IA on the job : chercher une cause ou confirmer un diagnostic ?
Face à un écart de qualité ou à un retard de production, un assistant peut rapidement proposer une explication cohérente avec le diagnostic du responsable. La question utile est de savoir comment utiliser cette proposition pour départager des causes possibles, plutôt que pour conforter celle qui paraît déjà évidente.
Ce que la littérature établit
Peter Cathcart Wason (1960, Quarterly Journal of Experimental Psychology) a étudié la manière dont des participants recherchent une règle à partir de suites de nombres. Dans cette tâche, les participants éprouvaient des difficultés à choisir des tests susceptibles d’écarter leur hypothèse, plutôt que des exemples compatibles avec elle. Le résultat éclaire une difficulté du diagnostic : accumuler des observations concordantes ne suffit pas à distinguer son explication de ses concurrentes.
Une explication qui organise la recherche
Raymond Scott Nickerson (1998, Review of General Psychology) rassemble des travaux sur la tendance à rechercher ou à interpréter les éléments disponibles en faveur d’une croyance ou d’une hypothèse préalable. Le mécanisme ne concerne donc pas seulement la conclusion retenue, mais aussi les informations que l’on décide de recueillir. Appliqué à un échange avec l’IA, il invite à examiner la demande initiale : demander pourquoi un réglage a provoqué un défaut n’est pas demander si ce réglage en est la cause.
La conclusion trop rapide
On pourrait en déduire qu’il suffit de demander à l’assistant une liste de causes alternatives. Mais plusieurs explications peuvent rester compatibles avec les mêmes observations, sans que leur énumération fasse avancer l’enquête. L’enjeu est de définir une vérification dont les résultats attendus diffèrent selon les hypothèses, puis de confronter celles-ci au terrain. (nos formations pour cadres et collaborateurs)
Ce que ces travaux ne démontrent pas
Ces publications ne portent pas sur les assistants génératifs et ne démontrent pas que leur utilisation renforce systématiquement le biais de confirmation. Une tâche expérimentale de découverte de règle et une revue de littérature ne permettent pas non plus de chiffrer un effet dans un atelier. Dans le programme « IA on the job », elles peuvent fonder un exercice de diagnostic, mais pas une promesse de réduction des erreurs.
Une implication pratique, vérifiable à Fribourg
Dans une entreprise agroalimentaire du tissu industriel bilingue fribourgeois, un exercice du programme pourrait porter sur des écarts de qualité anonymisés, éventuellement avec un partenaire du pôle universitaire pour discuter le protocole. Pendant deux semaines, chaque diagnostic travaillé avec l’IA serait accompagné de deux causes plausibles et d’une vérification autorisée dont les résultats attendus permettraient de les départager, formulées en français et en allemand si nécessaire. La mesure serait la proportion de dossiers pour lesquels cette vérification a effectivement été réalisée et son résultat comparé aux attentes, sur l’ensemble des dossiers examinés pendant l’exercice. Ce rapport mesurerait une discipline d’enquête, non l’exactitude de l’IA ni une amélioration déjà démontrée de la qualité. 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