Formation à l'IA : fixez les règles pour les données d'apprentissage
Utilisez la charte LEARN pour définir l'objectif, les preuves, l'accès, la réutilisation, la conservation et les recours pour les données de formation à l'IA.

La formation à l'IA en entreprise génère des données : inscriptions, tentatives, réponses, retours, scores et parfois le contenu utilisé en pratique. Si les employés ignorent pourquoi ces données existent, qui peut les voir ou si une erreur peut affecter leur évaluation, leur participation devient timide et superficielle. Une charte courte sur ces données rend le cadre visible dès le départ.
Ce guide s'adresse aux responsables RH, L&D, confidentialité, sécurité et des programmes IA. C'est un modèle opérationnel, pas un conseil juridique. Il ne remplace pas une analyse d'impact sur la protection des données, la consultation des employés ou une revue du droit du travail local si nécessaire. Son but est pratique : fixer les règles sur les preuves d'apprentissage avant que tableaux de bord et exports ne créent accidentellement des usages non prévus.
Formation IA : pourquoi une charte de données est nécessaire
L'article 5 du RGPD établit des principes comme la transparence, la limitation des finalités, la minimisation des données, l'exactitude, la limitation de la conservation et la sécurité. Les directives du régulateur britannique sur la surveillance des employés appliquent la même rigueur : définir l'objectif, ne pas collecter de données « au cas où », limiter l'accès, informer les employés et éviter le détournement de finalité. Réutiliser ces informations pour l'évaluation des performances peut exiger une base légale distincte et une nouvelle évaluation de nécessité et de proportionnalité.
Les directives de la Commission européenne sur la maîtrise de l'IA stipulent que la formation doit refléter les connaissances des personnes, le système, son contexte et ses risques. Le contexte inclut aussi l'environnement d'apprentissage. Les employés ont besoin d'un espace pour faire des erreurs et les corriger sans risque. Un programme peut conserver des preuves utiles sans traiter chaque prompt, brouillon ou tentative comme une donnée permanente du dossier de l'employé.
| Question | Règle à publier | |
|---|---|---|
| Finalité | Pourquoi cette donnée est-elle créée ? | Nommez la décision d’apprentissage ou de programme qu’elle soutient |
| Visibilité | Qui peut voir le contenu individuel ? | Listez les rôles et la vue minimale nécessaire pour chacun |
| Réutilisation | Peut-elle influencer la performance ou l’emploi ? | Énoncez les usages interdits et tout processus séparé requis |
| Conservation | Combien de temps reste-t-elle identifiable ? | Fixez une durée, une suppression ou anonymisation, et un responsable |
| Recours | Que faire si la donnée est fausse ou trompeuse ? | Donnez un contact humain et une voie de correction |
La charte LEARN pour la formation à l'IA
Cinq règles pour les données d'apprentissage
L — But pédagogique
Indiquez la raison spécifique de chaque enregistrement : accès, retours, suivi des progrès, amélioration du programme, revue de sécurité ou audit.
E — Preuves gardées
Listez les champs minimaux conservés. Séparez la complétion et les compétences démontrées des prompts bruts, brouillons et contenus de conversation.
A — Accès et audiences
Précisez ce que les apprenants, coachs, managers, L&D, administrateurs et fournisseurs peuvent voir. Préférez les vues agrégées si le contenu individuel n'est pas nécessaire.
R — Réutilisation et conservation
Interdisez la réutilisation non signalée, fixez des règles de conservation ou d'anonymisation et définissez le processus pour toute nouvelle finalité.
N — Notification et recours
Expliquez les règles simplement avant la collecte et indiquez une personne ou un processus pour l'accès, la correction, l'explication ou l'objection.
La charte doit être assez courte pour être lue avant la première mission et assez précise pour les administrateurs. Liez-la à la politique de confidentialité, aux règles d'usage et au calendrier de conservation de l'entreprise. Si la loi ou le risque exige un document plus long, alignez le résumé pour l'apprenant et le document officiel.
Exemple pratique : service des achats
Lire, c'est bien. Pratiquer, ça change tout.
CommencerUne équipe d'acheteurs fictive s'entraîne à vérifier des résumés de fournisseurs écrits par IA par rapport à des documents sources approuvés. Le programme doit savoir si les apprenants terminent la mission, repèrent une affirmation non étayée et utilisent la procédure d'escalade. Il n'a pas besoin d'une copie permanente de chaque brouillon pour évaluer l'apprentissage.
