IA multimodale : usages, modèles et limites en entreprise

L’IA multimodale permet de transmettre directement à un modèle une facture, une capture d’écran ou un enregistrement, sans devoir commencer par le décrire. Il reste toutefois indispensable de vérifier sa réponse. D’après les vérifications du 19 octobre 2026, les familles OpenAI GPT-6, Google Gemini 4 Argon, Anthropic Claude et Meta Muse Spark Open présentées ici ont toutes le texte pour sortie native. Produire de la parole ou une image relève d’une capacité distincte, assurée par un autre modèle ou un outil.

Qu’est-ce que l’IA multimodale ?

L’IA multimodale, ou « multimodal AI » en anglais, traite plusieurs types d’informations, par exemple du texte et des images, au sein d’une même tâche. Une modalité désigne simplement un type d’information. Au lieu de recopier tous les détails d’une facture fournisseur, vous pouvez transmettre la page et demander à quel bon de commande elle correspond. Le modèle dispose alors de votre question écrite et des éléments visuels qui permettent d’y répondre.

C’est un peu comme expliquer un problème à un collègue. Vous pouvez décrire un colis endommagé, montrer une photo, ou présenter cette photo en précisant ce que le client avait commandé. Croiser ces éléments aide à comprendre la situation. Cela ne garantit pas que votre collègue lise correctement l’étiquette ni qu’il connaisse votre politique de remboursement.

La distinction utile se situe entre comprendre un média et en créer un. Un modèle qui accepte une vidéo de produit pour l’analyser prend la vidéo en entrée. Un modèle qui crée une nouvelle vidéo de produit fournit de la vidéo en sortie. Ce sont des capacités distinctes dans sa fiche technique. Un fichier est, lui aussi, un conteneur : un PDF peut réunir du texte, des photos et des graphiques, tandis qu’un tableur contient des données structurées. Le fait d’accepter le fichier ne dit pas quels éléments de son contenu parviennent au modèle.

Comment fonctionne une IA multimodale ?

Le système convertit les textes, images, sons ou vidéos qu’il accepte en représentations que le modèle peut traiter ensemble, puis produit une sortie dans un format pris en charge. Certains modèles gèrent directement plusieurs types de médias. L’application qui les intègre peut aussi extraire du texte, prélever des images dans une vidéo, transcrire l’audio ou appeler un autre modèle. Pour un responsable produit, la question déterminante est de savoir quelles informations subsistent après ces étapes. Si un enregistrement client devient une transcription, les paroles peuvent être conservées tandis qu’un geste, un bruit ou un avertissement à l’écran disparaît.

Modèles d’IA générative multimodale : quelles entrées et quelles sorties ?

Définissez les entrées et les sorties nécessaires à votre tâche avant de choisir un modèle multimodal. Le tableau ci-dessous présente sur une base commune les informations des documentations officielles en ligne, vérifiées le 19 octobre 2026. Il décrit les modèles cités et les modes d’accès documentés de leurs API, sans couvrir toutes les fonctions de leurs applications grand public. Une API est l’interface par laquelle votre logiciel appelle un modèle.

La « sortie texte » comprend l’analyse écrite et le code. Les appels d’outils ou les fichiers créés par un outil associé sont distincts des médias que le modèle produit nativement. La dernière ligne présente un modèle vocal dédié, pour montrer ce qui change lorsqu’une réponse parlée est nécessaire.

Les mentions de fichiers appellent une précision. Le guide OpenAI sur les fichiers en entrée décrit des traitements différents pour les PDF, les documents courants et les tableurs. Le guide PDF d’Anthropic explique que les images des pages sont transmises avec le texte extrait. Ces fonctions d’ingestion sont documentées ; elles ne prouvent pas que n’importe quelle pièce jointe sera comprise dans son intégralité.

OpenAI GPT-6 : analyser une image et en générer une sont deux capacités distinctes

OpenAI GPT-6 est une famille de modèles capables de raisonner à partir de textes et d’images. Pour une entreprise qui analyse des captures d’écran ou prépare un brouillon à partir d’un document, ces entrées peuvent suffire. Pour traiter l’enregistrement d’une réunion, il faut surtout regarder ce que le modèle lui-même accepte en audio, au-delà des capacités de l’application qui l’entoure.

