À mesure que l’IA devient plus intelligente, ses pires erreurs sont plus difficiles à détecter

Parallèlement à mes travaux de recherche, j’ai passé de nombreuses années comme enseignant en mathématiques et mentor. Après mon doctorat, j’ai cherché à développer ce travail de manière plus intentionnelle, en construisant des programmes structurés et en réfléchissant à la conception de projets éducatifs plus complexes. En parallèle, je me suis impliqué dans des projets liés à l'investissement et aux infrastructures, ce qui m’a confronté à la pression de décision réelle et aiguisé ma réflexion sur l’exécution dans l’incertitude.

Aujourd’hui, je suis cofondateur et directeur exécutif (Produit & Engagement) de Cantabrium Scholars, une jeune entreprise de conseil et d'éducation en pleine phase de développement. Mon rôle consiste à posséder et faire évoluer le produit et l'expérience des élèves à travers les différents programmes, de la conception académique et la qualité des mentors à la communication avec les parents et la fidélisation. Il comprend également la conduite de la livraison sur plusieurs étapes, auprès d’équipes et de zones géographiques variées, tout en assurant la cohérence des projets complexes au fil de leur évolution. Je participe aussi activement à la formation de partenariats et à la définition de l’orientation académique et de l’approche globale de livraison de l’organisation à mesure que nous grandissons.

Là où l’IA apporte le plus de valeur dans le cycle de livraison

L’IA m’a été particulièrement utile dans ma progression de milieux axés sur la recherche vers des fonctions nécessitant une exécution plus rapide, une coordination interfonctionnelle et une prise de décision concrète.

Dans mon travail actuel, l’IA est la plus précieuse à deux moments clés du cycle de livraison :

Au début, elle sert de moyen rapide pour découvrir de nouveaux domaines et mettre à l’épreuve des idées alors que les décisions sont encore en cours de formation. De nombreux volets des projets éducatifs ou liés à l’investissement dans lesquels je suis impliqué nécessitent d’aborder rapidement des sujets nouveaux. L’IA m’aide à explorer rapidement les options, avant de prendre le temps de remettre en question les hypothèses. Concrètement, cela signifie que j’utilise l’IA pour clarifier la structure d’un domaine, mettre en avant les compromis typiques, et me servir de caisse de résonance dans l’affinage de ma réflexion. Dans la pratique, cela s’avère crucial pour la réduction des erreurs — en repérant les hypothèses faibles ou les contradictions internes avant qu’elles ne se propagent dans le projet.

Puis, une fois l’orientation principale définie, l’IA s’avère particulièrement efficace pour réduire les coûts d’exécution et de coordination. Je consacre désormais beaucoup moins de temps à produire des versions répétées d’un même contenu — en traduisant des éléments dans différents formats, en les adaptant à divers publics ou pays, ou en maintenant la synchronisation de documents parallèles. Le fait de garder une mémoire claire des décisions prises et du contexte facilite grandement la génération rapide de nouvelles versions de contenus sans perdre l’intention initiale à mesure que les projets avancent.

Elle s’est également révélée étonnamment utile dans des contextes fortement axés sur la négociation — en cartographiant rapidement les positions des deux parties, en mettant en lumière les contraintes probables et les points non négociables, et en testant les marges de manœuvre par rapport aux objections de principe. Concrètement, je lui demande de rédiger deux ou trois modèles de “trade équitable”, puis je les vérifie en fonction de mes lignes rouges avant d’entrer en réunion. Cela me permet d’aborder les discussions avec des lignes rouges claires, des concessions crédibles et une vision plus sereine de ce qu’est réellement un échange équitable.

Notes d'Evgeny

L’IA s’est également révélée utile de façon inattendue dans des contextes où la négociation est omniprésente — en cartographiant rapidement les positions des deux parties, en faisant ressortir les contraintes probables et les éléments non négociables, et en testant là où je peux faire des concessions versus là où les objections sont de principe.

En conséquence, une plus grande part de mon attention se porte sur le travail de jugement : décider quelles questions comptent réellement, construire la structure initiale des projets et naviguer sur le versant humain de la livraison — alignement, engagement, confiance. Des tâches comme la définition du périmètre, la pondération des arbitrages, la résolution des désaccords et l’engagement dans une direction restent fondamentalement humaines, alors que l’IA assure la synthèse, la cohérence et la mémoire à travers tout le processus de livraison.

J’envisage de plus en plus l’IA comme un partenaire de collaboration dans les premières phases de réflexion, et comme un accélérateur fiable par la suite — mais pas encore comme un substitut au jugement original ou à la créativité véritable en partant de zéro. Cette frontière évolue, mais à ce jour, l’essentiel de l’effet de levier dans mon travail provient de l’association entre un jugement humain affirmé et un soutien par l’IA ciblé et bien formulé.

