La Diligence en détail

Cette leçon présente la quatrième compétence, la Diligence : la responsabilité que vous prenez dans vos collaborations avec l’IA. Les trois autres compétences visent l’efficacité ; celle-ci vise l’éthique et la sécurité, qui comptent autant. Elle se pratique à trois moments du travail, et l’exercice vous fait rédiger une déclaration de diligence pour le projet que vous venez d’achever.

Mise à jour du 5 novembre 2026. Les repères sur la confidentialité des données chez Claude (réglage d’amélioration des modèles, conversations incognito, offres professionnelles) sont ceux du centre de confidentialité Anthropic à cette date.

Une compétence qui ne donne aucun signal

La Délégation, la Description et le Discernement se corrigent d’elles-mêmes, puisqu’une erreur produit un mauvais résultat que vous constatez aussitôt. La Diligence, elle, ne donne aucun signal. Un document partagé sans mentionner la part prise par l’IA se lit exactement comme les autres ; une donnée confidentielle transmise à un système inadapté ne déclenche aucune alerte. C’est pourquoi la vigilance doit être délibérée. Les attentes varient selon le contexte, personnel, scolaire, professionnel, mais chacun a la responsabilité de les connaître et d’y répondre.

Diligence de création

Être réfléchi dans le choix des systèmes d’IA que vous utilisez et dans la manière dont vous travaillez avec eux. La décision se prend avant le premier prompt : quel système est adapté à la tâche, quelles données vous vous apprêtez à partager et si certaines sont sensibles, quelles considérations de sécurité ou de confidentialité s’appliquent à votre contexte.

La question des données se pose rarement de front : le contrat que vous collez pour en obtenir un résumé contient le nom des parties, et le tableau que vous soumettez pour analyse contient des informations qui n’ont pas vocation à sortir de votre organisation. Sur Claude, en novembre 2026, trois repères aident à décider. Sur les offres grand public (Free, Pro, Max), l’utilisation de vos conversations pour améliorer les modèles dépend d’un réglage que vous contrôlez, « Aider à améliorer nos modèles d’IA », dans les paramètres de confidentialité. Une conversation incognito n’est jamais utilisée à cette fin et n’est pas conservée dans votre historique. Sur les offres professionnelles (Team, Enterprise), les données ne servent pas à l’entraînement par défaut, et c’est votre organisation qui en est responsable. Dans le doute, la règle la plus simple reste de ne pas coller ce que vous ne mettriez pas dans un courriel à un prestataire.

Diligence de transparence

Être honnête sur le rôle de l’IA dans votre travail avec toutes les personnes concernées. Qui est le public de ce travail, et quelles sont ses attentes en matière de mention ? Comment l’IA a-t-elle contribué, précisément, à ses différents aspects ? Le contexte, scolaire, professionnel, personnel, exige-t-il un niveau particulier de transparence ?

Ces questions n’appellent pas la même réponse partout : une note interne, un travail noté et une publication signée n’engagent ni les mêmes attentes ni les mêmes règles. La transparence utile n’est pas un avertissement générique collé en bas de page, c’est l’information dont votre lecteur a besoin pour apprécier ce qu’il lit.

Diligence de déploiement

Prendre la responsabilité de vérifier et de se porter garant des productions que vous utilisez ou partagez. Au moment de livrer, trois questions : quelles étapes ai-je suivies pour vérifier l’exactitude et la pertinence des contributions de l’IA ? Le résultat répond-il à mes standards et aux exigences du destinataire ? Suis-je prêt à en assumer la responsabilité ? La dernière est la plus utile, parce qu’elle ne se contourne pas : si vous hésitez à répondre oui, une vérification manque encore, et l’hésitation vous indique laquelle.

À vous de jouer

Rédiger votre déclaration de diligence, un quart d’heure.

