Dans un monde en pleine mutation, comment les acteurs culturels peuvent-ils mieux utiliser l'IA ?

Titre original : « Guide d’utilisation de l’IA pour les professionnels des sciences humaines »

Auteur original : 汉洋 MASTERPA

Source originale :

Reproduit : Mars Finance

Les professionnels des sciences humaines ne créent pas le changement mondial, mais ils en subissent les effets.

Parfois, j’ai l’impression que ceux qui vendent des tutoriels d’intelligence artificielle considèrent toujours l’IA comme une magie : en vous donnant un prompt magique, vous pouvez tout faire. La réalité n’est bien sûr pas comme ça. Récemment, en créant FUNES, nous avons dû produire massivement chaque jour à l’aide de l’IA. Avec en plus «蜉蝣天地» et mes propres écrits, la production humaine seule ne suffisait plus. Nous avons donc beaucoup expérimenté pour utiliser l’IA afin d’aider notre marché de contenu et nos recherches en sciences humaines.

Plus tard, un nouveau collègue a rejoint l’entreprise, j’ai préparé une simple présentation Keynote. Lorsqu’il a appris cela, le professeur Jia Xingjia m’a invité à faire un partage. Mon partenaire Keda et moi avons intitulé cette présentation « Guide d’utilisation de l’IA pour les professionnels des sciences humaines ». À l’époque, c’était une simple discussion privée, centrée sur quelques principes fondamentaux. Par la suite, j’ai fait plusieurs autres sessions, en les étoffant progressivement.

Au cours de l’année écoulée, j’ai partagé cette expérience d’utilisation de l’IA avec de nombreux amis travaillant dans la création de contenu, la recherche ou la production de connaissances. Son objectif n’est pas de vous apprendre à mémoriser quelques prompts magiques, ni de considérer l’IA comme une panacée ; au contraire, c’est plutôt une méthode de travail : vous permettre d’intégrer réellement de grands modèles dans votre processus d’écriture, de recherche, d’édition, de sélection de sujets, de gestion de données et de production, sans écrire de code, tout en étant traçable, supervisable, vérifiable, et en restant prêt à signer votre œuvre.

Cette méthode provient de nos expériences concrètes sur des projets réels : lorsque la production de contenu devient à grande échelle, elle s’effondre si elle repose uniquement sur l’humain ; mais si l’IA écrit directement, elle peut halluciner, paresser ou produire comme une IA. Nous avons donc dû transformer la création en une ligne de production, et cette ligne en un système itératif.

Aujourd’hui, je ne souhaite pas vous donner directement des prompts variés, mais plutôt vous transmettre des idées clés et des principes fondamentaux.

Avant de présenter ces principes : trois limites essentielles de ce guide

Avant d’aborder la méthode, clarifions trois limites. Elles déterminent « comment utiliser l’IA » et « pourquoi l’utiliser ainsi ».

1. La traçabilité, la supervision et la vérification du processus : vous ne pouvez pas vous contenter d’un résultat, sans le processus. Pour les sciences humaines, la boîte noire est la plus dangereuse : hallucinations, mauvaises citations, détournements de concepts, tout cela peut se produire silencieusement dans la boîte noire.

2. La capacité de contrôle : vous devez pouvoir diriger la façon dont l’IA travaille, selon quels critères, ralentir à certains endroits, renforcer à d’autres. Vous n’êtes pas en train de « tirer à la loterie », mais de produire.

3. La volonté de signer : « Voulez-vous mettre votre nom dessus ? » constitue la dernière étape de contrôle qualité. Si vous ne souhaitez pas signer, ce n’est généralement pas une question d’éthique, mais que votre volonté n’a pas été intégrée dans le processus — ce qui signifie que la qualité est incontrôlable.

Principe 0 : Ne faites pas de vœux à l’IA, considérez-la comme un atelier de travail

Beaucoup utilisent l’IA en formulant essentiellement des vœux : « Donne-moi un bon paragraphe », « Aide-moi à écrire un bon article », « Explique cette thèse ».

Le problème, c’est que « expliquer » peut avoir une infinité de sens : pour un profane, pour un étudiant de licence, pour un chercheur, pour un pair, ce ne sont pas la même tâche. L’IA ne peut pas connaître par défaut votre contexte, votre objectif, vos goûts ou vos standards. Si vous ne précisez pas, elle vous donnera simplement une réponse « moyenne » la plus facile à produire.

Considérer le grand modèle comme un atelier de travail signifie : ne pas lui demander un résultat, mais utiliser ses outils pour réaliser un processus. Vous devez clarifier la tâche, définir les standards, organiser les étapes.

