Bien utiliser l'IA : pensez d'abord, demandez ensuite

La compétence qui ne tient pas dans un modèle de requête

Les formations à l'IA se multiplient, et beaucoup sont utiles : elles apprennent l'outil, ses réglages, ses modèles de requêtes. Une compétence reste pourtant difficile à transmettre en une journée, parce qu'elle ne dépend pas de l'outil.

C'est la capacité à décomposer un problème avant d'écrire la moindre instruction à un modèle.

Deux personnes qui utilisent le même outil, avec les mêmes modèles de requêtes, obtiennent rarement le même résultat. La différence se joue presque toujours avant la première ligne tapée : dans la façon dont chacune a posé le problème.

Un problème mal posé reste mauvais

Tout le monde cherche à optimiser sa formulation. Le sujet est ailleurs.

Si vous ne pouvez pas formuler le problème en une phrase, vous n'êtes pas prêt à le confier à un outil.

L'IA amplifie la clarté de votre pensée, pas la qualité de votre formulation. Un problème flou donne une réponse floue. Un problème précis donne quelque chose d'utilisable.

Prenons un exemple. Un cabinet d'expertise comptable veut « utiliser l'IA pour mieux suivre ses clients ». La phrase sonne bien. Elle est inutilisable. Suivre quoi ? Les échéances, les pièces manquantes, la satisfaction ? Pour quels clients ? Avec quelles données déjà disponibles ? Quelle décision l'outil doit-il aider à prendre ?

Après quelques questions de ce type, le problème de départ se défait. Il en reste deux ou trois, bien plus concrets, dont certains n'ont besoin d'aucune IA. C'est exactement ce que doit produire un bon cadrage.

Ce que les experts font avant d'agir

Le chercheur Gary Klein a étudié pendant des années la façon dont des professionnels décident sous contrainte, des chefs d'intervention chez les pompiers notamment. Son livre Sources of Power en tire un modèle, la décision fondée sur la reconnaissance.

Les experts observés ne comparent pas méthodiquement plusieurs options. Ils commencent par lire la situation : de quel type de cas s'agit-il, quels indices comptent, quel objectif est réaliste, à quoi s'attendre ensuite. Cette lecture leur fait venir une action plausible, qu'ils simulent mentalement avant de l'engager.

Ce n'est pas une intelligence supérieure. C'est une bibliothèque de situations construite par l'expérience. Pour l'usage de l'IA, la leçon est directe : votre expérience du métier est ce qui vous permet de poser le bon cadre, puis de repérer une réponse fausse. L'outil, lui, n'a pas lu la situation. Il répond à la demande telle que vous l'avez écrite.

La méthode qui suit sert à rendre cette lecture explicite, sur papier, avant d'écrire la demande.

Trois étapes, à faire à la main

Voici la méthode à appliquer avant d'ouvrir un outil. Elle prend trois minutes.

Étape 1 : formuler le problème en une phrase. Pas une intention, pas une question floue. Une phrase qui contient la situation actuelle et le résultat attendu.

Mauvais exemple : « Je veux mieux gérer mes clients. »

Bon exemple : « Mes dix plus gros clients ne reçoivent aucun point d'étape avant l'échéance annuelle, et je n'ai pas de système de relance. »

Étape 2 : identifier la contrainte principale. Qu'est-ce qui empêche aujourd'hui de résoudre le problème ? Un manque de temps, d'information, de discipline, d'outil ? Cette question révèle souvent que l'IA n'est pas la bonne réponse. Si le blocage est un manque de discipline, aucun outil ne le règle. Si c'est un manque d'information, l'outil aide mais ne crée pas l'information manquante. Si c'est un manque d'outil pour traiter une information qui existe déjà, là, il y a quelque chose à construire.

Étape 3 : définir le résultat attendu en termes mesurables. À quoi saurez-vous que c'est résolu ? Pas « ça marche mieux », pas « j'y vois plus clair ». Plutôt : « chacun des dix clients a reçu un point d'étape au moins soixante jours avant son échéance ».

Avec ces trois éléments, vous pouvez demander quelque chose à un outil. Sans eux, vous ne le pouvez pas. Un détail compte : ces trois étapes se font sur papier ou dans une page vide, pas avec l'IA. Si vous demandez à l'outil de formuler le problème, vous importez son flou dans votre propre cadrage.

Pourquoi cela dépasse l'IA

La règle est plus ancienne que l'IA : le temps passé à comprendre un problème avant d'agir est rarement perdu. L'IA rend ce principe plus visible, parce qu'elle permet d'aller très vite, donc d'aller très vite dans la mauvaise direction.

Un système bâti sur un cadrage flou donne des résultats flous, à grande vitesse. Un cadrage net rend le reste presque mécanique.

Deux habitudes à prendre

1. Écrire la question en une phrase, sur papier, avant chaque usage sérieux. Si vous n'y arrivez pas en trois essais, le problème n'est pas encore clair. Fermez l'onglet et retournez réfléchir. Cette friction est le but.
2. Tenir un journal des demandes qui n'ont rien donné. Une fois par semaine, relisez-les et demandez-vous ce que vous n'avez pas su formuler. Non pour vous reprocher quoi que ce soit, mais pour repérer vos zones de flou récurrentes.

Ce que l'IA amplifie

L'IA n'est pas d'abord un outil de productivité. C'est un amplificateur : de la clarté, comme de la confusion.

Pour ceux qui ont posé leur problème, elle multiplie les capacités. Pour les autres, elle multiplie la confusion, en jolies phrases bien articulées. Pensez d'abord. Demandez ensuite. Si vous voulez savoir quelle tâche de votre cabinet mérite ce travail de cadrage en premier, analysez votre cas en vingt minutes.