Pourquoi un jugement humain renforcé est la composante la plus importante de la prestation pilotée par l’IA

Fait intéressant, à mesure que les productions de l’IA deviennent plus convaincantes, le rôle du jugement humain devient plus exigeant, et non l’inverse.

À l’étape actuelle, une grande partie du travail ne consiste pas seulement à utiliser l’IA, mais à la contrôler activement : formuler soigneusement les questions, expliciter les hypothèses et empêcher l’IA de tirer trop tôt des conclusions non formulées.

En pratique, cela signifie que l’humain doit agir comme point d’ancrage de stabilité dans le processus. Dans notre travail, l’IA converge souvent rapidement vers des structures claires et élégantes qui paraissent cohérentes en interne. Lorsque tout semble « trop propre », une intervention humaine délibérée est nécessaire pour ralentir, revisiter les hypothèses concernant les prérequis des étudiants, leur motivation et la charge de travail, et éviter de figer une solution séduisante sur le papier mais fragile dans la réalité.

Ce qui rend l’intervention humaine opportune particulièrement difficile, c’est que les erreurs apparaissent rarement comme des fautes flagrantes. À mesure que les projets évoluent, les hallucinations de l’IA deviennent plus subtiles et plus convaincantes, prenant souvent la forme de récits cohérents construits sur des hypothèses incomplètes ou implicites. Dans mon travail éducatif, cela s’est traduit par des structures de programme qui semblaient solides au départ mais auraient abouti, si nous n’y prenions pas garde, à des charges de travail mal réparties ou à des attentes irréalistes sur les prérequis. Lorsque le texte environnant est fluide et bien structuré, ces problèmes peuvent se propager discrètement à moins qu’une intervention humaine ne soit volontairement opérée.

Voici une règle de sécurité pratique que nous utilisons : Toute structure générée par l’IA qui paraît « trop propre » ou qui converge trop vite doit d’emblée susciter la méfiance. Avant de s’engager, nous imposons au moins un passage où les hypothèses sont explicitement reformulées, où nous explorons les scénarios d’échec et testons la structure sous d’autres contraintes. C’est notre méthode la plus fiable pour détecter des erreurs subtiles mais déterminantes avant qu’elles ne se propagent.

En regardant vers l’avenir, je m’attends à ce que cette tension s’accroisse. À mesure que les modèles progressent, il deviendra plus difficile de questionner des architectures qui sont cohérentes en apparence et persuasives en surface. Maintenir le rôle humain, ralentir au bon moment, questionner les hypothèses et assumer les décisions pourrait devenir l’un des aspects les plus importants et exigeants de l’automatisation des services professionnels par l’IA et de la livraison.

Comment utiliser l’IA comme relecteur contradictoire

Un simple changement de perspective peut aider : utiliser l’IA conversationnelle comme relecteur contradictoire, plutôt que comme générateur de contenu.

Plutôt que de demander à l’IA de produire des résultats finis, je l’utilise pour interroger les structures proposées : mettre en lumière des hypothèses cachées, éprouver les décisions dans différents scénarios, et articuler comment un plan pourrait échouer si une seule prémisse se révélait fausse. Cela a été particulièrement précieux dans les travaux de conception et d’investissement, où les décisions prises en amont ont de longues conséquences et où une confiance excessive coûte cher.

Utilisée ainsi, l’IA compresse les cycles de réflexion sans en sacrifier la finesse. Elle permet d’extérioriser, de remettre en question et d’améliorer rapidement des idées inabouties, réduisant la charge cognitive tout en améliorant la qualité des décisions. En pratique, cela a permis d’identifier plus tôt les hypothèses faibles, de réduire les revirements tardifs et de s’engager plus délibérément une fois la direction choisie.

La valeur de ce cas d’usage dépend moins du modèle lui-même que de la façon dont l’interaction est structurée. De petits ajustements des invites peuvent faire la différence entre une convergence prématurée sur une solution flatteuse ou la révélation de compromis et de scénarios d’échec pertinents. En reprenant les mêmes lignes de questionnement à différents stades du projet, en re-testant les hypothèses à mesure que le contexte évolue, cette interaction devient partie intégrante du processus de livraison. À la longue, cette répétition a un effet cumulatif : les décisions restent alignées, le raisonnement initial demeure visible et la cohérence globale des projets s’améliore au lieu de se détériorer.

