Rapport éducatif Anthropic : l'indice de maîtrise de l'IA

Publié à l'origine le 23 février 2026.

Les gens intègrent les outils d'IA dans leurs routines quotidiennes à un rythme qu'il aurait été difficile de prévoir il y a encore un an. Mais l'adoption seule ne nous en dit pas beaucoup sur l'impact de ces outils. Une autre question, tout aussi importante, se pose : à mesure que l'IA s'intègre dans la vie quotidienne, les individus développent-ils les compétences nécessaires pour bien l'utiliser ?

Les précédents rapports éducatifs d'Anthropic ont étudié comment les étudiants universitaires et les enseignants utilisent Claude. Nous avons constaté que les étudiants l'utilisent pour créer des rapports et analyser des résultats de laboratoire ; les enseignants l'utilisent pour élaborer du matériel pédagogique et automatiser des tâches routinières. Mais nous savons que toute personne qui utilise l'IA est susceptible de s'améliorer dans ce qu'elle fait. Nous avons voulu approfondir cette question, et comprendre comment les personnes qui utilisent l'IA développent une « maîtrise » de cette technologie au fil du temps.

Dans ce rapport, nous commençons à répondre à cette question. Nous suivons la présence ou l'absence d'une taxonomie de comportements que nous considérons comme représentatifs de la maîtrise de l'IA, sur un large échantillon de conversations anonymisées.

Conformément à notre récent Indice économique, nous constatons que l'expression la plus courante de la maîtrise de l'IA est augmentative — traiter l'IA comme un partenaire de réflexion, plutôt que de lui déléguer entièrement le travail. En effet, ces conversations présentent plus du double du nombre de comportements de maîtrise de l'IA par rapport aux échanges rapides et brefs.

Mais nous constatons également que lorsque l'IA produit des Artefacts — y compris des applications, du code, des documents ou des outils interactifs — les utilisateurs sont moins susceptibles de remettre en question son raisonnement (-3,1 points de pourcentage) ou d'identifier un contexte manquant (-5,2 pp). Cela correspond à des tendances similaires que nous avons observées dans notre étude récente sur les compétences en programmation.

Ces premiers résultats nous fournissent une base de référence que nous pouvons utiliser pour étudier l'évolution de la maîtrise de l'IA au fil du temps.

Mesurer la maîtrise de l'IA

Pour quantifier la maîtrise de l'IA, nous utilisons le modèle des 4D pour la maîtrise de l'IA, développé par les professeurs Rick Dakan et Joseph Feller en collaboration avec Anthropic. Ce modèle nous permet de définir 24 comportements spécifiques que nous considérons comme représentatifs d'une collaboration homme-IA sûre et efficace.

Parmi ces 24 comportements, 11 (répertoriés dans le graphique ci-dessous) sont directement observables lorsque des humains interagissent avec Claude sur Claude.ai ou Claude Code. Les 13 autres (notamment le fait d'être honnête quant au rôle de l'IA dans le travail, ou de considérer les conséquences du partage d'un contenu généré par l'IA) se produisent en dehors de l'interface de conversation de Claude.ai, ce qui les rend beaucoup plus difficiles à suivre pour nous. Ces comportements non observables constituent sans doute certaines des dimensions les plus déterminantes de la maîtrise de l'IA ; nous prévoyons donc, dans de futurs travaux, d'utiliser des méthodes qualitatives pour les évaluer.

Pour cette étude, nous nous sommes concentrés sur les 11 comportements directement observables. Nous avons utilisé notre outil d'analyse préservant la confidentialité pour étudier 9 830 conversations comportant plusieurs échanges avec Claude sur Claude.ai au cours d'une fenêtre de 7 jours en janvier 2026.¹ Nous avons ensuite mesuré la présence ou l'absence des 11 comportements ; chaque conversation pouvait présenter des signes de plusieurs comportements. Nous avons évalué la fiabilité de notre échantillon en vérifiant si nos résultats étaient cohérents d'un jour de la semaine à l'autre, ainsi qu'entre les différentes langues de notre échantillon (nous avons constaté que c'était le cas).² Cela nous a finalement permis d'obtenir l'indice de maîtrise de l'IA : une mesure de référence de la manière dont les gens collaborent aujourd'hui avec l'IA, et une base pour suivre l'évolution de ces comportements au fil du temps à mesure que les modèles évoluent.



