En 2026, se dire « expert en IA » ne veut plus dire grand-chose

L’intelligence artificielle s’est diffusée à une vitesse remarquable. En quelques années, des outils capables de produire du texte, du code, des images, des analyses ou des automatisations sont devenus accessibles à des millions de personnes. Cette démocratisation a fait apparaître de nouvelles pratiques professionnelles, de nouvelles formations et une quantité impressionnante d’intitulés. Parmi eux, « expert en IA » s’est installé avec une facilité particulière. Le titre peut pourtant désigner un chercheur travaillant depuis quinze ans sur l’apprentissage automatique, un ingénieur spécialisé dans le déploiement de modèles, un développeur qui construit des agents, un consultant qui automatise des processus d’entreprise ou quelqu’un qui maîtrise remarquablement bien ChatGPT, Claude ou Gemini. Toutes ces personnes peuvent posséder des compétences solides sans avoir le même métier, le même niveau technique ni les mêmes connaissances. L’expression décrit désormais un territoire tellement vaste qu’elle renseigne peu sur ce que la personne sait effectivement faire.

Le titre révèle surtout une difficulté plus large : évaluer la compétence dans un environnement où l’outil accomplit lui-même une partie croissante du travail. Un utilisateur peu expérimenté peut désormais obtenir en quelques minutes un résultat qui aurait auparavant demandé beaucoup plus de connaissances, de temps ou l’intervention de plusieurs personnes. La qualité apparente de la production ne permet plus de déduire aussi facilement le niveau de celui qui l’a obtenue. Par compétence, on peut entendre la capacité à résoudre de manière reproductible une catégorie de problèmes avec un niveau de fiabilité adapté aux conséquences d’une erreur, tout en comprenant suffisamment les limites de la méthode pour savoir quand vérifier, corriger ou changer d’approche. Cette fiabilité dépend directement du risque. Une erreur dans la reformulation d’un message se corrige facilement. Une erreur qui influence un diagnostic, un recrutement, une décision juridique ou une opération financière peut produire des conséquences beaucoup plus lourdes. Le seuil acceptable devrait alors être défini selon plusieurs critères, notamment la gravité potentielle de l’erreur, sa probabilité, la possibilité de la détecter, sa réversibilité et le nombre de personnes exposées. Il n’existe probablement pas de valeur unique valable pour tous les usages. Construire ces seuils, éventuellement en s’appuyant sur les méthodes déjà utilisées dans les secteurs réglementés, constitue un chantier distinct qui dépasse cet article.

Le problème, ce n’est pas le tiret cadratin !

Le tiret cadratin constitue un exemple presque ridicule, mais particulièrement révélateur. Beaucoup d’utilisateurs réguliers de modèles génératifs connaissent la situation. Ils demandent explicitement au modèle de ne pas employer ce caractère. La consigne fonctionne pendant un moment, puis le tiret revient. L’utilisateur insiste, reformule, ajoute des majuscules, place la règle au début du prompt, précise « absolument jamais », recommence parfois une conversation et retrouve malgré tout le caractère quelques pages plus loin. Le signe typographique importe peu. La méthode employée pour résoudre la difficulté est beaucoup plus instructive.

Un modèle de langage génère une réponse à partir d’un contexte, d’instructions, de régularités apprises et d’un fonctionnement probabiliste. Une consigne formulée en langage naturel peut être suivie avec une grande fiabilité sans devenir une garantie absolue. Lorsque l’absence du caractère constitue une contrainte stricte, continuer à perfectionner le prompt finit par perdre son intérêt. La rédaction et le contrôle peuvent être séparés. Le modèle produit le texte, puis une seconde étape recherche automatiquement le caractère interdit et le remplace ou refuse le résultat s’il apparaît encore. Une expression régulière, une fonction de remplacement ou quelques lignes de code suffisent à rendre ce contrôle déterministe.

La différence paraît minuscule lorsqu’elle concerne de la ponctuation. Elle devient beaucoup plus importante lorsqu’elle s’applique à un montant financier, un format informatique, une référence contractuelle, une information obligatoire ou toute opération qui doit respecter une règle sans exception. Le tiret cadratin ne permet évidemment pas d’évaluer à lui seul la compétence d’une personne. Il rend visible une différence de méthode. Certains utilisateurs tentent de résoudre chaque difficulté à l’intérieur du dialogue avec le modèle. Une maîtrise plus large consiste à déterminer quel niveau du processus doit réellement être modifié. Une meilleure instruction peut suffire. D’autres situations réclament du code, une vérification indépendante, une base documentaire, un autre logiciel ou une validation humaine. Cette capacité à sortir du prompt devient plus importante que la mémorisation de recettes, d’autant que les modèles évoluent assez vite pour rendre certaines techniques obsolètes en quelques mois ou quelques générations.

