La culture IA n'est pas une formation, c'est un muscle organisationnel.

Un certificat peut attester qu’une personne a suivi une leçon. Il ne peut pas montrer si une organisation sait reconnaître un système d’IA, remettre en...

La culture IA n'est pas une formation, c'est un muscle organisationnel.

La phrase juridique qui change la réunion

Le 24 juillet 2026, le Journal officiel de l’Union européenne a publié le Digital Omnibus sur l’IA. Parmi ses modifications figurait un petit changement apporté à l’article 4 de la loi sur l’intelligence artificielle. L’obligation demeure, mais la loi ne demande plus aux organisations de promettre un niveau d’alphabétisation en IA prescrit ou universel pour chaque individu. Les fournisseurs et les déployeurs sont tenus de prendre des mesures qui soutiennent le développement de l’alphabétisation parmi leur personnel et parmi les autres personnes qui exploitent ou utilisent des systèmes d’IA en leur nom. La modification précise également que la Commission et les États membres devraient soutenir ces efforts et que le Conseil de l’IA devrait œuvrer en faveur d’objectifs communs.

C’est un changement juridique. C’est aussi une question de gestion. S’il n’existe pas de score d’examen universel, que fait une organisation sérieuse lorsqu’elle intègre un système d’IA dans un processus réel ? Elle ne peut pas répondre par un certificat seul. Un certificat peut montrer que quelqu’un a terminé une leçon. Il ne peut pas montrer que la personne sait distinguer un brouillon d’une politique approuvée, reconnaître quand un modèle sort de sa tâche, demander les preuves derrière une recommandation, arrêter un flux de travail ou trouver le responsable qui peut le modifier. La partie intéressante de l’alphabétisation commence après que le diaporama s’est tu.

Les propres questions et réponses de la Commission européenne font le point avec une clarté inhabituelle. Il n’existe pas de format unique pour l’alphabétisation en IA ni d’exigence de certificat spécifique. L’organisation devrait considérer son rôle, le risque et la finalité du système, les connaissances et l’expérience des personnes impliquées, ainsi que le contexte dans lequel le système est utilisé. Elle devrait conserver un enregistrement interne de la formation ou d’autres initiatives d’orientation, mais un enregistrement de présence n’est pas la même chose que la capacité que ces initiatives sont censées développer.

L’alphabétisation en IA est donc mieux comprise comme un muscle qui travaille. Un muscle n’est pas prouvé par le fait de posséder une carte de salle de sport. Il se construit par un effort répété et contextuel, et il devient visible lorsque la situation est délicate. Une organisation alphabétisée peut nommer le système qu’elle utilise, indiquer ce que le système est autorisé à faire, remarquer quand les preuves sont faibles, demander qui peut être affecté et orienter un cas incertain vers une personne ayant l’autorité de décider. C’est moins glamour qu’un événement de lancement. C’est aussi là que la loi rencontre le travail ordinaire.

Cet article porte sur ce travail ordinaire. Ce n’est pas un plan de cours et ce n’est pas un avis juridique. C’est une façon de séparer trois choses souvent regroupées : la sensibilisation, la compétence et l’autorité. Il suit les questions qui se posent lorsqu’un organisme public, une entreprise, une école ou une équipe professionnelle essaie de rendre l’IA utile sans confier son jugement à un écran. Les exemples sont tirés de directives publiques européennes et de pratiques institutionnelles documentées. Toute situation inventée est marquée comme hypothétique, car une histoire n’est pas une preuve simplement parce qu’elle contient un bureau plausible.

L’alphabétisation est une pratique, pas un badge

Le mot alphabétisation est arrivé dans le débat sur l’IA avec trop de bagages. Il peut évoquer une introduction de base pour les personnes qui n’ont pas encore appris le vocabulaire important. Il peut aussi évoquer une étiquette de conformité que l’on peut attacher à une personne et classer. Aucune de ces interprétations n’est utile. L’alphabétisation est la capacité de lire une situation suffisamment bien pour agir en son sein. Lire un livre sur une langue n’est pas la même chose que comprendre une lettre qui vous est adressée. Lire une définition d’un système d’IA n’est pas la même chose que savoir si l’outil devant vous fait une prédiction, récupère un enregistrement, génère une continuation, classe des options ou contrôle une étape d’un flux de travail.

L’explication actuelle de l’article 4 par la Commission part du bon principe : les organisations devraient acquérir une compréhension générale de ce qu’est l’IA, de son fonctionnement, des systèmes qu’elles utilisent et des opportunités et des risques que ces systèmes comportent. C’est un point de départ, pas une fin. Une compréhension générale donne une carte. Cette carte ne devient utile que lorsqu’elle est reliée à une tâche, à un rôle, à une source de preuve et à une conséquence.

Prenons l’exemple d’une équipe d’achat qui examine un outil de synthèse des soumissions des fournisseurs. La sensibilisation permet à l’équipe de reconnaître que l’outil produit du texte généré et qu’il peut commettre des erreurs. La compétence permet à un examinateur de vérifier si le résumé préserve les exclusions, les conditions et les dates, et de le comparer aux soumissions sous-jacentes. L’autorité détermine ce qui se passe lorsque le résumé est incomplet. L’examinateur peut-il le rejeter ? L’équipe peut-elle exiger du fournisseur qu’il divulgue les passages sources ? Quelqu’un peut-il suspendre l’évaluation pendant que le problème est examiné ? Sans autorité, la compétence devient une préoccupation privée que le processus peut librement ignorer.

Cette distinction importe parce que les organisations forment souvent la couche la plus facile. Elles expliquent ce qu’est un modèle, montrent quelques exemples et demandent aux personnes d’accepter une politique d’utilisation. Les personnes repartent avec de nouveaux mots et les anciennes incitations. Si la rapidité est récompensée et que le questionnement est traité comme une obstruction, une personne qui repère un problème apprend à se taire. L’organisation peut alors déclarer un niveau élevé de sensibilisation tandis que ses décisions restent inchangées. Le badge est réel. La littératie est décorative.

Une approche fondée sur la pratique pose une question différente : que doit être capable de remarquer et de faire une personne au moment où un système d’IA touche à son travail ? La réponse varie selon le rôle. Un usager qui interagit avec un service public doit savoir quand une machine est impliquée, ce qui peut être contesté et où demander une prise en charge humaine. Un agent de traitement doit comprendre la finalité du système, les preuves, l’incertitude et la voie de contournement. Un gestionnaire doit décider si la tâche se prête à l’automatisation et si l’équipe a le temps d’examiner le résultat. Un développeur doit connaître la limite entre les données et le modèle, les modes de défaillance et les enregistrements qui doivent survivre à un changement. Qualifier tout cela de cours masque les différences qui rendent le travail sûr.