OpenAI documente un outil de génération d’images qui appelle un modèle GPT Image. Une application fondée sur GPT-6 peut donc produire une image grâce à cet outil, alors que la sortie native de GPT-6 reste du texte. Cette distinction explique une démonstration en apparence contradictoire, sans nier l’existence de la fonction. Consultez la documentation de l’outil de génération d’images et le guide GPT-6 du site pour en savoir plus sur la famille et les modalités d’accès.

Google Gemini 4 Argon : des enregistrements en entrée, des réponses écrites en sortie

Google Gemini 4 Argon est un modèle de raisonnement qui accepte notamment l’audio, la vidéo et les PDF. C’est donc un candidat direct pour interroger des enregistrements de réunion ou des vidéos de produit. Sa fiche indique explicitement que la génération audio et la Live API ne sont pas prises en charge : réussir le résumé d’un enregistrement ne suffit donc pas à faire de ce même modèle votre agent téléphonique en direct.

Pour un responsable produit, la première décision consiste à préciser le livrable : une réponse écrite sur des médias existants, ou une conversation en temps réel. Gardez ces besoins distincts. Le guide consacré à Gemini 4 Argon approfondit les choix d’intégration.

Anthropic Claude : analyser des documents et des captures d’écran

Anthropic Claude est une famille de modèles qui reçoit du texte et des images et produit du texte. Son traitement des PDF transmet à la fois le texte et l’image de chaque page. Cela compte lorsqu’un total de facture, la légende d’un graphique ou la mise en page porte une information utile. Pour l’audio d’une réunion, prévoyez une étape explicite de transcription avant d’envoyer le texte obtenu à ces modèles.

Un résumé bien rédigé ne prouve pas qu’un libellé minuscule a été lu correctement. Anthropic met en garde contre les images de mauvaise qualité et les comptages approximatifs : la vérification d’un document doit donc toujours s’appuyer sur les éléments d’origine. Le comparatif Claude Opus et Sonnet aborde le choix du modèle une fois le mode d’entrée défini.

Meta Muse Spark Open : la liberté de déploiement a ses propres limites

Meta Muse Spark Open est un modèle à poids ouverts : ses poids peuvent être téléchargés pour le déployer. Sa fiche indique des entrées texte, image, vidéo et audio, avec une sortie texte. Ces capacités médias sont pertinentes aussi bien pour une équipe technique qui exploite le modèle elle-même que pour celle qui passe par un hébergeur.

Des poids ouverts ne créent pas de sortie vocale et ne garantissent pas qu’un hébergeur donné accepte tous les formats d’entrée. Meta prévient aussi que l’inférence quantifiée, qui réduit la précision numérique, peut modifier la qualité dans certains cas limites. Vérifiez la configuration déployée et les médias pris en charge avant de construire votre solution autour du modèle. Le guide Muse Spark Open détaille les choix de déploiement.

Une plateforme d’IA multimodale peut perdre des informations avant leur arrivée au modèle

Examinez le circuit de traitement du fichier lorsqu’un modèle manque un graphique pourtant bien visible dans la pièce jointe. Le problème peut venir de l’ingestion, c’est-à-dire de la transformation du fichier importé en données d’entrée, plutôt que du raisonnement.

Pour les PDF, la Responses API d’OpenAI transmet à la fois le texte et les images des pages. Pour les autres documents, comme les présentations et les fichiers de traitement de texte, son circuit d’entrée extrait le texte mais n’inclut pas les images ou graphiques intégrés. OpenAI recommande une conversion en PDF lorsque ces éléments visuels comptent. Pour les tableurs, ce circuit analyse au maximum les 1,000 premières lignes par feuille et ajoute des métadonnées de synthèse et d’en-tête. Ce n’est donc pas l’équivalent d’une analyse exhaustive du classeur entier. Il s’agit de propriétés documentées de ce mode d’entrée, pas de limites universelles applicables à tous les outils d’une application OpenAI. Documentation des fichiers en entrée.

Imaginez qu’un responsable commercial demande pourquoi une présentation trimestrielle fait apparaître une baisse des renouvellements. Si le graphique est une image intégrée et que seul le texte des diapositives parvient au modèle, il manque l’élément principal pour répondre. Convertissez la présentation en PDF ou transmettez l’image du graphique concerné, puis demandez au modèle d’en relever les libellés et les valeurs avant de lui demander une explication.

