Comprendre ce qu'est Claude, démystifier les LLM, et écrire son premier prompt vraiment utile.
Votre rôle, votre quotidien, ce que vous faites avec votre temps
ChatGPT, Gemini, Claude, Copilot… ou rien du tout ?
Une chose précise que vous voulez savoir faire à la fin du J4
Ce que c'est, ce que ça sait faire, ce que ça ne sait pas faire.
Opus, Sonnet, Haiku — qui fait quoi, et quand utiliser lequel.
Interface, fichiers, vision, recherche web, historique.
La méthode RCTFE en 5 lettres.
3 cas réels issus de votre métier, à transformer.
Partage des meilleurs prompts, journal de bord pour J2.
Large Language Model — un modèle entraîné à prédire le mot suivant à partir d'un immense corpus de textes.
Imaginez un stagiaire surdoué qui aurait lu Wikipedia, des millions de livres, du code, des conversations…
Il a une intuition statistique très forte du langage. Mais ce n'est pas un cerveau — c'est un générateur de probabilités.
Stagiaire brillant et rapide — bon en synthèse, en rédaction, en raisonnement.
Mémoire figée — sa connaissance s'arrête à une date.
Parfois sûr de lui à tort — il invente avec aplomb : on appelle ça une hallucination.
Mémoire entre conversations limitée — par défaut chaque chat repart de zéro. La fonctionnalité Projects et la mémoire récente changent la donne (J2).
Trois étapes successives transforment un réseau de neurones vide en un assistant utile, honnête et inoffensif (les trois "H" d'Anthropic : helpful, honest, harmless).
Le modèle absorbe une fraction massive du texte mondial (web, livres, code, articles).
Objectif appris : prédire le token suivant. Coût pour un modèle frontier : centaines de millions à milliards de $.
Des annotateurs humains rédigent des dizaines à centaines de milliers d'exemples de "voici une bonne réponse à ce prompt".
Objectif : passer de prédicteur à assistant.
Humains votent entre 2 réponses, et Claude apprend à respecter une "constitution" de principes (utile, honnête, inoffensif).
Spécificité Anthropic : alignement par principes écrits, pas seulement par exemples.
À retenir : un LLM est une statistique sophistiquée, pas une conscience. Mais il est aligné par des humains à chaque étape — d'où ses biais, ses prudences, ses refus.
Transformer
"Attention is All You Need" (Google)
GPT-1, GPT-2, BERT
premières générations
GPT-3
choc d'échelle (175B)
ChatGPT
l'IA grand public
GPT-4 · Claude 1 · Bard
la course commence
Claude 3 · GPT-4o · o1 · Llama 3 · Gemini 1.5
multimodal, gros contexte, raisonnement étendu
Claude 3.5 / 3.7 / 4
premiers agents matures
Claude 4.7 Opus
contexte 1M, agents matures
→ 9 ans entre l'invention du Transformer et aujourd'hui. La majorité des progrès grand public datent de moins de 4 ans.
Une architecture inventée en 2017, aujourd'hui à la base de Claude, GPT, Gemini, Llama. Une idée simple, une révolution : l'attention.
Pour comprendre un mot dans une phrase, le modèle calcule à quels autres mots il doit "faire attention". Chaque mot regarde tous les autres en parallèle, et pondère leur importance.
→ Pour traiter "il", le modèle apprend à accorder un poids fort à "chat" et un poids faible aux autres. Attention : il ne "comprend" pas comme un humain — il apprend des corrélations statistiques entre tokens à partir de milliards d'exemples.
Les modèles (RNN, LSTM) lisaient les phrases mot par mot, séquentiellement. Lent, et "oubli" du début sur les phrases longues.
Tous les mots peuvent se regarder en parallèle. Plus de séquentialité forcée. Énorme gain de vitesse sur GPU.
Architecture qui scale remarquablement bien — à condition d'avoir les bons jeux de données, la bonne architecture et assez de calcul. C'est ce qui a rendu GPT-3 possible, puis tout le reste.
Un LLM est un type particulier de réseau de neurones (un Transformer auto-régressif). Mais ce n'est qu'une famille parmi plusieurs, chacune avec ses cas d'usage propres.
Convolutional Neural Network. Conçu pour la vision (classification, détection). Déclenche le boom du deep learning avec AlexNet en 2012.
