L'IA au quotidien, de façon sûre et efficace

Cette formation reprend le contenu de l'atelier de 3 h que je donne aux équipes, en personne ou à distance, et suit le même plan. En atelier, on travaille sur vos vraies tâches, avec un accompagnement. Ici, vous avancez de façon autonome, à votre rythme, avec des exemples fictifs. Chaque affirmation s'appuie sur des études ou des textes officiels, numérotés et listés en fin de page.

À la fin, vous serez capable de :

1. 01Expliquercomment un outil d'IA générative produit ses réponses, ce qu'il fait bien et où il se trompe.
2. 02Formulerune demande claire (contexte, tâche, format, exemple), puis l'améliorer en quelques échanges.
3. 03Distinguerce qu'on peut confier à un outil d'IA de ce qui doit rester à l'interne, selon la Loi 25 et vos obligations professionnelles.
4. 04Vérifierun résultat (faits, chiffres, noms, citations, omissions) avant de l'utiliser ou de l'envoyer.
5. 05Appliquerl'IA à deux ou trois tâches réelles de votre poste, et mesurer le temps gagné.
6. 06Proposerà votre équipe des règles d'utilisation de l'IA, sur une page.

Ce que la formation ne couvre pas

• La configuration d'un assistant sur mesure ou l'automatisation de vos logiciels : ce sont les services III et IV.
• Le choix des outils pour votre entreprise : c'est l'objet du diagnostic.
• Un avis juridique : les repères sur la Loi 25 sont simplifiés.

Ce qu'il vous faut

• Un outil d'IA conversationnel : celui que votre employeur autorise, sinon la version gratuite d'un outil courant, avec des données fictives seulement.
• Un carnet ou un document pour noter vos réponses et vos meilleures requêtes.
• Environ 2 h, en une ou plusieurs séances.
• Un réflexe : aux questions « Vérifiez vos acquis », répondez dans votre tête ou par écrit avant d'ouvrir la réponse. Se tester aide à retenir bien mieux que relire : une semaine plus tard, on retient davantage, même si relire donne l'impression d'être mieux préparé·e^{1, 2}.

Comment ça marche, en trois idées

1. 01Il prédit la suite d'un texteChatGPT, Copilot, Gemini et Claude reposent sur un modèle de langage. Entraîné sur d'immenses quantités de textes, il a appris quels mots ont tendance à en suivre d'autres. Des personnes l'ont ensuite entraîné à répondre comme un assistant, en notant ses réponses. Quand vous lui écrivez, il produit une suite plausible, un fragment de mot à la fois^{3, 4}.
2. 02Plausible ne veut pas dire vraiLe modèle ne consulte pas une base de faits vérifiés. S'il lui manque une information, il peut combler le vide avec quelque chose qui a l'air juste : un chiffre, une référence, un article de loi qui n'existe pas, sur le même ton assuré que le reste. On parle d'« hallucination ». Son entraînement l'encourage à deviner plutôt qu'à dire « je ne sais pas »⁵.
3. 03Il ne sait que ce qu'on lui donneSes connaissances s'arrêtent à la date de son entraînement. Une recherche sur le Web ou un document que vous fournissez réduisent les erreurs, sans les éliminer : il peut mal résumer une page ou citer une source qui ne dit pas ce qu'il affirme^{6, 7}. Il ne connaît ni votre clientèle, ni vos dossiers, ni vos façons de faire. Plus vous lui donnez de contexte, meilleure est la réponse : c'est l'objet du module 2.

Des erreurs mesurées

Le risque d'erreur dépend du sujet. Dans une étude de 2023, 55 % des références bibliographiques fournies par GPT-3.5 étaient inventées, et 18 % avec GPT-4⁸. En 2025, GPT-4o en inventait 6 % sur un sujet très connu, mais 28 à 29 % sur des sujets moins connus⁹. Même des outils de recherche juridique spécialisés, branchés sur de vraies bases de décisions, se trompaient dans 17 à 33 % des cas⁶. Les modèles récents font mieux, sans régler le problème.

Au QuébecLe 1^er octobre 2025, la Cour supérieure a condamné une partie à payer 5 000 $ pour avoir déposé de la jurisprudence inventée par l'IA (Specter Aviation c. Laprade, 2025 QCCS 3521)¹⁰. Depuis 2023, la Cour demande un « contrôle humain rigoureux » de tout contenu produit avec ces outils¹¹.

La « frontière irrégulière »

Les équipes de recherche qui ont étudié l'IA au travail parlent d'une frontière irrégulière : l'outil est excellent pour certaines tâches et étonnamment faible pour d'autres, qui semblent pourtant aussi simples¹². On ne peut pas deviner où passe la frontière; on l'apprend en l'utilisant, et en vérifiant.

