Questions d’entretien d’embauche pour ingénieurs en IA générative
Créez le CV parfait de ingénieur en IA générative
Adaptez un CV et une lettre de motivation pour chaque candidature.
Voici les questions d’entretien d’embauche les plus courantes pour un poste de Generative AI Engineer, avec des exemples de réponses et des conseils de préparation basés sur ce que les recruteurs filtrent réellement. Si vous devez encore décrocher l’entretien, Specific Resume peut vous aider à créer un CV adapté à chaque poste ; c’est crucial dans un marché où les offres ont reçu en moyenne 244 candidatures en 2025. [1]
Questions d’entretien les plus courantes pour un poste de Generative AI Engineer
- Parlez-moi de vous
- Pourquoi voulez-vous ce poste de Generative AI Engineer ?
- Qu’est-ce qui vous intéresse dans notre entreprise et notre produit ?
- Comment avez-vous travaillé avec des grands modèles de langage en production ?
- Comment concevriez-vous un système de génération augmentée par la recherche (RAG) ?
- Comment évaluez-vous la qualité d’un système d’IA générative ?
- Comment réduisez-vous les hallucinations et améliorez-vous la fiabilité ?
- Quels arbitrages prenez-vous en compte entre fine-tuning, prompting et RAG ?
- Parlez-moi d’un projet d’IA générative que vous avez livré de bout en bout
- Comment gérez-vous la confidentialité des données, la sécurité et la conformité dans les systèmes d’IA ?
- Comment optimisez-vous la latence et les coûts pour des applications LLM ?
- Comment choisissez-vous les embeddings, les bases de données vectorielles et les stratégies de chunking ?
- Parlez-moi d’un moment où un modèle ou une fonctionnalité IA a échoué, et de ce que vous avez fait ensuite
- Comment travaillez-vous avec le produit, le design et les experts métier sur des fonctionnalités IA ?
- Comment utilisez-vous des outils IA dans votre propre workflow d’ingénierie ?
- Comment vérifiez-vous une sortie générée par l’IA avant de lui faire confiance ?
- Quelles sont les limites de l’IA pour ce poste, et comment les contournez-vous ?
- Parlez-moi d’un moment où vous avez amélioré les performances d’un modèle ou d’un système
- Quelle est votre plus grande force en tant que Generative AI Engineer ?
- Avez-vous des questions pour nous ?
Adaptez vos réponses au poste visé. Une même question d’entretien peut appeler une réponse très différente selon l’emploi. Un Generative AI Engineer doit mettre en avant les systèmes en production, l’évaluation des modèles, la fiabilité, les coûts et la livraison cross-fonctionnelle — pas seulement des compétences logicielles générales. Si vous voulez une structure plus solide pour les réponses comportementales, utilisez la méthode STAR pour les entretiens de Generative AI Engineer.
Questions et réponses d’entretien pour Generative AI Engineer (en détail)
1. Parlez-moi de vous
Les recruteurs posent cette question pour voir si vous savez présenter une histoire cohérente et pertinente. Ils ne vous demandent pas votre biographie. Ils veulent savoir si votre parcours correspond clairement au poste : bases en ML, profondeur en ingénierie logicielle, expérience en production et sens du business.
Exemple de réponse : Je suis ingénieur logiciel et ML, spécialisé dans la mise en production de systèmes d’IA générative que les gens utilisent réellement. Mon parcours combine l’ingénierie backend, la conception d’applications LLM et l’évaluation. Dans mes missions récentes, j’ai construit des pipelines de retrieval et de prompts, amélioré la qualité des réponses via des évaluations offline et humaines, et travaillé étroitement avec les équipes produit pour transformer des prototypes en fonctionnalités fiables. Ce qui m’attire dans ce poste, c’est l’opportunité de travailler sur des systèmes GenAI à une vraie échelle, où la fiabilité, la latence et une valeur utilisateur mesurable comptent vraiment.
2. Pourquoi voulez-vous ce poste de Generative AI Engineer ?
Cette question évalue votre motivation et la qualité du signal. Les recruteurs veulent distinguer les candidats qui courent après le buzz de ceux qui comprennent le travail. Une bonne réponse relie vos compétences aux problèmes réels de l’entreprise.
