La formation en IA au Canada : ce que les organisations devraient vraiment enseigner

Points clés

Maîtriser les outils est la partie facile. La compétence qui compte vraiment, c’est le jugement : vérifier les résultats, superviser le travail de l’IA et savoir quand ne pas y recourir.
Formez selon les rôles. Les dirigeants, les gestionnaires et les équipes des affaires juridiques, des finances, des RH, des ventes, des opérations et des TI utilisent l’IA différemment et ne courent pas les mêmes risques.
Au Canada, un usage responsable suppose de comprendre comment les obligations en matière de protection de la vie privée s’appliquent aux outils que les gens utilisent réellement, et non de mémoriser une politique en PDF.
Mesurez si la formation a changé le travail : ce que les gens font différemment dans leurs flux de travail réels, et non le nombre de personnes ayant terminé un cours.

Dans la plupart des organisations canadiennes, des employés utilisent déjà l’IA au travail. Certains se servent d’outils approuvés. D’autres, de ce qui est ouvert dans un onglet de leur navigateur. Rares sont les organisations qui partagent une même compréhension de ce qu’est un bon usage, des risques en jeu ou de la place que l’IA devrait occuper dans le travail réel de chaque équipe. C’est précisément cet écart que la formation en IA devrait combler.

Le problème, c’est qu’une bonne part de la formation en IA offerte en entreprise n’enseigne pas la bonne chose. Les cours génériques et les certificats apprennent aux gens à utiliser des outils; ils changent rarement les flux de travail. On peut terminer un module sur la rédaction de requêtes et retourner à son bureau sans savoir plus clairement quelles tâches confier à l’IA, comment vérifier son travail ou ce que l’organisation attend de sa part. Ce guide présente ce que les organisations devraient vraiment enseigner, et comment savoir si cela a fonctionné.

Les compétences techniques sont nécessaires. Le jugement est l’essentiel.

La littératie en IA commence par les bases : ce que les systèmes d’IA actuels font bien et moins bien, comment donner des instructions claires, comment fournir du contexte et comment améliorer un résultat par itérations. Ces compétences comptent, et elles s’acquièrent rapidement. Mais ce n’est pas là que se trouve l’essentiel de la valeur, ni l’essentiel du risque.

Les capacités plus exigeantes, et plus durables, relèvent du jugement :

La vérification. Savoir confronter un résultat produit par l’IA à une source fiable, repérer les erreurs affirmées avec assurance et reconnaître quand une affirmation doit être appuyée par une source avant d’aller plus loin.
La supervision. Traiter ce que produit l’IA comme un travail à réviser, et non comme une réponse à accepter. À mesure que l’IA prend en charge des tâches en plusieurs étapes, les gens jouent de plus en plus le rôle de réviseurs, de correcteurs et d’approbateurs.
Savoir quand ne pas utiliser l’IA. Certaines tâches mettent en jeu des renseignements qui ne devraient pas être saisis dans un outil donné. Certaines décisions exigent qu’une personne en porte la responsabilité. Certains travaux se font plus vite directement. Une bonne formation rend ces limites concrètes.
Bien cerner le problème. La qualité du travail de l’IA dépend largement de la clarté avec laquelle une personne définit la tâche, le public, les contraintes et ce à quoi ressemble un bon résultat.

Une organisation dont les employés font preuve d’un solide jugement, même avec des compétences moyennes en rédaction de requêtes, obtiendra de meilleurs résultats qu’une organisation où c’est l’inverse.

Former selon les rôles, pas selon l’effectif

La formation en IA destinée aux employés ne devrait pas être un programme unique, offert de la même façon à tout le monde. Un socle commun est utile, mais ce qui rapporte vraiment est propre à chaque rôle, parce que chaque fonction utilise l’IA pour un travail différent et comporte des risques différents.

Rôle	Ce sur quoi la formation devrait porter
Dirigeants	Les endroits où l’IA crée de la valeur pour l’entreprise, ce qu’il en coûte pour bien l’exploiter, la façon de fixer l’orientation et la tolérance au risque, et l’art de poser les bonnes questions aux fournisseurs et aux équipes internes.
Gestionnaires	La refonte du travail d’équipe, l’établissement d’attentes quant à l’usage de l’IA, la révision du travail produit avec l’aide de l’IA et l’accompagnement des personnes dont le rôle évolue.
Affaires juridiques	L’aide à la recherche et à la rédaction assortie d’une vérification rigoureuse, les limites liées à la confidentialité et l’évaluation de l’usage de l’IA ailleurs dans l’organisation.
Finances	L’aide à l’analyse et à la production de rapports, le rapprochement des résultats de l’IA avec les systèmes sources et les contrôles sur les chiffres qui sortent de l’équipe.
RH et gestion des personnes	Le traitement prudent des renseignements personnels, la prévention des décisions sur des personnes prises par l’IA sans supervision adéquate et le soutien à la transformation de la main-d’œuvre.
Ventes	La recherche sur les comptes, la rédaction de propositions, les communications avec la clientèle et l’exactitude des affirmations, dans le respect de l’image de marque.
Opérations	La documentation des processus, la gestion des exceptions et le repérage des tâches répétitives où l’IA peut aider de façon fiable.
TI	L’évaluation des outils, les accès et les autorisations, l’intégration, les enjeux de sécurité et le soutien à l’adoption dans le reste de l’organisation.

La formation en IA pour les dirigeants mérite une attention particulière. Ce sont eux qui donnent le ton en matière d’adoption, approuvent les investissements et décident du niveau de risque acceptable. Ils n’ont pas besoin de devenir des experts techniques, mais il leur faut assez d’expérience pratique pour reconnaître les promesses réalistes et poser les bonnes questions de suivi.

