Nous avons tous vécu des interactions décevantes avec l’IA ou connaissons des personnes qui « détestent les chatbots », souvent parce que l’expérience « standard » n’est ni utile, ni précieuse, ni agréable. Cette déception tient souvent moins aux capacités d’un modèle qu’à l’expérience elle-même : l’interaction entre les personnes, un agent d’IA et le résultat recherché. C’est un obstacle majeur à l’adoption, en particulier dans les entreprises, où des interactions mal conçues peuvent submerger les utilisateurs, ignorer le contexte en temps réel ou négliger leur intention et leur comportement.
Dans cette perspective, nous avons recensé les avantages de chaque modèle, les défis de conception associés et des conseils pratiques pour l’appliquer. Ces modèles s’appliquent à différents types et modes d’interaction, ouvrant des possibilités pour les expériences grand public comme pour les solutions d’IA internes qui aident les travailleurs du savoir à prendre de meilleures décisions.
Nous souhaitons présenter les modèles émergents que nous observons en créant et en expérimentant de nombreuses solutions d’IA générative, afin d’aider à mieux concevoir les relations entre humains et IA.
Nombre de nos interactions avec la technologie, comme travailleurs du savoir ou consommateurs, compliquent inutilement les tâches quotidiennes. Elles limitent notre productivité, notre efficacité et la valeur produite.
Travailleurs du savoir comme consommateurs peuvent se sentir submergés par le volume considérable d’informations, de choix et d’outils disponibles. Ce flot constant de messages souvent contradictoires complique la prise de décisions claires et le maintien de la concentration. Selon les recherches, les employés consacrent jusqu’à 40 % de leur journée de travail à chercher les informations dont ils ont besoin (McKinsey). Cette surcharge informationnelle nuit à la productivité comme au bien-être.
Notre capacité d’attention est également limitée. Même lorsque nous trouvons les informations, nous ne pouvons pas traiter ou analyser tout ce qui est nécessaire pour prendre une décision éclairée. À tout moment, nous ne pouvons nous concentrer que sur une petite partie des données disponibles, souvent en restant attachés à des convictions ou idées existantes qui limitent notre aptitude à envisager d’autres options ou à repérer des tendances inattendues.
Les outils eux-mêmes ne tiennent souvent pas compte de ces limites. La plupart des technologies sont conçues pour des « moyennes » : des solutions universelles qui ne s’adaptent pas aux contextes individuels. Qu’il s’agisse de logiciels professionnels ou d’applications grand public, ces outils tiennent rarement compte de nos besoins, de nos contraintes ou de notre situation particulière. La technologie peut donc devenir inefficace, voire contre-productive. L’IA générative permet de créer des interactions plus adaptatives et personnelles.
Enfin, de nombreux environnements de travail créent une souffrance inutile. L’augmentation du volume des « tâches d’occupation », la pression d’être « toujours disponible » et les tâches répétitives à faible valeur ajoutée contribuent au désengagement et au stress chronique. Bien que l’IA générative et les agents d’IA puissent réduire ou éliminer ces expériences, beaucoup de personnes doutent encore de la capacité de l’IA à améliorer globalement le travail. Certaines personnes peuvent rejeter l’idée que « l’IA prenne le contrôle », par crainte d’être remplacées ou parce qu’elles sont attachées à leur travail, même aux tâches qu’elles n’aiment pas.
Appliquer l’IA seule n’est pas une solution. Une IA mal intégrée peut créer de nouvelles tâches et inquiétudes, particulièrement chez les travailleurs du savoir. Ces difficultés montrent la nécessité d’interactions humain-IA qui soient non seulement efficaces, mais aussi adaptées à nos capacités cognitives, à nos situations individuelles et aux contraintes du monde réel. Les six modèles ci-dessous présentent des approches qui tiennent compte des besoins humains et favorisent une relation avec l’IA plus adaptative, transparente et porteuse de sens.
La relation entre les modèles de conception émergents et les principes d’expériences d’IA efficaces et centrées sur l’humain.
Curation : l’IA comme menu intelligent — L’IA sélectionne et organise les informations, réduisant la surcharge en aidant les utilisateurs à parcourir de vastes ensembles de données.
Donner un retour : l’IA comme partenaire de réflexion — L’IA fournit en temps réel des retours qui stimulent la réflexion, remettent en cause les hypothèses et offrent d’autres perspectives.