En voici un exemple illustratif. Demander à l’IA « Quelle option est la meilleure compte tenu de ces contraintes ? » avait tendance à produire des recommandations affirmées, claires et rapides. Reformuler l’invite ainsi : « Dans quelles conditions cette option échouerait-elle, et quelles hypothèses devraient être fausses pour que cela se produise ? » a abouti à un résultat sensiblement différent : cela a mis en lumière des goulets d’étranglement opérationnels, des risques de coordination avec les partenaires et des sensibilités calendaires qui n’étaient pas visibles dans la formulation de départ. Ce changement d’énoncé a de façon répétée modifié les risques traités en priorité et, dans certains cas, les options définitivement écartées.

Notes d’Evgeny

Demander à l’IA « Quelle option est la meilleure compte tenu de ces contraintes ? » a tendance à produire des recommandations affirmées, claires et rapides. Reformuler la question ainsi : « Dans quelles conditions cette option échouerait-elle, et quelles hypothèses devraient être fausses pour que cela se produise ? » aboutit à un résultat sensiblement différent.

Comment l’IA transforme les rituels de livraison pour privilégier la qualité des décisions

L’IA a déplacé nos rituels de livraison de la simple déclaration d’activité vers l’amélioration de la qualité des décisions.

• Définir le périmètre est devenu à la fois plus explicite et plus provisoire. Parce que l’IA permet de générer rapidement des plans plausibles, nous avons appris à ralentir cette phase au lieu de l’accélérer. Les premiers résultats sont considérés comme des hypothèses à interroger, et non comme des propositions à exécuter. Nous utilisons l’IA pour cartographier l’espace des options, mettre en avant les contraintes et identifier là où subsiste de l’incertitude avant de valider le périmètre.
• Aligner les équipes se concentre désormais sur un raisonnement partagé plutôt que sur des artefacts partagés. Plutôt que de faire circuler immédiatement des documents finalisés, nous utilisons souvent l’IA pour générer des synthèses concises des hypothèses, compromis et questions non résolues avant les discussions. Cela égalise le contexte et permet aux échanges de se concentrer sur le jugement, plutôt que sur l’interprétation.
• Valider le travail commence plus en amont. Plutôt que de comparer les résultats à une liste de contrôle ou un calendrier, nous utilisons l’IA pour mettre à l’épreuve les hypothèses : comment une structure peut-elle échouer, quelles hypothèses comportent le plus de risques, ou ce qui change dans des cas limites. Cela a rendu les discussions de validation plus substantielles et a réduit les surprises en fin de projet.
• Gérer l’exécution est devenu plus léger, mais plus réfléchi. Plutôt que des points d’avancement, les réunions régulières se concentrent sur les décisions à prendre, les compromis émergents, et les domaines nécessitant un jugement humain. L’IA assure la continuité et la synthèse en arrière-plan, mais la responsabilité et l’appropriation restent clairement humaines.

Globalement, l’IA n’a pas supprimé la nécessité des rituels de livraison — elle les a rendus plus intentionnels. L’accent s’est déplacé du suivi de l’avancement vers la prise de meilleures décisions, plus tôt, et avec une appropriation plus claire.

À quoi ressemble une architecture IA favorisant la flexibilité dans la livraison de projets

Ma pile de livraison de projets est volontairement légère, tournée vers le texte et augmentée par l’IA plutôt qu’alourdie par de nombreux outils. Cela reflète la nature de mon travail, qui présente souvent une forte incertitude et est axé sur la conception, plutôt que sur l’exécution à grande échelle.

Le cœur de cette approche repose sur des documents et des tableurs partagés via Google Workspace. Les documents partagés font office de référence principale pour les hypothèses, décisions, responsabilités et architectures évolutives, tandis que les tableurs servent à la modélisation des coûts, la planification des échéances et la comparaison de scénarios, notamment pour les investissements et la planification des implantations. Slack et WhatsApp sont utilisés pour l’alignement rapide et la prise de décisions, pas pour le suivi de tâches détaillé.

Pour la gestion de projet (“PM”), j’utilise Notion et Linear selon les besoins, en privilégiant les journaux de décisions et les jalons plutôt que de lourds tableaux de tâches.

Concrètement, cela signifie qu’au cours de l’année écoulée, j’ai mis l’accent sur les documents partagés et la synthèse assistée par IA, tout en m’éloignant des outils lourds de gestion de projet au profit de journaux de décisions plus clairs et d’une coordination plus souple.

