"If You're Very Clever, No One Knows You've Used It": The Social Dynamics of Developing Generative AI Literacy in the Workplace

À partir d'entretiens menés auprès de 19 travailleurs du savoir, cet article révèle que, si les dynamiques sociales en milieu de travail favorisent l'apprentissage de l'IA générative, la perception selon laquelle dissimuler son utilisation de l'IA valide l'expertise conduit à une réduction du partage des connaissances et de la transparence, incitant à appeler à un dialogue plus ouvert et à un apprentissage collaboratif pour faire progresser la littératie en matière d'IA.

L'essentiel

La vue d'ensemble : Le « secret de fabrication » du bureau

Imaginez qu'un nouvel appareil de cuisine magique soit apparu dans tous les bureaux. Il peut rédiger des courriels, corriger du code et préparer des rapports en quelques secondes. C'est l'intelligence artificielle générative (IAg).

Les chercheurs voulaient savoir : comment les employés apprennent-ils réellement à utiliser cet appareil ? Prennent-ils des cours ? Demandent-ils à leur patron ? Ou le découvrent-ils par eux-mêmes ?

Ils ont interrogé 19 travailleurs du savoir différents (avocats, programmeurs, spécialistes du marketing et chercheurs) pour le savoir. Ce qu'ils ont découvert ressemble un peu à un jeu d'« Agent Secret » mélangé à un « Cours de Cuisine ».

Les deux compétences principales valorisées par les travailleurs

L'étude a révélé que les travailleurs tentent de maîtriser deux compétences très différentes en même temps :

1. La compétence « Explorateur » (Savoir ce que l'appareil peut faire)
Les travailleurs veulent connaître toutes les choses cool que l'IA peut faire. Ils veulent trouver de nouvelles façons de l'utiliser pour faciliter leur travail.

• Comment ils apprennent cela : Ils apprennent principalement en se parlant entre eux. C'est comme un pique-nique où chacun apporte une nouvelle recette. L'un dit : « Hé, j'ai utilisé l'IA pour écrire un poème », et l'autre répond : « Oh, je l'ai utilisée pour corriger un tableur ! »
• Le résultat : Ce partage permet à tout le monde de devenir plus intelligent sur les capacités de l'outil.

2. La compétence « Magicien Invisible » (Cacher que vous avez utilisé l'appareil)
C'est la partie surprenante. Les travailleurs valorisent aussi la capacité d'utiliser l'IA si bien que personne ne peut dire qu'ils l'ont utilisée.

• Pourquoi font-ils cela ?
  • Peur du jugement : Certaines personnes craignent que leur patron ou leurs collègues ne pensent : « Oh, tu n'as pas fait le travail toi-même ; tu as juste demandé au robot. » Elles se sentent honteuses ou craignent d'être perçues comme paresseuses.
  • Prouver son expertise : D'autres le font pour montrer à quel point elles sont intelligentes. Si vous utilisez l'IA mais que vous éditez le résultat si parfaitement qu'il semble 100 % humain, vous recevez les honneurs pour être un « génie ». Comme l'a dit un participant : « Si vous êtes très intelligent, personne ne sait que vous l'avez utilisé. »
• L'analogie : Imaginez un chef qui utilise un robot de sous-chef haute technologie pour hacher des légumes. Si le chef cache le robot et sert le plat comme s'il l'avait haché à la main, il reçoit une ovation debout pour ses compétences au couteau. S'il admet avoir utilisé le robot, les gens pourraient dire : « Eh bien, ce n'était pas vraiment votre cuisine. »

Le problème : La « Cuisine Silencieuse »

Voici le hic. Quand tout le monde tente d'être le « Magicien Invisible », quelque chose de mauvais arrive au processus d'apprentissage.

