« Le lézard qui tombe du haut de l’iroko dit que, si personne ne l’applaudit, il s’applaudira lui-même. »
Proverbe igbo.
Il faut reconnaître au lézard une certaine confiance en lui. Quant au rapport avec l’intelligence artificielle, il apparaîtra plus tard. Peut-être.
À 17 h 47, Mireille n’a aucune envie de comprendre comment fonctionne un grand modèle de langage. Elle ne veut pas davantage savoir ce qu’est un token, distinguer un modèle génératif d’un modèle prédictif ou consacrer son samedi matin à une formation intitulée « De zéro à expert en intelligence artificielle ».
Mireille veut rentrer chez elle.
Seulement, un courrier électronique l’attend encore. Un de ces messages longs, raides, méticuleusement polis, dont la courtoisie semble avoir été aiguisée avant l’envoi. On lui reproche un retard dont elle n’est pas responsable et, puisqu’elle connaît suffisamment ses propres nerfs pour savoir qu’une réponse improvisée finirait soit trop sèche, soit absurdement diplomatique, elle ouvre un assistant d’intelligence artificielle.
Elle lui explique la situation. Elle précise les dates, retire les informations confidentielles, demande une réponse ferme sans agressivité, puis relit ce qu’il lui propose. La première version est trop mielleuse. La deuxième convient presque. Elle remplace trois expressions, raccourcit une phrase et envoie le mail.
Il est 17 h 54.
Mireille ne sait toujours pas expliquer ce qu’est un transformer. Son problème, lui, est réglé.
Et c’est peut-être précisément là que nous avons commencé à apprendre l’intelligence artificielle à l’envers.
Nous avons transformé l’IA en nouvelle matière scolaire
Chaque grande technologie finit par engendrer son vocabulaire, ses experts et, assez rapidement, ses formations. L’intelligence artificielle n’a pas échappé à la tradition. Autour d’elle ont poussé des cours, des certifications, des masterclass, des tutoriels, des méthodes de prompting et suffisamment de vidéos intitulées « Vous utilisez ChatGPT de la mauvaise manière » pour inquiéter quelqu’un qui pensait jusqu’ici s’en sortir convenablement.
Certaines de ces formations sont nécessaires. Lorsqu’un ingénieur construit un système utilisant des modèles génératifs, lorsqu’une entreprise automatise des processus sensibles ou lorsqu’une équipe manipule des données confidentielles, l’improvisation n’est pas une stratégie. Il faut comprendre les limites, la sécurité, les coûts, les biais, les mécanismes de contrôle et les conséquences d’une erreur.
Mais la plupart des gens ne cherchent pas à construire le moteur. Ils veulent simplement conduire quelque part.
Ils ont un contrat dont le troisième paragraphe semble avoir été rédigé dans le but secret de décourager toute lecture humaine. Ils possèdent un tableau Excel dont les colonnes se multiplient comme des lapins. Ils doivent répondre à une réclamation, préparer un entretien, résumer un rapport, comparer deux offres, mettre de l’ordre dans des notes ou comprendre pourquoi leur budget, malgré toute la bonne volonté du monde, continue de disparaître aux alentours du 20 du mois.
Face à ces problèmes ordinaires, nous avons pourtant souvent présenté l’IA comme une discipline qu’il faudrait d’abord étudier avant d’oser s’en servir.
C’est curieux.
Nous n’avons pas demandé à des millions de personnes de comprendre le protocole SMTP avant leur premier courrier électronique. Nous n’avons pas attendu qu’elles maîtrisent les bases de données avant de leur permettre d’utiliser un moteur de recherche. Même Excel, qui a pourtant réussi à provoquer davantage de petites crises existentielles que bien des philosophies antiques, s’est principalement appris au contact du problème : une formule après l’autre, un tableau après l’autre, une erreur #REF! après l’autre.
L’intelligence artificielle pourrait bien suivre le même chemin.
Le « wow » n’habite pas forcément là où on le cherche
Le spectacle autour de l’IA nous a habitués aux démonstrations extraordinaires. On lui demande de générer des films, d’écrire du logiciel, de composer de la musique, de créer des voix ou de simuler des univers entiers. Dès lors, l’usage quotidien paraît presque trop modeste pour mériter notre attention.
Pourtant, le véritable basculement se produit souvent loin des démonstrations.
Il arrive lorsqu’un commerçant photographie ses notes de vente et obtient enfin un tableau qu’il peut exploiter. Lorsqu’un étudiant demande qu’un chapitre difficile lui soit expliqué autrement. Lorsqu’une mère transforme un cours en questions de révision pour son enfant. Lorsqu’un demandeur d’emploi confronte son CV à une offre et découvre, non pas une formule magique pour être recruté, mais les compétences qu’il a oublié de mettre en évidence. Lorsqu’une personne traduit un courrier administratif, démêle une facture ou remet de l’ordre dans trente lignes de pensées jetées sur son téléphone à deux heures du matin.
