Comment mieux se former à l'automatisation par IA : tutoriels, projets personnels ou formation ?

Il n’a jamais été aussi simple d’apprendre quoique ce soit. C’est aussi vrai pour apprendre l’automatisation. Les tutoriels sont gratuits et très nombreux, les outils no-code proposent des versions d’essai, et une IA peut écrire en trente secondes un script qui prendrait 2h à un humain.

Et pourtant, la proportion de gens qui abandonnent n’a pas bougé. J’enseigne le sujet depuis 2018, à des promotions entières d’étudiants en école de commerce et d’ingénieurs, et je l’applique tous les jours en mission. Le point de blocage est toujours le même : ce n’est pas l’accès à l’information, c’est le passage du savoir au faire.

Cet article compare les trois chemins d’apprentissage principaux : les tutoriels, les projets personnels et la formation encadrée. Evidemment, je suis biaisé parce que je vends de la formation professionnelle à l’IA, mais je me suis formé tout seul, donc vous aurez les deux points de vue.

Commencez par vous situer : les trois niveaux d’automatisation

Il faut avoir une notion de ce que vous cherchez à faire. Si vous n’avez jamais fait d’automatisation, commencez par le début.

Niveau 1 : connecter des services existants. Vous reliez des outils qui existent déjà : un formulaire vers un CRM, un CRM vers une messagerie, un tableur vers un rapport. Les plateformes de type n8n, Make, Zapier ou Power Automate suffisent à ce niveau. Pas de code à écrire ou à copier / coller.

Niveau 2 : scripter. Vous écrivez du code qui interroge des API, transforme des données et produit un résultat, exécuté manuellement puis planifié. Pour des projets de ce type, on préfère Python.

Niveau 3 : orchestrer différents services. Vous faites intéragir plusieurs systèmes enchaînés, avec peut être un état à maintenir entre les exécutions, une reprise après erreur, une journalisation et éventuellement des modèles de langage dans la boucle.

Avant de commencer quoi que ce soit : écrivez le problème que vous voulez résoudre et identifiez le niveau de difficulté qui y correspond. En vérité, la grande majorité des besoins réels sont faciles à gérer (niveau 1), mais la grande majorité des gens veulent d’emblée devenir des experts. C’est la première cause d’abandon que j’observe, à cause de la difficulté technique. Quelqu’un qui voulait cesser de recopier des données entre deux outils se retrouve trois semaines plus tard à déboguer un environnement Python, ayant perdu de vue le problème initial, qui aurait été réglé en une heure sur une plateforme no-code.

Les tutoriels : parfaits pour débloquer

Les +++ : Ils permettent de découvrir des outils et d’apprendre qu’une chose est faisable. Les tutoriels sont très faciles à trouver, que ce soit par écrit ou sur YouTube.

Les — : Psychologiquement, regarder quelqu’un résoudre un problème produit exactement la même satisfaction que de résoudre le problème soi-même. Mais on n’apprend pas vraiment en regardant. On peut enchaîner quarante vidéos sur n8n et rester incapable de démarrer un scénario devant une page vide. C’est bien de s’entraînez à suivre des instructions, mais il faut activement essayer de les appliquer

Comment trouver de bons tutoriels. C’est facile :

Plus récent, c’est mieux. Les interfaces et les API des IA évoluent de semaine en semaine. Si le tuto est trop vieu, il risque de ne plus être d’actualité.
Est-ce sponsorisé par le créateur de l’outil ? Ce n’est pas forcément une mauvaise chose, mais il faut garder en tête qu’ils ne vont probablement pas montrer des alternatives à leur service.

Pensez aussi à la documentation officielle. Souvent à jour, exhaustive, et elle contient les cas limites que les vidéos ne mentionnent pas. En revanche c’est souvent difficile à lire. Votre IA préférée peut vous aider à synthétiser la doc et à trouver les solutions à vos problèmes.

une heure de tuto pour trois heures de pratique. J’ai l’impression qu’au-delà de ce ratio, je suis surtout passif devant des vidéos mais que je n’apprends pas. Pourtant je me sens productif, ce qui entretient l’illusion.

Les projets personnels : le top du top

Personnellement, c’est comme ça que j’ai appris. J’ai trouvé un projet qui m’intéressait, à l’époque (en 2019) c’était de faire de la veille sur les sites d’offres d’emplois. J’ai construit un scraper qui collectait automatiquement les données cherchées et je les analysais pour produire des rapports. Cela m’avait pris 6 mois, alors qu’aujourd’hui j’en aurais peut-être pour 2h, mais c’était un bon projet pour commencer.

