En résumé : 40 heures de formation IA avec un dirigeant de TPE ont permis de maîtriser la gestion des crédits IA (choisir le bon modèle selon la tâche pour éviter les dépenses inutiles), d'explorer les automatisations sur mesure avec Python et Claude Cowork, et de lancer le développement d'une application métier via Claude et Lovable — pour un budget de 20 €/mois là où une équipe de développeurs coûterait des dizaines de milliers d'euros.

Quand cet apprenant m'a contactée, il gérait déjà sa petite entreprise avec un certain goût pour les outils numériques — il utilisait ChatGPT, explorait la création de contenus, s'intéressait à l'automatisation. Mais il se sentait submergé par la profusion d'outils, consommait trop de crédits IA sans vraiment savoir pourquoi, et n'avait pas encore de méthode claire pour décider quand automatiser, quand optimiser, et quand simplement changer de logiciel. En 40 heures — réparties entre e-learning, sessions individuelles à distance et devoirs pratiques — nous avons construit cette méthode ensemble.

Gérer ses ressources informatiques et ses crédits IA comme un professionnel

La première chose que j'explique à tout dirigeant qui commence à utiliser l'IA intensivement : l'IA a un coût, et ce coût dépend des choix que vous faites — pas seulement de la fréquence d'utilisation.

Nous avons commencé par un diagnostic simple : pourquoi les crédits Claude s'épuisaient si vite. Réponse en deux parties.

D'abord, le choix du modèle. Claude Opus consomme les crédits bien plus vite que Sonnet. Utiliser Opus pour rédiger un email, c'est comme demander à un ingénieur senior de faire une course au supermarché : ça fonctionne, mais c'est une mauvaise allocation de ressources. La règle pratique que nous avons mise en place : commencer par Sonnet, et ne passer à Opus que si le résultat est vraiment insuffisant.

Ensuite, les paramètres par défaut de Claude. Claude a tendance à en faire trop — ouvrir des artefacts, générer des documents visuels, créer des mises en forme élaborées — là où une réponse texte directe suffirait. Nous avons ajouté une instruction dans les préférences personnelles : "Sauf directive contraire, tu n'ouvres pas de document, pas d'artefact. Tu réponds directement dans la conversation." Résultat immédiat : les tokens sont utilisés pour le contenu, pas pour l'emballage.

Côté matériel, nous avons aussi audité le poste de travail. Le navigateur est, de loin, le principal consommateur de mémoire vive sur un ordinateur. ChatGPT ouvert en onglet est l'un des plus gourmands. Savoir vérifier la consommation mémoire via le Gestionnaire des tâches Windows — et fermer les onglets inutiles avant une session de travail intensive — c'est un réflexe simple qui améliore les performances de toute la machine.

Quelle IA pour quelle tâche : construire sa boîte à outils

L'une des questions les plus fréquentes chez les dirigeants de TPE que j'accompagne : "Je dois utiliser laquelle ?" La réponse honnête : plusieurs, mais pas pour les mêmes usages.

Nous avons cartographié ensemble les cas d'usage de l'entreprise et les avons associés aux outils les plus adaptés :

Nous avons aussi exploré les assistants personnalisés — GPTs personnalisés de ChatGPT, Gems de Gemini, Projets de Claude — qui fonctionnent globalement de la même façon : on configure un contexte et des instructions une seule fois, et l'IA s'en souvient à chaque conversation. Pour un dirigeant de TPE, c'est particulièrement utile pour créer un assistant "rédaction commerciale" ou un assistant "suivi de projet" calé sur ses propres termes et son propre style.

"Demander à l'IA de faire des recherches approfondies sur un sujet lui permet d'être plus pertinente que simplement lui attribuer un rôle d'expert."

Automatisation versus optimisation : le choix décisif pour une TPE

C'est probablement le recadrage le plus utile de toute la formation. Beaucoup de dirigeants arrivent avec l'idée que l'IA va tout automatiser. La réalité est plus nuancée — et plus intéressante.

L'automatisation, c'est faire tourner un processus sans intervention humaine : un script qui envoie des emails, un scénario Make qui transfère des données d'un outil à un autre. Cela ne fonctionne que si le processus est déjà clair, stable et répétitif.

L'optimisation, c'est faire les mêmes tâches plus vite, mieux, avec moins d'effort — en gardant l'humain dans la boucle. C'est souvent ce dont une TPE a réellement besoin.

Nous avons construit ensemble un arbre de décision pour choisir la bonne solution selon la situation :

Un outil que nous avons exploré en détail : Genspark, un orchestrateur d'IA. Contrairement à une IA classique qui simplifie quand la tâche est trop grande, Genspark découpe automatiquement les grandes tâches en sous-étapes et les traite dans l'ordre — comme un chef de projet humain qui enverrait des prompts successifs, mais de façon automatisée. Utile pour les tâches complexes à plusieurs niveaux.

Écrire de meilleurs prompts : la méthode qui change tout

Après quelques sessions, il est devenu évident que la qualité des résultats obtenus dépendait beaucoup de la façon dont les questions étaient formulées. Nous avons donc travaillé sur une structure de prompt efficace :

  1. Demander à l'IA de faire des recherches approfondies sur le sujet avant de répondre — c'est plus efficace qu'attribuer un rôle d'expert.
  2. Définir clairement la tâche et le contexte.
  3. Ajouter si besoin : "Pose-moi les questions nécessaires avant de commencer."