Le résultat n’est pas spectaculaire. Il est utile.
Et l’utilité a cette particularité peu glamour de changer beaucoup plus de vies que les démonstrations.
À force de parler de la puissance des modèles, nous avons parfois oublié la puissance d’une demi-heure rendue à quelqu’un. Or une demi-heure aujourd’hui, vingt minutes demain, dix minutes vendredi finissent par former quelque chose de très concret. Ce ne sont plus seulement des secondes gagnées ; ce sont des corvées raccourcies, des hésitations levées, des tâches repoussées qui cessent d’encombrer l’esprit.
Des dossiers, des délais, des détails : le quotidien professionnel adore confier les grandes journées à de petites choses.
L’IA commence à devenir intéressante lorsqu’elle en reprend quelques-unes.
Peut-être faudrait-il d’abord avoir un problème
Notre manière classique d’apprendre les logiciels était assez disciplinée : formation, compréhension, pratique, maîtrise. Cela fonctionne encore, bien entendu, mais l’IA conversationnelle introduit une autre possibilité.
On peut commencer par l’usage.
Une personne rencontre un problème, formule maladroitement sa demande, obtient une réponse imparfaite, la corrige, recommence et, ce faisant, découvre progressivement comment mieux travailler avec l’outil.
Le mouvement est presque inverse. Nous n’apprenons plus nécessairement avant d’agir ; nous apprenons parce que nous avons agi.
C’est une nuance importante, car la curiosité change de nature lorsqu’elle naît d’une difficulté réelle. Comprendre pourquoi un modèle invente parfois des informations devient soudain beaucoup plus intéressant après avoir été victime d’une affirmation parfaitement fausse formulée avec la sérénité d’un notaire. Apprendre à anonymiser des données paraît moins abstrait dès que l’on veut faire analyser un document professionnel. Comprendre la différence entre rechercher une information et demander une synthèse devient utile lorsque l’on remarque que l’IA peut expliquer admirablement une information qui n’a jamais existé.
La formation cesse alors d’être une salle d’attente. Elle devient une réponse.
Marc Aurèle écrivait que ce qui entrave l’action peut aussi devenir le chemin de l’action. Les stoïciens parlaient certes de choses légèrement plus graves qu’un fichier Excel mal rangé, mais le principe voyage plutôt bien : le problème n’est pas toujours ce qui retarde l’apprentissage ; parfois, c’est précisément ce qui lui donne une direction.
Le fameux « prompt parfait » nous a peut-être compliqué la vie
Puis est arrivé le prompt engineering.
L’expression est impressionnante. Elle suggère volontiers qu’entre l’être humain et la machine se cache un art ésotérique, réservé à ceux qui savent réciter une incantation comprenant un rôle, un contexte, sept contraintes, trois exemples, un format de sortie et probablement la position de Mercure.
Dans certaines applications professionnelles, la conception rigoureuse des instructions est effectivement importante.
Pour rédiger le menu du baptême de votre cousine, peut-être un peu moins.
Pour les usages ordinaires, il existe un principe beaucoup plus sobre : raconter correctement son problème.
Voici ce que j’ai. Voici ce que je cherche à obtenir. Voici les contraintes. Voici ce que j’ai déjà essayé. Voici ce que je ne comprends pas.
Et lorsque la première réponse ne convient pas, il est permis de le dire. Aucun robot ne sera vexé. C’est probablement l’un des rares collaborateurs auxquels on peut écrire « non, tu n’as pas compris » à 23 h 18 sans provoquer une réunion RH le lendemain matin.
Paradoxalement, apprendre à utiliser l’IA pourrait donc nous obliger à exercer une compétence très humaine : préciser notre pensée.
Car une demande vague produit souvent une réponse molle, tandis qu’un problème bien formulé révèle ce que l’on souhaite réellement obtenir. Ce n’est pas de la magie ; c’est de la clarification.
Et parfois, en expliquant correctement son problème à une machine, on finit même par mieux le comprendre soi-même.
Une encyclopédie brillante avec l’assurance d’un cousin qui « connaît quelqu’un »
Il reste cependant une difficulté considérable : ces systèmes peuvent se tromper.
Pas toujours timidement.
L’IA possède parfois cette qualité fascinante qui consiste à ignorer quelque chose avec énormément d’aplomb.
C’est pourquoi la meilleure métaphore n’est peut-être pas celle de l’oracle ou de l’assistant omniscient. Imaginons plutôt une immense bibliothèque à laquelle on aurait donné une bouche, une mémoire imparfaite et l’assurance de ce cousin qui, quelle que soit la question, commence sa réponse par : « Moi, je connais quelqu’un qui… »
Elle peut être brillante. Elle peut aussi confondre, extrapoler, simplifier ou inventer.