1. Comprendre ce qu’est une déclaration de diligence. C’est la reconnaissance transparente du rôle de l’IA dans votre travail, assortie de votre engagement de responsabilité sur le résultat final. Le cours original en donne ce modèle :

« Pour la création de ce [document / projet / contenu], j’ai collaboré avec [nom de l’assistant] pour [tâches précises : rédaction, recherche, relecture…]. J’affirme que tout le contenu généré ou co-créé par l’IA a fait l’objet d’un examen approfondi. Le résultat final reflète fidèlement ma compréhension, mon expertise et mon intention. Bien que l’assistance de l’IA ait été déterminante dans le processus, j’assume l’entière responsabilité du contenu, de son exactitude et de sa présentation. Cette mention est faite dans un esprit de transparence. »

Le cours original publie sa propre déclaration de diligence ; cette adaptation fait de même, avec ses mots : les leçons que vous lisez ont été rédigées avec l’assistant Claude à partir des leçons originales et des documentations citées en sources, puis relues et publiées par l’équipe Corsen, qui en assume le contenu.

2. Réfléchir à votre collaboration. Pour le projet du cours : côté création, quels systèmes avez-vous utilisés et pourquoi, quelles données avez-vous partagées, y avait-il des considérations de confidentialité ? Côté transparence, qui est le public, qu’attend-il comme mention, comment l’IA a-t-elle contribué à chaque partie ? Côté déploiement, qu’avez-vous vérifié, comment vous êtes-vous assuré que le résultat tient vos standards, quelle responsabilité prenez-vous ? Soyez précis sur ce que l’IA a réellement fait : « rédaction » et « reformulation d’un brouillon existant » ne décrivent pas la même contribution.

3. Rédiger avec Claude. Partagez vos réflexions (et, si vous le souhaitez, les conversations du projet), puis rédigez ensemble une déclaration propre à votre projet : systèmes utilisés, contribution de l’IA, processus de relecture, affirmation de responsabilité, considérations propres au contexte. Si un point vous met mal à l’aise, ne lissez pas la formulation : c’est le signal que le point mérite d’être corrigé dans le travail lui-même.

4. L’ajouter au projet. Placez la déclaration à l’endroit qui convient : pied de page, annexe ou métadonnées.

Questions de réflexion

• Quel aspect de la Diligence (création, transparence, déploiement) trouvez-vous le plus difficile, et pourquoi ?
• Comment votre approche varie-t-elle selon le contexte : personnel, scolaire, professionnel ?
• Comment la mention du rôle de l’IA change-t-elle la façon dont les autres perçoivent votre travail ?
• Quelles questions éthiques imprévues ont surgi pendant votre projet ?
• Quelles règles personnelles vous donnez-vous pour la suite ?

Sources officielles : A closer look at Diligence (Claude Academy) · Mes données servent-elles à l’entraînement ? (offres grand public) · Modifier mes réglages d’amélioration des modèles · Mes données servent-elles à l’entraînement ? (offres professionnelles) · Conversations incognito (centre d’aide Claude)

Points clés à retenir

• La Diligence ne donne aucun signal d’erreur : la vigilance doit être délibérée.
• Création : quel outil, quelles données, quels réglages de confidentialité, avant le premier prompt.
• Transparence : l’information dont votre lecteur a besoin, adaptée au contexte, pas un avertissement générique.
• Déploiement : vérifier, puis se porter garant ; si vous hésitez à dire oui, une vérification manque.
• Une déclaration de diligence nomme les outils, la contribution, la relecture et la responsabilité.

Crédits et licence — Adaptation française du cours « AI Fluency: Framework & Foundations » de l’Anthropic Academy, créé par Anthropic avec Rick Dakan (Ringling College of Art and Design) et Joseph Feller (University College Cork), auteurs du cadre AI Fluency. Les supports d’origine sont © 2025 Rick Dakan, Joseph Feller et Anthropic, publiés sous licence CC BY-NC-SA 4.0 ; cette adaptation, qui les traduit et les remanie, est diffusée sous la même licence.