Guide d’utilisation de l’IA pour les professionnels des sciences humaines

Les professionnels des sciences humaines ne sont peut-être pas à l’origine des grands bouleversements du monde, mais ce sont eux qui en subissent les conséquences.

Parfois, on a l’impression que ceux qui proposent des tutoriels sur l’IA la présentent comme une formule magique : il suffirait d’un prompt miraculeux pour tout accomplir. Or, la réalité est bien plus complexe. Depuis la création de FUNES, nous recourons largement à l’IA dans notre production quotidienne. Avec des projets comme Fuyou Tiandi et mes propres écrits, l’effort humain seul ne suffit plus. C’est pourquoi nous avons profondément exploré les apports de l’IA pour le marché du contenu et la recherche en sciences humaines.

À l’arrivée de nouveaux collègues, j’ai préparé un simple Keynote. Apprenant cela, Jia Xingjia m’a invité à le présenter. Avec mon partenaire Keda, nous avons intitulé l’intervention « Guide d’utilisation de l’IA pour les professionnels des sciences humaines ». Initialement privée et axée sur les grands principes, la présentation s’est étoffée et affinée avec le temps.

Ce guide n’a pourtant été rendu public que cette année, lors du lancement de Shishufeng avec Chongqing, où nous l’avons exposé dans son intégralité pour la première fois. Le texte qui suit est adapté du podcast « Guide d’utilisation de l’IA pour les professionnels des sciences humaines », avec l’assistance de l’IA et quelques coupes. Pour la version complète, écoutez sur le site officiel ou recherchez « Shishufeng » sur Yuzhou ou Apple Podcasts.

Code QR Xiaoyuzhou

Au cours de l’année passée, j’ai partagé ces pratiques de l’IA avec de nombreux collègues dans la création de contenu, la recherche et les produits de connaissance. L’objectif n’est pas de transmettre quelques prompts magiques ni de présenter l’IA comme une panacée. Il s’agit d’une méthodologie — une façon d’intégrer les grands modèles de langage dans l’écriture, la recherche, la révision, le choix des sujets, l’organisation des données et la chaîne de production, sans coder, tout en garantissant traçabilité, supervision et vérification, afin de pouvoir signer vos travaux en sopiant.

Cette démarche est issue de l’expérience concrète : quand la production de contenu s’intensifie, le travail humain ne suffit plus ; mais la génération directe par l’IA engendre des hallucinations, des raccourcis, et un texte artificiel. Il a donc fallu transformer la créativité en chaîne de production, puis la chaîne en système itératif.

Plutôt qu’une liste de prompts, je préfère partager les principes fondamentaux.

Avant les principes : Trois prérequis pour ce guide

Avant d’aborder la méthode, il faut poser trois prérequis. Ils déterminent à la fois « comment utiliser l’IA » et « pourquoi l’utiliser ainsi ».

Le processus doit être traçable, supervisé et vérifiable

• On ne peut pas se contenter de vouloir le résultat et ignorer le processus. En sciences humaines, les boîtes noires sont les plus risquées : hallucinations, erreurs de citation, dérives conceptuelles surviennent dans detail.

Il doit être contrôlable

• Il faut piloter le fonctionnement, définir les critères, savoir où ralentir et où être strict. Il s’agit d’un processus de production, non d’un jeu de hasard.

Vous devez rester prêt à signer votre travail

• « Suis-je prêt à signer ce travail ? » est l’ultime test de qualité. Si ce n’est pas le cas, ce n’est que rarement une question morale : c’est que votre intention n’a pas été respectée dans le processus, donc la qualité ne peut être garantie.

Principe 0 : Ne faites pas de vœux à l’IA — Traitez-la comme un établi

Nombreux sont ceux qui voient l’IA comme une machine à exaucer les souhaits :

« Donne-moi une bonne blague », « Rédige-moi un bon article », « Explique-moi ce texte ».

Mais « expliquer » peut signifier bien des choses : pour le grand public, des étudiants de licence, de master, ou des pairs. L’IA ne connaît ni votre parcours, ni vos objectifs, ni vos préférences par défaut. Si vous ne précisez rien, elle opte pour la facilité.

Traiter les grands modèles comme un établi, c’est ne pas demander un résultat clé en main, mais utiliser les outils de l’IA dans votre processus. Précisez le public, les critères, les étapes.

