# Guide du formateur — Session 9 : Construire des produits IA

**Programme :** Applied AI — Niveau intermédiaire
**Formateur :** Yann Isola
**Durée :** 2 heures (120 minutes)
**Module source :** Module 7

---

## 🎯 Objectifs pédagogiques

À la fin de cette session, les participants sauront :

1. **Distinguer** la pensée produit de la pensée technique — partir du problème, pas du modèle
2. **Concevoir** une expérience utilisateur adaptée à l'incertitude inhérente à l'IA
3. **Positionner** un produit sur le spectre « human in the loop » (humain dans la boucle)
4. **Évaluer** quand l'IA apporte de la valeur — et quand elle n'en apporte pas
5. **Mesurer** un produit IA avec les bonnes métriques (complétion, temps gagné, confiance, escalade)
6. **Calculer** un rapport coût-bénéfice et un point d'équilibre (breakeven)
7. **Décider** entre acheter (API), affiner (fine-tuning) ou construire (from scratch)
8. **Intégrer** les principes d'IA responsable dès la conception

---

## 📋 Prérequis et matériel

| Élément | Détail |
|---|---|
| Prérequis participants | Sessions 1–8 (bases des LLM, prompting, RAG, agents, évaluation) |
| Matériel formateur | Slides (`slides/slides.md`), page interactive (`webpage/index.html`) ouverte dans un navigateur |
| Matériel participants | Ordinateur portable, exercices imprimés ou accessibles, calculatrice (ou tableur) |
| Salle | Vidéoprojecteur, tableau blanc, disposition en îlots de 3–4 pour les ateliers |

**Astuce logistique :** la page interactive fonctionne **hors ligne** — la distribuer par clé USB ou intranet si le Wi-Fi est capricieux.

---

## ⏱ Déroulé minuté (120 min)

### Bloc 1 — Ouverture et pensée produit (0:00 → 0:20, 20 min)

| Temps | Activité | Notes formateur |
|---|---|---|
| 0:00–0:05 | Accueil + accroche | Question flash : « Qui a déjà utilisé un produit IA frustrant ? Pourquoi ? » Récolter 3–4 réponses au tableau. Elles resserviront tout au long de la session. |
| 0:05–0:15 | **Pensée produit vs pensée technique** (slides 3–6) | Le message clé : *« Quel problème est-ce que je résous ? »* avant *« Quel modèle utiliser ? »*. Exemple concret : une startup qui construit un chatbot RAG (Retrieval-Augmented Generation, génération augmentée par récupération) sophistiqué… alors que les utilisateurs voulaient juste une barre de recherche rapide. Insister : la techno la plus impressionnante n'est pas la solution la plus utile. |
| 0:15–0:20 | Mini-débat | « Citez un produit où l'IA est invisible mais utile » (ex. : tri anti-spam, suggestions de réponse dans Gmail, correction automatique). Contraste avec les produits où l'IA est mise en avant comme argument marketing sans valeur réelle. |

**Piège fréquent :** des participants techniques voudront parler d'architecture. Recadrer gentiment : « aujourd'hui, on porte la casquette produit, pas la casquette ingénieur ».

---

### Bloc 2 — UX de l'incertitude et human in the loop (0:20 → 0:45, 25 min)

| Temps | Activité | Notes formateur |
|---|---|---|
| 0:20–0:32 | **UX (User Experience, expérience utilisateur) pour produits IA** (slides 7–10) | Trois piliers : **gérer l'incertitude** (l'IA se trompe — le produit doit le prévoir), **indicateurs de confiance** (montrer quand l'IA est sûre ou non), **dégradation gracieuse** (que se passe-t-il quand l'IA échoue ? Le produit reste utilisable). Exemples : DeepL affiche des alternatives de traduction ; GitHub Copilot propose sans imposer ; un OCR (Optical Character Recognition, reconnaissance optique de caractères) surligne en orange les champs à faible confiance pour relecture humaine. |
| 0:32–0:42 | **Le spectre human in the loop** (slides 11–13) | Dessiner le spectre au tableau : **entièrement automatisé → approbation humaine → contrôle humain (override) → entièrement manuel**. Faire placer des cas par les participants : filtrage spam (auto), diagnostic médical assisté (approbation), modération de contenu (override), rédaction d'un contrat (manuel avec assistance). Règle d'or : plus le coût d'une erreur est élevé, plus l'humain doit être proche de la boucle. |
| 0:42–0:45 | Exit ticket n°1 (oral rapide) | « Pour un virement bancaire automatique détecté comme frauduleux : quel niveau de human in the loop ? Justifiez. » (Réponse attendue : approbation humaine — coût d'erreur élevé dans les deux sens : bloquer un vrai client ou laisser passer une fraude.) |

