Ça fait maintenant deux ans que j’utilise l’IA tous les jours.
Vous avez remarqué la petite phrase sous ChatGPT qui nous rappelle qu’il peut faire des erreurs et qu’il faut vérifier les informations importantes ?
C’est quand même un drôle de contrat avec un logiciel.
Imaginez la même chose sur votre GPS : « Attention, je peux me tromper de chemin. Vérifiez quand même que vous allez bien là où je vous emmène. »
On hésiterait peut-être un peu plus avant de prendre l’autoroute.
Et pourtant, avec l’IA, on a fini par trouver ça presque normal.
Le logiciel qui vous demande de le surveiller
Ce qui m’intéresse dans cette petite phrase, ce n’est pas tellement qu’une intelligence artificielle puisse se tromper.
On le sait.
OpenAI l’explique d’ailleurs très clairement dans sa propre documentation : ChatGPT peut produire des réponses incorrectes ou trompeuses, parfois avec beaucoup d’assurance, et les informations importantes doivent être vérifiées.
Ce qui me frappe davantage, c’est le contrat que cela crée avec l’utilisateur.
Le logiciel nous aide précisément parce qu’il peut chercher, synthétiser, formaliser, comparer ou produire beaucoup plus vite. Mais au moment même où nous lui déléguons une partie du travail, il nous demande de conserver suffisamment de recul pour contrôler ce qu’il vient de faire.
Autrement dit, plus il devient capable, moins on peut simplement appuyer sur le bouton et partir prendre un café.
J’ai déjà raconté à quel point l’accélération produite par l’IA augmente aussi le besoin de jugement. Ici, le problème est un peu différent.
Il ne s’agit plus seulement de choisir entre plusieurs propositions.
Il faut parfois vérifier que le réel n’a pas discrètement disparu en cours de route.
Devenir expérimenté avec un outil qui change
Il y a une deuxième chose qui rend la situation assez particulière.
Plus j’utilise l’IA, plus j’ai l’impression de travailler avec un produit qui n’est jamais vraiment fini. Une sorte de prototype permanent.
Pas au sens où ChatGPT serait littéralement un prototype. Au sens où ma manière de l’utiliser, elle, reste provisoire.
Les modèles changent. Certains apparaissent, d’autres disparaissent. Les fonctionnalités arrivent, évoluent ou sont remplacées. Les possibilités de recherche, de voix, de gestion du contexte ou d’organisation du travail progressent.
Il suffit d’ailleurs de regarder les notes de version de ChatGPT et des modèles OpenAI pour constater la fréquence de ces évolutions.
Une méthode de travail que je pensais avoir enfin comprise peut donc devenir moins pertinente quelques semaines ou quelques mois plus tard.
Et ça change quelque chose d’assez profond à la notion d’expérience.
Dans beaucoup de métiers, devenir expérimenté consiste à accumuler des méthodes et des réflexes.
Avec l’IA, l’expérience consiste aussi à savoir lesquels il faut abandonner.
Je teste beaucoup. Je détourne parfois une fonctionnalité de son usage prévu. Si ça marche, j’en fais une méthode. Je l’améliore. Parfois je la documente pour pouvoir la réutiliser.
Tout en sachant qu’elle est probablement provisoire.
C’est assez paradoxal : plus j’acquiers de l’expérience avec l’IA, moins je considère mes propres méthodes comme définitives.
La documentation ne dispense pas de regarder ce qui se passe
J’ai aussi progressivement appris à mieux organiser mon travail avec l’IA.
Je distingue davantage les conversations, les règles, les décisions validées, les sources qui font autorité. Sur les projets complexes, je documente beaucoup plus qu’au début.
Mais même ça ne règle pas tout.
Je peux donner à une IA des sources très précises, lui expliquer qu’elles font foi, travailler avec elle pendant plusieurs échanges et la retrouver soudain partie ailleurs.
« Attends, regarde tes sources. On ne s’était pas dit ça. »
Elle les relit, reconnaît généralement l’écart et repart dans le bon sens.
J’ai poussé beaucoup plus loin cette question dans « Mon IA avait la tête sous l’eau », à partir d’un projet où d’anciennes décisions avaient fini par réapparaître malgré une documentation pourtant explicite.