Aujourd’hui, je gère moins de documents, des journaux de décisions plus explicites, et des hypothèses plus claires. Les LLM (modèles de langage de grande taille) viennent désormais compléter cette pile comme couche de synthèse et de continuité. Ils m’aident à garder l’alignement des décisions, hypothèses et documents parallèles lorsque la situation évolue. Je les utilise pour explorer des options, tester la robustesse des conceptions, synthétiser les décisions précédentes, et conserver le contexte à mesure que les projets évoluent entre les dimensions académiques, opérationnelles et partenariales. Voici la répartition :

• ChatGPT (modèles de classe GPT-4) : Raisonnement ouvert, exploration des options, analyse des arbitrages, mise à l’épreuve des conceptions et maintien d’un contexte sur le long terme à travers les documents.
• Claude : Rédactions structurées et nettes, réécriture attentive tout en préservant le ton et les contraintes.
• Gemini (ponctuellement) : Synthèse rapide de grands volumes d’entrées ou reformulations alternatives, notamment lors de travaux sur des documents mixtes.

Dans les projets récents, cela s’est traduit par une convergence plus rapide vers des structures programmatiques viables, moins de revirements de dernière minute, et une meilleure transmission des décisions entre les volets académique et opérationnel. En pratique, cela a réduit le nombre de documents parallèles, raccourci les cycles d’itération entre brouillons, et diminué la charge de coordination pour maintenir la cohérence entre les contenus académiques, opérationnels et à destination des partenaires.

Côté communication et design, j’ai utilisé Midjourney pour m’aligner rapidement avec notre designer. C’est un outil particulièrement efficace pour transmettre le ton et la direction visuelle très tôt, évitant les allers-retours généralement nécessaires lorsqu’on essaie d’exprimer un jugement esthétique uniquement par des mots.

Pour la suite, une base de connaissances reliée, telle qu’Obsidian, serait intéressante lorsque le volume de contenu augmentera, notamment pour assurer une mémoire institutionnelle durable à travers les projets. À ce stade, cependant, les documents partagés couplés à la synthèse et au rappel assistés par IA répondent à la plupart des besoins sans alourdir l’environnement d’outils.

Dans l’ensemble, cette pile fonctionne car la clarté, l’adaptabilité et le discernement priment actuellement sur l’optimisation des processus. À mesure que l’activité grandira, certains éléments de la pile deviendront sans doute plus formalisés, mais à ce stade la flexibilité a été plus précieuse que la précision.

Pourquoi les systèmes de livraison légers fonctionnent mieux dans des projets à forte incertitude et dotés d’IA

Ainsi, nous nous sommes éloignés d'une gestion de projet axée sur les tâches et les échéances pour adopter des systèmes mettant l'accent sur les hypothèses, les dépendances et les points de décision. Dans un travail à forte incertitude et guidé par la conception, rechercher la précision dès le départ sur les tâches et les échéances donne souvent une fausse impression de progrès tout en masquant les vraies questions à résoudre.

Je ne me suis pas volontairement « rebellé » contre la gestion de projet traditionnelle — elle a simplement cessé de convenir au type de travail que je fais.

Nous privilégions moins de plans rigides et davantage de conversations structurées. Au lieu de suivre des tâches détaillées ou d'imposer des jalons artificiels, nous nous concentrons sur la définition de ce qui doit être vrai pour qu'un projet réussisse, là où demeure l'incertitude et qui détient la prochaine décision significative. Les documents partagés servent de sources de vérité évolutives, avec des sections explicites pour les hypothèses, questions en suspens, risques et responsabilités. Une documentation légère remplace les tableaux de bord, et les points de décision remplacent les échéances fixes.

ChatGPT soutient cette transition en nous aidant à résumer les changements au fil du temps, à mettre au jour les incohérences entre les différentes branches de travail et à garder le contexte aligné à mesure que les projets évoluent — sans imposer un seul processus ou une méthode rigide.

Le résultat : une convergence plus rapide au début et moins de réécritures douloureuses par la suite. Nous constatons moins de « faux progrès » et une clarté véritablement accrue, surtout sur les projets où la problématique même reste à définir.

Comment expérimenter prudemment avec l’IA agentique

L’IA agentique ne fait pas encore partie de nos processus généraux, car la nature du travail exige toujours que le jugement, la responsabilité et la conscience du contexte restent très explicites — et humains. Une automatisation trop précoce dans ces contextes risque d'engendrer une confiance artificielle. C'est un risque que nous nous efforçons soigneusement d’éviter.

Nous avons donc été prudents face à tout ce qui ressemble à de l’automatisation de bout en bout. Au lieu de nous demander « Que pouvons-nous automatiser ? », la question phare est devenue : « Où l’orchestration améliore-t-elle la visibilité ou réduit-elle la friction sans masquer la responsabilité ? » Jusqu’à présent, cela nous a amenés à garder l’expérimentation exploratoire, incrémentale et étroitement encadrée.