La nouvelle formulation juridique laisse place à cette variation. Le règlement (UE) 2026/1744 dispose que la littératie en matière d’IA devrait commencer dans l’éducation et la formation et se poursuivre tout au long de la vie. Il reconnaît également que différents fournisseurs et déployeurs sont confrontés à des charges et à des contextes différents. Ce n’est pas une invitation à ne rien faire. C’est une invitation à cesser de prétendre qu’un seul examen peut mesurer la capacité à agir de manière responsable dans tous les systèmes, tous les secteurs et tous les groupes de personnes concernés.

La pratique présente une autre propriété utile : elle révèle les lacunes sans culpabiliser les personnes qui les ont. Une personne peut comprendre qu’un modèle de langage prédit des suites probables et ne pas savoir comment un système de recherche documentaire particulier sélectionne les documents. Un gestionnaire de données peut comprendre la provenance et ne pas avoir la permission de modifier l’index. Un gestionnaire peut savoir qu’un humain doit superviser un système à haut risque et ne pas avoir de temps alloué pour un examen significatif. Ce sont des lacunes de conception, pas des échecs moraux personnels. Une organisation littérée les rend visibles afin de pouvoir les réparer.

La littératie en IA devient visible lorsqu’une utilisation du système laisse la suivante mieux comprise, et pas seulement lorsqu’une personne termine une formation.

La sensibilisation est la porte, pas la pièce

La sensibilisation est souvent négligée parce qu’elle semble vague. C’est une erreur. On ne peut pas remettre en question un système qu’on ne sait pas nommer, et on ne peut pas le nommer si chaque logiciel est décrit comme intelligent. La sensibilisation donne à une organisation un vocabulaire commun pour distinguer un modèle d’une interface, une prédiction d’une décision, une source d’un résumé, une instruction d’un contenu récupéré, et un affichage de confiance d’une preuve d’exactitude.

Le vocabulaire n’a pas besoin d’être grandiose. Il doit être assez précis pour éviter une erreur de catégorie. Un moteur de recherche, un contrôle d’éligibilité fondé sur des règles, un classificateur, un assistant génératif et un agent de flux de travail peuvent tous figurer dans le même catalogue de produits. Leurs mécanismes et leurs risques sont différents. Si le personnel les appelle tous IA et s’arrête là, il perd les questions qui devraient suivre. Quelles données le système voit-il ? Quelle est sa finalité prévue ? Que renvoie-t-il ? Qui agit sur le résultat ? Quelles erreurs comptent ? Qu’est-ce qui peut être annulé ? Quelles personnes sont concernées, même si elles ne touchent jamais à l’interface ?

La sensibilisation inclut aussi le contexte social. Les orientations de l’UNESCO pour l’IA générative dans l’éducation et la recherche décrivent la capacité humaine comme partie d’une approche centrée sur l’humain. Elles placent la compréhension technique aux côtés de la vie privée, de l’équité, de l’inclusion, de la diversité linguistique et culturelle, et de l’utilisation pertinente. Il ne s’agit pas de faire de chaque employé un chercheur en politiques publiques. Il s’agit de comprendre qu’un système ne devient pas neutre parce qu’il est placé dans une application familière. Le même paragraphe généré peut être une aide à la rédaction sans danger dans un contexte et une décision non examinée dans un autre.

Une personne consciente du contexte peut entendre la différence entre une demande d’aide et une délégation d’autorité. Demandez au système de suggérer des questions pour une réunion et l’utilisateur reste l’auteur de la réunion. Demandez-lui de décider quel résident reçoit un service rare et le système entre dans un territoire moral et juridique différent. Les mots à l’écran peuvent sembler similaires. La frontière de la tâche ne l’est pas. La sensibilisation est l’habitude de remarquer que cette frontière a bougé.

Les institutions publiques ont besoin de cette sensibilisation sous une forme particulièrement rigoureuse. Leurs systèmes peuvent toucher des personnes qui ne peuvent pas se désengager, qui ne savent pas quels outils automatisés sont impliqués, ou qui ne peuvent pas se permettre une seconde tentative après une erreur. Une équipe de service a donc besoin de plus qu’une déclaration générale selon laquelle l’IA peut être inexacte. Elle a besoin d’un vocabulaire pour expliquer le parcours qu’une personne peut suivre lorsque le système se trompe, lorsque les données manquent, ou lorsque la réponse n’aurait jamais dû être automatisée.

Les entreprises ont besoin du même vocabulaire pour des raisons moins visibles. Un fournisseur peut décrire un système de classement comme une aide à la décision, alors que le processus du client traite ce classement comme une décision, car personne n’a le temps de le vérifier. Une équipe marketing peut utiliser un outil de traduction pour des brouillons internes, puis copier le résultat dans un avis public sans seconde vérification. Une équipe de recrutement peut qualifier un score de présélection de simple commodité et l’utiliser discrètement pour écarter des candidats. La prise de conscience révèle ces glissements avant qu’ils ne soient enfouis dans un schéma de flux de travail.

La prise de conscience doit donc être testée à travers un langage propre à l’organisation. Demandez à une équipe de décrire un système sans utiliser les mots intelligent, automatisé ou intelligent. Demandez quelles informations il reçoit, ce qu’il produit et qui peut modifier le résultat. Si l’explication devient vague, l’organisation a identifié un besoin de formation utile. L’exercice est simple, mais la simplicité a une longue histoire d’être sous-estimée par ceux qui apprécient un tableau de bord compliqué.

La compétence est liée à une tâche

La compétence est plus exigeante que la reconnaissance, car elle est spécifique. Une personne n’est pas simplement compétente en IA. Elle est compétente pour effectuer une tâche définie avec un système défini dans des conditions définies. Les questions et réponses de la Commission rattachent à plusieurs reprises la littératie au contexte et à l’objectif du système, aux connaissances des personnes impliquées et au risque de l’utilisation. C’est une meilleure description de la compétence qu’une liste d’astuces génériques pour les invites.

Pour un utilisateur ordinaire, la compétence peut signifier savoir quelles informations peuvent être saisies, quel résultat doit être vérifié, comment préserver le matériel source et quand s’arrêter. Cela peut inclure la capacité de distinguer une réponse générée d’un passage récupéré, d’inspecter le lien derrière une affirmation, de repérer un qualificatif manquant et de signaler une défaillance en des termes qu’une autre personne peut reproduire. Ce sont des compétences pratiques. Elles n’exigent pas que l’utilisateur implémente un transformeur, mais elles exigent plus que de croire que le système a lu la politique de l’organisation.