• Le paradoxe : Pour apprendre à utiliser l'outil au mieux, vous devez partager vos erreurs et vos astuces avec les autres (comme la compétence « Explorateur »). Mais, pour paraître intelligent et éviter le jugement, vous cachez le fait d'avoir utilisé l'outil (la compétence « Magicien Invisible »).
• Le résultat : La cuisine devient silencieuse. Personne n'admet utiliser l'appareil. Personne ne partage ses « recettes secrètes » car ils ont peur d'être jugés ou parce qu'ils veulent conserver leur statut de « génie ».
• La conséquence : Même si tout le monde utilise l'outil, l'entreprise ne sait pas comment il est utilisé, quelles erreurs sont commises, ni comment enseigner aux nouveaux employés. Cela crée une culture de secret plutôt que de travail d'équipe.

Le « Travaillage » vs Le « Chef-d'œuvre »

Le document note également que parfois, les gens cachent l'IA car le résultat brut est en réalité mauvais.

• Le « Travaillage » : Si vous copiez-collez simplement ce que dit l'IA, cela sonne souvent robotique, utilise des mots étranges (comme « plonger » ou « tapisserie ») et manque de véritable insight humain. C'est comme servir un repas surgelé en le présentant comme un repas gastronomique.
• La solution : Les travailleurs qualifiés « critiquent » l'IA. Ils corrigent les mots étranges et ajoutent leur propre touche humaine. Ils cachent l'IA non seulement pour paraître cool, mais pour s'assurer que le produit final est réellement bon. Cependant, en cachant ce processus, ils manquent l'occasion d'enseigner aux autres comment ils l'ont corrigé.

Ce que les auteurs suggèrent

Les chercheurs ne disent pas « arrêtez d'utiliser l'IA ». Au contraire, ils suggèrent quelques changements pour faire du bureau un meilleur endroit pour apprendre :

1. Arrêtez la honte : Les managers doivent créer un espace sûr où admettre avoir utilisé l'IA n'est pas un crime. Il est acceptable de dire : « J'ai utilisé le robot pour rédiger ceci, et voici comment je l'ai amélioré. »
2. Célébrez le « Comment », pas seulement le « Quoi » : Au lieu de regarder uniquement le rapport final, parlez du processus. Partagez les « invites » (les instructions données à l'IA) et les modifications apportées.
3. Rendez le partage gratifiant : Tout comme les gens reçoivent des « likes » sur les réseaux sociaux, les entreprises pourraient récompenser les personnes qui partagent leurs astuces et astuces sur l'IA, rendant la transparence aussi cool que le secret.

Résumé

Le document soutient que si les employés de bureau deviennent très bons dans l'utilisation de l'IA, ils deviennent aussi très bons pour la cacher. Ils le font pour paraître intelligents et éviter le jugement. Mais ce secret empêche toute l'équipe d'apprendre ensemble. Pour corriger cela, les lieux de travail doivent cesser de traiter l'utilisation de l'IA comme un secret et commencer à la traiter comme une compétence partagée que chacun peut apprendre ouvertement.

Résumé technique

1. Énoncé du problème

Bien que l'IA générative (GenAI) transforme rapidement le travail intellectuel, les recherches existantes sur la littératie en IA manquent de données empiriques sur la manière dont les travailleurs du savoir développent des compétences au sein des dynamiques sociales complexes du milieu professionnel. Les cadres actuels se concentrent souvent sur les compétences techniques ou l'éducation formelle, négligeant les processus d'apprentissage informels et non structurés utilisés par les professionnels.

Les lacunes clés identifiées incluent :

• Le phénomène de « dissimulation » : Les travailleurs cachent souvent l'utilisation de la GenAI en raison d'une stigmatisation sociale ou d'une peur du jugement, mais l'impact de ce comportement sur l'apprentissage organisationnel et la transparence est mal compris.
• Définition des compétences : Il n'est pas clair quelles compétences spécifiques (techniques vs socio-techniques) les travailleurs valorisent le plus dans la pratique.
• Stratégies d'apprentissage : On comprend peu comment les travailleurs naviguent entre l'apprentissage auprès des collègues et le maintien d'une identité professionnelle qui peut nécessiter de masquer l'assistance de l'IA.

