Compétences IA des salariés : transformer une tâche en objectif équitable
Développez les compétences IA des salariés avec une tâche, un niveau de qualité, une limite de sécurité, une validation humaine et une preuve visible.

Difficile de développer les compétences IA si l'objectif est juste d'« utiliser plus l'IA ». Cette formule ne précise ni la tâche, ni le niveau d'exigence. Elle peut récompenser l'activité visible, masquant des prompts médiocres, des vérifications trop légères ou des tâches qui n'auraient jamais dû être déléguées. Un objectif de développement équitable part d'une tâche connue et rend le succès observable, sans réduire les gens à des statistiques d'usage.
Cette page s'adresse aux managers, partenaires RH et collaborateurs qui cherchent un objectif d'apprentissage concret, pas une énième liste d'outils. Notre méthode associe une tâche délimitée à un critère de qualité, un cadre de sécurité, une validation humaine et des preuves visibles. Elle s'applique à un pilote court, un plan de développement individuel ou un échange d'équipe sur l'apprentissage.
Développer les compétences IA à partir d'une seule tâche
Les recommandations officielles vont dans le même sens. La Commission européenne indique que les mesures de maîtrise de l'IA doivent tenir compte des connaissances techniques, de l'expérience, de l'éducation et de la formation des personnes, ainsi que du contexte d'utilisation. La taxonomie d'usage de l'IA centrée sur l'humain du NIST décrit l'activité homme-IA par des objectifs et des résultats, plutôt que par une technique particulière. Les directives de l'US Office of Personnel Management recommandent des attentes observables, mesurables ou démontrables, et co-créées avec les collaborateurs.
Ensemble, ces idées suggèrent une règle utile : définir le comportement dans le contexte du collaborateur, puis choisir la formation et les preuves. Ne partez pas d'un objectif générique de suivi de formation en espérant que le travail changera.
L'objectif de développement TASKS
Tâche
Citez une tâche récurrente et à faible risque que le collaborateur maîtrise déjà. Le périmètre doit être assez restreint pour s'exercer et faire marche arrière.
Qualité acceptable
Décrivez ce qu'un bon résultat doit contenir et les erreurs qui le rendraient inutilisable. Le standard de qualité reste le même, avec ou sans IA.
Cadre sécurisé
Précisez quelles données, décisions et conséquences sont exclues de l'exercice. Nommez l'outil approuvé et la condition d'arrêt.
Validation
Choisissez la personne ou la méthode qui vérifiera le résultat. Le collaborateur doit savoir où le jugement humain reste essentiel.
Preuve
Spécifiez le petit livrable qui prouve l'apprentissage : un brouillon relu, une vérification des sources, une note de révision et une fiche de processus réutilisable.
Un objectif juste diffère d'une simple cible d'activité.
| Objectif d’activité faible | Objectif de développement équitable | |
|---|---|---|
| Périmètre | Utiliser un assistant IA chaque semaine | Rédiger une mise à jour client à faible risque à partir de notes autorisées |
| Qualité | Produire du contenu plus vite | Faire correspondre chaque fait aux notes et respecter le standard de service existant |
| Sécurité | Respecter la politique | Exclure les données personnelles et arrêter si la demande touche un droit client |
| Revue | Le manager vérifie l’usage | Une personne nommée vérifie exactitude, ton et contexte manquant |
| Preuve | Nombre de connexions ou de prompts | Livrable relu, corrections et méthode conservée |
Cette version plus robuste n'oblige pas à utiliser l'IA si elle n'apporte aucune valeur. Elle mesure une compétence dans des conditions convenues. Cette distinction préserve l'équité : l'accès aux outils, la pertinence pour le poste et la difficulté des tâches varient. Un simple décompte d'usage ignore ces différences.
Exemple : une mise à jour pour le support client
Lire, c'est bien. Pratiquer, ça change tout.
