Je lis souvent sur les réseaux sociaux des publications où il est question de savoir quelle est la meilleure IA du moment. On y trouve des avis divers, appuyés sur des benchmarks ou sur des ressentis plus souvent subjectifs que rationnels. Après environ deux ans d’utilisation de plusieurs modèles, et surtout six mois d’usage réellement productif, une réalité s’impose. La meilleure IA est celle que l’on utilise. Et très souvent, une seule ne suffit pas.
Je ne vais pas faire un comparatif d’IA ici, ce n’est pas le but. Je vais vous parler de mon retour d’usage. Ce que je confie à chacune, pourquoi, et ce que ça coûte.
Un constat : une même IA ne remplit pas tous les rôles
Depuis que j’utilise l’IA, j’ai testé plusieurs modèles. De ChatGPT à Claude, en passant par Gemini, Copilot, Mistral et Grok pour ne citer que ceux-là. Un constat s’impose. Aucune n’est efficace sur 100 % des tâches que je lui confie. Certaines sont très bonnes pour coder, d’autres pour documenter, analyser, planifier, proposer, rédiger ou relire. Toutes ont leurs forces et leurs faiblesses.
Il faut distinguer deux choses souvent confondues. La qualité brute du modèle d’un côté, l’écosystème autour de l’autre : longueur de contexte, gestion de fichiers, connecteurs, agents, exécution de code. Pour quelqu’un qui construit des solutions, l’écosystème pèse souvent plus lourd que le modèle lui-même.
Et si un modèle est réputé être le meilleur, l’est-il vraiment sur toutes les tâches ? Clairement non. J’ai un exemple concret. Lors de la conception d’un projet personnel, Claude, pourtant très bon sur beaucoup de choses, s’est perdu sur l’architecture de la solution. ChatGPT a été meilleur et a permis de remettre le projet sur les rails.
Ma répartition réelle
Voici comment je répartis les tâches aujourd’hui. Ce n’est pas un tableau de fonctionnalités, c’est un tableau de postes de travail.
| ChatGPT | Claude |
|---|---|
| Réflexion stratégique | Développement |
| Architecture | Refactoring |
| Méthodologie | Audit de sécurité |
| Structure des documents | Revue de code |
| Plan de rédaction | Revue et correction rédactionnelles |
| Analyse critique des livrables | Mise en page des documents |
| Schémas et illustrations |
La logique est simple. ChatGPT intervient en amont, quand il faut penser, cadrer, découper et critiquer. Claude intervient dès qu’il faut produire quelque chose qui tient dans un fichier : du code, un document mis en page, un schéma.
Deux exemples pris sur mes propres projets.
Les articles publiés sur ce site suivent tous la même chaîne. Le plan de l’article sur l’IA Act, celui sur le Shadow IA ou celui qui compare l’IA locale et l’IA cloud sont sortis de ChatGPT : angle, structure, sections, ce qu’il faut démontrer et dans quel ordre. J’écris ensuite le texte moi-même. Claude intervient en revue, avec mon fichier de style rédactionnel en entrée. Il relit, signale ce qui décroche et corrige ce qui doit l’être. Je garde la plume, et ce n’est pas une question de qualité du modèle. C’est ce qui me permet de rester le valideur. Un texte que je n’ai pas écrit, je peux le trouver correct sans être capable de dire s’il est juste. C’est là que la contrainte compte. Tenir un style sur mille cinq cents mots n’est pas le même exercice que trouver un bon angle.
Le deuxième exemple m’a plus appris que tous les benchmarks que j’ai pu lire. Mon enquête sur le satellite Globalstar M056. Un membre de mon club d’astronomie photographie une traînée à éclats réguliers. Je transmets d’abord un JPEG à Claude. La réponse est cohérente, assurée, et fausse : plusieurs satellites qui se suivent sur la même orbite. Je lui donne ensuite le fichier brut sorti du capteur. Il écrit et exécute le code d’analyse, trouve sept éclats alignés sur une même droite, et la conclusion change complètement. Un seul objet, en rotation sur lui-même.