Résultats

Avec cette première étude, nous avons identifié deux grandes tendances dans l'utilisation de Claude : une forte relation entre la maîtrise de l'IA et l'itération et l'affinement au fil de conversations plus longues avec Claude, ainsi que des changements dans les comportements de maîtrise des utilisateurs lorsqu'ils programment ou créent d'autres types de contenus.

La maîtrise est fortement associée aux conversations présentant de l'itération et de l'affinement

L'une des tendances les plus marquées dans les données est la relation entre l'itération et l'affinement et tous les autres comportements de maîtrise de l'IA. 85,7 % des conversations de notre échantillon présentaient de l'itération et de l'affinement : le fait de s'appuyer sur les échanges précédents pour affiner le travail de l'utilisateur, plutôt que d'accepter la première réponse et de passer à une nouvelle tâche. Ces conversations présentaient des taux nettement plus élevés pour les autres comportements de maîtrise, comme le montre le graphique ci-dessous :



En moyenne, les conversations avec itération et affinement présentent 2,67 comportements de maîtrise supplémentaires — soit environ le double du taux de 1,33 observé sans itération. Cela est particulièrement marqué pour les comportements de maîtrise liés à l'évaluation des résultats produits par Claude. Les conversations avec itération et affinement sont 5,6 fois plus susceptibles d'impliquer des utilisateurs remettant en question le raisonnement de Claude, et 4 fois plus susceptibles de les voir identifier un contexte manquant.

Lors de la création de contenus, les utilisateurs deviennent plus directifs mais moins évaluatifs

12,3 % des conversations de notre échantillon impliquaient des Artefacts, notamment du code, des documents, des outils interactifs et d'autres types de contenus. Dans ces conversations, les utilisateurs collaboraient avec l'IA de manière assez différente.

Plus précisément, nous avons constaté des taux nettement plus élevés pour les comportements relevant des thèmes plus larges de la « description » et de la « délégation ». Par exemple, ces conversations sont plus susceptibles de voir les utilisateurs clarifier leur objectif (+14,7 pp), préciser un format (+14,5 pp), fournir des exemples (+13,4 pp) et itérer (+9,7 pp) par rapport aux conversations sans Artefacts. Autrement dit, ils font davantage d'efforts pour orienter l'IA dès le début de leur travail.

Mais cette directivité ne s'accompagne pas d'un niveau plus élevé d'évaluation ou de discernement. En réalité, c'est l'inverse : dans les conversations où des Artefacts sont créés, les utilisateurs sont moins susceptibles d'identifier un contexte manquant (-5,2 pp), de vérifier les faits (-3,7 pp), ou de remettre en question le raisonnement du modèle en lui demandant d'expliquer sa logique (-3,1 pp). Notre Indice économique constate que — sans surprise — c'est sur les tâches les plus complexes que Claude rencontre le plus de difficultés, ce qui rend ce constat particulièrement notable.



Plusieurs explications sont possibles pour ce schéma. Il se peut que Claude produise des résultats soignés et d'apparence fonctionnelle, pour lesquels il ne semble pas nécessaire de pousser plus loin la remise en question : si le travail a l'air terminé, les utilisateurs pourraient le considérer comme tel. Mais il est également possible que les conversations impliquant des Artefacts portent sur des tâches où la précision factuelle compte moins que l'esthétique ou la fonctionnalité (concevoir une interface utilisateur, par exemple, par rapport à la rédaction d'une analyse juridique). Ou encore, les utilisateurs pourraient évaluer les Artefacts par des canaux que nous ne pouvons pas observer — exécuter du code, tester une application ailleurs, partager une ébauche avec un collègue — plutôt que d'exprimer leur évaluation au sein de cette même conversation initiale.

Quelle que soit l'explication, ce schéma mérite qu'on y prête attention. À mesure que les modèles d'IA deviennent de plus en plus capables de produire des résultats d'apparence soignée, la capacité à évaluer ces résultats de manière critique, que ce soit en conversation directe ou par d'autres moyens, deviendra plus précieuse, et non moins.

Développer sa propre maîtrise de l'IA

Comme pour toute compétence, la maîtrise de l'IA est une question de degré — pour la plupart d'entre nous, il est possible de développer nos techniques bien davantage. D'après les tendances observées dans nos données, nous avons identifié trois domaines dans lesquels de nombreux utilisateurs pourraient améliorer leurs compétences :

Rester dans la conversation. L'itération et l'affinement constituent, à eux seuls, le corrélat le plus fort de tous les autres comportements de maîtrise dans nos données. Ainsi, lorsque vous obtenez une première réponse, il vaut la peine de la considérer comme un simple point de départ : posez des questions de suivi, remettez en question les éléments qui ne vous semblent pas justes, et affinez ce que vous recherchez.

