Pense d'abord. Prompte ensuite.

La compétence que personne n'enseigne

Il y a une compétence que Claude ne peut pas compenser. Personne ne l'enseigne dans les formations IA. Et pourtant, elle décide de tout.

Cette compétence n'a pas de nom marketing. Elle ne tient pas dans un slide. Elle ne se résume pas à une certification.

C'est la capacité à décomposer un problème avant d'écrire la moindre instruction à un modèle.

J'ai vu des dirigeants brillants brûler des milliers d'euros parce qu'ils sautaient cette étape. Ils achetaient des formations Prompt Engineering, des templates de prompts, des cours sur l'API Anthropic. Ils maîtrisaient l'outil. Ils restaient incapables de produire quoi que ce soit d'utile avec.

À l'inverse, j'ai vu des gens sans expérience technique sortir des résultats spectaculaires avec une version gratuite de ChatGPT. La différence n'était jamais l'outil. C'était toujours en amont.

Cette observation est devenue ma règle de tri. Quand un prospect m'appelle pour automatiser un process, je ne regarde plus son budget ou son stack. Je regarde si la personne en face est capable de formuler son problème en trois phrases claires. Si oui, je peux travailler avec lui. Si non, l'IA ne nous sauvera pas.

L'industrie autour de l'IA en 2026 vend l'outil. Personne ne vend ce qui fait que l'outil fonctionne vraiment.

Un mauvais problème bien prompté reste mauvais

Tout le monde optimise ses prompts. Les gens achètent des templates, des formations, des cours. Ils maîtrisent l'outil.

Le problème n'est jamais le prompt.

Si tu ne peux pas formuler le problème en une phrase, tu n'es pas prêt à prompter.

L'IA amplifie la clarté de ta pensée. Pas la qualité de ton prompt. Si tu poses un problème flou, elle sort quelque chose de flou. Si tu poses un problème précis, elle sort quelque chose d'utilisable.

Le delta n'est pas dans l'outil. Il est en amont.

Exemple récent. Un fondateur de SaaS B2B me contacte. Il veut « utiliser l'IA pour mieux comprendre ses clients churners ». Phrase qui sonne intelligente. Phrase complètement inutilisable.

Pendant 45 minutes, on décompose. Qu'est-ce qu'un churner pour toi ? Quelqu'un qui annule en cours d'abonnement, ou quelqu'un qui ne renouvelle pas ? Combien tu en as eu sur les 6 derniers mois ? Quels signaux as-tu actuellement avant l'annulation ? Quelles données existent déjà dans ton CRM, ton outil de support, ton produit ?

À la fin de l'heure, son problème initial s'est désintégré. Il restait trois problèmes concrets, dont deux n'avaient besoin d'aucune IA. Le troisième pouvait être résolu avec un workflow ChatGPT de 50 lignes.

Cette session n'avait pas demandé d'expertise IA. Elle avait demandé une discipline de découpe.

Comment les experts pensent différemment

Gary Klein a passé 30 ans à étudier comment les pompiers, les chirurgiens, les pilotes d'élite prennent des décisions sous contrainte. Son livre Sources of Power documente une chose précise.

Les experts ne raisonnent pas comme les manuels le décrivent. Ils ne passent pas systématiquement par toutes les options possibles. Ils n'analysent pas chaque variable. Ils ne pèsent pas le pour et le contre.

Ils reconnaissent des patterns. Et ils décomposent un problème inconnu en sous-problèmes connus.

C'est ce qu'on appelle la décomposition experte. Ce n'est pas une intelligence supérieure. C'est une bibliothèque mentale construite par les répétitions.

Quand tu prompes une IA, tu fais exactement la même chose. Tu prends un problème global et tu le découpes en sous-questions auxquelles l'outil peut répondre. La qualité de ton découpage détermine entièrement la qualité de la sortie.

Si tu as cette compétence, tu peux produire avec n'importe quel modèle. Si tu ne l'as pas, le meilleur modèle au monde produira de la bouillie pour toi.

C'est la raison pour laquelle les experts techniques précèdent souvent les experts métier sur l'usage de l'IA. Pas parce qu'ils comprennent mieux Claude. Parce qu'ils ont déjà construit, dans leur ancien métier, la discipline de découpe.

Cette compétence est transférable. Mais elle se travaille.

L'exercice de décomposition en 3 étapes

Voilà la méthode que j'utilise sur chaque problème avant d'ouvrir une IA. Elle prend trois minutes. Elle change tout.

Étape 1 : formuler le problème en une phrase. Pas une question floue. Pas une intention. Une phrase qui contient la situation actuelle et le résultat attendu.

Mauvais exemple : « Je veux mieux gérer mes clients. »

Bon exemple : « Mes 12 plus gros clients ne renouvellent pas leur abonnement annuel dans 30 jours, et je n'ai pas de système de relance préventive. »

La différence est énorme. La première phrase ne laisse rien faire à personne. La deuxième définit l'enjeu, le périmètre, l'urgence.

Étape 2 : identifier la contrainte principale. Quel est l'obstacle qui empêche actuellement de résoudre le problème ? Manque de temps ? Manque d'information ? Manque de discipline ? Manque d'outil ?