L’expertise se voit surtout lorsque quelque chose résiste

Lorsque le système rencontre une limite, plusieurs diagnostics deviennent possibles. Les données peuvent être mauvaises, l’instruction ambiguë, le modèle mal choisi, l’outil inadapté ou l’architecture générale du travail défaillante. Identifier correctement la cause donne beaucoup plus d’informations sur la compétence d’une personne que la capacité à obtenir une réponse spectaculaire dans un cas favorable. C’est également ici que les profils hybrides prennent de la valeur. Un juriste capable de contrôler une production juridique assistée par IA possède une compétence différente d’un spécialiste des modèles, mais elle peut être plus pertinente pour cet usage précis. Le même principe vaut pour un développeur, un analyste financier, un logisticien, un chercheur, un graphiste ou un ingénieur. Les utilisateurs avancés occupent une position intermédiaire particulièrement intéressante. Certains n’ont aucune formation dans la conception des modèles, mais savent construire des méthodes fiables, choisir leurs outils, vérifier les résultats et reconnaître les limites opérationnelles de ce qu’ils utilisent. Leur expertise mérite d’être nommée sans être confondue avec celle d’un chercheur en apprentissage automatique ou d’un ingénieur spécialisé dans les infrastructures.

L’IA générative brouille aussi la frontière entre plusieurs formes de compétence. Une partie reste personnelle, liée aux connaissances, au raisonnement et à la capacité de juger un résultat sans dépendre entièrement de l’outil. Une autre est augmentée par les technologies utilisées, qui permettent à la personne d’accomplir correctement des tâches qu’elle ne pourrait pas nécessairement réaliser seule au même niveau. Dans les organisations, la compétence devient souvent distribuée entre plusieurs personnes, des logiciels, des données, des procédures de contrôle et parfois plusieurs systèmes d’IA. Ces formes se chevauchent inévitablement, mais elles permettent de réfléchir plus précisément à ce que l’on cherche réellement à évaluer. Les fondations peuvent être testées sans assistance lorsque leur maîtrise reste nécessaire pour détecter une erreur ou prendre une décision. La méthode doit ensuite être évaluée avec les outils réellement utilisés dans le travail. Plus le risque augmente, plus il devient important de tester les deux dimensions. Dans une formation initiale, préserver certaines compétences sans outil permet de vérifier que les bases existent réellement. Dans la formation continue et l’environnement professionnel, ignorer les outils disponibles reviendrait à évaluer un métier qui n’existe déjà plus sous cette forme.

L’expertise distribuée demande encore une autre lecture, parce que la performance finale ne dépend plus uniquement d’un individu. Il devient alors nécessaire d’observer la manière dont chacun contribue à la fiabilité collective : qualité des informations transmises, choix des contrôles, capacité à documenter une décision, réaction face à un incident et compréhension des dépendances entre les différentes étapes. Un professionnel peut ne pas maîtriser chaque composant d’un dispositif tout en jouant un rôle déterminant dans son fonctionnement. À l’inverse, une personne techniquement brillante peut fragiliser l’ensemble si elle construit un élément difficile à contrôler, à documenter ou à reprendre par les autres. L’évaluation ne porte plus uniquement sur ce que chacun sait produire isolément. Elle doit aussi tenir compte de sa capacité à s’intégrer dans un processus dont la fiabilité dépend de plusieurs acteurs et de plusieurs outils.

La responsabilité ne vient pas ajouter une vertu morale à la compétence. Elle en fixe le niveau exigible lorsque les conséquences d’une erreur augmentent. Un système peut fournir quatre-vingt-dix-neuf réponses correctes sur cent et rester inacceptable si l’erreur restante produit une conséquence grave ou difficilement réversible. La performance moyenne ne suffit pas. L’expert doit être capable d’apprécier la gravité d’un échec, la possibilité de le détecter et le niveau de contrôle nécessaire avant utilisation. Cette exigence impose aussi une capacité d’apprentissage continu. Les modèles, les interfaces et les pratiques changent trop rapidement pour qu’une expertise puisse reposer sur un stock de connaissances figé. Savoir abandonner une méthode devenue inutile, transférer un principe vers un nouvel outil et reconstruire son approche lorsque l’environnement change appartient désormais à la compétence elle-même.

