Les 6 décisions de gouvernance à prendre avant que l'IA ne touche au travail
Ce sont des décisions de préparation, pas des cadres de politique. Chacune correspond à un mode d'échec que vous pouvez prévenir en y réfléchissant avant de commencer. Les pratiques d'exécution (voir le guide IA Fiable) et la validation des résultats (voir le guide AQ) sont distinctes. Réussissez ces six décisions et la plupart de ce qui aurait mal tourné ne se produit jamais.
Adéquation des tâches : choisir ce pour quoi l'IA est réellement bonne
L'IA n'est pas également performante pour toutes les tâches de S&E. Elle est forte pour l'extraction de motifs, la synthèse en première passe, la conversion de formats et la mise en évidence de thèmes candidats à partir de grands volumes de texte. Elle est faible en jugement évaluatif, en raisonnement analytique nouveau sur des contextes peu familiers, et pour tout ce qui exige une vérification de la vérité de terrain que seul un humain peut faire. Avant toute utilisation de l'IA, notez quelles tâches spécifiques du flux de travail l'IA prendra en charge et lesquelles resteront exclusivement humaines. Résistez à l'extension du périmètre pendant le travail. Une IA recrutée pour extraire des citations de transcriptions ne devrait pas finir par rédiger le chapitre des conclusions.
Limites des données : décider ce qui va vers quel type d'IA
Toutes les données ne peuvent pas aller à tous les outils. Les données identifiables des participants, le contexte sensible du programme et les conclusions confidentielles ont besoin d'un autre foyer que les résumés destinés au public ou les extraits anonymisés. Avant tout travail avec l'IA, classez vos données en trois catégories : sûres pour l'IA en nuage, modèle local uniquement, et pas d'IA du tout. La classification est pratique, pas politique : qu'est-ce qui irait réellement mal si ces données se retrouvaient sur le serveur d'un fournisseur que vous ne pouvez pas auditer. Une fois la classification établie, associez les données à l'outil. Si vous ne disposez pas d'une capacité de modèle local, cela détermine quelles tâches sont éligibles à l'IA.
Placement de la révision : décider où les humains restent dans la boucle
La révision humaine dans le travail avec l'IA est une décision de conception, pas une réflexion après coup. Décidez d'emblée où les humains se situent dans le flux de travail : révisant chaque résultat, vérifiant un échantillon par sondage, étant propriétaires de certaines décisions entièrement, ou n'intervenant que lorsqu'une alerte se déclenche. Le bon placement dépend de la tâche et des enjeux. Un résultat évaluatif à forts enjeux nécessite une révision humaine complète. L'extraction de routine peut être vérifiée par sondage. Un chef d'équipe qui formule des recommandations à un bailleur doit s'approprier ce résultat personnellement, quelle que soit l'aide de l'IA à la rédaction. Nommez le placement de la révision pour chaque tâche avant le début du travail, pas pendant.
Exécution et validation : savoir où elles vivent
Cette page traite de la préparation. Les pratiques d'exécution (comment structurer les invites, quand utiliser des modèles locaux, comment placer un contrôle qualité entre les étapes, comment exécuter pour la stabilité) vivent dans le guide IA Fiable. La validation post-résultat (la pile à 6 couches pour détecter les erreurs) vit dans le guide AQ de l'IA. Une bonne préparation passe le relais à une bonne exécution, qui passe le relais à une bonne validation. Si l'un des trois manque, les deux autres travaillent plus dur qu'ils ne le devraient.
Documentation pour vous-même
Trois mois après la livraison d'un produit de S&E assisté par l'IA, quelqu'un demandera comment il a été produit. La personne qui demande, ce sera généralement vous. Pour chaque tâche assistée par l'IA, notez quel modèle vous avez utilisé, quelle invite, quelle entrée et ce que vous avez fait du résultat. Stockez-le avec le résultat, pas dans un système séparé. Si la consignation est difficile à maintenir, l'outillage est mauvais. Gardez-le à une page par produit assisté par l'IA, pas un artefact de conformité.
