IA générative : usages, confiance et adoption au travail

La généralisation des outils d’IA ne s’accompagne pas toujours d’une compréhension fine de leur fonctionnement. Entre confiance fragile, habitudes de recherche qui évoluent lentement et pratiques de prompt déjà structurées, un panorama récent détaille ce que font réellement les utilisateurs, ce qu’ils attendent et où ils butent. Il rappelle aussi que, malgré l’engouement, la majorité des actifs interrogés disent ne pas employer l’IA au travail.

Au travail, une majorité dit ne pas utiliser l’IA et la maîtrise reste inégale

Sur environ 5 000 Américains en emploi interrogés, 81 % ont déclaré ne pas utiliser l’IA au travail, deux ans après l’émergence des outils grand public. Malgré un taux d’adoption élevé dans de nombreux groupes, la courbe d’apprentissage reste importante. Lorsque les modèles mentaux sont inexacts ou la vision du potentiel limitée, l’usage peut décevoir. La littératie en IA suppose à la fois de savoir formuler des prompts et d’évaluer de manière critique les résultats, et une pratique fréquente ne garantit pas une utilisation compétente. Les utilisateurs peinent aussi à comprendre comment des systèmes de personnalisation transforment leurs actions en recommandations. En Chine, des nouveaux utilisateurs de chatbots d’IA générative ont eu des difficultés à appréhender la fonctionnalité des outils.

Chercher avec l’IA : attentes précises, habitudes tenaces et vérification coûteuse

Les grands modèles de langage offrent une nouvelle manière de chercher des réponses, sur un terrain longtemps dominé par les moteurs de recherche. Certains aspects de la recherche d’informations sont facilités, mais il reste difficile de juger la véracité et la fiabilité des réponses. L’IA aide ceux qui ne connaissent pas les bons termes, mais beaucoup d’utilisateurs ne l’emploient pas efficacement et conservent des habitudes bien ancrées. Les chatbots découragent la vérification des erreurs, entre sorties très polies et coût d’interaction élevé. Les utilisateurs attendent néanmoins des réponses agrégées, concises et spécifiques, sensibles au contexte. En Chine, la recherche s’organise autour d’applications mobiles sociales, tandis que les façons de formuler des prompts et d’échanger avec l’IA ressemblent à celles observées en Occident. Pour les questions complexes, l’IA est privilégiée pour explorer et synthétiser ; pour les besoins où l’exactitude et la confiance sont critiques, la recherche traditionnelle reste la référence.

Les utilisateurs accordent leur confiance à une IA perçue comme intelligente

Plus l’IA semble comprendre son interlocuteur, plus celui-ci lui accorde sa confiance et lui prête des attributs humains. La confiance augmente lorsqu’un système paraît intelligent plutôt que sentient, tandis que l’expression d’émotions peut diminuer la confiance pour des tâches factuelles. L’effet ELIZA illustre la rapidité avec laquelle des traits humains sont projetés sur des systèmes artificiels, souvent en reflet de la personnalité de l’utilisateur. Face au risque de surconfiance, il est recommandé d’utiliser uniquement des informations vérifiables ou reconnues comme vraies. Quatre niveaux d’anthropomorphisme sont décrits — courtoisie, renforcement, jeu de rôle, compagnie — et l’ajout de personnalité ou d’émotions dans des LLMs qui humanisent déjà par conception accroît le risque de confiance déplacée.

Prompts et conversations : six types d’échanges et des structures récurrentes

Les utilisateurs cadrent souvent les réponses attendues en intégrant des contraintes de format et de structure dans leurs prompts. Ils recourent à des éléments structurels communs et à six types d’échanges : requêtes de recherche, filtrage, exploration, sculpture, expansion et ciblage. Deux modèles décrivent des conversations liées aux tâches, l’édition par accordéon et la cueillette de pommes, pour rendre compte des allers-retours et sélections successives. En génération d’images, un parcours typique en quatre étapes se retrouve : idéation, production, affinage puis export.

Fonctionnement et notions clés : de l’agent itératif aux biais de flatterie

Des ressources pédagogiques proposent un glossaire de l’IA et présentent un paradigme d’interface basé sur l’intention, décrit comme le premier nouveau depuis 60 ans. Elles expliquent de manière non technique comment les grands modèles de langage traitent les entrées et génèrent des réponses, et décrivent un entraînement en plusieurs phases au cours duquel ces modèles apprennent la langue et développent un style. Les hallucinations sont identifiées comme un phénomène difficile à corriger, à prendre en compte dès la conception, d’autant que ces modèles privilégient la satisfaction de l’utilisateur plutôt que la vérification de l’exactitude. La notion d’agent y est précisée : un système qui agit de manière itérative, évalue ses progrès et choisit ses prochaines étapes, en visant fiabilité, adaptabilité et précision. Deux approches de conception coexistent : avec une interface générative, le système choisit quoi produire ; avec le vibe coding, l’utilisateur demande explicitement ce qui doit être construit.

Un épisode de podcast partage des pistes sur bénéfices et risques

Dans un épisode de podcast, Susan Farrell partage des réflexions initiales sur les avantages et inconvénients potentiels des systèmes d’IA.