Par exemple, demander à l’IA d’expliquer un article

Transformez un prompt vague (« explique cet article ») en tâche d’établi :

• Définir le public : étudiants de master curieux et intelligents, mais non spécialistes
• Définir le style d’explication : heuristique, progressif, rigoureux académiquement
• Définir la structure : importance, contexte, démarche, points techniques clés, puis enseignements
• Définir le ton : respectueux, sans condescendance, sans supposer de connaissances préalables

Plus vos consignes ressemblent à des « exigences de devoir », moins l’IA agit comme une IA, plus elle fonctionne comme un assistant compétent.

Principe 1 : Pour réussir avec l’IA, commencez par vous — Vous restez responsable

Si vous recrutiez un secrétaire, vous ne diriez pas :

« Corrige l’article de Han Yang sur la Rust Belt américaine. »

Vous préciseriez :

Pourquoi cet article existe, à qui il s’adresse, où vous bloquez, le problème à résoudre, les parties à préserver, le style attendu, ce qui compte le plus.

L’IA n’est pas différente. Considérez-la comme un collègue appliqué et poli qui ne connaît pas vos implicites. Le vrai « prompt engineering » relève de la responsabilité : la tâche reste vôtre, l’IA n’est qu’un bras d’exécution.

En cas d’insatisfaction, le premier réflexe n’est pas « l’IA a échoué », mais :

• Ai-je précisé le « public, l’objectif, le but » ?
• Ai-je donné assez de contexte et de contraintes ?
• Ai-je transformé des « vœux abstraits » en « étapes actionnables » ?
• Ai-je fourni des critères d’évaluation ?

Principe 2 : Interrogez au moins trois modèles — Chaque IA a sa « personnalité » et ses points forts

Dans notre équipe, j’incite les nouveaux à poser la même question à trois IA différentes pour débuter. Comme les humains, les IA varient : certaines excellent en rédaction, d’autres en raisonnement, en code, ou en manipulation d’outils. Même au sein d’une même entreprise ou d’une nouvelle version, le « style » et les « limites » évoluent.

Une habitude efficace : posez la même question à au moins trois IA, vous percevrez vite :

• Laquelle rédige le mieux, laquelle raisonne mieux, laquelle cherche mieux, laquelle bâcle
• Laquelle est la meilleure pour les brouillons, laquelle pour la relecture
• Laquelle est la plus efficace pour le « sujet/structure », laquelle pour le « paragraphe/phrase »

L’intérêt n’est pas de désigner le « meilleur modèle », mais de gérer les modèles comme une équipe, non comme un oracle unique.

Principe 3 : L’IA n’est pas omnisciente — Considérez-la comme un « bon étudiant de licence »

Une attente réaliste :

Le bon sens de l’IA ≈ un étudiant de licence d’une grande université.

Si vous pensez que « même un bon étudiant ne saurait pas cela », partez du principe que l’IA non plus — ou qu’elle « improvisera habilement » si elle ne sait pas.

Cela implique deux actions concrètes :

Vous devez lui enseigner tout ce qui dépasse le bon sens

• Par exemple : pour des blagues, des slogans originaux ou des argumentaires spécialisés, ne vous contentez pas de « fais-le bien ». Fournissez exemples, critères, zones interdites, sources. Si vous devez expliquer à un ami ce qui fait un bon texte, l’IA ne peut pas le deviner seule.

Considérez-la comme un stagiaire, pas une divinité

• Elle peut assembler la structure, intégrer vos matériaux, mais la charpente et l’orientation restent les vôtres.

Principe 4 : Guidez l’IA étape par étape — Le « white-box » multi-étapes est plus fiable que le « black-box » en une fois

La force de l’IA n’est pas de donner « la bonne réponse immédiate », mais d’enchaîner correctement de petites étapes dans votre processus. Plus vous exigez un résultat « one-shot », plus elle prendra de raccourcis.

Exemple concret : pour un texte de synthèse vocale (TTS) ou un script de narration. Plutôt que « attention aux caractères polyphoniques, ne te trompe pas », segmentez la tâche :

• Marquez pauses, emphase, changements de rythme
• Identifiez les caractères polyphoniques potentiels
• Vérifiez dans les dictionnaires ou sources autorisées
• Pré-marquez les caractères sujets à confusion
• Si besoin, remplacez par des homophones non ambigus

Les humains suivent naturellement ces étapes « évidentes », pas l’IA. Si vous ne précisez pas, elle commettra des erreurs par facilité.

