Thomas Cole, The Savage State, 1836
Modèles de langage, systèmes prédictifs et management algorithmique.
Cette section sert de socle : elle donne le vocabulaire minimal, explique les mécanismes des modèles génératifs, puis traduit ces notions en réflexes de prévention. L'enjeu est simple : ne pas confondre performance apparente, fiabilité métier, conformité juridique et utilité réelle pour le travail.
Distinguer IA, algorithme, machine learning, IA générative et système à haut risque.
Voir comment un modèle apprend des régularités et produit une sortie plausible.
Identifier les biais, angles morts, hallucinations, limites de contexte et limites de preuve.
Tester l'outil sur une tâche réelle, une langue donnée, un risque donné et un seuil d'acceptabilité.
Définir supervision humaine, confidentialité, traçabilité, règles d'usage et conditions d'arrêt.
Ces repères évitent les deux erreurs les plus fréquentes : surestimer l'IA parce qu'elle parle bien, ou la réduire à un gadget parce qu'elle se trompe encore.
Un système d'IA produit des prédictions, contenus, recommandations ou décisions à partir d'entrées et d'objectifs. Il peut être autonome à différents degrés, mais il n'a pas d'intention, de responsabilité morale ou de compréhension clinique.
Le machine learning ne “comprend” pas comme un humain. Il ajuste des paramètres pour réduire une erreur statistique sur des données d'entraînement. Sa qualité dépend donc fortement des données, du choix de la tâche et des conditions de test.
L'IA générative crée du texte, des images, du code ou des synthèses. Sa force est de produire vite une forme cohérente ; sa limite est que la cohérence de la forme ne garantit pas la vérité du fond.
Un LLM transforme le texte en unités appelées tokens, puis calcule la suite la plus probable en fonction du contexte. L'architecture transformer permet de pondérer les relations entre de nombreux éléments du texte.
Le RAG, ou retrieval augmented generation, consiste à faire rechercher au modèle des passages dans une base documentaire avant de rédiger. Cela peut réduire les inventions, mais ne supprime pas le besoin de vérifier les sources et le contexte.
Un agent combine un modèle, des outils, une mémoire et parfois la capacité d'agir dans des logiciels. Plus l'outil agit seul, plus il faut renforcer gouvernance, logs, validation humaine et conditions d'interruption.
L'objectif n'est pas de devenir ingénieur en IA, mais d'avoir un modèle mental fiable. Un LLM n'ouvre pas une “base de vérités”. Il transforme une consigne en probabilités successives, influencées par ses données, son alignement, son contexte et les outils auxquels il a accès.
Textes, codes, images ou documents utilisés pour apprendre des régularités.
Le modèle apprend à prédire des fragments de langage à très grande échelle.
La consigne est découpée en unités que le modèle peut traiter.
Le transformer pondère les relations utiles entre les éléments du contexte.
Des consignes et évaluations humaines orientent le style et les comportements attendus.
La réponse est générée progressivement, avec une probabilité, pas une certitude.
La maturité d'usage commence par cette distinction. Un modèle peut être utile sans être fiable pour décider. Il peut accélérer une tâche sans être autorisé à traiter des données sensibles. Il peut réussir un benchmark et échouer sur une situation locale mal formulée.
Pour un SPST, comprendre l'IA consiste surtout à savoir quelles questions poser avant son déploiement en entreprise. La bonne unité d'analyse n'est pas le modèle seul, mais le système complet : outil, données, utilisateurs, organisation, objectifs, indicateurs, marges de manœuvre et effets sur le travail réel.
Le risque dépend de la tâche : aide documentaire, tri de dossiers, scoring de candidatures, surveillance de performance, génération de comptes rendus ou préconisation. Chaque tâche modifie différemment les responsabilités et les expositions.
Réflexe : décrire le travail avant et après l'outil, pas seulement les fonctionnalités.Données personnelles, données de santé, données RH, traces d'activité, messagerie, documents internes : la nature des données conditionne le niveau de risque, les obligations RGPD et la légitimité de l'usage.
Réflexe : vérifier minimisation, finalité, base légale, accès, durée de conservation et sécurité.Une supervision humaine n'a de valeur que si la personne dispose du temps, de la compétence, de l'autorité et des informations nécessaires pour contester ou arrêter la sortie du système.
Réflexe : distinguer validation réelle, validation formelle et simple responsabilisation a posteriori.Les modèles de fondation et grands modèles de langage constituent un changement d'échelle : ils sont entraînés sur de vastes corpus, peuvent être adaptés à de nombreuses tâches et présentent des capacités générales utiles. Mais cette généralité crée aussi une homogénéisation du risque : une erreur, un biais ou une limite du modèle peut se diffuser dans de nombreux usages dérivés.
En santé, les organisations internationales insistent sur la gouvernance, la transparence, l'évaluation, la protection des données et la surveillance après déploiement. La performance d'un modèle ne suffit pas à justifier un usage clinique ou préventif autonome.
Le bon niveau d'analyse n'est pas “ce modèle est-il intelligent ?”, mais : “dans cette entreprise, sur cette tâche, avec ces données, pour ces salariés, quelles expositions nouvelles crée-t-il, quelles marges de manœuvre retire-t-il ou ajoute-t-il, et comment le SPST peut-il intervenir en amont ?”
C'est précisément pour cela que la médecine du travail doit être sollicitée avant le déploiement des projets d'IA, et non seulement après l'apparition de difficultés individuelles ou collectives.
Un prompt améliore la formulation de la demande ; il ne transforme pas un modèle en expert infaillible. En contexte professionnel, la qualité d'un prompt se juge à la vérifiabilité de la sortie, pas à son élégance.
À écrire : “Résume ce document pour un médecin du travail”, plutôt que “explique-moi”.
À préciser : public cible, pays, cadre réglementaire, niveau de détail, objectif de prévention.
À exiger : distinguer ce qui vient du document fourni, de connaissances générales et d'une hypothèse.
À demander : signaler les points douteux, incomplets, obsolètes ou nécessitant vérification humaine.
À proscrire : coller des données identifiantes, médicales ou RH sensibles dans un outil non validé.
À faire : tester plusieurs cas, repérer les erreurs récurrentes, documenter la configuration retenue.
Une IA est un système probabiliste inscrit dans une organisation. Sa valeur ne se mesure pas seulement à la qualité d'une démonstration, mais à sa fiabilité située, à son impact sur le travail réel, à sa conformité et à la capacité des professionnels à garder une maîtrise effective.
Définition d'un système d'IA, approche par les risques, systèmes à haut risque, dont certains usages en emploi et gestion des travailleurs.
Cadre international pour une IA digne de confiance, respectueuse des droits humains et des valeurs démocratiques.
Article fondateur de l'architecture transformer, base technique des grands modèles de langage modernes.
Rapport de référence sur les modèles de fondation, leurs capacités, leurs risques et leur nature sociotechnique.
Profil de gestion des risques spécifique à l'IA générative : gouvernance, cartographie, mesure et maîtrise des risques.
Recommandations sur la gouvernance des grands modèles multimodaux en santé : transparence, responsabilité, sécurité et évaluation.
Recommandations pour développer et utiliser des systèmes d'IA en respectant les données personnelles et les droits des personnes.
Prospective sur les opportunités, menaces et conditions d'usage de l'IA en prévention des risques professionnels.
Enquête sur les transformations du travail, les conditions d'intégration capacitante et le dialogue social autour de l'IA.
Données européennes sur la numérisation du travail, la surveillance, l'algorithmic management et les enjeux de prévention.