L'IA résume vite et bien. Sauf les chiffres, les nuances et ce qu'elle ne sait pas qu'elle invente.
Ce que tu vas apprendre
Quand tu demandes à l'IA de résumer un compte rendu de réunion ou un document de dix pages, elle produit quelque chose de fluide, bien organisé, agréable à lire. Le problème, c'est que la fluidité et la fidélité sont deux choses différentes. Cette leçon t'apprend à les distinguer — et à poser les vérifications qui t'évitent d'envoyer un résumé qui trahit la source.
Les trois ateliers de ce module couvrent les livrables documentaires les plus fréquents en assistanat : le compte rendu de réunion, la note de synthèse, le mode opératoire. Dans les trois cas, l'IA produit une première version exploitable en quelques minutes. Dans les trois cas, certains éléments doivent être vérifiés avant diffusion.
Un LLM génère du texte en prédisant le mot le plus probable après le précédent. Sur une tâche de résumé, il dispose de ta source comme point d'appui, ce qui réduit le risque de dérapage. Mais ce n'est pas une garantie absolue. Quand le document est long, quand plusieurs réunions se ressemblent dans le contexte, ou quand une phrase est formulée de façon ambiguë, le modèle peut glisser. Il peut attribuer une décision à la mauvaise personne. Il peut arrondir un chiffre à la valeur qu'il « attend » statistiquement. Il peut réécrire une nuance délicate en une affirmation catégorique.
Voici ce qui se passe concrètement : tu lui colles la transcription d'une réunion de comité de direction, il te sort un résumé propre en deux minutes. Tu le relis vite, le texte tient la route, tu l'envoies. Deux jours plus tard, un directeur te rappelle que le budget validé était de 48 000 euros, pas 40 000, et que la décision sur le prestataire n'avait pas encore été actée. Ces deux détails étaient dans la transcription, mais formulés de façon indirecte. L'IA a comblé les blancs avec ce qui lui semblait probable.
La synthèse fidèle, c'est celle qui reste à l'intérieur de ce que le document dit, pas de ce qu'on pourrait raisonnablement en déduire.
L'IA est fluide même quand elle a tort. C'est la propriété la plus importante à garder en tête. Rien dans sa réponse ne signale une erreur factuelle : le ton reste assuré, la mise en forme est propre, la phrase sonne juste. C'est pourquoi une relecture générale ne suffit pas.
La vérification utile est une relecture ciblée sur des catégories précises. Chiffres et montants : chaque chiffre du résumé doit avoir un jumeau dans le document source. Dates et échéances : une date de livraison, un délai réglementaire, une date de prochaine réunion — ce sont des éléments qui engagent des personnes. L'IA peut les confondre si plusieurs dates apparaissent dans un document. Noms et attributions : qui a dit quoi, qui a décidé quoi. Dans une réunion à dix personnes, le modèle peut attribuer une prise de position à la mauvaise personne. Décisions et engagements : ce qui a été tranché vs. ce qui a été discuté. Une décision « en cours d'arbitrage » peut devenir « validée » dans le résumé si la tournure de la phrase originale était hésitante.
Le bon réflexe n'est pas de tout réécrire à la main. C'est de garder le document source ouvert pendant la relecture et de cocher chaque fait structurant. Pour une note de synthèse d'une page, ça prend cinq minutes. Ces cinq minutes te protègent d'un mail de correction qui arrive deux jours après l'envoi.
L'IA est utile sur la documentation et la synthèse, mais pas uniformément. Savoir où elle excelle et où elle accroche te permet d'organiser le travail plutôt que de lui déléguer aveuglément.
Ce qu'elle fait bien : condenser un document long en gardant la structure principale, reformuler un texte dense en langage plus accessible, repérer les grands thèmes et les organiser en sections claires, produire une première version exploitable en quelques secondes quand tu lui fournis un texte bien délimité.
Ce qu'elle rate, ou fait avec risque : hiérarchiser selon l'importance réelle pour ton contexte (elle ne sait pas que le point 4 de la réunion était le plus chaud politiquement), conserver une nuance délicate (une formulation diplomatique, un désaccord exprimé entre les lignes : tout ça a tendance à s'aplanir dans le résumé), manipuler des chiffres précis sans erreur quand le document en contient beaucoup avec des unités différentes ou des conditions attachées.
Le bon partage du travail : tu lui confies la structure et la condensation, tu gardes la hiérarchie des priorités et le contrôle factuel. Ce n'est pas une méfiance de principe envers l'outil. C'est simplement utiliser chacun sur ses points forts.
Utilise ce texte-test ou remplace-le par un vrai texte de ton quotidien. Lance le prompt, compare le résumé avec la source. Cherche : les chiffres sont-ils tous exacts, les noms correctement attribués, les nuances conservées ?
Relève : les chiffres (23 500 euros, 8 personnes, 15 septembre), les noms (Claire Dumont, son rôle), et la nuance finale (second prestataire « en discussion » ou présenté comme décidé ?). Tu verras concrètement où le modèle reste fidèle et où il prend des libertés.
Termes du glossaire
Google DeepMind. « FACTS Grounding : a new benchmark for evaluating the factuality of large language models » (2024-2025). Benchmark de fidélité des résumés LLM sur des documents sources vérifiables.
Magesh et al. « Large Legal Fictions : Profiling Legal Hallucinations in Large Language Models » (Stanford CodeX, 2024). Mesure des hallucinations factuelles LLM sur des corpus juridiques.
Frontiers in AI. « Survey and analysis of hallucinations in large language models » (2025). Revue systématique des causes et typologies d'hallucinations dans les LLM, avec exemples documentaires.