« L’IA rend encore plus fort celui qui comprend déjà son domaine. » L’idée est largement juste, mais incomplète. Une personne qui « comprend » n’est pas nécessairement quelqu’un qui arrive avec un entrepôt de connaissances expertes dans la tête.
Ce qui compte davantage est de pouvoir regarder une réponse et juger : ceci est utile, ceci est suspect, l’échantillon de comparaison est trop petit, ou ce travail n’est pas réellement terminé. Et ces critères ne doivent pas tous exister à l’avance. Si l’on ignore la bonne norme, on peut demander : « Que font les autres entreprises ? », « Quelle est la norme du secteur ? », « Où les projets comparables ont-ils échoué ? », « Quelle est l’objection la plus forte ? ». Les critères d’évaluation eux-mêmes peuvent être recherchés.
L’IA ressemble alors moins à un distributeur automatique de connaissances qu’à une salle d’entraînement où l’on compare, questionne, réfute et augmente la résolution de sa pensée.
1. « Ceux qui savent déjà deviennent plus forts » n’est que la moitié de l’histoire
Il est utile de voir l’IA comme un multiplicateur. Si l’objectif est flou, elle peut accélérer le flou. Si la question est nette et les critères utiles, elle accélère fortement l’exploration. Voilà pourquoi les praticiens expérimentés semblent souvent en tirer un bénéfice disproportionné.
Mais les connaissances préalables ne sont pas la seule chose multipliée. La capacité à chercher des comparaisons, repérer des anomalies, contester une hypothèse et définir ce que signifie « terminé » peut elle aussi être amplifiée. Plus l’IA prend en charge la recherche et l’organisation, plus la capacité humaine à déterminer quelle preuve distingue réellement le vrai du faux devient précieuse.
Une formule volontairement approximative serait :
Multiplicateur pratique de l’IA ≈ savoir × critères d’évaluation × comparaison × réfutation × nombre d’itérations
Dans certains domaines, partir presque de zéro est une vraie limite. Mais disposer d’un énorme savoir tout en répondant « ça semble juste » à chaque texte bien rédigé ne produit pas non plus un grand multiplicateur.
2. « Comprendre » consiste moins à stocker des faits qu’à savoir juger une sortie
On peut décomposer « comprendre » en cinq capacités.
- Formuler l’objectif : quel problème résoudre et quel état final atteindre.
- Juger la qualité : qu’est-ce qui passe et qu’est-ce qui échoue.
- Trouver le goulot d’étranglement : identifier la contrainte réelle plutôt que le symptôme visible.
- Repérer les affirmations douteuses : disposer d’un modèle minimal permettant de demander « est-ce vraiment vrai ? ».
- Définir la fin : savoir quand arrêter la recherche, la correction ou la révision.
Il n’est pas nécessaire de maîtriser les cinq au niveau expert. Le changement essentiel consiste à passer de « ce texte paraît convaincant » à « ce résultat satisfait ou non l’objectif, pour telles raisons ».
Connaître une réponse et savoir évaluer une réponse sont deux compétences différentes. L’IA augmente la valeur de la seconde.
3. On peut importer ses critères — « Que font les autres ? » est une question extrêmement puissante
Voici le tournant : si l’on n’a pas de norme, on peut rechercher la norme.
Face à un processus inconnu, inutile de s’arrêter à « je ne connais pas la meilleure pratique ». On peut demander à l’IA d’organiser les comparaisons suivantes :
- Que font les autres entreprises ?
- Existe-t-il une norme sectorielle ?
- Qu’est-ce qui distingue les meilleurs acteurs des autres ?
- Où les déploiements ratés ont-ils cassé ?
- Comment les secteurs voisins résolvent-ils la même contrainte ?
- Quel minimum est imposé par la réglementation ou les normes formelles ?
- De quoi les utilisateurs se plaignent-ils régulièrement ?
En regardant une seule entreprise, presque tout peut paraître normal. En en regardant cinq, les différences apparaissent. Ajoutez les échecs et vous commencez à voir pourquoi ces différences comptent.
What do others do? n’est donc pas une simple demande d’informations. C’est un moyen de fabriquer une grille de notation que l’on ne possédait pas auparavant.
4. L’IA n’est pas seulement une autoroute du savoir, mais une machine à acquérir des axes de comparaison
Dans un domaine inconnu, l’IA peut raccourcir la distance entre « je ne sais rien » et « je sais au moins ce qu’il faut vérifier ». Une séquence utile est :
inconnu → vue d’ensemble → comparaison → hypothèse → exemples → objections → exceptions → sources primaires → critères → jugement provisoire
Le but n’est pas de devenir expert instantanément. Il suffit d’arriver au point où l’on pose de meilleures questions, repère les preuves faibles et compare intelligemment plusieurs options. À partir de là, la recherche suivante devient nettement meilleure.