Deux pièges : il vous donne raison, et on vérifie moins

1. Piège 1Il a tendance à vous donner raisonEntraînés à plaire aux personnes qui notent leurs réponses, les assistants abandonnent souvent une bonne réponse quand on la conteste, et suivent les prémisses de la question¹³. Dans une étude publiée en 2026, onze modèles approuvaient les actions de l'utilisateur 49 % plus souvent que des humains¹⁴. Posez vos questions de façon neutre et demandez les arguments pour et contre : son accord n'est pas une confirmation.
2. Piège 2Plus on lui fait confiance, moins on vérifieC'est le biais d'automatisation, bien connu bien avant l'IA générative. Il touche aussi les expert·es, surtout sous pression¹⁵. Chez 319 travailleur·euses du savoir, plus la confiance envers l'IA était élevée, moins elles et ils disaient exercer leur esprit critique¹⁶. D'où la liste de vérification du module 3, à suivre même quand on est pressé·e.

Ce que mesure la recherche

Les gains sont réels sur les bonnes tâches, à condition de savoir où passe la frontière. À l'échelle d'une semaine de travail, ils sont plus modestes : le module 4 vous apprend à mesurer les vôtres.

Prendre note que toute annulation ou modification d'un rendez-vous doit être signifiée à la clinique dans un délai minimal de vingt-quatre (24) heures ouvrables précédant l'heure prévue dudit rendez-vous, à défaut de quoi des frais correspondant à cinquante pour cent (50 %) du tarif applicable pourront être exigés, sauf circonstances exceptionnelles laissées à l'appréciation de la direction, la présente politique s'appliquant également aux rendez-vous à distance.

Quel article de la loi québécoise sur la protection des renseignements personnels dans le secteur privé encadre la communication de renseignements personnels à l'extérieur du Québec ? Donne le numéro de l'article et cite-le.

Une réponse décevante vient souvent d'une demande incomplète. L'outil ne connaît que ce que vous lui donnez : votre message, vos fichiers et, si elle est activée, sa mémoire de vos échanges passés. Il ne sait pas pour qui vous travaillez, à qui s'adresse le texte, ni ce que vous jugez réussi.

Quatre éléments font souvent la différence. Les guides de Google et de Microsoft proposent des listes voisines, et celui d'Anthropic insiste sur les exemples²⁰. Des études appuient chacun de ces éléments, même si la méthode n'a pas été testée telle quelle. Donner toute l'information d'un coup compte aussi : c'est nettement plus efficace que de la distiller au fil de la conversation²¹.

1. 01ContexteQui vous êtes, à qui s'adresse le texte, la situation. « Je travaille à l'accueil d'un cabinet comptable de Magog. »
2. 02TâcheCe que vous attendez, avec un verbe précis : rédiger, résumer, reformuler, classer, comparer.
3. 03FormatLongueur, structure, ton, niveau de langue. « En 120 mots au plus, en vouvoyant, sur un ton cordial. »
4. 04ExempleUn texte que vous aimez ou un modèle maison. L'outil s'en inspire surtout pour la forme et le ton, sans reproduire parfaitement votre style²². Si vous montrez ce qu'il faut éviter, dites aussi ce que vous voulez à la place.

Avant, après

Écris un courriel pour un client qui n'a pas payé.

Contexte : je travaille à l'accueil d'un cabinet comptable. Un client de longue date n'a pas payé une facture de 850 $ datée du 15 août, malgré un premier rappel envoyé le 15 septembre.

Tâche : rédige un deuxième rappel, ferme mais cordial, qui préserve la relation.

Format : un courriel de 120 mots au plus, en vouvoyant, avec un objet clair. Propose un appel si le client éprouve des difficultés.

Exemple : voici le ton de nos courriels habituels : « Bonjour [Prénom], nous avons bien reçu vos documents et nous vous en remercions. »

Pas besoin d'écrire les mots « Contexte » ou « Tâche » : l'important, c'est que les quatre éléments y soient. Et pas de formule magique : tutoyer ou vouvoyer l'outil, lui dire « s'il vous plaît » ou « tu es un expert », lui promettre un pourboire, rien de cela n'améliore la qualité de façon fiable^{23, 24}. Précisez plutôt le registre du texte à produire.

Votre gabarit

Copiez-le dans votre carnet : il servira dans tous les exercices qui suivent. La dernière ligne est utile quand la demande est floue : faire préciser une demande ambiguë améliore les réponses²⁵. Demandez à l'outil d'attendre vos réponses, sinon il risque de rédiger trop tôt et de s'accrocher à ses suppositions²¹.

