Des chatbots aux agents

L’IA est passée de systèmes conçus principalement pour reconnaître des tendances et faire des prédictions à des outils capables de générer du nouveau contenu et d’interagir avec nous, puis, de plus en plus, à des systèmes capables d’agir en notre nom.

Pour comprendre ce que signifie ce changement, il est utile d’examiner trois grandes vagues de capacités de l’IA.

Nous avons vu que de nombreux systèmes d’IA sont conçus pour reconnaître des tendances, trier l’information ou faire des prédictions. L’IA générative utilise les tendances qu’elle a apprises pour créer du nouveau contenu.

Durant son entraînement, un modèle génératif traite de grandes quantités de données et y apprend des tendances et des relations. Un grand modèle de langage (GML), par exemple, apprend comment les mots et les idées sont généralement liés. Lorsque vous lui donnez une consigne, il utilise ces tendances apprises pour générer une réponse.

On peut comparer cela au texte prédictif sur votre téléphone, mais à une échelle beaucoup plus grande. Le texte prédictif suggère ce qui pourrait venir ensuite selon ce que vous avez déjà tapé. Un grand modèle de langage fonctionne de façon semblable : il génère une réponse morceau par morceau à partir de votre consigne et des tendances qu’il a apprises durant son entraînement.

C’est pourquoi l’IA générative ne se contente pas d’extraire une réponse toute faite d’une base de données. Elle produit une réponse sur le moment, ce qui signifie qu’une même consigne peut donner des résultats différents à différents moments.

Comme l’IA générative peut produire rapidement de grandes quantités de contenu avec très peu d’effort, elle a aussi contribué à ce qu’on appelle parfois le « contenu poubelle généré par l’IA ». Ce terme informel désigne de grands volumes de contenu généré par l’IA de faible qualité, répétitif, inexact ou mal conçu. Le fait de pouvoir générer quelque chose rapidement ne signifie pas nécessairement que ce qui est généré est utile, pertinent ou bon.

L’IA générative ne se limite plus au texte. De nombreux systèmes d’IA peuvent maintenant comprendre et traiter différents types d’information, notamment du texte, des images, du contenu audio et des vidéos. Ces systèmes sont appelés IA multimodale.

Combiner différents types d’information

L’IA multimodale peut aussi traiter simultanément différents types d’information. Par exemple, vous pourriez téléverser une photo d’un tableau blanc rempli de notes et demander à l’IA de les transformer en résumé de leçon, ou lui fournir une histoire écrite et lui demander de créer des illustrations correspondantes.

Lorsque vous travaillez avec l’IA générative, les instructions et le contexte que vous fournissez peuvent grandement influencer le type de réponse que vous obtenez. Ces outils ne connaissent ni votre classe, ni vos élèves ni vos objectifs pédagogiques : ils s’appuient entièrement sur les instructions et le contexte que vous leur fournissez. Dans le domaine de l’IA, ces données sont appelées des requêtes.

Formuler une requête, c’est un peu comme entamer une conversation avec un collègue serviable qui ne connaît pas encore votre classe. Si vous demandez simplement « une leçon sur les fractions », vous obtiendrez probablement quelque chose d’assez général. Si vous ajoutez des précisions sur le niveau scolaire, l’objectif d’apprentissage, le temps disponible ou ce que les élèves savent déjà, la réponse peut devenir beaucoup plus utile.

Formuler une requête claire

• Rôle : Donnez à l’IA une perspective ou un domaine d’expertise à adopter, par exemple celui d’un spécialiste de la lecture au primaire ou d’un enseignant de sciences de 8e année.
• Tâche : Expliquez clairement ce que vous voulez qu’elle fasse, par exemple créer un questionnaire, adapter un texte de lecture ou rédiger un plan d’unité.
• Contexte : Ajoutez les précisions dont l’IA a besoin pour comprendre la situation, comme le niveau scolaire, l’objectif d’apprentissage, le temps disponible ou ce que les élèves ont déjà appris.
• Contraintes : Indiquez les limites ou exigences, comme la longueur, le format, le niveau de lecture ou le ton.

