Compétences IA des salariés : calibrer la confiance avant de vérifier
Formez vos équipes à noter leur confiance avant de consulter l'IA, à vérifier l'information clé et à apprendre de l'écart entre prédiction et faits.

Les compétences IA devraient inclure un réflexe souvent négligé : noter son niveau de confiance avant de vérifier une réponse. Si les apprenants ne l'évaluent qu'après avoir lu une réponse fluide de l'IA, leur note reflète la forme du résultat, et non leur propre compréhension ou la qualité des preuves.
La confiance n'est pas une preuve, et un manque de confiance n'est pas un échec. C'est une prédiction à comparer avec les faits. Un court exercice de calibration aide à identifier deux risques : accepter un conseil de l'IA parce qu'il est bien formulé, et rejeter un conseil utile par certitude prématurée.
Calibrer sa confiance avec PACT
PACT : la confiance comme signal d'apprentissage
Prédire
Avant de consulter l'IA, choisissez une réponse ou une action provisoire. Notez votre niveau de confiance (faible, moyen, élevé) et une raison.
Demander
Utilisez l'outil d'IA approuvé pour la même tâche. Exigez des raisons, des incertitudes et des sources lorsque la tâche le permet.
Vérifier
Vérifiez l'affirmation décisive en la comparant à une source ou norme approuvée. Contrôlez le jugement humain et le résultat de l'IA, pas seulement celui avec lequel vous êtes en désaccord.
Tracer
Notez si votre confiance a évolué, quelle preuve l'a modifiée et quel comportement répéter la prochaine fois.
PACT est une boucle d'apprentissage, pas un test de personnalité. Ne comparez pas les collaborateurs sur leur confiance apparente. Comparez la prédiction aux faits, puis cherchez un schéma : la confiance reste élevée si le travail est faux, faible s'il est juste, ou s'ajuste face à une preuve décisive.
Ce que révèle le suivi de la calibration
| Signal observé | Réponse pédagogique utile | |
|---|---|---|
| Confiance élevée, preuves faibles | L’apprenant s’engage avant de vérifier l’affirmation décisive | S’entraîner à nommer le fait qui pourrait renverser la décision |
| Confiance faible, raisonnement juste | L’apprenant aboutit au bon résultat sans savoir expliquer pourquoi | Rendre visibles la piste des sources et les critères d’acceptation |
| Confiance guidée par la fluidité | La certitude augmente quand la réponse IA paraît soignée | Comparer une réponse fluide mais fausse à une réponse simple et étayée |
| Confiance ajustée par les preuves | L’apprenant révise son jugement après un contrôle pertinent | Renforcer ce comportement et le tester sur un nouveau cas |
| Aucune révision après contradiction | La nouvelle preuve est vue mais ignorée | S’entraîner à arrêter, corriger ou escalader explicitement |
Le guide du NIST sur le risque IA recommande d'évaluer la confiance de l'utilisateur, la validité des résultats et la façon dont les humains les ignorent. De même, le guide britannique sur les compétences IA préconise une formation pratique et un suivi de la confiance, de l'usage et des décisions. L'implication est concrète : mesurez la confiance au regard des faits et des actions, pas de façon isolée.
Exemple pratique : prioriser une demande de maintenance
Lire, c'est bien. Pratiquer, ça change tout.
CommencerUn coordinateur de services généraux reçoit une demande de maintenance. Elle mentionne une alarme d'ascenseur intermittente, aucun passager bloqué et une visite technique le lendemain. Avant d'utiliser une IA, l'apprenant choisit la priorité normale et note une confiance moyenne, car le type d'alarme est flou.
La réponse de l'IA recommande une escalade urgente, citant une phrase absente de la demande. La confiance de l'apprenant ne doit pas varier juste parce que le ton est décisif. PACT l'invite à vérifier la norme de priorité et la demande initiale. La norme exige une escalade immédiate si un passager est bloqué, ce qui n'est pas le cas. Elle précise aussi qu'un code d'alarme inconnu doit être confirmé par l'ingénieur de service.
La bonne action n'est pas de garder sa réponse ou d'accepter celle de l'IA. L'apprenant met à jour sa décision : contacter l'ingénieur pour identifier l'alarme, maintenir la visite et escalader si un signal de blocage apparaît. Sa confiance passe de moyenne à justement délimitée, car une source et une condition d'arrêt soutiennent l'action.