Pour rapprocher les données d’un classeur, choisissez un circuit qui lit l’ensemble des données sous-jacentes et effectue des calculs explicites. Le commentaire rédigé par le modèle doit expliquer le résultat après le traitement des données. Il ne doit pas dispenser de vérifier quelles lignes ont été prises en compte.

Trois applications de l’IA multimodale en entreprise

Commencez là où les médias obligent déjà quelqu’un à ressaisir, réécouter ou expliquer des informations. Le gain pratique consiste à supprimer cette étape de reformulation tout en conservant un moyen de vérifier la réponse. Les workflows suivants sont des propositions, pas des résultats de tests.

Exemples d’IA multimodale : traiter des factures et des captures d’écran

Un responsable des opérations peut utiliser des documents ou des images en entrée pour préparer un brouillon structuré destiné à un workflow existant. Prenons un distributeur qui reçoit des factures fournisseurs aux mises en page variées, ainsi que des captures d’écran de commandes dont l’envoi a échoué. L’objectif est d’obtenir une fiche exploitable, étayée par les éléments d’origine, plutôt qu’une description élégante de la pièce jointe.

Pour une facture, précisez les champs nécessaires : fournisseur, numéro de facture, devise, total, référence du bon de commande et page justifiant chaque champ. Demandez au modèle de laisser tout champ illisible à l’état « inconnu ». Contrôlez les totaux par des calculs effectués hors du modèle et vérifiez la référence du bon de commande dans le système d’achats. Un document vraisemblable ne doit pas suffire à faire modifier des coordonnées de paiement.

Pour une capture d’écran destinée au support, transmettez la description du client et l’intégralité de l’état d’erreur visible. Demandez le message d’erreur exact, l’étape concernée et une proposition de catégorie. Un gros plan recadré peut faciliter la lecture des petits caractères, mais conservez la capture complète pour que le modèle garde le contexte. Le guide de vision d’OpenAI recommande explicitement d’agrandir les petits textes et signale les difficultés liées aux textes inclinés ainsi que le risque de descriptions incorrectes. Limites de la vision.

Ce qu’il faut prévoir : un mode d’entrée image ou PDF documenté, une liste fixe de champs de sortie, un système de référence pour vérifier les identifiants et les totaux, et une file de traitement des exceptions conservant la pièce jointe d’origine. GPT-6 et Claude sont des candidats pour ce type d’entrée ; le tableau indique aussi la prise en charge des images par Gemini et Muse Spark Open. Une capacité annoncée permet de retenir un modèle pour le pilote. Elle ne dit pas lequel lira le mieux les documents de vos fournisseurs.

À adopter dès maintenant si un opérateur valide une fiche préparée plus vite qu’il ne la crée de zéro. À reporter si le projet suppose d’accepter toutes les valeurs extraites sans les vérifier. Si les fournisseurs transmettent déjà des données structurées propres, conservez cette intégration directe : les photographier ajouterait de l’incertitude.

Réunions enregistrées et vidéos de produit : conserver les éléments d’origine

Un responsable produit peut demander à un modèle acceptant l’audio de préparer un relevé de décisions à partir d’un enregistrement de réunion, ou à un modèle acceptant la vidéo de repérer certains passages d’une démonstration produit. Gemini et Muse Spark Open indiquent prendre en charge ces deux types de médias en entrée. Google documente notamment la transcription et le résumé audio. Guide de compréhension audio.

Pour une réunion, demandez les décisions, les actions proposées, les responsables lorsqu’ils sont explicitement nommés, les questions en suspens et les repères temporels correspondants. Exigez une distinction entre « nous avons décidé » et « quelqu’un a suggéré ». Un intervenant mal identifié ou une échéance incertaine doit figurer parmi les points à clarifier. La personne chargée de la vérification doit pouvoir ouvrir le passage pertinent, sans devoir chercher dans un résumé bien tourné des indices sur son origine.

Pour une vidéo de produit, demandez à quel moment l’utilisateur rencontre une erreur ou comment l’emballage s’ouvre. Le résultat peut prendre la forme d’une liste de passages à examiner, avec leurs repères temporels, pour aider un monteur ou un chef de produit à retrouver les séquences. Il ne s’agit pas de générer une vidéo finalisée. Comprendre l’enregistrement source et créer une vidéo montée sont deux tâches différentes.