Cette question révèle souvent que l'IA n'est pas la bonne solution. Si l'obstacle est un manque de discipline, aucune IA ne le règle. Si l'obstacle est un manque d'information, l'IA peut aider mais ne crée pas l'information manquante. Si l'obstacle est un manque d'outil pour traiter de l'information existante, là, on tient quelque chose.

Étape 3 : définir le résultat attendu en termes mesurables. Tu sais que c'est résolu si quoi exactement ? Pas « ça marche mieux ». Pas « j'ai plus de clarté ».

Tu sais que c'est résolu si : sur les 12 plus gros clients, 10 reçoivent une séquence de relance préventive personnalisée 60 jours avant échéance, et le taux de renouvellement passe de 70% à 85% sur les 6 prochains mois.

Avec ces trois éléments, tu peux prompter. Sans eux, tu ne peux pas.

Le détail qui change tout : ces trois étapes se font à la main, sur un papier ou un Notion vide. Pas avec l'IA. Si tu utilises Claude pour t'aider à formuler le problème, tu importes son flou dans ton propre cadrage.

Pourquoi les formations IA passent à côté

Parce que c'est une compétence de pensée. Pas une compétence d'outil.

On peut certifier l'utilisation de ChatGPT. On ne peut pas certifier la clarté d'esprit. C'est exactement ce que Farnam Street documente sur les mental models depuis dix ans.

Les formations IA sur le marché en 2026 vendent ce qu'elles peuvent vendre. Des techniques de prompting. Des templates. Des bibliothèques. Tout est utile. Tout passe à côté de l'essentiel.

L'essentiel est cognitif. Il se construit par la pratique répétée de la décomposition sur des problèmes réels. Pas par la consommation de contenu sur le sujet.

J'ai un test simple pour vérifier si une formation IA vaut quelque chose. Je regarde combien de temps elle passe sur les outils et combien de temps elle passe sur la formulation du problème. Ratio sain : 30% outils, 70% formulation. Ratio réel des formations grand public : 95% outils, 5% formulation.

Cette asymétrie explique pourquoi tant de gens sortent de formations IA avec des certificats et restent incapables de produire de la valeur. Ils ont appris à utiliser l'outil sans avoir appris à savoir quoi en faire.

Ce que ça change dans un système IA

Un système IA bien conçu reflète la clarté de la pensée de celui qui l'a construit. Un prompt flou produit un système flou.

Quand je déploie un Pipeline Engine chez un client, le code n'est jamais le problème. Les intégrations Zapier, les requêtes API, les boucles de retry, les fallbacks — tout ça se résout avec une journée de focus.

Ce qui prend du temps, c'est la décomposition initiale du problème métier. Qu'est-ce qu'un lead qualifié pour cette entreprise ? Quelles données existent déjà ? Quelle est la décision que le système doit prendre ? Comment mesurer le succès ?

Si cette décomposition est claire, le système se construit en quelques jours. Si elle est floue, on passe des semaines à itérer parce que les agents prennent des décisions absurdes faute de critères précis.

J'ai un repère solide en mission. Plus la phase 1 d'architecture est tendue et longue, plus la phase de build est rapide. Plus la phase 1 est expédiée, plus la phase de build est cauchemardesque.

La règle est universelle. Elle dépasse l'IA. Elle vient du génie logiciel classique. Le temps passé à comprendre un problème en amont est toujours rentable. L'IA n'a fait qu'amplifier cette règle, parce que les systèmes IA sont plus malléables, plus rapides à construire, donc plus tentants à itérer sans réflexion.

La pratique quotidienne

Voilà deux habitudes concrètes que je conseille aux clients qui veulent développer cette compétence.

Première habitude :avant chaque session IA significative, écrire la question en une phrase sur papier. Pas dans le chat. Sur papier. Si tu n'y arrives pas en trois tentatives, tu n'es pas prêt à prompter. Tu fermes l'onglet et tu retournes réfléchir.

Cette friction est exactement le but. Elle te force à clarifier en amont au lieu de naviguer par exploration.

Deuxième habitude :tenir un journal des problèmes mal posés. Une fois par semaine, tu reviens sur les prompts qui n'ont pas donné de résultats utiles. Tu te demandes : qu'est-ce que je n'ai pas su formuler clairement ? Pas pour culpabiliser. Pour repérer les patterns de flou que tu transportes sans le voir.

Au bout de trois mois, ces deux habitudes changent ton rapport à n'importe quel problème complexe. Pas seulement avec l'IA. Avec tout.

Conclusion

L'IA n'est pas un outil de productivité. C'est un amplificateur de clarté mentale.

Pour ceux qui ont la clarté, elle décuple les capacités. Pour les autres, elle décuple la confusion à grande vitesse, avec de jolies phrases articulées.

Cette distinction expliquera l'écart de performance entre les structures dans les trois prochaines années. Pas l'accès aux modèles. Pas le budget. Pas la technique. La compétence de pensée structurée des gens qui les utilisent.

Pense d'abord. Prompte ensuite. Le reste suit.