Méthodologie IA : sources, prompts

Cet article est la note méthodologique associée à l'article « IA et voyage : l'adoption explose, la réservation résiste ». Il détaille comment l'IA générative a été utilisée pour le produire, et où elle s'est trompée.

1. Les outils

• Claude (Anthropic), version payante — recherche documentaire assistée, structuration, rédaction, vérification.
• Feedly, version gratuite — veille sectorielle personnelle (flux Traveltech : Travolution, Skift, PhocusWire, TechCrunch Travel), source de l'angle initial.

2. Exploration, développement d'idées et créativité

L'idée n'est pas venue de l'IA mais de ma veille Feedly : deux actualités du même jour — une levée de fonds sur l'optimisation d'inventaire, un déploiement de conciergerie IA en hôtel — suggéraient que l'IA passait du concept à l'opérationnel. J'ai posé à l'IA des questions ouvertes pour tester cette intuition : « où en est réellement l'adoption de l'IA dans le voyage, côté voyageurs et côté entreprises ? »

J'ai écarté un premier angle purement descriptif (« l'IA transforme le voyage ») au profit d'un angle contradictoire — usage massif contre transaction marginale — qui n'est apparu qu'après lecture des données. Une grande partie de la documentation étant en anglais, j'ai fait traduire et adapter en français les passages retenus plutôt que les traduire mot à mot.

3. Planification et organisation

Je n'ai pas utilisé un prompt unique. J'ai procédé en séquence :

1. Cadrage — définir quatre axes de recherche distincts (adoption voyageurs / adoption entreprises / investissement et IA agentique / sources françaises, européennes et académiques) plutôt qu'une requête générale.
2. Collecte — lancer une recherche documentaire séparée par axe, en exigeant pour chaque chiffre la source primaire, l'année, l'URL et un niveau de confiance.
3. Arbitrage — trier les données, écarter les sources non traçables, repérer les contradictions.
4. Structuration — construire le plan à partir des contradictions repérées, et non l'inverse.
5. Rédaction, puis relecture critique complète et réécriture (deux itérations), puis vérification adverse des chiffres structurants.

4. Rédaction et articulation

L'IA a servi à formuler les transitions et à resserrer les phrases, avec une consigne explicite d'éviter les tournures génériques d'IA (« dans un paysage en constante évolution », « game-changer », questions de relance artificielles). L'objectif d'impact était défini avant d'écrire : un article assez dense en données pour être crédible auprès de professionnels du secteur sur LinkedIn, avec un écart chiffré marquant en accroche (44 % d'intention contre moins de 1 % de réservations réelles) et une lecture personnelle en conclusion. Les intertitres ont été retravaillés pour être informatifs plutôt qu'accrocheurs.

5. Éthique, sources et hallucination

C'est le point où l'IA m'a le plus fait travailler, et pas dans le sens attendu.

Une première recherche a fait remonter des sites agrégateurs de statistiques (type worldmetrics.org, wifitalents.com) dont les chiffres — précision à 95 %, montants au dollar près — n'étaient rattachables à aucune étude. Ces données ont été écartées et remplacées par des sources institutionnelles nommées. J'ai aussi écarté :

• le chiffre très relayé de « 71 % des voyageurs utilisant l'IA », dont la chaîne de citation ne remonte à aucune étude d'origine ;
• des chiffres attribués à une grande chaîne hôtelière sans déclaration officielle traçable ;
• une étude sur la confiance publiée sur un média sectoriel mais financée par un éditeur de logiciels, sans taille d'échantillon divulguée.

L'erreur la plus instructive : mon propre titre

Ma première version s'ouvrait sur un chiffre choc : « 90 % des voyageurs font confiance à l'information générée par l'IA, mais 2 % seulement l'autorisent à réserver ». En remontant à la source pour vérifier, j'ai découvert que le 2 % ne mesurait pas du tout cela : dans le State of Travel 2026 de Skift Research, il désigne la part des entreprises du voyage ayant déployé l'IA agentique à l'échelle. Rien à voir avec des consommateurs déléguant une réservation. Pire, la même étude mesure un niveau de confort net négatif vis-à-vis de la réservation par chatbot, ce qui contredisait frontalement mon « 90 % de confiance ».