Remettre en question les résultats soignés. Lorsque les modèles d'IA produisent quelque chose qui a l'air bon, c'est le moment idéal pour s'arrêter et se demander : est-ce exact ? Manque-t-il quelque chose ? Ce raisonnement tient-il la route ? Comme nous l'avons évoqué plus haut, nos données montrent que les résultats soignés coïncident avec des taux d'évaluation critique plus faibles, même si les utilisateurs font davantage d'efforts pour orienter le travail de Claude dès le départ.

Définir les termes de la collaboration. Dans seulement 30 % des conversations, les utilisateurs indiquent à Claude comment ils souhaitent qu'il interagisse avec eux. Essayez d'être explicite en ajoutant des instructions telles que : « Remets en question mes hypothèses si elles sont erronées », « Explique-moi ton raisonnement avant de me donner la réponse », ou « Dis-moi ce dont tu n'es pas certain. » Établir ces attentes dès le départ peut changer la dynamique du reste de la conversation.

Limites

Cette recherche comporte d'importantes réserves :

• Limites de l'échantillon : Notre échantillon reflète les utilisateurs de Claude.ai ayant participé à des conversations à plusieurs échanges au cours d'une seule semaine de janvier 2026. Comme nous estimons que nous en sommes encore à un stade relativement précoce de la diffusion des outils d'IA, ces utilisateurs sont probablement davantage des adopteurs précoces déjà à l'aise avec l'IA — c'est-à-dire qu'ils ne représentent peut-être pas la population plus large. Notre échantillon doit être compris comme fournissant une base de référence pour cette population, et non comme un étalon universel. Comme les données proviennent d'une seule semaine, elles ne permettent pas non plus de saisir d'éventuels effets saisonniers ou longitudinaux. Et comme l'étude se concentre sur Claude.ai, nous ne saisissons pas la manière dont les utilisateurs interagissent avec d'autres plateformes d'IA.
• Couverture partielle du modèle : Dans cette étude, nous n'avons évalué que 11 des 24 indicateurs comportementaux directement observables dans les conversations sur Claude.ai. Tous les comportements liés à l'utilisation responsable et éthique des résultats de l'IA se produisent en dehors de ces conversations et ne sont donc pas saisis.
• Classification binaire : Pour chaque conversation de notre échantillon, nous classons chaque comportement comme présent ou absent. Mais cela passe probablement à côté de nuances importantes — comme des manifestations discutables ou partielles des comportements, ou des signaux qui se chevauchent entre eux.
• Comportements implicites : Les utilisateurs peuvent manifester des comportements de maîtrise mentalement (par exemple en vérifiant les affirmations de Claude par rapport à leurs propres connaissances) sans exprimer ces comportements dans la conversation. Cela semble particulièrement pertinent pour nos données sur les Artefacts — les utilisateurs pourraient évaluer les résultats de Claude par des tests et un usage pratique, plutôt que par des comportements visibles dans la conversation.
• Résultats corrélationnels : Les relations que nous identifions sont de nature corrélationnelle. Nous ne savons pas si un comportement provoque un autre, ou si les deux reflètent un facteur sous-jacent commun, comme la complexité de la tâche ou les préférences de l'utilisateur.

Perspectives

Cette étude nous offre une base de référence que nous pouvons utiliser pour évaluer l'évolution de la maîtrise de l'IA au fil du temps. À mesure que les capacités de l'IA évoluent et que l'adoption augmente, nous cherchons à savoir si les utilisateurs développent des comportements plus sophistiqués, quelles compétences émergent naturellement avec l'expérience, et lesquelles nécessiteront un développement plus intentionnel.

Dans de futurs travaux, nous prévoyons d'étendre notre analyse dans plusieurs directions. Premièrement, nous prévoyons de mener des « analyses de cohortes », comparant les nouveaux utilisateurs aux utilisateurs expérimentés afin de comprendre comment la familiarité avec l'IA est corrélée au développement de la maîtrise. Deuxièmement, nous prévoyons d'utiliser des méthodes de recherche qualitative pour évaluer les comportements qui ne sont pas directement observables dans les conversations sur Claude.ai. Et troisièmement, nous visons à explorer les questions causales que ce travail soulève — par exemple, si le fait d'encourager des conversations itératives conduit à une évaluation critique plus poussée, ou s'il existe d'autres interventions qui pourraient encourager cela plus efficacement.