Concrètement, ces expérimentations incluent l’utilisation de l’IA pour la synthèse, le maintien de la cohérence à travers des documents évolutifs et la comparaison d’options ou de scénarios sous différentes hypothèses. Ce sont des domaines où l’orchestration peut réduire les coûts de coordination sans transférer la responsabilité hors du domaine humain.

À l’avenir, il y aura des domaines où une orchestration plus structurée pourrait s’imposer, notamment en ce qui concerne la coordination et les retours à grande échelle. Mais même dans ces cas, le but ne serait pas d’automatiser le jugement ou de remplacer l’interaction humaine, mais de soutenir la continuité, la réflexion et l’alignement à mesure que la complexité augmente.

Pourquoi la livraison de projet consistera moins à imposer des plans et davantage à architecturer la prise de décision

Dans les cinq années à venir, la livraison de projet va délaisser la coordination des tâches au profit de l’architecture décisionnelle. À mesure que l’IA prendra en charge la synthèse, la mémoire et la comparaison des options, le rôle humain va s’orienter de manière décisive vers la gestion de l’incertitude plutôt que la gestion des tâches.

Concrètement, cela signifie moins de personnes dédiées à maintenir les calendriers et les listes de tâches, et davantage de responsables focalisés sur la création des conditions favorables à de bonnes décisions : rendre les hypothèses visibles, définir les espaces d’options, clarifier les droits de décision et identifier où le jugement humain reste requis. L’IA va comprimer la mécanique de la livraison, mais elle ne résoudra pas l’ambiguïté ni n’assumera le risque.

Il est important d’être explicite sur ce qui demeure inconnu, là où les engagements sont irréversibles et qui est responsable de chaque décision. La livraison de projet portera moins sur le respect strict de plans que sur le maintien d’une cohérence à mesure que la compréhension évolue.

Notes d'Evgeny

Il est important d’être explicite sur ce qui demeure inconnu, là où les engagements sont irréversibles et qui est responsable de chaque décision. La livraison de projet portera moins sur le respect strict de plans que sur le maintien d’une cohérence à mesure que la compréhension évolue.

Pourquoi le jugement et la responsabilité restent l'apanage de l'humain

Le principal bouleversement pour les responsables de livraison aujourd’hui n’est pas d’apprendre de nouveaux outils, mais de réapprendre où le jugement doit s’exercer. L’IA modifie la vitesse à laquelle nous pouvons réfléchir, itérer et nous coordonner — mais elle ne change pas qui doit être responsable des décisions. Maintenir cette distinction devient une compétence clé du leadership.

Voici mon conseil :

• N’externalisez pas le jugement — externalisez la charge cognitive. L’IA excelle à maintenir le contexte, comparer des options, mettre en avant les incohérences et réduire la surcharge mentale des projets complexes. Utilisez-la pour soutenir la réflexion, pas pour la remplacer. Dès que l’IA donne l’impression que les décisions sont définitives, les dirigeants doivent intervenir et interroger les hypothèses qui alimentent cette confiance, ainsi que leur légitimité.
• Rendez les hypothèses explicites avant d’optimiser l’exécution. L’IA facilite la création rapide de plans soignés, ce qui donne l’illusion de progrès. Résistez à cette tentation. Le plus important au départ n’est pas de détailler les tâches ou les échéances, mais de rendre visibles les hypothèses : qu’est-ce qui doit être vrai pour que cela fonctionne, où subsistent encore des incertitudes, et quelles décisions sont irréversibles. Les projets échouent moins souvent en raison d’une mauvaise exécution qu’à cause d’hypothèses non examinées.
• Considérez l’IA comme un partenaire de réflexion, pas comme un raccourci. De petites différences dans la formulation peuvent radicalement modifier les résultats produits par l’IA. Maîtriser l’art du prompt dépend moins de la syntaxe que de la capacité à poser de meilleures questions. Cette compétence s’accroît avec le temps, car elle oblige à clarifier sa pensée, à mieux évaluer les arbitrages et à prendre des décisions plus réfléchies.

Les équipes qui réussiront dans les prochaines années ne seront pas celles qui automatisent le plus vite. Ce seront celles qui utiliseront l’IA pour mieux voir, décider de façon plus réfléchie, et assumer la responsabilité des choix qui comptent réellement.

Suivez-nous

Vous pouvez suivre Evgeny Goncharov sur LinkedIn et découvrir son travail dans l’éducation sur Cantabrium Scholars.

D’autres entretiens d’experts à venir sur The Digital Project Manager !