L’IA dans les services de soutien à la recherche : des prompts individuels aux processus de travail en équipe

← Retour aux ressources

Les services de soutien à la recherche travaillent avec des conditions de financement, des projets de demandes, des idées de recherche non publiées, des appréciations internes et des délais serrés. L’IA peut aider à structurer ces informations, repérer les lacunes d’une argumentation et préparer les entretiens de conseil.

Pour utiliser cette assistance de manière fiable en équipe, des pratiques communes sont nécessaires. Avant le premier prompt, il faut clarifier quelles informations peuvent être utilisées dans quel outil, pour quelle tâche et qui vérifiera le résultat.

La culture de l’IA commence avant le premier prompt

La culture de l’IA désigne ici la capacité à utiliser l’IA de manière pertinente, à évaluer ses limites et à vérifier les résultats sur le fond. ^[1] Cela comprend l’identification des demandes confidentielles, des données personnelles et des idées de recherche à protéger. Cette appréciation ne doit pas être laissée au système d’IA.

Quatre questions constituent le point de départ :

• Contenu : Quelles informations sont disponibles et comment sont-elles protégées ?
• Outil : Quel système d’IA est autorisé pour ce contenu et cette tâche ?
• Tâche : Quelle assistance l’IA doit-elle concrètement apporter ?
• Résultat : Comment le résultat sera-t-il vérifié, puis utilisé ?

La Grille IA et le bilan en quatre questions facilitent cet examen préalable. Ils donnent une orientation ; pour le cas concret, il faut également respecter les exigences institutionnelles et celles du financement concerné.

Pourquoi les services de soutien à la recherche ont besoin de processus d’IA adaptés

Les services de soutien à la recherche et les Grants Offices traduisent les conditions de financement en conseils pratiques. Ils examinent des projets de demandes, expliquent les critères et aident les équipes de recherche à présenter de manière convaincante leur contribution scientifique, leur méthodologie et la faisabilité de leur projet.

Un assistant IA généraliste ne dispose pas automatiquement de l’appel à projets actuel, des standards internes de conseil ou de la finalité prévue d’un retour. Le contexte de travail doit donc lui être fourni explicitement. Des rôles, des sources et des étapes de vérification communs aident à adapter l’assistance à ces exigences professionnelles.

Un Grants Office peut-il utiliser l’IA pour les demandes de financement ?

Cela dépend de la tâche, du contenu, de l’outil et des règles applicables. Le conseil interne peut notamment consister à examiner une structure, traduire des critères de financement en questions de vérification ou préciser des formulations. Les documents confidentiels ne peuvent alors être traités que dans un environnement adapté et autorisé à cette fin.

Le conseil interne avant le dépôt et l’évaluation formelle pour un organisme de financement sont des procédures distinctes. Un modèle d’assistance destiné aux conseillers en financement de la recherche, ou Grants Advisors, ne constitue donc pas une autorisation générale d’utiliser l’IA dans l’évaluation par les pairs.

Dans la procédure formelle du FNS, les expert·es établissent d’abord une appréciation indépendante. L’IA ne peut ensuite apporter une aide que dans les conditions définies, notamment de confidentialité et de déclaration. La FAQ actuelle du FNS décrit les tâches et les limites. ^[2]

Le problème de l’utilisation individuelle de l’IA

Lorsque chaque personne utilise ses propres prompts, extraits de documents et critères de vérification, les bases de travail diffèrent. Une réponse convaincante peut avoir été soigneusement vérifiée ou reposer sur un document dépassé, sans que le résultat permette de faire la différence.

Un processus commun précise les sources et les modèles utilisés, les étapes reproductibles et les points exigeant une vérification spécialisée. Le personnel doit disposer de compétences professionnelles et de connaissances de base communes en IA. Il n’est pas nécessaire de redéfinir chaque rôle d’assistance à chaque utilisation.

Le Sollberger AI-Literacy-Workflow

Le Sollberger AI-Literacy-Workflow décrit ma démarche pour construire de tels processus de travail fondés sur la culture de l’IA. Il s’agit d’un modèle pratique d’orientation, et non d’une norme contraignante d’une haute école ou d’un organisme de financement.

Évaluer le contenu → Sélectionner et vérifier les connaissances → Synthétiser le contexte → Utiliser l’assistant IA de manière ciblée → Vérifier le résultat → Assumer la responsabilité

1. Évaluer le contenu : Clarifier son caractère public ou confidentiel, la présence de données personnelles et les besoins de protection. Vérifier si ce contenu peut être traité dans l’outil prévu.
2. Sélectionner et vérifier les connaissances : Choisir les appels à projets, directives, FAQ et indications internes actuels. Consigner les versions et leur validité ; signaler les informations dépassées ou non clarifiées.
3. Synthétiser le contexte : Réunir les exigences, les termes, les exclusions et les questions ouvertes dans une base de travail exploitable. Un outil adapté de gestion des connaissances peut aider ; les références aux sources et le contrôle sur le fond restent nécessaires.
4. Utiliser l’assistant IA de manière ciblée : Choisir un rôle bien délimité : aide à la structuration, à la rédaction ou à la préparation d’un entretien de conseil. Fournir uniquement les informations nécessaires à cette tâche.
5. Vérifier le résultat : Contrôler l’exactitude sur le fond, l’exhaustivité et la pertinence à l’aide des sources. Repérer les informations inventées, les pondérations erronées et les affirmations d’impact non étayées. ^[3]
6. Assumer la responsabilité : Définir qui valide, réutilise ou communique le résultat. La responsabilité sur le fond reste du ressort de la personne compétente.

