Pratiques des IA en communication stratégique
Comment j’ai fait
Le dernier bloc de cours a été consacré au rôle que peuvent tenir les IA dans l’élaboration d’une stratégie de communication. J’ai confié aux 3 équipes étudiantes un mandat fictif, afin de mobiliser les compétences et connaissances acquises dans les séances précédentes. Il y a un double enjeu dans cet exercice:
Pour répondre à ces questions, il a fallu concevoir un cas pratique qui laisse sa chance autant aux IA (enjeux techniques) qu’aux humains (enjeux éthiques). Avant d’arriver au montage du cas en tant que tel, j’ai posé deux bornes :
Ces deux points sont à lire dans d’autres articles (en cours d’écriture); je présente ici uniquement le workflow m’ayant permis de composer le cas pratique

Le schéma synthétise le processus que j’ai suivi, basé sur le modèle du double diamant (enchainement d’activités de divergence et convergence pour avancer dans la résolution de problème). J’ai suivi également une tendance actuelle dans l’offre de fonctionnalités, centrée sur la spécialisation des IA.
Cette tendance à la spécialisation vise à resserrer la fenêtre de contexte des IA. Pour éviter que l’IA jongle avec ses milliards de paramètres pour répondre à votre question (ce qui pourrait provoquer des hallucinations, regretable pour l’utilisateur; mais qui surtout coûte très cher en énergie, ce qui est de moins en moins soutenable pour les éditeurs), on a conseillé dans un premier temps – celui du prompt engineering – d’assigner des rôles aux IA : «tu agis comme un stratège».
Or, deux études ont montré que cette tactique était contre-productive (Basil et al., 2025; Hu et al, 2026): en faisant cela, l’IA répond «comme» un stratège, mais n’agit et ne réfléchit pas comme tel. Il faut donc forcer ce comportement plus en amont, en spécifiant quelle compétence doit adopter l’IA avant le prompt, dans ce qu’on appelle la fenêtre de contexte (qui a considérablement augmenté dans les derniers modèles).
On peut retrouver ce genre de spécialisation en activant le mode raisonnement (Deep Research chez Google, Thinking chez Anthropic), dans les instructions personnalisées (ChatGPT ou Gemini par exemple), dans la privatisation d’espaces (dans Perplexity ou dans les Bloc-notes de Gemini/NotebookLM), dans l’usage de fichiers de compétences (les skills de Claude), en associant des silos documentaires spécialisés (dans Perplexity/Academic ou via les MCP), dans des pseudo-agents (GPT+, Gems), en adoptant des postures spécifiques (socratiques par exemple, chez Claude), dans les modèles agentiques (OpenClaw), voire dans la spécialisation de modèles pour la cybersécurité (Anthropic Claude Mythos, OpenAI GPT-5.4-Cyber) ou pour la santé (ChatGPT Santé), etc. Ou pour créer/interroger des personas synthétiques, dans le domaine des communications et du marketing (chez Cossette).
Pour fabriquer le cas pratique, j’ai donc ouvert un espace dédié dans Perplexity (Pro), adopté le modèle Claude Sonnet 4.5 Raisonnement, et j’ai crée 2 specialistes:
Ce que j’ai appris sur la méthode
Le dossier contient des communiqués de presse, des verbatims de clients ou de salariés, des enquêtes de notoriété, des métriques de médias sociaux avec des commentaires (le tout paramétré pour contenir les enjeux communicationnels). Les visuels ont été générés avec Nano Banana 2, via des prompts préparés dans l’espace de Perplexity
Ce que j’ai appris sur le sujet
J’aurai pu rajouter une quatrième étape dans le schéma, concernant l’évaluation. Les équipes ont présenté leur réponse au mandat que je leur avais confié, en déposant par ailleurs le support de communication et des annexes. Toujours dans le même espace, Perplexity a analysé les réponses pour évaluer l’alignement des stratégies avec l’implicte du dossier d’origine. Bien sûr, les pdf fournis ne rendent pas compte des nuances amenées à l’oral (il aurait fallu généré le transcript des présentations, conduites via Teams). Dans l’ensemble, si l’évaluation est très pertinente, elle est aussi très sévère, à 2 niveaux:

Laisser un commentaire