Appliquer votre expertise disciplinaire à l'AI Fluency

Cette dernière leçon montre comment votre connaissance profonde de votre discipline donne au cadre AI Fluency sa forme locale : en rendant explicite le savoir tacite, ce qu’est la qualité, comment les experts communiquent, quels problèmes comptent, quelles normes s’appliquent. Tout peut se faire sans toucher à un système d’IA, et l’exercice final se mène entre collègues. Elle se termine par notre quiz de révision et le bilan du cours.

Rendre explicite le savoir tacite

Tout ce qui suit peut se passer sans IA : il s’agit de construire une capacité humaine, d’aider les étudiants, et nous-mêmes, à formuler ce que nous savons, comment nous le savons et pourquoi cela compte. Ce travail de fond est ce qui nous rend irremplaçables et garde l’humain dans la boucle. On ne peut pas s’associer efficacement à l’IA dans son domaine tant qu’on ne sait pas dire à quoi ressemble la qualité, comment communiquent les experts, quels problèmes comptent et quelles normes s’appliquent. Les 4D aident à développer cette conscience.

Discernement : à quoi ressemble la qualité ?

Commençons cette fois par le Discernement, l’une des compétences humaines les plus importantes à l’ère de l’IA. Il faut comprendre en profondeur ce qu’est « bon » dans notre domaine, et disposer d’un vocabulaire solide pour le décrire à nos assistants et entre nous. Évaluer la qualité a toujours compté en éducation ; avec une IA qui génère sans fin, c’est devenu essentiel, et seuls les humains peuvent juger ce qui sert vraiment nos objectifs et nos valeurs. Construisez donc de meilleurs critères avec vos collègues et vos étudiants : dépassez les termes vagues comme « bien argumenté » ou « créatif », bâtissez des grilles détaillées qui saisissent les marqueurs profonds de la qualité. Quels gestes précis rendent un article de philosophie convaincant ? Quelles caractéristiques rendent une solution d’ingénierie élégante ? Documentez ces critères pour que les étudiants puissent les intérioriser. Rassemblez des travaux remarquables de votre discipline, articles publiés, portfolios professionnels, solutions de rupture, mais ne les montrez pas seulement : analysez-les systématiquement avec vos étudiants, annotez les textes, schématisez les structures, décodez les décisions ; créez des guides d’annotation qui rendent visible la pensée experte. Diagnostiquez aussi les échecs ensemble : collectez des exemples ratés, arguments bancals, code bogué, designs inefficaces, et examinez-les avec rigueur : où exactement la preuve se brise-t-elle ? pourquoi cette solution ne passe-t-elle pas à l’échelle ? Comprendre les modes d’échec construit les compétences d’évaluation dont les étudiants auront besoin, seuls ou avec l’IA.

Description : comment communique-t-on dans notre discipline ?

Chaque domaine a ses façons de communiquer, qui incarnent ses valeurs et ses méthodes ; rendre ce savoir tacite explicite produit naturellement de fortes compétences de Description. Cartographiez les produits de votre discipline avec précision : ne dites pas « des comptes rendus de laboratoire », spécifiez les sections, les conventions et pourquoi elles comptent ; créez des gabarits qui révèlent la logique sous-jacente (pourquoi la méthode vient-elle avant les résultats ? que fait la voix passive dans l’écriture scientifique ?) et faites rétro-concevoir des productions professionnelles pour en comprendre la structure profonde. Révélez comment pensent les experts : comment un historien évalue-t-il des sources ? tracez chaque micro-décision ; comment un designer passe-t-il du concept au prototype ? documentez chaque itération ; faites interviewer des praticiens et dessiner des diagrammes de leur pensée. Nommez enfin vos normes : les scientifiques ne font pas que chercher, ils suivent des protocoles de scepticisme, de réplication et de relecture par les pairs ; les artistes ne font pas que créer, ils expérimentent, critiquent et révisent ; que signifie penser comme un mathématicien, en termes concrets et observables ?

Délégation : quel travail se fait dans notre domaine ?

Avant de travailler efficacement avec l’IA, ou avec quiconque, les étudiants doivent comprendre quel travail se fait dans la discipline et pourquoi il compte. Révélez l’anatomie des problèmes : apprenez-leur à décomposer une tâche typique, une revue de littérature par exemple, en ses composantes (quelles connaissances, quelles compétences, quels jugements ?) et à se demander où l’IA s’applique : trouver des sources, est-ce automatisable ? évaluer la pertinence, comment l’IA peut-elle l’augmenter ? synthétiser des arguments, cela exige-t-il un jugement humain ? rédiger le récit final, peut-on le faire en collaboration ? Cartographiez explicitement les possibilités : ce que l’IA pourrait automatiser (nettoyage de données, premiers brouillons, reconnaissance de motifs), où la collaboration ajoute de la valeur (itération de design, génération d’hypothèses, synthèse de littérature), ce qu’un agent pourrait faire de façon autonome (surveiller des expériences, filtrer l’information, donner un premier retour avant le rendu), et faites débattre ces frontières sur des exemples réels. Concevez des arbres de décision : pour l’analyse de données qualitatives, où le logiciel aide-t-il ou gêne-t-il ? en ingénierie, quand la simulation remplace-t-elle le prototype ? Construisez-les à partir d’études de cas, pour des décisions de délégation explicites et défendables.