Conditions d'arrêt et reprise : savoir quand débrancher
Les approches assistées par l'IA cessent parfois de fonctionner. Le modèle change. Le motif des données change. Les résultats commencent à dériver. Le taux d'échec franchit un seuil qui rend la validation plus coûteuse que de faire le travail à la main. Avant de commencer, nommez les conditions spécifiques qui vous feraient cesser d'utiliser l'IA pour cette tâche. Nommez aussi la voie de reprise lorsqu'un produit assisté par l'IA s'avère erroné après avoir été accepté : comment vous le repérez, comment vous le corrigez, ce que vous dites aux utilisateurs en aval. La plupart des équipes ne pensent jamais aux conditions d'arrêt avant de les avoir déjà dépassées.
Décisions de préparation en pratique
Trois scénarios qui montrent la différence entre un travail de S&E où l'utilisation de l'IA a été pensée avec soin et un travail où elle ne l'a pas été.
Utiliser l'IA pour une tâche pour laquelle elle n'est pas bonne
L'équipe demande à l'IA d'« évaluer l'efficacité du programme à partir des documents d'évaluation joints ». L'IA produit un jugement d'efficacité fluide et qui semble assuré. Personne n'a vérifié si la logique évaluative correspond au contexte réel du programme. Le jugement guide une recommandation dans le rapport. Deux mois plus tard, un examinateur souligne que la conclusion ne découle pas des preuves ; elle découle des motifs internalisés de l'IA sur ce à quoi ressemblent les « programmes efficaces » en général.
Utiliser l'IA pour une tâche pour laquelle elle n'est pas bonne
L'équipe demande à l'IA d'extraire et de catégoriser les preuves issues des documents, avec un suivi des citations. Un évaluateur senior révise la catégorisation des preuves, identifie les lacunes et s'approprie lui-même le jugement d'efficacité. L'IA a accéléré la récupération des preuves. L'arbitrage évaluatif est resté avec l'humain qui peut le défendre.
Données sensibles confiées au mauvais type d'IA
Sous la pression d'une échéance, quelqu'un téléverse 120 transcriptions d'entretiens d'informateurs clés avec les noms des participants intacts vers un outil d'IA en nuage commercial pour le codage thématique. Les données restent sur les serveurs du fournisseur indéfiniment. L'organisation ne peut pas auditer ce qui leur est arrivé. Lorsqu'un participant objecte plus tard que son nom est apparu dans un document sans son consentement, l'équipe ne peut même pas confirmer si les données ont été supprimées.
Données sensibles confiées au mauvais type d'IA
La classification des données a eu lieu avant tout travail avec l'IA. Les transcriptions identifiables vont à un modèle local exécuté sur l'ordinateur portable de l'équipe. Les extraits anonymisés peuvent aller à l'IA en nuage pour la synthèse en aval. Quand une question arrive plus tard sur le traitement des données, il y a une réponse claire.
Pas de documentation, impossible de reproduire
L'équipe utilise l'IA pour aider à produire le codage d'un jeu de données qualitatif. Six mois plus tard, un examinateur demande comment les thèmes ont été identifiés. Le membre de l'équipe qui a fait le travail est parti. Personne ne peut reconstituer les invites, la version du modèle ou quelles exécutions ont produit quels thèmes. Les conclusions existent techniquement ; le processus qui les sous-tend a disparu.
Pas de documentation, impossible de reproduire
Un journal d'une page par tâche assistée par l'IA : modèle, invite, entrée, sortie, ce qui a été validé, ce qui a été corrigé. Le journal vit à côté du résultat, pas dans un système séparé. Quand l'examinateur demande, la réponse prend cinq minutes, pas cinq jours.
5 gestes de préparation qui rapportent immédiatement
Notez les tâches éligibles à l'IA avant qu'elle ne touche à quoi que ce soit
Avant toute utilisation de l'IA, listez les tâches spécifiques de ce flux de travail que l'IA prendra en charge. Soyez explicite sur les limites. « L'IA extrait et catégorise les preuves issues des documents ; l'équipe s'approprie les jugements d'efficacité. » La liste existe pour que vous puissiez vous reprendre quand le périmètre commence à dériver pendant le travail. Sans elle, le périmètre dérive toujours.
Classez vos données avant qu'aucune ne se dirige vers l'IA
Trois catégories : sûres pour le nuage, modèle local uniquement, pas d'IA du tout. Faites la classification une fois, au début du projet, pas tâche par tâche sous la pression des échéances. La classification devient une référence vers laquelle vous pouvez pointer quand quelqu'un demande pourquoi une transcription spécifique a ou n'a pas reçu un traitement assisté par l'IA.
