Pourquoi « quel LLM utilisez-vous ? » n'est pas la bonne question

Quand une entreprise évalue un outil d'IA, la conversation commence presque toujours par le modèle. « C'est GPT ou Claude ? » « Quelle version ? » « Le nouveau modèle est plus intelligent, donc le produit sera meilleur, non ? » La question est compréhensible — et à peu près aussi utile que de choisir un prestataire d'après la marque de son ordinateur portable.

Prenons le même modèle — disons le modèle phare d'Anthropic — et observons-le dans deux produits différents. Le premier, c'est Cursor, un agent de développement. Mentionnez-le dans Slack avec une tâche : il lance une machine virtuelle, clone votre dépôt, écrit du code, exécute les tests et livre une pull request. Un ingénieur brillant.

Le second, c'est Claude Tag, un « collègue généraliste » dans le même Slack. Il lit l'historique du canal, retient le contexte du projet, se connecte à vos documents et calendriers. Il sait aussi coder — mais il analysera tout aussi volontiers un échange avec un client et vous suggérera comment répondre à une troisième demande de remise.

Le même modèle à l'intérieur. Deux spécialistes complètement différents à l'extérieur. Demandez à l'agent de code une stratégie de communication client : il répondra quelque chose, le modèle est intelligent après tout. Mais ce sera l'avis d'un plombier sur la décoration du salon — quelqu'un de compétent, simplement venu avec d'autres outils et dans un autre rôle.

Le « harness » désigne l'ensemble des composants qui entourent le modèle et lui permettent d'accomplir une tâche.

Changer les outils, les instructions et le contexte peut transformer le produit sans changer de modèle. À l'inverse, un modèle plus performant ne compensera pas toujours un environnement mal conçu.

Tout cela vaut non seulement pour les outils que vous achetez, mais aussi pour la façon dont l'IA voit votre entreprise. Quand un client potentiel demande à ChatGPT, Claude ou Perplexity « quel service choisir pour X », le modèle ne répond pas de mémoire. Il travaille dans son propre harness : un outil de recherche trouve des pages, un parseur en extrait le texte, et c'est seulement ensuite que le modèle formule sa réponse. À chaque étape, votre site passe le filtre — ou pas.

Un site dont le contenu dépend fortement de JavaScript peut être difficile à lire pour ces outils. Une page sans titres clairs ni informations précises sera plus difficile à citer. Enfin, le manque de mentions dans des sources indépendantes réduit les occasions de découvrir votre entreprise.

C'est précisément l'objet du GEO (Generative Engine Optimization) : optimiser non pas pour un algorithme de classement, mais pour le harness des systèmes génératifs — pour la manière dont les agents d'IA découvrent, lisent et restituent votre contenu. Le SEO classique demandait : « comment entrer dans le top 10 des liens ? » Le GEO demande : « comment entrer dans la réponse elle-même ? »

Si vous choisissez un outil d'IA — regardez au-delà du modèle et vérifiez si le harness correspond à votre tâche. Un outil avec un modèle « plus modeste » mais les bons instruments et l'accès à vos données battra un modèle phare dans une fenêtre de chat générique.

Si vous développez un outil d'IA en interne, définissez d'abord le rôle de l'agent, les informations auxquelles il aura accès, ses actions possibles et ses limites. Vous pourrez ensuite choisir le modèle et prévoir son remplacement si nécessaire.

Si vous souhaitez que les assistants recommandent votre entreprise, pensez à la manière dont ils liront vos pages. Celles-ci pourront faire partie des informations utilisées pour répondre à un futur client.