Pour un réviseur, la compétence inclut la capacité de contester le résultat. Le réviseur a besoin d’un ensemble de tests qui ressemble au travail, d’un moyen de voir quelles preuves le système a utilisées et d’une déclaration claire de ce qui constitue un résultat acceptable. Si la tâche concerne un droit public ou les moyens de subsistance d’une personne, le réviseur a également besoin de suffisamment de connaissances du domaine pour reconnaître une réponse grammaticalement propre mais substantiellement erronée. La fluidité est une propriété d’interface. La compétence est un jugement sur la tâche.

Pour un gestionnaire, la compétence inclut la décision de savoir si la tâche doit être automatisée du tout. Cette décision nécessite une compréhension du travail sous l’étiquette. Une tâche peut être répétitive et comporter une exception cruciale. Une décision peut être routinière pour un professionnel expérimenté et rester trop importante pour être déléguée sans une voie de recours visible. Un processus peut être techniquement mesurable et socialement inapproprié à optimiser. Les gestionnaires qui ne peuvent pas poser ces questions laissent la conception au fournisseur et aux paramètres par défaut.

Pour un ingénieur, la compétence inclut la possibilité de rendre la limite du système inspectable. Quelle version du modèle a été exécutée ? Quelles données étaient disponibles ? Quels appels d’outils ont été autorisés ? Quelle politique ou invite a été appliquée ? Quelle condition d’incertitude ou de refus a été atteinte ? Que se passe-t-il lorsqu’une source est obsolète, contradictoire ou manquante ? Le personnel technique n’a pas besoin de résoudre toutes les questions de gouvernance, mais il doit empêcher le système d’effacer les informations dont la gouvernance aura besoin plus tard.

Les dispositions à haut risque de l’AI Act rendent cela concret. Les questions-réponses de la Commission précisent que les déployeurs de systèmes à haut risque doivent veiller à ce que le personnel qui manipule ces systèmes en pratique soit formé à leur utilisation et à la supervision humaine. Le simple fait de placer des instructions à côté de l’outil ne suffit pas. Les personnes qui font le travail ont besoin de la compétence et des conditions pratiques pour utiliser le mécanisme de supervision. Si l’opérateur ne peut pas comprendre la sortie ou ne peut pas interrompre le processus, le mot « humain » dans « supervision humaine » devient un nom décoratif.

La compétence se développe lorsque l’organisation laisse les personnes s’exercer avec de vraies contraintes. Une équipe chargée de la protection des données peut travailler sur une demande hypothétique contenant des données personnelles et décider de ce qui peut entrer dans le système. Une équipe de service public peut répéter un refus et une procédure d’escalade sans utiliser le dossier d’un résident réel. Une équipe produit peut rejouer un modèle modifié sur un ensemble d’évaluation fixe et discuter des différences qui comptent. Ces exercices ne prouvent pas qu’un futur déploiement sera sûr. Ils constituent une répétition pour les décisions que la sécurité exige.

Il y a une limite importante. La compétence ne peut pas compenser l’absence de preuves. Un évaluateur hautement qualifié ne peut pas vérifier une affirmation lorsque la source a disparu, et un opérateur bien formé ne peut pas outrepasser un système si l’interface n’offre aucune possibilité de le faire. La formation peut révéler l’absence, mais elle ne peut pas la combler par la seule force de l’enthousiasme. Les organisations répondent parfois à un contrôle manquant en programmant une autre formation. Le calendrier devient un monument au contrôle qui n’a jamais été construit.

L’autorité est la moitié manquante

L’autorité est la partie de la littératie en IA que les organisations préfèrent laisser implicite. Elle concerne qui peut décider, qui peut refuser, qui peut suspendre un processus, qui peut modifier une règle, et qui porte la responsabilité lorsqu’un système se trompe. L’autorité n’est pas la même chose que l’ancienneté. Une personne senior peut approuver un système et être tout de même incapable d’en examiner les preuves. Un employé de première ligne peut voir un problème en premier et se faire dire que seul un fournisseur peut le modifier.

La supervision humaine est souvent décrite comme si une personne debout devant un tableau de bord suffisait. Ce n’est pas le cas. La supervision nécessite une personne qui a le temps, les connaissances et l’autorité pour comprendre la sortie, reconnaître quand elle sort du cadre et intervenir. Les exigences à haut risque de l’AI Act rendent le point sur la formation explicite, mais le principe sous-jacent s’applique plus largement. Une personne ne peut pas exercer une supervision sur un processus qui traite l’intervention comme un échec d’efficacité.

Prenons l’exemple d’un service de logement hypothétique qui utilise un outil pour trier les demandes entrantes en vue de leur examen. Le système peut être autorisé à suggérer un ordre, mais l’organisation doit encore décider de ce qui se passe lorsque le dossier source est incomplet, lorsque la situation d’un résident ne correspond pas aux catégories, ou lorsque la règle de tri entre en conflit avec une obligation légale. Une équipe compétente ne sait pas seulement que le modèle peut se tromper. Elle sait qui peut arrêter la file d’attente, qui peut faire une exception, quelle trace est conservée et comment le résident est informé de ce qui s’est passé. L’exemple est délibérément hypothétique. Son but est de montrer que l’autorité est une propriété du flux de travail, et non un trait de personnalité.

L’autorité a aussi une direction inverse. Les personnes affectées par un système ont besoin d’un moyen de le contester, même lorsqu’elles n’ont jamais choisi ce système. Un client, un étudiant, un patient, un demandeur ou un résident n’a pas besoin de comprendre les mathématiques internes du modèle. Il a besoin de savoir si une machine était impliquée, quel type de décision elle a influencé, quel service humain peut examiner le résultat et quelles informations faciliteraient cet examen. La littératie appartient à la personne qui reçoit le résultat autant qu’à celle qui utilise l’outil.

Voici pourquoi l’escalade n’est pas une punition. C’est une voie d’information pour les cas que le parcours automatisé ne peut pas absorber en toute sécurité. Un bon enregistrement d’escalade indique ce qui a été demandé au système, quelles preuves il a vues, ce qu’il a renvoyé, pourquoi le résultat a été contesté et qui a décidé de la suite. Il ne doit pas transformer chaque interaction ordinaire en dossier juridique. Il doit néanmoins préserver suffisamment de contexte pour qu’une défaillance répétée devienne visible au lieu d’être écartée comme une plainte isolée d’un utilisateur.

L’autorité doit être répétée avant le déploiement. Qui appuie sur le bouton d’arrêt ? Qui peut approuver un nouveau modèle ? Qui peut modifier un seuil ? Qui est propriétaire d’une source de données contestée ? Qui peut dire à un fournisseur qu’un résultat n’est pas acceptable ? Qui informe les personnes concernées ? Qui décide si le système reprend après un incident ? Si les réponses sont des noms plutôt que des rôles, l’organisation est fragile. Les personnes partent, changent de poste ou sont en réunion. Les rôles, eux, survivent à un agenda.

