Régulez votre propre apprentissage

En ce qui concerne la gestion de l’utilisation de l’IA générative au travail, au-delà des lignes directrices, principes ou politiques définis par votre organisation, vous devrez anticiper un minimum de guidance. Ce n’est pas que vous serez complètement laissé à vous-même, mais étant donné que cette technologie est relativement nouvelle et évolue rapidement, il est difficile pour quelqu’un qui gère votre travail de vous dire exactement ce qui sera le plus utile. Vous êtes la meilleure personne pour le savoir.

Lorsque vous apprenez à utiliser l'IA générative et à l'appliquer à votre propre travail, vous devez prendre le contrôle de votre propre parcours d'apprentissage. Cette approche proactive vous permet de personnaliser vos expériences d'apprentissage avec la technologie et de faire correspondre l’outil à vos préférences, objectifs et compétences. En comprenant et en appliquant diverses stratégies d’apprentissage pour gérer la manière dont vous apprenez avec l’IA générative, vous pouvez optimiser la manière dont vous acquérez de nouvelles connaissances et compétences, rendant le processus plus efficace et gratifiant. Ce pouvoir vous permet de naviguer dans l’intégration de la technologie avec plus de confiance, vous garde motivé et vous aide à définir, gérer et atteindre vos objectifs d’apprentissage de manière plus efficace. En essence, reprogrammer votre façon d’apprendre avec l’IA générative vous transforme d'un récepteur passif dont l'intégration à la technologie doit être gérée par quelqu'un d'autre, en un concepteur actif de votre propre apprentissage.

Un aperçu condensé de l'auto-régulation

Dans l’esprit de ce chapitre, cette section vous fournit un aperçu très condensé et bref d'un domaine de connaissance qui nécessite une exploration plus approfondie. Ce n'est pas parce que le matériel est ennuyeux, bien au contraire, mais une grande partie de ce qui a été écrit sur l'apprentissage peut être épuisant. En bref, dans la littérature et la recherche éducative, la gestion de son propre apprentissage est couramment appelée auto-régulation. Il existe de nombreuses références et sources sur l'apprentissage auto-régulé et l'apprentissage autonome au travail. Voici quelques-unes des premières :

• Théorie de l'apprentissage social (1977) : Le travail de Bandura et Walters a jeté les bases de la compréhension de la manière dont les individus régulent leur propre apprentissage par l’observation, l’imitation et le modèle. Leur concept d’auto-efficacité est crucial pour l’apprentissage auto-régulé (SRL). • Une vue cognitive sociale de l’apprentissage académique auto-régulé (1989) : Barry Zimmerman est l’une des figures de proue de la recherche sur le SRL. Son travail se concentre sur les processus par lesquels les apprenants fixent des objectifs, surveillent les progrès et réfléchissent sur les résultats. Zimmerman a défini une grande partie des critères qui contribuent à l'opérationnalisation de l'auto-régulation.

• Le rôle de l’orientation des objectifs dans l’apprentissage auto-régulé (2000) : Les recherches de Paul Pintrich mettent l’accent sur le rôle de la fixation des objectifs et des aspects motivationnels dans le SRL.

• Le praticien réflexif (1979) : Le travail de Schön est fondamental pour comprendre comment les professionnels apprennent par la réflexion en action et la réflexion sur l’action. La réflexion en action fait référence à la réflexion au moment même, pendant l’accomplissement des tâches, y compris des tâches d’apprentissage.

• Apprentissage expérientiel : L’expérience comme source d’apprentissage et de développement (2014) : La théorie de l’apprentissage expérientiel de Kolb est essentielle pour l’apprentissage en milieu de travail, soulignant le rôle de l’expérience dans le processus d’apprentissage.

• La cinquième discipline (1997) : Le concept d’organisation apprenante de Senge a influencé la compréhension de la manière dont l’apprentissage se produit au sein des entreprises et de la manière dont elles peuvent encourager une culture d’apprentissage continu.

Ces sources fournissent une base solide pour comprendre le développement des théories et des pratiques liées à l’auto-régulation de l’apprentissage et à l’apprentissage autonome dans le milieu professionnel. Cependant, au-delà des théories, une bonne question à poser est : Comment puis-je intégrer l'apprentissage avec l'IA générative tout en restant productif au travail ?

Ce qui doit être géré

• Ce que vous devez apprendre : Identifier ce qui est important pour vous d’apprendre et intégrer, et ce qui ne l’est pas, est une bonne stratégie. Cela vous fera économiser du temps et de l’argent pour l’entreprise. Cependant, il y aura toujours une zone d'expérimentation qui pourrait inspirer votre travail, donc accorder du temps aux outils que vous n'aviez peut-être pas considérés comme nécessaires pourrait mener à des idées nouvelles.

