# Generative Ki Veraendert Zuerst Die Arbeitsweise.Html **Source:** https://fr.goeke.digital/insights/generative-ki-veraendert-zuerst-die-arbeitsweise.html **Language:** French --- IA et automatisation # L'IA générative change d'abord la façon de travailler En février 2023, l'impact le plus immédiat de l'IA générative n'était pas d'automatiser des entreprises entières. Elle a modifié l'ordre, la vitesse et la répartition des tâches cognitives individuelles. ## L'IA générative déplace l'ordre et la distribution du travail intellectuel L’IA générative a d’abord agi comme un module supplémentaire de conception, de transformation et d’explication. Les gens ont commencé à ne plus formuler eux-mêmes chaque première ébauche. Ils décrivaient une tâche, recevaient une version brute, vérifiaient, précisaient et révisaient. Ainsi, le travail s'est déplacé de la simple création vers la clarification des tâches, la sélection, la contextualisation et le contrôle qualité. Le remplacement complet n'était pas la réalité opérationnelle centrale en février 2023. C'était surtout une nouvelle division du travail qui était visible. ## Situation de départ ChatGPT a été publié fin novembre 2022 sous forme de préversion de recherche. En quelques semaines, il est devenu évident que les modèles linguistiques n'étaient plus accessibles uniquement aux équipes de développement spécialisées. Les gens pouvaient en langage naturel : - Poser des questions, - faire résumer des textes, - Les formulations varient, - créer des plans - Expliquer ou suggérer du code, - ordonner les arguments, - simplifier des contenus complexes, - créer des premiers brouillons. Des changements similaires étaient déjà visibles chez GitHub Copilot en 2022 dans le développement logiciel. L'outil a été utilisé comme un partenaire de soutien dans le flux de travail. L'activité n'a pas disparu. Elle a été réorganisée par des suggestions, la sélection et la vérification. Pour le marketing, la communication, le conseil et le travail de connaissance, la nouveauté décisive n'était donc pas seulement la qualité des textes individuels. C'était le très faible accès à un outil d'ébauche orienté dialogue. ## Ce qui a changé en premier ### Le début vide perdit de son importance De nombreux travaux de connaissance commencent par une page blanche : - Structure d'un article spécialisé, - première réponse à une demande, - Structure d'une présentation, - Résumé d'un document, - variantes d'un titre, - Brouillon d'une description de processus. L'IA générative a pu accélérer ce début. À partir d'une description de tâche suffisamment claire, une proposition est née, qui n'avait pas besoin d'être terminée pour être utile. L'utilité résidait souvent dans la réduction des frictions au démarrage. ### Les variantes sont devenues moins chères Avant l'IA générative, chaque variante de formulation supplémentaire entraînait un travail d'écriture supplémentaire. Désormais, différentes tonalités, longueurs et perspectives pouvaient être générées rapidement. Cela a modifié la décision : Il n'était plus nécessaire d'écrire chaque variante individuellement. Les responsables pouvaient examiner plusieurs options, puis choisir ou combiner consciemment. Cela a cependant également accru le besoin de critères. Davantage de variantes ne produisent pas une meilleure décision si le groupe cible, le message et la limite technique ne sont pas clairs. ### Résumé orienté dialogue Les documents ne pouvaient pas seulement être raccourcis. Les utilisateurs pouvaient poser des questions, faire ressortir certains aspects et adapter la présentation à un objectif. Cela avait une pertinence pratique pour : - préparation interne, - première orientation dans le matériel, - Comparaison d'arguments, - Transformation de contenus techniques, - Élaboration de questions. Le résumé est resté à vérifier. Un modèle pouvait mal définir les priorités, omettre des informations ou créer des liens apparemment plausibles. ### La vérification est devenue une phase de travail visible Plus les ébauches étaient faciles à créer, plus la question de leur vérification devenait importante. Un texte pouvait sembler clair sur le plan linguistique et pourtant : - restituer incorrectement une source, - utiliser un terme technique de manière imprécise, - inventer une affirmation, - manquer un contexte d'entreprise, - ignorer une limite légale, - rester trop général. Le travail ne s'est donc pas simplement déplacé de l'homme à la machine. Il est passé d'une production entièrement autonome à une combinaison de définition de la tâche, de conception, de vérification et de révision. ## Positionnement stratégique En février 2023, il était trop tôt pour déduire une architecture d'entreprise complète à partir des premières expériences. Cependant, trois observations sobres étaient possibles. ### L'IA générative est une nouvelle couche de travail Elle peut se situer entre l'information existante et le résultat humain. Elle classe, formule, modifie et propose. Cette couche peut accélérer certaines activités. Elle modifie ainsi les rôles et les transferts, même si l'ensemble du processus reste manuel. ### La qualité dépend davantage de la clarification de la tâche Une commande peu claire génère souvent une ébauche générale. Une commande claire avec objectif, contexte, format et limites améliore la convivialité. Le prompt est donc devenu pertinent. Il ne constituait cependant qu'une partie de la tâche. Les connaissances manquantes de l'entreprise ne pouvaient pas être remplacées par des formulations habiles. ### La vérification doit être prise en compte L'utilisation précoce a déjà montré qu'un langage convaincant peut facilement être confondu avec une fiabilité professionnelle. Le NIST AI Risk Management Framework, publié en janvier 2023, n’a pas considéré la confiance comme une simple propriété du système. Il a combiné la gouvernance, le contexte, la mesure et la gestion des risques. Pour les entreprises, cela signifiait : une utilisation pratique ne devait pas seulement se concentrer sur le résultat, mais sur la responsabilité et le contrôle. ## Perspective