La réponse la plus humaine n’est pas toujours de confier davantage de décisions à un professionnel déjà débordé. L’autorité a un coût. Elle exige du temps, un accès aux preuves, un soutien de la direction et un processus qui ne punit pas un refus prudent. Si une organisation accorde une autorité nominale sans ces conditions, elle crée un bouc émissaire plutôt qu’une surveillance. La personne devient responsable d’un résultat qu’elle n’était pas équipée pour influencer. C’est un schéma de gestion familier avec une nouvelle interface.

La discipline des sources qui sous-tend chaque réponse

La littératie en IA est souvent centrée sur les résultats, car ce sont eux que les gens voient. La partie la plus difficile est d’apprendre à se demander ce qui est entré dans le système. Une réponse générée peut être fluide alors que l’ensemble des sources est obsolète, incomplet, non autorisé ou mélangé à des éléments qui n’étaient jamais destinés à guider la tâche. Un système de recherche peut renvoyer un paragraphe pertinent issu de la mauvaise version d’une politique. Un résumé peut omettre la phrase qui contient une exception. Une invite peut contenir une instruction déguisée en document. La discipline des sources est l’habitude de traiter les entrées comme un matériau encadré plutôt que comme un simple contexte pratique.

Les gens n’ont pas besoin de connaître chaque détail d’implémentation pour pratiquer la discipline des sources. Ils doivent poser une courte série de questions. Quelle est la source ? Qui la possède ? Quand était-elle valide ? Est-elle faisant autorité pour cette tâche ? A-t-elle été transformée ? Le système peut-il montrer le passage ou l’enregistrement qui a façonné la réponse ? Quelles données ont été exclues, et pour quelle raison ? Que doit-il se passer lorsque deux sources sont en désaccord ? Ces questions sont utiles aussi bien pour un assistant de politique, un outil de recherche clinique, un compagnon de code qu’un service d’information public.

Une source n’est pas faisant autorité simplement parce qu’elle est facile à récupérer. Les dossiers partagés contiennent des brouillons. Les bases de données contiennent des doublons. Un résumé généré par un modèle peut avoir été indexé comme s’il s’agissait d’un enregistrement principal. Une traduction peut avoir perdu une qualification juridique. Un document peut être à jour et rester hors du cadre pour lequel le système est autorisé à l’utiliser. La littératie fait de ces distinctions un travail normal plutôt qu’une préoccupation spécialisée qui n’apparaît qu’après une plainte.

La discipline des sources change aussi la façon dont on parle de la confiance. Un résultat très confiant n’est pas une preuve solide si la source pertinente est absente. Un résultat prudent peut être la réponse responsable lorsque l’ensemble des sources est incomplet. L’organisation ne doit pas apprendre aux utilisateurs à récompenser une certitude fluide et à punir un refus utile. Si le système ne peut pas répondre dans le cadre des preuves autorisées, la prochaine étape peut être de trouver le propriétaire de la source, de demander un jugement humain ou de réduire la portée de la question.

The source path should be visible at the right level. A user may need a link to the policy passage. A reviewer may need the version and transformation history. An auditor may need the complete input lineage. The information can be layered without being hidden. A tool that shows only a green confidence badge asks the user to trust an abstraction. A tool that shows the evidence and its limits lets the user exercise judgement.

This is also a literacy issue for procurement. A buyer should ask whether the supplier can describe the data boundary, export records, preserve version history, and explain what happens when a source is withdrawn. These are not only technical requirements. They determine whether the organisation can learn from an error. If the contract gives the buyer an answer but not the evidence behind it, the buyer has purchased prose and retained the risk.

Escalation is a form of knowledge

Organisations often treat escalation as a sign that the system has failed to deliver efficiency. A better view is that escalation is how the organisation learns where automation stops being trustworthy. Every escalation contains information about the boundary between the task and the world. The case may be unusual, the source may be defective, the policy may be ambiguous, the interface may have hidden a condition, or the workflow may have assigned authority to the wrong person.

A good escalation route is specific. It tells the user what to record, who receives the case and what response to expect. It distinguishes a missing source from a suspected harmful output, and a technical outage from a policy conflict. The distinction is not paperwork for its own sake. It allows the organisation to repair the correct layer. Re-training a model cannot fix a missing legal source. Updating a policy cannot fix an interface that gives nobody the ability to stop.

Escalation must be safe for the person who uses it. If a worker is measured only on speed, every escalation looks like a personal cost. If a public-service employee risks criticism for delaying a case, the system will accumulate silent overrides rather than visible records. Management has to make the prudent route legitimate. The alternative is a culture in which people are literate enough to see the problem and disciplined enough to hide it.

The European Commission’s own internal measures, described in its Article 4 questions and answers, are instructive because they extend beyond a single course. The Commission says it has developed an internal competency framework for basic AI literacy, learning packages for different groups including generalists, managers and developers, a portal with tool-specific resources, question-and-answer sessions, a community of practice, a monthly newsletter and an AI Champions network. These are not presented as a universal template, and the Commission notes that its internal framework may change as common objectives evolve. The important idea is the network: knowledge has a route through the organisation.

A community of practice is useful because it turns isolated questions into shared memory. A person can ask why a system behaved oddly, compare the answer with another team’s experience, and find someone who understands the domain. That does not replace formal ownership. It makes ownership easier to locate. A newsletter can point to a new risk, but it cannot decide whether a local workflow should change. An AI champion can help a team learn, but should not become the only person who knows how the system works.

L'escalade doit aussi alimenter la formation. Si la même confusion revient régulièrement, il ne s'agit plus d'une lacune individuelle. Cela peut signifier que l'interface est trompeuse, que la politique n'est pas claire, que les preuves ne sont pas exposées ou que la délimitation des rôles est erronée. L'organisation peut alors mettre à jour la couche concernée. La formation est une option. Une meilleure étiquette, un paramètre par défaut plus sûr, un enregistrement supplémentaire ou un circuit d'approbation modifié peuvent être plus efficaces.

C'est ce retour d'information qui rend la métaphore du muscle pertinente. Un muscle se développe par la résistance. Les escalades sont la résistance dans un flux de travail d'IA. Les supprimer pour que le tableau de bord paraisse calme, et l'organisation perd les signaux qui l'auraient renforcée. Un système silencieux peut être sain. Il peut aussi être un système dont les utilisateurs ont cessé de signaler ce qu'ils voient.

