AI literacy vs AI fluency : la distinction qui change tout

Un nouveau modèle d'IA sort toutes les semaines. La compétence qui compte vraiment n'est aucun de ces modèles. Après quinze mois de Claude au quotidien et cinq certifications Anthropic, la formation AI Fluency m'a fait nommer une distinction que je vivais sans la formuler : il y a une différence nette entre savoir utiliser l'IA et savoir la piloter. Cette note explique pourquoi cette distinction n'est pas un détail sémantique, mais l'endroit où se déplace la valeur professionnelle en 2026.

Le moment qu'on vit

Depuis deux ans, l'IA générative est passée du statut de curiosité à celui d'outil de bureau. Tout le monde « utilise l'IA ». Les dirigeants demandent à leurs équipes d'« être à l'aise avec l'IA ». Les écoles ajoutent des modules. Les régulateurs publient des cadres. Et pourtant, derrière ce mot-valise — « compétences IA » — se cache une confusion qui coûte cher.

La confusion, c'est de traiter « savoir-faire avec l'IA » comme une compétence unique et monolithique. Comme si savoir taper une question dans Claude et savoir décider quand ne pas faire confiance à sa réponse étaient le même geste. Ce ne sont pas les mêmes gestes. L'un s'apprend en une après-midi. L'autre prend des mois et ne se périme jamais.

Mon point de vue n'est pas théorique. J'utilise Claude tous les jours depuis janvier 2025 — pour coder, pour analyser, pour rédiger, pour décider. J'ai déployé Claude en production sur des systèmes réels, avec de vrais enjeux de fiabilité. Et j'ai passé les cinq certifications Anthropic, dont l'AI Fluency Framework & Foundations. C'est en croisant la pratique quotidienne et la formalisation de la formation que la distinction literacy / fluency est devenue évidente.

AI literacy : savoir utiliser

L'AI literacy, c'est le socle. Savoir ce qu'est un LLM, comprendre qu'il génère du texte probable plutôt que de la vérité, savoir formuler une requête, obtenir un résultat exploitable. C'est nécessaire, et c'est déjà beaucoup pour la majorité des gens.

Concrètement, une personne AI literate sait :

• ouvrir Claude ou ChatGPT et poser une question claire ;
• coller un document et demander un résumé ;
• itérer un peu sur une réponse insatisfaisante ;
• comprendre en gros que « l'IA peut se tromper ».

C'est utile au quotidien. Mais cette compétence a une limite structurelle : elle reste à la surface de l'outil. Elle ne dit rien sur quand l'outil est dangereux, où il échoue silencieusement, ni comment on organise une vérification. La literacy te permet d'obtenir une réponse. Elle ne te permet pas de savoir si tu peux t'appuyer dessus.

AI fluency : savoir piloter

L'AI fluency, c'est l'étage au-dessus. Ce n'est pas « utiliser mieux » — c'est piloter. Savoir, à chaque interaction, où placer le curseur entre délégation et contrôle. La fluency, c'est quatre réflexes qui deviennent automatiques :

1. Savoir déléguer. Identifier ce qui peut être confié au modèle, et ce qui doit rester humain. Toutes les tâches ne se valent pas.
2. Savoir décrire. Poser un problème de façon que le modèle puisse le traiter — un vrai savoir-faire, largement sous-estimé.
3. Savoir discerner. Évaluer une sortie. Ne pas confondre fluidité et exactitude. Repérer ce qui sonne juste mais qui est faux.
4. Savoir refuser. Reconnaître les situations où il ne faut tout simplement pas utiliser l'IA — ou pas sans garde-fous lourds.

Le quatrième réflexe est le plus rare et le plus précieux. Un professionnel AI fluent sait dire « non, pas ici » — et c'est souvent la décision qui fait la différence entre un usage qui crée de la valeur et un usage qui crée du risque.

L'exemple qui clarifie tout

Prenons un cas concret : un dirigeant veut un résumé d'une analyse financière de quarante pages avant un comité.

La personne AI literate colle le document, demande « résume-moi ça en une page », obtient un résumé propre, le lit, le trouve clair, et l'utilise. Dans 80 % des cas, ça passe.