J'ai donc supprimé l'accroche et l'ai remplacée par un écart entièrement vérifiable : 44 % de voyageurs déclarant vouloir réserver dans une interface d'IA (Phocuswright) contre moins de 1 % de nuitées effectivement issues d'un LLM (déclaration du directeur financier de Booking Holdings, 4 août 2026). Le chiffre de Skift a été réintégré ailleurs dans l'article, avec sa signification réelle. J'ai aussi retiré une mention « sur 325 millions de nuitées au T2 2026 » que je n'ai pas pu retrouver dans le communiqué de résultats.

À l'inverse, j'ai conservé et signalé explicitement deux contradictions plutôt que de choisir silencieusement : l'écart 19 % / 40 % sur l'adoption française, et l'écart 61 % / 33 % entre Phocuswright et Skift sur l'adoption de l'IA agentique par les entreprises. Dans les deux cas, l'écart vient de définitions différentes, et le dire est plus honnête que trancher.

Limite assumée : plusieurs rapports cités (Phocuswright, Skift Research) sont payants. J'ai travaillé à partir des pages de synthèse publiques des instituts eux-mêmes et de la reprise par la presse spécialisée, sans accès aux méthodologies complètes. Je le signale plutôt que de laisser croire à une lecture intégrale.

6. Exemples de prompts et interactions

Le prompt le plus utile n'a pas été un prompt de rédaction mais un prompt de contrainte de sourcing, donné avant toute recherche :

« Pour chaque donnée, indique : le chiffre exact, ce qu'il mesure précisément, l'organisation source et le nom de l'étude, l'année, l'URL, et un niveau de confiance HIGH ou MEDIUM. Écarte et signale explicitement les sites agrégateurs de statistiques sans source traçable. Si tu ne peux pas remonter à une source primaire, ne rapporte pas le chiffre. »

C'est ce prompt qui a produit la partie la plus utile du travail : une liste de sources écartées, avec les raisons. Sans lui, j'aurais publié des chiffres d'agrégateurs invérifiables — ils étaient dans les premiers résultats de recherche, et ils avaient l'air parfaitement crédibles.

Second prompt structurant, au moment de la relecture :

« Relis cet article en cherchant : les phrases qui pourraient venir de n'importe quel article sur l'IA, les affirmations sans chiffre à l'appui, et les endroits où je résume une source au lieu de l'utiliser. »

Il a conduit à supprimer deux paragraphes de généralités et à ajouter la comparaison coût du token / coût du travail, qui n'était pas dans la première version.

Troisième prompt, le plus utile de tous, appliqué en fin de parcours aux quatre chiffres les plus structurants de l'article :

« Vérifie ces affirmations de façon adverse : essaie de démontrer qu'elles sont mal attribuées, mal formulées ou invérifiables. Pour chacune, réponds VÉRIFIÉ / PARTIELLEMENT VÉRIFIÉ / NON VÉRIFIABLE / CONTREDIT, avec l'URL. »

C'est ce prompt qui a fait tomber mon accroche. Sans lui, je publiais un titre faux avec une source prestigieuse en dessous — ce qui est exactement le pire scénario : une erreur crédible.

Ce que j'en tire

La vraie leçon de cet article n'est pas que l'IA fait gagner du temps. C'est qu'elle en fait perdre au bon endroit : la moitié du temps de production est passée à vérifier des chiffres, dont deux se sont révélés faux ou mal attribués après avoir semblé parfaitement solides. Sur un sujet où tout le monde publie les mêmes statistiques recopiées les unes sur les autres, remonter aux sources primaires est devenu le seul vrai travail de fond.