Appliquer LEARN au programme
- 1
But pédagogique
Faciliter les retours, confirmer les trois comportements cibles et identifier les points d'amélioration de l'exercice.
- 2
Preuves gardées
Conserver la complétion, le résultat comportemental final, la catégorie de retour et le nombre de tentatives. Ne garder le contenu brut de l'exercice que pour un besoin de revue qualité défini et limité dans le temps.
- 3
Accès
L'apprenant voit son dossier complet. Le coach voit la tentative nécessaire au retour. Le manager voit la complétion et les signaux de compétence définis. Le L&D voit les tendances de la cohorte.
- 4
Usage et conservation
Ne pas utiliser une erreur d'entraînement comme une note de performance. Supprimer ou anonymiser le contenu détaillé de l'exercice selon le calendrier publié, sauf exception justifiée.
- 5
Notification et recours
Avant la mission, présenter la finalité, les accès et la conservation. Fournir un contact humain pour corriger une donnée erronée ou questionner une interprétation.
Cette approche conserve des preuves. Elle se contente de les associer à la décision. Si une organisation veut réutiliser les données d'apprentissage pour évaluer la performance, prendre des mesures disciplinaires, analyser ses effectifs ou à d'autres fins importantes, il ne s'agit pas d'une simple option cachée dans la plateforme. C'est une décision de gouvernance distincte qui peut exiger une consultation, une nouvelle évaluation juridique et des garanties renforcées.
Décliner la charte en paramètres plateforme
Configuration et contrôles au lancement
- Associez chaque champ de donnée d’apprentissage à une finalité déclarée.
- Désactivez toute collecte sans décision actuelle ni responsable.
- Testez chaque rôle avec un dossier apprenant fictif.
- Utilisez des rapports agrégés lorsque le détail individuel n’est pas nécessaire.
- Réglez conservation, suppression et export avant le lancement.
- Affichez l’information à l’apprenant au moment de la collecte.
- Donnez aux administrateurs une procédure pour les demandes d’accès et de correction.
- Réexaminez tout nouveau tableau de bord ou toute intégration qui change la finalité ou le public.
Une charte n'est pas un certificat de conformité
Ce modèle aide les équipes à poser et publier les bonnes questions. La base juridique, la consultation, l'analyse d'impact et les garanties sociales appropriées dépendent de la juridiction, des données, de la technologie et des conséquences. Demandez un avis qualifié pour le programme concerné.
Intégrer les règles au système de formation
Commencez par la cartographie des données apprenant pour l’achat d’une plateforme, puis utilisez la charte pour définir l’usage acceptable du programme. Associez-la à l’audit des freins à la participation. Les pages Bokili pour les équipes, confidentialité et sécurité décrivent l’administration par rôles, les dossiers d’apprentissage et le traitement des données.
- Listez les cinq données d’apprentissage que votre programme crée le plus souvent.
- Écrivez la décision soutenue par chacune et retirez toute donnée sans finalité actuelle.
- Nommez les personnes qui ont besoin du détail individuel et celles qui peuvent utiliser une vue agrégée.
- Écrivez une phrase interdisant la réutilisation silencieuse pour la performance ou la discipline.
- Ajoutez la règle de conservation ou d’anonymisation et son responsable.
- Ajoutez la voie d’accès, de correction et de question de l’apprenant.
- Relisez la charte comme un salarié et remplacez toute formule vague par un usage concret.
Une bonne formation IA en entreprise invite à s'exercer, échouer sans risque, corriger et réessayer. Les règles sur les données d'apprentissage doivent soutenir cette boucle. Un objectif clair, des preuves limitées, un accès restreint, des limites de réutilisation explicites et une vraie voie de recours rendent le programme plus fiable et plus simple à gouverner.
Sources
- Regulation (EU) 2016/679 — Article 5 — EUR-Lex
- Data protection and monitoring workers — Information Commissioner's Office
- AI Literacy — Questions & Answers — European Commission
- Privacy Policy — Bokili
- Security & data — 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

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.

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.