Par exemple, pour faire expliquer un article par l’IA :

· Définir clairement le public cible : un étudiant intelligent, curieux, mais pas expert dans le domaine

· Définir la méthode d’explication : heuristique, progressive, rigoureuse

· Définir la structure : commencer par la signification, puis le contexte, le parcours de recherche, les points clés, les enseignements

· Définir le ton : respecter l’intelligence, ne pas être condescendant, ne pas supposer que l’interlocuteur a déjà une base solide

Vous constaterez : plus vous donnez une instruction « comme un devoir », plus l’IA ressemblera à un assistant qui travaille réellement, plutôt qu’à une boîte noire.

Principe 1 : Pour que l’IA fasse bien, commencez par vous remettre en question — vous en êtes responsable

Si vous embauchez un secrétaire, vous ne lui direz pas simplement : « Améliore cette rédaction de 汉洋 sur la ceinture de rouille aux États-Unis. »

Vous préciserez plutôt :

Pourquoi cet article a été écrit, pour qui, où en est la difficulté, quel problème vous souhaitez qu’il résolve, quelles parties ne doivent pas changer, quel style vous souhaitez, quels indicateurs comptent pour vous.

Il en va de même pour l’IA. Considérez-la comme un collègue très diligent, poli, mais qui ne connaît pas vos prérequis implicites. La « gestion des prompts » n’est pas une technique, c’est une responsabilité : toute tâche reste la vôtre, l’IA n’est qu’un assistant.

Lorsque vous n’êtes pas satisfait du résultat, la première réaction efficace n’est pas « l’IA ne sert à rien », mais :

· Ai-je précisé clairement « l’objet / le public / l’objectif » ?

· Ai-je fourni suffisamment de contexte et de contraintes ?

· Ai-je décomposé « le souhait abstrait » en « actions concrètes » ?

· Ai-je donné des standards pour juger la qualité ?

Principe 2 : Posez la même question à au moins 3 modèles — chaque IA a une « personnalité » et des domaines de prédilection

Dans notre entreprise, pour tout nouveau collègue utilisant un grand modèle, je recommande de poser chaque question à au moins trois IA différentes. Les IA, comme les humains, ont des différences : certaines sont meilleures pour la rédaction, d’autres pour la compréhension, d’autres pour le code ou l’appel d’outils. Plus concrètement, même au sein d’un même produit, les modèles ou leurs versions évoluent, ajustant leur « style » et leurs « limites ».

Une habitude simple mais très efficace consiste à poser la même question à au moins trois IA différentes pour rapidement sentir :

· Qui écrit, qui réfléchit, qui recherche, qui paresse

· Qui convient pour le premier brouillon, qui pour la relecture

· Qui est plus adapté pour la « sélection / structure », qui pour le « paragraphe / phrase »

L’intérêt n’est pas de choisir le « meilleur » modèle, mais de commencer à gérer les modèles comme une équipe, plutôt que de leur faire confiance aveuglément.

Principe 3 : L’IA n’est pas omnisciente — la considérer comme un « étudiant de licence » avec un niveau de connaissances de base

Une gestion réaliste des attentes est que le niveau de connaissance de l’IA ≈ celui d’un étudiant de 985 (école prestigieuse chinoise).

Si vous pensez qu’une chose qu’un excellent étudiant ne saurait pas, alors vous devez supposer que l’IA ne le sait pas non plus ; ou au moins qu’elle « invente » très ressemblant quand elle ne sait pas.

Cela entraîne deux actions immédiates :

1. Tout contenu dépassant la connaissance commune doit vous amener à l’enseigner : si vous lui demandez d’écrire une blague, une rédaction avec un goût particulier, une argumentation pointue — vous ne pouvez pas simplement dire « écris mieux », mais fournir des exemples, des standards, des zones interdites, des corpus. Je suis sûr que pour expliquer à un ami ce qu’est une bonne écriture, il faut du temps ; alors, comment penser que l’IA sait par défaut ?

2. Considérez-la comme un stagiaire collaboratif, pas comme un dieu capable de faire beaucoup de « micro-interpolations » : compléter votre cadre, tisser vos matériaux en texte lisible. Mais le cadre et la direction viennent toujours de vous.

Principe 4 : Faites progresser l’IA étape par étape — la méthode « boîte blanche » par étapes est plus fiable que la boîte noire en une seule fois

L’avantage de l’IA n’est pas de vous donner directement la bonne réponse, mais de pouvoir réaliser, dans votre processus, de nombreuses petites étapes de façon stable. Plus vous exigez qu’elle fasse tout en une fois, plus elle risque de devenir une boîte noire « apparemment complète, mais en réalité paresseuse ».

