Intelligence artificielle
Famille de techniques permettant à des machines de produire des résultats qui ressemblent à des tâches cognitives : classer, prédire, générer, recommander.
Comprendre l’IA
Des repères simples pour questionner les systèmes d’intelligence artificielle
Il n’existe pas une IA abstraite : il existe des systèmes conçus pour une finalité, alimentés par des données et intégrés à une organisation du travail.
01 · Les bases
Qu’est-ce qu’un système d’IA ?
Un système d’intelligence artificielle (SIA) assemble des données, un ou plusieurs modèles, une interface, des règles d’utilisation et des décisions humaines afin de produire des prédictions, recommandations, classements ou contenus.
Machine learning
Apprentissage à partir de données : le système ajuste un modèle pour repérer des régularités et produire un résultat sur de nouveaux cas.
Deep learning
Réseaux de neurones profonds utilisés pour traiter images, sons, textes ou séries complexes, avec une explicabilité parfois limitée.
IA générative
Systèmes capables de produire du texte, des images, du code, des sons ou des vidéos à partir de consignes.
LLM
Grands modèles de langage, utiles pour rédiger, reformuler, synthétiser ou dialoguer, mais sujets aux erreurs et inventions.
Systèmes experts
Outils construits sur des règles explicites, souvent utiles pour guider un diagnostic ou appliquer une procédure.
NLP
Traitement automatique du langage : analyse de verbatims, classification de mails, assistants textuels ou recherche documentaire.
Robotique intelligente
Systèmes physiques couplés à des capteurs, modèles de perception et décisions automatisées dans l'environnement de travail.
02 · Usages
IA générative et interactions humains-machines
Ce que produit l’IA générative
Du texte, des images, du code, du son ou des synthèses à partir d’une consigne. Elle calcule une sortie probable à partir de modèles et de données ; elle ne garantit ni la vérité ni la pertinence métier.
Ce qui change dans le travail
La répartition entre production, contrôle et validation évolue. La charge peut se déplacer vers la vérification, la reprise d’erreurs, la rédaction de consignes ou la gestion des cas limites.
Autonomie apparente
Le système peut recommander, classer ou déclencher des actions sans que l'utilisateur voie toutes les règles.
Adaptabilité
Les résultats évoluent avec les données, les versions de modèles et les réglages.
Opacité
Les chaînes de décision peuvent être difficiles à expliquer, surtout avec des modèles complexes.
Interaction avec l'environnement
Un système IA modifie les tâches, les priorités, les flux d'information et parfois l'évaluation du travail.
Management algorithmique
La planification, le scoring, le contrôle ou l'allocation des tâches peuvent devenir automatisés.
03 · Vigilance
Limites, biais et contrôle humain
| Limite | Effet possible | Question à poser |
|---|---|---|
| Données incomplètes ou biaisées | Résultats défavorables à certains métiers ou publics | Sur quelles données et quelles populations le système a-t-il été testé ? |
| Résultat probable | Réponse plausible mais fausse ou hors contexte | Qui vérifie le résultat et selon quels critères ? |
| Opacité | Difficulté à expliquer une recommandation | Quelles informations sont accessibles aux utilisateurs et aux personnes concernées ? |
| Évolution du système | Changement de comportement après mise à jour | Quels événements déclenchent une nouvelle évaluation ? |
04 · Travail
Pourquoi cela concerne le dialogue social
Rendre visible
Nommer les systèmes déjà utilisés, leur finalité, leurs données et les décisions qu’ils influencent.
Discuter le travail réel
Observer les effets sur la charge, la qualité, les coopérations et les marges de manœuvre.
Organiser le suivi
Définir les indicateurs, les retours utilisateurs, les incidents et les moments de réexamen.
05 · Vue d’ensemble
Les grands enjeux
Éthique
Les systèmes d'IA peuvent reproduire ou amplifier des biais, rendre les responsabilités floues et réduire l'autonomie humaine.
Question centrale
Quels biais ont été testés et sur quels jeux de données ?
