Parcours IA pour tous

Repères historiques et ruptures récentes. Distinction entre automatisation, systèmes experts, apprentissage automatique et apprentissage profond. Ce que la machine traite et ce qu'elle ne comprend pas. Déconstruction des représentations courantes, à partir des attentes exprimées par les participants en ouverture de session.

Apprentissage supervisé et non supervisé, réseaux de neurones, apprentissage profond. IA générative : texte, image, son, vidéo. IA agentique : ce que recouvre le terme et ce qui le distingue d'un assistant. Fonctionnement d'un grand modèle de langage : tokens, prédiction, fenêtre de contexte, température. Pourquoi un modèle produit des énoncés faux avec assurance, et ce que cela implique pour l'usage professionnel.

Effets observés sur les métiers et sur l'organisation du travail. Ce que l'IA déplace plutôt que ce qu'elle supprime. Économie du secteur : coûts d'entraînement et d'inférence, modèles de facturation, dépendances industrielles. Empreinte environnementale : ordres de grandeur, leviers de sobriété, articulation avec une démarche de numérique responsable.

Localisation et transfert des données, dépendance aux fournisseurs extra-européens, cadre applicable aux acteurs publics et parapublics. Panorama des solutions européennes et de leur niveau de maturité réel.

Architecture du texte et calendrier d'application. Classification par niveau de risque : pratiques interdites, systèmes à haut risque, obligations de transparence, modèles à usage général. Répartition des rôles entre fournisseur, déployeur, importateur et distributeur, et conséquences pratiques de cette répartition. Ce qui change concrètement pour une organisation qui utilise des outils du marché sans les développer.

Bases légales mobilisables pour un traitement recourant à l'IA. Minimisation, limitation des finalités, durée de conservation. Statut des données d'entraînement et des données saisies dans un outil génératif. Droits des personnes et difficultés propres aux modèles. Analyse d'impact : quand elle est requise, comment la conduire. Articulation entre les deux corpus.

Par où le biais entre dans un système : données, conception, usage, boucle de rétroaction. Cas documentés dans le recrutement, l'octroi de crédit et l'attribution de prestations. Méthodes de détection et limites de ces méthodes. Ce que recouvre l'explicabilité, et ce qu'elle ne permet pas. Place et responsabilité de la supervision humaine.

Construire un registre des systèmes d'IA. Instance de suivi : composition, rythme, périmètre de décision. Politique d'usage interne : ce qu'elle doit trancher et ce qu'elle doit laisser ouvert. Référentiel RIA31 de l'Institut du Numérique Responsable et articulation avec une démarche de numérique responsable déjà engagée.

Panorama des outils mobilisables, avec un examen particulier des solutions européennes. Ce qu'un outil fait bien, ce qu'il fait mal. Règles de sécurité : quelles données ne sont jamais saisies, quels paramètres vérifier, quelle traçabilité conserver. Conformité au quotidien : ce que le règlement européen et le RGPD imposent à l'utilisateur final.

Méthode d'inventaire des tâches d'un poste. Critères d'arbitrage : fréquence, temps consommé, tolérance à l'erreur, sensibilité des données. Premiers exercices de formulation de consignes sur des cas réels des participants.

Structuration d'une consigne : rôle, contexte, contrainte, format attendu, exemples. Itération et affinage. Décomposition d'une tâche complexe. Détection et réduction des productions erronées. Méthodes de vérification proportionnées à l'enjeu.

Configuration d'un assistant dédié à une tâche récurrente : instructions, base de connaissances, format de sortie. Tests sur cas réels, mesure du gain, ajustement. Conditions de partage au sein de l'équipe.

Chaque participant repart avec un assistant configuré et testé sur une tâche de son propre poste.

Différences entre assistant conversationnel, agent et automatisation classique. Anatomie d'un agent : modèle, instructions, outils, mémoire, boucle de décision. Ce qu'un agent sait faire aujourd'hui de façon fiable, et ce qui relève encore de la démonstration. Panorama des plateformes, solutions européennes comprises.

Choisir la tâche : critères de sélection et contre-indications. Définir le périmètre d'action et les actions interdites. Données mobilisées et niveau de sensibilité. Garde-fous, points de contrôle humain, conduite à tenir en cas d'échec. Critères de réussite mesurables.

Rédaction des instructions. Alimentation en connaissances métier. Connexion aux outils nécessaires. Gestion de la mémoire et du contexte. Construction effective de l'agent cadré la veille.

Jeux de tests, y compris les cas limites et les tentatives de détournement. Mesure du taux d'erreur et décision de mise en service. Organisation de la supervision humaine : qui contrôle, à quelle fréquence, sur quels signaux. Traçabilité et responsabilité. Collaboration quotidienne avec un agent : ce qui change dans la façon de travailler.