Le vrai test d’une formation IA commence le lundi d’après.

Une formation IA peut très bien se passer.

Les participants testent. Ils posent des questions. Certains découvrent qu’une tâche qui leur prenait vingt minutes peut être faite beaucoup plus vite.

Il y a des surprises, quelques « ah oui, quand même », beaucoup d’idées qui arrivent assez vite.

Tout le monde repart avec l’envie d’essayer.

Pendant longtemps, j’aurais probablement considéré que c’était déjà un bon résultat.

Aujourd’hui, j’attends surtout de voir ce qui se passe après.

Le lendemain, le travail reprend

La boîte mail est pleine.

Il y a une réunion à préparer, un client qui attend une réponse, un collègue qui a besoin d’une information, un document à terminer et cette tâche urgente qui n’était évidemment pas prévue.

L’IA n’arrive pas dans un espace vide.

Elle arrive au milieu d’outils déjà utilisés, de process, de contraintes, de données parfois sensibles, d’habitudes prises depuis des années et de journées qui étaient déjà bien remplies avant qu’on ajoute ChatGPT ou autre chose dedans.

C’est là que certaines bonnes intentions disparaissent.

Pas forcément parce que les personnes ne sont pas intéressées.

Elles retournent simplement travailler.

Et si l’usage découvert en formation ne trouve pas naturellement sa place dans ce travail, il risque de rester une démonstration intéressante.

Savoir faire un prompt n’était donc pas vraiment mon sujet

Bien sûr qu’il faut apprendre à utiliser les outils.

Il faut comprendre ce qu’on peut leur demander, savoir donner du contexte, améliorer une demande, vérifier une réponse. Il faut aussi connaître leurs limites et les précautions à prendre avec les informations qu’on leur confie.

Mais ce n’est qu’une partie du travail.

Les questions qui m’intéressent davantage arrivent ensuite.

Sur quelle tâche l’IA serait-elle réellement utile ?

À quel moment ?

Avec quelles informations ?

Qu’est-ce qu’on fait aujourd’hui sans elle ?

Qui reprend le résultat derrière ?

Qui le vérifie ?

Est-ce que le gain constaté pendant un exercice existe encore quand on remet l’usage dans le processus complet ?

Et puis il y a une question assez simple que je me pose de plus en plus.

Est-ce que la personne refera ce geste seule la semaine suivante ?

J’ai donc commencé à partir davantage du travail

Pas des possibilités de l’outil.

Du travail.

Une journée. Une tâche. Un document. Une succession d’étapes. Quelque chose qu’on fait souvent, qu’on fait mal, qu’on aimerait faire autrement ou qui prend simplement trop de temps.

On regarde comment ça fonctionne aujourd’hui.

Parfois, l’IA a quelque chose à apporter.

Parfois non.

Et parfois l’idée qui semblait la plus évidente au départ n’est pas celle qu’on conserve.

C’est une partie du travail que j’aime particulièrement parce qu’elle oblige à sortir assez vite de la démonstration.

Un usage doit se confronter au réel.

Certains tests ne survivent pas longtemps

Sur le papier, l’idée était bonne.

Puis on essaye avec un vrai document.

Il manque une information. La réponse est trop générique. La vérification prend finalement autant de temps que le travail initial. Le résultat ne peut pas être réutilisé facilement par un collègue. Ou l’usage pose une question qu’on n’avait pas anticipée sur les données.

On corrige.

On reteste.

Parfois, on arrête.

Je préfère aujourd’hui abandonner un usage qui ne tient pas la route plutôt que passer du temps à démontrer qu’il devrait fonctionner.

À l’inverse, certaines utilisations beaucoup moins impressionnantes restent.

Préparer une première trame.

Structurer des informations dispersées.

Comparer des éléments.

Reprendre un document.

Préparer une réunion.

Gagner quelques étapes sur une tâche répétitive.

Ce ne sont pas toujours celles qui provoquent le plus d’effet pendant une démonstration.

Ce sont souvent celles que les gens recommencent à utiliser sans qu’on ait besoin de leur rappeler.

L’entraînement change aussi beaucoup de choses

Comprendre une démonstration et refaire seul ne demandent pas la même chose.

Alors on pratique.

Les participants travaillent sur leurs situations. Ils essayent, se trompent, recommencent. Quelqu’un trouve une manière de faire intéressante et la montre aux autres.

On compare.

On découvre aussi qu’une même pratique ne convient pas forcément à tout le monde.

C’est là que le collectif devient utile.

Une personne peut avoir trouvé en quelques jours une façon de travailler qu’un collègue n’aurait pas imaginée. Une équipe peut identifier une limite qu’une autre n’avait pas vue.

Les usages commencent à circuler.

Et les questions changent.

On parle moins longtemps de ce que l’IA « peut faire ».

On parle davantage de ce qu’on veut obtenir.

C’est probablement le signe que je préfère

À un moment, l’IA devient moins intéressante que la tâche.

On ne parle plus d’utiliser ChatGPT pour utiliser ChatGPT.

On parle d’un document à préparer plus vite, d’informations à structurer, d’une réponse à améliorer, d’un travail répétitif à alléger ou d’une pratique que plusieurs personnes pourraient partager.

L’outil commence presque à disparaître derrière le travail.

Pour moi, c’est plutôt bon signe.

Parce que l’objectif n’est pas que les équipes parlent davantage d’intelligence artificielle.

Je préfère qu’elles travaillent mieux avec les outils dont elles disposent.

Je regarde donc les formations autrement

Je continue à regarder ce qui se passe dans la salle.

Les questions. Les essais. Les difficultés. Les moments où quelque chose devient soudain beaucoup plus clair.

Mais je me méfie davantage de l’enthousiasme immédiat.

Une démonstration réussie prouve surtout qu’une démonstration a réussi.

Ce qui m’intéresse davantage arrive après.

Quand la personne retrouve ses vrais documents, ses contraintes, ses collègues et sa journée normale.

Quand personne n’est à côté d’elle pour lui rappeler le prompt testé ensemble.

Quand elle décide, ou non, de recommencer.

C’est ce que je regarde le lundi d’après.