Agents conversationnels ouverts et outils préconçus pour les enseignants

Certains outils d’IA axés sur l’éducation, que nous explorerons au chapitre 4 : Pratiques quotidiennes & intégration en classe, vous guident dans la formulation de requêtes en vous demandant des renseignements comme le niveau scolaire, la matière, l’objectif d’apprentissage ou le type d’activité. Au lieu de commencer avec une zone de texte vide, vous pourrez choisir parmi des formulaires, des menus ou un modèle préconçu, ce qui peut accélérer les tâches courantes.

Les agents conversationnels ouverts vous offrent plus de souplesse pour décrire exactement ce dont vous avez besoin, poser des questions de suivi et affiner la réponse au fil du temps.

Dans les deux cas, le même principe de base s’applique : plus le contexte que vous fournissez est utile, plus la réponse de l’IA sera probablement pertinente.

Un modèle d’IA générative est entraîné à répondre à vos demandes. Vous lui donnez une consigne, il génère une réponse et vous décidez de la suite. L’IA agentique change cette interaction. Au lieu de guider l’IA à chaque étape, vous pouvez lui donner un objectif et laisser le système effectuer une partie ou la totalité des étapes nécessaires pour l’atteindre.

Un agent d’IA est un système conçu pour atteindre un objectif avec un certain degré d’autonomie. Il peut décider des étapes à suivre et utiliser les outils disponibles pour agir au nom d’un utilisateur.

Quelles sont les caractéristiques de l’IA agentique?

• Travaille vers un objectif : Au lieu d’exécuter une demande à la fois, un agent d’IA peut recevoir un objectif plus vaste, comme « aidez-moi à organiser les rencontres parents-enseignants », et déterminer les tâches nécessaires pour y parvenir.
• Planifie et fait des choix : Un agent peut décider des étapes à suivre, des renseignements dont il a besoin et de ce qu’il doit faire ensuite selon ce qui se produit en cours de route.
• Utilise des outils : L’IA agentique peut être reliée à d’autres outils numériques qui lui permettent de faire plus que générer du contenu. Selon les accès dont il dispose, un agent peut effectuer des recherches sur le Web, consulter un calendrier, mettre à jour une feuille de calcul ou envoyer un message.
• Exécute plusieurs étapes : Un agent peut conserver des renseignements d’une étape à l’autre et les utiliser pour continuer à travailler vers l’objectif sans avoir besoin d’une nouvelle consigne pour chaque action.

Que peut faire un agent de façon autonome?

Les agents d’IA n’ont pas tous le même niveau d’autonomie. Certains peuvent effectuer une étape et attendre que vous la révisiez ou l’approuviez avant de poursuivre. D’autres peuvent être en mesure d’effectuer plusieurs étapes de façon autonome dans les domaines circonscrits pour lesquels ils ont été entraînés.

Par exemple, un agent d’IA qui aide à organiser les rencontres parents-enseignants pourrait vérifier vos disponibilités, organiser les demandes de rendez-vous, repérer les conflits d’horaire et rédiger des rappels. Vous pourriez choisir de réviser chaque étape ou permettre à l’agent d’effectuer automatiquement certaines actions courantes.

Passer d’outils qui répondent à de simples consignes à des systèmes autonomes qui exécutent des flux de travail à plusieurs étapes représente un changement important. Même si l’IA continue d’évoluer, une vérité essentielle demeure : la technologie peut nous aider à exécuter des tâches, mais ce sont les membres du personnel enseignant qui en définissent le but. En gardant votre jugement, votre expérience professionnelle et le contexte de votre classe au centre de vos décisions, vous vous assurez que ces outils demeurent des assistants utiles plutôt que des décideurs.