Un exemple très concret est la synthèse vocale ou la lecture de scripts. Plutôt que de demander « faire attention aux homophones et ne pas se tromper », il vaut mieux décomposer la tâche en plusieurs étapes, par exemple :

· Marquer les pauses, accents, variations de vitesse

· Identifier les homophones potentiels

· Vérifier avec dictionnaire ou prononciation officielle (rechercher si nécessaire)

· Pré-annoter les caractères susceptibles d’être mal lus

· En cas de doute, remplacer par des mots homophones sans ambiguïté, pour éliminer le risque d’erreur

Ce genre de « bonnes pratiques évidentes » que l’humain suppose faire, l’IA ne le fera pas par défaut. Si vous ne l’intégrez pas dans le processus, elle fera des erreurs sur le chemin le plus facile.

Principe 5 : Industrialisez d’abord, puis passez à l’IA — on ne peut pas sauter directement de l’agriculture à l’ère de l’IA

Si votre processus d’écriture/recherche est chaotique, basé sur l’inspiration et sans gestion des données, il sera difficile de le confier à l’IA. Car l’IA ne peut traiter que ce qui est « décrivable » et « reproductible ».

Une voie plus réaliste consiste à :

1. Transformer le travail en une « ligne de production » : décomposable, réutilisable, contrôlable

2. Confier à l’IA certains sous-étapes : en faire un poste de travail, pas un maître absolu

Nous avons réalisé un travail simple mais crucial : décomposer ma propre méthode pour écrire un article de non-fiction, notamment :

· Pourquoi commencer par cette histoire

· Pourquoi choisir cette phrase

· Comment évaluer un exemple

· Comment faire la transition, la cohérence, la conclusion

· Comment relier une petite histoire à un cadre plus large

Au final, cela a été découpé en dizaines d’étapes, chaque IA ne s’occupant que d’une étape. Résultat : ce n’est pas que le modèle est devenu soudainement plus puissant, mais que le processus a relié ses capacités à « faire un peu à chaque étape ».

Lorsque vous pouvez décrire clairement « comment je produis mon article », vous constaterez que la limite de qualité ne dépend pas du « modèle utilisé », mais de votre méthode de travail.

Je vous recommande vivement d’écouter un podcast qui explique cela en détail.

Principe 6 : Anticipez la paresse de l’IA — elle économise de la puissance de calcul, vous devez éliminer ses « obstacles formatifs »

L’IA a tendance à « paresser » systématiquement : éviter d’ouvrir une page web, de lire un PDF, de faire des opérations longues. Ce n’est pas qu’elle est mauvaise, mais qu’elle est naturellement orientée vers le chemin le plus facile, sous contrainte de puissance et de temps.

Ce que vous devez faire, c’est utiliser la puissance de calcul de l’IA pour « comprendre le texte », plutôt que pour « traiter le format ».

Des méthodes très efficaces incluent :

· Convertir tout en texte brut / Markdown avant de l’alimenter

· Copier le contenu web en texte propre (en supprimant navigation, pubs, notes de bas de page)

· Faire d’abord une synthèse / extraction de structure sur de longs matériaux, avant d’écrire

· Convertir PDF / EPUB / pages web en fichiers TXT indexables, puis traiter

Vous constaterez : beaucoup rejettent cette « corvée physique », pensant que « la machine doit faire le sale boulot ». Mais en collaboration homme-machine, c’est tout le contraire — faire un peu de travail mécanique permet à l’intelligence de l’IA d’être plus affûtée et fiable.

Principe 7 : Rappelez-vous que le contexte est limité — privilégiez la « compression » plutôt que l’« expansion »

L’IA a une fenêtre de contexte, une « mémoire limitée ». Si vous lui donnez 20 000 mots, elle ne pourra peut-être pas tout retenir ; si vous lui donnez 200 000 mots, elle ne verra que les titres. Une image : enfermer quelqu’un dans une petite pièce toute une journée avec un livre de 200 000 mots, et lui demander de tout mémoriser — la quantité qu’il pourra retenir est à peu près celle que l’IA peut « se rappeler ».

Une expérience contre-intuitive mais essentielle :

1. La compression est beaucoup plus facile que l’expansion

Réduire 1 million de mots à 10 000 est souvent plus fiable que d’étendre 10 000 à 1 million.

Cela modifie votre façon de demander à l’IA :

· Ne pas demander une rédaction à partir d’un prompt de 100 mots

· Au contraire, fournir autant de matériaux que possible (par lots, recherche, RAG), pour qu’elle puisse en extraire la structure, les idées, le texte à partir d’un corpus complet

Votre façon d’écrire ou de rédiger des articles, c’est « lire une masse de matériaux → en extraire → organiser → écrire » (du moins, c’est la mienne). Avec l’IA, ne faites pas l’inverse en exigeant qu’elle « crée de zéro ».

