IA on the job : corriger une réponse suffit-il à corriger ses effets ?
Un assistant peut produire une explication erronée, ensuite rectifiée, mais déjà reprise dans le raisonnement d’une équipe. La question utile est précise : lorsqu’une réponse de l’IA a circulé, comment vérifier que sa correction modifie aussi les conclusions qui en dépendent ?
Ce que la littérature établit
Hollyn M. Johnson et Colleen M. Seifert (1994, Journal of Experimental Psychology: Learning, Memory, and Cognition) ont étudié la persistance de l’influence d’une information après sa rétractation. Dans leurs expériences, une information initiale pouvait encore alimenter des inférences alors même que les participants avaient reçu une correction. Retirer une affirmation et supprimer son influence sur le raisonnement sont donc deux opérations distinctes.
Le vide explicatif laissé par la correction
Stephan Lewandowsky, Ullrich K. H. Ecker, Colleen M. Seifert, Norbert Schwarz et John Cook (2012, Psychological Science in the Public Interest) synthétisent les recherches sur la désinformation et sa correction. Leur revue souligne notamment la difficulté de renoncer à une explication lorsqu’aucune autre ne vient rendre l’événement intelligible. Une correction peut ainsi être plus utile lorsqu’elle fournit une explication alternative étayée, plutôt que de signaler seulement que l’énoncé précédent était faux.
La conclusion trop rapide
On pourrait en déduire qu’il suffit de demander à l’IA une nouvelle explication pour annuler la première. Ce serait confondre un mécanisme cognitif avec une garantie de fiabilité : une explication de remplacement doit elle-même être vérifiée. Lorsque la cause reste inconnue, mieux vaut expliciter cette incertitude et réexaminer les conclusions concernées que fabriquer une continuité narrative. (nos formations pour cadres et collaborateurs)
Ce que ces travaux ne démontrent pas
Ces publications ne testent pas les assistants génératifs dans des équipes professionnelles bâloises. Elles ne permettent d’estimer ni la fréquence de cette persistance au travail, ni son ampleur dans des activités réglementées. Elles justifient toutefois une distinction opérationnelle : constater qu’un document a été corrigé ne prouve pas que les raisonnements issus de sa première version ont été révisés.
Une implication pratique, vérifiable à Bâle
Dans un atelier « IA on the job » de SHR à Bâle, on peut proposer un cas fictif reliant pharma, sciences de la vie, logistique rhénane et R&D internationale : une synthèse assistée attribue à tort le retard d’un échantillon à une restriction de transport. Après une correction étayée par les pièces du cas, demander individuellement aux participants de reformuler leur explication du retard et leur recommandation, sans accès à leur première réponse. Mesurer la proportion de réponses qui utilisent encore la restriction invalidée comme prémisse, avec une grille définie avant l’exercice et une comparaison aux réponses initiales. Ce relevé ne mesure pas un gain de productivité ; il vérifie si la correction a effectivement atteint le raisonnement, plutôt que le seul document. Pour aller plus loin : découvrez la formation IA on the job à Bâle, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : IA on the job à Bâle
- ia on the job
- Bâle
- recherche
- formation bâle