Les habitudes priment sur les événements

Un cours est un événement. La littératie est un ensemble de petits comportements répétés avant, pendant et après l'utilisation d'un système. Avant l'utilisation, les personnes identifient la tâche, l'objectif, les données autorisées, les personnes concernées et l'autorité qui reste humaine. Pendant l'utilisation, elles vérifient les preuves, remarquent l'incertitude, consignent les décisions importantes et font remonter le problème lorsque le système sort de son périmètre. Après l'utilisation, elles examinent les résultats, préservent les enregistrements pertinents et réparent la source, la politique, la formation ou le système lorsque le même problème se reproduit.

Ces habitudes doivent être intégrées au travail. Une invite demandant la source derrière une réponse est plus utile qu'une affiche disant d'être critique. Un champ obligatoire pour le responsable de la décision est plus utile qu'une diapositive de formation sur la responsabilité. Une commande d'arrêt visible est plus utile qu'un paragraphe rappelant au personnel qu'il conserve la responsabilité. Les contrôles ne remplacent pas le jugement, mais ils peuvent rendre le bon jugement plus facile à exercer un mardi après-midi.

Les habitudes doivent aussi s'adapter au rythme du travail. Un bureau d'information publique ne peut pas effectuer un audit complet pour chaque brouillon à faible enjeu. Un flux de travail critique pour la sécurité ne peut pas traiter une vérification visuelle rapide comme une supervision significative. L'organisation doit définir des niveaux de preuve et d'examen adaptés à la tâche et à ses conséquences possibles. Le principe est la proportionnalité, pas le minimalisme. Une petite tâche ayant un effet important sur une autre personne mérite plus d'attention qu'une grande tâche sans conséquence significative.

Il existe une différence utile entre une règle et une habitude. Une règle dit de ne pas saisir de données confidentielles dans un outil non approuvé. Une habitude demande, avant d'ouvrir l'outil, quelles données sont réellement nécessaires et si l'objectif en autorise l'utilisation. Une règle dit qu'un humain doit examiner une recommandation. Une habitude demande si l'examinateur dispose des preuves, du temps et de l'autorité pour rendre cet examen réel. Une règle dit de signaler les incidents. Une habitude remarque les quasi-accidents avant qu'ils ne deviennent des incidents à signaler et les traite comme du matériel d'apprentissage.

Les habitudes peuvent être observées sans transformer les personnes en sujets de surveillance. L'organisation peut vérifier si un flux de travail expose sa source, si un circuit d'escalade est utilisé, si les modifications du modèle déclenchent un examen et si les enregistrements peuvent être rejoués. Elle ne doit pas confondre un nombre élevé de clics avec un niveau élevé de littératie. Une personne peut cocher toutes les cases et continuer à mal comprendre la décision. L'observabilité est utile lorsqu'elle mesure les conditions du jugement, pas lorsqu'elle récompense l'apparence de conformité.

Le référentiel de pratiques de littératie du Bureau de l'IA suit cette logique pratique. La Commission décrit plus de quarante initiatives d'entreprises et du secteur public, notamment l'apprentissage en ligne, la formation en présentiel, les bootcamps et la collaboration entre l'industrie et le monde universitaire. Elle indique également que la reproduction d'une pratique du référentiel ne crée pas automatiquement une présomption de conformité. Cette clause de non-responsabilité est importante. Une pratique peut être une idée utile sans être une preuve qu'une autre organisation a géré son propre contexte.

Ce qui peut être emprunté, c’est l’habitude de se demander comment une pratique est liée au travail. Atteint-elle les personnes qui font fonctionner le système ? Couvre-t-elle les risques de la tâche ? Donne-t-elle aux personnes un moyen de questionner et de corriger ? Change-t-elle lorsque le système ou le contexte change ? Crée-t-elle une trace qui aide l’organisation à apprendre ? Le format peut varier. Les questions doivent rester.

Les personnes sur lesquelles un système est utilisé

La littératie en IA est souvent destinée au personnel, car le personnel est le public le plus facile à réunir dans une salle. La loi et l’intérêt public sont plus larges. L’explication de la Commission demande aux organisations de considérer les personnes ou les groupes sur lesquels leurs systèmes sont utilisés. Cette formulation maintient la personne concernée au cœur de la conversation sur la conception, même lorsqu’elle ne voit jamais le modèle, n’a jamais consenti au déploiement et n’a jamais reçu l’invitation à la formation.

Pour les personnes concernées, la littératie signifie un autre type d’accès. Elles peuvent avoir besoin de savoir qu’un système automatisé a influencé un service, quel type d’influence il a eu, quelles informations ont été prises en compte et comment demander un examen. Les droits et avis exacts dépendent du système et de la loi applicable. Le principe général est stable : une personne ne devrait pas avoir à comprendre l’apprentissage automatique avant de pouvoir contester une décision qui lui importe.

La communication fait partie du contrôle. Un avis rempli de termes techniques peut être formellement transparent et pratiquement inutile. Une explication courte qui nomme l’objectif, la voie humaine et la limite peut faire davantage pour l’autonomie. L’organisation devrait tester l’explication auprès des personnes qui en ont besoin, et non seulement auprès des ingénieurs qui ont construit le système. La clarté n’est pas une qualité décorative. Elle détermine si une contestation peut commencer.

La langue compte également ici. Les orientations de l’UNESCO placent la diversité linguistique et culturelle au cœur de son approche centrée sur l’humain de l’IA générative. Un avis traduit peut encore échouer s’il perd la distinction entre une invitation et une obligation, ou s’il utilise un terme que les personnes ne reconnaissent pas dans le service qu’elles essaient d’utiliser. La littératie inclut donc la capacité de se demander si le message a survécu à la traduction et si la personne peut l’utiliser pour agir.

Les institutions publiques devraient être particulièrement prudentes avec l’idée d’utilisation éclairée. Les personnes ne deviennent pas informées parce qu’une page web contient une divulgation. Elles deviennent informées lorsque l’explication arrive au moment où elle affecte leur choix, lorsque la voie humaine est réelle et lorsque l’institution peut montrer ce qu’elle a fait des informations reçues. La charge est plus lourde lorsque l’institution détient le pouvoir et que la personne n’a pas d’alternative pratique.

Les entreprises sont confrontées au même problème dans les services clients et d’emploi. Une entreprise peut former son personnel de manière approfondie et laisser néanmoins les clients incapables de comprendre pourquoi un score a affecté leur demande. Un lieu de travail peut former les gestionnaires et laisser néanmoins les travailleurs soumis à un système de planification qu’ils ne peuvent pas contester. La littératie est incomplète lorsque l’organisation comprend son outil, mais que la personne qui en subit les conséquences se retrouve avec une boîte noire et un formulaire de contact générique.