Conscience situationnelle : une IA qui comprend l’ici et maintenant — L’IA s’adapte au contexte en temps réel en traitant continuellement les informations environnementales et les besoins des utilisateurs.
Découverte continue : transformer chaque interaction en recherche utilisateur — L’IA exploite chaque interaction pour révéler des enseignements et affiner sa compréhension, garantissant un apprentissage et une amélioration continus.
Amplification : enrichir la saisie de l’utilisateur pour de meilleurs résultats — L’IA améliore en coulisses la saisie des utilisateurs tout en préservant leur intention initiale.
Montrer la démarche : un raisonnement transparent de l’IA — L’IA rend son processus décisionnel visible et utile, renforçant la confiance et aidant les utilisateurs à prendre des décisions plus éclairées.
Ces six modèles montrent que des solutions d’IA efficaces nécessitent davantage qu’une interface utilisateur bien conçue. Ils déterminent comment les personnes et les agents d’IA se coordonnent, prennent des décisions et interagissent au sein de systèmes de connaissances complexes. Ces modèles améliorent l’interaction humain-IA comme suit :
Privilégier l’échange bidirectionnel de connaissances : instaurer un dialogue où l’IA et les personnes apportent des idées, du contexte et des enseignements. Cela favorise des systèmes d’IA plus performants, alimentés par des connaissances expertes et des intuitions qui ne sont pas encore formalisées.
Créer des expériences qui s’adaptent et évoluent selon les circonstances : les outils d’IA peuvent rapidement devenir obsolètes ou perdre leur pertinence. Les systèmes dotés d’une conscience situationnelle, qui apprennent en continu et s’adaptent à la situation de chaque utilisateur, restent utiles au fil du temps.
Renforcer la confiance : des interactions transparentes et collaboratives réduisent les obstacles à l’adoption, accroissent l’engagement et améliorent la prise de décision humaine comme celle de l’IA. Une conception réfléchie aide les utilisateurs à conserver leur confiance dans les décisions et les résultats d’un système au fil du temps.
Concevoir des expériences d’IA efficaces est difficile, mais des approches éprouvées peuvent y contribuer. Les principes fondamentaux consistant à comprendre les utilisateurs et à créer des expériences utiles restent valables, parallèlement aux nouvelles considérations introduites par les systèmes d’IA dotés d’une capacité d’action. Les expériences qui sélectionnent efficacement les informations, fournissent des retours utiles et apprennent de manière transparente peuvent réduire la surcharge, améliorer les décisions et renforcer la confiance.
Ces modèles aident à surmonter les obstacles courants à l’adoption et rendent l’IA véritablement utile, adaptable et plus précieuse pour toutes les parties prenantes.
Le guide ci-dessous examine chaque modèle plus en détail et explique comment il peut favoriser une expérience d’IA plus globale.
Définition : Au lieu de parcourir manuellement d’innombrables résultats de recherche ou documents, les agents d’IA peuvent sélectionner des informations dans de vastes ensembles de données et présenter les enseignements les plus pertinents. En substance, l’IA devient bibliothécaire et organise les connaissances en fonction du contexte de l’utilisateur.
Son utilité : Réduire la surcharge informationnelle. En moyenne, les travailleurs du savoir passent 1,8 heure par jour à rechercher des informations, ce qui contribue à l’épuisement professionnel de nombreux employés (McKinsey). La curation pilotée par l’IA répond à ce problème en indexant, trouvant et combinant des informations issues de nombreuses sources. Elle aide ainsi les utilisateurs à découvrir des informations, des options et des enseignements qu’une recherche classique pourrait manquer.
Le défi : Passer d’une recherche traditionnelle fondée sur une interface à une approche assistée par un agent oblige les utilisateurs à adapter leurs attentes. Les utilisateurs ont l’habitude de consulter une liste de liens ou d’appuyer sur des boutons pour filtrer un ensemble de données. À l’inverse, un curateur d’IA synthétise des réponses à partir de sources dont les utilisateurs ignorent parfois l’existence. Cela peut réduire leur sentiment de maîtriser le filtrage et les obliger à faire confiance aux choix de l’agent. Des mécanismes de recherche familiers peuvent aider les utilisateurs à s’adapter à la curation pilotée par l’IA sans perdre confiance ni contrôle.
Comment OpenAI s’appuie sur des modes d’interaction familiers pour faciliter la découverte d’informations structurées et non structurées.