pratique L'approche la plus sensée ne résidait pas dans l'automatisation complète d'un processus critique. Les tâches étaient plus appropriées lorsque : - un humain révise de toute façon le résultat, - les erreurs sont facilement identifiables et corrigeables, - aucune donnée sensible n'est nécessaire, - la tâche se répète souvent, - une bonne conception fait gagner du temps, - la responsabilité technique reste claire. Exemples : - Structure à partir de matériel validé, - Résumé d'un document interne, - Variantes d'un texte déjà clarifié, - Traduction comme version de travail, - préparation de questions, - première structure d'un guide, - Explication d'un extrait de code, - Reformulation pour un autre groupe cible. Les tâches pour lesquelles un résultat linguistiquement plausible était immédiatement publié, envoyé ou utilisé comme décision contraignante sans autre vérification étaient inappropriées. ## Avant et après ## Cadre d'action ### 1. Choisir une tâche limitée L'introduction devrait concerner un travail de connaissance concret et récurrent. Pas « communication avec l'IA », mais par exemple « créer trois plans possibles à partir de notes approuvées ». ### 2. Décrire l'attente et la limite Une commande utilisable contient : - Objectif, - Public cible, - matériel existant, - format souhaité, - ajouts non autorisés, - Critères de contrôle. ### 3. Ne pas saisir de données d'entreprise non vérifiées Avant l'utilisation, il faut déterminer quelles informations peuvent être saisies dans le système concerné. Les données confidentielles, personnelles ou protégées par contrat nécessitent un examen particulier. ### 4. Vérifier le résultat par rapport aux sources et à l’objectif La vérification ne porte pas uniquement sur la langue. Elle englobe l'exactitude technique, l'exhaustivité, la référence aux sources, le ton, le public cible et la conséquence commerciale. ### 5. Documenter les apprentissages Des tâches appropriées, des erreurs récurrentes et des informations contextuelles nécessaires sont enregistrées. Cela peut conduire à une méthode de travail plus fiable à l'avenir. ## Ce que les entreprises ne doivent pas faire Les entreprises ne devraient pas déduire une aptitude générale d'une démonstration convaincante. Un modèle peut être très utile pour une tâche et peu fiable pour une tâche similaire. La qualité des résultats dépend de l'entrée, du contexte, du modèle, des données et des critères de vérification. Il serait également erroné de supposer que seules les activités particulièrement créatives sont concernées. Le lien entre routine et travail de connaissance est rapidement devenu visible : conception, transformation, tri et explication. Les entreprises ne devraient pas non plus essayer de rendre invisible le nouveau poste de travail. Si les employés utilisent l'IA générative, des règles, des responsabilités et des possibilités d'apprentissage doivent être créées. ## Conséquence pour les entreprises La première question stratégique en février 2023 n’était pas : quels postes seront supprimés ? Elle était la suivante : > Quelles étapes de travail changent lorsqu'une ébauche générative rapide devient disponible, et quelles nouvelles tâches de vérification en résultent ? Cette perspective était moins spectaculaire, mais plus viable sur le plan commercial. Elle orientait le regard vers les flux de travail réels plutôt que vers des visions d'avenir globales. ## Connexion technique ### Évaluer de manière critique le travail assisté par l'IA L'orchestration de l'IA commence par une tâche claire, des données appropriées, un rôle de vérification défini et une transition compréhensible dans le processus existant. Une découverte structurée sépare l'assistance utile de l'automatisation prématurée. Vérifier de manière structurée les étapes de travail appropriées de l'IA Sources et bases techniques (5) 1. OpenAI, « Introducing ChatGPT », 30 novembre 2022. Ouvrir la source 2. GitHub, « Research: How GitHub Copilot helps improve developer productivity », 15 juillet 2022. Ouvrir la source 3. GitHub, « Research: Quantifying GitHub Copilot’s impact on developer productivity and happiness », 7 septembre 2022. Ouvrir la source 4. National Institute of Standards and Technology, « Artificial Intelligence Risk Management Framework (AI RMF 1.0) », 26 janvier 2023. Ouvrir la source 5. OCDE, « Principes de l’OCDE sur l’IA », 2019. Ouvrir la source ![Göke Frerichs, stratège numérique et Smart Digital Creative](/images/goeke-frerichs-portrait-400w.webp) Auteur ## À propos de Göke Frerichs Göke Frerichs associe depuis 1999 stratégie numérique, communication, technologie et mise en œuvre. En tant que stratège numérique et Smart Digital Creative, il aide les entreprises B2B gérées par leurs propriétaires à développer des systèmes numériques clairs et solides à partir de mesures individuelles. Sa perspective repose sur de nombreuses années d'expérience en conseil et en mise en œuvre dans la région DACH et en Amérique du Nord. En savoir plus sur Göke Frerichs Parcours de lecture ## À lire ensuite **Article suivant** IA et automatisation ### L'IA sans base de connaissances produit des résultats interchangeables Un modèle linguistique peut formuler un texte convaincant sur une prestation. Il ne sait pas encore comment l'entreprise concrète fournit réellement cette prestation, limité... ### Autres classifications pertinentes IA et automatisation ### L'automatisation ne sauve aucun processus non clarifié Un processus qui ne fonctionne aujourd'hui que grâce à l'expérience, au bouche-à-oreille et à des décisions d'exception permanentes ne s'améliore pas automatiquement par l'automatisation. Il est reproduit plus rapidement. IA et automatisation ### Ce que les entreprises doivent clarifier avant l'automatisation par l'IA Un prototype techniquement fonctionnel n'est pas encore un processus d'entreprise robuste. Avant l'automatisation par l'IA, six conditions préalables doivent être clarifiées. Orchestration de l'IA ## Clarifier la situation de départ numérique La collaboration adéquate commence par une classification claire. Classifier la collaboration