fr
Formation — L'IA au service des développeurs
Brouillon de fiche publique. Deux jours, 14 heures, à distance. Le programme détaillé et les documents administratifs vivent ailleurs ; cette page dit ce que la formation apprend et pourquoi.
La thèse
Un agent ne rend pas un projet plus rapide : il rend plus rapide la production de code. Ce n’est pas la même chose. Si le projet ne sait pas dire tout seul qu’il est cassé, l’accélération se paie en défauts, en revues fictives et en dette de compréhension.
D’où l’ordre de la formation : d’abord comprendre ce qu’est un modèle de langage, ensuite piloter un agent sur un dépôt réel, et enfin poser autour de lui la boucle de rétroaction — tests, pipeline, découpage — sans laquelle rien de tout cela ne tient.
Le fil est une seule compétence, qui traverse les deux journées : savoir spécifier, savoir vérifier.
Public
Développeurs et profils techniques non-développeurs, ensemble et en binôme. Le déséquilibre entre les deux profils est un contenu, pas un obstacle : la vérification d’une production d’IA est souvent mieux faite par celui qui ne tient pas le clavier.
Ce que la formation permet de faire, à la sortie
- Expliquer le fonctionnement d’un modèle de langage — tokens, plongements, fenêtre de contexte, alignement, non-déterminisme — sans mathématiques.
- Choisir, face à un besoin donné, entre ingénierie de contexte, appel d’outils, RAG et fine-tuning, et justifier ce choix.
- Évaluer de manière critique une production d’IA : repérer les inventions, les dépendances non vérifiées, les angles morts — puis corriger.
- Configurer un environnement de développement agentique sur un dépôt existant, et maîtriser sa consommation.
- Mettre en place une boucle de rétroaction automatisée : tests, pipeline, hooks.
- Appliquer les techniques de maîtrise de la complexité qui rendent un projet exploitable par un agent — et argumenter que ce sont les mêmes que celles qui le rendaient lisible par un humain.
- Mettre au travail un agent non interactif sur une tâche répétitive, avec ses garde-fous : périmètre, coût, revue humaine.
- Nommer les risques — injection de prompt, fuite de données, paquets hallucinés, RGPD, AI Act, licences — et les mesures applicables.
Déroulé
Jour 1 — comprendre, puis piloter. Sous le capot sans mathématiques. Les quatre leviers, du moins au plus coûteux : contexte, outils, RAG, fine-tuning. Ce que le travail augmenté fait bien, ce qu’il fait mal, et pourquoi la vélocité ressentie n’est pas la vélocité mesurée. Panorama outillé par niveau de contrôle plutôt que par marque. Puis un premier atelier : prendre pied dans un dépôt inconnu, en produire une cartographie, et la vérifier ligne à ligne.
Jour 2 — rendre l’accélération sûre. L’ingénierie logicielle comme démarche empirique : itératif, incrémental, rétroaction, petits lots, le pipeline comme arbitre, les métriques de livraison. Pourquoi l’IA rend tout cela obligatoire plutôt qu’optionnel. Atelier central : construire le harnais du dépôt et mesurer ce que change le harnais pour l’agent. Puis l’agent managé sur la chaîne de livraison, la brique RAG en atelier guidé, et la conformité.
Ce que la formation n’est pas
Ce n’est pas un tutoriel d’outil. Un tutoriel d’outil est périmé au prochain modèle ; le module sur la livraison continue et l’atelier de harnais, non. C’est la partie du programme dont la valeur survit, et c’est celle qui n’est jamais sacrifiée quand l’horaire dérape.
Le fine-tuning est traité comme une décision, pas comme une pratique : dans la plupart des contextes d’équipe, ce n’est pas la bonne réponse. Pour la version qui le pratique vraiment, voir Formation — RAG et fine-tuning.