Présenter les mécanismes de recherche comme des interactions familières :
Pour faciliter la transition depuis la recherche traditionnelle, proposez des interactions familières plutôt qu’une page blanche. Les utilisateurs seront plus à l’aise si l’expérience repose sur des options reconnaissables, des questionnaires et des suggestions contextuelles.
Utiliser des boutons comme prompts plutôt que d’exiger une saisie libre :
La saisie de texte libre peut sembler intimidante ou chronophage. Des boutons prédéfinis ou générés automatiquement rendent la curation plus accessible. Par exemple, « Filtrer par date, du plus récent au plus ancien », « Comparer les prix » et « Inclure les sources internationales » peuvent aider les utilisateurs à affiner les résultats. Cela réduit les obstacles à la participation, encourage l’exploration et adapte les recommandations de l’IA à l’intention de l’utilisateur.
Permettre aux utilisateurs de raconter leur histoire pour affiner les résultats :
Parfois, un récit exprime plus efficacement les besoins d’un utilisateur que des requêtes directes ou des filtres. Dans les situations complexes, comme l’exploration de tableaux de bord denses ou la recherche du bon produit, les outils traditionnels peuvent submerger les utilisateurs, qui ne savent pas toujours quels paramètres ajuster.
Lorsque les utilisateurs peuvent « raconter leur histoire » en décrivant un problème, un objectif personnel ou le produit recherché, l’IA peut traduire ce récit en paramètres de recherche structurés. Par exemple, une personne disant « Je viens d’emménager dans un logement plus petit et j’ai besoin de solutions de rangement polyvalentes et abordables » pourrait recevoir une sélection de produits, des conseils pratiques et des recommandations pertinentes.
Le recours au récit réduit non seulement l’effort cognitif nécessaire pour choisir les filtres, mais renforce aussi la confiance dans la sélection finale et la rend plus claire.
Utiliser des mèmes et des références culturelles pour personnaliser la découverte :
Les mèmes facilitent la curation par l’IA de deux façons : ils enrichissent la compréhension que l’agent a de l’utilisateur et rendent les résultats plus vivants, humains et parlants. Premièrement, en sélectionnant ou en citant des mèmes illustrant leurs objectifs, leur humeur ou leur style (« Aujourd’hui, je suis dans l’ambiance “Fais-toi plaisir” ! »), les utilisateurs partagent en quelque sorte leur « théorie de l’esprit » avec l’IA. Cela aide l’agent à affiner sa curation en déduisant un contexte qui pourrait se perdre dans une interface graphique ou une requête textuelle classique.
Deuxièmement, l’agent peut « restituer » les résultats sous forme de « kits de démarrage » thématiques ou inspirés de la culture populaire, pour rendre les recommandations plus pertinentes et personnalisées. Par exemple, si une personne réaménage son bureau à domicile, l’IA pourrait créer un « kit de démarrage pour le télétravail » réunissant accessoires de bureau, technologies et sources d’inspiration.
Clarifier la suite pour l’utilisateur grâce aux meilleures actions suivantes :
Que les résultats d’un agent d’IA soient pertinents ou non, les utilisateurs doivent pouvoir affiner facilement les paramètres. Ils pourraient, par exemple, demander « Montrez-moi davantage d’articles semblables au numéro 2 » ou « Excluez les sources antérieures à 2020 ». Des suggestions d’actions suivantes peuvent guider les nouveaux utilisateurs sans les submerger.
Définition : Les agents d’IA sont souvent présentés comme un moyen de déléguer un travail traditionnellement humain. Leur capacité à collaborer en temps réel reçoit moins d’attention. Au lieu de simplement suivre des instructions ou générer du contenu, un agent peut poser des questions qui stimulent la réflexion, remettre en cause les hypothèses et proposer d’autres perspectives. L’IA devient ainsi un partenaire de réflexion qui aide les utilisateurs à améliorer leur travail à mesure qu’il progresse.
Son utilité : Nous bénéficions tous de retours opportuns, mais nous n’en recevons pas toujours. La contradiction comme le soutien peuvent nous aider à repérer des tendances avant que nous ne nous attachions trop à une idée. Les agents d’IA peuvent remettre en cause nos hypothèses, générer des idées et proposer d’autres interprétations des données sans remplacer le jugement humain. Nous avons constaté que ce type de retour agentique est souvent bien accueilli.