Leviers
- Tests de biais réguliers
- Droit à une revue humaine
- Documentation des critères
Sources à consulter : CNIL, DIAL-IA, AI Act.
Emploi
L'IA transforme les tâches avant de transformer les emplois : automatisation, augmentation, recomposition et nouveaux besoins de compétences.
Question centrale
Quelles tâches sont automatisées, augmentées ou supprimées ?
Leviers
- Cartographie des tâches
- GEPP
- Formation certifiante
Sources à consulter : LaborIA, ANACT, DIAL-IA.
Travail
Un projet IA peut intensifier le travail, modifier les marges de manœuvre, renforcer la surveillance ou altérer le sens du métier.
Question centrale
Comment le travail réel a-t-il été observé ?
Leviers
- Diagnostic terrain
- Pilote encadré
- CSSCT
Sources à consulter : ANACT, LaborIA, DUERP.
Environnement
Les usages IA mobilisent énergie, eau, infrastructures et terminaux. La sobriété doit être discutée dès le besoin.
Question centrale
Le besoin justifie-t-il une IA ou une solution plus simple suffit-elle ?
Leviers
- Analyse du besoin
- Sobriété par défaut
- Choix d'hébergement
Sources à consulter : compar:IA, ANACT.
Droit
RGPD, AI Act, propriété intellectuelle, information-consultation et responsabilité imposent une gouvernance documentée.
Question centrale
Quelle base légale pour les traitements de données personnelles ?
Leviers
- AIPD si nécessaire
- DPO associé
- Registre IA
Sources à consulter : CNIL, EUR-Lex, Légifrance.
Économie
La création de valeur par l'IA soulève des questions de souveraineté, dépendance fournisseur, partage de la valeur et investissement formation.
Question centrale
Quel gain attendu et comment est-il mesuré ?
Leviers
- Clauses contractuelles
- Évaluation coût complet
- Partage de la valeur
Sources à consulter : SeCoIA Deal, DIAL-IA.
06 · Mots utiles
Lexique
Agentique
Capacité d'un système IA à enchaîner plusieurs actions pour atteindre un objectif, parfois avec appels à des outils ou à des services.
- Exemple au travail
- Un assistant qui lit une demande client, recherche des informations, prépare une réponse et crée une tâche de suivi.
- Question à poser
- Quelles actions l'agent peut-il déclencher seul, avec quelle validation humaine et quelle traçabilité ?
Algorithme
Suite d'instructions permettant de transformer des données en résultat, recommandation, classement ou décision.
- Exemple au travail
- Un outil qui trie des candidatures selon des critères pondérés.
- Question à poser
- Quels critères sont utilisés et peuvent-ils être contestés ou corrigés ?
Apprentissage automatique
Méthode où un modèle apprend des régularités à partir de données plutôt que d'être programmé règle par règle.
- Exemple au travail
- Prévoir les demandes de support à partir de l'historique des tickets.
- Question à poser
- Les données d'apprentissage représentent-elles réellement le travail et les publics concernés ?
Deep Learning
Famille d'apprentissage automatique utilisant des réseaux de neurones avec plusieurs couches pour traiter des données complexes.
- Exemple au travail
- Reconnaissance d'images de défauts sur une chaîne de production.
- Question à poser
- Comment expliquer les erreurs et organiser une revue humaine en cas d'incertitude ?
Biais
Écart systématique qui peut produire des résultats injustes, incomplets ou discriminatoires.
- Exemple au travail
- Un score RH défavorisant certains parcours parce que les données historiques reflètent des pratiques passées.
- Question à poser
- Quels tests de biais sont prévus avant et après le déploiement ?
Données d'entraînement
Données utilisées pour apprendre au modèle à produire des prédictions, recommandations ou contenus.
- Exemple au travail
- Documents internes, tickets clients, fiches métier ou textes publics utilisés pour entraîner ou adapter un modèle.
- Question à poser
- Quelle est l'origine des données et contient-elle des données personnelles ou confidentielles ?