Concevoir pour les personnes concernées améliore également le système. Les questions des résidents, des patients, des candidats et des travailleurs révèlent souvent des hypothèses que les tests internes ont manquées. La question n’est pas de savoir si chaque plainte est correcte. La question est de savoir si l’organisation peut distinguer un désaccord individuel d’un schéma qui signale une source de données défectueuse, un seuil injuste ou une explication trompeuse. Une voie de contestation est aussi une voie pour les preuves.

Une institution publique doit enseigner ses propres limites

Les institutions publiques ont un rôle pédagogique, même lorsqu'elles ne se considèrent pas comme des éducateurs. Chaque service automatisé apprend aux citoyens ce que l'institution considère comme normal, prouvable et contestable. Un système qui n'accepte que des preuves structurées apprend aux administrés que leur vie doit se conformer à un formulaire. Un système qui renvoie une explication générée sans proposer de recours humain leur apprend que l'institution a délégué sa responsabilité. Un système qui énonce clairement ses limites enseigne une autre leçon : la technologie peut assister une mission de service public, mais elle ne la remplace pas.

Les lignes directrices éthiques actualisées de la Commission européenne sur l'utilisation de l'IA et des données dans l'enseignement et l'apprentissage offrent un exemple public concret de ce travail pédagogique. Ces lignes directrices s'adressent principalement aux enseignants et au personnel éducatif, y compris aux personnes ayant peu ou pas d'expérience préalable ainsi qu'à celles possédant des compétences numériques avancées. La mise à jour de 2026 ajoute des scénarios pratiques, un glossaire actualisé et un contexte juridique couvrant l'AI Act et le RGPD. La forme est pédagogique, mais le principe se transpose bien : les personnes ont besoin de définitions, de questions et d'exemples qui les aident à prendre une décision contextuelle.

Les lignes directrices ne transforment pas les enseignants en agents de conformité. Elles aident les éducateurs à comprendre les avantages potentiels, les risques cachés et les responsabilités liés à l'utilisation de l'IA et des données auprès des apprenants. Cette distinction est importante. Une bonne littératie ne rend pas un professionnel méfiant envers chaque outil. Elle lui donne suffisamment de compréhension pour choisir où un outil aide, où il nécessite des limites et où la relation humaine doit rester primordiale.

Un conseil scolaire hypothétique illustre cette différence. S'il achète un assistant de rédaction et propose une démonstration générale, les enseignants peuvent apprendre à produire du contenu rapidement. S'il demande également quelles données des élèves entrent dans le système, comment le contenu généré est vérifié, comment un élève peut contester un signalement automatisé et qui peut arrêter l'outil, le conseil développe une compétence institutionnelle. La deuxième conversation peut être plus lente. C'est aussi celle qui rend la première responsable.

Les institutions publiques devraient publier leur propre apprentissage dans la mesure où la confidentialité et la sécurité le permettent. Une brève description de la finalité d'un système, de ses limites en matière de preuve, de sa voie de recours et de ses limites connues peut aider les administrés, le personnel et les fournisseurs à parler du même objet. La documentation publique donne également à la société civile et aux organes de contrôle une matière concrète à questionner. Une promesse vague d'innovation responsable laisse tout le monde débattre du ton.

Il y a une dimension démocratique à cela. La littératie en IA est parfois décrite comme un programme de main-d'œuvre, comme si les citoyens n'étaient que de futurs employés. Les citoyens sont aussi des électeurs, des patients, des locataires, des parents, des demandeurs, des voisins et des personnes dont les données apparaissent dans le flux de travail d'autrui. Leur capacité à comprendre et à contester les systèmes automatisés fait partie de la capacité publique requise pour le contrôle démocratique. Une société qui ne peut discuter de l'IA qu'à travers des démonstrations de fournisseurs a externalisé son vocabulaire.

L'éducation est une répétition organisationnelle

Les écoles et les universités sont des lieux naturels pour discuter de la littératie en IA, mais la leçon ne devrait pas s'arrêter à la salle de classe. Les orientations de l'UNESCO indiquent que l'IA générative évolue plus rapidement que de nombreux cadres réglementaires nationaux et appellent à ce que les capacités humaines suivent le rythme. Ce n'est pas une raison pour précipiter chaque outil dans l'enseignement. C'est une raison pour apprendre aux gens à évaluer les outils, à protéger les données, à reconnaître les limites et à se demander qui bénéficie d'une utilisation particulière.

La Commission européenne et l’OCDE ont présenté en juin 2026 un cadre de littératie en intelligence artificielle pour l’enseignement primaire et secondaire. Ce cadre est décrit comme une référence commune pour les écoles, les enseignants, les responsables, les décideurs politiques et les concepteurs pédagogiques, avec une marge d’adaptation aux contextes locaux. Une référence commune est utile car elle réduit la tentation de définir la littératie comme la fonctionnalité que tel ou tel fournisseur se trouve vendre. L’adaptation est tout aussi importante, car une école, un institut de recherche et un service public ne sont pas confrontés aux mêmes tâches ni aux mêmes personnes concernées.

L’éducation peut modéliser les habitudes dont les organisations auront besoin plus tard. Les élèves peuvent comparer une explication générée avec une source, documenter ce qui a changé, remettre en question une réponse assurée et discuter du moment où un humain doit rester responsable. Les enseignants peuvent rendre l’incertitude visible plutôt que de la traiter comme un échec de la leçon. Les responsables d’établissement peuvent intégrer les questions d’achat et de données dans la décision, au lieu de les laisser à un individu enthousiaste disposant d’un compte gratuit.

Ces pratiques ne visent pas à rendre les enfants responsables de la gouvernance des systèmes commerciaux. Elles visent à donner aux personnes un vocabulaire durable avant qu’elles n’entrent dans des environnements professionnels et des institutions publiques où les enjeux peuvent être plus élevés. Les adultes ont besoin de la même opportunité. Un gestionnaire qui a appris à remettre en question les sources à l’école peut utiliser cette habitude lors d’une réunion d’achat. Un citoyen qui sait qu’un modèle peut se tromper mais reste influent peut demander le bon cheminement au sein d’un service public.

L’éducation montre aussi pourquoi la littératie ne peut pas être réduite à la compétence technique. Un enseignant peut apprendre comment un modèle génère du texte et devoir encore décider si son utilisation modifie la relation avec un élève. Un chercheur peut comprendre le processus d’entraînement d’un modèle et devoir encore vérifier les droits et le consentement dans les données. Un étudiant peut savoir utiliser un système de manière impressionnante et devoir encore reconnaître quand ce système n’est pas une source appropriée. Le jugement humain est une compétence, pas un résidu laissé après la leçon technique.

