AI Literacy
La culture de l’IA désigne les connaissances et le jugement nécessaires pour comprendre, questionner et bien utiliser l’IA. Compétences fondamentales, cadres scolaires et article 4 de la loi européenne sur l’IA.
La maîtrise de l’IA désigne les connaissances et le jugement nécessaires pour bien utiliser l’intelligence artificielle : une compréhension pratique de la façon dont les systèmes d’IA produisent leurs résultats, l’habitude de les évaluer avec un esprit critique et la capacité de décider quand s’y fier. Comme la lecture ou le calcul, c’est une compétence générale pour toute personne qui rencontre l’IA au travail, à l’école ou à la maison ; elle ne nécessite aucune capacité à créer ou programmer des modèles. L’article de Duri Long et Brian Magerko publié à CHI en 2020 en a donné une définition largement citée : des compétences qui permettent aux personnes d’évaluer l’IA de manière critique, de communiquer et de collaborer avec elle, et de l’utiliser comme outil.
Une personne qui maîtrise l’IA sait qu’une réponse fluide d’un robot conversationnel peut tout de même être erronée, qu’un système de reconnaissance faciale peut obtenir de moins bons résultats pour certains groupes que pour d’autres, qu’une vidéo réaliste peut être un hypertrucage et que le partage de documents confidentiels avec un assistant en ligne peut les exposer. Ces constats reposent sur quelques notions qui s’appliquent à de nombreux outils.
Ce que recouvre la culture de l’IA#
La plupart des cadres organisent la maîtrise de l’IA autour de trois capacités. Comprendre, c’est savoir que les systèmes d’apprentissage automatique apprennent des motifs à partir des données d’entraînement, de sorte que leur comportement reflète la couverture et les lacunes de ces données, et que l’IA générative produit du texte ou des images plausibles à partir de motifs appris sans vérifier les faits. Évaluer, c’est confronter les résultats à des sources indépendantes, reconnaître les hallucinations et les biais de l’IA, et considérer le score de confiance d’un modèle comme sa propre estimation, qui peut être mal calibrée. Utiliser de manière responsable, c’est décider quelles données partager, qui examine les décisions importantes, quand signaler l’aide de l’IA et quand une tâche ne devrait pas être déléguée à l’IA.
Pour les écoles, le référentiel de compétences en IA de l’UNESCO pour les élèves, publié en 2024, définit 12 compétences réparties en quatre dimensions : une approche centrée sur l’humain, l’éthique de l’IA, les techniques et applications de l’IA, et la conception de systèmes d’IA. Chaque dimension progresse de la compréhension de l’IA à son application, puis à la création avec l’IA. Le Cadre de maîtrise de l’IA de l’OCDE et de la Commission européenne, finalisé en 2026 après un projet publié en 2025, regroupe les compétences en quatre domaines : interagir avec l’IA, créer avec elle, la gérer et l’orienter. Il contribue à la première évaluation PISA de la maîtrise des médias et de l’IA en 2029. Des notions connexes se recoupent : la maîtrise des données porte sur l’interprétation des données et des statistiques, la culture numérique concerne l’usage des technologies en général, et l’ingénierie de prompts est une compétence pratique parmi d’autres de la maîtrise de l’IA.
La culture de l’IA au travail et le règlement européen sur l’IA#
La maîtrise de l’IA au travail est devenue une obligation juridique dans l’Union européenne lorsque l’article 4 du règlement européen sur l’IA a commencé à s’appliquer le 2 février 2025. Le règlement définit cette maîtrise comme les compétences, les connaissances et la compréhension qui permettent aux fournisseurs, aux déployeurs et aux personnes concernées de prendre des décisions éclairées sur le déploiement des systèmes d’IA et de connaître leurs possibilités, leurs risques et leurs préjudices éventuels. Dans sa version modifiée par le Digital Omnibus sur l’IA en juillet 2026, l’article 4 exige des organisations qui fournissent ou déploient des systèmes d’IA qu’elles prennent des mesures favorisant la maîtrise de l’IA chez les membres du personnel et les autres personnes qui utilisent ces systèmes pour leur compte, en tenant compte de leurs connaissances techniques, de leur expérience, de leur formation et du contexte d’utilisation du système, sans devoir garantir un niveau précis de maîtrise pour une personne en particulier. Cette obligation couvre tous les systèmes d’IA, quelle que soit leur catégorie de risque, ce qui en fait l’une des exigences les plus générales du règlement.
L’article 4 ne prescrit ni programme ni certificat ; les organisations adaptent donc généralement la formation au rôle, en gardent une trace et l’intègrent à leur programme de gouvernance de l’IA. Un agent d’assistance qui utilise un robot conversationnel doit savoir repérer les réponses inventées et quelles données client ne doivent pas figurer dans les prompts, ce qui limite aussi l’IA fantôme. Un ingénieur qualité qui exploite une ligne d’inspection automatisée doit comprendre les faux positifs, les faux négatifs et les effets du réglage des seuils sur leur équilibre. Les responsables qui approuvent les déploiements d’IA doivent avoir assez de connaissances pour demander comment un système a été évalué et sur quelles données.
Développer la culture de l’IA par la pratique#
La maîtrise progresse plus vite grâce à l’expérience directe d’un modèle qui se trompe, qui a raison et qui est incertain. Exécuter un modèle préentraîné de détection d’objets Ultralytics YOLO26 sur une photo avec deux seuils de confiance rend concret le compromis entre précision et rappel :
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")Avec un seuil de 0,1, le modèle détecte cinq personnes, dont une deuxième boîte de faible confiance sur le même piéton partiellement visible, ainsi qu’un « panneau stop » qui est en réalité un panneau d’interdiction de stationner. À 0,7, il conserve le bus et les trois personnes clairement visibles, mais ne détecte plus le piéton coupé par le bord gauche de l’image. La comparaison des deux images enregistrées montre que le seuil détermine le type d’erreur du système — fausses alertes ou omissions, dénombrées par une matrice de confusion — et que le bon réglage dépend du coût relatif d’un objet manqué et d’une fausse alerte dans une application donnée.
Le même exercice convient sans code aux jeunes élèves dans le cadre de l’éducation à l’IA : trier les photos qu’un modèle a correctement étiquetées de celles qu’il a mal étiquetées, puis discuter des raisons, leur donne l’habitude de se demander sur quelles preuves repose un résultat d’IA.










