illustration de critique de résultat fourni par l'IA pour une recherche d'information

Quels risques cela implique-t-il pour les entreprises qui utilisent l’IA générative ?

Les risques sont multiples :

    Absence de protection : une création sans apport humain n’est pas protégeable, donc peut être copiée librement par les concurrents.
    Contentieux : si l’IA a été entraînée sur des bases de données protégées, et que l’œuvre générée reprend les caractéristiques originales des œuvres préexistantes, l’utilisateur peut être poursuivi pour contrefaçon et/ou parasitisme.
    Incertitudes contractuelles : en l’absence de clauses spécifiques, il peut être difficile de savoir qui détient les droits sur le résultat (utilisateur, fournisseur de l’IA, entreprise commanditaire).

 
Quelles bonnes pratiques recommanderiez-vous pour limiter ces risques ?

Quatre axes principaux :

    Apport humain documenté : conserver une traçabilité du processus créatif (ex. prompts, choix opérés, historiques d’itération, retouches effectuées, critères de sélection). Cela permettra de démontrer l’originalité de l’apport créatif.
    Encadrement contractuel : insérer dans les contrats (prestataires, salariés, clients) des clauses précises sur la titularité des droits et la responsabilité en cas de contrefaçon.
    Vigilance sur les données d’entraînement : s’assurer que l’IA utilisée respecte le droit des bases de données (directive 96/9/CE), le RGPD et bien sûr le droit d’auteur.
    Sensibilisation : former ses équipes créatives sur les enjeux et l’utilisation des IAG, cela évitera des déconvenues pour l’entreprise et valorisera d’autant plus les créations générées.

charte pour collectivité

Courtes vidéos qui explique des résultats d'études scientifiques en rapport avec les IAG

En développant cette réflexivité, les apprenants prennent conscience des dynamiques en jeu, des biais possibles, et de la manière dont leur propre pensée peut s’enrichir en interagissant avec une IAG. Pensée et utilisée ainsi, l’IAG redéfinit le rapport au savoir et à la pensée critique. Pour les formateurs, l’enjeu est double : intégrer ces outils dans des dispositifs pédagogiques pertinents mais surtout accompagner les apprenants dans le développement d’une réflexivité qui leur permettra de rester auteurs de leur apprentissage. La technologie devient alors un stimulant de réflexion et non un substitut à l’esprit humain.

synthèse sur l'offre en ligne de formation et de ressources

modules pour comprendre le fonctionnement et pour créer des séquences péda

L’idée force de cette conférence est que la triche n’est pas un problème éthique, mais souvent une réponse à un sentiment d’impuissance. Pour ramener les élèves vers le travail, il faut restaurer le plaisir de réussir. « La meilleure récompense, la meilleure motivation, c’est d’avoir des systèmes qui vont proposer à chaque élève […] le type d’activité qui va parvenir à franchir », explique Thierry de Vulpillière.

Notre analyse suggère que l’IA générative s’intègre dans l’écriture étudiante non pas comme un remplacement complet de l’auteur humain, mais comme une forme de collaboration négociée. Les résultats indiquent qu'elle intervient le plus souvent au moment de la génération d’idées, de la révision et lorsque un sentiment de blocage apparaît, tandis que les étudiants conservent le contrôle sur le choix des arguments, la façon d'écrire et la formulation finale.

ces systèmes sont fondamentalement incompatibles avec les lois sur la protection des données, car ils calculent les positions idéologiques de millions d’utilisateurs sans consentement explicite

Ensemble de ressources à destination des étudiant·es

Cet outil propose une démarche réflexive permettant d’attester de la cohérence et de la rigueur des évaluations proposées dans un cours, ainsi que de leur résilience aux outils d’IAg.

Gros plan sur l’usage de l’IAg à l’UBO : les grands principes à retenir

    Utilisation critique : l’IAg ne doit pas remplacer le raisonnement humain.
    Confidentialité : l’IAg ne doit pas être utilisée pour traiter des données sensibles ou personnelles, à plus forte raison pour toute IA répertoriée non souveraine*. Retrouvez, dans la charte, des exemples d’IAg non souveraines et une liste d’IAg souveraines recommandées (qui garantissent le contrôle et la sécurité des données).
    Vérification et prudence : toute production par IAg doit faire l’objet d’une vérification humaine car elle peut présenter des biais.
    Transparence : tout contenu généré avec l’aide d’une IAg doit comporter une mention (outil utilisé, version, date et nature de l’utilisation) ou un pictogramme.
    Sobriété : en raison de leur impact écologique fort, les IAg doivent être utilisées raisonnablement.

Une expérience relatée par Giroux dans un billet de 2026 illustre concrètement ce que cette compétence rend possible et ce qu’elle présuppose. En 35 minutes, avec l’aide de Copilot et d’un article en libre accès, il a obtenu une trentaine de références pertinentes et une première analyse. Ayant ensuite ajusté son hypothèse, il a relancé l’agent, obtenu une analyse recentrée, puis un protocole de recension systématique, en plus d’un plan de méta-analyse²⁵. Ce qui importe dans ce récit, ce n’est pas la vitesse, mais l’itération dirigée. Giroux reformule, réoriente, valide. C’est ce geste de direction active qui constitue la compétence essentielle à la recherche universitaire. La question qui en découle est révélatrice d’une situation préoccupante :

    « Est-ce possible de profiter autant de l’IA si tu ne sais pas comment faire de la recherche ? Peut-on réellement poser les bonnes questions à l’IA et lui donner les bonnes tâches à réaliser si on ne sais [sic] pas déjà faire de la recherche ? Si on n’est pas déjà critique ? Si on n’est pas déjà informé de l’état des connaissances dans un domaine particulier²⁵ ? »

En d’autres termes, l’IAg n’est pas un raccourci vers la compétence, mais elle en est l’amplificateur. Les personnes qui ne maîtrisent pas encore les fondements d’un champ disciplinaire ne pourront pas guider l’agent conversationnel avec la même précision que celles et ceux qui les maîtrisent.

sur le terrain, les usages ne se développent pas parce que les modèles sont intelligents, mais parce qu’ils sont jugés utiles sur des tâches circonscrites : produire un premier jet, reformuler, résumer, accélérer une recherche, proposer une structure de code. Leur force ne tient pas à une compréhension du monde, mais à leur capacité à s’insérer dans des chaînes de travail où la rapidité et le volume comptent plus que la justesse.