→ Aujourd'hui : ResNet, EfficientNet, YOLO. Souvent surpassé par les Vision Transformers.
Recurrent Neural Network / Long Short-Term Memory. Conçus pour les séquences (texte, audio, time series). Lecture mot par mot, séquentiellement.
→ Largement remplacés par les Transformers pour le texte. Encore utiles en time series.
Architecture des LLM (GPT, Claude, Gemini, Llama). Domine désormais texte, image (ViT), code, multimodal. Mécanisme d'attention parallèle.
→ La famille à laquelle Claude appartient.
Generative Adversarial Networks. Deux réseaux qui s'affrontent : un générateur, un discriminateur. A produit StyleGAN, les premiers deepfakes.
→ Largement supplanté par les modèles de diffusion pour la génération d'images de pointe.
Génèrent en partant de bruit, qu'ils "débruitent" progressivement. État de l'art pour image, vidéo, audio.
→ DALL-E 3, Midjourney, Stable Diffusion, Sora (vidéo).
Apprendre par essai-erreur via récompenses. AlphaGo (2016), RLHF (alignement LLM), o1/DeepSeek R1 (raisonnement).
→ Combiné aux Transformers, sous-tend les modèles "reasoning".
À retenir : en 2026, les Transformers dominent presque tous les domaines (texte, image, code, multimodal). Mais CNN, RNN, GAN, Diffusion et RL restent les meilleurs dans leurs niches respectives. "IA ≠ LLM", même si la frontière s'estompe.
Fondé en 2021 par d'anciens d'OpenAI. Mission : IA sûre et alignée.
Forces : raisonnement, écriture, code, sécurité. C'est l'objet de cette formation.
Pionnier grand public. Leader en parts de marché.
Forces : multimodal, génération d'images (DALL-E), partenariat Microsoft.
Intégré à Workspace, Android, recherche.
Forces : très gros contexte, multimodal natif, distribution massive.
Modèles open-weight, téléchargeables (licence avec restrictions, pas vraiment open source).
Forces : déploiement on-premise, communauté, gratuité.
Acteur français, enjeu de souveraineté EU.
Forces : open source, hébergement européen, conformité RGPD.
Modèles très performants et bon marché.
Forces : rapport qualité/prix, open source, montée en puissance rapide.
→ Pas de monopole, mais 3 leaders sur les usages pro : Anthropic, OpenAI, Google. Le reste rattrape vite.
Mails, comptes-rendus, notes, présentations, supports de formation.
Résumer un PDF de 80 pages, un fil de mails, une réunion transcrite.
Adapter un texte au public, raccourcir, rendre plus clair, traduire.
Extraire des infos d'un doc, comparer plusieurs textes, classer.
Générer des idées, des angles, des plans, des contre-arguments.
Transformer un brouillon flou en plan clair, ou en tableau exploitable.
Multiplication à 6 chiffres, comptage exact dans un long texte, calculs financiers… Ne pas y croire les yeux fermés. Avec un outil de code activé, c'est fiable ; à mains nues, non.
Sa connaissance s'arrête à une date. Pour l'actu, activer la recherche web.
Citations fausses, dates erronées, jurisprudences inexistantes — formulées avec confiance. Toujours vérifier les faits importants.
Vos prompts transitent chez Anthropic. Pas de données ultra-sensibles sans cadre validé par votre DPO.
→ Règle d'or : faites confiance, mais vérifiez. Surtout sur chiffres, citations, dates, références.
Le danger n'est pas que Claude se trompe — c'est qu'il se trompe avec aplomb, dans une réponse par ailleurs cohérente.
→ Trois arrêts inventés. Numéros plausibles, formulation de juriste, mise en page parfaite.
Demander les sources avec lien vérifiable.
Activer la recherche web sur les questions factuelles récentes.
Joindre les documents source au lieu de solliciter la mémoire de Claude.
Demander un niveau de certitude par fait.
Vérifier soi-même tout chiffre, citation, date, référence — toujours.
Claude est entraîné sur des données humaines — il en hérite les biais. Et il est aligné par Anthropic — il en hérite les choix.
Internet est majoritairement anglophone et américain. Claude raisonne mieux en anglais et reflète plus naturellement les normes US qu'européennes.