Principe 5 : Industrialisez avant d’automatiser — On ne saute pas de l’inspiration à l’automatisation

Si votre workflow d’écriture ou de recherche est aléatoire, inspiré et désorganisé, l’IA ne peut rien faire. Elle ne traite que ce qui est « descriptible et reproductible ».

Une démarche efficace :

• D’abord, transformer le travail en « chaîne de production » : divisible, réutilisable, contrôlable
• Ensuite, déléguer des sous-étapes à l’IA : qu’elle soit un poste de travail, pas un oracle

Nous avons mené un exercice clé : décomposer mon processus d’écriture non-fictionnelle, étape par étape, notamment :

• Pourquoi ouvrir sur cette histoire
• Pourquoi choisir telle phrase
• Comment évaluer les exemples
• Comment effectuer la transition et conclure
• Comment relier les anecdotes à la trame générale

Au final, nous avons découpé le tout en dizaines d’étapes, chacune prise en charge par une IA différente. Résultat :

Le modèle n’est pas devenu plus performant du jour au lendemain, mais le processus a relié ses capacités « incrémentales ».

Quand vous pouvez décrire précisément « comment mon texte est produit », vous réalisez que la vraie limite de qualité n’est pas « quel modèle vous utilisez », mais la clarté de votre workflow.

Quelques exemples d’étapes issues de nos tests de chaîne de production

Je recommande vivement d’écouter le programme pour plus de détails.

Principe 6 : Anticipez les raccourcis de l’IA — Elle économise les ressources, à vous d’éliminer les « barrières de format »

L’IA prend systématiquement des raccourcis : si elle peut éviter d’ouvrir une page web, elle le fera ; si elle peut sauter un PDF, elle le fera. Ce n’est pas malicieux — sous contrainte de ressources et de temps, elle privilégie la facilité.

Votre rôle : recentrer les ressources de l’IA sur la compréhension du texte, non sur le traitement du format.

Stratégies efficaces :

• Convertir les documents en texte brut ou Markdown avant de les soumettre
• Copier le contenu web en texte propre (sans navigation, publicités, notes)
• Pour les documents longs, extraire d’abord faits ou structure, puis faire rédiger l’IA
• Standardiser PDF/EPUB/pages web en base TXT interrogeable

Vous constaterez que beaucoup rechignent à ce « travail ingrat », pensant que « la machine devrait le faire ». Pourtant, dans la collaboration humain-IA, c’est l’inverse : en prenant en charge certaines tâches mécaniques, l’IA devient plus pertinente et fiable.

Principe 7 : Tenez compte du contexte limité — Privilégiez la compression, pas l’expansion à partir de rien

L’IA a une fenêtre de contexte — une mémoire limitée. Si vous lui donnez 20 000 mots, elle n’en retiendra qu’une partie ; 200 000, elle survolera les titres. Imaginez enfermer quelqu’un avec un livre de 200 000 mots pendant une journée, puis lui demander de le réciter : c’est à peu près la mémoire de l’IA.

Un constat contre-intuitif mais essentiel :

La compression est plus fiable que l’expansion

• Compresser 1 000 000 de mots en 10 000 est plus fiable que d’en générer 1 000 000 à partir de 10 000.

Cela change l’approche :

• N’utilisez pas un prompt de 100 mots pour réclamer un article complet
• Fournissez le plus de matière possible (par lots, via RAG, etc.), puis faites compresser l’IA en pick, argumentaire, texte principal

En écriture, vous « lisez beaucoup → distillez → organisez → rédigez ». Attendez la même chose de l’IA : n’exigez pas la création ex nihilo.

Principe 8 : Résistez à l’envie de « tout corriger » — Itérez le sopiant, pas le résultat

Les bons rédacteurs tombent souvent dans le piège :

L’IA produit un brouillon noté 59 ; vous pensez pouvoir le monter à 80, puis finissez par tout réécrire ; après réécriture, vous décidez de tout faire vous-même et abandonnez l’IA.