Les agents d’IA peuvent produire des contre-arguments qui révèlent des lacunes dans le raisonnement ou mettent en lumière d’autres perspectives.
Le défi : Les retours de l’IA doivent être intuitifs et exploitables, sans quoi ils deviennent une source de distraction. Personne ne souhaite qu’un agent l’interrompe avec des suggestions hors sujet ou critique le moindre détail. L’IA doit intervenir aux moments appropriés et sur le bon ton. Si elle est trop passive, des occasions utiles sont manquées ; si elle est trop agressive, les utilisateurs peuvent avoir l’impression que leur jugement est constamment remis en cause.
Le défi consiste à choisir comment présenter les retours de l’IA : sous forme d’indices, de révision facultative ou de dialogue ? La qualité de l’interaction déterminera si les utilisateurs adoptent l’IA comme partenaire ou n’y voient qu’un Clippy 2.0.
Veiller à ce que les retours soient proactifs sans être agaçants :
Laissez l’IA proposer des suggestions aux moments de pause naturels. Dans un éditeur de documents, par exemple, elle pourrait attendre qu’une phrase ou un paragraphe soit terminé avant de suggérer une révision. Nous avons aussi envisagé qu’un agent attende brièvement après la sélection d’un champ de texte vide avant de proposer son aide. Le ton compte : « Voici une idée à envisager… » semble plus constructif qu’une affirmation abrupte.
Transformer les retours en dialogue exploratoire :
Si un retour manque de clarté, permettez aux utilisateurs de poser facilement des questions telles que « Pourquoi suggérez-vous de modifier ceci ? » Une personnalité d’IA curieuse peut rendre l’échange plus constructif. À la manière d’un thérapeute ou d’un animateur attentif, l’agent peut poser des questions pertinentes au bon moment et transformer le retour en conversation instructive pour l’utilisateur.
Cela aide aussi l’IA à recueillir du contexte, permettant à l’utilisateur et à l’agent de développer une compréhension commune plus claire.
Proposer plusieurs options, idées ou solutions :
Au lieu de proposer une seule idée, solution ou piste de réflexion, un agent peut présenter plusieurs perspectives. Par exemple, un agent de conception pourrait générer trois mises en page différentes, tandis qu’un agent de rédaction proposerait plusieurs versions d’une phrase adaptées à différents publics. Proposer des options confirme que l’utilisateur garde le contrôle.
Veiller à ce que les retours tiennent compte du contexte :
L’agent doit adapter son rôle de « partenaire de réflexion » au contexte actuel de l’utilisateur. Si une personne marque une pause devant une question ou un champ de texte, l’IA pourrait poser une question stimulante plutôt que de fournir immédiatement une réponse complète. Lorsqu’un utilisateur souhaite seulement reformuler une phrase, une suggestion concise qu’il peut accepter ou refuser l’aide à préserver son sentiment d’appropriation.
Surtout, l’IA doit savoir quand se retirer : des échanges trop longs peuvent créer une « boucle infernale » de modifications sans fin et saper la confiance de l’utilisateur. En restant attentif au contexte et aux actions de l’utilisateur, l’agent d’IA peut adapter ses retours afin d’être véritablement utile sans dépasser les limites.
Définition : La conscience situationnelle désigne la capacité d’un agent à interpréter en temps réel les informations contextuelles et à adapter son comportement en conséquence. Au lieu de s’appuyer uniquement sur des données prédéterminées, les agents d’IA peuvent traiter en continu des informations sur l’environnement, l’état actuel de l’utilisateur et d’autres conditions pertinentes.
Il peut s’agir d’adapter une interface aux besoins immédiats d’un utilisateur ou d’interpréter les conditions actuelles du marché pour rendre les réponses plus pertinentes.
Son utilité : Le monde réel n’est pas statique. Les systèmes d’IA dotés d’une conscience situationnelle peuvent être plus utiles, car ils réagissent aux conditions actuelles. Lorsqu’un agent comprend le contexte pertinent, les interactions semblent plus naturelles, personnalisées et ancrées dans la réalité.
Le défi : Il est difficile de créer une IA véritablement dotée d’une conscience situationnelle. L’accès aux données nécessaires et leur intégration peuvent entraîner une grande complexité technique.
La frontière est mince entre une conscience contextuelle utile et une intrusion excessive. Les utilisateurs apprécient un agent qui « comprend », mais peuvent être mal à l’aise s’il demande trop d’informations ou semble trop insistant. Les circonstances pouvant évoluer rapidement, l’expertise et le jugement humains restent essentiels.