Nous avons aussi abordé l'usage du markdown dans les prompts. Le markdown est un format de mise en forme léger basé sur des signes simples. En demandant à l'IA de répondre "en markdown", on économise des tokens : l'IA se concentre sur le contenu plutôt que sur la mise en forme visuelle.

Un workflow pratique que nous avons mis en place : générer du contenu structuré dans Claude (en markdown), puis le coller dans NotebookLM de Google pour en faire une présentation, une infographie ou une carte mentale. Claude pour l'intelligence du contenu ; NotebookLM pour la forme visuelle.

Autre réflexe instauré : la saisie vocale. Plutôt que de taper tous ses prompts au clavier, utiliser le micro intégré aux interfaces IA (Claude, ChatGPT) et dicter directement. Gain de temps immédiat, surtout pour les instructions longues ou les comptes rendus.

Développer une application métier avec Claude et Lovable

C'est le sujet qui a demandé le plus de sessions — et qui a produit les résultats les plus marquants.

L'apprenant avait un projet d'application pour son activité : une base de données de sons avec écoute en ligne, tri automatique et gestion d'une bibliothèque de samples. Un projet qui aurait nécessité une équipe de développement avec un budget de 40 000 € et plusieurs mois de travail. Nous l'avons lancé pour 20 €/mois.

La méthode que nous avons utilisée :

  1. Claude comme architecte : lui donner toutes les spécifications du projet, lui demander de faire des recherches sur les bonnes pratiques de rédaction de prompts pour Lovable, et lui faire poser toutes les questions nécessaires pour bien définir les besoins.
  2. Le chemin utilisateur : la clé de tout projet applicatif. Comment un utilisateur se connecte, quel problème il résout, quelles étapes il suit. Ce chemin doit être spécifié techniquement avec Claude avant d'être soumis à Lovable.
  3. Lovable comme développeur : il gère le frontend, les connexions aux API, le backend, la base de données et l'authentification. Il publie son code sur GitHub — ce qui permet à Claude de voir ce que Lovable a fait, d'identifier les problèmes et de formuler les spécifications pour les étapes suivantes.
  4. L'humain dans la boucle : relire les spécifications de Claude avant de les soumettre à Lovable. Ne jamais laisser l'IA travailler seule en boucle — cela peut coûter 20 €/jour ou plus, et produit des résultats moins bons.

Pour les volumes importants de données (comme une bibliothèque audio de plusieurs téraoctets), nous avons aussi vu comment utiliser Python pour compresser les fichiers et les analyser automatiquement selon des critères métier — BPM, fréquences, présence de basses — avant de les intégrer dans l'application.

⚠️ Ce qu'il faut savoir avant de se lancer dans le développement no-code IA

Lovable fonctionne sur un système de crédits : les projets simples consomment peu, les projets complexes peuvent devenir coûteux si on ne cadre pas bien les demandes. L'erreur la plus fréquente : rédiger un cahier des charges approximatif et le donner directement à Lovable sans passer par Claude pour structurer les spécifications. Pour une application avec un enjeu professionnel réel, prévoir de faire intervenir un développeur (environ 1 200 à 2 000 €) pour la mise en production, l'audit de sécurité et la vérification des connexions.

Génération d'images en masse : le workflow Python + API

L'apprenant avait un projet créatif parallèle nécessitant de produire régulièrement de grandes séries d'images cohérentes. Nous avons construit un workflow d'automatisation complet pour éviter la répétition manuelle.

Le principe : un script Python connecté à une API d'IA générative génère automatiquement des dizaines d'images à partir d'un tableau de prompts, sans intervention humaine à chaque étape.

Les étapes que nous avons construites ensemble :

Pour la génération vidéo, le workflow s'étend : transcrire le contenu audio toutes les 5 secondes avec Whisper (Python), générer des prompts cohérents avec le contenu, animer chaque image via API, puis assembler le tout avec FFMPEG. Un travail de plusieurs jours réduit à quelques heures de lancement de script.

Ce que ces 40 heures ont vraiment changé

Au terme de cette formation, ce qui m'a le plus frappée, c'est la capacité de cet apprenant à aborder un outil ou une situation nouvelle avec méthode. Il ne se demande plus "est-ce que l'IA peut faire ça ?" — il se demande "quelle IA, avec quelle approche, et est-ce que c'est vraiment le bon outil pour ce besoin ?"

C'est exactement ce à quoi sert une bonne formation IA. Pas mémoriser des outils — ils changent tous les six mois. Mais développer un réflexe de diagnostic : clarifier le besoin, identifier la bonne catégorie de solution, tester sur un petit périmètre avant de généraliser.

Pour un dirigeant de TPE, ce réflexe est précieux. Le temps est limité, les ressources aussi. L'IA amplifie ce qui existe déjà — les bonnes décisions comme les mauvaises. La formation a donc aussi servi à clarifier ce qui méritait d'être fait avec l'IA — et ce qui méritait d'être simplifié ou abandonné d'abord.

Vous dirigez une TPE ou une petite structure et vous voulez savoir par où commencer avec l'IA ?

❋ Réserver 1h de consultation ❋ Résultat obtenu ou remboursé