Ce qu’il faut prévoir : le véritable contenu audio ou vidéo en entrée, un accès aux passages sources grâce à des repères temporels, un prompt qui définit l’événement recherché et des paramètres de traitement adaptés au niveau de détail. Une transcription est une solution raisonnable si seules les paroles comptent. Elle ne suffit pas lorsque l’élément décisif est un changement silencieux à l’écran ou un défaut visible.

Le mode vidéo par défaut de Google prélève 1 image par seconde, y compris sur Gemini 4. La documentation avertit que des détails peuvent se perdre lors d’actions rapides. Argon propose aussi, sur activation, un traitement vidéo agentique dans lequel le modèle explore la chronologie et charge sélectivement les éléments utiles. Cette option de recherche est intéressante, mais ne garantit pas que chaque instant ait été examiné. Pour un bouton qui clignote brièvement ou une action mécanique rapide, demandez un examen ciblé et vérifiez vous-même la séquence. Documentation du traitement vidéo.

À adopter dès maintenant pour retrouver des éléments pertinents et préparer des notes à partir d’enregistrements. À reporter pour une certification qualité sans supervision ou des affirmations définitives sur des événements trop brefs pour être conservés par le traitement en entrée.

Un assistant IA multimodal pour un service vocal en direct

Une entreprise de services qui répond aux appels de ses clients a besoin d’une sortie audio, d’une gestion des interruptions et d’un accès à ses systèmes opérationnels. Un modèle capable de résumer un enregistrement ne remplit qu’une partie de ces besoins.

OpenAI GPT-Live 1 illustre concrètement cette voie vocale distincte : sa fiche indique des entrées et sorties audio et texte, une écoute et une parole simultanées, ainsi que la délégation du raisonnement et de l’utilisation des outils à un agent côté serveur. Il n’accepte ni images ni vidéos. Si l’appelant envoie aussi une photo, l’application doit prévoir un circuit distinct capable de traiter l’image et un moyen de rattacher le résultat à la conversation. Spécifications de GPT-Live 1.

Pour une entreprise de services à domicile, un premier périmètre utile consiste à recueillir la description du problème, consulter les créneaux disponibles dans un outil de réservation et préparer une réservation à confirmer. Conservez l’adresse et la prestation demandée dans des données métier structurées, même si l’échange est oral. Une voix agréable ne prouve pas qu’un rendez-vous a bien été enregistré.

Ce qu’il faut prévoir : une connexion audio en direct, un modèle ou un service capable de parler, un backend qui vérifie les disponibilités réelles, des règles explicites sur les engagements possibles et un transfert à une personne lorsque la demande sort du périmètre prévu. Testez les interruptions, les silences, les corrections et l’échec d’une recherche de réservation. Ces incidents font partie de l’expérience client, au même titre que la démonstration sans accroc.

À adopter dès maintenant pour recueillir des demandes dans un cadre précis et rechercher des informations, avec un relais clairement défini. À reporter si le service ne sait pas reprendre l’échange après une correction d’adresse ou une panne du système de planification. La prise en charge des enregistrements par Argon ne suffit pas : sa fiche exclut explicitement la Live API et la génération audio.

Quelles sont encore les limites de l’IA multimodale ?

Davantage de types d’entrées donnent au modèle davantage d’éléments, sans garantir sa perception ni son jugement. Les documentations des fournisseurs recensent elles-mêmes des défaillances dont le workflow doit tenir compte.

Les petits caractères, la mise en page et les comptages restent des points faibles. OpenAI met en garde contre les textes petits ou inclinés, les styles de graphiques, les difficultés de raisonnement spatial précis et les comptages approximatifs. Anthropic signale de même les images de mauvaise qualité ainsi que les coordonnées et comptages approximatifs. Une photo de stock en entrepôt peut aider à repérer un problème possible, mais un comptage exact doit reposer sur les données d’inventaire ou sur une méthode de comptage validée. Une facture dense exige une vérification champ par champ, pas un simple « ça a l’air bon ». Limites de la vision d’OpenAI, limites de la vision de Claude.