---

### Bloc 3 — Quand l'IA a de la valeur + métriques (0:45 → 1:10, 25 min)

| Temps | Activité | Notes formateur |
|---|---|---|
| 0:45–0:55 | **Quand l'IA ajoute de la valeur** (slides 14–16) | Le triangle de la valeur IA : **volume élevé** + **tolérance à l'imperfection** + **boucle de rétroaction claire**. Exemples positifs : tri de 10 000 tickets support/jour, résumés de réunions, première ébauche de contenu marketing. Contre-exemples : calcul de paie (zéro tolérance à l'erreur), tâche exécutée 2 fois par an (volume trop faible), décision juridique finale (imperfection inacceptable). Faire l'exercice inverse : « donnez-moi une tâche de votre métier et testons-la contre le triangle ». |
| 0:55–1:07 | **Métriques produit IA** (slides 17–19) | Quatre métriques phares : **taux de complétion de tâche** (l'utilisateur finit-il ce qu'il a commencé ?), **temps gagné** (mesuré, pas déclaré), **score de confiance utilisateur** (enquêtes, taux de réutilisation), **taux d'escalade** (combien de fois l'humain doit reprendre la main ?). Puis **tests A/B** (comparaison de deux variantes sur des populations distinctes) appliqués à l'IA : variantes de prompt, routage de modèle (petit modèle pour les cas simples, gros pour les complexes), feature flags (interrupteurs logiciels pour activer une fonction pour un sous-groupe). Exemple chiffré : variante A du prompt → 72 % de complétion, variante B → 81 % → on déploie B progressivement via feature flag. |
| 1:07–1:10 | Exit ticket n°2 (écrit, 3 min) | « Votre chatbot support a un taux d'escalade qui passe de 20 % à 35 % après une mise à jour. Citez deux causes possibles et une action. » |

**Pause conseillée : 5 minutes à 1:10 si le groupe fatigue** (déduire sur le bloc 4, qui a de la marge).

---

### Bloc 4 — Coût-bénéfice et build/buy/fine-tune (1:10 → 1:35, 25 min)

| Temps | Activité | Notes formateur |
|---|---|---|
| 1:10–1:22 | **Analyse coût-bénéfice** (slides 20–22) | Côté coûts : appels API (Application Programming Interface, interface de programmation), infrastructure, maintenance, supervision humaine. Côté valeur : temps gagné × coût horaire, revenus additionnels, gains de qualité. **Démo live** : ouvrir la page interactive, onglet « Calculateur ROI » (Return On Investment, retour sur investissement). Saisir un cas : traitement manuel d'un ticket = 12 min à 30 €/h ; coût IA ≈ 0,08 €/ticket ⚠ (les prix d'API évoluent vite) ; volume 5 000 tickets/mois ; précision IA 85 % (15 % escaladés vers l'humain). Montrer le point d'équilibre en direct. |
| 1:22–1:32 | **L'arbre de décision build / buy / fine-tune** (slides 23–25) | Trois branches : **acheter (API sur étagère)** — défaut raisonnable pour 80 % des cas : rapide, peu de maintenance ; **affiner (fine-tuning)** — quand le domaine est spécifique, que le volume justifie le coût, et que les données d'entraînement existent ; **construire (from scratch)** — rarissime : contraintes de souveraineté, cas où le modèle EST le produit, budgets conséquents. Démo : onglet « Arbre de décision » de la page interactive. Faire répondre le groupe aux questions pour 2 scénarios : (a) classification de courriels internes, (b) modèle de détection de fraude propriétaire. |
| 1:32–1:35 | Exit ticket n°3 (oral) | « Une PME (Petite et Moyenne Entreprise) veut un assistant de rédaction de devis. Build, buy ou fine-tune ? » (Attendu : buy — API + prompting suffit ; le fine-tuning ne se justifie qu'avec un volume et une spécificité prouvés.) |

