Former à l’IA : quelles compétences, pour quelles activités ?

Une université souhaite créer une formation à l’intelligence artificielle. Une entreprise veut former ses collaborateurs. Une administration prépare un programme de renforcement des capacités.

Dans chaque cas, la même question apparaît : que faut-il enseigner ?

La réponse peut sembler évidente : expliquer l’IA, présenter les outils, apprendre à rédiger des prompts, éventuellement programmer. Pourtant, ces contenus ne répondent pas aux mêmes besoins.

Un agent qui utilise l’IA pour préparer un compte rendu n’exerce pas la même activité qu’un développeur qui construit un assistant administratif. Un documentaliste qui prépare les sources de cet assistant ne réalise pas le même travail que le responsable chargé de valider ses réponses.

Avant de choisir les cours, il faut donc préciser ce que les personnes devront être capables de faire.

Imaginons une administration qui souhaite mettre en place un assistant pour expliquer les démarches aux citoyens. Plusieurs activités doivent être assurées.

Des agents identifient les questions fréquentes. Des experts vérifient les procédures et leurs exceptions. Des documentalistes organisent les sources. Une équipe technique construit l’application. Des évaluateurs testent les réponses. Un responsable décide des corrections et des conditions de mise en service.

Une formation générale à l’IA peut donner à tous un vocabulaire commun. Elle ne suffit cependant pas à préparer chacun à sa contribution.

Pour concevoir les apprentissages, une première méthode consiste à décrire :

• l’activité à réaliser ;
• le résultat attendu ;
• les connaissances et les savoir-faire nécessaires ;
• les conditions dans lesquelles la personne devra agir ;
• les critères permettant de vérifier sa maîtrise.

Cette démarche aide à passer d’un thème de formation à une capacité observable.

« Comprendre le RAG » est un objectif utile, mais large. « Préparer un corpus de procédures, préserver ses références et vérifier les passages retrouvés par un assistant » précise davantage le travail attendu.

Dans notre exemple, les apprentissages pourraient être organisés ainsi :

Ce tableau est illustratif. Il ne constitue ni un programme officiel ni une liste de postes obligatoires. Une personne peut couvrir plusieurs fonctions ; certaines peuvent être partagées entre équipes.

Il montre surtout pourquoi une formation identique pour tous risque de rester trop générale ou de devenir inutilement technique.

Former à l’IA ne signifie pas repartir de zéro.

Un documentaliste connaît déjà les méthodes de description des ressources, de classement et de recherche. Un enseignant maîtrise des contenus, des progressions et des difficultés d’apprentissage. Un statisticien sait examiner les définitions, les unités, la qualité des données et les limites d’une interprétation.

Ces compétences peuvent contribuer aux applications d’IA. Il faut identifier les apprentissages complémentaires nécessaires.

Le documentaliste peut avoir besoin de comprendre comment le découpage des documents influence la recherche de passages. L’enseignant peut apprendre à formaliser ses critères pour évaluer les explications d’un assistant. Le statisticien peut approfondir les méthodes de test des réponses et l’analyse des erreurs.

Cette approche valorise l’expérience professionnelle tout en reconnaissant que son adaptation à l’IA demande un travail réel.

Elle évite également de présenter chaque fonction comme un métier entièrement nouveau.

Les parcours peuvent partager un socle : fonctionnement général des systèmes, limites, vérification des résultats, protection des informations et responsabilités humaines.

Au-delà de ce socle, les apprentissages doivent se différencier.

Les utilisateurs ont besoin de pratiquer les tâches de leur quotidien. Les professionnels métier doivent apprendre à traduire leurs exigences et à participer à la validation. Les équipes techniques doivent maîtriser l’intégration, les tests et l’exploitation. Les responsables doivent pouvoir apprécier les options, les risques et les moyens nécessaires.

Le niveau de programmation requis varie lui aussi. Il peut être indispensable pour certaines fonctions et secondaire pour d’autres.

L’enjeu consiste à donner à chacun les moyens de tenir son rôle et de coopérer avec les autres.

