériences forment progressivement un corpus personnel : la matière première dans laquelle son esprit puise pour créer de nouvelles associations. La chaîne ne commence donc pas dans la fenêtre du prompt. Elle commence dans ce qui nourrit celui qui l’écrit.

Lorsque ce corpus se limite aux références habituelles d’un métier, d’un milieu ou d’une époque, les idées qui en émergent ont plus de chances de suivre des chemins familiers. À l’inverse, la présence de connaissances plus éloignées multiplie les croisements possibles. Les recherches sur la créativité vont dans ce sens. La théorie associative décrit les idées nouvelles comme des combinaisons entre des éléments parfois éloignés. Des expériences inhabituelles vécues activement peuvent renforcer la flexibilité cognitive, tandis que l’exposition à plusieurs cultures facilite la mobilisation de connaissances moins conventionnelles.*6

La solution semble alors d’être… simplement curieux.

La curiosité comme stratégie rationnelle

Arrêtons de traiter la curiosité comme un trait de personnalité réservé à quelques-uns. Considérons-la plutôt comme une posture cultivable, un élan que chacun peut nourrir et que toute organisation peut encourager. Les curieux n’ont sans doute pas besoin d’être convaincus. Je m’adresse plutôt à ceux qui ne lui ont jamais trouvé d’utilité concrète. Aujourd’hui, être curieux est une attitude pragmatique. À mesure que nos outils de travail s’appuient sur des modèles probabilistes, il devient rationnel d’introduire volontairement de l’imprévu dans nos inputs.

Cette posture nous conduit à chercher une information sans savoir encore à quoi elle servira, à suivre une question qui ne répond à aucune urgence ou à accorder de l’attention à ce qui se trouve en dehors de notre trajectoire attendue. Les recherches montrent que la curiosité favorise l’apprentissage et la mémorisation, y compris celle d’informations rencontrées incidemment. La curiosité exploratoire est également associée à des solutions plus originales et de meilleure qualité, notamment parce qu’elle conduit à rechercher davantage d’informations en amont.*7

Cultiver sa curiosité ne consiste pas à consommer frénétiquement toujours plus de contenus. Plutôt à prendre au sérieux un sujet dont l’utilité n’est pas visible. C’est une invitation à être plus à l’écoute de son environnement. À sortir volontairement de la panoplie culturelle attendue pour son métier, son milieu ou son époque. Passer un week-end à essayer de coudre une housse de banquette peut sembler parfaitement inutile à votre activité. Mais peut-être que cette expérience vous aura conféré un œil plus attentif aux coutures des vêtements. Et de ce changement de perspective pourrait naître une association qu’aucun contenu strictement professionnel ne vous aurait suggérée (ou pas).

La curiosité devient alors une politique d’approvisionnement de l’esprit. Elle précède le fameux “taste” si abstrait et paradoxalement tant plébiscité. Elle renouvelle la matière première depuis laquelle des rapprochements inattendus peuvent émerger, puis être confiés à l’IA pour être développés.

Il existe aussi des moyens collectifs pour encourager la créativité. Mais c’est pour une autre fois, cette édition est déjà bien longue !

Lorsque tout le monde accède aux mêmes modèles, l’avantage revient à ceux qui ont un autre monde à leur soumettre.

Notes et références

1. Une méta-analyse de plus de 100 publications mesure un gain moyen du Chain-of-Thought de 14,2 points sur les tâches symboliques et de 12,3 points en mathématiques, contre seulement 0,7 point dans les autres catégories. Sur cinq tâches d’ingénierie logicielle, les techniques avancées de prompting bénéficient moins aux modèles récents et peuvent parfois dégrader leurs performances. Sources : Sprague et al., ICLR 2025 ; Wang et al., ACM TOSEM 2026.

2. Le contexte externe rend généralement les réponses plus spécifiques et factuelles. Mais même avec un contexte jugé suffisant, GPT‑4o et Gemini 1.5 Pro produisent encore 12,7 % et 14,3 % d’hallucinations. Sur NoLiMa, 11 des 13 modèles évalués à 32 000 tokens tombent sous 50 % de leurs performances en contexte court. Sources : Lewis et al., NeurIPS 2020 ; Joren et al., ICLR 2025 ; Modarressi et al., ICML 2025.

3. Le loop engineering consiste à concevoir des boucles dans lesquelles un agent agit, observe le résultat et ajuste son action. Les recherches montrent que l’auto-correction dépend surtout d’un feedback externe fiable et que les modèles peuvent favoriser leurs propres productions lorsqu’ils les évaluent. Sur 2 200 textes, la diversité collective des productions humaines progresse deux à huit fois plus rapidement que celle de GPT‑4. Ces études soutiennent les mécanismes évoqués sans mesurer directement le loop engineering en entreprise. Sources : IBM, 2026 ; Kamoi et al., TACL 2024 ; Panickssery et al., NeurIPS 2024 ; Moon et al., 2025.

4. Sur 5 172 agents de support, l’IA augmente la productivité d’environ 30 % chez les moins expérimentés, contre des effets faibles chez les meilleurs. Une autre expérience menée auprès de 453 professionnels observe une hausse moyenne de 18 % de la qualité et une réduction des écarts de performance. Ces résultats soutiennent un effet de compression, pas un nivellement universel de l’expertise. Sources : Brynjolfsson, Li et Raymond, QJE, 2025 ; Noy et Zhang, Science, 2023.

5. La créativité associe originalité et efficacité. Une analyse de 17,9 millions d’articles montre que les travaux les plus influents combinent généralement un socle conventionnel et une association inhabituelle. Une méta-analyse de 111 études indique également que certaines contraintes peuvent favoriser la créativité. Ces résultats soutiennent le principe d’un élément atypique mais pertinent, sans tester directement son application aux inputs de LLM. Sources : Runco et Jaeger, 2012 ; Uzzi et al., Science, 2013 ; Damadzic et al., 2022.

6. La curiosité épistémique mobilise des circuits associés à l’anticipation de la récompense et favorise la mémorisation. Des états de forte curiosité améliorent également la mémoire d’informations incidentes, tandis que la curiosité exploratoire prédit la qualité et l’originalité des solutions par l’intermédiaire d’une recherche d’informations plus importante. Sources : Kang et al., Psychological Science, 2009 ; Gruber, Gelman et Ranganath, Neuron, 2014 ; Hardy, Ness et Mecca, 2017.

7. La théorie associative décrit la créativité comme la formation de combinaisons nouvelles entre des éléments éloignés. Deux expériences montrent par ailleurs que l’implication active dans des situations inhabituelles augmente la flexibilité cognitive. D’autres travaux associent les expériences multiculturelles à la mobilisation de connaissances moins conventionnelles et à de meilleures performances créatives. Sources : Mednick, Psychological Review, 1962 ; Ritter et al., 2012 ; Leung et al., American Psychologist, 2008.