Découvrir l’IA, ce n’est pas apprendre à prompter

Cette semaine, je passe à nouveau mes journées en entreprise à former des équipes à l’intelligence artificielle. J’ai démarré cet accompagnement la semaine dernière, je continue aujourd’hui, et j’y serai encore les deux semaines à venir. Ce que j’y vois, chaque jour, confirme une chose : la plupart des gens ne cherchent pas à découvrir l’IA. Ils cherchent la bonne formule. Et tout se joue précisément là.

Découvrir l’IA en entreprise ne consiste pas à mémoriser des prompts ni à maîtriser un outil du moment. Cela consiste à comprendre les mécanismes derrière les outils, pour les utiliser avec discernement dès la première session, et garder cette autonomie quand l’outil change. Cette compréhension sépare une équipe qui subit l’IA d’une équipe qui la pilote.

J’écris cet article au milieu d’un accompagnement. Ce que je raconte ici, je ne le tire pas d’une étude. Je le vis en direct, dans la salle, avec de vraies personnes et de vraies questions.

Ce que les équipes croient avoir appris avant que j’arrive

Quelques jours avant mon arrivée, beaucoup d’équipes ont déjà suivi une formation d’introduction à l’IA. Très souvent, cette formation tourne autour de ChatGPT et, surtout, autour des prompts. Comment écrire un bon prompt. Ou bien, comment le structurer. Comment obtenir un meilleur résultat grâce à un meilleur prompt.

Le problème, c’est le résultat. Cette semaine encore, plusieurs personnes m’ont expliqué qu’elles n’utilisaient quasiment jamais ces outils, parce qu’elles ne connaissaient pas « le bon prompt ».

Lisez bien cette phrase. Une formation censée leur donner de l’autonomie leur avait appris l’inverse : qu’elles avaient besoin d’un expert pour utiliser un outil. Comme si l’intelligence artificielle était devenue une sorte de langage ésotérique réservé à ceux qui possèdent les bonnes formules.

Voilà le vrai coût d’une mauvaise première rencontre avec l’IA. Pas un manque de compétence technique. Une dépendance installée dès le départ.

Découvrir l’IA, c’est observer un mécanisme, pas appliquer une recette

Voici un tableau de ce que je constate concrètement sur le terrain, en comparant deux façons d’aborder l’IA. Les chiffres ne sont pas théoriques : ils viennent de plus de 200 entreprises accompagnées par Machine Learning Lab depuis 2018.

Approche	Ce qu’on apprend	Ce qui se passe à 6 mois	Niveau d’autonomie
La voie rapide (formation outil)	Des prompts, des recettes, un logiciel précis	L’outil a changé, la recette ne marche plus, on attend la prochaine formation	Faible : dépendance à l’outil et à l’expert
La voie « Parler IA »	Les mécanismes derrière les outils, par la pratique	On change d’outil sans repartir de zéro, on évalue par soi-même	Durable : autonomie de décision

La différence ne se voit pas le premier jour. Elle se voit six mois plus tard, dans chaque réunion projet. Un chiffre que je cite souvent le rappelle : 87 % des projets IA en entreprise échouent (étude VentureBeat). Pas par manque d’outils. Par manque de socle commun, d’alignement et de compréhension partagée.

Lire aussi : Comment lancer un projet IA en entreprise ?

Comment je fais découvrir l’IA, concrètement, dans la salle

Voici la méthode, telle que je l’applique cette semaine.

Je fais télécharger des modèles de langage en local, pour que les participants puissent voir de leurs propres yeux ce qu’est réellement un LLM. Je leur montre qu’un modèle n’est pas une entité magique dans le cloud, mais un fichier sur un disque dur. Cela démystifie en trente secondes ce que des heures de discours n’arrivent pas à clarifier.

