Blog

Ce que l'IA générative change pour vos données, vos obligations et votre façon de travailler. Sans jargon, avec des sources.

Coller un document dans une IA : le vrai coût commence quand la donnée sort

Rétention, accès humain, infrastructure attaquable : ce qu'un simple copier-coller vers une IA générative met réellement en jeu.

Article 4 de l'AI Act : la littératie IA, un enjeu de performance autant que de conformité

La littératie IA est obligatoire depuis février 2025, sans seuil d'effectif, avec des sanctions nationales actives depuis le 2 août 2026. Ce qu'elle exige vraiment.

Fuite de données via l'IA : qui est légalement et financièrement responsable en 2026 ?

RGPD, AI Act, NIS2 : qui porte réellement la responsabilité juridique et financière quand une donnée personnelle fuite via un outil d'IA générative.

ChatGPT, Claude, Gemini : quelle différence pour mes données ?

Entraînement, conservation, accès humain : ce que les comptes grand public de chaque outil font vraiment de vos données, et où se situe la vraie bascule professionnelle.

Erreur JSON.parse dans n8n après un appel LLM : causes et corrections

Pourquoi un LLM entoure parfois sa réponse JSON de balises markdown, comment reconnaître l'erreur dans un nœud Code et quatre niveaux de correction, de la consigne à la sortie structurée.

Workflow n8n et LLM : quand des données personnelles partent sans la moindre erreur

Un workflow n8n peut envoyer un nom, un e-mail ou un IBAN à un LLM sans afficher la moindre erreur. Trois parades : limiter les champs, le nœud Guardrails, ou un node de masquage.

Workflow n8n et LLM : la liste de contrôle avant la mise en production

Seize contrôles à cocher, du déclenchement aux accès, pour fiabiliser et sécuriser un workflow n8n qui appelle ChatGPT, Claude ou Gemini. Chaque point indique le risque et le réglage à faire.

NIR, IBAN, SIRET : comment un programme vérifie qu'un numéro est valide

Les trois calculs de clé refaits sur des exemples, ce qu'ils prouvent, ce qu'ils laissent passer, et pourquoi un détecteur de données personnelles doit aussi regarder le contexte.

Pseudonymisation ou anonymisation : masquer des données avant un LLM, est-ce suffisant ?

Remplacer un nom par un marqueur ne rend pas les données anonymes. La différence entre pseudonymisation et anonymisation, expliquée avec un exemple, et ce qu'il reste à faire après masquage.

Trier ses e-mails avec un LLM dans n8n, sans lui envoyer les données personnelles

Un workflow n8n en six nœuds lit un e-mail Gmail, masque les données personnelles avant le modèle et crée un brouillon où les vraies valeurs sont remises en place.