Diligence : quelles sont les valeurs et les normes de notre domaine ?

Chaque domaine a ses standards éthiques, ses attentes professionnelles et ses exigences d’intégrité ; les rendre explicites prépare à une pratique responsable, avec ou sans IA. Codifiez les cadres éthiques au-delà de l’intégrité académique générale : que signifie « ne pas nuire » dans votre domaine ? si l’IA aide à analyser des données de patients, comment garantir la confidentialité ? si elle assiste la recherche juridique, comment préserver le secret du client ? construisez des études de cas aux frontières et des matrices de décision éthique applicables à des situations nouvelles. Clarifiez la transparence : quand les méthodes doivent-elles être entièrement divulguées, quand le processus est-il volontairement tu ? créez des modèles de divulgation pour les scénarios courants, puis appliquez-les à l’IA : comment citer son aide dans un article de recherche, un portfolio créatif, un rapport d’activité ? Co-construisez la responsabilité : à quoi ressemble une pratique responsable dans l’avenir augmenté de votre discipline, et pourquoi ces pratiques comptent-elles ? rédigez les politiques de classe ensemble, créez des codes d’honneur qui traitent de la collaboration avec l’IA, des protocoles de relecture par les pairs qui vérifient la supervision humaine ; la co-construction crée l’adhésion et une compréhension plus profonde.

Une boucle vertueuse

Ce travail disciplinaire profond crée une boucle puissante : les étudiants qui savent formuler des critères de qualité évaluent mieux n’importe quelle production, humaine ou IA ; ceux qui comprennent les méthodes de leur domaine guident mieux n’importe quel processus ; ceux qui ont intériorisé l’éthique professionnelle naviguent de façon responsable dans n’importe quelle collaboration. Et nous y gagnons aussi : penser à travers les 4D nous force à expliciter le savoir tacite, considérer les capacités de l’IA nous fait apprécier les contributions proprement humaines, préparer un avenir augmenté fait de nous de meilleurs enseignants et praticiens dès aujourd’hui. Ces compétences préparent les étudiants à ce qui vient, non seulement par une compréhension de la meilleure façon de travailler avec l’IA, mais par la métacognition nécessaire pour appliquer ce processus à tout changement, technologique ou non. Vous ne préparez pas vos étudiants à être remplacés par l’IA : vous les préparez à être irremplaçables.

À vous de jouer

Atelier avec vos collègues, sans IA. Pour ce dernier exercice, les partenaires IA prennent une pause : on parle entre humains. Il est utile que chaque participant ait d’abord fait seul l’exercice de la leçon 6. Organisez, sous la forme qui convient à votre contexte, un temps structuré pour travailler le cadre des 4D ensemble, en vous guidant sur ces questions.

1. Discernement : à quoi ressemble la qualité dans notre domaine ? Formulez ensemble ce que signifie l’excellence au-delà des termes vagues, identifiez les traits précis qui distinguent un travail remarquable d’un travail médiocre, discutez de la façon d’apprendre aux étudiants à les reconnaître, et documentez des critères utilisables pour évaluer les travaux humains comme ceux générés par l’IA.
2. Description : comment communique-t-on dans notre discipline ? Cartographiez précisément les produits clés du domaine (pas « des rapports », mais les artefacts précis et pourquoi ils comptent), documentez les processus de pensée des experts face aux problèmes, identifiez les normes de comportement et les conventions de la pratique professionnelle, et cherchez comment les rendre explicites pour les étudiants.
3. Délégation : quel travail se fait dans notre domaine ? Décomposez les tâches typiques en composantes, identifiez celles qui exigent jugement, créativité ou expertise humaine, discutez où l’IA pourrait automatiser, augmenter ou agir comme agent, et créez des cadres de décision sur quand et comment l’impliquer.
4. Diligence : quelles sont les valeurs et les normes de notre domaine ? Codifiez les cadres éthiques propres à la discipline, clarifiez les normes de transparence et les attentes de divulgation, discutez des standards de responsabilité professionnelle, et voyez comment ils s’appliquent quand l’IA participe au travail.
5. Un document partagé. Compilez les interprétations disciplinaires de chaque D, avec des exemples concrets du domaine pour chaque compétence et les stratégies d’enseignement suggérées par les collègues ; identifiez les zones de consensus et de divergence ; réfléchissez à la façon de partager ce travail avec les étudiants pour rendre l’AI Fluency concrète, d’intégrer ces 4D disciplinaires au programme, et d’évaluer si ces cadres aident vraiment les étudiants ; convenez de prochaines étapes pour poursuivre la discussion et lancer de nouvelles initiatives.