Exemple de réponse : Je veux ce poste parce qu’il se situe à l’intersection que je préfère : l’ingénierie produit, les systèmes ML et l’application des LLM. Je suis le plus efficace quand je peux partir d’un problème ambigu, concevoir une approche GenAI pragmatique et livrer quelque chose de mesurable. Votre équipe semble concentrée sur l’impact en production plutôt que sur des démos, et c’est exactement l’environnement que je recherche.
3. Qu’est-ce qui vous intéresse dans notre entreprise et notre produit ?
Ils veulent une preuve que vous avez fait vos devoirs. Les compliments génériques sonnent creux. La spécificité montre du discernement. Les meilleures réponses évoquent le produit, le problème utilisateur, le défi technique ou la position sur le marché.
Exemple de réponse : Ce qui me frappe, c’est que vous appliquez l’IA générative à un workflow concret au lieu de l’utiliser comme une couche “gadget”. J’aime ça parce que le plus difficile dans ce domaine, ce n’est pas d’obtenir une réponse du modèle — c’est de rendre le système utile, fiable et digne de confiance dans un parcours utilisateur réel. Je m’intéresse particulièrement à la manière dont vous équilibrez les capacités du modèle avec des contraintes produit comme la latence, la sécurité et la précision métier.
4. Comment avez-vous travaillé avec des grands modèles de langage en production ?
C’est une question de filtre centrale. Ils veulent entendre des détails de production : choix du modèle, orchestration, évaluation, monitoring, logique de repli et résultats business. Parler uniquement d’écriture de prompts ne suffit pas.
Exemple de réponse : J’ai utilisé des LLM en production pour le résumé, le question-réponse, l’automatisation de workflows et des outils de knowledge interne. Mon travail inclut généralement la conception de prompts, l’intégration du retrieval, des jeux de données d’évaluation, des garde-fous et l’observabilité. J’ai travaillé avec les API d’OpenAI et des modèles open source, et je raisonne en systèmes complets plutôt qu’en simples appels modèle : qualité des entrées, pertinence du retrieval, validation des sorties, budgets de latence et gestion des pannes comptent tous.
5. Comment concevriez-vous un système de génération augmentée par la recherche (RAG) ?
Les recruteurs posent cette question pour tester votre niveau en conception de systèmes. Ils veulent savoir si vous comprenez l’ingestion, le chunking, les embeddings, le retrieval, le ranking, le prompting, les citations, le caching, le monitoring et l’évaluation. Gardez une réponse structurée.
Exemple de réponse : Je commencerais par la tâche utilisateur et je définirais à quoi ressemble un résultat “bon”. Ensuite, je construirais le pipeline par couches : ingérer et nettoyer les documents sources, choisir le chunking selon la structure des documents et les patterns de requêtes, générer les embeddings, les stocker dans une base vectorielle, et ajouter des filtres de métadonnées pour la pertinence. Au moment de la requête, je récupérerais des candidats, je les rerankerais éventuellement, je construirais un prompt qui garde le contexte compact, et je demanderais au modèle de répondre avec des citations quand c’est possible. Ensuite, j’ajouterais des logs, des jeux d’évaluation, le monitoring de latence et des chemins de repli pour les cas à faible confiance.
6. Comment évaluez-vous la qualité d’un système d’IA générative ?
Cette question vérifie que vous fonctionnez comme un ingénieur, pas seulement comme un expérimentateur. Les meilleurs candidats parlent à la fois d’évaluations offline, de revue humaine, de métriques produit et de modes de défaillance.
Exemple de réponse : J’utilise une approche par couches. D’abord, je définis des métriques spécifiques à la tâche comme l’ancrage aux sources (groundedness), la pertinence, l’exhaustivité, l’exactitude factuelle ou la justesse des appels d’outils. Ensuite, je construis un jeu d’évaluation à partir de requêtes utilisateurs réelles et de cas limites. Je combine des vérifications automatisées et une revue humaine parce que certaines dimensions de qualité nécessitent encore du jugement. En production, je suis aussi des résultats côté utilisateur comme la réussite de la tâche, le taux d’escalade et la rétention. Je ne fais pas confiance à une seule métrique ; je veux une vue à la fois du comportement du modèle et de l’impact produit.
7. Comment réduisez-vous les hallucinations et améliorez-vous la fiabilité ?
Cette question révèle votre maturité pratique. Chaque entreprise s’inquiète des sorties incorrectes. Ils veulent savoir si vous savez réduire le risque sans détruire l’utilisabilité.
