À l’ère de l’IA, comment repenser mon expertise [Google Slides, 165 p.]

• Support de présentation de Ha Yong-ho de DataOven
• Le parcours d’AX (transformation IA) d’une entreprise passe le plus souvent par 5 étapes similaires — enthousiasme → stagnation → excitation → doute → dernier cap difficile
• AI J curve Trap - Ajouter de l’IA ne rend pas immédiatement performant ; il faut d’abord traverser le gouffre de la Verification Tax (taxe de vérification) avant de remonter
• Les 3 grandes dettes (debt) de l’ère de l’IA grignotent la productivité
  • Dette technique — Le code IA excelle surtout dans l’optimisation locale sans bien comprendre l’ensemble ; à force de doublons et de contournements, la vitesse de l’entreprise peut au contraire ralentir en 5 à 19 mois
  • Dette cognitive — Déployer sans bien comprendre ni avoir confiance dans le résultat, avec une "reddition cognitive (cognitive surrender)" où ton clic devient mon clic et se transforme en pipeline
  • Dette d’intention — Le contexte et le savoir tacite expliquant pourquoi cela a été construit ainsi s’évaporent, avec même des cas de réembauche après des licenciements
• Le travail principal de l’humain se déplace de la production vers la vérification — au lieu de tout vérifier, il faut concentrer ses capacités sur la couche de vérification du résultat
  • Couche de vérification = Binary Checks (cas de test) + Quantitative Metrics (débit/latence) + Qualitative Rubrics (LLM as a judge)
  • Il faut aussi une vérification à l’exécution (run-time) et pas seulement au build-time (produits d’AI Agent non déterministes)
  • Une bonne vérification nécessite une compréhension du domaine → ce sont les experts qui peuvent la construire
• Fuite du code source de ClaudeCode — Si un code de niveau A dépendait surtout de l’espace cognitif humain, avec l’IA il peut être de niveau C ou D ; si le résultat est bon, cela suffit
• Dès que la vérification devient fiable, avec Auto Research / Loop (anciennement Ralph), l’IA peut itérer 24 h/24 sur son auto-amélioration pendant que les humains dorment
• Résoudre la dette d’intention = capturer le savoir tacite (tacit knowledge)
  • Les outils grill-me / grill-with-docs de matt-pocock — faire de l’IA l’intervieweur pour lui faire extraire mes intentions (ce n’est pas vous qui posez les questions, mais l’IA)
  • Mémoire à l’échelle de l’entreprise, mémoire partagée d’entreprise chez Anthropic, mem0·seCall, etc.
  • Extraire persona+memory pour créer un "Agent moi virtuel"
• Conditions d’une AI native company → Queryable + Closed loop + Self-improving
  • Reconcevoir tous les composants pour qu’ils soient faciles à manipuler par l’IA et faciles à vérifier par les humains ; des seniors auparavant cantonnés au pilotage reviennent à l’opérationnel
• Le profil recherché à l’ère de l’IA = « la capacité à trouver des réponses dans des situations ambiguës »
  • Bientôt, comme un dirigeant : ①découper les problèmes ②identifier vite les échecs ③trouver une structure qui fait avancer le travail
• Nouvelles forces qui prennent de l’importance — compréhension rapide du contexte, capacité à transformer en mind-sized bites, capacité à capter l’attention (marketing), goût (taste) clair ("que faut-il moins faire ?")
• Malgré tout, l’expertise reste indispensable — Gell-Mann Amnesia Effect (cela semblait plausible seulement parce qu’on n’était pas expert), et les conflits de valeurs comme les décisions difficiles engageant la responsabilité restent du ressort humain
• L’évolution de la définition de l’expert — du praticien maîtrisant une compétence au responsable de l’exploitation
  • Une personne qui construit l’IA de son propre domaine, maintient la couche de vérification, et assume des jugements de valeur justes, un goût soutenu par les autres et une responsabilité jugée légitime

[bohblue23]

La connexion au site a été interrompue.