Contexte technique
J'évalue régulièrement les modèles non pas sur leurs promesses marketing, mais sur le nombre d'itérations nécessaires pour obtenir un bon résultat. Avec DeepSeek, de nombreux utilisateurs et moi-même partageons une expérience similaire : en tirer un texte cohérent nécessite d'ajuster sans cesse les formulations. À ce stade, je ne pense plus à l'ingénierie abstraite des prompts, mais à une véritable implémentation de l'IA dans les processus réels.
À en juger par les retours et les guides pratiques, DeepSeek a du mal avec ce que GPT ou Claude gèrent sans effort. Les instructions longues, les exemples few-shot, le mélange de langues et les exigences de style surchargées détériorent facilement sa réponse au lieu de l'améliorer. Le paradoxe est que le modèle ne veut souvent pas d'un « prompt intelligent », mais plutôt d'une requête courte, rigide et très spécifique.
Je formulerais le problème de cette façon : DeepSeek est moins indulgent. Si la tâche est décrite de manière vague, s'il y a trop de bruit décoratif dans le prompt, ou si vous espérez que le modèle saisira le contexte par lui-même, les résultats commencent à fluctuer. Pour les tâches textuelles, c'est particulièrement agaçant car au lieu d'un flux de travail fluide, vous finissez par micro-gérer chaque instruction.
Autre nuance : on critique souvent non seulement le modèle lui-même, mais surtout les variantes plus petites, où cette fragilité est beaucoup plus prononcée. Par conséquent, dire simplement que « DeepSeek est mauvais » est trop dur. Cependant, affirmer que « DeepSeek peut prendre beaucoup de temps pour la génération de texte » semble être une évaluation très honnête.
Impact sur l'entreprise et l'automatisation
Si je construis une automatisation IA pour du contenu, du support ou des assistants internes, cette grande sensibilité aux prompts se traduit rapidement par des heures perdues et des résultats très instables. Les économies réalisées sur le coût du modèle sont facilement englouties par les ajustements manuels, les tests et les rediffusions interminables.
Les équipes gagnantes sont celles dont les tâches sont restreintes, les formats de sortie fixes, et dont le langage et la structure sont strictement définis. Celles qui s'attendent à une génération de texte libre, à un ton vivant et à une qualité constante sans ajustement fin finissent généralement par perdre.
C'est exactement pour cela que je regarde généralement au-delà du prix du jeton de base et que je me concentre sur le coût total d'exploitation. Chez Nahornyi AI Lab, nous résolvons précisément ces défis pour nos clients : décider où conserver un modèle, où changer l'architecture de l'IA et où éviter de torturer la pile technologique avec un scénario inadapté.
Si vos processus basés sur le texte sont déjà bloqués à cause de prompts capricieux, évaluons honnêtement votre flux de travail. Parfois, il suffit de reconstruire l'intégration de l'IA, tandis que d'autres fois, il est beaucoup plus judicieux de créer un agent IA dédié à une tâche spécifique plutôt que de supplier sans fin un modèle d'écrire normalement.