Quiz de fin de formation

1. En quoi le cadre AI Fluency est-il à la fois descriptif et normatif, et pourquoi cela compte-t-il pour l'enseigner ?

Il décrit ce qui se passe réellement quand on travaille avec l’IA (décisions, communication, évaluation, responsabilité) et il guide vers de meilleures pratiques. Les étudiants doivent comprendre comment fonctionnent leurs interactions avec l’IA et comment les améliorer : le cours enseigne les deux versants.

2. Quelles sont les quatre approches pour introduire le cadre, et à qui convient chacune ?

Linéaire (de la Délégation à la Diligence, pour les débutants qui ont besoin de structure), non linéaire (entrer n’importe où, pour les étudiants expérimentés et l’apprentissage par cas), ciblée (une seule compétence en profondeur, quand le temps est compté ou la priorité claire), deux boucles (stratégie et tactique imbriquées, la plus riche conceptuellement).

3. Que gère la boucle Délégation-Diligence, et dans quel sens tourne-t-elle ?

Les décisions stratégiques et éthiques : utiliser l’IA ou non, avec quel système, sous quelle responsabilité. Elle tourne dans les deux sens : les choix de délégation soulèvent des questions de diligence, et les contraintes de diligence remodèlent la délégation, les contraintes devenant des catalyseurs.

4. Quelles sont les trois lentilles de la boucle Description-Discernement ?

Le Produit (ce que l’on crée ensemble et si c’est bon), le Processus (comment on s’y prend et si cela fonctionne), la Performance (comment on interagit et si la dynamique sert la collaboration). Elles éclairent le même processus collaboratif, qui se construit sur des conversations, pas sur un prompt unique.

5. Quelles sont les trois approches d'évaluation de l'AI Fluency, et comment s'appliquent-elles à un même devoir ?

Par les résultats (le produit : l’essai et la déclaration de diligence), par les processus (le parcours : le journal de la conversation avec l’IA), par la réflexion (la métacognition : le journal d’apprentissage). Combinées, elles donnent l’image la plus complète, à partir d’actions observables plutôt que de suppositions.

6. Comment gérer le volume de travail que génèrent les exercices d'AI Fluency ?

Des grilles détaillées fondées sur les livrables, l’auto-évaluation et l’évaluation par les pairs, des conférences éclair à la place d’une partie des retours écrits, et l’échantillonnage sélectif où les étudiants signalent eux-mêmes les moments clés.

Bilan du cours

Vous avez exploré l’enseignement et l’évaluation à travers le cadre AI Fluency, mesuré l’impact de l’IA sur l’enseignement et l’apprentissage, vu comment rendre les 4D propres à votre discipline, et posé les bases d’un enseignement de la collaboration humain-IA qui ait du sens. Votre expertise, la capacité à reconnaître la qualité, à communiquer avec précision, à décomposer les problèmes et à défendre des valeurs, est ce qui vous rend essentiel ; en la rendant explicite et enseignable, vous donnez aux étudiants le socle dont ils ont besoin. Sur le site officiel, un quiz de 12 questions (80 % pour réussir) délivre le badge du cours. Pour prolonger dans notre catalogue : AI Fluency : cadre et fondations pour les 4D en détail, AI Fluency pour les enseignants pour l’IA dans votre propre préparation de cours, et AI Fluency pour les étudiants, à recommander à vos étudiants.

Sources officielles : Applying discipline expertise to AI Fluency (Claude Academy : vidéo, atelier entre collègues) · Course quiz (Claude Academy : 12 questions, 80 %, badge)

Points clés à retenir

• Rendre explicite le savoir disciplinaire tacite (bonnes pratiques, éthique, genres de la recherche) prépare les étudiants à collaborer efficacement avec l’IA.
• Chacun des 4D demande une interprétation et une application propres à la discipline.
• Le travail entre collègues construit une compréhension partagée et des cadres plus solides.
• Les étudiants qui comprennent la qualité, les méthodes et l’éthique de leur domaine dirigent mieux l’IA.
• L’objectif est de préparer des étudiants irremplaçables, en développant des capacités proprement humaines.

Crédits et licence — Adaptation française du cours « Teaching AI Fluency » 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, avec le soutien de la Higher Education Authority (Irlande) à travers le National Forum for the Enhancement of Teaching and Learning. 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.