Les huit familles de compétences invisibles de l’IA

Un élève pose une question de mathématiques à un assistant d'intelligence artificielle. En quelques secondes, l'application lui propose une explication, repère une erreur et suggère un nouvel exercice. Derrière cette interaction apparemment simple, il peut y avoir des programmes scolaires, des cours, des corrigés, des méthodes pédagogiques et de nombreux contrôles.

Qui organise ces ressources ? Qui transforme l'expérience des enseignants en connaissances utilisables ? Qui vérifie que l'assistant mobilise la bonne méthode ? Ces questions mettent en évidence des compétences que l'on associe rarement, au premier abord, aux métiers de l'intelligence artificielle.

Dans le manuscrit « Les compétences invisibles de l'intelligence artificielle », huit familles de compétences sont proposées pour rendre ces activités plus lisibles. Elles forment une classification fonctionnelle de travail : ni huit nouveaux métiers obligatoires, ni une nomenclature officielle, mais huit ensembles de capacités à combiner selon les projets.

La première famille concerne l'ingénierie documentaire. Avant qu'un assistant puisse exploiter un patrimoine de documents, il faut identifier les sources pertinentes, contrôler leurs versions, organiser les métadonnées et préparer les contenus.

Dans notre exemple pédagogique, cela signifie distinguer les programmes officiels, les supports de cours, les exercices et les corrigés, sans perdre leurs références. Il faut aussi préserver les tableaux, les figures et les expressions mathématiques lors des transformations.

Le professionnel de l'information et de la documentation n'est donc pas simplement chargé de « déposer des PDF » dans un système. Il contribue à constituer un corpus compréhensible, traçable et exploitable. Cette compétence est particulièrement visible dans les applications utilisant la recherche documentaire augmentée, ou RAG.

Un document peut contenir une méthode sans rendre explicites toutes les conditions de son utilisation. Un enseignant expérimenté peut reconnaître une erreur récurrente sans avoir jamais écrit la règle qui guide son intervention.

L'ingénierie des connaissances consiste à recueillir, expliciter et formaliser ces savoirs. Elle peut produire des fiches de notions, des descriptions de méthodes, des règles, des conditions d'application ou des relations entre connaissances.

Pour l'assistant de mathématiques, elle aide à distinguer la propriété mathématique, la procédure de résolution et la stratégie d'accompagnement pédagogique. Elle travaille étroitement avec les experts du domaine : formaliser une connaissance ne signifie pas en inventer le contenu.

Une application doit parfois comprendre qu'une « équation », une « inconnue », une « solution » et une « égalité » sont des concepts distincts mais liés. Elle doit également pouvoir relier une notion à ses prérequis, à des exercices et à des compétences.

L'ingénierie ontologique et sémantique permet de définir les concepts, leurs propriétés et leurs relations. Selon les besoins, elle mobilise des vocabulaires contrôlés, des taxonomies, des graphes de connaissances ou des ontologies formelles.

Il n'est pas nécessaire de construire une ontologie pour chaque application IA. Des métadonnées et des fiches structurées peuvent suffire. L'enjeu est de choisir le degré de formalisation correspondant réellement aux fonctions attendues.

Les applications sectorielles mobilisent aussi des données : référentiels d'exercices, classifications, résultats de tests, indicateurs ou informations issues de systèmes existants.

L'ingénierie des données intervient pour acquérir, transformer, structurer, contrôler et distribuer ces ressources. Elle met en place des modèles de données, des traitements reproductibles et des interfaces d'accès.

Sa contribution ne se réduit pas au stockage. Les unités, les identifiants, les définitions et les règles de qualité doivent rester cohérents. Une application qui mélange des niveaux scolaires ou associe des exercices à de mauvaises catégories peut produire un service médiocre, même avec un modèle d'IA performant.

Une réponse correcte n'est pas toujours une bonne assistance. Si un élève se trompe dans la résolution d'une équation, lui donner immédiatement la solution peut résoudre le problème ponctuel sans l'aider à progresser.

L'ingénierie cognitive étudie les activités intellectuelles, les stratégies, les difficultés et les interactions entre personnes et systèmes. Elle contribue à déterminer quand demander une clarification, proposer un indice ou inviter l'utilisateur à vérifier son raisonnement.