Le discernement ne devient donc pas moins important avec l’IA ; il devient plus important.
On peut lui confier le brouillon d’un message sans lui abandonner l’intention. On peut lui demander d’expliquer un contrat sans confondre son explication avec l’avis d’un juriste. On peut lui demander de rendre compréhensibles des termes médicaux sans lui demander de remplacer le médecin. On peut lui demander d’analyser un budget sans espérer que la banque accepte bientôt « l’algorithme était d’accord » comme justification d’un découvert.
Autrement dit, déléguer une partie du travail n’oblige pas à sous-traiter son jugement.
Ce principe devrait probablement être enseigné avant beaucoup de techniques de prompting.
Le test des quinze minutes
Il existe une façon très simple de découvrir ce que l’IA peut réellement apporter à quelqu’un. Elle ne demande ni certificat ni week-end sacrifié.
Il suffit de quinze minutes et d’une corvée authentique.
Prenez cette tâche que vous repoussez depuis trois jours : le courrier auquel vous n’avez toujours pas répondu, les notes éparses de la réunion de mardi, le fichier dont vous devez extraire les informations importantes, les dépenses du mois que vous regardez avec la même prudence qu’un film d’horreur, les différentes offres que vous comparez actuellement en jonglant entre onze onglets.
Décrivez le résultat attendu, fournissez uniquement les informations nécessaires, puis demandez une première proposition.
Ensuite, discutez-la. Demandez pourquoi. Demandez plus court. Demandez plus clair. Demandez ce qui manque. Vérifiez ce qui doit l’être.
Peut-être que l’outil se révélera médiocre pour votre besoin. C’est une information utile. Peut-être qu’il faudra plusieurs échanges avant d’obtenir quelque chose de convenable. C’est également une information utile.
Ou peut-être que, quelque part entre la deuxième et la troisième réponse, vous vous surprendrez à fixer l’écran en pensant : « Attends… je pouvais faire ça depuis tout ce temps ? »
Le fameux « wow » est souvent là. Pas dans le futur, pas dans un laboratoire, mais dans la petite corvée qui vient de perdre vingt minutes.
Et les formations, alors ?
Elles arrivent ensuite.
Non parce qu’elles seraient inutiles, mais parce qu’elles deviennent meilleures lorsqu’elles répondent à de vraies questions.
À partir du moment où l’on utilise réellement l’IA, on veut comprendre pourquoi elle se trompe, comment protéger ses données, comment vérifier une source, quand employer une recherche classique, comment automatiser une tâche répétitive, comment structurer un contexte plus complexe, comment éviter de divulguer des informations sensibles ou encore comment distinguer une réponse plausible d’une réponse fondée.
À ce moment-là, apprendre cesse d’être un exercice abstrait.
Chaque notion trouve une prise.
La sécurité correspond à une situation vécue. La confidentialité cesse d’être une note de bas de page. Les hallucinations ne sont plus un terme amusant entendu dans une conférence. L’automatisation ne signifie plus « technologie du futur », mais « peut-être que je n’aurai plus à recopier ces trente lignes chaque vendredi ».
Voilà probablement la meilleure manière de ne pas subir l’IA : commencer assez simplement pour l’utiliser, puis apprendre assez sérieusement pour ne pas en devenir crédule.
Nous avions peut-être simplement commencé par le mauvais bout
Mireille continuera probablement à ignorer encore quelque temps la différence entre un embedding et un modèle de raisonnement.
Ce n’est pas dramatique.
Demain, elle utilisera peut-être l’IA pour comparer deux documents. Dans une semaine, pour réorganiser des notes. Un mois plus tard, elle aura peut-être appris à mieux protéger les informations qu’elle transmet, à exiger des sources et à reconnaître les moments où l’outil n’est tout simplement pas le bon.
L’apprentissage aura eu lieu. Seulement, il aura commencé par la pratique.
Nous avons longtemps posé la question ainsi : « Que dois-je apprendre pour utiliser l’intelligence artificielle ? »
La formulation inverse est peut-être plus féconde : « Qu’est-ce qui m’agace suffisamment aujourd’hui pour que j’essaie de le résoudre autrement ? »
Ce fichier. Ce courrier. Cette recherche. Cette tâche répétitive.
Commencez là.
Le reste suivra, parce qu’il aura enfin une raison de suivre.
Quant au lézard tombé de l’iroko, il s’était peut-être contenté de comprendre avant nous qu’il n’était pas nécessaire d’attendre que quelqu’un valide la méthode pour commencer à bouger.
Il s’est applaudi.
Mireille, elle, a fermé son ordinateur.