Exemple de réponse : Je traite la réduction des hallucinations comme un problème de système. Je commence par améliorer la qualité du retrieval et les contraintes du prompt, parce qu’un contexte faible produit des réponses faibles. Je privilégie la génération ancrée, je demande au modèle de citer des sources quand c’est pertinent, et j’utilise des sorties structurées quand la tâche s’y prête. J’ajoute aussi des contrôles de confiance, des comportements de repli et une revue humaine pour les workflows à haut risque. Si la précision est critique, je préfère réduire la liberté du modèle plutôt que de poursuivre la créativité.
8. Quels arbitrages prenez-vous en compte entre fine-tuning, prompting et RAG ?
Ils veulent votre cadre de décision. Il n’y a pas une seule bonne réponse. L’objectif est de montrer que vous comprenez le coût, la maintenabilité, la fraîcheur des données, la latence et le contrôle.
Exemple de réponse : Je commence généralement par le prompting parce que c’est la façon la plus rapide de tester si la tâche est viable. Si le problème principal vient d’un manque de connaissance ou d’informations qui changent, je penche vers le RAG parce que ça garde l’information à jour et plus facile à modifier. Si la tâche nécessite un comportement stable, un style métier, ou des patterns de sortie spécialisés, le fine-tuning peut être pertinent. J’évalue les arbitrages en termes de gain de qualité, complexité opérationnelle, fréquence de mise à jour, coût et facilité de debug du système plus tard.
9. Parlez-moi d’un projet d’IA générative que vous avez livré de bout en bout
C’est une question comportementale à fort enjeu. Les recruteurs veulent une preuve que vous savez passer de l’idée à la production. Racontez une histoire concise avec le problème, vos actions et des résultats mesurables.
Exemple de réponse : J’ai piloté la livraison d’un assistant interne pour le support qui répondait à des questions de politique interne et de produit à partir d’une grande base de connaissances. J’ai réduit le temps moyen de réponse de 62%, mesuré par le temps de traitement du support interne, en construisant un pipeline RAG avec nettoyage de documents, retrieval tenant compte des métadonnées, templates de prompts et une suite d’évaluation. J’ai aussi ajouté des citations et un routage de repli pour les réponses à faible confiance, ce qui a aidé l’équipe à faire suffisamment confiance au système pour l’adopter dans les workflows du quotidien.
Exemple de réponse (si vous êtes junior) : Dans un poste ou un projet précédent, j’ai construit de bout en bout un outil GenAI à plus petite échelle pour un cas d’usage défini, incluant la préparation des données, le prompting, l’évaluation et le déploiement. J’ai amélioré la qualité des réponses, mesurée par des scores de préférence des reviewers, en itérant sur le chunking, la structure des prompts et les paramètres de retrieval. Ce que j’ai le plus retenu, c’est à quel point la qualité en production dépend des données et de l’évaluation, pas seulement du modèle.
10. Comment gérez-vous la confidentialité des données, la sécurité et la conformité dans les systèmes d’IA ?
Les entreprises posent cette question parce qu’une seule réponse négligente peut disqualifier un candidat. Elles veulent savoir si vous pensez aux données sensibles, au contrôle d’accès, à la rétention et aux frontières avec les fournisseurs dès le départ.
Exemple de réponse : Je traite la confidentialité et la sécurité comme des contraintes de conception, pas comme du “nettoyage” après coup. Je commence par classifier les données, minimiser ce que le modèle voit et éviter toute exposition inutile de contenus sensibles. Je fais attention au chiffrement, aux contrôles d’accès, à l’auditabilité, aux politiques de rétention, et au fait qu’un fournisseur puisse ou non utiliser les données soumises pour l’entraînement. Pour des workflows réglementés ou à haut risque, j’implique aussi la sécurité et le juridique tôt, et je mets en place des étapes de validation avant le déploiement.
11. Comment optimisez-vous la latence et les coûts pour des applications LLM ?
Cela vérifie que vous savez livrer dans de vrais budgets. Les excellents ingénieurs GenAI équilibrent la qualité avec les contraintes business. Vous devez paraître à l’aise avec les compromis.