Contexte : je suis [votre rôle] dans [type d'entreprise]. [La situation, en deux ou trois phrases.]
Tâche : [verbe précis] [ce que vous attendez].
Format : [longueur], [structure : courriel, liste, tableau…], [ton], [vouvoiement ou tutoiement].
Exemple : [un texte que vous aimez].
Si des renseignements importants te manquent, pose-moi d'abord tes questions, puis attends mes réponses avant de rédiger.

Itérer, puis repartir à neuf au besoin

La première réponse est un brouillon. Pour une retouche, dites à l'outil ce qui ne va pas, dans la même conversation, comme vous le feriez avec un·e collègue.

Mais quand l'échange s'enlise, persister n'aide pas. Dans une étude de plus de 200 000 conversations simulées avec 15 modèles, la qualité baissait de 39 % en moyenne quand la demande arrivait par morceaux plutôt que d'un coup : une fois sur une mauvaise piste, les modèles s'y accrochent et ne s'en remettent pas²¹. Dans ce cas, demandez-lui de résumer tout ce que vous avez demandé, puis collez ce résumé dans une nouvelle conversation.

• Plus court : 80 mots au plus.
• Garde le premier paragraphe, refais le reste sur un ton plus chaleureux.
• Propose trois versions de l'objet.
• Qu'est-ce qui manque pour qu'une personne qui ne connaît pas le dossier comprenne ?
• Mets ça sous forme de tableau : tâche, responsable, échéance.
• Fais la liste des faits, chiffres, dates, noms et références de ta réponse, pour que je les vérifie.
• Résume en une seule demande tout ce que je t'ai demandé jusqu'ici.

L'avant-dernière relance vous donne une liste, mais ne vérifie rien : l'outil repère mal ses propres erreurs¹⁹. Évitez « Es-tu sûr ? » : dans une expérience, cette simple question faisait changer le modèle d'avis 46 % du temps, souvent pour une moins bonne réponse^{13, 26}. Enfin, une nouvelle conversation repart sans l'historique, mais si la mémoire de l'outil est activée, il peut se souvenir d'éléments d'anciens échanges.

réunion équipe 14 oct — présents : Julie, Marc, Samir, Ana
- logiciel de prise de RDV : Marc a fait 2 démos. Samir préfère celui avec rappels par texto, 45 $/mois vs 30 $
- décision reportée. Julie demande une soumission écrite aux 2 fournisseurs d'ici le 25
- nouvelle stagiaire le 3 nov, Ana prépare son poste
- formation IA : intérêt général, Samir inquiet pour la confidentialité des dossiers
- prochaine réunion 28 oct 9 h

Transforme ces notes en compte rendu, en trois parties : décisions, actions à faire (responsable, échéance), points en suspens. N'ajoute aucune information qui ne figure pas dans les notes.

Ce que vous écrivez dans un outil d'IA quitte votre ordinateur. Selon l'outil et vos réglages, ce contenu peut être conservé, examiné par le fournisseur ou servir à entraîner de futurs modèles. Or des équipes de recherche ont montré que des modèles peuvent recracher mot pour mot des passages de leurs données d'entraînement, y compris des noms, des courriels et des numéros de téléphone^{30, 31}. Avant de coller un texte, demandez-vous de quel feu il relève.

Feu vert, jaune, rouge

L'Ordre des CPA du Québec propose un classement très proche dans son guide de 2026 : information publique, interne, confidentielle et hautement sensible³².

Retirer ce qui identifie avant de coller

• Remplacez les noms par des rôles : [CLIENT], [COLLÈGUE], [ENTREPRISE].
• Retirez les coordonnées, les dates de naissance et les numéros de dossier, de compte ou d'assurance sociale.
• Méfiez-vous des indices combinés : dans une petite ville, « le propriétaire de la quincaillerie de la rue Principale » suffit à identifier quelqu'un. Aux États-Unis, la date de naissance, le sexe et le code postal suffisaient à identifier de 63 % à 87 % de la population³⁴.
• Ne gardez que ce dont l'outil a besoin pour la tâche : une IA peut deviner le lieu, l'âge ou le revenu d'une personne à partir d'indices dans un texte, même après qu'on en a retiré les noms³⁵.

Au sens de la loi, retirer les noms, c'est dépersonnaliser : le renseignement reste un renseignement personnel. Il n'est anonymisé que si on ne peut plus, de façon irréversible, identifier la personne (art. 12 et 23)³⁶.