Entraînement
Phase pendant laquelle un modèle ajuste ses paramètres à partir de données pour améliorer ses résultats.
- Exemple au travail
- Adapter un modèle de classification aux catégories de dossiers d'une entreprise.
- Question à poser
- Qui pilote l'entraînement et quelles données sont exclues pour protéger les salariés ?
Fine-tuning
Adaptation d'un modèle existant à un contexte particulier grâce à un jeu de données spécialisé.
- Exemple au travail
- Spécialiser un modèle sur le vocabulaire d'une branche ou d'une administration.
- Question à poser
- Le fine-tuning crée-t-il un risque de fuite de savoir-faire ou de données sensibles ?
Inférence
Moment où un modèle déjà entraîné produit une sortie à partir d'une nouvelle entrée.
- Exemple au travail
- Générer une réponse à partir d'un prompt ou attribuer un score à une demande.
- Question à poser
- Les résultats d'inférence sont-ils conservés, audités ou réutilisés pour entraîner le modèle ?
LLM
Grand modèle de langage capable de produire, transformer ou résumer du texte à partir de probabilités apprises.
- Exemple au travail
- Assistant d'écriture pour comptes rendus, synthèses, mails ou supports de formation.
- Question à poser
- Quel modèle est utilisé, où sont traitées les données et quelles limites sont documentées ?
Modèle
Composant mathématique entraîné pour produire une prédiction, une recommandation, un classement ou un contenu.
- Exemple au travail
- Modèle qui prédit la probabilité de départ d'un salarié ou le délai de traitement d'un dossier.
- Question à poser
- Le modèle sert-il à aider une décision ou à automatiser une décision ?
Prompt
Consigne donnée à un système d'IA générative pour orienter sa réponse.
- Exemple au travail
- Demander à un outil de résumer un projet d'accord et de lister les points de vigilance.
- Question à poser
- Quelles informations ne doivent jamais être saisies dans les prompts ?
RAG
Technique qui combine un modèle génératif avec une base documentaire afin de produire des réponses appuyées sur des sources.
- Exemple au travail
- Assistant interne répondant à partir de procédures RH ou de documentation métier.
- Question à poser
- Quelles sources sont indexées, à quelle fréquence et avec quels droits d'accès ?
Réseau de neurones
Architecture de calcul inspirée de couches de fonctions connectées, utilisée dans de nombreux modèles d'IA.
- Exemple au travail
- Classer automatiquement des images, sons ou textes selon des motifs détectés.
- Question à poser
- La complexité du modèle rend-elle les résultats difficiles à expliquer aux utilisateurs concernés ?
Surapprentissage
Situation où un modèle fonctionne très bien sur ses données d'entraînement mais se généralise mal à des cas nouveaux.
- Exemple au travail
- Outil de prévision performant sur un ancien service mais peu fiable après réorganisation.
- Question à poser
- Quels tests sont prévus sur des situations réelles et variées avant généralisation ?
NLP
Traitement automatique du langage naturel : analyse, génération ou transformation de textes et conversations.
- Exemple au travail
- Classer des mails entrants, analyser des verbatims ou assister un centre de relation client.
- Question à poser
- Les salariés peuvent-ils corriger les interprétations erronées et signaler les cas limites ?
Validation
Ensemble de tests permettant de vérifier qu'un système IA atteint ses objectifs sans créer de risques excessifs.
- Exemple au travail
- Tester la précision, les biais, la robustesse, l'ergonomie et l'effet sur les conditions de travail.
- Question à poser
- Qui valide le système : métiers, DSI, RH, DPO, élus, utilisateurs et CSSCT ?
Sources de cette synthèse
- Guide CFE-CGC des IA 2026 — document local, conditions de réutilisation à confirmer avant republication.
- DIAL-IA — ressources sur le dialogue social et les impacts de l’IA.
- ANACT — projet DIAL-IA.
- CNIL — intelligence artificielle.
- LaborIA.