Les grands principes · Raisonner pour décider avec l’IA

Huit repères durables pour concevoir, comprendre et adapter sa manière de raisonner avec l’IA. Ils s’articulent ou s’utilisent séparément.

Définir une stratégie de raisonnement

Avant le premier prompt, je décide comment conduire le raisonnement : quelles étapes, où intervient mon jugement, jusqu’où sécuriser.

Une demande « tout-en-un » délègue à l’IA le choix des hypothèses, des critères et de la recommandation. En plusieurs étapes, l’IA structure, explore et challenge ; j’enrichis, je corrige et j’arbitre. L’IA est un partenaire de réflexion, je reste l’auteur de la solution.

Exemple

Avant le premier prompt, je décide : je cadre d’abord, j’explore ensuite, je challenge à la fin, et je garde le choix des critères. L’IA structure, je tranche.

Contre-exemple

J’écris : « Voici ma situation, dis-moi ce que je dois faire. » L’IA choisit seule les hypothèses, les critères et la recommandation. J’arrive à la fin pour juger un raisonnement déjà construit.

Contribuer au raisonnement

Une bonne demande dit aussi ce que la production de l’IA me permettra de faire ensuite.

La valeur vient de l’alternance entre productions de l’IA et contributions humaines : corriger, compléter, hiérarchiser, arbitrer. Pour chaque étape, on pense ensemble ce que l’IA produit et la réaction attendue.

Exemple

L’IA me propose cinq critères. J’en retire deux, j’en corrige un, je classe les trois qui restent. La suite en tient compte.

Contre-exemple

Je réponds « oui », « continue », « OK » à chaque étape. L’IA enchaîne très bien, mais à la fin je n’ai rien apporté.

Contextualiser avant de demander

Une IA ne connaît que le contexte qui lui est donné. Sans cadrage, elle comble les vides par des hypothèses plausibles, mais inadaptées.

On transmet faits, ressentis, contraintes et opportunités. On ne cherche pas le maximum d’informations, mais celles qui peuvent changer la compréhension ou la décision, en protégeant les données sensibles.

Exemple

Je donne les faits (équipe de huit, échéance fixe), mon ressenti (méfiance du client), les contraintes (budget gelé) et les opportunités (un sponsor motivé), sans les noms.

Contre-exemple

Je demande « comment réorganiser cette équipe ? » sans rien dire d’autre. L’IA comble les vides avec des hypothèses plausibles mais inadaptées, et je ne le vois pas.

Explorer avant de décider

Une bonne réponse est souvent un assemblage de leviers. On commence par des pistes simples, commentables et combinables.

Une recommandation trop précoce devient un point d’ancrage. On décompose d’abord l’espace de solution en briques, sans les critères pour ne pas refermer l’exploration, puis on recombine en scénarios en réintroduisant les critères.

Exemple

Je demande six pistes simples et différentes, sans critères ni recommandation. J’en combine deux et j’en ajoute une qui manquait.

Contre-exemple

L’IA m’annonce d’emblée « la » solution. Je m’y accroche : tout ce qui suit la précise, plus rien ne la remet en cause.

Critiquer avant de conclure

Une décision cohérente peut reposer sur une hypothèse fragile. Une étape de critique cherche volontairement ce qui pourrait l’invalider.

L’IA identifie les fragilités, je décide de leur impact (modifier, sécuriser, ou ne rien changer), la consolidation applique cet arbitrage. On demande quelques critiques déterminantes plutôt qu’une longue liste.

Exemple

Je demande trois critiques déterminantes de la décision retenue. J’en classe une « à intégrer » et une « à sécuriser ».

Contre-exemple

Je valide parce que l’ensemble semble cohérent. Une hypothèse fragile (la disponibilité d’une équipe, par exemple) n’a jamais été testée, et elle casse la décision au premier contact avec le terrain.

Concrétiser avant de communiquer

Une production bien formulée peut faire croire qu’une décision est aboutie alors qu’elle reste abstraite.

On rend d’abord la décision assez concrète pour lancer les premières actions, puis on la décline en livrable adapté au format et au public, sans rouvrir les arbitrages.

Exemple

Avant de rédiger la note, je demande les premières actions, leur porteur et leur échéance. Ce qui dépend du terrain, je le complète moi-même.

Contre-exemple

Je demande directement la présentation finale. Elle est convaincante, mais les actions, les responsables et les échéances ont été inventés.

Capitaliser pour réutiliser

Capitaliser, c’est sortir un raisonnement important de la conversation pour en faire une ressource durable, portable et réutilisable.

Garder seulement la conclusion perd le contexte et les arbitrages ; tout garder crée une mémoire trop lourde. Une mémoire concise, autonome et fidèle peut être reprise par un autre LLM.

Exemple

Une fois la décision prise, je demande une mémoire courte et autonome : contexte, options, décision, raisons, risques acceptés, conditions de réévaluation.

Contre-exemple

Je ne garde que « on a choisi B ». Six mois plus tard, personne ne sait pourquoi, ni quand la reconsidérer. Ou bien j’archive toute la conversation, trop lourde pour être relue.

Améliorer sa collaboration avec l’IA

Une bonne pratique se construit en observant ce qui apporte de la valeur, en simplifiant le reste et en réutilisant ce qui fonctionne.

Après un raisonnement important, on identifie ce qui a aidé, ce qui pouvait être simplifié, ce qui manquait, et une pratique à réutiliser. On simplifie avant d’ajouter des consignes.

Exemple

Après un raisonnement important, je regarde ce qui a aidé, ce qui pouvait être simplifié, ce qui manquait. Je retire une consigne devenue inutile.

Contre-exemple

Chaque rétrospective ajoute une règle. Mes prompts s’alourdissent, et je ne sais plus lesquelles servent vraiment.