Exemple de réponse : J’optimise la latence et les coûts à plusieurs niveaux : choisir le plus petit modèle qui atteint le seuil de qualité, réduire la taille du prompt, améliorer la précision du retrieval pour envoyer moins de contexte, mettre en cache les résultats récurrents et router les tâches simples vers des modèles moins chers. Je sépare aussi les flux synchrones et asynchrones quand c’est possible. La clé est de définir d’abord un niveau de service cible, parce que l’optimisation des coûts n’a de sens que par rapport à l’expérience utilisateur requise.
12. Comment choisissez-vous les embeddings, les bases de données vectorielles et les stratégies de chunking ?
C’est une question pratique de conception système. Les interviewers veulent voir que vous comprenez que la qualité du retrieval dépend fortement de la structure des données et du cas d’usage, pas seulement du choix du modèle.
Exemple de réponse : Je choisis les embeddings en fonction du domaine, de la couverture linguistique, du coût et des performances de retrieval sur un jeu d’évaluation représentatif. Pour les bases vectorielles, je regarde l’échelle, le support des filtres, la simplicité opérationnelle et l’intégration avec le reste de la stack. Le chunking dépend de la structure des documents et des questions des utilisateurs : je commence généralement avec des chunks sémantiquement cohérents, je conserve les métadonnées et je teste le chevauchement plutôt que de deviner. Je valide les décisions avec des métriques de retrieval et la qualité des réponses en aval, pas uniquement à l’intuition.
13. Parlez-moi d’un moment où un modèle ou une fonctionnalité IA a échoué, et de ce que vous avez fait ensuite
Cette question teste votre résilience et votre honnêteté. Tout le monde dans ce domaine a déjà vu des échecs. Les recruteurs veulent voir si vous diagnostiquez bien les problèmes et améliorez le système sans vous braquer.
Exemple de réponse : Nous avons lancé une fonctionnalité de rédaction assistée par IA qui semblait solide en démo, mais qui sous-performait sur des entrées réelles parce que les données utilisateurs étaient plus bruitées que notre jeu de test. J’ai réduit les sorties de faible qualité de 40%, mesuré par le taux de rejet des reviewers internes, en analysant les logs d’échec, en enrichissant le jeu d’évaluation avec des exemples réels “sales”, en renforçant les consignes de prompt et en ajoutant une validation d’entrée avant génération. La leçon principale : des données de test trop optimistes masquent le risque en production.
Exemple de réponse (si vous avez une expérience directe limitée) : Dans un contexte de projet, j’avais un workflow modèle qui donnait des réponses incohérentes pour des prompts similaires. J’ai identifié la cause : un retrieval de contexte instable et des consignes de sortie peu claires. J’ai corrigé cela en améliorant le chunking, en simplifiant le prompt et en créant un petit jeu de régression pour tester les changements de façon systématique.
14. Comment travaillez-vous avec le produit, le design et les experts métier sur des fonctionnalités IA ?
Le travail GenAI est cross-fonctionnel par défaut. Cette question vérifie que vous savez traduire les possibilités techniques en décisions produit utiles, et que vous savez écouter des parties prenantes non techniques.
Exemple de réponse : J’essaie de m’aligner tôt sur le problème utilisateur, le niveau de risque acceptable et le workflow exact qu’on veut améliorer. Avec le produit, je définis des métriques de succès et le périmètre du rollout. Avec le design, je travaille sur la façon dont les utilisateurs comprennent l’incertitude, les citations et les chemins de correction. Avec les experts métier, je valide que la sortie est réellement utile et sûre. J’ai constaté que les fonctionnalités GenAI dérapent quand l’ingénierie optimise le modèle alors que le reste de l’équipe résout un autre problème.
15. Comment utilisez-vous des outils IA dans votre propre workflow d’ingénierie ?
Pour ce poste, la maîtrise de l’IA est réaliste et attendue. Les interviewers veulent des usages concrets, pas du buzz. Citez des outils, des tâches et comment vous vérifiez les sorties. Si vous voulez vous entraîner davantage à ce type de questions, le guide S’entraîner aux questions d’entretien de Generative AI Engineer avec ChatGPT est utile.
