Ce que plus de trois ans de pratique intensive du prompting m'ont appris sur les compétences qui comptent vraiment dans l'usage de l'IA générative.
Quand on commence à utiliser l'IA générative sérieusement, on cherche d'abord à maîtriser la technique. On lit des guides sur le prompt engineering, on apprend les formules, on teste les structures. C'est nécessaire. Ce sont les bases, et les bases s'apprennent.
Mais très vite, quelque chose se révèle : les personnes qui obtiennent les meilleurs résultats avec l'IA ne sont pas nécessairement les plus techniques. Ce sont celles qui savent penser clairement, structurer un problème, itérer sans se décourager, et maintenir un regard critique sur ce que la machine produit. Des compétences qui n'ont rien de nouveau. Qui existaient bien avant le premier LLM. Et qui font toute la différence.
C'est ce que j'observe dans ma pratique quotidienne depuis plus de trois ans, depuis l'apparition de ChatGPT en novembre 2022, et ce que je constate dans les formations que j'anime. L'IA n'est pas une problématique technique. C'est une problématique comportementale.
Un prompt n'est pas une commande. C'est une pensée mise en forme. Et la qualité d'un prompt reflète directement la qualité de la pensée qui l'a produit.
Rédiger un bon prompt — le prompt qu'il faut, au bon moment, pour le bon objectif — demande d'abord de savoir ce qu'on veut. Ce qui suppose d'avoir cadré le problème, dégagé l'objectif, anticipé les contraintes. Ensuite, il faut savoir évaluer ce qu'on obtient : est-ce que c'est juste ? Est-ce que c'est utile ? Est-ce que c'est suffisant ? Et si non, pourquoi, et comment ajuster ?
C'est un processus itératif, exigeant, qui ne tolère pas la passivité. On ne peut pas simplement "utiliser l'IA". On travaille avec elle, on la challenge, on la recadre, on recommence. Et c'est dans cette boucle que se situent les vraies compétences.
La curiosité, peut-être avant tout. C'est elle qui pousse à imaginer, à se questionner en permanence, à vouloir comprendre parfois jusque dans les détails, parfois à sortir complètement du cadre pour inventer une autre solution. Sans curiosité, les autres compétences s'endorment. Avec elle, elles se développent d'elles-mêmes.
La pensée critique ensuite. La capacité à se mettre au défi en permanence, à évaluer et réévaluer ce que l'IA produit sans jamais accepter un résultat par défaut. L'IA générative peut produire quelque chose de plausible et de faux, de fluide et de creux, de complet et de superficiel. Seul un regard critique entraîné fait la différence.
Le mode projet. Les meilleurs résultats ne s'obtiennent pas en une seule interaction. Ils se construisent : définir l'idée générale, dégager l'objectif, segmenter le travail, itérer, corriger au fur et à mesure, évaluer. C'est un état d'esprit autant qu'une méthode. Ceux qui abordent l'IA comme un outil ponctuel obtiennent des résultats ponctuels. Ceux qui l'abordent comme un espace de travail structuré construisent quelque chose.
La pensée systémique aussi. Former une vision globale du problème tout en maintenant une distance critique permanente. Ne pas se perdre dans le détail d'une interaction en oubliant l'objectif d'ensemble. Voir comment les pièces s'articulent. C'est ce qui permet de guider un projet complexe sur la durée, sans perdre le fil.
La pensée créative. S'autoriser à tout tenter, à raisonner hors des sentiers balisés quand c'est nécessaire. L'IA générative répond à ce qu'on lui demande. Si on lui demande du conventionnel, on obtient du conventionnel. Si on ose des angles inédits, des associations inattendues, des formulations qui sortent du cadre, on obtient parfois quelque chose de vraiment utile.
La culture générale. C'est peut-être le facteur le moins évident, et pourtant l'un des plus déterminants. Avoir une culture large permet d'aborder un même problème sous des angles multiples, de trouver des analogies pertinentes, de contextualiser ce que l'IA produit. Elle rend l'approche originale là où d'autres restent génériques.
La capacité de conceptualisation, enfin. Partir d'une ou plusieurs idées pour construire un concept cohérent. Imaginer des artefacts, les faire évoluer, les aménager jusqu'à ce qu'ils produisent quelque chose de neuf. C'est ce qui transforme un usage basique de l'IA en véritable création.
Ces compétences, je ne les ai pas développées du jour au lendemain. Elles sont le résultat d'un travail délibéré : une pratique quotidienne intensive depuis novembre 2022, une veille permanente sur l'évolution des modèles et des usages, des certifications obtenues auprès des principaux éditeurs de modèles de langage. Pas pour collectionner des badges, mais pour comprendre de l'intérieur comment ces systèmes fonctionnent, ce qu'ils font bien, ce qu'ils font mal, et comment les piloter.
Ce que j'observe dans cette pratique, c'est que ces compétences s'affinent à mesure qu'on utilise l'IA. La boucle est vertueuse : plus on pratique avec exigence, plus le regard critique se développe, plus les résultats s'améliorent, plus on comprend ce qu'on peut en faire. Et inversement : une pratique sans exigence ne développe rien. Elle installe des réflexes médiocres.
Si la vraie expertise dans l'usage de l'IA générative est comportementale et non technique, alors les enjeux de formation et de développement des compétences se posent différemment.
Former des collaborateurs à l'IA ne devrait pas commencer par les outils. Cela devrait commencer par le renforcement de leur capacité à penser, à structurer, à évaluer. Les outils changent tous les six mois. La pensée critique, elle, ne se périme pas.
C'est une conviction que je porte dans mes interventions. Et chaque session de formation la confirme un peu plus.