2. Méthodologie

L'étude a adopté une approche qualitative pour enquêter sur les croyances, les stratégies et les dynamiques sociales de l'adoption de la GenAI.

• Participants : 19 travailleurs du savoir issus de secteurs divers (IT, Droit, Industries créatives, Milieu universitaire, RH, Finance, etc.).
• Recrutement : Les participants ont été recrutés via Prolific, sélectionnés selon des critères spécifiques :
  • Employés dans des secteurs adoptant rapidement la GenAI.
  • Utilisation de la GenAI au moins une fois par semaine à des fins professionnelles.
  • Plus d'un an d'expérience dans leur poste actuel.
  • Travail dans des environnements sans interdictions explicites de la GenAI (ou politiques incertaines).
• Collecte de données : Entretiens semi-structurés (50–60 minutes) menés en ligne via Microsoft Teams entre décembre 2024 et janvier 2025.
• Analyse :
  • Positionnalité : L'équipe de recherche a adopté une posture de réalisme critique, reconnaissant que les interprétations reflètent des expériences subjectives et des contextes sociaux plutôt qu'une réalité objective.
  • Analyse thématique : Une approche par modèle a été utilisée, étayant le codage initial avec deux cadres existants de littératie en IA (Pinski & Benlian ; Annapureddy et al.) et le modèle COM-B (Capacité, Opportunité, Motivation) pour analyser les comportements d'apprentissage.
  • Rigueur : Plusieurs auteurs ont examiné les codes et les thèmes pour assurer la réflexivité et la réflexion critique.

3. Contributions principales

L'article apporte trois contributions principales au domaine de l'Interaction Humain-Machine (IHM) et de la littératie en IA :

1. Ancrage empirique : Fournit un compte rendu détaillé de la manière dont la littératie en GenAI est pratiquée et négociée par 19 travailleurs du savoir divers, allant au-delà des cadres théoriques pour atteindre l'application réelle.
2. Recadrage de la « dissimulation de l'IA » : Remet en question la vision prédominante selon laquelle cacher l'utilisation de l'IA est uniquement enraciné dans la honte. L'étude révèle que l'effacement réussi des indices d'utilisation de la GenAI est souvent perçu comme une validation positive de l'expertise de domaine. Cependant, ce comportement crée un paradoxe : il signale la compétence aux pairs, mais réduit simultanément les opportunités de partage de connaissances et de transparence.
3. Extension du cadre : Étend les cadres existants de littératie en IA en mettant en lumière le rôle crucial des compétences socio-techniques. Il soutient que les parties prenantes humaines ne sont pas seulement des ressources pour l'apprentissage, mais aussi des sources d'influence sociale qui façonnent les modèles d'utilisation, nécessitant de nouvelles considérations de conception pour le dialogue ouvert et la divulgation.

4. Résultats clés

L'étude a identifié deux compétences de base et deux stratégies d'apprentissage correspondantes, révélant une tension centrale entre l'identité individuelle et l'apprentissage collectif.

A. Compétences de base

1. Compétence technologique (Conscience des cas d'usage) :
   • Les travailleurs valorisent la capacité d'identifier de nouvelles applications de la GenAI pour obtenir un avantage concurrentiel.
   • Cette conscience est souvent motivée par la peur du déplacement professionnel ou le désir de rester en avance sur les tendances de l'industrie.
2. Compétence socio-technique (Suppression des indices) :
   • Les travailleurs développent la capacité de détecter et de supprimer les « indices » (par exemple, des formulations spécifiques comme « plonger », des commentaires excessifs dans le code, un manque de contexte) qui indiquent une utilisation de la GenAI.
   • Motivations de la suppression :
     • Critique/Contrôle qualité : Supprimer les sorties génériques ou de faible qualité pour garantir que le travail répond aux normes professionnelles.
     • Validation de l'identité d'expert : Masquer avec succès l'utilisation de l'IA signale que le travailleur possède une connaissance approfondie du domaine, le distinguant de ceux qui s'appuient aveuglément sur l'IA.
     • Dissimulation/Stigmatisation : Éviter le jugement négatif de générations plus âgées ou d'une direction conservatrice.

