Ce guide est conçu pour être utilisé avec le Rapport Anthropic sur l'éducation : l'AI Fluency Index(s’ouvre dans un nouvel onglet). Il convient aux équipes de toute taille, que vous soyez un groupe de direction explorant le développement des compétences en IA, une équipe pédagogique discutant des implications pour votre établissement, ou une communauté d'apprentissage professionnelle réfléchissant à la façon dont vous collaborez avec l'IA au travail.
Donnons le ton
Chaque section ci-dessous comprend un bref résumé d'un sujet clé, suivi de questions de discussion. Vous n'avez pas besoin de couvrir chaque section ou chaque question. Choisissez ce qui est le plus pertinent pour votre groupe.
Format suggéré :
- Prévoyez 45 à 60 minutes pour une discussion ciblée.
- Demandez aux participants de lire ou de parcourir le rapport(s’ouvre dans un nouvel onglet) au préalable.
- Sélectionnez 2 à 3 sections de discussion et une activité optionnelle.
Sujet 1 : Ce que votre équipe fait déjà bien
Les données montrent que la plupart des personnes font déjà preuve naturellement d'un certain nombre de comportements de fluency. Environ 86 % des conversations incluent de l'itération et du raffinement. Environ la moitié inclut une clarification des objectifs. Environ 41 % incluent des exemples de ce à quoi ressemble un bon résultat. Ce sont de véritables compétences, et il est probable que de nombreuses personnes de votre équipe les mettent déjà en pratique.
Questions de discussion
1. En examinant le graphique de prévalence comportementale dans le rapport, quels comportements de fluency pensez-vous être les plus forts au sein de votre équipe ? Lesquels pensez-vous être les plus faibles ?
2. Le comportement le plus courant est l'itération et le raffinement. Lorsque vous pensez à la façon dont votre équipe utilise l'IA, les personnes ont-elles tendance à itérer et à remettre en question les réponses initiales, ou à accepter le premier résultat ? Qu'est-ce qui motive ce comportement ?
Sujet 2 : L'effet d'itération
L'itération et le raffinement constituent le corrélat le plus fort de tous les autres comportements de fluency dans les données. Les conversations avec itération présentent des taux nettement plus élevés dans tous les domaines : +23,6 points de pourcentage pour la clarification des objectifs, +22,6 points de pourcentage pour la fourniture d'exemples, +17,1 points de pourcentage pour l'identification du contexte manquant, +16,3 points de pourcentage pour la spécification du format, et +14,7 points de pourcentage pour la remise en question du raisonnement.
Questions de discussion
1. Le rapport montre que l'itération est corrélée à davantage de comportements de fluency, mais ne peut pas encore prouver la causalité. Qu'est-ce qui, selon vous, explique cette relation ? Pourrait-il s'agir du fait que les tâches plus complexes nécessitent naturellement à la fois plus d'itération et plus de compétences de fluency ?
2. Quels obstacles pourraient empêcher les personnes de votre équipe d'itérer ? Pensez à la pression temporelle, à l'effort perçu, à l'incertitude quant à ce qu'il faut demander ensuite, ou simplement au fait de ne pas savoir que l'itération est précieuse.
3. Si vous deviez concevoir une norme ou une pratique d'équipe pour encourager davantage l'itération, à quoi ressemblerait-elle ? À quoi ressemblerait un « bon » message de suivi par rapport à un message moins efficace ?
Sujet 3 : L'effet d'artefact
Lorsque l'IA produit des résultats soignés, les utilisateurs investissent davantage d'efforts pour orienter le travail en amont, mais deviennent moins susceptibles d'évaluer ce qu'ils reçoivent en retour. Le rapport appelle cela l'effet d'artefact.
Les données montrent des taux plus élevés de comportements directifs dans les conversations avec artefacts : +14,7 points de pourcentage pour la clarification des objectifs, +14,5 points de pourcentage pour la spécification du format, +13,4 points de pourcentage pour la fourniture d'exemples, et +9,7 points de pourcentage pour l'itération. Mais les trois comportements de discernement diminuent tous : -3,1 points de pourcentage pour la remise en question du raisonnement, -3,7 points de pourcentage pour la vérification des faits, et -5,2 points de pourcentage pour l'identification du contexte manquant.
Le rapport propose plusieurs explications possibles, car ces données sont corrélatives et non causales. Des résultats soignés peuvent signaler « terminé » même lorsqu'ils ne devraient pas. Les tâches liées aux artefacts peuvent impliquer moins de précision factuelle que d'autres travaux. Ou bien les utilisateurs évaluent peut-être les résultats par d'autres canaux, comme l'exécution de code ou le partage de brouillons avec des collègues, plutôt qu'au sein de la conversation elle-même.