Tout cela était possible avant l’IA, mais coûtait cher en temps. Chercher dix concurrents, apprendre le vocabulaire, lire les échecs et traverser vers des secteurs voisins demandait beaucoup d’effort. L’IA réduit la friction de recherche, d’organisation et de traduction entre contextes. Ainsi, le gagnant n’est pas seulement « celui qui sait déjà », mais aussi celui qui peut atteindre beaucoup plus vite l’état où il sait quoi regarder.
5. La compétence centrale est de pousser jusqu’au bout — ne partez pas après la première réponse
Une grande différence d’usage apparaît lorsqu’on traite la première réponse comme un départ plutôt qu’une arrivée. Au lieu de dire « intéressant » et de partir, on continue à creuser.
« Quelle est la preuve ? » « Qu’est-ce qui change concrètement ? » « Que font les autres entreprises ? » « Est-ce vraiment fréquent ? » « Quelles sont les exceptions ? » « Montre-moi le cas inverse. » « Confonds-tu corrélation et causalité ? » « Quel est le vrai goulot d’étranglement ? » « Qu’observerait-on si cette hypothèse était fausse ? »
Une réponse générique devient relative après comparaison. Les exceptions révèlent les conditions limites. La réfutation expose les faiblesses. Les sources primaires montrent ce qui survit au contact du réel. C’est seulement alors qu’une réponse plausible commence à devenir un matériau de décision.
Les bons utilisateurs d’IA n’écrivent pas forcément un chef-d’œuvre dès le premier prompt. Ils augmentent impitoyablement la résolution au deuxième, troisième et dixième tour. Voilà le cœur du comportement.
6. Pourquoi le même niveau de questionnement est difficile avec des humains
Les questions répétées entre personnes créent des coûts au-delà de la recherche d’information. Elles prennent du temps, peuvent donner l’impression d’un manque de confiance, toucher au statut ou à l’orgueil et provoquer une fatigue d’explication. Ce sont des frictions interpersonnelles, pas forcément des objections intellectuelles.
Un bon collègue ou expert peut accepter d’aller très loin. Mais si l’on lance « preuve ? », « exception ? », « cette prémisse n’est-elle pas fausse ? » trente fois de suite, l’ambiance finit par changer même si chaque question est légitime.
Version volontairement exagérée :
- Question 5 : un sourcil bouge.
- Question 12 : le soupir devient une infrastructure partagée de la salle.
- Question 25 : « On en a vraiment besoin maintenant ? » entre dans la conversation.
- Question 30 : terminer la réunion devient un KPI plus urgent que répondre.
Ce n’est pas un défaut humain. Les personnes ont du temps limité, des émotions, des rôles et d’autres responsabilités. Personne n’existe uniquement pour répondre à une boucle récursive infinie.
7. L’IA peut devenir une salle de sparring à questions illimitées
Avec l’IA, une grande partie de cette friction interpersonnelle diminue fortement. À la question 28, on peut revenir avec « d’accord, mais quelle est la preuve ? ». On peut remonter quinze minutes et demander « cette explication ne contredit-elle pas la précédente ? » sans devenir une légende du bureau.
La valeur de l’IA ne tient donc pas seulement à la quantité d’informations. Elle réduit aussi le coût de la répétition du raisonnement. On peut attaquer la même hypothèse sous un autre angle, ajouter des concurrents, inverser une prémisse, expliquer à un débutant puis reconstruire pour un expert.
Mais « No social cost » ne veut pas littéralement dire coût nul. Les itérations prennent du temps. On peut faire trente tours dans la mauvaise direction. Et une prose fluide produite par l’IA peut exercer sa propre attraction cognitive. Ce n’est pas une machine à vérité infinie et gratuite.
8. Un boost plus puissant peut aussi amplifier une mauvaise idée
Un multiplicateur a une propriété gênante : il multiplie aussi l’erreur. Si l’hypothèse de départ est mauvaise et que l’on ne demande que des éléments favorables, l’IA peut transformer très vite une mauvaise idée en une mauvaise idée magnifiquement organisée.
Quatre échecs sont particulièrement utiles à surveiller :
- Biais de confirmation automatisé : ne collecter que les cas soutenant la conclusion désirée.
- Erreur fluide : confondre belle rédaction et bonne preuve.
- Cargo cult du benchmark : copier une autre entreprise sans tenir compte des contraintes différentes.