Je construis avec eux des automatisations dans Make, afin qu’ils deviennent les architectes de leurs propres systèmes plutôt que de simples utilisateurs d’outils. Puis, je leur fais comparer plusieurs modèles, observer leurs contradictions, tester leurs limites et parfois leurs absurdités. Et enfin, je leur fais créer des chansons avec l’IA. Je les fais rire devant certains résultats. Je les fais parfois douter de ce qu’ils croyaient avoir compris cinq minutes plus tôt. C’est précisément le but.

Puis je fais une expérience simple. Je leur demande d’utiliser les outils sans chercher le prompt parfait. Nous discutons, nous testons, nous itérons. Ensuite, je leur fais copier-coller exactement le même prompt dans deux conversations différentes. Les résultats sont différents. Toujours.

À partir de là, nous pouvons parler de modèles probabilistes, de génération, de contexte, de mémoire, de température, d’agents ou encore de systèmes multi-outils. Mais surtout, nous pouvons parler de quelque chose de bien plus important : notre rapport à la connaissance.

Mon objectif n’est pas qu’ils repartent avec des réponses. Mon objectif est qu’ils repartent avec de meilleures questions. Voilà la pratique en séance qui reste utile dans deux ans.

Lire aussi : Guide complet pour former ses équipes à l’IA.

Le moment où découvrir l’IA change vraiment quelque chose

Je repense souvent à une conversation que j’ai eue cette semaine. Une participante me demandait si l’intelligence artificielle pouvait l’aider à construire un fichier Excel pour gérer les congés de ses collègues. Les règles évoluent régulièrement. L’équipe grandit. Le fichier devient de plus en plus complexe. Elle avait déjà demandé de l’aide à une IA, qui lui proposait désormais des macros et des solutions techniques de plus en plus sophistiquées.

Je lui ai posé une question simple. Pourquoi faites-vous cela ?

Elle est restée silencieuse quelques secondes. Puis elle m’a expliqué qu’elle avait commencé il y a plusieurs années pour rendre service. Par gentillesse. Parce qu’il fallait bien que quelqu’un le fasse. Parce qu’elle ne savait probablement pas comment dire non. Mais ce n’était pas son métier. Cela n’avait jamais été son métier. Et pourtant, au fil du temps, cette responsabilité était devenue normale. Pour elle, pour ses collègues, pour son organisation.

Même l’intelligence artificielle avait accepté cette hypothèse sans la remettre en question. Tout le monde cherchait une meilleure solution technique. Personne ne remettait en question le problème lui-même.

Mon conseil fut beaucoup plus simple que n’importe quelle macro Excel. Parlez-en à votre responsable. Expliquez que cette tâche devient ingérable. Expliquez qu’elle ne fait pas partie de votre fonction. Demandez si quelqu’un d’autre ne devrait pas s’en charger.

Quelques minutes plus tard, elle m’a confié qu’elle se sentait soulagée. Comme si quelqu’un venait enfin de lui donner l’autorisation de remettre en question une règle qu’elle avait acceptée depuis des années.

Lire aussi : Ce qu’on peut déléguer à l’IA, et ce qu’on ne devrait jamais lui confier.

Ce que j’enseigne n’a finalement pas grand-chose à voir avec l’IA

Ce jour-là, j’ai réalisé une fois de plus que ce que j’enseigne n’a finalement pas grand-chose à voir avec l’intelligence artificielle. Ou plutôt : l’intelligence artificielle n’est qu’un prétexte.

Depuis longtemps, je suis fasciné par certains personnages de fiction. Mr. Wolf dans Pulp Fiction. Rick Sanchez dans Rick and Morty. Marty Byrde dans Ozark. Ils ont tous quelque chose en commun : ils ne se contentent pas d’accepter la situation telle qu’elle leur est présentée; ils cherchent à comprendre ce qui se passe réellement; ils regardent les mécanismes derrière les apparences; ils questionnent les hypothèses implicites. Ils observent le système plutôt que les symptômes. Quand tout le monde cherche une meilleure réponse, eux cherchent une meilleure question.

Récemment, deux mots sont revenus régulièrement dans mes réflexions. Deux mots anglais qui n’ont pas vraiment d’équivalent parfait en français.

