Deux présentations atterrissent sur le même bureau. Même données, même trimestre, même demande. L’une a été construite par une personne qui a passé quatre heures à façonner les chiffres en une histoire. L’autre a été générée en ninety secondes par un outil IA à partir d’un tableau Excel. Laquelle fera dire « oui » à la salle ?

La réponse honnête est : cela dépend de quelle partie de « argument » vous parlez. Et cette distinction — entre structurer les informations et défendre réellement quelque chose — est là où la plupart des comparaisons entre IA et création humaine de présentations échouent.

Un argument est une affirmation, pas une mise en page

Avant de comparer qui fait mieux, il est utile de préciser ce qu’est réellement un argument de présentation. Ce ne sont pas les puces. Ce ne sont pas les transitions. Un vrai argument est une chaîne : une affirmation, les preuves qui la soutiennent, et une séquence où chaque diapositive répond à la question soulevée par la précédente.

C’est exactement la structure derrière la manière dont McKinsey construit ses arguments visuels — des titres qui énoncent une conclusion plutôt que d’étiqueter un sujet, testés pour leur ordre logique avant même que quiconque ne touche à la mise en page. C’est un repère utile ici, car il sépare deux compétences très différentes : organiser ce que vous savez déjà, et décider de ce qui mérite vraiment d’être affirmé.

L’IA est remarquablement bonne pour la première. Elle est moins solide sur la seconde que la plupart des gens ne le pensent.

Où l’IA prend vraiment l’avantage

Donnez à un outil IA un tableau Excel désordonné et un objectif approximatif, et il produira une séquence de diapositives plausible plus rapidement que la plupart des humains ne peuvent ouvrir un modèle vierge. Elle excelle dans la détection de motifs structurels : problème-solution-preuve, situation-complication-résolution, construction chronologique. Elle ne s’épuise pas au milieu de la quatorzième diapositive et ne commence pas à entasser quatre graphiques sur une seule, en disant « nous avions les données ».

L’adoption confirme cela à grande échelle. Selon l’enquête Deloitte 2025 sur la Génération Z et les Millennials, une majorité — 57 % des répondants de la Génération Z et 56 % des Millennials — utilisent déjà l’IA générative pour des tâches professionnelles incluant la création de contenu, la conception et la mise en page de présentations. Ce n’est plus une habitude marginale ; c’est plutôt devenu la première approche par défaut.

Une chose que je concéderais sans hésiter : l’IA est un meilleur organisateur de brouillons que la plupart ne lui donnent crédit. Elle produit rarement le désordre de trois sujets par diapositive que l’on trouve souvent dans les présentations humaines bâclées.

Où elle cesse d’être un argument

Voici la partie qui ne transparaît pas dans les comparaisons « IA vs humain » qui ne regardent que la vitesse. Une séquence d’affirmations bien organisée n’est pas la même chose qu’une *vraie* séquence d’affirmations — et l’IA n’a aucun moyen fiable de distinguer une conclusion que les données soutiennent réellement d’une conclusion qui semble simplement suivre, sans fondement.

Demandez à un outil IA de construire une histoire de croissance à partir d’un tableau Excel, et il écrira avec confiance « forte dynamique au T3 » même si le chiffre sous-jacent est un artefact d’arrondi ou un renouvellement contractuel ponctuel. Elle écrit avec le même ton de certitude, que les preuves soient solides ou ténues, car le ton n’est pas quelque chose qu’elle analyse réellement — c’est un choix stylistique par défaut. Un humain compétent construisant la même présentation (et qui devrait le faire) s’arrêterait pour se demander si cette affirmation est vraiment justifiée.

C’est le même mode de défaillance qui apparaît dans les pitch decks, où les diapositives de traction sont souvent là où les decks des fondateurs deviennent malhonnêtes — des indicateurs vanité habillés pour ressembler à un élan commercial. Un outil IA rédigeant cette diapositive ne signalera pas la malhonnêteté par lui-même. Il organise simplement les chiffres qui lui sont fournis en une forme d’affirmation confiante, car c’est le modèle qu’il a été entraîné à produire.

Les diagrammes révèlent l’écart plus vite que les mots

Là où cela devient réellement évident le plus rapidement, ce n’est pas dans le texte — c’est dans les diagrammes que les outils IA génèrent pour « soutenir » un argument. Un organigramme avec des boîtes non étiquetées, une flèche qui signifie trois choses différentes selon les boîtes qu’elle relie, un diagramme de processus essayant en même temps d’encoder la taille du budget par la largeur des boîtes. Chacun de ces éléments est une version d’une erreur de diagramme qui discrètement empêche la compréhension de l’audience plutôt qu’un visuel clairement défectueux — ce qui explique précisément pourquoi il est facile de le publier sans s’en rendre compte.

Je ne dirais pas que c’est un défaut spécifique à l’IA. Les humains pressés commettent les mêmes erreurs sous pression. Mais l’IA les produit à un rythme et une vitesse qui rendent la révision — quelqu’un appliquant réellement le test des huit secondes à chaque diagramme — plus nécessaire, pas moins.

Alors qui gagne vraiment ?

Aucun, proprement. Le cadre honnête est plutôt : l’IA gagne la course à la structuration et perd la course au jugement des preuves, et une argumentation de présentation a besoin des deux pour fonctionner vraiment auprès d’un public.

Voici où j’en suis après avoir vu les deux côtés échouer de manières différentes : laissez l’IA faire l’organisation initiale — elle est vraiment plus rapide que la plupart des gens pour transformer un tableau Excel en une séquence d’affirmations. Ensuite, passez à une révision humaine dont le seul objectif est contradictoire : pour chaque titre de diapositive, demandez-vous : « les preuves sur cette diapositive soutiennent-elles vraiment cette affirmation, ou est-ce qu’elles semblent simplement le faire ? » Cette seule question attrape la plupart des erreurs des arguments construits par l’IA, et c’est une question que l’IA n’est actuellement pas en mesure de se poser elle-même.

La prochaine fois que vous recevez une présentation générée par l’IA à réviser, passez d’abord aux polices et à la mise en page. Lisez simplement les titres des diapositives dans l’ordre, comme vous le feriez pour tester un deck McKinsey, et demandez-vous laquelle de ces diapositives vous seriez vraiment prêt à défendre à voix haute.