1 : Laboratoire d'aérologie Institut de Recherche pour le Développement, Institut National des Sciences de l'Univers, Centre National de la Recherche Scientifique, Université de Toulouse
Cette présentation est un retour d'expérience honnête sur l'utilisation de l'IA générative dans mes projets, organisé en deux parties. La première (25 min) part d'un premier projet condensant toutes les mauvaises pratiques, pour arriver à une approche forgée par l'expérience : utiliser le LLM non comme une base de connaissances mais comme un moteur de raisonnement auquel on fournit connaissance, outils et feedback. Cette pratique, couplé au context engineering, consiste à concevoir un système qui construit dynamiquement le contexte optimal pour la tâche en cours. Elle est illustrée par cinq cas concrets choisi parmi mes réalisations menés entre juin 2025 et mars 2026 : un projet embarqué complet pour instrument ozone (OS, drivers, soft embarqué, pipeline CI/CD) conçu dès le départ pour être co-implémenté et co-maintenu par IA ; un agent de classification comptable sur données CNRS, petit modèle, confidentialité et minimisation des tokens menant pourtant à un gain de productivité élevé ; un agent de modélisation thermique pour OpenStudio illustrant la construction dynamique d'un agent quand la documentation cible n'est pas directement accessible ; enfin, la construction d'une base de donnée relationnelle à l'aide d'agents multi-instanciés illustrant comment contraindre les sorties des LLM pour satisfaire des exigences de schéma strictes. La seconde partie (10 min + 10 min de questions) ouvre une discussion sourcée sur ce que ces pratiques coûtent réellement : bilan carbone d'une inférence en décalage avec la sous-évaluation des fournisseurs, dépendance cognitive induite, risques liés à la progression des capacités des modèles. La conclusion n'est pas binaire : elle est conditionnelle à une prise de conscience collective que nous n'avons pas encore vraiment amorcée. Apports pour les participants : Une vision désenchantée mais opérationnelle : les pièges, les erreurs classiques, et les pratiques qui font de l'IA générative un outil réellement puissant pour ceux qui choisissent de l'utiliser en connaissance de cause. Prérequis : Pratique du développement logiciel. Les bases du prompting.