Ce que j’en retiens dépasse la simple question du contexte.
Donner une bonne source à une IA et vérifier qu’elle travaille effectivement à partir de cette source sont deux choses différentes.
La nuance semble minuscule. Dans la pratique, elle change beaucoup de choses.
On peut organiser parfaitement la documentation, structurer le projet, définir les rôles — ce que j’essaie notamment de faire avec Project Casting — et devoir malgré tout continuer à regarder le résultat.
Parce qu’une réponse convaincante n’est pas une preuve que le raisonnement qui l’a produite était juste.
Une compétence assez étrange : apprendre à désapprendre
C’est probablement là que ma manière de travailler a le plus changé.
Au début, j’essayais surtout d’apprendre à utiliser l’IA.
Aujourd’hui, j’essaie autant d’apprendre à repérer le moment où ma propre manière de l’utiliser devient obsolète.
Un nouveau modèle permet soudain de faire directement quelque chose pour lequel j’avais construit un workflow compliqué.
Une fonctionnalité rend inutile une astuce dont j’étais assez fier trois mois plus tôt.
Une pratique qui fonctionnait bien avec un modèle produit un résultat différent avec le suivant.
Et parfois, c’est simplement moi qui découvre qu’une méthode que j’avais bricolée n’était pas aussi intelligente que je le pensais.
L’expertise avec l’IA devient donc assez différente de celle que j’associais traditionnellement à un logiciel.
Elle ne consiste pas seulement à connaître de mieux en mieux l’outil.
Elle consiste à savoir observer quand l’outil a changé suffisamment pour devoir remettre en cause ce qu’on croyait avoir appris.
L’IA ne fait pas seulement disparaître du travail. Elle en déplace une partie.
C’est pour ça que l’idée d’une IA qui ferait simplement le travail à notre place me paraît un peu courte.
Elle sait déjà chercher, formaliser, résumer, suggérer, produire, coder, comparer ou exécuter énormément de choses.
Et elle en fera probablement davantage demain.
Mais pendant ce temps, une autre partie du travail prend de l’importance.
Comprendre ce que l’outil permet désormais de faire.
Choisir ce qu’on lui confie.
Reconnaître une réponse qui semble juste mais mérite d’être vérifiée.
Sentir qu’un raisonnement dérive.
Remettre une source au centre.
Abandonner un workflow devenu inutile.
Reconstruire une manière de travailler lorsqu’un nouvel outil change les règles du jeu.
Ce n’est pas nécessairement plus de travail.
Mais ce n’est certainement pas l’absence de travail.
Alors, faut-il être plus intelligent qu’une IA ?
Je ne sais pas.
Et je ne suis même pas certain que l’intelligence soit la bonne unité de mesure.
Il faut surtout rester suffisamment attentif pour ne pas confondre fluidité et fiabilité, assurance et exactitude, délégation et abandon du jugement.
Il faut aussi accepter quelque chose d’assez inconfortable : une partie de ce qu’on apprend aujourd’hui sera peut-être à désapprendre demain.
Finalement, devenir expérimenté avec l’IA consiste peut-être à devenir très bon avec un outil tout en refusant de croire qu’on sait définitivement s’en servir.
Travailler avec un logiciel qui change pendant qu’on apprend à l’utiliser, et qui nous prévient lui-même qu’il peut se tromper, demande quand même de faire sérieusement travailler ses cervicales.
Sources
OpenAI — Does ChatGPT tell the truth? — documentation sur les erreurs possibles de ChatGPT et la nécessité de vérifier les informations importantes :
https://help.openai.com/en/articles/8313428-does-chatgpt-tell-the-truth
OpenAI — Model Release Notes — historique des évolutions, mises à jour et retraits des modèles utilisés dans ChatGPT :
https://help.openai.com/en/articles/9624314-model-release-notes
OpenAI — ChatGPT Release Notes — évolutions fonctionnelles de ChatGPT :
https://help.openai.com/en/articles/6825453-chatgpt-release-notes
National Institute of Standards and Technology (NIST) — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, 2024 — cadre de référence consacré aux risques propres aux systèmes d’IA générative :
https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