Sur les sujets sensibles (genre, ethnies, professions), Claude reproduit les stéréotypes du corpus d'entraînement. À mitiger consciemment.
Claude refuse certaines demandes : violence, désinformation, contenu illégal. Parfois trop prudent — reformuler le contexte légitime débloque souvent.
Anthropic vise la neutralité, mais aucun modèle n'est totalement neutre. Préférez-le pour analyser des angles, pas pour valider une thèse.
Posture professionnelle : Claude est un assistant à challenger, pas une autorité. Sur les sujets sensibles, demandez-lui systématiquement les contre-arguments.
Claude ne lit pas des mots, il lit des tokens — des fragments de texte courts (souvent un mot ou un morceau de mot). Tout est facturé et limité en tokens.
→ "Bonjour, comment vas-tu aujourd'hui ?" = environ 9 tokens
1 token ≈ 0,7 à 0,8 mot en français
1 page texte standard ≈ 400 à 700 tokens
1 PDF de 30 pages ≈ 12 000 à 21 000 tokens
Plus vous envoyez de tokens (long prompt, gros PDF, longue conversation), plus c'est cher et lent.
Un prompt précis et bien ciblé vaut mieux qu'un fourre-tout. Économie et qualité vont de pair.
Découper en mots ne marche pas : trop de mots, trop de variations. Les LLM utilisent une découpe en sous-unités fréquentes (algorithme BPE).
→ 3 mots = 3 tokens
→ "anticonstitutionnellement" = 4 à 7 tokens selon le tokenizer
L'anglais est ~20 % plus efficient que le français en tokens. Pour le chinois ou le japonais, l'écart est bien plus marqué (2× et plus).
Consomment légèrement plus de tokens qu'une prose équivalente, à cause de la ponctuation et des espaces qui font leurs propres tokens.
Pour un même budget, vous traiterez ~20 % moins de pages en français qu'en anglais.
Claude a une mémoire de travail limitée à chaque appel. Tout doit y tenir : instructions, fichiers, historique, et la place pour répondre.
→ Plusieurs modèles Claude existent en version 1 million de tokens (~1 500 à 2 500 pages), à activer selon les besoins. Le standard reste 200 000 tokens.
Les premiers tours sont tronqués ou oubliés
Claude commence à se répéter ou perdre le fil
Latence et coût augmentent
Repartir dans un nouveau chat quand on change de sujet
Project pour les instructions stables (vu en J2)
Résumer puis redémarrer si la conv. devient trop longue
Forfait sur Claude.ai. En API, tout se compte en tokens, séparés en deux flux : Input (ce que vous envoyez, souvent gros) et Output (ce que Claude produit, plus court mais ~5× plus cher au token).
| Modèle | Input | Output | Avec prompt cache |
|---|---|---|---|
| Haiku 4.5 | ~ 1 $ | ~ 5 $ | ~ 0,10 $ (input) |
| Sonnet 4.6 | ~ 3 $ | ~ 15 $ | ~ 0,30 $ (input) |
| Opus 4.7 | ~ 15 $ | ~ 75 $ | ~ 1,50 $ (input) |
Parties stables (instructions Project, doc de réf.) mises en cache, facturées jusqu'à 10× moins cher. Automatique sur Claude.ai ; en API à activer par bloc.
Coûts cachés derrière le forfait Pro / Team. La limite d'usage que vous atteignez parfois reflète le même calcul de tokens.
Imaginez une cuisine. Anthropic propose trois rôles, et c'est vous qui choisissez selon le plat à préparer.
Le plus intelligent, le plus subtil. Pour les tâches complexes, longues, nuancées.
→ Analyse stratégique, raisonnement long, écriture de qualité.
Le bon équilibre vitesse / intelligence. Le couteau-suisse du quotidien.
→ Mails, synthèses, rédactions, recherche, exploration.
Très rapide, économique. Pour les tâches simples et volumineuses.
→ Classement, extraction, reformulation rapide en masse.
| Tâche | Modèle conseillé | Pourquoi |
|---|---|---|
| Rédiger une note de cadrage stratégique | Opus | Nuance, structure, profondeur |
| Résumer un PDF de 30 pages | Sonnet | Suffisant et rapide |
| Reformuler un email plus clairement | Sonnet | Pas besoin du grand chef |
| Classer 200 retours clients par thème | Haiku | Rapide, économique, volumineux |
| Construire un plan de formation détaillé | Opus | Tâche créative et structurée |
| Préparer une question de COMEX en 5 angles | Opus | Raisonnement multi-perspectives |
→ Dans le doute : commencez par Sonnet. Passez à Opus si la qualité ne suffit pas.