• Comment vous apprenez : À mesure que vous prenez conscience de la manière dont vous apprenez, vous serez en mesure de gérer comment, quand, quoi et où vous apprenez l’IA générative.

• Comment vous documentez ce que vous apprenez : Construire un écosystème d’outils d’IA générative au travail exigera des expérimentateurs qu’ils documentent leur utilisation des outils. Cela aidera tous les membres de l’équipe et aidera l’organisation à reconnaître les avantages et les inconvénients de certains outils et de leur intégration dans les flux de travail individuels.

• Le temps que vous passez : L'intégration de l'IA générative vous emmènera dans un territoire inconnu qui pourrait vous conduire vers de nouveaux lieux créatifs que vous n’aviez pas envisagés. Il est important de limiter ce temps consacré à la technologie et de documenter combien de temps vous l’utilisez dans des workflows spécifiques.

Stratégies pour gérer l’IA générative au travail

Lorsque nous parlons d’intégration de l’IA générative au travail et de sa gestion, il existe des stratégies que chacun peut appliquer. Chaque stratégie ne sera pas très étrangère à la plupart, car elles sont des extensions du travail que vous faites déjà. Ce qui est important à comprendre, c’est que la technologie étant nouvelle, il est nécessaire de communiquer vos intentions à vos responsables, de partager les résultats et d’expérimenter, car personne ne peut vraiment vous dire exactement comment cette technologie vous aidera.

• Redéfinir les objectifs : Définir des objectifs clairs et spécifiques quand vous travaillez avec l’IA, comme ce que vous attendez du contenu généré par l’IA.
• Surveiller soi-même : Surveiller le processus en continu, réfléchir aux méthodes utilisées et comparer les résultats obtenus avec ceux attendus.
• S’autoévaluer : Évaluer la qualité et la pertinence des contenus générés, ce qui encourage la pensée critique et l'amélioration continue.
• S’adapter : Apprendre à ajuster vos stratégies et méthodes face aux résultats imprévus produits par l’IA.
• Comprendre le problème fondamental à résoudre : L’IA générative est un moyen d’arriver à un objectif, mais le véritable problème à résoudre réside souvent dans le processus humain derrière ce travail.

Ces stratégies vous permettront non seulement de gérer l’intégration de l’IA générative, mais aussi de l'utiliser pour améliorer vos performances professionnelles tout en restant productif.

Prendre des décisions éclairées

Vous êtes le meilleur juge pour décider comment et si vous intégrez l'IA générative. Cela signifie que vous devrez prendre plusieurs décisions sur le moment et la manière d'utiliser efficacement un outil d'IA générative, car ces orientations ne viendront pas toujours d'un responsable d'équipe, de la direction ou des dirigeants. Cela peut renforcer vos capacités décisionnelles, vous obligeant à prendre en compte divers facteurs tels que la pertinence de l'IA dans un contexte donné. La décision d'utiliser ou non l'IA peut également conduire à ce que certains appellent la paralysie de l'analyse dans les milieux professionnels. En effet, lorsqu'il y a trop de choses à prendre en compte dans l'implémentation de l'IA générative, la décision la plus simple est de reporter son application à un moment ultérieur. La décision d'appliquer un outil d'IA générative entraîne d'autres questions. Ce n'est pas aussi simple que d'aller sur Internet, d'accéder à un outil d'IA générative public, de le solliciter et de générer du contenu. Il y a des questions auxquelles il faut répondre, et non simplement les ajouter à une liste de tâches à faire et les ranger soigneusement dans un tiroir :

• Qui a besoin de quel outil et pourquoi ?
• Quel sera le coût ?
• Quelles sont les différences entre les outils gratuits et payants ?
• Qui va payer pour l'utilisation d'un outil spécifique ?
• Comment une personne ou une équipe justifie-t-elle l'achat et l'utilisation d'un outil ?
• Quelles sont les conséquences pour notre organisation de l'utilisation de ces outils ?
• Quels sont les impacts sur la confidentialité des données ?
• Comment utiliser ces outils et qui va former nos équipes à leur utilisation ?
• Est-il nécessaire que le service juridique soit impliqué ?
• Quel impact l'utilisation de tout outil d'IA générative aura-t-elle sur la qualité de notre production ?
• Quelles sources de connaissances sur l'IA générative les dirigeants écoutent-ils lorsqu'ils mettent en œuvre la technologie au travail ?

Si vous avez un doute sur les raisons pour lesquelles les organisations ont du mal à implémenter rapidement les outils d'IA générative, sachez que ces questions ne sont pas exhaustives. Répondre à chacune d'elles est crucial avant de se précipiter, quel que soit la taille ou l'ancienneté de votre organisation. Documenter ces décisions et communiquer les réponses à vos équipes aidera grandement à permettre à vos collègues de prendre des décisions plus facilement. La dernière question de la liste est particulièrement importante et chaque dirigeant doit y répondre. Répondre à cette question nécessite des qualités d'enquêteur, en particulier si vous voulez comprendre la valeur de l'implémentation de la technologie et le retour sur investissement.

