La compétence IA la plus négligée n'est pas le prompt, c'est la vérification

Le document avait l'air parfait. C'était justement le problème.

Une synthèse fluide, un ton assuré, des sources plausibles. Et au milieu, une obligation réglementaire qui n'existe pas. Cette scène se répète chaque semaine dans les entreprises. Pas parce que les gens sont négligents, mais parce que personne ne leur a appris ce que vérifier une réponse d'IA veut vraiment dire.

La compétence que personne ne forme

Depuis deux ans, les entreprises investissent dans la formation au prompting. C'est utile, et cela reste nécessaire. Mais pendant que les équipes apprenaient à mieux formuler leurs demandes, les modèles progressaient. Les réponses sont devenues plus fluides, mieux structurées, plus convaincantes. Et c'est là que le risque a changé de nature.

Une erreur grossière se repère seule. Une erreur plausible, insérée dans un texte impeccable, passe les filtres. Plus le modèle écrit bien, plus la fluidité ressemble à de la fiabilité. Le cerveau lit un texte propre et conclut que le fond est solide. Or les deux n'ont aucun lien.

La capacité à produire avec l'IA a explosé. La capacité à évaluer ce que l'IA produit n'a pas suivi. C'est ce décalage qui crée les incidents, pas la technologie.

La mauvaise conclusion

Quand une erreur passe, la réaction habituelle suit toujours le même schéma : l'outil n'est pas fiable, il faut restreindre son usage, ou attendre un meilleur modèle.

C'est une erreur de diagnostic. Un collaborateur humain fait aussi des erreurs dans ses livrables. Personne n'en conclut qu'il faut interdire les collaborateurs. On a mis en place de la relecture, de la validation, des circuits de contrôle. La bonne question n'est donc pas : que vaut la fiabilité du modèle. La bonne question est : à quoi ressemble la relecture quand le premier jet vient d'une IA.

La vérification est une compétence. Elle s'apprend, elle se pratique, elle se structure. Et elle est aujourd'hui le maillon faible de la plupart des usages professionnels de l'IA.

Ce que vérifier veut dire, concrètement

Quatre principes suffisent pour transformer la pratique d'une équipe.

1. Adapter l'effort à l'enjeu. Tout ne mérite pas le même niveau de contrôle. Un brainstorming interne tolère l'approximation. Un livrable client demande une relecture des faits. Un contenu réglementaire ou contractuel exige une vérification à la source, point par point. Définir ces trois niveaux, et le réflexe de se demander à quel niveau on se trouve, change déjà beaucoup.
2. Vérifier des affirmations, pas une impression. Relire un texte d'IA en se demandant si cela semble correct ne vérifie rien. La méthode utile consiste à séparer ce qui est factuel de ce qui est du raisonnement. Les chiffres, les noms, les dates, les obligations, les citations : chacun de ces éléments est une affirmation qui peut être vraie ou fausse. Le raisonnement et le cadrage, eux, se discutent, ils ne se vérifient pas de la même façon.
3. Rendre la vérification visible dans le workflow. Si tout le monde suppose que quelqu'un d'autre a contrôlé, personne ne contrôle. Un livrable produit avec l'IA doit avoir un relecteur nommé, comme n'importe quel document important. Et le prompt initial peut aider : demander au modèle de citer ses sources ou de signaler ses incertitudes ne garantit rien, mais donne des points d'appui pour le contrôle.
4. Entraîner cette compétence comme les autres. Dans nos formations, l'exercice qui marque le plus les participants n'est pas celui où l'IA brille. C'est celui où ils doivent corriger une réponse défaillante, trouver l'erreur, argumenter. C'est exactement la dimension Knowledge du cadre MAKIA : la capacité d'une équipe ne se mesure pas à ce qu'elle produit avec l'IA, mais à la qualité de son jugement sur ce que l'IA produit.

La confiance se construit ailleurs

La confiance dans l'IA au sein d'une organisation ne viendra pas d'un meilleur modèle. Elle viendra de personnes qui savent quand vérifier, quoi vérifier, et comment le faire vite. Une équipe qui maîtrise cela peut utiliser l'IA sur des sujets ambitieux sans prendre de risques inconsidérés. Une équipe qui ne le maîtrise pas restera coincée entre deux mauvaises options : la méfiance qui bloque tout, ou la confiance aveugle qui finit par coûter cher.

À tester cette semaine

Prenez un livrable récent que votre équipe a réellement produit avec l'IA : une synthèse, un email important, une analyse. Ouvrez un document, lancez un chronomètre de 20 minutes. Surlignez chaque affirmation factuelle : chiffres, noms, dates, obligations, références. Marquez chacune V (vérifiée), P (plausible mais non contrôlée) ou I (inconnue). Puis vérifiez à la source les trois affirmations qui feraient le plus de dégâts si elles étaient fausses. À la fin, comptez les P. Ce nombre, c'est votre exposition au risque actuelle.