L'écart de confiance IA : se sentir compétent avec l'IA n'est pas l'être

Le chiffre le plus discrètement dévastateur de la recherche sur l'IA ne concerne aucun modèle. Il concerne les utilisateurs. Dans l'essai randomisé de METR, des développeurs expérimentés qui venaient d'être mesurablement ralentis de 19 % en utilisant l'IA ont estimé qu'elle les avait accélérés de 20 %. Trente-neuf points d'écart entre la performance ressentie et la performance mesurée — chez des experts, sur leur propre travail, juste après l'avoir fait.

Cet écart mérite son propre nom, parce qu'il cautionne en silence la plupart des affirmations organisationnelles sur l'IA. Gains de productivité auto-déclarés, auto-identification de « power users », sondages d'enthousiasme d'équipe : tout cela est de la donnée de perception, collectée auprès de percepteurs dont les preuves disent qu'ils ne peuvent pas sentir la chose demandée.

Pourquoi l'usage construit la confiance plus vite que la compétence

Le mécanisme n'est pas la vanité ; c'est la structure. L'usage de l'IA génère de petites récompenses constantes — une sortie instantanée, fluide, d'apparence utilisable — et presque aucune erreur visible, parce que les erreurs sont précisément du genre plausible. Un utilisateur reçoit des centaines de répétitions de « ça a marché » pour chaque « c'était faux » découvrable, et un feedback aussi déséquilibré entraîne la confiance indépendamment de la compétence réelle.

Comparez à n'importe quelle compétence au feedback honnête. Les erreurs d'un joueur de tennis s'annoncent elles-mêmes : la balle sort. Les erreurs d'un utilisateur d'IA atterrissent dans un rapport trois semaines plus tard, sans être créditées à l'outil. L'usage quotidien produit donc une vraie aisance d'interface — prompting plus rapide, meilleure navigation des outils — à côté d'un jugement totalement non calibré sur la qualité des sorties. L'aisance est visible ; le trou de jugement non ; la personne vit les deux comme « être bon en IA ».

Le portrait de la main-d'œuvre dressé par l'étude mondiale KPMG — deux tiers d'usage régulier, moins de la moitié formés, de larges fractions sautant la vérification en violation des règles — est ce mécanisme à l'échelle d'une population. Usage intensif plus confiance élevée plus absence de feedback structuré est la condition par défaut.

Le coût organisationnel de la compétence ressentie

L'écart de confiance se convertit directement en mauvaises décisions partout où l'auto-évaluation tient lieu de mesure. Des achats d'outils justifiés par l'enthousiasme des utilisateurs. Des budgets de formation coupés parce que « nos équipes sont déjà bonnes là-dessus ». L'utilisateur d'IA le plus confiant de la salle — souvent le moins vérifié — devenant l'étalon de fait. Et des pilotes déclarés réussis sur des témoignages que le résultat METR rend non informatifs.

Le correctif est le même dans chaque cas : là où l'enjeu le justifie, remplacer « comment tu sens que ça s'est passé » par une mesure — points de référence, avant-après au niveau de la tâche, revue de qualité par échantillon des sorties assistées. Pas partout, pas bureaucratiquement ; aux points de décision.

Ce qui calibre réellement les individus

Pour une personne qui veut que sa confiance veuille dire quelque chose, la recette découle du mécanisme : fabriquer le feedback que l'usage normal retient.

Pratiquer sur des tâches à réponse connue, où avoir tort se découvre maintenant plutôt que dans trois semaines — c'est exactement ce qu'offrent les exercices structurés avec erreurs plantées, et pourquoi la pratique attrape-le-défaut change le jugement comme l'usage quotidien accumulé ne le fait pas. Auditer son propre taux de réussite de temps en temps : prendre une semaine de sorties d'IA acceptées, vérifier correctement cinq affirmations, et laisser le résultat — quel qu'il soit — vous ajuster. Et garder une habitude issue de la recherche : après toute tâche significative assistée par IA, se demander ce qu'on a vérifié, pas ce qu'on a ressenti. Le ressenti est le seul instrument que les données déclarent cassé.

Rien de tout cela ne plaide contre l'usage quotidien ; les répétitions comptent, et l'aisance vaut la peine. Cela plaide contre l'inférence des répétitions au jugement. Les développeurs de l'étude METR n'étaient pas sots — il leur manquait la boucle de feedback qui le leur aurait dit. La différence entre un utilisateur d'IA confiant et un utilisateur calibré, c'est que le calibré a eu mesurablement tort, récemment, là où cela ne coûtait rien. Une formation qui fournit cette expérience à dessein vend quelque chose que l'usage quotidien ne peut pas fournir.