La personne AI fluent fait autre chose. Elle sait qu'un résumé de LLM sur un document dense a un risque structurel d'omission silencieuse : le modèle ne dit pas « j'ai sauté la note de bas de page sur l'engagement hors bilan ». Il produit un résumé fluide qui paraît complet. Alors la personne fluent va :

• demander explicitement « quels éléments à risque ou inhabituels apparaissent dans ce document ? » avant le résumé ;
• faire ressortir les chiffres clés séparément, pour les recouper à la main ;
• identifier les sections où une omission serait grave, et les lire elle-même ;
• décider, sur certains passages réglementaires, de ne pas déléguer du tout.

Même outil. Même modèle. Résultat radicalement différent en termes de risque. C'est ça, le muscle de la fluency : il ne se voit pas dans la réponse de l'IA, il se voit dans la façon dont l'humain l'encadre.

Pourquoi la fluency est durable — et la literacy périssable

Voici l'argument qui rend cette distinction urgente, et pas seulement intéressante.

Les modèles sortent à un rythme qu'aucune organisation ne suit. Un nouveau Claude, un nouveau GPT, un nouveau Gemini, un nouveau Mistral — toutes les quelques semaines. Chaque sortie change les capacités, les limites, les bonnes pratiques de prompt, les pièges.

La literacy d'un modèle donné se périme à chaque sortie. Les astuces de prompt qui marchaient sur la version d'il y a six mois sont parfois inutiles aujourd'hui. La connaissance fine d'un outil précis a une demi-vie courte.

La fluency, elle, ne se périme pas. Savoir quoi déléguer, comment décrire un problème, comment discerner une sortie douteuse, quand refuser — ces réflexes sont agnostiques. Ils tiennent quel que soit le modèle, quel que soit le fournisseur, quelle que soit la version. C'est une compétence qui se capitalise au lieu de se déprécier.

Le cas français

En France, le débat public sur l'IA est largement centré sur la literacy et la conformité : la CNIL publie des recommandations, l'IA Act européen pose un cadre, les formations grand public se multiplient. C'est nécessaire et c'est bien.

Mais on parle très peu d'AI fluency. Or c'est précisément là que se trouve l'avantage compétitif pour une entreprise française. Savoir utiliser l'IA en conformité avec le RGPD, c'est le ticket d'entrée. Savoir piloter l'IA pour prendre de meilleures décisions sans se faire piéger par ses limites, c'est le différenciateur.

Pour un dirigeant de PME ou d'ETI, la question n'est donc pas seulement « est-ce que mes équipes savent utiliser l'IA ? » mais « est-ce que mes équipes savent quand ne pas lui faire confiance, et comment l'encadrer ? ». La première question relève de la formation. La seconde relève de la culture — et c'est elle qui protège des erreurs coûteuses.

Vers les quatre piliers

Si la fluency est la compétence durable, comment la bâtit-on concrètement ? C'est tout l'objet du framework AI Fluency d'Anthropic, structuré autour de quatre piliers — les « 4 D » : Delegation, Description, Discernment, Diligence. C'est la meilleure formalisation que j'aie rencontrée pour transformer une intuition floue en pratique enseignable. Et, fidèle à ce qu'on vient de dire, ce framework est agnostique : il s'applique à Claude comme à n'importe quel autre modèle.

La prochaine note de cette série déroule les quatre piliers un par un, avec ce que chacun change concrètement dans une pratique professionnelle — et ce que j'en garde, ce que j'en adapte au contexte français.

Conclusion

La course aux modèles va continuer. Chaque mois apportera son lot de benchmarks battus et de capacités nouvelles. Dans ce bruit permanent, la tentation est de toujours courir après le dernier outil. C'est une erreur de cadrage.

La vraie compétence, celle qui se capitalise, n'est aucun modèle en particulier. C'est la capacité à piloter n'importe lequel d'entre eux avec discernement. Savoir utiliser l'IA fait de toi un utilisateur. Savoir la piloter fait de toi un professionnel. La distinction n'a l'air de rien — elle décide pourtant de qui tirera réellement de la valeur de cette décennie.