L’esprit critique face à l’IA commence par une distinction simple : comprendre une réponse ne signifie pas avoir vérifié ce qu’elle affirme. Un texte fluide peut donner une impression de maîtrise, même lorsqu’il repose sur une source fragile, un contexte incomplet ou une hypothèse cachée. Pour une organisation, cette impression devient problématique quand elle accélère une décision sans améliorer les raisons de la prendre.
À retenir
- Une réponse convaincante peut contenir des faits exacts et conduire malgré tout à une conclusion mal fondée.
- L’« epistemia » est une proposition théorique sur notre rapport au savoir à l’ère de l’IA, pas un diagnostic clinique ni une mesure d’erreur.
- Les modèles peuvent exprimer de l’incertitude; cette formulation ne garantit pas qu’ils évaluent correctement leurs limites.
- La vérification doit porter sur les sources, le raisonnement et l’application au contexte.
- La personne qui utilise une analyse doit pouvoir expliquer ce qui justifie sa décision et ce qui pourrait la faire changer.
Ce que désigne l’epistemia
Dans une prépublication déposée le 22 décembre 2025, Walter Quattrociocchi, Valerio Capraro et Matjaž Perc proposent le terme epistemia pour analyser les tensions entre production automatisée de réponses et évaluation du savoir. Leur texte est un essai théorique : il examine notamment le risque de confondre plausibilité du langage et justification des connaissances. Il ne mesure pas la proportion de salariés concernés et ne démontre pas un effet identique dans toutes les utilisations de l’IA. Prépublication sur arXiv.
Cette proposition aide à nommer une situation ordinaire. On pose une question, on reçoit une réponse structurée et l’on reconnaît des éléments familiers. La cohérence du texte donne envie de poursuivre avec l’étape suivante. Pourtant, le travail de vérification peut encore rester entier. Le risque augmente quand la personne ne possède pas assez de connaissances du sujet pour reconnaître ce qui manque.
Il serait également trop simple d’affirmer qu’une IA ne dit jamais « je ne sais pas ». Des systèmes peuvent refuser, demander des précisions ou exprimer une réserve. La question est de savoir si cette réserve correspond réellement à la qualité des éléments disponibles. Un ton prudent peut accompagner une erreur, comme un ton assuré peut accompagner un fait exact. L’évaluation doit aller au-delà du style.
Trois niveaux pour exercer son esprit critique avec l’IA
Le premier niveau concerne les faits. La source existe-t-elle? Soutient-elle précisément l’affirmation? Est-elle assez récente pour l’usage prévu? Une référence réelle ne suffit pas : elle peut être mal citée, porter sur une autre population ou présenter une corrélation comme une causalité. Ouvrir la source et lire le passage pertinent constitue une étape distincte de la simple présence d’un lien.
Le deuxième niveau concerne le raisonnement. Les conclusions suivent-elles des faits présentés? Quelles hypothèses ont été ajoutées? Une analyse peut assembler plusieurs données exactes et produire une recommandation qui ne découle pas de ces données. Demander une explication du raisonnement peut aider à repérer des hypothèses, mais cette explication doit elle-même être examinée. Elle ne constitue pas une preuve indépendante.
Le troisième niveau concerne l’application. Une étude menée dans une grande entreprise internationale peut éclairer une PME québécoise sans fournir une recette directement applicable. Les ressources, les fonctions, les obligations et les conséquences peuvent différer. Une bonne analyse explique ce qui est transférable et ce qui demande une adaptation. C’est souvent à ce niveau que le jugement professionnel apporte le plus de valeur.
Une grille de vérification courte
Une équipe peut utiliser les questions suivantes pour un contenu qui influence une décision. Elles servent à rendre la vérification explicite; elles n’obligent pas à produire un rapport complet pour chaque usage. Le niveau d’effort doit rester proportionné aux conséquences possibles.
| Dimension | Question | Résultat attendu |
|---|---|---|
| Origine | D’où vient cette affirmation? | Une source identifiable et consultable |
| Fidélité | Le passage cité dit-il vraiment cela? | Un lien clair entre source et affirmation |
| Périmètre | Qui, quoi, quand et dans quel contexte? | Une limite d’application explicite |
| Raisonnement | Quelle hypothèse relie les faits à la conclusion? | Une hypothèse visible et discutable |
| Contradiction | Quel élément pourrait invalider la proposition? | Une condition de révision |
| Décision | Qui assume l’utilisation du résultat? | Une responsabilité nommée |
La dernière question évite un transfert implicite de responsabilité vers l’outil. La personne qui décide n’a pas à reconstruire chaque détail technique du modèle. Elle doit toutefois connaître les éléments sur lesquels sa décision repose et les limites qui comptent. Une réponse impossible à défendre sans répéter « l’IA le recommande » demande davantage de travail avant utilisation.
