Concevoir des systèmes d'IA qui développent les personnes et la connaissance

Lorsque nous introduisons un système d'intelligence artificielle dans une organisation, nous devrions nous demander quelles compétences nous voulons développer chez les personnes qui l'utiliseront. Le temps gagné compte. Il compte aussi ce qui arrive à la connaissance, à l'autonomie professionnelle et à la capacité de prendre des décisions éclairées.

Deux lectures publiées en septembre 2026 offrent des perspectives utiles pour aborder cette question. Working with AI, du groupe de recherche de l’Université d’Auckland, propose un modèle pour concevoir la collaboration entre les personnes et les systèmes d’IA. Educating minds with generative AI, de Laura Desiree Di Paolo, Andy Clark et Thomas Wachter, invite à reconsidérer les conditions et les objectifs de l’apprentissage. Je les lis comme une invitation à expliciter les choix qui accompagnent l’adoption technologique.

La collaboration nécessite un projet

Le white paper d'Auckland met en relation cinq dimensions : personne, système d'IA, tâche, organisation et société. Il propose d'évaluer le succès également à travers l'expérience des travailleurs et la qualité de la collaboration. Dans le cas illustratif, 30 participants assemblent une valve avec un robot qui tend les outils. Ils peuvent expérimenter différentes configurations et choisir comment interagir. Une erreur délibérée du robot réduit la confiance déclarée ; lors de l'essai suivant, avec un comportement correct, la confiance remonte. Le résultat concerne une activité de laboratoire circonscrite : il ne démontre pas d'effets durables sur la productivité de l'entreprise, ni ne permet de généraliser aux systèmes génératifs. [1]

Pour ceux qui dirigent une entreprise, ces éléments suggèrent une question concrète : le travailleur peut-il vraiment intervenir dans le processus ? Dans un projet d’IA pour le service client, par exemple, il faut déterminer qui vérifie une réponse, quand un cas doit être transmis à une personne et comment conserver ce qui a été appris d’une erreur. C’est un exemple de conception que je propose, pas une application vérifiée par le livre blanc.

L'informatique moderne est sociale. Chaque choix concernant le fonctionnement d'un système entre dans les relations de travail, influence la répartition des responsabilités et peut changer la valeur reconnue aux compétences. C'est pourquoi la formation doit accompagner non seulement les personnes qui définissent les objectifs et les processus, mais aussi celles qui utilisent l'interface.

Évaluer la compétence au-delà du résultat

Educating minds with generative AI est un article de perspective soumis à une revue scientifique, et non une nouvelle expérience. Les auteurs décrivent l'école comme un environnement dans lequel les pratiques sociales, les matériaux et les technologies contribuent à former la pensée. Ils identifient un fossé entre la conception de l’IA et les sciences de l’apprentissage, et un second entre les performances mesurables et le développement de la personne. Ils remettent également en question la concentration de l’explication, du feedback et de l’évaluation dans une interface unique. Les conséquences cognitives et sociales à long terme restent à étudier. [2]

La distinction concerne également la formation des adultes. Un travail bien rédigé par un système génératif ne nous dit pas, à lui seul, si la personne qui le présente a compris le problème. Dans la conception des parcours DKTS, je considère essentiel de demander à la personne d'expliquer ses choix et d'affronter des situations nouvelles. La vérification doit rendre visible la contribution de l’IA et celle de son utilisateur.

Imaginons un exercice de formation en entreprise : le système propose une solution à un problème organisationnel, les participants vérifient les prémisses et discutent des informations manquantes. Ensuite, chacun aborde un cas différent, en motivant sa décision. C’est une proposition pédagogique à expérimenter et à évaluer, même après un certain temps, pour comprendre quelles connaissances sont restées disponibles.

Connaissance et responsabilité dans la décision

J'utilise souvent quatre verbes : je demande, j'obtiens, j'évalue, je décide. Ce sont des rappels pour maintenir une conscience claire de la relation avec les systèmes d'IA. La question implique déjà un choix : définir le problème, reconnaître le contexte et comprendre quelles informations sont nécessaires. L'évaluation nécessite des connaissances. La décision engage la responsabilité d'une personne et de l'organisation dans laquelle elle opère.

L’Intelligence Artificielle est une discipline. Son adoption nécessite une culture capable de mettre en relation compétences technologiques et compréhension des personnes. Dans mon expérience, la rencontre entre formation humaniste et technologie a rendu possible de concevoir les problèmes sous des perspectives différentes. C’est cette capacité que je souhaite continuer à cultiver également dans la formation professionnelle.

Pour DKTS, valoriser la connaissance signifie aussi se demander où reste l’expérience acquise pendant le travail. Si un système produit une synthèse, qui en vérifie les sources ? Si une erreur apparaît, comment devient-elle une connaissance partagée ? Si une personne experte reconnaît une exception, comment rendre son raisonnement compréhensible aux collègues ? Ce sont des questions à poser avant d’automatiser un processus.

Le même critère doit guider l’inclusion. De mon point de vue, l’accès à la formation et la possibilité d’influencer les décisions sont des conditions à vérifier pour toutes les personnes, y compris celles ayant moins de familiarité avec le numérique. L’expérience de ceux qui connaissent un métier peut aider à évaluer ce qu’un système propose ; elle doit trouver sa place dans la conception et le dialogue.

Expérimenter et vérifier dans le temps

Ma proposition est de partir d’un problème reconnaissable et de définir à l’avance comment nous évaluerons le résultat. En plus des délais et de la qualité du service, nous observons la capacité à reconnaître les erreurs, expliquer les choix et gérer un cas sans assistance lorsque cela est nécessaire. Une expérimentation limitée permet de comprendre ce qu’il faut modifier avant d’étendre l’utilisation du système.

D'abord expérimenter, puis valider et continuer à observer. Les besoins peuvent changer avec l'expérience des personnes et avec les mises à jour des systèmes. Les critères d'évaluation doivent également rester ouverts à la révision.

Nous avons besoin d’intelligences : humaine, artificielle, collective, organisationnelle et scientifique. Les faire travailler ensemble nécessite de prendre soin des conditions dans lesquelles les personnes apprennent et décident. La valeur de l’innovation se voit aussi ici : dans la connaissance qui reste dans les organisations et dans la capacité des personnes à l’utiliser avec responsabilité.

Références

[1] Yuqian Lu, Regina Lee, Rui Zhou, Lixin Jiang, Andrew McDaid et Amy Lawrence. Travailler avec l'IA : un cadre de conception pour la collaboration humain-IA. Université d'Auckland, septembre 2026 ; version arXiv déposée le 25 septembre 2026. Livre blanc, revue scientifique non indiquée.
https://doi.org/10.48550/arXiv.2609.31793

[2] Laura Desiree Di Paolo, Andy Clark et Thomas Wachter. Éduquer les esprits avec l'IA générative. Communications Psychology, 4, 128, 14 septembre 2026. Article de perspective soumis à une revue scientifique.
https://doi.org/10.1038/s44271-026-00522-8