Choisir le mauvais modèle d’IA tue ta productivité

La plupart des gens utilisent l’IA comme on dirigerait une entreprise si on se détestait : une seule personne qui fait la compta le matin, la vente à midi et du code en production le soir.

Techniquement, ça marche. Mais c’est aussi le moyen le plus rapide de passer de « l’IA, c’est magique » à « l’IA, c’est un peu pénible ».

Des modèles différents, des personnalités différentes

On parle des LLM comme s’ils étaient interchangeables. Tu en choisis un. Tu t’y tiens. Tu l’utilises par défaut pour tout.

En réalité, les modèles ont une personnalité. Certains sont directs et tranchés. D’autres sont prudents et bavards. Certains sont incroyablement bons en raisonnement technique, d’autres excellent à écrire des textes fluides qui sonnent humain. Et comme avec les gens, mettre le bon cerveau au mauvais poste, c’est une taxe sur ta productivité que tu paies tous les jours.

Voici l’analogie la plus simple que j’ai trouvée : le recrutement.

Si tu embauchais une seule personne pour faire la compta, la vente, le support client et le développement logiciel, tu n’appellerais pas ça de la « polyvalence ». Tu appellerais ça du « mauvais management ».

Le « meilleur » modèle dépend du job

J’utilise Claude Opus pour la plupart de mon code. Il est rapide, précis, et il a tendance à rester sur les rails quand la tâche est technique. Un de mes collègues ne jure que par Codex pour le même genre de travail.

Qui a raison ?

Nous deux.

L’adéquation compte. Un modèle qui te paraît moyen dans ton workflow peut sembler imbattable dans celui de quelqu’un d’autre, simplement parce que les tâches, les contraintes, les prompts et les attentes sont différents. Exactement comme quelqu’un peut galérer avec un manager et devenir employé de l’année avec un autre.

La vitesse bat le « un peu plus intelligent » plus souvent que tu ne le crois

Pendant longtemps, j’ai continué à utiliser GPT-4.1 pour l’essentiel de mon travail quotidien, même après la sortie de GPT-5.1.

Pas parce que GPT-5.1 était mauvais. Parce qu’il était plus lent, et pas franchement meilleur pour les tâches que je faisais vraiment.

C’est un détail que les gens sous-estiment : la latence est une fonctionnalité.

Quand tu es en pleine exécution, attendre dix secondes de plus une réponse que tu aurais pu avoir en deux n’est pas un coût neutre. Ça casse l’élan. Ça crée de la friction. Ça te pousse à procrastiner. Ça te donne envie de revenir à l’ancienne méthode, bête mais rapide.

La vraie question n’est donc pas « quel est le modèle le plus intelligent ? ». C’est « quel modèle me fait avancer sur cette tâche précise ? ».

Pourquoi ChatGPT ne peut pas choisir le bon modèle pour toi

Les outils de chat sont optimisés pour une seule chose : tu es là, à attendre.

Cette seule contrainte impose des compromis. Elle pousse le produit vers des réponses rapides, même quand la meilleure réponse viendrait d’un passage plus lent et plus approfondi. Et ça veut aussi dire que c’est toi, l’utilisateur, qui finis par choisir le modèle dans ta tête : quel modèle, quel mode, quels réglages, quels prompts.

Ce n’est pas une expérience utilisateur. C’est un job à temps partiel.

L’approche Notis : un routage multi-agents, comme une vraie équipe

C’est exactement pour ça qu’on a construit Notis avec une architecture multi-agents.

L’idée de base est ennuyeuse, dans le bon sens du terme : adapter le niveau d’intelligence à la complexité du travail.

Une toute petite demande, comme créer une tâche simple dans Notion, n’a pas besoin d’un génie. Elle a besoin de vitesse, de fiabilité et de zéro drame.

Une demande plus longue, comme écrire un article de blog, transformer un vocal en plan structuré ou synthétiser une semaine de notes de réunion, demande plus de raisonnement, une meilleure gestion du contexte et une écriture plus soignée.

Et le travail vraiment lourd, comme une automatisation qui tourne pendant la nuit, peut utiliser le modèle le plus lent et le plus intelligent disponible, parce que personne ne regarde l’icône de chargement.

Dans Notis, tu envoies le message une fois. Le système choisit le cerveau.

C’est tout.

L’« IA asynchrone », c’est le déclic

Quand tu écris à un collègue, tu n’attends pas une réponse en deux secondes. Tu attends une bonne réponse.

C’est l’attente que je veux pour la productivité avec l’IA.

Tout n’a pas besoin d’être instantané. Certaines choses doivent surtout être justes.

Quand tu supprimes la pression de la réponse immédiate, tu supprimes la pression de privilégier la vitesse sur la qualité. Tu peux laisser le système prendre une minute de plus pour réfléchir, parcourir ton espace de travail, recouper les détails et produire quelque chose que tu peux vraiment livrer.

L’avenir, ce n’est pas un modèle parfait

L’avenir de la productivité avec l’IA ne consiste pas à trouver ton modèle pour la vie.

Il consiste à avoir des systèmes qui choisissent automatiquement le bon outil pour chaque job, comme tu diriges une équipe. Tu ne confies pas chaque tâche à ton profil le plus senior. Et tu ne demandes pas non plus à ton stagiaire d’écrire ta page de tarifs.

La plupart des gens développeront cette intuition avec le temps. Tu apprendras quels modèles conviennent le mieux à quelles tâches, et tu changeras d’instinct.

Mais les vrais gains arrivent quand tu n’as plus du tout besoin d’y penser.

Parce que le goulot d’étranglement n’est plus ce que les modèles savent faire.

Le goulot d’étranglement, c’est de savoir lequel utiliser, et quand.