Le traitement d’une vidéo importée peut échouer avant toute analyse utile. Meta indique que des vidéos très courtes ou de faible résolution, par exemple autour de 100 pixels, peuvent conduire Muse Spark Open à répondre qu’il ne peut pas les voir. Meta recommande des séquences plus longues ou une résolution d’au moins 448 pixels sur le petit côté. Préservez la qualité de la source avant de conclure que le modèle est incapable d’accomplir la tâche. Il s’agit d’une recommandation de préparation, pas d’une garantie d’exactitude. Fiche du modèle Meta.

Une réponse assurée peut tout de même être inventée. La fiche d’Argon de Google mentionne des hallucinations, c’est-à-dire des affirmations inventées ou incorrectes, ainsi que des lenteurs ou des dépassements de délai occasionnels. Meta prévient que les réponses peuvent être inexactes et que le raisonnement en plusieurs étapes peut échouer, surtout dans des situations peu familières. Un fondateur qui met en place un workflow doit prévoir la marche à suivre lorsque le modèle n’aboutit pas ou que sa réponse ne peut pas être vérifiée : relancer une tâche bien délimitée, demander de meilleurs éléments ou confier le cas à une personne. Une absence de réponse ne doit jamais devenir silencieusement un résultat accepté. Fiche du modèle Gemini, fiche du modèle Meta.

L’analyse d’une image ne permet pas de trancher son authenticité. Anthropic précise que Claude ne peut pas déterminer de manière fiable si une image a été générée par IA. Demander « cette photo jointe à une demande de remboursement est-elle truquée ? » constitue donc un mauvais critère de validation. Appuyez-vous plutôt sur l’historique de commande, les justificatifs d’expédition et votre procédure habituelle de traitement des exceptions. Limites documentées de Claude.

Les limites réellement utiles sont souvent inférieures à ce que laisse penser la fenêtre de contexte mise en avant. Le circuit direct de fichiers en entrée d’OpenAI exige que chaque fichier fasse moins de 50 MB, avec un total de 50 MB par requête. Le guide PDF de Claude indique une limite de 32 MB par requête, variable selon la plateforme, et jusqu’à 600 pages pour les requêtes concernées à grand contexte ; le plafond descend à 100 pages lorsque la fenêtre de contexte est inférieure à 1M de tokens. Le reste de la requête et la consommation réelle de contexte comptent aussi. Un token est une unité de traitement, pas une page, et un plafond de pages ne promet pas une extraction parfaite. Découpez le document en fonction de la tâche à résoudre. Limites de fichiers d’OpenAI, conditions de traitement des PDF par Claude.

Au-delà des promesses : que faut-il faire autrement ?

L’exagération consiste à traiter le mot « multimodal » comme un cahier des charges complet. Il indique que plusieurs types d’informations sont en jeu. Il ne précise ni lesquels, ni s’ils sont utilisés en entrée ou en sortie, ni si l’application qui entoure le modèle les préserve.

Pour les équipes opérationnelles, la conséquence est concrète : gardez la pièce jointe d’origine à côté du brouillon et rendez visibles les valeurs inconnues. Commencez par faire vérifier le travail proposé par une personne. Ne supprimez ce contrôle que pour un cas bien délimité dont vous savez détecter les erreurs de manière fiable.

Pour les équipes techniques, définissez précisément le modèle, le mode d’accès à l’API, le prétraitement et le format de sortie. Testez un graphique intégré, une étiquette floue et un événement bref dans une vidéo. Un import réussi ne prouve pas que l’élément décisif est arrivé jusqu’au modèle. Vérifiez le contenu dont il dispose.

Pour les acheteurs, demandez au fournisseur de démontrer, dans le produit proposé, le traitement de votre entrée et la production de la sortie dont vous avez besoin. Une démonstration dans une application grand public ne prouve pas les capacités de l’API ou de l’offre vendue. Exigez une réponse claire sur ce qui se passe lorsqu’une information manque et sur la responsabilité de la correction.

Ceux dont le travail repose déjà sur des données structurées propres et sur un processus fiable à règles fixes ne sont pas concernés. La multimodalité est utile lorsque l’information reste enfermée dans des médias. Elle ne justifie pas de remplacer une requête de base de données qui fonctionne par une capture d’écran.

Dès lundi : tester une tâche précise, de l’entrée à la sortie

Choisissez une tâche qui aboutit à un brouillon vérifiable. Un responsable des opérations peut retenir la saisie des factures ; un responsable produit, la recherche d’éléments dans des enregistrements clients ; un fondateur technique, l’accueil vocal avec un relais humain.