Avant de répondre, Claude écrit d'abord un raisonnement à voix haute, qu'il utilise ensuite pour formuler sa réponse finale. C'est le même modèle qui fait les deux — pas un modèle séparé.
→ Le bloc <thinking> est délimité par des balises que Claude a appris à produire pendant son post-training. Sur Claude.ai, on en voit un résumé repliable. En API, on peut récupérer le détail brut.
Plus de tokens générés = plus de calcul disponible à l'instant de la réponse. C'est un nouvel axe de scaling, en plus de la taille du modèle.
Pendant le thinking, Claude pose des hypothèses, les teste, les rejette, recommence. La réponse finale bénéficie de cette boucle interne.
Un problème complexe en 1 étape échoue souvent. Le même découpé en 5 sous-étapes réussit nettement mieux.
→ Concept similaire à o1 et o3 chez OpenAI (test-time compute). Différence : chez Anthropic le thinking est lisible et le budget est réglable.
Raisonnement complexe (analyse multi-critères, arbitrage)
Calcul, logique, déduction multi-étapes
Code complexe (debug, refactor, architecture)
Détection de pièges dans un texte ou un contrat
Tâche où la justesse prime sur la rapidité
Reformulation simple, traduction
Brainstorming rapide, idées jetables
Échanges conversationnels courts
Tâches déjà bien résolues sans réflexion
Tâche où la vitesse prime
Tokens de thinking comptés comme output tokens (~5× input)
Budget réglable en API — jusqu'à ~64 000 tokens de raisonnement
Compter 2× à 5× plus de tokens output sur une tâche complexe
Plus de thinking ≠ toujours meilleure réponse. Au-delà d'un certain budget, gains marginaux décroissants — voire dégradation (Claude se convainc d'un raisonnement faux). Anthropic a calibré un budget par défaut raisonnable sur Claude.ai.
→ Et : Claude peut penser fort et se tromper. Le thinking améliore la qualité moyenne, il ne garantit pas la justesse.
Plusieurs portes d'entrée, pour des publics et des usages très différents. Cette formation est centrée sur la première, mais il faut connaître les autres.
Interface web, desktop, mobile.
+ Zéro setup, UI propre, Projects, Artifacts, connecteurs.
− Limites d'usage par plan, pas de personnalisation fine.
→ public visé : tout le monde
Appels HTTP via SDK Python/JS.
+ Contrôle total, prompt caching fin, intégration custom.
− Nécessite du code, coût variable au token.
→ public visé : développeurs
Agent CLI dédié au code.
+ Édite le code, exécute des commandes, raisonne sur un repo.
− Public technique, courbe d'apprentissage.
→ public visé : équipes dev
AWS Bedrock, GCP Vertex AI.
+ Data residency, intégration cloud existant, conformité.
− Setup plus lourd, modèles parfois en léger décalage.
→ public visé : DSI / gros volumes
Slack, GitHub, IDE, MCP servers.
+ Claude là où on travaille déjà, pas de changement d'outil.
− Fonctions limitées vs interface complète.
→ public visé : usages spécifiques
Cursor, Perplexity, Notion AI…
+ Produits qui exposent Claude derrière une UX dédiée.
− Dépendance au tiers, conditions et prix variables.
→ public visé : selon le produit
→ Dans cette formation : on part de Claude.ai (J1-J2), on touche aux connecteurs et MCP (J3), et on comprend l'API au passage (J3-J4) sans coder.
Historique des conversations
Bouton "Nouveau chat"
Accès aux Projects (J2)
Paramètres compte
La conversation
Le champ de saisie (texte + fichiers + images)
Sélecteur de modèle (Opus / Sonnet / Haiku)
Le toggle recherche web et extended thinking
Le panneau Artifacts apparaît quand Claude génère un document, un tableau, une page web ou une visualisation. On y reviendra en détail en J2.
PDF, Word, Excel, PowerPoint, images. Glisser-déposer dans le chat.
Analyse d'images : photos, captures d'écran, schémas, tableaux.