- Faux consensus : voir quelques exemples et conclure « tout le monde fait ainsi ».
La défense est simple et inconfortable : « Quelle est l’objection la plus forte ? » « Trouve des cas inverses. » « Que dit exactement la source primaire ? » « Dans quelles conditions cette comparaison cesse-t-elle d’être valable ? » Utilisez l’IA pour attaquer votre propre conclusion, pas seulement pour l’embellir.
Un booster sans volant atteint simplement le mur plus vite.
9. La boucle robuste est comparaison → réfutation → source primaire → nouveau jugement
Un flux pratique ressemble à ceci :
- Poser une hypothèse : quelle semble être la cause actuellement ?
- Construire un ensemble de comparaison : autres entreprises, pays, systèmes, secteurs, cas historiques.
- Extraire les critères : quelles différences semblent réellement compter ?
- Faire un jugement provisoire : choisir l’explication la plus forte à ce stade.
- Essayer de la réfuter : chercher preuves contraires, exceptions et hypothèses alternatives.
- Aller vers les sources primaires : normes, textes originaux, mesures, documents officiels.
- Mettre le jugement à jour : ne pas protéger la première hypothèse par orgueil.
- Définir la fin : arrêter lorsque davantage de recherche ne devrait plus changer la décision.
Un petit jeu de questions rend la méthode réutilisable :
| Besoin | Question à l’IA |
|---|---|
| Comparaison | « Que font d’autres entreprises, pays ou méthodes ? » |
| Normalité | « Est-ce courant ou particulier ? Quelle est la population pertinente ? » |
| Exception | « Dans quelles conditions l’inverse se produit-il ? » |
| Cause | « Quel est le goulot d’étranglement, et non le simple symptôme ? » |
| Réfutation | « Quelle preuve réfuterait cette hypothèse ? » |
| Fin | « Qu’est-ce qui suffit à vérifier avant de décider ? » |
C’est moins « demander la bonne réponse à l’IA » que se servir de l’IA pour entraîner son propre système de jugement.
10. La nouvelle personne qui « comprend » n’est pas celle qui sait tout
Une définition plus utile à l’ère de l’IA serait :
Quelqu’un qui reconnaît ce qu’il ignore, rassemble les bonnes comparaisons, construit ou importe des critères, tente de réfuter ses hypothèses, juge les sorties de façon indépendante et se met à jour rapidement lorsque les preuves changent.
Ce n’est pas la même chose que transporter une encyclopédie dans sa tête. C’est plutôt savoir où se trouve son ignorance et quelle nouvelle preuve rendrait le problème réellement jugeable.
Voilà pourquoi les domaines inconnus deviennent plus accessibles. Les experts gardent un énorme avantage initial de connaissance, mais une boucle rapide de comparaison et de réfutation peut sortir un débutant de l’état « je ne sais même pas quelles sont les vraies questions » assez vite.
Cela ne rend pas les experts inutiles. Le savoir tacite profond, l’expérience de terrain et le jugement assorti de responsabilité restent précieux. Ce qui change, c’est la vitesse à laquelle un non-expert peut construire l’échafaudage nécessaire pour comprendre un expert, contester une affirmation faible et savoir quoi chercher ensuite.
11. Conclusion — ne demandez pas seulement des réponses ; augmentez continuellement la résolution
« L’IA renforce ceux qui comprennent déjà » est vrai. Une version plus précise serait :
L’IA renforce non seulement ceux qui possèdent déjà des critères, mais aussi ceux qui savent les construire rapidement, les importer de l’extérieur et mettre leurs conclusions à l’épreuve encore et encore.
Il n’est pas nécessaire de tout savoir au départ. Continuez à demander : « Que font les autres ? » « Est-ce normal ? » « Quelles sont les exceptions ? » « Quelle est la preuve ? ». Puis ajoutez une question : « Qu’est-ce qui me ferait abandonner cette hypothèse ? ». C’est ainsi que le jugement progresse même dans un nouveau domaine.
Posez ces questions trente fois à une personne et l’oxygène de la salle semblera peut-être diminuer. L’IA acceptera encore le 29e « et la preuve ? ». Mais l’important n’est pas de pouvoir demander 29 fois. L’important est de savoir reconstruire son hypothèse au 30e tour si elle s’est brisée au 29e.
The point is: pressure-test the output. Ne vous contentez pas de recevoir une réponse. Poussez-la jusqu’à ce que ses parties faibles cèdent, puis utilisez ce qui reste comme matière de décision. Voilà une grande partie de la véritable nature du « boost ».