Exemple de réponse : J’utilise régulièrement ChatGPT, Claude et Cursor, mais de façon encadrée. Ils m’aident à rédiger du boilerplate, comparer des approches d’implémentation, générer des cas de test, résumer de la documentation et accélérer le refactoring. Pour le travail sur des applications LLM, ils sont aussi utiles pour itérer sur les prompts et générer des cas limites synthétiques. Je ne pars jamais du principe que la sortie est correcte ; je relis le code généré, j’exécute les tests, je vérifie les dépendances et je valide les affirmations techniques contre la doc ou des expérimentations avant d’utiliser quoi que ce soit en production.
16. Comment vérifiez-vous une sortie générée par l’IA avant de lui faire confiance ?
Cette question porte sur le discernement. Les entreprises ne veulent pas d’ingénieurs qui font trop confiance aux modèles. Elles veulent des personnes qui savent où les modèles aident et où il faut des garde-fous.
Exemple de réponse : Ça dépend de la tâche, mais mon réflexe est de vérifier par des preuves. Pour le code, je lance les tests, j’inspecte la logique et je compare à la documentation. Pour les réponses du modèle, je vérifie l’ancrage aux sources, j’utilise une validation structurée quand c’est possible, et je passe manuellement en revue les cas limites. Si la sortie impacte les utilisateurs ou des décisions business, je veux une étape de validation claire plutôt que de me reposer sur la fluidité du texte.
17. Quelles sont les limites de l’IA pour ce poste, et comment les contournez-vous ?
Cette question filtre les candidats qui voient l’IA comme de la magie. Les meilleures réponses sont équilibrées : optimistes sur l’effet de levier, lucides sur les limites. Pour comprendre la psychologie recruteur derrière ça, voir Questions d’entretien de Generative AI Engineer : ce que les recruteurs pensent vraiment.
Exemple de réponse : Les limites principales sont la fiabilité, les limites de contexte et des modes d’échec difficiles à détecter. Les LLM peuvent sembler justes tout en étant faux, et ils peuvent peiner quand un workflow exige un raisonnement métier précis ou l’accès à une connaissance propriétaire actuelle. Je contourne cela en ancrant les sorties dans des données de confiance, en resserrant la définition du problème, en utilisant des outils et des sorties structurées quand c’est possible, et en concevant des expériences utilisateur qui rendent l’incertitude visible au lieu de faire comme si elle n’existait pas.
18. Parlez-moi d’un moment où vous avez amélioré les performances d’un modèle ou d’un système
C’est une autre question orientée résultats. Les interviewers veulent voir de la mesure, de l’expérimentation et une pertinence business. Quantifiez l’amélioration si vous le pouvez.
Exemple de réponse : Dans un workflow de recherche alimenté par LLM, la qualité du retrieval était le principal goulot d’étranglement. J’ai augmenté le taux de réponses acceptées de 18 points, mesuré en évaluations offline et confirmé par des retours en production, en redessinant les frontières de chunks, en ajoutant des filtres de métadonnées et en introduisant un reranking avant génération. Ce projet a renforcé l’idée qu’un meilleur retrieval bat souvent plus de complexité dans le prompt.
Exemple de réponse (si vous êtes en début de carrière) : Dans un projet, j’ai amélioré la pertinence des réponses, mesurée par les scores des évaluateurs, en construisant un benchmark simple et en testant systématiquement la taille des chunks, le chevauchement et la structure des prompts. L’amélioration est venue d’itérations disciplinées, pas d’un gros changement de modèle.
19. Quelle est votre plus grande force en tant que Generative AI Engineer ?
Ça a l’air simple, mais ça teste votre connaissance de vous-même. Choisissez une force qui compte pour ce poste et étayez-la par des preuves. Évitez d’énumérer trois ou quatre qualités vagues.
Exemple de réponse : Ma compétence la plus forte, c’est de transformer des idées GenAI ambiguës en systèmes prêts pour la production. Je suis à l’aise entre l’expérimentation et la rigueur d’ingénierie : je peux tester vite, mais je fais aussi attention à l’évaluation, au monitoring, à la fiabilité et aux coûts. Ça aide les équipes à éviter de se retrouver bloquées dans l’un des extrêmes — des prototypes sans fin ou une conception trop prudente.
20. Avez-vous des questions pour nous ?
Ce n’est pas une question “pour la forme”. Elle montre comment vous réfléchissez au poste. Posez des questions sur les problèmes, les contraintes, l’évaluation et la dynamique d’équipe — pas seulement sur les avantages.