Comptes et réglages

• Compte d'entreprise ou personnel. Les offres pour entreprises (Copilot avec un compte de travail Microsoft 365, Gemini dans Google Workspace, les forfaits pour entreprises de ChatGPT et de Claude, par exemple) s'engagent, par défaut, à ne pas utiliser vos échanges pour entraîner leurs modèles^{37, 38}. Avec un compte gratuit ou personnel, c'est souvent l'inverse : l'entraînement reste activé tant que vous ne le désactivez pas. Dans les deux cas, vos échanges peuvent être conservés un certain temps.
• Réglage d'entraînement. Dans les paramètres de votre compte, cherchez l'option qui permet d'utiliser vos conversations pour améliorer les modèles, et désactivez-la. Son nom et son emplacement changent d'un outil et d'une version à l'autre. Chez certains fournisseurs, envoyer une rétroaction (pouce en haut ou en bas) transmet quand même la conversation.
• Conversations temporaires. Pour un essai, utilisez le mode temporaire ou incognito, que les principaux fournisseurs excluent de l'entraînement.
• Historique et mémoire. Certains outils retiennent des informations d'une conversation à l'autre. Sachez où les consulter et les effacer.
• Documents venus de l'extérieur. Une page Web ou un document reçu peut contenir des instructions cachées destinées à l'IA³⁹. Vérifiez les liens, les montants et les consignes que l'outil en tire, et ne le laissez pas agir seul (envoyer un courriel, ouvrir un lien, modifier un fichier) à partir de ce contenu.

Ce n'est pas théorique. En mai 2026, la Commission d'accès à l'information du Québec a conclu qu'OpenAI n'avait pas pleinement respecté la loi québécoise avec ChatGPT. Elle lui recommande notamment d'informer les utilisateur·rices de la version Web gratuite que leur clavardage pourrait être examiné et utilisé pour entraîner le modèle, et de ne plus l'utiliser à cette fin par défaut³⁸.

La Loi 25 en six repères

La « Loi 25 » a modernisé la Loi sur la protection des renseignements personnels dans le secteur privé³⁶. Ces repères simplifiés ne remplacent pas un avis juridique.

1. Art. 2Renseignement personnelTout renseignement qui concerne une personne physique et permet, directement ou indirectement, de l'identifier.
2. Art. 3.1Une personne responsableDans l'entreprise, la personne qui a la plus haute autorité veille au respect de la loi. Elle peut déléguer cette fonction par écrit. Le titre et les coordonnées de la personne responsable sont publiés sur le site Web.
3. Art. 3.3Évaluer avant d'adopterAvant d'acquérir, de développer ou de refaire un système qui traite des renseignements personnels, l'entreprise fait une évaluation des facteurs relatifs à la vie privée (EFVP), proportionnée à la sensibilité des renseignements, en consultant sa personne responsable dès le départ⁴⁰. Selon la Commission d'accès à l'information, un système d'IA en fait partie dans la majorité des cas⁴¹.
4. Art. 17 et 18.3Fournisseurs et hors QuébecAvant de communiquer un renseignement personnel à l'extérieur du Québec, ou d'en confier le traitement à un fournisseur établi ailleurs, il faut une EFVP et une entente écrite. Tout fournisseur qui traite des renseignements pour l'entreprise doit être encadré par un contrat écrit qui en limite l'usage.
5. Art. 12.1Décisions automatiséesSi une décision qui touche une personne est prise uniquement par un système automatisé, il faut l'en informer au plus tard en même temps que la décision. Sur demande, on lui explique les renseignements et les facteurs utilisés, et elle peut la faire réviser par un membre du personnel.
6. Art. 3.5 à 3.8IncidentUn renseignement personnel collé par erreur dans un outil non autorisé peut constituer un incident de confidentialité. Il faut réduire le risque, l'inscrire au registre des incidents et, si le risque de préjudice est sérieux, aviser la Commission et les personnes concernées.

CliniquesPour les dossiers de santé d'un cabinet privé de professionnel, c'est souvent une autre loi qui s'applique : la Loi sur les renseignements de santé et de services sociaux, en vigueur depuis le 1^er juillet 2024, avec ses propres exigences⁴². Vérifiez auprès de votre ordre ou d'un·e juriste.

Secret professionnel

Si vous êtes membre d'un ordre professionnel, vos obligations de confidentialité s'appliquent aussi aux outils d'IA. Le Barreau du Québec est clair : « Le simple fait d'entrer des informations protégées par le secret professionnel dans un tel système ouvert […] constitue une violation, même sans reproduction ou divulgation effectives »⁴³. Plusieurs ordres demandent ou recommandent aussi d'informer la clientèle et d'obtenir son consentement avant d'utiliser l'IA dans son dossier, dont le Barreau, le Collège des médecins et l'Ordre des travailleurs sociaux^{33, 43, 44}. L'Ordre de la physiothérapie déconseille les outils grand public pour rédiger les dossiers⁴⁵, et l'Ordre des CPA propose un modèle de ligne directrice³². Consultez les repères de votre ordre. Dans le doute : feu rouge.