Pour l'actu et les infos récentes. À activer manuellement.
Claude réfléchit plus longtemps avant de répondre. Pour les tâches dures.
Documents, tableaux, mini-sites générés à côté de la conversation.
Mémoire et instructions persistantes (vu en détail J2).
Claude analyse les images glissées dans la conversation : photos, captures, schémas, tableaux scannés, écritures manuscrites. C'est un des leviers de productivité les plus sous-utilisés.
Photo d'un paperboard de réunion → Claude le retranscrit en compte-rendu structuré.
Capture d'un dashboard → Claude commente, alerte sur les valeurs aberrantes, propose des angles.
PDF photographié, document mal numérisé → Claude lit même quand l'OCR classique échoue.
Croquis griffonné sur un cahier → Claude propose une mise au propre, un texte explicatif, une variante.
Image d'un graphique sans données chiffrées → Claude estime, commente, compare.
Photo d'un panneau, d'un menu, d'un courrier → traduction et contexte culturel.
→ Limites : pas de comparaison fine pixel-à-pixel, pas d'ID de personnes, qualité dégradée si l'image est très petite ou très bruitée.
Activable par toggle. Claude lance des recherches, lit les pages, et cite ses sources. Indispensable dès que la question touche à l'actualité ou à des données récentes.
La question porte sur l'actualité (politique, marchés, sport, météo)
Vous voulez des données chiffrées récentes (statistiques, prix, taux)
Vous cherchez à comparer plusieurs sources sur un sujet
Le sujet est postérieur à la date de connaissance de Claude
Claude lit ce que le moteur de recherche lui remonte : qualité variable
Pas d'accès aux contenus payants (FT, Mediapart…)
Pas d'accès à votre intranet ni aux outils internes
Réponse plus lente, plus coûteuse en tokens
Bonne pratique : demandez explicitement les sources ("cite tes sources avec lien"). Et n'oubliez pas de cliquer sur les liens avant de prendre une décision.
Question critique pour tout usage pro. Voici les règles, les bonnes pratiques, et les zones grises à connaître avant d'envoyer quoi que ce soit.
Serveurs Anthropic (US, EU pour Claude for Work)
Conservation : 30 jours par défaut, plus long si flag de modération
Pas d'entraînement sur les conversations Pro/Team/Enterprise par défaut
Plans Team et Enterprise dédiés aux entreprises
SSO, audit logs, contrôle administrateur, data residency EU
Conformité SOC 2, ISO 27001, RGPD, HIPAA (selon plan)
Anonymiser noms, identifiants, données clients
Cadrer un usage validé par DPO et RSSI
Documenter les types de données autorisés
Identifiants / mots de passe / clés API
Données de santé, financières, juridiques sensibles non-anonymisées
Code propriétaire critique sans cadre validé
→ Pour les DSI : la stratégie d'usage IA dans l'entreprise se construit avec votre RSSI/DPO. Cette formation pose les questions, pas les réponses définitives.
5 lettres à garder en tête à chaque prompt important.
Qui est censé répondre ? "Tu es un consultant SI…" oriente le style et le vocabulaire.
De quoi on parle ? Pour qui ? Quel niveau de détail ? Sans contexte, Claude devine — mal.
Le verbe d'action précis : résume / classe / rédige / liste / compare.
Tableau ? Liste à puces ? Mail ? Note de 200 mots ? À spécifier explicitement.
"Voici un cas similaire que j'ai bien aimé : […]". Quelques exemples valent mieux qu'une longue description.
→ Trop vague. Pour qui ? En combien de mots ? Quels points retenir ? Quel format ?
Une seule phrase d'ouverture peut transformer la qualité de la réponse. Le persona oriente vocabulaire, niveau de détail, posture, rigueur.
→ Réponse générique Wikipedia, ton scolaire, pas adapté à votre niveau ou besoin.
"Tu es un consultant senior en…" oriente vers une réponse de niveau pro.
"Tu t'adresses à des dirigeants pressés…" cadre vocabulaire et longueur.
"Tu es un sceptique constructif…" déclenche contre-arguments et nuances.
Sans format précisé, Claude vous sert de longs paragraphes. Avec format imposé, vous récupérez du contenu directement exploitable.
"Réponds en 5 puces
maximum, 1 ligne chacune."