Exemple de réponse : Oui. J’aimerais comprendre quels cas d’usage GenAI génèrent le plus de valeur aujourd’hui, où l’équipe a rencontré les plus grands défis de fiabilité, et comment vous évaluez le succès après le lancement. Je serais aussi intéressé par la manière dont ce poste collabore avec les équipes produit et infrastructure, et ce qui ferait le succès de quelqu’un sur les six premiers mois.
À quel point est-il difficile de décrocher un entretien pour un poste de Generative AI Engineer ?
Le haut de l’entonnoir est saturé. Sur plus de 6 000 entreprises et 640 millions de candidatures, Greenhouse a constaté que l’offre moyenne recevait 244 candidatures en 2025. [1] Pour un poste technique attractif, cela signifie qu’arriver jusqu’à l’entretien vous place déjà devant une immense pile de candidats.
En parallèle, l’intérêt des employeurs pour les compétences GenAI augmente nettement : sur Indeed, la part des offres d’emploi aux États-Unis mentionnant GenAI ou des termes associés a augmenté de 170% entre janvier 2024 et janvier 2025. Indeed indique aussi que les postes de développement logiciel et de data science dominent ces offres, ce qui est important car beaucoup de postes de Generative AI Engineer sont intégrés à des intitulés d’ingénierie plus larges plutôt qu’étiquetés clairement. [2] C’est la bonne nouvelle.
Le plus difficile, c’est que le marché logiciel au sens large reste sélectif. Indeed a rapporté que les offres en développement logiciel étaient en baisse de 9,5% sur un an au 17 janvier 2025. [3] Et Challenger a indiqué que la tech a mené les suppressions d’emplois du secteur privé en 2025 avec 154 445 suppressions annoncées, tandis que 54 836 plans de licenciement citaient l’IA comme raison. [4] Donc la demande de compétences GenAI grandit, mais la concurrence pour les postes ouverts reste forte.
Le principal goulot d’étranglement est simple : se faire remarquer. Votre CV est le premier filtre. S’il ne rend pas l’adéquation évidente en 5 à 8 secondes, vous êtes invisible, peu importe votre niveau. L’objectif est moins de candidatures, plus d’entretiens. Et c’est possible en adaptant votre CV à chaque candidature.
Pourquoi vous devriez adapter votre CV à chaque candidature
Un CV qui rend l’adéquation évidente lors du scan de 5 à 8 secondes d’un recruteur bat à chaque fois un CV générique. Tous les candidats le savent déjà.
Le vrai problème, c’est l’effort. Réécrire un CV pour chaque candidature prend du temps, et ça devient vite pénible ; la plupart des gens ne le font donc pas de manière régulière.
Maintenant, il est facile de créer un CV adapté à chaque candidature avec Specific Resume. Il vous aide à mettre en avant vos qualifications dès la première page, une hiérarchie visuelle plus forte, un langage aligné sur l’offre, des réalisations mesurables et une mise en forme compatible ATS — ce qui est mieux pour les deux côtés : moins de signaux manqués pour les recruteurs, et moins de candidatures perdues pour vous. Si vous avez aussi besoin de documents de candidature au-delà du CV, ce guide pour une lettre de motivation de Generative AI Engineer s’inscrit très bien dans la même approche “poste par poste”.
Si vous voulez augmenter vos chances, créez un CV spécifique au poste pour la prochaine offre à laquelle vous postulez.
Construire un meilleur CV de Generative AI Engineer pour votre prochaine candidature
L’entonnoir est brutal : beaucoup de candidatures, peu d’entretiens, encore moins d’offres. Traitez donc le CV comme le gardien du passage, pas comme une formalité.
Bonne chance pour votre entretien — et avant votre prochaine candidature, créez un CV qui rend votre adéquation évidente, rapidement.
Sources
- Greenhouse. Rapport Recruiting Benchmarks basé sur plus de 6 000 entreprises et 640 millions de candidatures, 2022–2025.
- Indeed Hiring Lab. AI at Work : essor des offres d’emploi liées à GenAI et de la demande de rôles.
- Indeed Hiring Lab. Les offres en développement logiciel restent au point mort.
- Challenger, Gray & Christmas. Rapport Challenger de fin 2025 sur les licenciements, les embauches et les suppressions d’emplois attribuées à l’IA.