Mener un exercice de calibration juste
- 1
Utilisez une tâche délimitée
Choisissez un scénario simple, à faible enjeu, avec des informations synthétiques ou approuvées et une norme de travail écrite.
- 2
Recueillez une prédiction pré-IA
Demandez une décision provisoire, un niveau de confiance et une raison avant de montrer la réponse de l'IA.
- 3
Présentez une alternative plausible
Fournissez ou générez une réponse d'IA avec une suggestion pertinente et un détail à vérifier.
- 4
Vérifiez les deux positions
Appliquez le même critère de preuve au jugement initial de l'apprenant et à la suggestion de l'IA.
- 5
Notez le changement
Notez la décision finale, l'évolution de la confiance et la preuve décisive, sans transformer l'exercice en classement de performance.
- 6
Répétez avec un nouveau cas
Modifiez les détails en testant le même comportement, pour que la chance ne soit pas confondue avec la compétence.
Gardez une mesure simple et humaine
Pour un exercice équitable : expliquez qu'il s'agit d'identifier des besoins de formation, et non de classer les employés ; utilisez des supports synthétiques ou validés à faible enjeu ; publiez en amont le standard de travail et l'échelle de confiance ; documentez les raisons et les preuves, pas seulement la confiance exprimée ; autorisez les ajustements d'accessibilité ; examinez plus d'un cas ; et signalez les lacunes (politique, accès, workflow) au bon responsable au lieu de les qualifier d'échecs de compétence.
Reliez cet exercice à la cartographie des pratiques Bokili (https://bokili.com/fr/learn/formation-ia-collaborateurs-cartographier-pratiques), à la vérification du transfert au travail (https://bokili.com/fr/learn/formation-developpement-ia-transfert-travail) et au guide sur les échecs masqués par un score moyen (https://bokili.com/fr/learn/score-moyen-masque-echecs-importants). Le programme pour les RH et la formation est présenté sur https://bokili.com/fr/for-hr.
- Écrivez un cas de travail synthétique avec une décision et une source de référence.
- Notez votre réponse provisoire, un niveau de confiance faible, moyen ou élevé, et une raison.
- Demandez à un outil d’IA approuvé sa recommandation, son raisonnement et ses incertitudes.
- Vérifiez l’affirmation décisive dans la source de référence.
- Écrivez l’action finale, l’évolution de votre confiance et la preuve qui a provoqué ce changement.
- Créez un second cas qui teste le même jugement avec des détails différents.
La révision plutôt que la certitude
Une confiance utile dans l'IA n'est ni un doute permanent, ni une confiance aveugle. C'est la capacité à formuler un jugement provisoire, à le confronter aux faits et à le réviser si nécessaire. La formation des employés à l'IA est plus efficace si la confiance est traitée comme une prédiction à tester, et non comme un sentiment à récompenser. Les missions courtes et adaptées de Bokili rendent cette révision visible par la pratique, le feedback et une nouvelle tentative.
Sources
- Measure — AI RMF Playbook — National Institute of Standards and Technology
- Employer guide: What works for AI upskilling in the UK — UK Government and Skills England
Lire, c'est bien. Pratiquer, ça change tout.
Bokili transforme ce type de compétence en missions de dix minutes pour toute l'équipe, avec un retour immédiat et une progression visible.
CommencerÀ lire ensuite

Formation IA pour les RH : synthèses d’absence sans inférence médicale
Apprenez aux équipes RH à rédiger une synthèse d'absence purement opérationnelle, sans exposer de données de santé, inventer des motifs ou laisser l'IA prendre une décision.

Licences IA : allouer l’accès aux tâches prêtes, pas aux listes d’attente
Qualifiez les demandes de licence IA avec 4 critères : source validée, résultat clair, responsable de la validation et circuit de support.

Projets ChatGPT : enregistrer une réponse vérifiée comme source
Transformez une réponse ChatGPT vérifiée en contexte réutilisable sans perdre ses sources, son propriétaire, sa date de révision ou son déclencheur de remplacement.