"Réponds en un tableau
| Critère | Outil A | Outil B | Outil C |"
"Plan : Contexte / Enjeux /
Options / Recommandation."
"Réponds en JSON
avec les clés : titre, résumé, tags."
"Format email : objet,
corps en 3 paragraphes courts, signature."
"200 mots maximum,
pas de phrases de plus de 20 mots."
Le premier prompt n'est presque jamais le bon. La vraie compétence : savoir corriger Claude en quelques échanges, sans tout réécrire.
Au lieu de tout reformuler, pointez ce qui ne va pas :
"Le 2e paragraphe est trop vague,
développe avec un exemple chiffré."
Pour comparer ou choisir un ton :
"Donne-moi 3 versions :
sobre / percutante / diplomate."
Pour identifier les faiblesses cachées :
"Quelles faiblesses vois-tu
dans ta réponse ? Auto-critique."
Si la conversation dérive, éditez votre message précédent au lieu d'en envoyer un nouveau — Claude reprend depuis ce point propre.
→ 3 itérations courtes valent mieux qu'un méga-prompt initial. Et c'est plus économe en tokens grâce au cache.
Ces 6 réflexes coûtent du temps, de la qualité ou des tokens. Les identifier chez soi, c'est déjà 80 % du progrès.
| Symptôme | Diagnostic | Remède |
|---|---|---|
| Réponse générique, scolaire | Pas de contexte ni de persona | Ajouter rôle + audience + enjeu |
| Trop long, indigeste | Format non spécifié | Imposer une longueur cible et une structure |
| Réponse à côté de la plaque | 10 demandes empilées dans un seul prompt | Découper en plusieurs tours |
| Conversation qui s'embrouille | Trop de tours, contexte saturé | Repartir d'un nouveau chat ou résumer |
| Hallucinations factuelles | Pas de matériau source fourni | Joindre les fichiers, activer recherche web |
| Abandon après 1 essai raté | Manque de réflexe d'itération | Corriger ciblé, demander variantes |
Chacun choisit 3 cas concrets issus de son métier et applique la méthode RCTFE.
Quiz de 10 questions sur un module
Reformuler un cours pour des débutants
Plan d'animation d'un atelier 2h
Note de cadrage 1 page
Synthèse d'un rapport long
Réponse à une demande sensible
Synthèse d'un cahier des charges
Comparatif de 3 outils (RFP)
Note d'analyse de risque SI
→ Pour chaque cas : écrivez d'abord le prompt naïf, puis le prompt RCTFE. Comparez les deux résultats.
Itérer : si la réponse ne convient pas, corrigez Claude dans la même conversation.
Tester plusieurs modèles sur le même prompt.
Donner des exemples concrets de ce que vous attendez.
Critiquer la réponse : "ce passage est trop vague, précise X".
Mettre des données ultra-confidentielles sans validation.
Faire confiance aveuglément aux chiffres et citations.
Empiler 8 demandes dans 1 prompt — préférer plusieurs tours.
Abandonner après 1 essai si ça ne marche pas du premier coup.
Son meilleur prompt du jour et le résultat obtenu (5 min par personne).
Qu'est-ce qui a marché ? Qu'est-ce qui a surpris ? Quelles différences entre les modèles ?
Patterns qui reviennent, frictions, idées d'usages qu'on n'avait pas envisagés.
→ Cette restitution croisée est le moment le plus formateur de la journée. C'est en voyant les prompts des autres qu'on découvre des angles auxquels on n'aurait pas pensé.
Pendant la période entre J1 et J2, utilisez Claude au moins 5 fois sur des tâches professionnelles réelles. Pour chacune, notez :
Le contexte (1 phrase)
Le prompt envoyé
Le modèle utilisé
Le résultat : utile / partiel / raté
Ce qui aurait pu être mieux
Le temps gagné estimé
→ On démarre J2 en lisant et croisant ces journaux. C'est notre matière première.
Un stagiaire surdoué qui a tout lu, mais sans mémoire, parfois sûr de lui à tort, à vérifier sur les faits importants.
Opus pour la complexité, Sonnet pour le quotidien, Haiku pour le volume rapide.
Rôle · Contexte · Tâche · Format · Exemples
Le premier prompt est rarement le bon. Corriger Claude dans la conversation est un réflexe à acquérir.
À la prochaine — apportez votre journal !