Un système d’IA efficace a donc besoin des indications des utilisateurs pour conserver une compréhension utile et actuelle de leur situation.
Montrer aux utilisateurs à quoi ressemble un bon contexte :
Les modèles de raisonnement tels qu’OpenAI o1 ont changé la manière dont les utilisateurs fournissent du contexte aux grands modèles de langage. Quel que soit le modèle, un contexte détaillé favorise des réponses plus pertinentes. Des exemples clairs, du texte indicatif et des conseils dépliables peuvent montrer aux utilisateurs quelles informations fournir et expliquer leur importance.
Montrer explicitement à l’utilisateur à quoi ressemble un « bon contexte » élimine les incertitudes qui l’empêcheraient autrement de préciser des détails utiles.
Faciliter la définition des limites de l’agent :
Les besoins immédiats d’un utilisateur sont importants, mais ne sont pas toujours évidents. Un agent doté d’une conscience situationnelle peut collaborer avec l’utilisateur pour définir les sujets, domaines et outils à explorer. La recherche approfondie dans ChatGPT suit cette approche en posant des questions de clarification avant de commencer une tâche de recherche.
Afficher le contexte afin de faciliter les modifications et ajouts rapides :
Les utilisateurs peuvent avoir besoin d’un aperçu des hypothèses actuelles de l’IA concernant leurs objectifs, leurs priorités et leurs sources de données. Un panneau dédié peut expliquer la date limite de ses connaissances, ses hypothèses actuelles et les données pertinentes. Une icône pourrait indiquer l’utilisation de données de localisation, tandis qu’un résumé préciserait le nombre d’enregistrements ayant contribué à un enseignement.
Il est utile de voir ce que l’IA « sait » et de pouvoir ajouter, supprimer ou actualiser facilement le contexte pertinent.
Laisser l’IA sélectionner les fonctionnalités de l’interface selon leur utilité :
Les agents d’IA peuvent activer ou désactiver certaines fonctionnalités selon les indices situationnels. Lorsqu’une personne rédige un livre blanc, un agent pourrait activer des outils de citation avancés ; lorsqu’elle modifie des notes de présentation, il pourrait mettre en avant les fonctions d’édition. Cela permet des expériences ciblées sans obliger les utilisateurs à gérer manuellement chaque paramètre.
Définition : La conception d’expériences et le développement de produits traitent souvent la recherche utilisateur comme une phase distincte, au début d’un projet ou à intervalles définis. La découverte continue considère la compréhension des comportements, besoins et préférences des utilisateurs comme un processus permanent. L’IA peut transformer les conversations, les clics et les commentaires en occasions de révéler des enseignements que les utilisateurs n’expriment pas explicitement.
En substance, l’IA continue d’apprendre et de s’adapter en temps réel au domaine du problème.
Son utilité : Il peut être difficile d’obtenir des retours utiles d’experts, de professionnels et du grand public sur l’efficacité ou la facilité d’utilisation d’un résultat produit par l’IA. Les agents peuvent aider à recueillir les réactions, les enseignements et les intuitions en contexte, pendant que l’expérience est encore fraîche.
Le défi : Les retours indiquent souvent ce qui s’est passé ou si l’utilisateur a apprécié le résultat, sans expliquer pourquoi. Demander aux utilisateurs de se souvenir de chaque étape de leur réflexion et de la consigner peut sembler fastidieux, même si ces enseignements amélioreraient les capacités futures d’un système.
C’est particulièrement important dans les systèmes d’IA soumis à de fortes contraintes, où un échange conversationnel ouvert peut n’être ni souhaitable ni possible.
Utiliser des indicateurs descriptifs pour recueillir les réactions :
Un simple « pouce levé » ou « pouce baissé » explique rarement la réaction d’un utilisateur. Des indicateurs descriptifs, comme « utile pour planifier le budget » ou « informations réglementaires manquantes », fournissent un contexte plus utile. Ces indicateurs peuvent refléter l’interaction en cours ou inviter les utilisateurs à donner brièvement leur point de vue, transformant ainsi une note en information dont l’IA peut tirer des enseignements.