Le marché doit encore fabriquer ses critères

Le problème concerne autant ceux qui recrutent que ceux qui se présentent comme experts. Une entreprise qui cherche un « expert IA » sans avoir défini si elle a besoin d’automatisation, d’analyse de données, de développement, de gouvernance, de formation ou d’intégration d’agents commence déjà avec une catégorie trop large. L’évaluation devrait partir du travail attendu plutôt que du titre. Les diplômes, l’expérience professionnelle et les certifications restent utiles, mais leur valeur dépend de ce qu’ils permettent réellement d’établir. Un certificat général d’« expert en IA » reproduit presque exactement le problème qu’il prétend résoudre s’il ne précise ni le domaine, ni le niveau attendu, ni la manière dont la compétence a été évaluée. Une évaluation plus crédible devrait combiner des fondations vérifiables, une mise en situation avec outils, des réalisations concrètes et la capacité à expliquer les choix, les limites et les contrôles employés.

La définition de ces critères ne pourra probablement pas être laissée à un seul type d’acteur. Plus le risque augmente, moins il devient acceptable que les éditeurs de modèles et les vendeurs de formations déterminent seuls ce qui constitue une compétence suffisante. Dans les usages à fort impact, les standards devront aussi intégrer les exigences des professions concernées et, lorsque les conséquences le justifient, celles des autorités publiques. Cette articulation permet de reconnaître la rapidité d’évolution du domaine sans laisser la définition de l’expertise dépendre uniquement de ceux qui commercialisent les outils ou les formations.

Encore faut-il que ceux qui recrutent, évaluent ou décident possèdent eux-mêmes une culture minimale de l’IA. Une organisation incapable de comprendre les possibilités et les limites élémentaires de ces systèmes aura du mal à distinguer une démonstration spectaculaire d’une méthode solide. Tout le monde n’a pas besoin de devenir spécialiste. Il devient en revanche utile de savoir quelles questions poser, quels résultats vérifier, comment reconnaître une affirmation exagérée et jusqu’où accorder sa confiance à un outil ou à celui qui prétend le maîtriser. Cette culture générale ne remplace pas l’expertise spécialisée. Elle permet simplement de mieux l’identifier et d’éviter qu’un vocabulaire impressionnant suffise à faire office de preuve.

La dilution des titres accompagne souvent les périodes de croissance rapide d’un domaine. Les fonctions apparaissent avant les standards, les formations cherchent leur place et les frontières professionnelles se stabilisent progressivement. L’intelligence artificielle constitue un cas extrême parce qu’elle combine cette vitesse avec des outils capables de produire immédiatement des résultats impressionnants dans une grande variété de disciplines. Cela rend l’apparence de compétence particulièrement facile à obtenir et la compétence elle-même plus difficile à mesurer.

Se présenter comme « expert en IA » en 2026 peut parfaitement correspondre à une expertise réelle et parfois considérable. Le titre utilisé seul ne permet simplement plus de savoir laquelle. Le domaine de spécialisation, les problèmes réellement résolus, le niveau de risque maîtrisé, la compréhension des limites, la capacité de diagnostic, l’usage des contrôles et la manière de travailler avec d’autres outils ou d’autres personnes donnent une image beaucoup plus précise de la compétence. À mesure que l’IA s’intègre dans les métiers, cette précision deviendra probablement plus importante que l’étiquette générale.

Le fameux tiret cadratin résume assez bien cette période étrange. Nous disposons de systèmes capables d’écrire du code, de traiter des centaines de pages et d’accomplir des tâches autrefois réservées à des spécialistes, tandis que certains utilisateurs en sont encore à leur seizième prompt pour tenter d’interdire un caractère. La contradiction prête à sourire. Elle montre surtout pourquoi le débat dépasse désormais le titre d’« expert en IA » : ce que nous devons apprendre à évaluer, c’est la compétence dans un environnement où une partie croissante du travail est réalisée avec la machine.

Une dernière subtilité mérite d’être signalée. La formule « Le problème, ce n’est pas le tiret cadratin ! » a été écrite volontairement sous cette forme. Elle reprend justement une construction devenue très reconnaissable dans les textes générés par IA. Le clin d’œil est intentionnel.