B. Stratégies d'apprentissage

1. Apprentissage auprès des autres :
   • Le partage informel de connaissances (collègues, LinkedIn, réseaux sociaux) est vital pour découvrir de nouveaux cas d'usage et combler les lacunes de connaissances.
   • Cependant, cela est souvent stratégique ; les travailleurs peuvent partager des connaissances pour normaliser l'utilisation de l'IA ou chercher une validation, mais ils peuvent retenir des détails spécifiques pour maintenir un avantage concurrentiel.
2. Expérience pratique :
   • La compétence est largement implicite et développée par essais et erreurs.
   • Les travailleurs doivent apprendre à évaluer l'adéquation contextuelle, comprendre les limites des modèles (hallucinations) et développer des compétences métacognitives pour formuler des invites efficacement.

C. La tension centrale

L'étude révèle un paradoxe : Bien que l'apprentissage auprès des autres soit essentiel pour développer une conscience technique, la volonté de valider son expertise par la « suppression des indices » supprime activement la transparence.

• Les travailleurs qui réussissent à cacher l'utilisation de l'IA sont loués comme des experts.
• Ce comportement crée des « silences organisationnels » où l'utilisation de l'IA est répandue mais non reconnue, empêchant le partage des meilleures pratiques, la détection d'erreurs et la construction collective du sens.
• La divulgation est souvent évitée en raison de l'indifférence perçue des collègues (« faites simplement le travail ») ou de la peur de la stigmatisation sociale.

5. Importance et implications

Les résultats ont des implications significatives pour la conception en IHM, la gestion organisationnelle et les cadres de littératie en IA.

• Pour les organisations :

  • Culture d'ouverture : Les dirigeants doivent favoriser la sécurité psychologique pour réduire la peur du jugement associée à l'utilisation de l'IA. Une simple tolérance passive de l'IA est insuffisante ; un discours actif est nécessaire pour briser les « silences organisationnels ».
  • Inciter au partage : Les organisations devraient récompenser le partage des flux de travail, des invites et des leçons apprises en GenAI, traitant ces éléments comme des actifs intellectuels précieux plutôt que comme des secrets.
  • Clarté des politiques : Des politiques claires sur la divulgation sont nécessaires pour réduire l'incertitude et encourager une utilisation responsable.

• Pour les concepteurs (IHM) :

  • Soutenir la divulgation : Concevoir des outils qui facilitent le partage de « connaissances générées par l'utilisateur » (par exemple, invites, flux de travail) sans exposer l'utilisateur à la stigmatisation.
  • Systèmes d'appréciation : Mettre en place des mécanismes similaires aux « remerciements » ou « accolades » open source pour renforcer positivement le partage d'artefacts de GenAI.
  • Focus métacognitif : Aller au-delà du simple partage d'invites pour aider les utilisateurs à comprendre les stratégies derrière les interactions réussies, favorisant un apprentissage plus profond.

• Pour les cadres de littératie en IA :

  • Les modèles de littératie doivent évoluer pour inclure les compétences socio-techniques, reconnaissant que le contexte social (réputation, identité, jugement des pairs) est aussi critique que la compétence technique pour déterminer comment l'IA est adoptée et utilisée.
  • La définition de la « littératie » doit tenir compte de la tension entre le travail sur l'identité individuelle et l'apprentissage collectif.

En conclusion, l'article soutient que la véritable littératie en GenAI sur le lieu de travail ne peut être atteinte par la seule formation technique. Elle nécessite de s'attaquer aux dynamiques sociales qui poussent les travailleurs à cacher l'utilisation de leurs outils, sapant ainsi la transparence et l'apprentissage collaboratif nécessaires à une adaptation durable aux changements technologiques rapides.