Guider les agents d’IA avec des « cartes mémoire » :
Lorsque l’IA commet une erreur ou ne réussit que partiellement, donnez aux utilisateurs un moyen simple de la corriger ou de lui « apprendre ». Par exemple, un agent pourrait demander : « Comment le formuleriez-vous ? » ou « Quel détail avons-nous oublié ? » Les indications obtenues peuvent être conservées pour l’interaction en cours ou réutilisées ultérieurement.
Apprendre par l’itération et la variation :
Parfois, le meilleur retour vient d’une nouvelle tentative. De simples commandes de régénération permettent aux utilisateurs de comparer de nouvelles options et d’indiquer leurs préférences. Ces choix relient la saisie initiale à un résultat plus utile et intègrent l’expérimentation au processus d’apprentissage.
Observer les interactions :
Les agents d’IA peuvent collaborer pour tirer des enseignements de multiples interactions. Par exemple, pendant qu’un agent crée une synthèse de recherche, un autre pourrait analyser l’échange afin d’évaluer l’expérience. À la manière d’ethnographes, ces agents peuvent repérer les écarts entre l’intention d’une personne et sa perception de la qualité du résultat.
Ces observations peuvent favoriser l’amélioration continue en faisant ressortir des enseignements et en suggérant des modifications du système.
Définition : L’amplification adapte la saisie, le prompt ou l’instruction d’un utilisateur afin de produire un meilleur résultat tout en préservant l’intention initiale. En coulisses, l’IA effectue un travail supplémentaire qui dépasse la demande explicite. Par exemple, le « prompting fantôme » peut enrichir une requête avant que le système ne génère une réponse.
L’utilisateur fournit une idée initiale, puis l’agent développe cette saisie lorsque cela peut améliorer le résultat.
Son utilité : Les utilisateurs donnent souvent des instructions brèves ou générales, alors que la meilleure réponse peut nécessiter des étapes supplémentaires. Les agents d’IA peuvent combler cet écart sans obliger les utilisateurs à tout expliquer. Par exemple, demander à une IA de « trouver des idées marketing pour mon nouveau café » pourrait autrement produire une liste générique.
Une approche amplifiée pourrait mener plusieurs séances d’idéation de plus en plus ambitieuses et combiner les meilleures idées, afin de créer un résultat plus riche et varié.
Le défi : Le travail en coulisses peut réduire le sentiment d’appropriation et de transparence de l’utilisateur. Si une IA modifie la demande d’une personne sans expliquer ce changement, elle risque de produire un résultat non souhaité. Les concepteurs doivent trouver un équilibre entre une amplification utile et le risque de manipulation indésirable.
Le défi de conception consiste à permettre aux utilisateurs de guider l’amplification lorsqu’ils le souhaitent.
Préserver l’intention de l’utilisateur et la développer :
L’amplification doit renforcer les objectifs déclarés d’un utilisateur sans en introduire de nouveaux. Une fois que l’IA a développé un prompt ou exécuté des tâches en arrière-plan, elle-même ou un validateur distinct doit comparer le résultat final à la demande initiale. Tout ajout inattendu doit être clairement signalé.
Utiliser l’amplification au service de la sécurité et de la créativité :
Des techniques comme le prompting fantôme peuvent susciter des inquiétudes quant à la modification discrète des demandes des utilisateurs. Pour maintenir la confiance, utilisez-les afin d’améliorer la clarté, la sécurité ou l’exhaustivité sans compromettre l’intention de l’utilisateur. Si un ajustement lié à la sécurité est nécessaire, expliquez-le ou fournissez un retour immédiat.
Les utilisateurs peuvent voir le résultat d’une modération sans en connaître la logique ni les critères sous-jacents.
S’inspirer de techniques d’animation éprouvées :
Les agents d’IA peuvent appliquer des méthodes d’animation et de collaboration, telles que les Liberating Structures, pour favoriser des interactions productives. Ces cadres légers aident à maximiser le potentiel créatif et analytique d’une personne.
Pendant une conversation, l’agent peut s’appuyer sur des méthodes familières d’idéation et de sélection des idées. De légers changements dans le déroulement de l’échange peuvent générer un éventail plus large d’idées et d’enseignements.
Utiliser des fils parallèles pour faire émerger du contenu utile :
Plutôt que de s’appuyer sur un seul échange linéaire, un agent peut explorer simultanément plusieurs interprétations, idées ou solutions. Cela ressemble à un groupe d’experts qui réfléchissent sous différents angles sans perdre d’enseignements utiles.
Un processus de coordination peut réunir ces différentes pistes d’exploration en une réponse cohérente et exploitable.