1. 1

   Définir l’entrée et le livrable

   Par exemple : un PDF fournisseur en entrée, des champs de facture proposés avec les pages justificatives en sortie. Précisez qui valide le brouillon et ce qui constitue un résultat correct.

2. 2

   Réunir des sources représentatives

   Commencez par un petit échantillon, par exemple 20 éléments déjà traités, comprenant des exemples simples, des informations manquantes et des médias difficiles à exploiter. Consignez les réponses attendues avant de lancer le pilote. Il s’agit d’une proposition de jeu d’évaluation, pas d’un résultat de benchmark.

3. 3

   Vérifier toute la chaîne de traitement

   Utilisez exactement le modèle et le circuit de traitement des fichiers ou médias prévus pour le déploiement. Vérifiez que les graphiques, les paroles et les événements visuels brefs sont conservés lorsque la tâche en dépend. Gardez les originaux et les éléments justificatifs renvoyés.

4. 4

   Mesurer le travail réellement utile

   Suivez les brouillons acceptés, les erreurs qui portent à conséquence, le temps de vérification et les cas où le modèle signale correctement une information inconnue. Élargissez le périmètre uniquement lorsque le résultat fait gagner du temps sans masquer les erreurs. Conservez les cas d’échec dans le jeu de test lors d’un changement de modèle ou de circuit d’entrée.

Questions fréquentes

Qu’est-ce qu’un jeu de données multimodal ?

C’est un ensemble qui contient plusieurs types d’informations, souvent sous forme d’éléments associés, comme une image et sa légende ou un enregistrement et sa transcription. C’est le lien entre ces éléments qui rend leur combinaison utile.

ChatGPT est-il un modèle d’IA ?

ChatGPT est une application qui utilise des modèles d’IA et des outils. GPT-6 désigne une famille de modèles. Pour vérifier une capacité, distinguez l’application, le modèle sélectionné et les éventuels outils associés. Guide de ChatGPT sur le Web.

Qu’est-ce qui caractérise une application d’IA générative multimodale ?

Elle utilise plusieurs types d’informations pour produire une réponse : par exemple, la photo d’un client et sa réclamation écrite servent à préparer une réponse du support. Cette réponse peut être du texte, même si les entrées sont multimodales.

Que signifie la multimodalité en IA ?

Elle désigne le traitement de plusieurs types d’informations, comme le texte, les images, l’audio ou la vidéo. Cela ne signifie pas que chaque modèle accepte et produit tous ces types.

ChatGPT est-il multimodal ?

Oui, à l’échelle de l’application. Pour une tâche précise, vérifiez le modèle sélectionné et les outils activés. Les fiches actuelles des modèles GPT-6 d’OpenAI indiquent des entrées texte et image et une sortie texte ; les autres capacités médias sont fournies par des outils et des modèles distincts.

Quel exemple concret permet de comprendre l’IA multimodale ?

Transmettre une capture d’écran avec la question « quelle erreur est visible ? » et recevoir une explication écrite constitue une tâche multimodale. Le modèle combine l’image et la question.

Quelle est la meilleure IA multimodale ?

Partez des entrées et des sorties nécessaires. Gemini 4 Argon et Muse Spark Open indiquent accepter les enregistrements audio et vidéo ; GPT-6 et Claude proposent des circuits texte et image pour le travail documentaire. Une interaction parlée en direct nécessite un circuit doté de capacités vocales. Comparez les résultats acceptables sur vos propres sources avant de choisir.

Quels sont cinq exemples de textes multimodaux ?

Un manuel d’instructions illustré, une infographie, une vidéo sous-titrée, une page Web associant mots et photographies, et un diaporama commenté à l’oral. Ici, « texte » désigne un support de communication, pas seulement des caractères écrits.

Quelle différence entre un LLM et un modèle multimodal ?

LLM signifie « large language model », ou grand modèle de langage, et désigne une catégorie de modèles. Le terme « multimodal » décrit les types d’informations qu’un système traite. Ces deux qualifications peuvent se recouper : un modèle de langage peut aussi accepter des images. Vérifiez les modalités réellement prises en charge au lieu d’opposer les deux termes.

Pour faire des choix concrets sur vos workflows d’IA, abonnez-vous à la newsletter.