Les universités et les ordres professionnels peuvent aider en reliant les disciplines. La littératie en intelligence artificielle relève du droit, de la gestion des données, du design, de l’éthique, du travail, de l’administration publique, de la santé et de l’ingénierie, et non d’une salle où une seule spécialité explique l’avenir à tous les autres. L’objectif n’est pas de faire de chaque personne une experte dans tous les domaines. Il est de permettre aux experts de reconnaître où leur propre domaine s’arrête et où un autre domaine doit être invité.

Ce que la Commission fait pour elle-même

Il existe une différence utile entre une politique qui dit aux autres quoi faire et une institution qui décrit ce qu’elle fait en interne. Les questions et réponses de la Commission sur l’article 4 relèvent de cette seconde catégorie. Elles décrivent une politique interne pour une main-d’œuvre compétente en intelligence artificielle, un cadre de base de littératie en intelligence artificielle, des modules d’apprentissage pour les généralistes, les gestionnaires et les développeurs, des ressources spécifiques aux outils, des séances de questions-réponses, une communauté de pratique, un bulletin mensuel et un réseau de champions de l’IA.

Aucun de ces éléments ne doit être considéré comme un modèle magique. La Commission elle-même indique que le cadre interne peut évoluer à la lumière de recommandations futures. Ces pratiques sont un exemple d’institution traitant la littératie comme un système de soutien plutôt que comme un événement unique. Un cadre donne un langage. Différents modules d’apprentissage reconnaissent différents rôles. Des conseils spécifiques aux outils relient l’apprentissage au travail. Une communauté donne un lieu où les questions peuvent être posées. Les champions créent un cheminement au sein de l’organisation sans en faire les seuls détenteurs du savoir.

The example also contains a quiet warning. The programme is described in terms of encouraged learning and practical resources, not as proof that every employee can perform every AI task safely. That is the honest boundary. An organisation can build capacity and still have gaps. It can offer training and still discover that a workflow lacks an override. It can publish guidance and still need to revise it when a tool, law or task changes.

The Commission’s public repository makes the same boundary explicit. It collects examples to support learning and exchange, but reproducing a practice does not automatically create a presumption of compliance. That sentence deserves to be repeated because organisations often copy a visible format and leave the invisible reasoning behind. A bootcamp may be useful in one place and irrelevant in another. An e-learning module may reach everyone and change nobody. A community of practice may flourish in a research setting and need a different shape in a public call centre.

The practical question for any organisation is not whether its programme resembles the Commission’s. It is whether people can use what they learned at the moment the system asks them to make a judgement. If they can, the programme is connected to work. If they cannot, the organisation has built a library without a doorway.

A capability map for an ordinary organisation

It helps to map literacy by capability rather than by attendance. The map should show what the organisation needs to do, who performs each part, which evidence supports it and what authority remains human. A small organisation can draw this on one page. A larger one may need a register connected to systems, roles and review cycles. The form matters less than keeping the relationships visible.

The first capability is recognition. The organisation can list the AI systems it provides, deploys or uses on someone else’s behalf, and describe their purpose in ordinary language. It knows which tools are experimental, which are approved, which are embedded in a supplier service and which entered through an individual account. Recognition is not surveillance of every employee’s curiosity. It is a way to stop consequential use from hiding behind a procurement category or an enthusiastic workaround.

The second is evidence. For each task, the organisation knows what data the system receives, what sources are authoritative, how freshness and permission are checked, and what records survive transformation. It can distinguish a generated suggestion from a source record and an evaluation result from a production outcome. Evidence is the part of literacy that turns a claim into something a second person can inspect.

The third is judgement. The organisation can state which actions the system may take, which it may suggest and which remain human decisions. It defines the conditions that require a refusal, an escalation or a review. It makes the trade-off visible when a faster path gives less evidence or less opportunity to contest. Judgement is not an argument against automation. It is the part of the design that says what automation is for.

The fourth is authority. Roles are assigned for approval, oversight, data ownership, incident handling, communication with affected people, supplier challenge and withdrawal. The roles have access and time. A person with a title but no route to stop or change the system is not an oversight mechanism. An escalation mailbox with no owner is a suggestion box in formal clothing.

The fifth is learning. The organisation records what people asked, where the system failed, which assumptions changed and what was repaired. It updates training when the task changes, but it also changes the interface, evidence path, policy or contract when that is the better fix. Learning is not a retrospective report that sits beside the system. It is the system becoming more honest about its limits.

Une cartographie des capacités rend visibles les personnes, les preuves et l’autorité qui entourent un système d’IA. C’est une carte du travail, pas un registre des participants.

Comment faire survivre la boucle à un trimestre chargé

La plupart des programmes de littératie échouent de façon ordinaire. Le lancement est bien suivi, les supports sont soignés, puis le travail urgent revient. De nouveaux outils arrivent par un fournisseur, une équipe copie une invite d’une autre équipe, une politique change, ou une mise à jour du modèle apparaît dans une note de version. L’organisation continue de parler de littératie comme si la formation d’origine était toujours présente. Elle ne l’est pas. Le système a bougé pendant que l’apprentissage restait immobile.

La première protection est un déclencheur clair de révision. Un changement du modèle, de la source de données, de la finalité, de la population concernée, du fournisseur, du seuil ou du parcours humain devrait amener quelqu’un à se demander si la pratique existante convient toujours. Le déclencheur ne doit pas créer un comité pour chaque changement mineur. Il doit empêcher qu’un changement important soit traité comme de la maintenance lorsqu’il modifie l’autorité ou le risque.

La deuxième protection est la responsabilité locale. Un bureau central de l’IA peut offrir des conseils, mais la personne la plus proche de la tâche voit généralement le premier décalage entre le système et le travail. Cette personne a besoin d’un parcours nommé pour poser des questions, signaler un problème et recevoir une réponse. La responsabilité locale évite aussi que le programme devienne un ensemble de principes abstraits que personne ne peut traduire dans le cas de demain.

La troisième protection est un petit ensemble de questions réutilisables. Que fait le système ? Quelles preuves utilise-t-il ? Que peut-il modifier ? Qui est concerné ? Qu’est-ce qui nous ferait arrêter ? Qui peut le modifier ? Quel enregistrement nous permettra de comprendre le résultat plus tard ? Ces questions peuvent apparaître dans l’achat, la revue de conception, les consignes au personnel, un avis public, un formulaire d’incident et un exercice de formation. La répétition n’est pas un défaut quand la question est le contrôle.

La quatrième protection est le temps. Les organisations demandent souvent aux personnes d’exercer leur jugement dans les interstices entre d’autres tâches. Cela donne à l’action correcte l’apparence d’une inefficacité. Si un relecteur doit vérifier une recommandation générée, la charge de travail doit inclure cette vérification. Si un travailleur doit remonter une préoccupation, le planning doit le permettre. Si un gestionnaire doit examiner un nouveau modèle, le rôle doit inclure cet examen. Sinon, l’organisation a fait de la littératie une activité bénévole et sera surprise quand les bénévoles se feront rares.