Dans l'éducation, elle rejoint les sciences de l'apprentissage et la conception des interactions humain--machine. Dans l'administration ou l'industrie, elle peut aider à concevoir des assistants adaptés aux tâches et aux décisions réelles des professionnels.

Un ingénieur IA peut construire un système techniquement solide sans maîtriser les programmes scolaires, les règles de droit ou les pratiques agricoles. Les experts de ces domaines restent indispensables pour définir ce qui est pertinent et acceptable.

L'ingénierie pédagogique et sectorielle consiste à analyser les activités d'un domaine, formaliser ses méthodes et valider les exigences métier. Dans l'éducation, elle associe notamment enseignants, didacticiens et ingénieurs pédagogiques. Dans d'autres secteurs, elle mobilise juristes, agronomes, professionnels de santé ou spécialistes industriels.

Cette famille rappelle une idée essentielle : il n'est pas nécessaire de transformer chaque expert métier en développeur. Il faut surtout lui donner les moyens de participer efficacement à la construction et à la validation des applications IA.

Les connaissances ne restent pas toujours valides. Un programme scolaire change, une procédure administrative est révisée, un document est remplacé ou une erreur est découverte.

La curation et la gouvernance des connaissances organisent leur qualité dans le temps. Elles définissent la provenance, les droits d'utilisation, les statuts de validation, les responsabilités, les versions et les procédures de correction ou de retrait.

Un assistant peut fonctionner aujourd'hui et devenir inadapté demain s'il continue d'utiliser des références obsolètes. La maintenance du patrimoine n'est donc pas une tâche accessoire : elle fait partie de la qualité du service.

Un corpus fiable ne garantit pas une réponse fiable. L'application peut retrouver un passage inadapté, mal interpréter une règle ou produire une explication incorrecte malgré des sources valides.

L'évaluation des systèmes d'IA métier consiste à définir des scénarios de test, des résultats attendus et des critères de qualité. Elle vérifie notamment l'exactitude, la fidélité aux sources, la pertinence contextuelle et le respect des exigences du domaine.

Pour l'assistant pédagogique, il ne suffit pas de vérifier que x = 5 est la bonne solution de l'équation 3x + 7 = 22. Il faut aussi examiner la qualité de l'explication, la réaction à une erreur de l'élève et, si l'objectif est pédagogique, les effets de l'assistance sur l'apprentissage. Ces derniers demandent des méthodes d'observation adaptées.

À l'inverse, un patrimoine de connaissances partagé entre plusieurs institutions peut nécessiter des équipes spécialisées, une gouvernance formalisée et des mécanismes d'évaluation plus avancés.

Le choix dépend des fonctions attendues, des risques, des volumes et des moyens disponibles. L'objectif est de couvrir les compétences nécessaires, non de reproduire une organisation unique.

Cette lecture élargit les perspectives de développement des compétences nationales. Elle attire l'attention sur des professionnels déjà présents dans les établissements d'enseignement, les administrations, les entreprises, les bibliothèques, les laboratoires et les organismes techniques.

Elle suggère plusieurs voies : spécialiser des métiers existants, développer des profils hybrides, créer des parcours de formation appliqués et organiser des équipes interdisciplinaires. Elle ouvre également des possibilités de prestations spécialisées dans la préparation, la structuration, la gouvernance et l'évaluation des patrimoines de connaissances.

Ces perspectives ne constituent pas, à elles seules, un diagnostic des effectifs ou des besoins de formation de la Côte d'Ivoire. Elles proposent une grille pour conduire ce diagnostic et éclairer de futures décisions.

Les modèles, les infrastructures et les développeurs restent essentiels à la construction de l'intelligence artificielle. Mais dans de nombreux usages sectoriels, la qualité du service dépend aussi des personnes qui identifient, formalisent, organisent, valident et entretiennent les connaissances.

Les huit familles proposées rendent ce travail plus visible. Elles montrent que l'intelligence artificielle peut mobiliser les compétences de documentalistes, d'enseignants, de juristes, de statisticiens, d'ingénieurs des données, de chercheurs et de nombreux autres experts.