Vérifier avant d'envoyer

C'est vous qui signez, pas l'outil. Et plus on fait confiance à l'outil, moins on vérifie (module 1) : cette liste sert justement à ne pas sauter l'étape quand on est pressé·e.

• Les faits, les chiffres et les dates sont exacts.
• Les noms, les titres et les coordonnées sont les bons.
• Les citations et les références existent, et disent bien ce qu'on leur fait dire.
• Rien d'important n'a été laissé de côté.
• Le texte ne promet rien que vous ne pouvez pas tenir : prix, délais, engagements.
• Le ton convient à la personne qui le recevra.
• Aucun renseignement personnel ou confidentiel n'y figure par erreur.
• Vous seriez à l'aise de le signer.

En atelier, c'est le cœur de la formation : chaque personne travaille sur ses propres tâches, avec un accompagnement. Ici, reprenez les tâches notées au module 0.

Choisir les bonnes tâches

Une bonne tâche de départ coche la plupart de ces cases :

• Elle revient souvent, chaque semaine ou plus.
• Elle se fait surtout avec du texte : rédiger, résumer, reformuler, classer.
• Le résultat se vérifie en quelques minutes.
• Elle est au feu vert ou jaune, ou peut le devenir une fois qu'on a retiré ce qui identifie les personnes.
• Une erreur serait gênante, mais pas grave, et vous la repéreriez avant l'envoi.

Pour commencer, évitez les tâches où une erreur coûte cher et se voit mal : calculs fiscaux, avis juridiques, dossiers de santé. Méfiez-vous aussi des décisions d'affaires ouvertes : dans une expérience auprès de petites entreprises au Kenya, un assistant d'IA a aidé les entrepreneur·es déjà performant·es, mais nui aux autres, qui suivaient de moins bons conseils⁴⁶.

Des exercices selon votre milieu

Trois exemples de requêtes en quatre temps, à adapter :

Je travaille dans un cabinet comptable. Nos lettres de mission sont longues et notre clientèle les lit peu. À partir du modèle ci-dessous, rédige un résumé d'une page des responsabilités du client et de celles du cabinet. Deux listes à puces, langage simple, vouvoiement. N'ajoute aucune obligation qui ne figure pas dans le modèle.
[Collez le modèle de lettre, sans nom de client.]

Je travaille dans une clinique de physiothérapie. Rédige trois messages texte : un rappel 48 h avant le rendez-vous, un rappel la veille, et un message après une absence. 160 caractères au plus chacun, ton chaleureux, vouvoiement, avec les champs [PRÉNOM], [DATE] et [HEURE]. Voici le ton que j'aime : « Bonjour [PRÉNOM], petit rappel de votre rendez-vous… »

Je gère une boutique de vélos à Sherbrooke. Au printemps, on me demande souvent nos délais pour une mise au point. Rédige une réponse type que je pourrai adapter : 100 mots au plus, ton direct et amical, vouvoiement. Elle doit inviter la personne à prendre rendez-vous en ligne. Voici une de mes bonnes réponses : [collez-la].

Mesurer le gain

Pour chaque tâche, notez trois temps : sans IA, avec l'IA, et la vérification. Le gain réel, c'est le premier moins les deux autres. Chronométrez-les plutôt que de les estimer : votre impression peut vous tromper.

Votre impression peut vous tromperDans une expérience contrôlée de 2025, 16 développeur·euses expérimenté·es croyaient avoir travaillé 20 % plus vite avec l'IA; chronomètre en main, elles et ils avaient pris 19 % plus de temps⁴⁷. Au Royaume-Uni, un ministère a constaté que l'IA ralentissait certaines tâches, comme l'analyse dans Excel, contrairement à ce que déclaraient les participant·es⁴⁸.

Si la vérification prend presque autant de temps que la tâche, ce n'est pas une bonne candidate pour l'instant : passez à la suivante, ou améliorez la requête. Et gardez des attentes réalistes : à l'échelle d'une semaine, les études mesurent des gains de l'ordre de 3 à 5 % des heures chez les personnes qui utilisent l'IA^{49, 50}. Le gain se concentre sur quelques tâches bien choisies.

Votre bibliothèque de requêtes

Quand une requête donne un bon résultat, gardez-la dans un document partagé par l'équipe, une fiche par requête. C'est ce qui transforme les essais de chaque personne en façons de faire communes.