Utiliser l’amplification pour former les utilisateurs :
Une amplification bien conçue peut également apprendre aux utilisateurs à interagir plus efficacement avec l’IA. Si un agent explique « J’ai tenu compte de X et de Y dans ma réponse », les utilisateurs pourront inclure ces facteurs dans leurs prochaines demandes. Il en résulte une double amélioration : de meilleures réponses immédiatement et de meilleures saisies au fil du temps.
Définition : Ce modèle facilite la compréhension du raisonnement des agents d’IA. Des interactions bien pensées peuvent expliquer pourquoi un agent a produit une réponse, mettre en avant les sources qui l’étayent ou rendre visibles les étapes pertinentes de son processus. L’objectif est de favoriser une prise de décision humaine efficace sans submerger l’utilisateur.
La présentation du raisonnement pertinent est optimale lorsque les utilisateurs peuvent l’explorer progressivement et choisir le niveau de détail nécessaire.
Son utilité : La confiance est essentielle à l’adoption de l’IA, en particulier dans les entreprises. Les utilisateurs sont moins susceptibles de se fier à un système s’ils ne peuvent ni comprendre ni vérifier son comportement. Des résultats transparents facilitent le diagnostic des problèmes, la correction des erreurs et la répétition des approches utiles.
Le défi : Il peut être difficile d’expliquer les décisions de l’IA. Trop de détails peuvent submerger les utilisateurs, tandis que les probabilités ou les longs résumés du raisonnement peuvent être difficiles à interpréter. La transparence ne garantit pas non plus l’exactitude.
Les concepteurs doivent tenir compte de la qualité de l’explication, de la clarté de sa présentation et de la manière d’intégrer les éléments probants à un dialogue utile.
Permettre aux agents de réfléchir largement, puis condenser les résultats :
L’IA peut analyser un problème en profondeur tout en présentant les résultats sous une forme facile à assimiler. Les résumés hiérarchiques et la divulgation progressive permettent aux utilisateurs de commencer par l’enseignement principal, puis de développer les détails justificatifs si nécessaire.
Une interaction bien conçue peut faciliter l’exploration d’informations complexes sans sacrifier la profondeur ni la clarté.
Fournir des citations et références explorables :
Les réponses générées par l’IA doivent offrir aux utilisateurs un moyen clair d’examiner les sources qui les étayent. Il peut s’agir de liens, d’extraits de rapports internes, de résultats de recherche pertinents ou d’une vue approfondie des données quantitatives.
Dans les systèmes de génération augmentée par récupération, par exemple, les utilisateurs doivent pouvoir passer d’un résumé de l’IA aux éléments probants sous-jacents. Cela facilite la vérification et permet l’examen approfondi qui renforce la confiance.
Communiquer les signaux de progression importants :
Les workflows complexes d’un agent peuvent impliquer un changement de direction, un retour sur des étapes antérieures ou la combinaison de plusieurs pistes d’investigation. Les utilisateurs tolèrent plus facilement les délais lorsqu’ils comprennent ce qui se passe. Des informations claires sur la progression peuvent expliquer ce que l’agent a terminé, ce qu’il fait et ce qui suivra.
L’agent doit aussi expliquer quand il est bloqué ou quand une décision nécessite des perspectives supplémentaires.
Révéler progressivement les résultats de l’IA :
Au lieu de présenter toute la réponse en une seule fois, un agent peut révéler les informations par étapes. Par exemple, un assistant en investissement pourrait afficher une brève recommandation et proposer d’en développer la justification : « Étape 1 : évaluer le profil de risque. Étape 2 : examiner le portefeuille actuel. Étape 3 : repérer les possibilités de diversification. Étape 4 : formuler une recommandation. » Les utilisateurs souhaitant plus de détails peuvent explorer chaque étape, tandis que les autres peuvent s’en tenir au résumé.
Expliquer visuellement le raisonnement de l’IA :
Les explications doivent être aussi compréhensibles que le résultat principal. Lorsque le raisonnement porte sur des nombres ou des relations, des graphiques et des schémas peuvent être utiles. La visualisation des requêtes, du processus, du raisonnement et des sources d’un agent peut aussi aider les utilisateurs à rectifier sa trajectoire, à expliquer le résultat à d’autres ou à répéter ultérieurement le processus.
Des explications visuelles claires aident les utilisateurs à comprendre les informations et à agir plus rapidement.