# Programmer avec l’IA, garder la maîtrise de l’enquête Les assistants d’IA générative permettent de passer d’une intention à un outil, de développer des interfaces et de reprendre du code. Ce gain de capacité s’accompagne d’une exigence : savoir décrire ce qui a été délégué, ce qui a été contrôlé et ce qui demeure une décision scientifique. L’outil contribue au travail ; la responsabilité de l’auteur demeure identifiable. ## 1. Cadrer Définir le besoin, les données autorisées et le résultat attendu. ## 2. Construire Décomposer le travail et conserver des changements compréhensibles. ## 3. Mettre à l’épreuve Examiner le code, les calculs et les hypothèses séparément. ## 4. Rendre compte Décrire les contributions, les limites et les décisions humaines. ## Situation fictive · proposition de travail On souhaite créer un outil qui explique un résultat de recherche à des gestionnaires et au public. Le travail comprend du code, une interprétation scientifique et une communication. Le niveau de délégation dépend de la tâche. ### Développer un outil Le raisonnement : Décrire une fonction avec des entrées, des sorties et des cas limites. L’assistant propose une modification limitée ; l’auteur examine ses effets sur les fichiers, l’accessibilité et le comportement attendu. Les données utilisées pour développer peuvent être synthétiques. Une production utile : Une spécification, un historique des changements et un exemple reproductible. Pour une formule, conserver un calcul indépendant et les conventions d’arrondi. Le point de vigilance : Un agent peut exécuter des actions. Ses accès aux fichiers, aux données et aux services doivent correspondre au travail autorisé ; la délégation technique n’autorise pas une diffusion de données. ### Analyser ou interpréter Le raisonnement : Écrire la question et les hypothèses avant le code. Demander des alternatives et les raisons d’un choix plutôt qu’une conclusion immédiate. Distinguer analyse prévue, exploration et interprétation après observation. Une production utile : Un journal d’analyse : population, variables, estimand, traitement des données manquantes, modèle, analyses de sensibilité et limites. Les références sont consultées dans leur texte d’origine. Le point de vigilance : Messeri et Crockett analysent le risque d’illusion de compréhension : produire davantage peut donner le sentiment de mieux comprendre. Cette perspective conceptuelle invite à conserver pluralité des méthodes et contestabilité ; elle ne mesure pas un effet causal universel de l’IA. ### Apprendre avec PAIRR Le raisonnement : Produire un premier raisonnement, le discuter avec un pair, utiliser l’IA comme seconde critique, puis expliciter les suggestions retenues et rejetées. Terminer par une tâche de transfert sans assistance adaptée à l’objectif. Une production utile : Les versions successives et une note réflexive : ce qui a changé, pourquoi, quelle source ou quel raisonnement soutient la révision et ce que l’étudiant sait désormais refaire. Le point de vigilance : PAIRR doit soutenir la réflexion et l’entraide. L’aisance du résultat final ne prouve pas l’apprentissage ; les règles d’usage et les solutions pour les personnes sans accès équivalent doivent être annoncées. ## Questions à se poser - Quelle décision doit rester explicitement humaine ? - Une donnée confidentielle est-elle nécessaire à cette tâche ? - Comment détecter une réponse plausible mais fausse ? - Qui peut comprendre, contester ou refuser le résultat ? ## Sources et portée des appuis Une étude expérimentale sur une tâche, une perspective philosophique et une recommandation de gouvernance répondent à des questions différentes. Leur confrontation aide à décider ; elle ne justifie pas une promesse générale d’efficacité. Repères documentaires arrêtés au 15 octobre 2026. Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627, 49–58. https://doi.org/10.1038/s41586-024-07146-0 Car, J., Ke, Y., Jin, L., Ong, J. C. L., Thirunavukarasu, A. J., Cheung, C. Y., Tham, Y. C., Ting, D. S. W., Ong, M. E. H., Compton, S., Narayan, A., Keane, P. A., Wong, T. Y., Bates, D. W., Tan, P., & Liu, N. (2026). AI-induced never-skilling in medical education. Nature Medicine, 32, 1997–2006. https://doi.org/10.1038/s41591-026-04438-y Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122 Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6 World Health Organization. (2024). Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. https://www.who.int/publications/b/70584