Nom : Compte rendu de réunion
Quand l'utiliser : après chaque réunion d'équipe
Feu : jaune (remplacer les noms de clients par [CLIENT])
Requête : Transforme ces notes en compte rendu, en trois parties : décisions, actions à faire (responsable, échéance), points en suspens. N'ajoute aucune information qui ne figure pas dans les notes.
À vérifier : dates, noms, décisions reportées, omissions
Ajoutée par : [initiales], le [date]

Au Québec, environ la moitié des internautes qui travaillent ou étudient n'ont pas de consigne claire sur l'IA : leur employeur n'a pas de position (21 %), ou ils et elles ne la connaissent pas (32 %)⁵¹. Dans une enquête menée dans 47 pays, dont le Canada, près de la moitié des employé·es reconnaissaient un usage contraire aux règles de leur entreprise, comme mettre de l'information sensible dans des outils publics gratuits⁵².

Des règles seules ne suffisent pas. L'usage est plus fréquent et plus utile quand l'employeur encourage l'IA, fournit un outil approuvé et forme son personnel⁴⁹. Le modèle ci-dessous va avec les deux autres morceaux : l'outil et la formation.

Modèle de règles d'utilisation

Copiez-le, remplissez les crochets, et proposez-le à votre équipe. Il reprend les points communs des cadres publiés par le gouvernement du Canada, le gouvernement du Québec et l'Ordre des CPA^{32, 53}.

Règles d'utilisation de l'IA — [Nom de l'entreprise]
Adoptées le [date] · à revoir le [date, dans 6 mois]

1. Outils permis : [outils approuvés], avec nos comptes de travail seulement. Chaque outil a été évalué (EFVP) et son contrat exclut l'entraînement sur nos données. Aucun autre outil d'IA pour le travail.
2. Ce qu'on y met : feu vert dans tous les outils permis; feu jaune seulement dans [outil d'entreprise], après avoir retiré ce qui identifie une personne; feu rouge jamais, sauf dans [solution approuvée, s'il y a lieu].
3. Réglages : l'entraînement sur nos conversations est désactivé sur tous nos comptes. Pas de rétroaction (pouce) sur une conversation qui contient de l'information interne.
4. Vérification : tout texte produit avec l'IA est relu avant d'être utilisé ou envoyé (faits, chiffres, noms, références, omissions, engagements). La personne qui l'envoie en est responsable.
5. Décisions : aucune décision qui touche une personne (clientèle, personnel, candidatures) n'est prise par l'IA seule.
6. Documents externes : on ne laisse pas l'outil agir seul (envoyer, ouvrir un lien, modifier un fichier) à partir d'un document ou d'une page venus de l'extérieur.
7. Transparence et consentement : on indique l'usage de l'IA quand [cas à préciser : documents remis à la clientèle, travaux signés…]. On obtient le consentement de la clientèle quand notre ordre l'exige, et avant tout enregistrement.
8. Formation : toute personne suit [formation] avant d'utiliser l'IA pour le travail.
9. Bibliothèque : les bonnes requêtes vont dans [emplacement du document partagé].
10. Incidents : un renseignement confidentiel collé par erreur dans un outil se signale le jour même à [personne responsable de la protection des renseignements personnels], qui l'inscrit au registre des incidents et évalue s'il faut aviser la Commission d'accès à l'information.

Vos semaines qui suivent

Pour chaque semaine, écrivez votre plan sous la forme « quand…, alors… ». Un plan qui précise le moment et le geste augmente nettement les chances de passer à l'action⁵⁴.

1. Semaine 1Réglez vos comptesDésactivez l'entraînement, puis choisissez un déclencheur : « Quand j'ouvre mes courriels le lundi matin, alors j'utilise ma requête de réponse type. »
2. Semaine 2Ajoutez une tâcheUne deuxième tâche, avec son propre déclencheur. Chronométrez les trois temps, et refaites les questions « Vérifiez vos acquis » des modules 1 à 3.
3. Semaine 3PartagezMettez vos deux meilleures requêtes en commun, et essayez celle d'un·e collègue.
4. Semaine 4Faites un premier bilanTâches adoptées, temps gagné mesuré, règles à ajuster. Refaites les questions des modules 4 et 5.

Comptez environ deux mois pour qu'un nouveau réflexe devienne automatique : 66 jours en médiane, avec de grands écarts d'une personne à l'autre⁵⁵. Le bilan à 30 jours est donc un point d'étape; refaites-le à 60 jours. Si vous manquez une journée, reprenez le lendemain : un oubli nuit peu. Et revenir aux questions à quelques semaines d'intervalle aide à retenir plus longtemps⁵⁶.