Une présentation peut faire découvrir une notion. Un exercice permet de commencer à l’utiliser. Un projet confronte l’apprenant aux difficultés de sa mise en œuvre.

Prenons un atelier de préparation de connaissances pour un assistant. Les participants pourraient travailler sur quelques documents autorisés, repérer leurs versions, produire des fiches et construire des questions de test.

Ils découvriraient alors des problèmes concrets : deux sources se contredisent, une exception manque, un tableau est mal extrait ou une réponse cite un passage qui ne justifie pas sa conclusion.

Ces situations donnent du sens aux méthodes enseignées.

Les projets doivent toutefois rester adaptés au niveau des participants. Un débutant peut apprendre à vérifier une synthèse avant de concevoir une base documentaire. Une équipe expérimentée peut travailler sur les mises à jour, la traçabilité et les tests de non-régression.

La progression doit permettre d’acquérir les prérequis, puis de traiter des situations plus complexes avec un accompagnement approprié.

Assister à une formation, obtenir une attestation et maîtriser une activité sont trois résultats différents.

Un questionnaire peut vérifier la compréhension de notions. Il ne suffit pas toujours à établir qu’une personne saura préparer un corpus, détecter une erreur ou exploiter un service.

L’évaluation peut donc combiner plusieurs preuves : réalisation d’une tâche, explication des choix, analyse d’un cas difficile et correction après retour.

Pour un utilisateur, on peut examiner sa capacité à vérifier une réponse. Pour un professionnel chargé des sources, la traçabilité et la gestion des versions. Pour une équipe technique, le fonctionnement et les limites du prototype.

Savoir dire « les informations disponibles ne permettent pas de conclure » peut également être une compétence essentielle. Une réponse assurée ne constitue pas, à elle seule, une preuve de maîtrise.

Une formation peut être bien conçue et produire peu d’effets si les participants ne peuvent pas exercer les compétences acquises.

Disposent-ils des outils nécessaires ? Ont-ils accès aux ressources autorisées ? Peuvent-ils consacrer du temps à la pratique ? Un responsable est-il chargé de valider leurs productions ? Existe-t-il un appui lorsqu’ils rencontrent une difficulté ?

Ces conditions doivent être examinées avec les contenus pédagogiques.

Dans une organisation, le suivi peut porter sur la réutilisation des méthodes, la qualité du travail et les difficultés rencontrées. Le nombre de personnes formées reste utile pour décrire l’effort réalisé, mais il ne mesure pas à lui seul la capacité à utiliser l’IA efficacement.

Les gains doivent être observés dans les activités concernées, en tenant compte du temps de vérification et de correction.

Les outils et les pratiques changent. Les formations doivent pouvoir évoluer à partir des retours d’expérience.

Les établissements de formation apportent les fondements et les méthodes. Les organisations utilisatrices apportent les tâches réelles et leurs exigences. Les professionnels contribuent par leur expérience. Les équipes de recherche peuvent aider à examiner les méthodes et leurs résultats.

Cette coopération peut soutenir la formation initiale, la formation continue et la reconversion. Elle peut aussi faire apparaître des parcours hybrides entre documentation, expertise sectorielle, données et ingénierie IA.

Ces parcours doivent être construits et évalués. Leur pertinence ne découle pas simplement de la présence du terme « intelligence artificielle » dans leur intitulé.

Pour préparer un programme, une question constitue un bon point de départ : quelles activités voulons-nous que les personnes puissent assurer, avec quel niveau d’autonomie et de qualité ?

Elle permet de choisir les contenus, les exercices, les prérequis et les modalités d’évaluation. Elle aide aussi à préciser les moyens nécessaires après la formation.

Former à l’IA peut ainsi prendre plusieurs formes : apprendre à utiliser un outil avec discernement, préparer des connaissances métier, construire une application, contrôler ses résultats ou organiser son exploitation.

La cohérence entre ces apprentissages et les activités attendues est ce qui transforme un effort de formation en capacité durable.