Ce que j’en retiens n’a rien à voir avec la qualité du modèle. Le même modèle a produit les deux réponses. Ce qui a changé, c’est la donnée d’entrée et la capacité à exécuter du code sur un fichier local. C’est exactement ce que j’appelle l’écosystème.
Au final, le sujet n’est pas quel modèle utiliser. C’est comment répartir les tâches entre deux modèles complémentaires.
La règle que j’applique pour trancher
Ma règle tient en quatre mots : l’une conçoit, l’autre exécute.
Elle est testable. Avant d’ouvrir un outil, je me demande ce que je cherche à obtenir. Une décision, un plan, un découpage, un avis ? C’est ChatGPT. Un artefact que je vais relire, livrer ou versionner ? C’est Claude.
Ce n’est pas seulement une histoire de compétence. C’est une histoire de posture. Un outil à qui je demande de concevoir doit pouvoir me contredire et proposer autre chose. Un outil à qui je demande d’exécuter doit au contraire coller aux spécifications sans initiative. Ce sont deux comportements opposés, et les mélanger dans une même conversation produit du travail moyen dans les deux registres.
Concrètement, la boucle ressemble à ça. ChatGPT prend la réflexion, l’architecture et la structuration. Je transmets ensuite à Claude un véritable cahier des charges. Claude produit le code, la sécurité, la qualité, la documentation et les illustrations, dans le strict respect des spécifications. Le résultat repart chez ChatGPT pour analyse critique. ChatGPT produit de nouveaux prompts. Claude améliore. La boucle tourne autant de fois que nécessaire. Rien n’est livré sans ma validation.
Ce que le contre-avis ne fait pas
Faire critiquer par une IA la sortie de l’autre est la partie la plus séduisante de cette méthode. C’est aussi celle qu’il faut le moins idéaliser.
Le contre-avis fonctionne bien sur un raisonnement : il repère une hypothèse non justifiée, une étape manquante, une conclusion trop large. Il ne fonctionne pas du tout quand le problème vient de la donnée d’entrée.
L’enquête sur le satellite est l’illustration parfaite. La première conclusion était fausse, mais le raisonnement qui y menait était juste. Aucune relecture croisée n’aurait corrigé quoi que ce soit, parce qu’il n’y avait rien à corriger dans le raisonnement. Ce n’est pas un second avis qui a débusqué l’erreur, c’est la mesure. Deux modèles qui se relisent peuvent parfaitement tomber d’accord sur une erreur commune, et le faire avec beaucoup d’assurance.
Le contre-avis ne remplace pas une vérification factuelle. Il la prépare.
Combien ça coûte
C’est le défaut de cette méthode, et je ne vais pas le minimiser.
Financièrement d’abord. Il faut deux abonnements. Dans mon cas, une formule Max côté Claude, parce que c’est là que se fait la production, et une formule Plus côté ChatGPT. On est autour de 120 € par mois. Ce n’est pas anodin, surtout pour un usage individuel. Le calcul ne tient que rapporté à ce que ça produit. Si les deux abonnements vous font gagner une journée de travail par mois, la question est réglée. S’ils servent à écrire trois mails, elle l’est aussi, dans l’autre sens. Chaque cas est particulier.
Le deuxième coût est cognitif, et il est plus insidieux. Il faut maintenir deux contextes et dupliquer les instructions. Je suis devenu un as du copier-coller. Le vrai risque n’est pas la perte de temps, c’est la perte du fil. Un projet qui vit dans deux outils finit par exister en deux versions légèrement différentes, et personne ne s’en aperçoit avant la livraison.
Je limite ce coût avec trois habitudes. Un dossier de projet unique, qui fait référence pour les deux outils. Un style rédactionnel documenté une fois et réutilisé partout. Et une règle simple : la version qui fait foi est toujours le fichier, jamais la conversation. Ce mode de fonctionnement demande un pré-cadrage et une rigueur à la hauteur.