Principe 8 : Résistez à l’envie de « modifier tout en deux coups de cuillère à pot » — privilégiez la ligne de production, pas la perfection

Beaucoup de bons rédacteurs échouent avec l’IA : lorsqu’un brouillon obtient 59/100, ils pensent pouvoir l’améliorer à 80/100 en modifiant un peu. Ils commencent alors à retravailler, puis à tout réécrire, puis abandonnent en disant « je vais le faire moi-même ». Et ils n’utilisent plus l’IA.

La solution n’est pas de « peaufiner » davantage, mais de déplacer l’attention vers une étape supérieure :

· Ne pas viser une rédaction à 100 points par l’IA

· Viser une ligne de production stable à 75-80 points

· Améliorer le processus d’itération pour augmenter la moyenne, pas la perfection d’un seul texte

Principe 9 : Considérez la ligne de production comme un produit en évolution — la fiabilité est une valeur en soi

Lorsque vous avez un système qui vous donne régulièrement un brouillon à 70 points, sa valeur ne réside pas dans « sa ressemblance avec vous », mais dans :

· Pouvoir obtenir un brouillon utilisable à coût quasi nul

· Pouvoir concentrer votre énergie sur des jugements plus avancés : choix de sujets, structure, preuves, goût, arbitrages

Vous ne cherchez pas un dieu omnipotent qui vous remplace, mais une usine fiable : elle n’est pas parfaite, mais elle est stable.

Principe 10 : La quantité prime — faites produire plus, puis filtrez

Ne vous contentez pas d’un seul résultat, souvent le plus « moyen » ou « conservateur ». Utilisez la quantité pour lutter contre la médiocrité.

Des méthodes plus efficaces :

· Résumer : 5 versions par fois

· Début : 5 débuts différents pour faire un test A/B

· Sujet : 50 idées, puis sélection, regroupement

· Structure : 3 modèles, puis combiner

· Expression : 10 formulations différentes, puis choisir la meilleure

En augmentant la moyenne et la quantité, vous verrez apparaître naturellement des exemples à 85 ou 90 points. Souvent, ce n’est pas une « inspiration divine » unique, mais une approche statistique.

Principe 11 : Ne faites pas à la place — comme un chef, guidez, goûtez, faites retravailler

Si vous êtes chef de cuisine, vous ne goûterez pas la salade de concombre vous-même. Vous :

· Goûtez

· Jugez si c’est conforme

· Donnez un feedback précis (ce qui ne va pas, comment améliorer)

· Faites retravailler le cuisinier

De même avec l’IA. Respectez son autonomie de génération — votre rôle est de lui apprendre à atteindre vos standards, pas de corriger chaque résultat pour en faire une œuvre finie.

Sinon, vous serez piégé dans un cycle sans fin de « corrections ».

Dernière règle fondamentale : revenir au monde réel — matériaux × goût, limite ultime de la qualité

À l’ère de l’IA, la qualité d’une œuvre dépend de plus en plus de : matériaux × goût.

Le modèle évolue, la méthode s’améliore, mais ces deux éléments restent constants :

1. Les matériaux proviennent du monde réel

Si vous avez le choix entre :

· Utiliser le dernier modèle, mais uniquement des données en ligne

· Utiliser un ancien modèle, mais avec des archives complètes, des témoignages oraux, des interviews sur le terrain

Le meilleur résultat sera souvent celui qui s’appuie sur le second.

2. Le goût vient d’un entraînement long

Quand « générer » devient bon marché, ce qui devient rare, c’est :

· Savoir ce qui vaut la peine d’être écrit

· Connaître des preuves solides

· Savoir raconter avec puissance

· Être prêt à fournir un effort physique pour la recherche : fouiller, manipuler, croiser

Ce que l’IA change, c’est votre efficacité et votre façon d’interagir avec les matériaux ; mais le sujet principal reste vous, et l’objet reste le matériau. L’IA n’est qu’un « verbe » dans la phrase.

Conclusion : transformer l’anxiété en maîtrise

Beaucoup de gens ne savent pas utiliser l’IA, non pas parce qu’ils sont stupides, mais parce qu’ils restent enfermés dans le cycle « vœux — déception — abandon ». La clé pour franchir cette étape, c’est de la considérer comme un atelier, de systématiser la gestion des tâches, de rendre le processus transparent, et de développer un sens pratique à force de friction.

Une fois que vous maîtrisez cela, vous serez moins tenté de conclure hâtivement « l’IA ne sert à rien » ; vous deviendrez plutôt un gestionnaire d’outils innovants : ni en le méprisant, ni en le vénérant, mais en l’intégrant dans votre flux de travail, dans la réalité, dans vos œuvres signées.