La littératie des données à l'ère de l'IA : lire les chiffres quand une machine a écrit l'analyse

La littératie des données consistait à se défendre contre la persuasion humaine : le graphique trompeur d'un pitch, le sondage construit pour flatter son commanditaire. Ces compétences s'appliquent toujours — mais le principal producteur d'analyses du quotidien est désormais un modèle, et cela change le profil d'erreurs que le lecteur doit attraper.

Un analyste humain commet des erreurs motivées : axes tronqués, fenêtres temporelles flatteuses. Un modèle les commet aussi, quand on lui demande d'être persuasif — et y ajoute ses propres espèces. Il fabrique des chiffres précis quand il n'en existe pas, parce que « environ 40 % » et « entre 38 et 43 % dans la plupart des études » sont deux phrases fluides dont une seule est réelle. Il moyenne sur ses données d'entraînement, produisant des nombres qui sonnent comme un consensus de secteur et ne correspondent à aucune source mesurable. Il abîme unités, périodes et dénominateurs en gardant une confiance grammaticale parfaite. Et il calcule impeccablement sur des entrées mal lues : l'arithmétique est juste, la réponse non.

Résultat : la boîte à outils classique fonctionne toujours, mais la première question a changé.

La première question : ce chiffre existe-t-il ?

Avant de demander si une statistique est représentative, le lecteur de l'ère IA demande si elle est réelle. L'habitude est le sourcing, appliqué sans exception : tout chiffre porteur d'une analyse générée par IA remonte à une source nommée et vérifiable, ou est traité comme un espace réservé. « Quelle est la source de ce chiffre ? » est une question à laquelle les modèles répondent de façon révélatrice — parfois avec une vraie citation qui tient, parfois avec une citation d'allure plausible qui n'existe pas, et la différence est une vérification de trente secondes.

Les classiques, mis à niveau

Les contrôles traditionnels s'appliquent ensuite, chacun avec sa torsion IA à enseigner.

Taux de base et dénominateurs : « les incidents liés à l'IA ont doublé » ne dit rien sans la base ; les modèles compressent les sources et perdent régulièrement les dénominateurs en résumant, au lecteur de les restaurer : doublé depuis quoi, sur combien ?

Fenêtres temporelles : demander « à quelle date » deux fois — une fois à l'affirmation, une fois au modèle, dont le savoir a une date de coupure et dont les pages récupérées ont la leur. Le périmé-mais-assuré est l'un des modes d'échec les plus fréquents de l'IA sur tout ce qui bouge.

Comparabilité : quand un modèle assemble un tableau comparatif — marchés, fournisseurs, pays — les lignes semblent parallèles par construction, que les chiffres sous-jacents aient ou non été mesurés pareil. La netteté de la grille est de la typographie, pas de la méthodologie.

Survivants et sélection : demander à quoi ressemblerait l'analyse générée si le contraire était vrai. Un modèle sollicité pour « des preuves que X marche » en trouvera ou en synthétisera ; le prompt symétrique — demander le meilleur dossier contraire — est l'équivalent, en littératie des données, de lire la section méthodes.

La vérification comme workflow, pas comme vertu

La discipline pratique tient en trois gestes, enseignables en une après-midi et durables pour une carrière. Tracer : tout chiffre pertinent pour la décision reçoit une source ou un drapeau. Recalculer : refaire à la main ou au tableur un ou deux calculs de l'analyse — les modèles qui ont mal lu une entrée échouent immédiatement à ce contrôle. Éprouver : demander au modèle lui-même ce qui rendrait son analyse fausse, puis vérifier si l'une de ces conditions tient ; le modèle est souvent un critique compétent de son propre brouillon quand on le lui demande explicitement.

Rien de tout cela n'est du scepticisme pour le plaisir. L'analyse générée par IA est rapide, bon marché et souvent juste ; la refuser coûte autant que l'avaler entière. La compétence — comme partout dans la littératie IA — est la confiance calibrée : savoir quels chiffres du document fluide sont porteurs, et dépenser les trente secondes que chacun mérite. Le graphique ne prouve plus que quelqu'un a fait l'analyse. Le lire bien, désormais, le prouve.