Voici comment identifier un bon projet : Quatre critères pour un premier essai:

Un problème que vous avez vraiment. Si c’est juste un exercice, vous serez moins investis et la différence de persévérance entre les deux sera considérable.
Des données que vous possédez déjà. C’est vraiment dur de mettre la main sur de bonnes données. Si vous n’avez pas de plan data avant de commencer votre projet, pensez-y.
Pas grave si ça rate Evitez les processus critiques, comme la facturation client ou quoique ce soit qui est trop public.
Terminable en un week-end. C’est important pour commencer. Terminer un projet rapidement vous montrera que vous êtes capables d’automatiser au moins un minimum et vous donnera confiance en vous pour le prochain projet.

Besoin d’inspiration ? Voici différents types de sujets, avec une difficulté croissante.

La création d’un rapport récurrent. Récupérer des chiffres quelque part, les mettre en forme, les envoyer autre part. On apprend la lecture de données et la mise en forme.
La veille. Similaire au rapport, mais on ajoute un filtre, des critères et des notifications. On apprend la logique conditionnelle.
Le nettoyage d’export. On récupère un fichier “sale” qu’on vous envoie de manière récurrente, et on le nettoie. C’esst à dire retirer les doublons, les accents, les formats de date incohérents. On normalise les données. On apprend que facilement 50% de l’automatisation c’est de la normalisation de données.
L’alerte sur seuil. On envoie une notification quand un stock, un budget ou une position (dé)passe une certaine limite. On apprend la gestion d’état, parce qu’il ne pas renvoyer la même alerte quinze fois.
L’enrichissement. On part d’une liste existante et on complète des colonnes depuis des sources publiques. L’exemple classique est l’ajout d’emails depuis des profils LinkedIn.
La génération à partir d’un dataset. Produire des dizaines de pages ou de documents depuis un fichier structuré et un template, ou gabarit, seon l’Académie. J’ai détaillé ce sujet dans mon étude de cas sur le SEO programmatique.
Tout en même temps. Forcément c’est plus technique.

Quand vous avez terminé un projet, ou quand ça a l’air de fonctionner, pensez-bien qu’il faut encore attendre de voir s’il continue à marcher dans le temps. Cela m’est arrivé plusieurs fois aussi. Je termine le code, j’upload tout et je pars faire autre chose. Le lendemain, je me rends compte que le programme a crashé, à cause d’un problème que je n’avais pas rencontré en testant. Donc attendez bien deux semaines avant de vous dire que c’est fini-fini.

Et si l’IA écrit le code, faut-il encore apprendre ?

Je ne sais pas. J’y ai réfléchis, puisque j’enseigne précisément ces sujets là, mais la réponse est compliquée. Si je suppose que la situation actuelle est comme la diffusion des calculatrices et des téléphones et d’internet, et que personne n’a plus besoin de savoir faire du calcul mental, alos non, plus besoin de savoir écrire. Mais les situations ne sont pas identiques. Coder est beaucoup plus difficile que de multiplier des nombres dans sa tête.

La réponse politique est que la compétence de coder n’a pas disparu, elle s’est déplacée. Écrire un script de cinquante lignes ne vaut plus grand-chose. Par contre maintenant il est important de savoir : spécifier, déboguer et juger. Spécifier pour expliquer clairement aux AI le contexte de ce dont vous avez besoin. Déboguer pour comprendre pourquoi un code que vous n’avez pas écrit / ne savez pas lire ne fonctionne pas. Et juger pour savoir quoi faire et quand.

Mais en réalité l’IA peut aussi vous aider à faire tout ça, donc finalement on n’est pas trop avancé.

La formation encadrée

C’est évidemment l’option la plus chère. Même si je suis fan d’apprendre et de faire des études (2 master & un doctorat en cours de réalisation), je n’ai pas appris l’automatisation en formation. J’ai appris tout seul en bidouillant et en réalisant mes propres projets. Le problème d’une formation professionnelle, c’est que vous ne payez pas pour le contenu. Il existe gratuitement, sûrement de meilleure qualité et en plus complet, des centaines de tutoriels. Excluons aussi directement de notre discussion la formation publique en université. Pour des sujets aussi pointus et récents que l’automatisation, il n’existe pas de cursus adaptés et rapides. Vous pourriez en trouver en école privée, mais au prix d’un an entier d’études, le plus souvent.