Rédige un rappel pour Mme Gagnon, dossier 2024-118, qui n'a pas payé sa facture de 850 $ du 15 août. On lui a déjà écrit le 15 septembre.

Sources

Études évaluées par les pairs en priorité, puis prépublications d'équipes reconnues (indiquées comme telles) et textes officiels. Sources consultées en octobre 2026.

1. H. L. Roediger et J. D. Karpicke, « Test-Enhanced Learning », Psychological Science, vol. 17, no 3, 2006.
2. J. Dunlosky et coll., « Improving Students' Learning With Effective Learning Techniques », Psychological Science in the Public Interest, vol. 14, no 1, 2013.
3. T. B. Brown et coll., « Language Models are Few-Shot Learners », NeurIPS, 2020.
4. L. Ouyang et coll., « Training language models to follow instructions with human feedback », NeurIPS, 2022.
5. A. T. Kalai et coll., « Why Language Models Hallucinate », prépublication, OpenAI et Georgia Tech, 2025.
6. V. Magesh et coll., « Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools », Journal of Empirical Legal Studies, vol. 22, no 2, 2025.
7. UER et BBC, News Integrity in AI Assistants, étude de 22 diffuseurs publics, dont CBC/Radio-Canada, octobre 2025.
8. W. H. Walters et E. I. Wilder, « Fabrication and errors in the bibliographic citations generated by ChatGPT », Scientific Reports, vol. 13, 2023.
9. J. Linardon et coll., « Influence of Topic Familiarity and Prompt Specificity on Citation Fabrication in Mental Health Research Using Large Language Models », JMIR Mental Health, vol. 12, 2025.
10. Specter Aviation Limited c. Laprade, 2025 QCCS 3521, Cour supérieure du Québec, 1er octobre 2025.
11. Cour supérieure du Québec, Avis à la communauté juridique et au public – L'intégrité des observations présentées aux tribunaux en cas d'utilisation des grands modèles de langage, 28 septembre 2023.
12. F. Dell'Acqua et coll., « Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality », Organization Science, 2026.
13. M. Sharma et coll., « Towards Understanding Sycophancy in Language Models », ICLR, 2024.
14. M. Cheng et coll., « Sycophantic AI decreases prosocial intentions and promotes dependence », Science, vol. 391, 2026.
15. K. Goddard, A. Roudsari et J. C. Wyatt, « Automation bias: a systematic review of frequency, effect mediators, and mitigators », JAMIA, vol. 19, no 1, 2012.
16. H.-P. Lee et coll., « The Impact of Generative AI on Critical Thinking », CHI '25, 2025.
17. S. Noy et W. Zhang, « Experimental evidence on the productivity effects of generative artificial intelligence », Science, vol. 381, no 6654, 2023, p. 187-192.
18. Mata v. Avianca, Inc., no 22-cv-1461, ordonnance sur les sanctions, tribunal fédéral du district sud de New York, 22 juin 2023.
19. J. Huang et coll., « Large Language Models Cannot Self-Correct Reasoning Yet », ICLR, 2024.
20. Guides des fournisseurs (non scientifiques) : Google, Gemini for Google Workspace Prompting Guide, 2025; Microsoft, Learn about Copilot prompts; Anthropic, Prompting best practices.
21. P. Laban et coll., « LLMs Get Lost In Multi-Turn Conversation », ICLR, 2026.
22. Z. Wang et coll., « Catch Me If You Can? Not Yet: LLMs Still Struggle to Imitate the Implicit Writing Styles of Everyday Authors », Findings of EMNLP, 2025.
23. L. Meincke, E. Mollick et coll., Prompting Science Reports 1, 3 et 4, prépublications, Wharton School, Université de Pennsylvanie, 2025.
24. Z. Yin et coll., « Should We Respect LLMs? A Cross-Lingual Study on the Influence of Prompt Politeness on LLM Performance », SICon, 2024.
25. M. J. Q. Zhang et E. Choi, « Clarify When Necessary: Resolving Ambiguity Through Interaction with LMs », Findings of NAACL, 2025; B. Z. Li et coll., « Eliciting Human Preferences with Language Models », ICLR, 2025.
26. P. Laban et coll., « Are You Sure? Challenging LLMs Leads to Performance Drops in The FlipFlop Experiment », prépublication, 2023.
27. N. F. Liu et coll., « Lost in the Middle: How Language Models Use Long Contexts », Transactions of the ACL, vol. 12, 2024.
28. Y. Kim et coll., « FABLES: Evaluating faithfulness and content selection in book-length summarization », COLM, 2024.
29. N. F. Liu, T. Zhang et P. Liang, « Evaluating Verifiability in Generative Search Engines », Findings of EMNLP, 2023.
30. N. Carlini et coll., « Extracting Training Data from Large Language Models », USENIX Security Symposium, 2021.