Le premier est l’épistémologie. La manière dont nous savons ce que nous savons. Comment construisons-nous nos modèles du monde ? Mais aussi, comment vérifions-nous nos croyances ? Comment distinguons-nous une hypothèse d’un fait ?

Le second est l’agency. Notre capacité à agir sur le monde. Notre capacité à influencer les résultats plutôt qu’à simplement les subir.

Ces deux notions sont intimement liées. Sans compréhension, il n’y a pas d’action efficace. Sans action, il n’y a pas d’apprentissage réel. Voilà exactement ce que j’essaie de développer lorsque j’accompagne une équipe. Je veux qu’elle soit capable de continuer sans moi, qu’elle sache expérimenter, qu’elle sache observer, qu’elle sache remettre en question ses hypothèses, qu’elle sache construire ses propres conclusions.

Je veux qu’elle soit autonome.

La conséquence quand on saute cette étape

Voilà ce qui arrive quand une organisation n’a pas appris à découvrir l’IA de cette façon. Elle automatise des problèmes qu’elle aurait dû supprimer, elle confie à une IA des décisions qu’elle ne maîtrise pas, elle empile des solutions techniques sur des questions mal posées, et s’étonne, six mois plus tard, que l’investissement ne produise pas de retour.

Un dirigeant qui ne comprend pas ce que fait son IA signe des décisions qu’il ne contrôle pas. Une équipe formée à un outil sans comprendre la technologie repart de zéro à chaque mise à jour. Ce socle manquant fait patiner les projets.

Si cette participante, et son organisation, avaient eu le réflexe de questionner le problème avant l’outil, le sujet « fichier Excel des congés » n’aurait jamais existé. Voilà le socle commun que nous installons chez Machine Learning Lab. Pas une bibliothèque de prompts. Une manière de regarder les systèmes derrière les outils, pour décider en autonomie.

Découvrir l’IA, c’est apprendre une langue, pas une recette

Au fond, découvrir l’IA ressemble beaucoup à l’apprentissage d’une langue. Au début, on apprend quelques mots. Puis quelques règles. Mais l’objectif n’est pas la grammaire. L’objectif est de pouvoir penser, comprendre et agir dans un nouvel environnement.

Voilà ce que nous appelons Parler IA. Parler IA, ce n’est pas savoir utiliser ChatGPT. Ce n’est pas connaître les derniers outils à la mode. Ce n’est pas mémoriser des prompts. Parler IA, c’est apprendre à regarder les systèmes derrière les outils. C’est comprendre les mécanismes plutôt que les recettes, développer son esprit critique sans devenir cynique, apprendre à remettre en question les problèmes avant de chercher les solutions, c’est savoir prendre du recul pour voir le système plutôt que la tâche, développer son épistémologie. Et surtout, c’est renforcer son agency.

Voilà ce que nous transmettons dans nos formations et nos missions de conseil. Pas des recettes, pas des prompts miracles, pas des réponses toutes faites. Une capacité à mieux comprendre le monde qui nous entoure, afin d’y agir avec davantage de liberté, de discernement et d’autonomie.

La compétence la plus importante n’est peut-être pas de savoir utiliser l’intelligence artificielle. C’est de savoir interagir avec la réalité suffisamment bien pour découvrir les réponses par soi-même.

Je continue cet accompagnement les deux prochaines semaines. Et chaque jour, je vois la même chose se produire : le moment où quelqu’un cesse de chercher la bonne formule et commence, enfin, à parler IA.

Vous voulez faire découvrir l’IA à vos équipes ou à votre direction, en pratique et avec un socle qui dure ? Découvrez les formations IA de Machine Learning Lab à Paris, certifiées Qualiopi et éligibles OPCO.

Pour aller plus loin :

• nos formations IA pour vos équipes,
• notre intervention IA pour le CODIR
• nos conférences IA,
• notre webinars.

FAQ – Découvrir l’IA en entreprise

Nos formateurs IA à Paris

Rencontrez nos formateurs IA à Paris.