Par ailleurs, nous aimerions explorer les comportements de maîtrise de l'IA dans Claude Code, une plateforme principalement utilisée par les développeurs de logiciels. En préparation de cette étude, nous avons mené une première analyse qui a révélé une cohérence entre les conversations sur Claude Code et celles sur Claude.ai. Mais cela reste préliminaire, et la base d'utilisateurs et les fonctionnalités très différentes de Claude Code impliquent qu'une recherche plus approfondie est nécessaire.

Nous nous attendons à ce que la nature de la maîtrise de l'IA se développe et évolue considérablement au fil du temps. Avec cette recherche et les suivantes, nous visons à rendre ce développement visible, mesurable et exploitable.

Bibtex

Si vous souhaitez citer cet article, vous pouvez utiliser la clé Bibtex suivante :

@online{swanson2026aifluency,
author = {Kristen Swanson and Drew Bent and Zoe Ludwig and Rick Dakan and Joe Feller},
title = {Anthropic Education Report: The AI Fluency Index},
date = {2026-02-23},
year = {2026},
url = {https://academy.claude.com/tutorials/the-ai-fluency-index},
}

Remerciements

Kristen Swanson a conçu la recherche, dirigé l'analyse et rédigé ce rapport. Zoe Ludwig et Drew Bent ont contribué à l'alignement du modèle, à la communication et à la relecture. Le modèle des 4D pour la maîtrise de l'IA a été développé par Rick Dakan et Joe Feller. Zack Lee a fourni un soutien technique. Hanah Ho a contribué à la visualisation des données. Keir Bradwell, Rebecca Hiscott, Ryan Donegan et Sarah Pollack ont assuré la relecture et l'orientation des communications.

Notes de bas de page

1. Lorsqu'on étudie la manière dont les gens utilisent les modèles d'IA, la protection de la vie privée des utilisateurs est primordiale. Pour ce projet, nous avons utilisé notre outil d'analyse préservant la confidentialité, qui permet une découverte ascendante des schémas d'utilisation de l'IA en distillant les conversations des utilisateurs en résumés d'utilisation de haut niveau, tels que « résoudre un problème de code » ou « expliquer des concepts économiques ». Pour cette analyse, nous avons exécuté 11 classificateurs binaires distincts (un par indicateur comportemental) en utilisant Claude Sonnet 4 pour la classification comportementale et Claude Haiku 3.5 pour la détection de la langue. Cela signifie qu'une seule conversation pouvait révéler plusieurs indicateurs comportementaux de maîtrise de l'IA. Les conversations ont été filtrées pour ne retenir que les échanges substantiels comportant plusieurs allers-retours, à l'aide d'un filtre excluant les salutations, les échanges d'un seul mot, les messages de test et les simples bavardages. Un examen manuel de 200 conversations écartées par ce filtre a montré que des échanges de cette nature ne correspondaient à aucun indicateur de maîtrise de l'IA ; nous sommes donc confiants que ce filtre n'a pas influencé le classement relatif des comportements de maîtrise de l'IA observés dans l'étude. Aucune information personnellement identifiable n'apparaît dans l'analyse.
2. Les indicateurs comportementaux ont été calculés sur un échantillon d'une semaine (du 20 au 26 janvier 2026) et sont restés stables d'un jour à l'autre, la plupart des comportements ne variant que de 1 à 5 points de pourcentage. Les taux du samedi étaient légèrement plus faibles pour certains comportements (par exemple, l'itération et l'affinement atteignaient 81,4 % le samedi, contre un pic de 87,9 % en semaine), ce qui suggère des différences modestes entre usage occasionnel et usage intentionnel, mais aucun jour n'a présenté d'écart structurel significatif. Les taux étaient également cohérents dans les six langues étudiées (anglais, français, espagnol, chinois, japonais et allemand), la plupart des comportements ne variant que de 3 points de pourcentage ou moins d'un groupe linguistique à l'autre. Ensemble, ces résultats suggèrent que les schémas comportementaux observés ici reflètent des habitudes cohérentes dans la manière dont les gens interagissent avec l'IA, plutôt que d'être de simples artefacts liés au moment, au jour de la semaine, ou au contexte linguistique et culturel.