31. M. Nasr et coll., « Scalable Extraction of Training Data from Aligned, Production Language Models », ICLR, 2025.
32. Ordre des CPA du Québec, Guide CPA des bonnes pratiques en intelligence artificielle, 2026, et modèle de ligne directrice sur l'IA générative, avril 2025.
33. Collège des médecins du Québec, Scribe et intelligence artificielle, 2025-2026.
34. L. Sweeney, Simple Demographics Often Identify People Uniquely, Carnegie Mellon University, 2000; P. Golle, « Revisiting the uniqueness of simple demographics in the US population », WPES, 2006.
35. R. Staab et coll., « Beyond Memorization: Violating Privacy via Inference with Large Language Models », ICLR, 2024.
36. Loi sur la protection des renseignements personnels dans le secteur privé, RLRQ, c. P-39.1, art. 2, 3.1, 3.3, 3.5 à 3.8, 12, 12.1, 17, 18.3 et 23.
37. Pages officielles sur la confidentialité, octobre 2026 : Microsoft, protection des données d'entreprise; Google, Gemini dans Workspace et Gemini personnel; Anthropic, offres commerciales et offres grand public.
38. Commission d'accès à l'information, Résultats de l'enquête conjointe sur OpenAI – ChatGPT en matière de protection des renseignements personnels, communiqué, et rapport conjoint, 6 mai 2026.
39. K. Greshake et coll., « Not What You've Signed Up For: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection », AISec, 2023; NIST, Generative Artificial Intelligence Profile (AI 600-1), 2024.
40. Commission d'accès à l'information, Réaliser une évaluation des facteurs relatifs à la vie privée – Guide d'accompagnement à la démarche et à sa documentation, version 3.1, avril 2024.
41. Commission d'accès à l'information, L'IA au travail : pour un meilleur encadrement, mémoire, janvier 2025.
42. Gouvernement du Québec, entrée en vigueur de la Loi sur les renseignements de santé et de services sociaux, 1er juillet 2024.
43. Barreau du Québec, L'intelligence artificielle générative – Guide pratique pour une utilisation responsable, 2e éd., 2025.
44. Ordre des travailleurs sociaux et des thérapeutes conjugaux et familiaux du Québec, Avis professionnel – L'utilisation de l'intelligence artificielle par les T.S. et les T.C.F., mars 2026.
45. Ordre professionnel de la physiothérapie du Québec, Mise en garde concernant l'utilisation de systèmes d'intelligence artificielle grand public en physiothérapie, 20 décembre 2023.
46. N. Otis et coll., « The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance: Evidence from a Field Experiment in Kenya », Management Science, 2026.
47. J. Becker et coll. (METR), « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », prépublication, 2025.
48. Department for Business and Trade (Royaume-Uni), Evaluation of the M365 Copilot pilot in the Department for Business and Trade, août 2025 (évaluation sans groupe témoin).
49. A. Humlum et E. Vestergaard, Large Language Models, Small Labor Market Effects, document de travail no 33777, NBER, 2025, révisé en 2026.
50. A. Bick, A. Blandin et D. J. Deming, « The Rapid Adoption of Generative AI », Management Science, 2026, et The Impact of Generative AI on Work Productivity, Réserve fédérale de St. Louis, février 2025.
51. Académie de la transformation numérique, Université Laval, NETendances 2025 – Intelligence artificielle générative, mars 2026 (sondage d'octobre 2025, 993 internautes).
52. N. Gillespie et coll., Trust, attitudes and use of artificial intelligence: A global study 2025, Université de Melbourne et KPMG, 2025.
53. Secrétariat du Conseil du Trésor du Canada, Guide sur l'utilisation de l'intelligence artificielle générative, 2026; ministère de la Cybersécurité et du Numérique du Québec, Guide des bonnes pratiques d'utilisation de l'intelligence artificielle générative, mars 2026.
54. P. M. Gollwitzer et P. Sheeran, « Implementation Intentions and Goal Achievement: A Meta-analysis of Effects and Processes », Advances in Experimental Social Psychology, vol. 38, 2006.
55. P. Lally et coll., « How are habits formed: Modelling habit formation in the real world », European Journal of Social Psychology, vol. 40, no 6, 2010.
56. N. J. Cepeda et coll., « Distributed practice in verbal recall tasks: A review and quantitative synthesis », Psychological Bulletin, vol. 132, no 3, 2006.