Questions de discussion
1. Avez-vous déjà accepté un résultat généré par l'IA parce qu'il semblait soigné, pour découvrir des problèmes plus tard ? Que s'est-il passé ?
2. Le rapport note que les utilisateurs peuvent évaluer les artefacts en dehors de la conversation. Dans l'expérience de votre équipe, où se déroule réellement l'évaluation des résultats de l'IA ? Est-ce dans la conversation, ou après ?
3. Le rapport soutient que, à mesure que les modèles d'IA produisent des résultats d'apparence de plus en plus soignée, la capacité à évaluer ces résultats de manière critique deviendra plus précieuse. Qu'est-ce qui aiderait les personnes de votre équipe à garder un œil critique lorsque les résultats semblent finalisés ?
Sujet 4 : Cultiver l'AI fluency au sein de votre organisation
La recherche met en évidence trois domaines dans lesquels de nombreux utilisateurs pourraient renforcer leurs compétences : rester dans la conversation (itérer), remettre en question les résultats soignés, et définir les termes de la collaboration.
Questions de discussion
1. Parmi les trois recommandations du rapport (itérer davantage, remettre en question les résultats soignés, définir les termes de la collaboration), laquelle vous semble la plus réalisable pour votre équipe en ce moment ? Laquelle serait la plus difficile à adopter, et pourquoi ?
2. Le rapport suggère d'indiquer à l'IA comment vous souhaitez qu'elle interagisse avec vous, avec des instructions telles que « remets en question mes hypothèses si elles sont erronées » ou « dis-moi ce dont tu n'es pas certain ». Quelqu'un dans votre équipe a-t-il essayé cela ? Quelle différence cela a-t-il fait ?
3. À quoi ressemble l'approche actuelle de votre organisation en matière de développement des compétences en IA ? S'agit-il de formation formelle, d'apprentissage entre pairs, d'essais et d'erreurs, ou d'autre chose ? Dans quelle mesure cela fonctionne-t-il bien ?
4. Si vous pouviez vous concentrer sur le développement d'une seule compétence en AI fluency au sein de votre organisation au cours du prochain trimestre, laquelle serait-ce ? Quelle serait une étape concrète que vous pourriez entreprendre pour commencer ?
Activités optionnelles
Ces exercices pratiques permettent de prolonger la discussion dans la pratique. Choisissez-en un en fonction des intérêts de votre groupe et du temps disponible.
Le défi de l'itération (15 minutes)
Chaque participant ouvre une conversation avec Claude sur une tâche pertinente pour son travail. Après avoir reçu la première réponse, il doit envoyer au moins trois messages de suivi qui affinent, remettent en question ou réorientent la réponse avant de considérer le résultat comme terminé. Ensuite, discutez : comment le résultat a-t-il évolué ? Qu'auriez-vous manqué si vous vous étiez arrêté à la première réponse ?
Repérer la lacune (15 minutes)
Demandez à Claude de générer un artefact (un document, un extrait de code, une analyse) sur un sujet que votre groupe connaît bien. Examinez le résultat ensemble et identifiez ce qui semble correct mais pourrait être erroné, ce qui manque, et quelles hypothèses n'ont pas été vérifiées. Utilisez cela pour ancrer la discussion sur les compétences d'évaluation.
Définir les termes (10 minutes)
Chaque participant rédige un court « préambule de collaboration » qu'il utiliserait au début de conversations importantes avec l'IA : comment il souhaite que le modèle interagisse avec lui, quel type de remise en question il souhaite, ce qu'il attend du modèle qu'il signale. Partagez et comparez les approches au sein du groupe.
Pour aller plus loin
Ces ressources fournissent un contexte supplémentaire pour les conclusions de l'AI Fluency Index.
- Le 4D AI Fluency Framework(s’ouvre dans un nouvel onglet), développé par Rick Dakan et Joe Feller en collaboration avec Anthropic, définit les 24 indicateurs comportementaux qui sous-tendent cette recherche.
- La recherche d'Anthropic sur les compétences de codage(s’ouvre dans un nouvel onglet) examine les schémas d'interaction des développeurs avec l'IA lors de l'écriture et de la révision de code.
- Les précédents rapports Anthropic sur l'éducation concernant les étudiants universitaires(s’ouvre dans un nouvel onglet) et les éducateurs(s’ouvre dans un nouvel onglet) fournissent un contexte sur la façon dont des populations spécifiques utilisent l'IA.
Ce guide de discussion accompagne le Rapport Anthropic sur l'éducation : l'AI Fluency Index (2026)(s’ouvre dans un nouvel onglet). Il a été créé par l'AI Fluency Program d'Anthropic pour aider les dirigeants, les éducateurs et les équipes à donner du sens aux conclusions du rapport et à cultiver une AI fluency plus forte au sein de leurs organisations.