Quand on paie une formation pro (bien faite), on achète surtout :

Du temps. Quelqu’un a trié le contenu pour vous. Plus besoin de défricher ou de vous demander ce qui est important. On évite aussi les erreurs les plus communes, que le formateur a probablement déjà rencontrées.

Une progression. Les ressources gratuites sont organisées par outil ou par technologie, mais presque jamais par progression pédagogique. C’est utile d’avoir une personne qui saura vous expliquer dans quel ordre quoi apprendre.

Des retours sur votre cas. C’est le seul élément vraiment introuvable ailleurs (sauf certaines IA qui font ça bien). Si vous demandez l’avis sur un forum, vous aurez peut-être quelques réponses courtes. Un formateur qui regarde votre processus saura vous dire que le problème n’était pas celui que vous croyiez et vous remettre dans la bonne voie.

Une contrainte pour terminer. Le taux d’abandon des cours suivis en autonomie est très élevé, en partie parce que vous n’avez pas de date, pas de groupe, ni souvent un rendu à produire. Ajouter un cadre sur la formation permet de s’assurer que vous allez la finir.

En revanche, si vous n’avez jamais essayé d’apprendre à automatiser de votre côté, ce n’est sûrement pas une bonne idée de passer directement par une formation pro. Prenez une ou deux soirée pour trouver un petit projet et essayez de le compléter par vous-même. Cela vous montrera déjà si vous aimez coder et automatiser et si vous avez vraiment la motivation d’apprendre.

Un mot sur le financement : si vous passez par un organisme, la certification Qualiopi conditionne l’accès aux dispositifs de financement de la formation professionnelle. Les règles et les périmètres évoluent régulièrement? Faites vérifier votre éligibilité au cas par cas. Pour ce que je propose de mon côté, tout est détaillé sur la page formation.

Quand il ne faut pas automatiser du tout

Peut-être que ce n’est pas pour vous ?

Si le besoin est ponctuel. Automatiser une tâche que vous ferez trois fois maxmimum ne se rentabilisera pas. Si vous l’automatisez, c’est juste pour apprendre mais pas pour gagner du temps.

Si un outil existant fait déjà le travail. Reconstruire ce que vous pourriez faire en payant un abonnement quelques dizaines d’euros par mois n’est pas vraiment intéressant en réalité (pour apprendre c’est toujours bien). Les projets commercialisés sont maintenus, documentés et ont un support client. A termes, c’est plus rentable que de tout refaire soi-même.

Si le processus est brouillon. C’est le cas le plus fréquent et le plus embêtant. Si le processus n’est pas clairement défini et ne suit pas des règles claires, vous ne réussirez pas à le faire faire par une machine.

Quelques erreurs à éviter

Que j’ai vues en 7 ans d’enseignement.

Automatiser une tâche qu’on n’a jamais faite à la main. C’est jamais une bonne idée. Il faudrait même plutôt tout faire à la main jusqu’à ce que ce soit embêtant, puis seulement à ce moment là automatiser.
Commencer par l’outil plutôt que le problème. « Je veux faire du n8n » n’est pas un projet. C’est ce qui produit des scénarios sophistiqués qui ne servent à personne.
Tout automatiser d’un coup au lieu d’une étape à la fois. Quand ça ne marche pas, on ne sait pas laquelle des sept étapes est en cause.
Confondre « ça a marché une fois » et « c’est en production ». Le fossé entre les deux représente la majorité du travail.
Ne pas mesurer le temps réellement gagné. Sans mesure, impossible de savoir si le projet valait ses heures — et impossible de le défendre en interne.
Oublier la maintenance. Une automatisation est un engagement, pas une livraison. Les API changent, les formats changent, les gens partent.

Un parcours en 90 jours

Enfin, comment savoir que vous progressez

Evidemment, la complexité des projets que vous menez vous indiquera si vous progressez. Vous pouvez également relever trois indicateurs chaque mois :

Le nombre d’automatisations en production, c’est-à-dire qui ont tourné seules pendant plus de deux semaines.
Les heures récupérées par semaine. Estimez-les avant, mesurez-les après. C’est ce chiffre qui justifie la suite, en interne comme pour vous-même.
Le temps de maintenance mensuel. Il sera faible au début, mais petit à petit vos scripts vont rencontrer des erreurs qu’il faudra réparer. Plus le temps de maintenance augmente, moins l’automatisation est rentable à termes.

Bonne automatisation !