La cinquième protection est une fin visible de la boucle. Une escalade ne doit pas disparaître dans une boîte de réception. La personne qui l’a soulevée doit savoir si le cas a été accepté, ce qui a changé et qui est responsable de l’étape suivante, sous réserve des limites de confidentialité et de sécurité. Un petit accusé de réception peut être plus puissant qu’une autre politique, car il montre que l’organisation considère le jugement comme faisant partie du travail, et non comme une interruption de celui-ci.

Les indicateurs peuvent aider, mais ils doivent être choisis avec soin. Comptez combien de systèmes ont un responsable, combien de tâches ont une frontière de preuve déclarée, combien de changements ont déclenché un examen, combien d’escalades ont reçu une réponse et combien de fois une source ou une politique a été réparée. N’utilisez pas les pourcentages d’achèvement comme indicateur de compréhension. Un achèvement à cent pour cent peut coexister avec une autorité nulle. Un chiffre d’achèvement plus faible peut révéler que l’organisation a enfin cessé de prétendre qu’une seule leçon convient à tout le monde.

La meilleure mesure n’est pas un chiffre. C’est la qualité de la question suivante. Après le programme, une équipe peut-elle contester une sortie confiante sans qu’on lui dise que le modèle n’est qu’un outil ? Peut-elle identifier la source et la preuve manquante ? Peut-elle dire ce qui ferait arrêter le flux de travail ? Une personne concernée peut-elle atteindre un examen humain ? L’organisation peut-elle modifier le système sans perdre l’historique de ce qui s’est passé ? Si la réponse s’améliore, le muscle est utilisé.

Ce qu’un certificat ne peut pas vous dire

Un certificat peut vous dire qu’une personne a terminé une activité identifiée. Cela peut être utile pour l’orientation, la tenue de dossiers ou le développement professionnel. Il ne peut pas vous dire si l’activité correspondait au système devant la personne, si la personne a eu la possibilité de s’exercer, si l’organisation a exposé ses preuves, si l’autorité était réelle ou si le système a changé par la suite. Ces questions appartiennent à l’organisation et au travail.

La distinction n’est pas un argument contre les cours. Les cours peuvent fournir un point de départ commun, surtout lorsqu’un nouveau vocabulaire est nécessaire rapidement. Ils peuvent expliquer les mécanismes, le contexte juridique et les risques récurrents. Ils peuvent aider les personnes exclues des conversations techniques à y entrer sans avoir à prétendre qu’elles connaissent déjà les réponses. Le problème commence lorsque le cours est traité comme le résultat plutôt que comme un instrument parmi d’autres dans une pratique plus large.

Un bon cours devrait rendre l’utilisation suivante plus exigeante. Il devrait laisser aux personnes des questions qu’elles peuvent poser, des preuves qu’elles peuvent inspecter, des limites qu’elles peuvent énoncer et des voies qu’elles peuvent utiliser lorsque le système ne suffit pas. Il devrait rendre un gestionnaire moins à l’aise avec une affirmation vague et un travailleur plus confiant dans un refus prudent. Il devrait rendre les lacunes de l’organisation plus faciles à voir. Un apprentissage qui ne produit que de la confiance n’a pas nécessairement produit de la littératie.

La formulation actuelle de la loi aide parce qu’elle refuse de définir une seule ligne d’arrivée pour chaque personne. L’article 4 demande désormais aux fournisseurs et aux déployeurs de prendre des mesures qui soutiennent le développement. Le considérant de l’amendement dit que la littératie devrait être une priorité stratégique indépendamment des obligations réglementaires et des sanctions possibles. C’est une base plus solide qu’une course vers un score universel. Elle dit aux organisations de construire des capacités parce que leur travail l’exige, et non parce qu’un certificat pourrait apaiser une liste de contrôle.

Notre petite note

Chez Dweve, notre petite contribution est Ground truth, un guide citoyen gratuit, accessible dans le navigateur, sur l'IA. Ce n'est pas un certificat et il ne peut pas, à lui seul, rendre une organisation compétente. C'est un lieu où pratiquer le vocabulaire commun décrit ici : ce que fait un système, quelles preuves il utilise, quelles limites comptent et où le jugement humain reste essentiel. Nous le mentionnons comme un exemple du matériel que nous produisons, et non comme une preuve de résultat organisationnel. La preuve doit apparaître dans le travail, dans les questions que les gens posent et dans les décisions qu'ils sont autorisés à modifier.

La leçon

La littératie en IA n'est pas le moment où une personne termine une formation. C'est le moment où une organisation peut voir ce que font ses systèmes et peut encore agir lorsque la réponse est incertaine. La sensibilisation nomme le système et son contexte. La compétence relie les connaissances à une tâche et à ses preuves. L'autorité rend possibles le jugement et l'intervention. Les habitudes maintiennent ces capacités vivantes lorsque l'outil, la politique, les données ou les personnes changent.

La position européenne devient plus claire. L'article 4 de la loi sur l'IA reste une responsabilité organisationnelle, mais la législation actuelle ne prescrit pas un niveau individuel ou un certificat unique. Les orientations de la Commission renvoient au contexte, au risque, au rôle et aux personnes concernées. Son propre programme interne combine des cadres, des apprentissages spécifiques aux rôles, des conseils sur les outils, une communauté et un canal pour les questions. Les lignes directrices sur l'éducation et les orientations de l'UNESCO placent les capacités humaines, les droits et l'utilisation pertinente aux côtés de la compréhension technique. Aucune de ces sources ne promet de raccourci. C'est précisément leur valeur.

Pour un organisme public, le travail consiste à rendre la voie humaine visible et utilisable. Pour une entreprise, il s'agit de relier la formation aux preuves, à la responsabilité et à la capacité de refuser un flux de travail défectueux. Pour une école, il s'agit d'apprendre aux gens à remettre en question un système avant que le système ne leur demande de lui faire confiance. Pour une personne concernée par une décision, il s'agit d'avoir un moyen de comprendre ce qui s'est passé et de demander un réexamen sans avoir d'abord à apprendre le vocabulaire du fournisseur.

Le muscle se développe lorsque l'organisation s'entraîne avant que la conséquence n'arrive : reconnaître, questionner, vérifier, décider, escalader et réparer. Il n'y aura pas de certificat final qui dise que le travail est terminé. Ce n'est pas une lacune du programme. C'est le but. Un système vivant a besoin d'un jugement vivant, et le jugement vivant est quelque chose qu'une organisation doit continuer à exercer.

Sources