Ce qui reste non négociable : les données
Quelle que soit l’IA utilisée, la règle de ne pas communiquer de données confidentielles s’applique. Ce n’est pas propre au fait d’en utiliser deux. Ce qui est propre au fait d’en utiliser deux, c’est ce qui suit.
Deux fournisseurs, ce sont deux politiques de traitement à connaître, deux surfaces d’exposition, et deux jeux de paramètres à vérifier. La case qui décide si vos conversations servent à entraîner le modèle n’est pas au même endroit d’un outil à l’autre, elle ne porte pas le même nom, et elle n’a pas la même valeur par défaut. Multiplier les outils multiplie mécaniquement le nombre d’endroits où une mauvaise configuration peut passer inaperçue.
S’y ajoute un risque propre à ma méthode. Le passage de relais entre les deux outils consiste à transmettre un cahier des charges. C’est-à-dire, potentiellement, le concentré de ce qu’un projet a de plus spécifique. Un document de ce type en dit souvent plus long qu’un fichier de données.
Les questions à se poser sont toujours les mêmes. Où sont traitées les données ? Combien de temps sont-elles conservées ? Qui peut y accéder ? Est-ce qu’elles servent à entraîner un modèle ? Aucune n’est technique, et aucune ne demande d’être expert pour être posée.
Cette question ne concerne pas que ceux qui construisent des solutions. Dans la plupart des entreprises, plusieurs IA sont déjà utilisées en parallèle. La différence, c’est que personne ne l’a décidé. Chacun a ouvert l’outil qui lui parlait, avec son compte et ses paramètres par défaut. Vu de loin, ça ressemble à ce que je décris ici : plusieurs modèles, plusieurs fournisseurs, plusieurs surfaces d’exposition. Sauf qu’il n’y a ni règle de répartition ni périmètre de données. Ce que je paie en rigueur, une organisation qui subit cette dispersion le paie en contrôle.
La conséquence pratique est simple à retenir. Le périmètre des données se décide avant le choix du modèle, pas après. Vous définissez d’abord ce qui a le droit de sortir de chez vous. Vous choisissez ensuite, parmi les outils compatibles avec ce périmètre, celui qui répond le mieux au besoin. Pris dans cet ordre, le sujet se règle en amont. Pris dans l’autre, il se règle rarement.
Rien n’est définitif
Utiliser deux IA ne s’est pas fait du jour au lendemain. Il y a eu beaucoup de tâtonnements et d’erreurs avant d’arriver à ce mode de fonctionnement. Ce n’est pas quelque chose de naturel. La logique voudrait qu’on n’en utilise qu’une seule.
Au début, on donne des tâches au mauvais outil sans s’en rendre compte. Le cas le plus parlant, chez moi, a été la création de présentations et de documentation, que je confiais à ChatGPT. Sur le fond, ce n’était pas mauvais. Sur la forme, ce n’était pas conforme au niveau que je demande, et ça ne l’est toujours pas. Il a fallu que je teste plusieurs modèles avant de conclure que Claude était au-dessus des autres sur cette partie, dans mon contexte.
Ce qui rendrait tout cela inutile demain n’est pas un modèle plus intelligent. C’est un écosystème qui rattraperait l’autre. Le jour où un seul outil couvrira aussi bien la conception et la production, la question de la répartition ne se posera plus. Peut-être que ce sera OpenAI, Anthropic, Mistral ou Google. Personne ne le sait. Aujourd’hui j’utilise le couple ChatGPT et Claude pour mes besoins professionnels, mais qui sait quels modèles j’utiliserai dans quelques mois.
Une dernière chose
Le vrai gain d’utiliser deux IA a finalement été de repenser ma façon de travailler. Ça m’a obligé à nommer toutes les tâches que je faisais réellement, une par une. Ce fut la première étape, et c’est probablement la plus importante. Car avant de savoir quels outils nous allons utiliser, la vraie question est : pourquoi faire ?
