Même LLM, résultats différents : le rôle du workflow

Des praticiens accédant à des modèles similaires obtiennent des résultats divergents. La différence ne tient pas seulement au modèle, mais à l’organisation du travail autour de lui, du cadrage initial aux réponses aux sorties insatisfaisantes.

Le cadre de travail pèse plus que la seule capacité du modèle

La seule capacité du modèle ne suffit pas à expliquer les différences de résultats. Ce sont la manière d’encadrer la tâche, le contexte préservé, les actions confiées à l’IA et la façon de réagir aux sorties insatisfaisantes qui jouent un rôle déterminant.

Deux approches illustratives : fable explicative et chaîne outillée

Amanda Askell utilise un prompt qui demande à l’IA d’expliquer une idée complexe sous forme de fable avant de la nommer. Andrej Karpathy intègre les modèles de langage dans un flux de travail plus large, combinant recherche web, analyse de fichiers, Python, production d’artefacts et codage. Ces méthodes aboutissent à des façons de travailler très différentes autour d’un même type de modèle.

Une même base commune, une question persistante

Bien que les utilisateurs aient accès à des modèles similaires, une question revient : pourquoi observe-t-on autant d’écarts de résultats ? Cette interrogation accompagne deux années de pratique avec des agents d’IA et l’observation de profils qui explorent des usages variés de ces outils.