Exemple : une recommandation de formation
Imaginons une situation fictive. Une direction demande à une IA de proposer un programme de formation pour 80 employés. La réponse recommande trois ateliers et annonce un gain de productivité de 25 %. Le programme semble cohérent, mais le chiffre ne comporte aucune source directement applicable. Le risque est d’utiliser cette estimation pour promettre un résultat, puis de construire l’évaluation autour d’une attente sans fondement.
Une approche plus solide distingue ce qui est proposé de ce qui est établi. Le nombre d’ateliers est une hypothèse de conception. Le gain annoncé reste non démontré pour cette équipe. Avant de fixer un objectif, il faut connaître les tâches, le niveau de départ et les résultats attendus. Un pilote peut ensuite mesurer le temps, la qualité et l’autonomie sur quelques situations comparables.
L’IA demeure utile dans ce processus. Elle peut aider à structurer les questions, à préparer des exercices ou à identifier des hypothèses oubliées. La valeur dépend de la manière dont ses propositions sont examinées. On peut conserver une bonne idée tout en retirant un chiffre invérifiable. L’esprit critique sert aussi à reconnaître ce qui est utile, sans accepter tout le texte comme un bloc.
Former à vérifier dans le travail réel
Une formation à l’esprit critique devrait inclure les documents que les personnes produisent réellement : comptes rendus, notes de décision, synthèses ou réponses clients. L’exercice consiste à identifier une affirmation importante, à retrouver sa source et à expliquer ses limites. La personne doit ensuite décider si elle peut utiliser le contenu, le modifier ou demander une expertise supplémentaire.
Il est utile d’inclure des exemples où la réponse semble raisonnable mais ne répond pas au bon problème. Une recommandation de réduction du temps de traitement peut négliger la qualité du service. Une synthèse peut omettre une exception qui concerne justement l’organisation. Ces exercices développent la capacité à examiner le cadrage de la question, en plus de la qualité de la réponse.
La pratique demande du temps reconnu. Si l’organisation valorise seulement la rapidité, les employés reçoivent des signaux contradictoires lorsqu’on leur demande de vérifier davantage. La charge de validation de l’IA doit donc apparaître dans l’organisation du travail. Les critères de qualité devraient faire partie des objectifs, des gabarits et des conversations de gestion.
Éviter deux raccourcis fréquents
Le premier raccourci consiste à demander à un deuxième modèle de confirmer le premier, puis à considérer leur accord comme une preuve. Deux systèmes peuvent reprendre les mêmes informations ou produire des erreurs semblables. Une comparaison peut faire ressortir une divergence utile, mais elle ne remplace pas une source indépendante, une vérification métier ou un contrôle sur les données d’origine.
Le deuxième raccourci consiste à juger la fiabilité d’après les marqueurs de style. Un texte sobre peut être faux; un texte maladroit peut être exact. Le guide des tics de rédaction IA aide à améliorer la qualité éditoriale, sans fournir un test de vérité. De même, les filigranes de contenus IA renseignent sur certains traitements, avec des limites, plutôt que sur la justesse d’un raisonnement.
Questions fréquentes
L’epistemia est-elle un phénomène scientifiquement mesuré?
Le texte cité propose un cadre théorique pour examiner notre rapport au savoir et aux réponses automatisées. Il ne fournit pas un taux de prévalence ni un diagnostic individuel. Il peut nourrir la réflexion et la formation, à condition de ne pas lui attribuer des résultats empiriques qu’il ne présente pas.
Demander des sources à l’IA suffit-il?
Il faut ensuite ouvrir les sources, vérifier qu’elles existent et qu’elles soutiennent l’affirmation précise. Leur date, leur population et leur méthode peuvent limiter l’application. Une liste de références améliore la possibilité de vérification, mais ne prouve pas que cette vérification a été faite.
Comment encourager une personne à signaler une incertitude?
Prévoyez un espace explicite pour les informations non vérifiées et valorisez leur signalement. Un gestionnaire peut demander ce qui est solide, ce qui reste à confirmer et ce qui changerait la décision. Cette pratique est plus facile à maintenir lorsqu’elle fait partie du processus normal de remise du travail.