Limiter le temps d'expérimentation

L'expérimentation avec différents outils d'IA générative peut vous mener dans un gouffre de perte de temps. L'utilisation efficace de l'IA générative dans vos flux de travail nécessite une bonne gestion du temps, notamment en équilibrant votre utilisation du contenu généré par l'IA et la manière dont les autres membres de l'équipe vous soutiennent dans ces mêmes flux de travail. Faire des comparaisons avec et sans IA générative peut fournir des informations utiles sur la valeur de son utilisation dans votre cas particulier. Planifier du temps pour apprendre à utiliser efficacement un outil d'IA générative est également un facteur important à prendre en compte.

Assumer la responsabilité personnelle de l'intégration de l'IA

L'auto-régulation signifie également prendre la responsabilité du travail que vous effectuez et de la manière dont vous vous comportez dans une organisation. Cela inclut votre compréhension et votre capacité à suivre les valeurs qui ont été intégrées dans votre organisation. Si elles sont floues, vous devez demander plus de clarté, surtout en ce moment où les implications éthiques de l'utilisation de l'IA générative, y compris les questions de biais, d'équité et de transparence, sont au premier plan pour toute organisation. Par exemple, toute votre équipe bénéficiera de votre recherche sur les codes de conduite ou les politiques de l'IA générative que l'entreprise qui développe la technologie a mises en place. Connaître et communiquer cette information à vos membres d'équipe montrera que vous vous souciez suffisamment des valeurs de votre organisation pour vous assurer que la décision d'utiliser un outil d'IA générative soit en adéquation avec ces valeurs. Cela vous aidera également, ainsi que votre équipe, à répondre aux critiques internes et externes, comme "Pourquoi utilisez-vous cet outil d'IA générative pour votre travail ?"

Collaborer et communiquer

L'intégration de l'IA dans les flux de travail nécessitera de communiquer de manière persistante avec vos pairs sur la qualité de tout contenu généré, ses limites et ses utilisations potentielles au sein des flux de travail existants. Les modèles de langage de grande taille (LLM) peuvent également être utilisés comme outils d'apprentissage collaboratif, où un bot GPT personnalisé, par exemple, peut porter des connaissances organisationnelles spécifiques sous une forme plus interactive de FAQ. Cela aide à développer une compréhension partagée des concepts qui peuvent être spécifiques aux flux de travail d'une équipe, et, si ces outils sont accessibles par des individus d'autres équipes, cela peut accélérer leur compréhension des valeurs de cette équipe et du langage qu'ils utilisent pour décrire les processus qu'ils entreprennent.

Gérer les processus automatisés

La possibilité de programmer une IA générative multimodale pour automatiser certaines tâches présente des avantages et des inconvénients. La capacité d'automatiser ne signifie pas qu'un humain soit exclu de l'équation, elle met plutôt en évidence l'importance de l'auto-régulation. Là où auparavant une partie de votre travail pouvait être envoyée pour approbation ou révision par un manager, lorsque une partie de votre flux de travail peut être automatisée, l'intégration de l'IA exige que vous révisiez votre propre travail bien avant que quelqu'un d'autre ne l'évalue. Il existe de nombreuses dépendances liées au contexte et aux flux de travail uniques de chacun d'entre nous. Selon le professionnel créatif Dan Jackson, il peut arriver que vous passiez huit heures à maîtriser un seul outil, à l'appliquer à votre travail, pour finalement réaliser, après révision, qu'il n'est tout simplement pas suffisant pour être utilisé. Cela, malgré le fait que vous auriez pu accomplir ces tâches en moins de temps dans le cadre de votre flux de travail.

Faciliter un environnement de travail propice à l'auto-régulation

Il est encore trop tôt pour dire comment l'intégration de l'IA générative dans nos flux de travail quotidiens influencera la capacité des individus à s'auto-réguler, plutôt que de se voir imposer l'utilisation d'outils spécifiques dans leurs flux de travail. La recherche sur les caractéristiques de l'auto-régulation des personnes utilisant des outils d'IA générative au travail en est également à ses débuts. Beaucoup d'organisations se précipitent, inspirées par des affirmations infondées selon lesquelles les outils d'IA générative rendent le travail plus efficace. Il est impossible de faire de telles généralisations à travers différents environnements de travail ou même au sein d'une même organisation. Pour ces raisons, il est important que les membres d'équipes dans les organisations ayant déjà adopté l'IA générative suivent leurs progrès et évaluent l'utilité d'un outil d'IA. Pour ceux qui n'ont pas encore intégré l'IA générative, il existe des stratégies que les organisations peuvent essayer, visant à déclencher des habitudes d'auto-régulation.