---

### Bloc 5 — Confiance, IA responsable et études de cas (1:35 → 1:55, 20 min)

| Temps | Activité | Notes formateur |
|---|---|---|
| 1:35–1:43 | **Construire la confiance** (slides 26–27) | Trois leviers : **expliquer ce que l'IA a fait** (pas comment elle fonctionne — l'utilisateur se moque des transformers, il veut savoir « j'ai résumé ces 3 documents ») ; **montrer les sources** (citations cliquables dans un RAG) ; **permettre les corrections** (bouton « c'est faux » qui alimente l'amélioration). Anti-exemple : un assistant qui affirme sans jamais citer → confiance qui s'érode à la première erreur détectée. |
| 1:43–1:50 | **IA responsable dans les produits** (slide 28) | Quatre chantiers concrets : **détection de biais** (tester le produit sur des sous-populations : le tri de CV note-t-il différemment selon le prénom ?), **filtrage de contenu** (entrées ET sorties), **consentement utilisateur** (l'utilisateur sait-il qu'il parle à une IA ? RGPD — Règlement Général sur la Protection des Données), **confidentialité des données** (quelles données partent vers l'API ? Sont-elles utilisées pour l'entraînement ?). Mentionner l'AI Act européen ⚠ (calendrier d'application en cours d'évolution). |
| 1:50–1:55 | **Études de cas éclair** (slides 29–30) | Trois cas en 90 secondes chacun : **(1) Automatisation du support client** — triage auto + réponse suggérée + escalade humaine, métriques : taux de résolution au premier contact, escalade. **(2) Pipeline de génération de contenu** — brief humain → ébauche IA → révision humaine → publication ; l'IA fait le premier jet, jamais la validation. **(3) Base de connaissances interne** — RAG sur la documentation d'entreprise avec citations obligatoires et bouton de signalement. Relier chaque cas au triangle de la valeur et au spectre human in the loop. |

---

### Bloc 6 — Synthèse et clôture (1:55 → 2:00, 5 min)

| Temps | Activité | Notes formateur |
|---|---|---|
| 1:55–1:58 | Synthèse en 4 phrases | 1. Le problème avant le modèle. 2. L'incertitude se design, elle ne se cache pas. 3. Mesurez : complétion, temps, confiance, escalade. 4. Buy par défaut, fine-tune si justifié, build presque jamais. |
| 1:58–2:00 | Exit tickets n°4 et n°5 + annonces | Distribuer les deux derniers exit tickets (ci-dessous). Annoncer les exercices à rendre et la session suivante. |

---

## 🎫 Les 5 exit tickets (récapitulatif)

1. **(Oral, bloc 2)** Virement suspecté frauduleux : quel niveau de human in the loop et pourquoi ?
2. **(Écrit, bloc 3)** Taux d'escalade 20 % → 35 % après mise à jour : deux causes possibles, une action.
3. **(Oral, bloc 4)** Assistant de devis pour une PME : build, buy ou fine-tune ?
4. **(Écrit, clôture)** « Citez les trois conditions du triangle de la valeur IA et donnez un contre-exemple tiré de votre métier. »
5. **(Écrit, clôture)** « Un produit IA affiche une réponse sans source ni indicateur de confiance. Proposez deux améliorations UX concrètes et dites quelle métrique elles amélioreraient. »

**Correction rapide :** les tickets 4 et 5 se corrigent en 30 secondes chacun. Un ticket 4 raté = revoir le bloc 3 en début de session 10.

---

## ⚠ Points de vigilance formateur

- **Les chiffres de coûts d'API sont volatils ⚠** — annoncer les ordres de grandeur comme « au moment où je vous parle » et montrer où vérifier (pages de tarifs des fournisseurs).
- **Éviter le débat « l'IA va remplacer les humains »** — recentrer sur le spectre human in the loop : la question n'est pas « remplacer ou pas » mais « où placer le curseur ».
- **Participants non techniques :** le bloc 4 (coût-bénéfice) est leur moment fort — les faire manipuler le calculateur eux-mêmes.
- **Participants très techniques :** les frustrer positivement — leur demander de défendre un « buy » alors qu'ils rêvent de « build ».
- **Timing serré sur le bloc 5** — si retard, couper l'étude de cas n°2 (pipeline de contenu) plutôt que l'IA responsable, qui est non négociable.

---

## 📚 Pour aller plus loin (à partager après la session)

- Les exercices (`exercises/exercises.md`) — le canvas produit peut se faire en binôme d'ici la session 10
- Le quiz (`quiz/quiz.md`) — 10 questions, à faire en autonomie, correction en ouverture de session 10
- La page interactive (`webpage/index.html`) — canvas, calculateur ROI et arbre de décision réutilisables sur leurs propres projets