Après dix-huit mois d'une expérience intensive avec Claude (IA générative d'Anthropic), sur trois projets de recherche substantiellement différents — un article académique, un livre, une série de posts, je peux vous le dire franchement : ce récit est faux.

Ce n'est pas que les IA soient mauvaises. C'est que la collaboration efficace avec une IA n'a rien d'une facilité. C'est un travail interactif, difficile, exigeant, imprévisible, et justement pour cette raison, profondément intéressant.

Le mythe de la « réponse rapide »

Le mythe (et ce que l’on nous vend) : vous avez une question, l'IA vous la résout, vous gagnez du temps.

La réalité : vous avez une intuition vague. Vous la formulez à l'IA. Elle vous propose quelque chose qui n'est pas exactement ça. Vous itérez, vous insistez. Elle précise. Vous découvrez que votre intuition initiale était incomplète. Vous en posez une nouvelle. Vous travaillez ensemble sur une question qui n'existait pas au départ.

Cela peut prendre beaucoup de temps parfois. Ce n'est pas rapide. Mais c'est fécond — parce qu'on pense différemment.

Trois expériences, trois leçons

1. La recherche sur l'écosystème d'orientation (3 mois)

Démarrage : préparation d'une conférence. Basculement : une observation empirique sur LinkedIn (la composition d'un comité scientifique révélant une nouvelle forme de gouvernance hybride) transforme le projet en véritable recherche. L'IA devient alors un partenaire analytique : elle teste systématiquement plusieurs cadres théoriques sur les mêmes données, révélant leurs capacités explicatives respectives et leurs points aveugles.

Leçon : l'IA n'accélère pas — elle approfondit. Et elle le fait parce qu'il y a une expertise humaine qui guide, qui valide, qui refuse les explications incompatibles avec la réalité empirique. Autrement dit l’humain ne peut être un naïf dans le domaine.

2. La production d'un livre (6 mois, 7 phases)

Démarrage : un manuscrit empirique et analytique. Enjeu : le transformer en démonstration théoriquement cohérente. L'IA lit, identifie les redites, propose des réécritures. Mais la vraie mutation vient quand on choisit une théorie unifiante, ici, la théorie de la traduction de Callon-Latour. L'IA restructure alors tout le livre autour de ce cadre. Chaque chapitre est réécrit. Chaque concept est harmonisé.

Cela n'a rien d'une facilité : c'est une réécriture majeure qui exige du chercheur une clarté théorique constante pour valider ou refuser chaque reformulation. L'IA facilite la réécriture, mais une relecture constante de sa pertinence reste nécessaire.

Leçon : la collaboration devient utile quand on a une vision forte. L'IA l'exécute alors rigoureusement. Sans vision, elle produit du bruit.

3. La série de posts sur les "éléphants du discours" (4 mois)

Démarrage : une intuition (le système éducatif fonctionne comme un mécanisme d'invisibilisation). Enjeu : transformer cette intuition personnelle en démonstration rigoureuse et accessible.

L'IA évolue de partenaire rédactionnel (« aide-moi à structurer mes idées ») à sparring-partner intellectuel (« teste ma métaphore », « anticipe comment les gens vont réagir », « dis-moi ce que je ne vois pas »).

Au final : des posts modulaires à deux niveaux (descriptif pour l'accessibilité, théorique pour la rigueur), avec une architecture conceptuelle qu'aucun des deux n'aurait produite , dans ce cas, explorant rigoureusement l'invisibilisation des discours éducatifs. Un travail important sur l’invisibilisation exercée par les discours.

Leçon : à certain point, on ne sait plus très bien qui pense quoi. Mais le résultat est mieux que ce que chacun aurait produit isolément.

Ce qu'on apprend réellement

Ces trois expériences révèlent un modèle très différent de celui qu'on nous vend :

Ce qu'on vous dit :

• L'IA répond vite → faux
• L'IA remplace le chercheur → faux
• L'IA suit une méthode → beaucoup trop réducteur

Ce qui se passe vraiment :

• On dialogue, on itère, on découvre ensemble
• L'expertise humaine (contextuelle, critique, théorique) demeure irremplaçable
• Les moments clés sont souvent des bifurcations imprévisibles : une annonce sur LinkedIn, une redite détectée, une question qui émerge en cours de route, une erreur dans la réponse de l’IA qui éclaire d’un jour nouveau le problème

La collaboration est féconde quand elle est réflexive : quand on s'interroge constamment sur ce qu'on fait, pourquoi on le fait, ce qu'on vient d'apprendre.

Et ensuite ?

J'ai lancé un site — « Penser avec les IA » — pour documenter cette expérience. Pas des « 10 conseils pour utiliser ChatGPT ». Plutôt : comprendre concrètement comment on pense différemment quand on travaille sérieusement avec une IA.

Au cours des prochaines semaines, je vais publier :

1. Trois études de cas détaillées (ce qui s'est vraiment passé, comment, pourquoi)
2. Une cartographie des moments critiques (où les choses ont basculé)
3. Une analyse de la division du travail (qui a fait quoi, comment ça a évolué)

Tout cela pour montrer une vraie complexité et pour convaincre qu'une collaboration réelle avec l'IA, c'est beaucoup plus intéressant que le mythe de la « facilité ».

Pour qui ?

Ce projet s'adresse à ceux qui commencent à utiliser les IA en recherche, en formation, en documentation, et qui sentent que le discours « c'est facile, c'est rapide » ne rend pas justice à ce qui se passe réellement.

C'est aussi pour les institutions, formateurs, décideurs qui voudraient comprendre : qu'est-ce qu'une collaboration réelle et rigoureuse avec une IA ? Pas pour la banaliser ou l'interdire, mais pour la penser sérieusement. 

Bernard Desclaux

À suivre sur Penser avec les IA.
https://bdesclaux.com/