Encourager les comportements auto-régulés dans l'intégration de l'IA

Voici quelques stratégies que certains dirigeants ont utilisées pour intégrer l'IA générative au sein des équipes :

• Supposer que tous les employés ont besoin d'un rappel des valeurs de votre organisation. Ces valeurs doivent être traduites en principes et lignes directrices pour guider l'utilisation de tout outil d'IA.
• Encourager l'adoption de l'IA générative au niveau de l'équipe plutôt qu'individuel, afin de stimuler l'apprentissage collaboratif et le partage des connaissances entre les employés.
• Prôner la responsabilité personnelle pour la supervision humaine et l'évaluation critique du contenu généré par l'IA à chaque étape pour garantir son exactitude, son utilisation éthique et son alignement avec les valeurs de l'organisation, de l'équipe et des objectifs de l'entreprise.
• Soutenir l'utilisation des outils d'IA générative avec autant de recherches que possible et demander à toute personne impliquée dans ce processus d'étudier également les avantages et inconvénients des outils spécifiques, ainsi que les avantages qu'ils peuvent apporter à l'augmentation de la valeur.
• Chaque employé, quel que soit son expérience, bénéficiera de l'augmentation de ses connaissances sur les systèmes d'IA pour comprendre leurs capacités et leurs limitations. Si vous voulez augmenter l'adoption, facilitez cela en fournissant des portails, des liens et des ressources, ou en externalisant cette formation.
• Créer une équipe dédiée à l'activation de l'IA, à laquelle les employés peuvent se rendre pour obtenir des idées, des autorisations ou des réponses à des questions concernant un outil particulier. Assurez-vous que l'équipe représente une large gamme de membres, comprenant au moins un responsable et un membre de la sécurité informatique.
• Comprendre comment les différences individuelles, telles que l'expérience préalable avec l'IA, les styles d'apprentissage et les traits de personnalité, peuvent influencer l'impact de l'IA générative sur l'auto-régulation. Travailler avec les membres de l'équipe pour augmenter les connaissances de chacun.
• Encourager chaque employé intéressé par le développement de compétences pour travailler correctement avec différents outils d'IA générative à rechercher sa propre formation et à partager ses connaissances avec toute l'équipe, voire l'organisation.
• Encourager l'accès privé et le développement de chatbots personnalisés pour servir de coach ou de mentor virtuel, offrant des conseils individuels, des retours et un soutien pour aider les individus à développer leurs compétences en auto-régulation.

Anticiper qu'une grande partie du travail consistera à convaincre vos collègues de la valeur de l'adoption de l'IA générative. Cependant, cela est impossible tant que vous ne pouvez pas identifier où, dans leur flux de travail, ils pourraient bénéficier de la technologie. Pour répondre à cette question, vous devez comprendre leur flux de travail, ce qui signifie avoir des conversations sur leur travail et déterminer ensemble où l'IA générative pourrait être utile.

Chatbots d'auto-régulation

Le dernier point de la liste précédente nous amène à poser une question sérieuse : les outils d'IA peuvent-ils soutenir l'auto-régulation de manière plus directe ? La réponse réside dans les dernières fonctionnalités disponibles pour ces puissants modèles d'apprentissage machine. Différents LLM offrent désormais la possibilité de développer nos propres chatbots personnalisés, adaptés au contenu qu'ils abordent et même à l'attitude qu'ils adoptent dans leur manière de communiquer les connaissances. Les systèmes de tutorat existent depuis un certain temps, mais notre capacité à individualiser un système de tutorat alimenté par l'IA est désormais possible. Ces systèmes peuvent fournir des retours personnalisés, suivre les progrès et suggérer des stratégies d'apprentissage adaptatives, incitant les apprenants à évaluer leurs propres progrès. Votre bot peut aussi être un assistant d'écriture alimenté par l'IA, capable d'analyser le style d'écriture, la grammaire et le contenu, offrant des suggestions qui encouragent à réfléchir sur le processus d'écriture et à l'améliorer.

Une autre opportunité réelle est la possibilité de personnaliser vos propres LLM avec vos propres données en utilisant la génération augmentée par récupération et les graphiques de connaissances, pour vous offrir plus de précision et de contrôle sur la manière dont les données sont identifiées et analysées. Les chatbots SRL peuvent être personnalisés pour vous soutenir dans vos efforts d'auto-régulation. Par un type d'impulsion paradoxale, leur utilisation est de vous réguler pour prendre en charge ce que vous apprenez et gérer votre travail, en vous offrant des stratégies lorsque vous en avez besoin, ou lorsque vous êtes passé dans un état d'apprentissage plus passif.