Pilotez une petite tâche avant de mettre l'approche à l'échelle
Exécutez une petite version du travail de bout en bout avant de vous engager à faire l'ensemble en mode assisté par l'IA. Codez 10 transcriptions, pas 200. Rédigez une section, pas le rapport complet. Le pilote fait remonter les modes d'échec qui comptent avant que vous n'ayez bâti votre calendrier autour d'une approche qui ne fonctionne pas vraiment.
Tenez un journal d'une page par produit assisté par l'IA
Modèle, invite, entrée, sortie, ce que vous avez validé, ce que vous avez corrigé. Stockez-le à côté du résultat. Pas pour la conformité. Pour vous-même, trois mois plus tard, quand quelqu'un demande et que vous devez reconstituer le travail en moins d'une journée.
Intégrez un déclencheur « pause et réflexion » dans le flux de travail
Choisissez un moment spécifique où l'équipe s'arrête et se demande : l'IA aide-t-elle réellement ici, ou travaillons-nous plus dur à la valider que nous le ferions sans elle ? Le déclencheur peut être temporel (point hebdomadaire), basé sur les résultats (après chaque lot) ou basé sur l'échec (quand les erreurs franchissent un seuil). Sans déclencheur, les équipes restent sur des approches assistées par l'IA au-delà du point où elles auraient dû s'arrêter.
Invite d'adéquation des tâches pour l'IA
Décrivez une tâche de S&E et cette invite renvoie une recommandation structurée sur la question de savoir si l'IA doit y toucher, quelles parties, avec quelles données et où l'humain doit rester dans la boucle. À utiliser avant que l'IA n'entre dans le travail, pas après.
Invite d'adéquation des tâches IA pour le S&E
Je dois décider si l'IA doit assister une tâche spécifique de S&E, et si oui, comment. Produisez une recommandation structurée.
Description de la tâche :
- Quelle est la tâche : [par ex., « codage de 80 transcriptions de groupes de discussion d'une évaluation à mi-parcours » / « rédaction de la section contexte d'une proposition » / « extraction d'indicateurs à partir d'un modèle de rapportage »]
- Quel est le résultat : [jeu de données codé / texte rédigé / données structurées / autre]
- Enjeux : [Faibles : usage interne / Moyens : livrable d'équipe / Élevés : destiné à un bailleur / Critiques : alimente une décision de financement ou de programme]
- Jugements évaluatifs impliqués : [aucun / mineurs / substantiels]
Entrées disponibles :
- Matériel source : [transcriptions / documents / jeux de données / sources externes]
- Sensibilité des données : [publiques / anonymisées / identifiables / confidentielles]
- Modèle d'IA local disponible : [oui / non]
Contexte de l'équipe :
- Qui fera le travail : [une personne / petite équipe / équipe répartie]
- Qui révisera le résultat : [même personne / réviseur distinct / chef d'équipe]
- Pression d'échéance : [faible / modérée / élevée]
Pour cette tâche, produisez :
1. Adéquation de l'IA (un paragraphe)
- L'IA convient-elle pour cette tâche dans son ensemble, pour une partie, ou pas du tout ?
- Quelles sous-tâches spécifiques l'IA doit-elle prendre en charge, et lesquelles doivent rester exclusivement humaines ?
- Quel est le mode d'échec le plus probable pour ce type de tâche si l'IA est mal utilisée ?
2. Décision sur les limites des données (un paragraphe)
- Quelles données sont sûres pour l'IA en nuage, lesquelles nécessitent un modèle local uniquement, lesquelles ne devraient pas toucher à l'IA ?
- Quelle est la règle concrète de traitement des données pour cette tâche ?
3. Placement de la révision (un paragraphe)
- Où l'humain se situe-t-il : révision complète, vérification par sondage, propriétaire de la décision, ou révision déclenchée ?
- Qu'est-ce qui spécifiquement ne peut pas être délégué à l'IA ?
4. Conditions d'arrêt (liste à puces de 2 à 3)
- Conditions spécifiques qui déclencheraient l'arrêt de l'approche assistée par l'IA pour cette tâche.
5. Un paragraphe de préparation
- Adapté à coller dans une note de démarrage ou un descriptif de projet, décrivant le plan d'assistance par IA pour cette tâche en langage de praticien.