Former à l’IA sans automatiser : pourquoi ça ne marche pas

Former ses équipes à l’IA sans modifier le process derrière, c’est payer pour que les vieilles habitudes reprennent le dessus le vendredi après-midi.

Ce que former à l’IA voulait dire en 2023

En 2023, ChatGPT sort et tout le monde découvre. Les entreprises organisent des sessions « sensibilisation à l’IA » : comment écrire un prompt, comment vérifier une réponse, comment ne pas faire confiance aveuglément. C’était utile. L’IA était un outil nouveau à apprivoiser, la formation créait les premiers réflexes.

Deux ans et demi plus tard, la situation a changé. L’IA est partout, les outils ont décuplé, et les équipes savent à peu près ce qu’est un LLM. Le problème n’est plus « comprendre ce qu’est l’intelligence artificielle ». Il est « intégrer les agents IA dans les process existants de façon à ce que l’usage soit réel, durable, et pas juste limité aux personnes les plus à l’aise techniquement ».

Or, beaucoup de formations IA en 2026 ressemblent encore à des formations 2023 : des slides, des exemples génériques, des bonnes pratiques de prompt. Et à la sortie, les équipes savent utiliser ChatGPT pour rédiger un mail. Mais leurs process n’ont pas bougé.

Ce que ça doit vouloir dire en 2026

Une formation IA efficace en 2026 se mesure à ce qu’on sort avec à la fin. Pas à ce qu’on a appris en salle.

Si à la fin de la journée l’équipe repart avec un agent IA qui tourne sur un vrai process de l’entreprise, la formation a servi. Si elle repart avec un PDF de bonnes pratiques et la conviction qu’il faut « explorer ces sujets plus en profondeur », elle n’a pas servi.

La différence concrète : une équipe qui sort avec Claude branché sur son CRM via MCP, qui génère un rapport analytique automatiquement chaque lundi, qui qualifie les prospects entrants avant qu’un humain les rappelle. Pas une équipe qui « a compris le potentiel de l’IA » et attend la prochaine occasion pour l’utiliser.

Voici trois exemples de ce que ça donne concrètement, tirés des sessions de formation Kleveria.

Exemple 1 : Automatiser la création de contenu

La douleur : deux heures par semaine pour rédiger posts LinkedIn, fiches produits, ou newsletter. Souvent la même personne qui fait tout. Quand cette personne est absente ou surchargée, la production s’arrête.

Ce qu’on construit pendant la formation : un agent Claude avec accès aux briefs et au référentiel de l’entreprise. En pratique, un fichier Markdown (ou une page Notion) qui contient le ton, les offres, les clients types, les thèmes récurrents. Claude lit ce contexte et produit des v1 calibrées sur la voix réelle de l’entreprise.

Stack : Claude (agent conversationnel) + Notion ou fichier Markdown (contexte et briefs) + MCP Notion si besoin d’accès dynamique au CRM ou aux données clients. Make optionnel si on veut automatiser l’alimentation du contexte.

Ce que ça change : l’équipe dicte les idées ou fournit les grandes lignes, Claude produit une v1 en deux minutes, la relecture humaine prend quinze minutes. La production ne dépend plus d’une seule personne, et la qualité reste homogène parce que le contexte est partagé.

Ce n’est pas « ChatGPT pour écrire ». C’est un agent qui connaît le ton de l’entreprise, ses contraintes, ses clients, et qui produit du contenu adapté sans qu’on ait besoin de tout réexpliquer à chaque conversation.

Exemple 2 : Automatiser les reportings analytiques

La douleur : chaque lundi matin, une heure à coller des chiffres dans Excel, faire des tableaux croisés, rédiger le récapitulatif de la semaine précédente, envoyer le mail à l’équipe de direction. Tâche répétitive, peu de valeur ajoutée, souvent bâclée parce que personne n’a le temps.

Ce qu’on construit : un workflow qui récupère automatiquement les données sources (Google Analytics, CRM, outil de suivi commercial selon les cas), les envoie à Claude avec des instructions claires sur le format du rapport, et envoie le rapport finalisé par mail avant 9h le lundi. Sans intervention humaine.

Stack : Make (agent modulaire pour la récupération des données et l’orchestration) + Claude (analyse des données et rédaction du rapport en français) + Gmail ou équivalent (envoi automatisé). Claude first : Make intervient uniquement pour les connexions aux sources de données, pas pour l’analyse.

Ce que ça change : le rapport du lundi sort tout seul. L’équipe le lit, le commente, décide. Plus de copier-coller, plus d’heure perdue à consolider des tableurs. Et surtout, le rapport est toujours là, même quand la personne habituellement en charge est absente.

La règle : Make récupère, Claude analyse. Ne jamais demander à Make de « comprendre » les données, ni à Claude de « récupérer » une feuille de calcul.

Exemple 3 : Qualifier les prospects (cas agence immobilière, candidat locataire)

La douleur : chaque demande de location déclenche le même process manuel. Vérifier les revenus, la situation professionnelle, les pièces jointes, les critères imposés par le propriétaire. Quinze à vingt minutes par dossier, souvent répété plusieurs fois par semaine, pour des dossiers qui s’avèrent finalement non conformes.

Ce qu’on construit : un formulaire de candidature (Tally ou tout autre outil avec webhook) qui déclenche automatiquement une analyse du dossier. Claude reçoit les informations du candidat et les critères du propriétaire, compare les deux, et produit une qualification : dossier conforme, dossier à traiter manuellement, dossier non conforme avec la raison. Si le dossier est qualifié, un rendez-vous de visite est créé directement dans l’agenda de l’agent responsable.

Stack : Tally ou formulaire existant (collecte des informations candidat) + Make (orchestration du déclenchement) + Claude avec MCP CRM si les critères propriétaire y sont stockés (analyse et qualification) + Google Calendar ou Calendly (création automatique du rendez-vous).

Ce que ça change : zéro dossier incomplet traité manuellement. La qualification prend deux minutes. L’agent se concentre sur les candidats qui correspondent réellement au bien. Et le propriétaire voit des dossiers sélectionnés, pas une pile non triée.

Ce même workflow est adaptable à n’importe quel secteur où la qualification de prospects est répétitive : recrutement, sélection de fournisseurs, onboarding client, demandes d’information entrantes. La logique reste la même. Seul le contexte change.

Le principe : former l’équipe en créant des agents directement applicables

Le fil conducteur de ces trois exemples : on ne forme pas les équipes à « utiliser l’IA en général ». On crée, avec elles et pour elles, un agent qui tourne sur un de leurs process réels dès la fin de la session.

La formation devient une session de construction, pas une session de sensibilisation. La différence est fondamentale.

Quand quelqu’un apprend à utiliser Claude en rédigeant un mail générique, il oublie la méthode dès la semaine suivante parce qu’il n’a pas de raison concrète de la réutiliser. Quand il sort avec un agent IA qui tourne sur son propre process, il a une raison de l’utiliser tous les jours – parce que c’est son process, pas un exemple fictif.

C’est aussi pour ça que la transmission interne fonctionne mieux : quand un collègue dit « comment tu as fait ça », il peut lui montrer en live, sur son propre cas d’usage, avec ses propres données. Pas avec un screenshot de la démo de formation.

C’est l’approche qu’on applique dans toutes les formations Kleveria : chaque participant sort avec un agent IA opérationnel sur un cas d’usage de son activité. Finançable OPCO, y compris en format AFEST (Action de Formation en Situation de Travail) pour les entreprises qui veulent aller encore plus loin dans l’intégration au poste de travail.