L’usage responsable dans le contexte canadien

L’usage responsable n’est pas un module distinct à expédier avant que la vraie formation commence. Il devrait être intégré à chaque séance et lié aux outils et aux données que les gens manipulent tous les jours.

Pour les organisations canadiennes, quelques réalités déterminent ce que les gens doivent comprendre :

La LPRPDE (Loi sur la protection des renseignements personnels et les documents électroniques) encadre, à l’échelle fédérale, la façon dont les organisations du secteur privé traitent les renseignements personnels, et l’Alberta, la Colombie-Britannique et le Québec ont leurs propres lois sur la protection des renseignements personnels dans le secteur privé. Les employés n’ont pas à devenir des spécialistes de la vie privée, mais ils doivent savoir que saisir des renseignements personnels dans un outil d’IA constitue une utilisation de ces renseignements.
La Loi 25 du Québec prévoit des obligations de transparence pour les décisions fondées exclusivement sur un traitement automatisé. Les équipes des RH, du crédit, de l’admissibilité de la clientèle ou de domaines semblables devraient comprendre pourquoi les décisions entièrement automatisées concernant des personnes exigent une prudence accrue.
Les exigences relatives à la langue française sont importantes au Québec, ce qui influe sur le choix des outils, des contenus produits et du matériel de formation appropriés.
Le Commissariat à la protection de la vie privée du Canada publie des lignes directrices qui constituent un point de référence utile pour les politiques internes.

Les exigences légales varient selon le secteur, la province et le cas d’usage, et elles continuent d’évoluer. La formation devrait refléter les politiques de votre organisation, et ces politiques devraient être confirmées auprès de vos conseillers juridiques. Nos pages IA responsable et Canada expliquent plus en détail comment cela se traduit dans la pratique.

Former à partir des flux de travail réels

Le changement le plus efficace qu’on puisse apporter à un programme de formation en IA consiste à utiliser le travail même de l’organisation comme matière première. Au lieu d’exercices génériques, les participants apportent une tâche qu’ils accomplissent réellement : un commentaire mensuel sur les écarts, une liste de vérification pour l’examen de contrats, un message d’approche à un candidat, un résumé d’escalade du soutien.

Travailler sur de vraies tâches permet trois choses qu’une formation générique ne peut offrir :

Les gens voient exactement où l’IA les aide, et où elle ne les aide pas, dans leur propre travail.
Les risques réels ressortent, par exemple quels documents contiennent des renseignements personnels ou quels chiffres doivent être rapprochés.
On produit des ressources réutilisables : des instructions éprouvées, des listes de vérification pour la révision et des exemples que l’équipe pourra continuer d’utiliser.

Cette approche révèle aussi les situations où la formation individuelle ne suffit pas. Si une équipe se heurte sans cesse à la même limite, par exemple une IA qui n’a pas accès aux politiques à jour, c’est le signe qu’il faut entraîner l’IA autant que les personnes.

L’adoption ne s’arrête pas à la fin de la séance

La formation crée l’intention. Les pratiques opérationnelles transforment cette intention en habitude. Sans elles, la plupart des gens reviennent à leurs anciennes façons de faire en quelques semaines. Les pratiques qui font la différence sont généralement simples :

Un énoncé clair et bref des outils approuvés et des renseignements qui peuvent être saisis dans chacun.
Une bibliothèque commune de requêtes éprouvées, de modèles et de listes de vérification pour la révision, dont chaque équipe est responsable.
Des personnes-ressources désignées dans chaque fonction pour répondre aux questions et recueillir ce qui fonctionne.
Des points réguliers où les équipes présentent des exemples réels, y compris des échecs.
Un moyen de proposer de nouveaux usages et de signaler des problèmes.

Avec le temps, les pratiques les plus utiles devraient passer de l’habitude individuelle à des flux de travail conçus en bonne et due forme. C’est l’objet de notre guide sur le passage des expériences aux véritables flux de travail.

Mesurer si la formation a changé le travail

Les taux d’achèvement et les indices de satisfaction vous indiquent que les gens étaient présents. Ils ne vous disent pas si quelque chose a changé. Les mesures comportementales sont plus utiles, et la plupart peuvent être recueillies par l’observation, de courts suivis et les chefs d’équipe :

Adoption dans les flux de travail. Quelles tâches précises font maintenant appel à l’IA de façon courante, et s’agit-il bien de celles que vous visiez?
Comportement de vérification. Les gens vérifient-ils les résultats par rapport aux sources avant de les utiliser? Les réviseurs repèrent-ils les erreurs?
Retenue appropriée. Les gens évitent-ils l’IA là où la politique le prévoit, et posent-ils des questions en cas de doute?
Qualité du travail. Les gestionnaires constatent-ils de meilleures premières versions, moins de révisions ou un travail plus constant?
Réaffectation du temps. Lorsque du temps est économisé, à quoi est-il consacré?
Ressources communes. Les équipes constituent-elles et tiennent-elles à jour leurs propres bibliothèques de requêtes et de listes de vérification?

Choisissez quelques-unes de ces mesures avant le début de la formation, entendez-vous sur la façon de les observer et revenez-y à intervalles réguliers par la suite. L’objectif est d’obtenir un portrait honnête, pas flatteur.

Comment Trained peut vous aider

Trained conçoit et offre une formation en IA pratique aux organisations canadiennes : des programmes pour l’ensemble de l’entreprise, des ateliers propres à chaque fonction et des séances pour la direction, bâtis autour de vos outils, de vos flux de travail, de vos politiques et de vos risques. Nous formons à partir du travail réel, aidons à mettre en place les pratiques opérationnelles et convenons avec vous de la façon dont le succès sera observé. Si vous planifiez une formation en IA et voulez qu’elle change la façon dont le travail se fait, parlons-en.