Multimodal : texte, image, audio, vidéo.

À la fin de cette leçon

Vous saurez choisir l'IA multimodale pour 4 cas concrets : analyse d'image, dictée vocale, transcription, extraction PDF. Plus une méthode 4 réflexes pour qualifier la modalité avant de prompter.

Le multimodal est standard

ChatGPT GPT-5.6, Claude Opus 5, Gemini 3.1 Pro et Vibe (via Medium 3.5) acceptent au moins texte plus image en entrée. Trois d'entre elles acceptent aussi l'audio. Une seule, Gemini 3.1 Pro, accepte la vidéo en natif.

Conséquence pratique : la question n'est plus « mon IA sait-elle voir ». La question est « laquelle est la plus précise sur ma modalité, mon cas d'usage, mon contexte ». Connaître les forces et faiblesses de chaque IA en multimodal est devenu un arbitrage du quotidien.

Entrée vs sortie multimodale

Multimodal veut dire deux choses différentes selon le sens.

Entrée multimodale : l'IA accepte autre chose que du texte en entrée. Une image, un fichier audio, une vidéo, un PDF complexe. C'est ce qui couvre la quasi-totalité des usages professionnels. Le détail des cas de lecture, factures, tableaux, schémas, est dans la leçon vision IA.

Sortie multimodale : l'IA produit autre chose que du texte. Une image, une voix, un graphique. Plus rare au quotidien, mais central pour la création visuelle. Les modèles d'image changent vite : OpenAI a retiré DALL·E en mai 2026 au profit d'un modèle intégré, et les concurrents se renouvellent au même rythme. Retenez la fonction, pas le nom du mois.

Capacités par plateforme

Quatre IA, quatre profils multimodaux distincts. Mémorisez les forces différenciantes.

Choisir la plateforme selon le cas

Quatre réflexes multimodaux

Quatre gestes systématiques pour arbitrer en moins de 30 secondes.

Les pièges courants

Deux IA en relais sur un enregistrement de réunion

Le point de départ. Cinquante-deux minutes de visioconférence, six participants, un comité de pilotage projet. Aucune IA ne fait bien tout le travail d'un bout à l'autre.

Première étape, la transcription. Confiée au modèle le plus solide en entrée vidéo et audio. La sortie demandée n'est pas un pavé mais une transcription horodatée avec identification des locuteurs. Sans cette précision, la suite est ininterprétable.

Contrôle intermédiaire. Deux minutes de vérification sur les noms propres et les acronymes maison, systématiquement mal transcrits. Cinq corrections manuelles.

Seconde étape, la structuration. La transcription corrigée est confiée à un autre modèle, avec une consigne précise : décisions prises, points en suspens, actions avec porteur et échéance, désaccords non tranchés.

Le résultat. Un compte rendu d'une page à partir de cinquante-deux minutes, en huit minutes de travail dont deux de correction humaine.

La dernière rubrique, les désaccords non tranchés, est celle que personne ne demande et qui est la plus utile trois semaines plus tard.

À retenir

15 minutes pour arbitrer

Prenez un cas multimodal que vous traitez cette semaine : une facture à extraire, une réunion à transcrire, un schéma à comprendre. Appliquez la méthode 4 réflexes. Qualifiez la modalité, choisissez l'IA selon la matrice, testez sur 1 ou 2 exemples, vérifiez à la main.