IA on the job : une bibliothèque de prompts doit-elle conserver seulement les réussites ?

Une organisation qui déploie l’IA peut être tentée de constituer une bibliothèque de prompts à partir des meilleurs résultats de ses équipes. La question managériale est précise : sur quelle base déclarer une requête réutilisable lorsque seuls ses usages réussis sont conservés ?

Ce que la littérature établit

Jerker Denrell (2003, Organization Science) analyse comment la sous-représentation des échecs dans les expériences observées peut fausser l’apprentissage à partir d’autrui. Son travail théorique montre qu’une pratique peut sembler associée à la réussite parce que les situations où elle échoue restent hors du champ d’observation. Pour une bibliothèque de prompts, cela invite à distinguer un exemple réussi d’une méthode dont les conditions de réussite sont connues.

Le mécanisme qui renforce la sélection

James G. March (1991, Organization Science) modélise la tension entre l’exploitation des connaissances disponibles et l’exploration de possibilités nouvelles. Les bénéfices plus proches et plus prévisibles de l’exploitation peuvent conduire une organisation à privilégier ses pratiques établies au détriment de l’exploration. Appliqué par analogie à l’IA, ce mécanisme suggère qu’une requête très visible dans une bibliothèque pourrait être davantage réutilisée, sans que cette fréquence démontre sa supériorité.

La conclusion trop rapide

Il serait excessif d’en conclure qu’il faut renoncer aux bibliothèques de prompts ou y conserver indistinctement tous les essais. Un exemple sélectionné peut faciliter le démarrage et rendre une pratique partageable. La nuance consiste à le présenter comme une ressource valable dans certaines conditions, non comme une recette validée par sa seule présence dans le catalogue. (nos formations pour cadres et collaborateurs)

Ce que ces travaux ne permettent pas de conclure

Ces articles portent sur l’apprentissage organisationnel, non sur des évaluations de bibliothèques de prompts destinées aux modèles génératifs actuels. Ils éclairent un risque de sélection, sans en mesurer l’ampleur dans ce contexte. En pratique, une requête conservée sans ses données d’entrée, la version de l’outil et les critères d’acceptation ne permet guère de savoir si une différence de résultat vient de la requête ou de son environnement.

Une implication pratique, vérifiable à Fribourg

Dans le cadre d’« IA on the job » de SHR, un exercice à Fribourg pourrait réunir des équipes de l’agroalimentaire, de l’industrie bilingue et du pôle universitaire autour de cas fictifs ou autorisés au partage. Pour chaque prompt candidat à la bibliothèque, elles définiraient à l’avance les critères d’acceptation, puis consigneraient tous les essais sur des cas distincts, y compris les résultats rejetés ; les usages prévus en français et en allemand seraient examinés séparément. La mesure serait la proportion de résultats acceptés parmi l’ensemble des essais consignés, par famille de tâches et par langue, avec accès aux cas permettant de vérifier le calcul. Ce relevé ne prouverait pas une fiabilité générale, mais rendrait visible ce qu’une collection de seules réussites efface. Pour aller plus loin : découvrez la formation IA on the job à Fribourg, ou parcourez nos formations pour cadres et collaborateurs en Suisse.

En images : IA on the job à Fribourg

• ia on the job
• Fribourg
• recherche
• formation fribourg