CommencerMina gère des dossiers de support client et veut rédiger des mises à jour plus concises. Son manager choisit un cas simulé avec des détails fictifs. La tâche : transformer des notes validées en une mise à jour de 120 mots expliquant le problème, l'action menée et la prochaine étape. L'assistant peut proposer un brouillon, mais Mina reste responsable du message final.
L’objectif TASKS de Mina
- Tâche : rédiger une mise à jour client simulée à partir de notes fixes.
- Qualité acceptable : chaque date et action correspond aux notes ; le ton est clair ; aucune promesse n’est inventée.
- Limite de sécurité : utiliser des données fictives ; arrêter si le cas touche la santé, le droit, un paiement contesté ou une preuve d’identité.
- Validation connue : un responsable support relit les trois premiers essais avec la grille habituelle.
- Preuve visible : conserver le brouillon final, les affirmations corrigées, une instruction utile et la condition d’arrêt.
Après trois essais, la question n'est pas « Mina a-t-elle souvent utilisé l'IA ? » mais « Peut-elle produire une mise à jour vérifiée, expliquer ses corrections et voir quand le processus n'est plus adapté ? ». La réponse peut mener à du coaching, un exercice plus difficile ou la décision de garder un traitement manuel.
Définir l'objectif sans tomber dans la surveillance
Contrôles d’équité et de preuve
- Co-construire la tâche et confirmer qu’elle appartient au poste.
- Donner un accès égal à l’outil approuvé, aux consignes et au temps de pratique.
- Évaluer le travail final et le jugement, pas le volume caché de conversations.
- Collecter uniquement les preuves nécessaires à la décision d’apprentissage.
- Prévoir une autre voie si l’accessibilité ou le contexte du poste l’exige.
- Séparer le feedback de développement d’une procédure disciplinaire, sauf règle claire.
- Réviser l’objectif lorsque l’outil, le workflow, la politique ou le risque change.
Un objectif de développement doit aider à apprendre. Il ne doit pas devenir un indicateur indirect d'enthousiasme, de vitesse ou d'usage constant de l'IA. Limitez les preuves au nécessaire, expliquez qui les consulte et supprimez les prompts inutiles selon les règles de votre organisation.
Relier l'objectif à un système d'apprentissage global
Utilisez la matrice de compétences IA par rôle pour choisir le comportement, le guide pour mesurer la formation IA au-delà du taux de complétion pour concevoir les preuves, le taux de retouche IA pour rendre visible l’effort de correction et le cycle de mise à jour des compétences pour actualiser l’objectif. Le parcours Bokili pour les RH et la formation apporte ensuite des exercices courts et adaptés au poste.
- Choisissez une tâche répétée que le salarié maîtrise déjà.
- Écrivez le niveau de qualité existant en une phrase.
- Nommez l’outil autorisé, l’entrée sûre et la condition d’arrêt.
- Choisissez qui relira le premier essai et ce qui sera vérifié.
- Nommez le plus petit livrable capable de prouver l’apprentissage.
- Relisez l’objectif avec le salarié et retirez ce qui échappe à son contrôle.
De solides compétences IA se révèlent dans un travail encadré : une tâche adaptée, un résultat de qualité, un périmètre respecté, une vérification humaine et des preuves qui orientent la prochaine étape. Commencez par une seule tâche. Clarifiez le niveau d'exigence. Laissez la pratique — et non le théâtre de l'activité — montrer la voie.
Sources
- AI literacy – questions and answers — European Commission
- AI Use Taxonomy: A Human-Centered Approach — NIST
- Performance Management and Accountability Playbook – Planning — U.S. Office of Personnel Management
- AI training for HR and L&D leaders — Bokili
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

Cours d’IA pour débutants : créez un premier exercice sûr
Choisissez une tâche à faible enjeu, protégez les entrées, définissez un critère de qualité et créez un premier échantillon de travail IA vérifié.

Séparer génération et décision : un modèle IA en deux temps
L'IA pour explorer, affiner les options, puis l'humain pour décider et documenter de manière responsable.

La maîtrise de l'IA commence à la première erreur
La vraie maîtrise de l'IA ne se mesure pas à la perfection d'une première réponse, mais à la capacité de détecter une erreur, la corriger et valider le résultat.