La solution n’est pas de corriger plus fort, mais d’agir en amont :

• Ne cherchez pas à obtenir un 100 parfait de l’IA
• Visez une chaîne de production qui livre régulièrement du 75–80
• Améliorez le processus pour élever la moyenne, pas chaque sortie

Principe 9 : Traitez le workflow comme un produit en itération — La fiabilité fait la valeur

Un système qui livre de façon fiable un brouillon noté 70 est précieux, non parce qu’il « vous ressemble », mais parce que :

• Vous obtenez un texte exploitable à coût quasi nul
• Vous pouvez vous concentrer sur les décisions de haut niveau : sujet, structure, preuves, style, arbitrages

Vous n’avez pas besoin d Sopiant omnipotent — juste d’une usine fiable : stable, même imparfaite.

Principe 10 : Privilégiez la quantité — Générez plus, puis sélectionnez

Demander une seule version à l’IA donne un résultat moyen. Utilisez la quantité pour compenser la moyenne.

Tactiques efficaces :

• Résumés : demandez 5 versions d’un coup
• Accroches : 5 d’un coup, puis test A/B
• Sujets : 50 d’un coup, puis regroupez et sélectionnez
• Structures : 3 jeux, puis combinez
• Formulations : 10 expressions différentes, puis choisissez la meilleure

En augmentant volume et moyenne, vous obtiendrez des échantillons notés 85 ou 90. L’excellence naît souvent de la sélection statistique, non d’un coup de génie.

Principe 11 : Ne faites pas tout — Dirigez comme un chef : goûtez, donnez un retour, renvoyez

En tant que chef exécutif, vous ne préparez pas chaque plat vous-même. Vous :

• Goûtez
• Évaluez la conformité aux standards
• Donnez un retour précis (ce qui ne va pas, comment corriger)
• Faites recommencer le cuisinier

Il en va de paralogue avec l’IA. Respectez son processus de génération : enseignez-lui vos critères au lieu de tout retoucher vous-même.

Sinon, les micro-corrections sans fin vous épuiseront.

Principe fondamental : Revenir au réel — Matériaux × Goût fixent le plafond

À l’ère de l’IA, la qualité de votre travail dépend de plus en plus de :

Matériaux × Goût.

Les modèles changeront, les méthodes évolueront, mais ces deux facteurs restent :

Les matériaux viennent du réel

• Entre deux options pour rédiger :

• Utiliser le dernier modèle, mais seulement des ressources en ligne

Ou utiliser un modèle plus ancien, mais avec archives, témoignages, enquêtes de terrain

• Le second donne souvent un meilleur résultat.

Le goût vient de la pratique sur le long terme

• À mesure que la génération devient bon marché, ce qui reste rare, c’est :

• Savoir ce qui mérite d’être écrit

• Savoir quelles preuves sont solides

• Savoir quelle narration captive

• Être prêt à creuser : recherches approfondies, investigations sur le terrain

L’IA change l’efficacité et la manière d’exploiter les matériaux, mais vous restez l’auteur, les matériaux restent le sujet, et l’IA n’est qu’un outil.

Creuser, collecter les matériaux à la source

Conclusion : Transformez l’anxiété en expertise

Beaucoup peinent avec l collectors non par manque d’intelligence, mais parce qu’ils restent prisonniers du cycle « souhait — déception — abandon ». La vraie avancée vient du traitement de l’IA comme un établi, de l’ingénierie des tâches, de la transparence des processus et de l’expertise acquise par la pratique.

Une fois ce cap franchi, vous ne direz plus « l’IA ne marche pas » ; vous deviendrez un professionnel d’un nouveau genre, capable de piloter de nouveaux outils, sans condescendance ni révérence, les intégrant à votre workflow, votre réalité et vos œuvres que vous signez fièrement.

Je suis Hanyang. Si mon écriture vous intéresse, suivez-moi sur X ou lisez mon blog.

Déclaration :

1. Cet article est reproduit à partir de [HanyangWang]. Les droits d’auteur appartiennent à l’auteur original [HanyangWang]. Pour toute demande de reproduction, veuillez contacter l’équipe Gate Learn. L’équipe traitera votre demande dans les meilleurs délais conformément à elementary procédure.

2. Avertissement : Les opinions exprimées dans cet article n’engagent que l’auteur et ne constituent pas un conseil en investissement.

3. Les autres versions linguistiques de cet article sont traduites par l pit team Gate Learn. Sauf mention de Gate, il est interdit de copier, distribuer ou plagier cet article traduit.