Des documents dispersés à une source de référence unique

Les connaissances relatives aux financements sont souvent réparties entre appels à projets, règlements, FAQ, présentations et notes internes. Une source de référence unique, ou Single Source of Truth (SSOT), rassemble les informations pertinentes sur un dispositif de financement dans une base de travail vérifiée : exigences, critères, échéances, termes et questions ouvertes, avec leurs sources.

Un tel document peut servir de contexte temporaire à un assistant généraliste pour les Grants Advisors. Le rôle de base reste identique, tandis que le document fourni précise le contexte du financement. Toutes les connaissances spécialisées à durée limitée ne doivent pas nécessairement être intégrées durablement à sa base de connaissances.

Même les résumés de documents fournis peuvent être inexacts ou trompeurs. Comparez donc le résultat aux sources originales. ^[3]

Le terme SSOT désigne ici un principe d’organisation. Un document synthétique peut contenir des erreurs et ne remplace pas les sources originales. La responsabilité de sa tenue, sa version et les références aux sources le rendent vérifiable ; les modifications de l’appel ou de la FAQ doivent être intégrées.

Exemple hypothétique : de l’appel à projets à la liste de vérification

L’exemple suivant illustre un déroulement possible et ne décrit pas un projet client :

1. Contenu de départ : Un appel à projets public actuel et sa FAQ officielle sont sélectionnés comme sources.
2. Consigne donnée à l’IA : Structurer les exigences par conditions d’admissibilité, délai, longueur et documents à fournir ; indiquer la référence pour chaque point et signaler les ambiguïtés.
3. Vérification humaine : Un Grants Advisor compare chaque point à la source originale et corrige les omissions ou les interprétations erronées.
4. Résultat utilisable : Une liste de vérification interne datée, avec les références aux sources. Les documents de l’appel en vigueur restent déterminants.

Comment les assistants IA peuvent soutenir la qualité du travail en équipe

Un assistant IA spécialisé peut intégrer un rôle défini, des questions de vérification courantes, des termes, des formats de sortie et des limites. L’équipe dispose ainsi d’une configuration de départ commune pour les tâches récurrentes.

Cela facilite l’application des critères de vérification convenus, sans garantir l’exactitude des résultats. Avant de déployer un assistant plus largement, l’équipe devrait le tester sur des tâches représentatives : quelles erreurs surviennent ? Quelles sources manquent ? Quand doit-il demander des précisions ou refuser une tâche ?

Comment étendre cette approche au sein de l’équipe

Les rôles documentés et les modèles autorisés peuvent être repris par d’autres membres du personnel. Les modifications des sources, des règles ou des consignes de l’assistant peuvent être intégrées en commun, au lieu d’entretenir séparément de nombreuses variantes personnelles.

Cela suppose une instance responsable, des instructions accessibles et des retours réguliers sur l’utilisation. Avant toute extension, un pilote devrait donc montrer si le processus est compréhensible pour l’équipe et atteint la qualité requise. ^[4]

Pour le processus décrit ici, je recommande ceci : après des modifications importantes du modèle, de l’outil ou de la base de connaissances, l’équipe teste de nouveau l’assistant sur des exemples convenus.

Trois composantes pratiques pour les Grants Offices

Les rôles d’assistance suivants décrivent des pratiques possibles pour le conseil interne sur les demandes de financement. Leur adéquation doit être examinée dans le cadre institutionnel concerné.

Assistant de relecture pour les Grants Advisors

Un assistant interne de relecture peut poser des questions sur un projet de demande : la contribution scientifique est-elle identifiable ? La méthodologie correspond-elle à la question de recherche ? Les risques sont-ils compréhensibles ? Les affirmations d’impact sont-elles étayées par le projet ?

Ce regard critique peut aider les Grants Advisors à préparer les entretiens de conseil. Il s’agit d’une aide de travail interne, et non d’une expertise indépendante. Dans le processus proposé ici, elle ne produit ni classement ni décision de financement ; chaque retour est vérifié et pondéré par la personne compétente.

Assistant de rédaction de demandes pour les équipes de recherche

Un assistant de rédaction peut aider les équipes de recherche à structurer leurs idées et à les présenter plus clairement. Il peut, par exemple, signaler des transitions peu claires ou vérifier la cohérence de formulation entre la question de recherche et les objectifs.

L’idée scientifique, la substance méthodologique et la responsabilité restent du ressort des équipes de recherche. L’assistant doit demander les informations manquantes et signaler les incertitudes, plutôt que d’ajouter des résultats, des références ou des promesses d’impact.

Processus SSOT pour des contextes de financement spécifiques

Les documents du programme sont d’abord structurés et synthétisés dans un document SSOT soumis à une vérification sur le fond. Ce document vérifié est ensuite fourni comme contexte pour une tâche d’assistance précise.

Ce déroulement en deux temps distingue la préparation des sources du travail de rédaction. Il permet de retracer la base d’information d’un retour. La comparaison avec les sources originales reste intégrée aux deux étapes.

Ce que l’IA peut apporter au conseil en financement

Les tâches adaptées comprennent notamment la structuration d’appels à projets, la traduction des critères en questions de vérification, le repérage de lacunes dans l’argumentation, la préparation d’entretiens de conseil et l’harmonisation rédactionnelle de documents d’information. L’équipe devrait choisir ces tâches selon ses besoins réels de conseil.

Les limites à poser à l’IA

Pour le processus de conseil décrit ici, je recommande des limites claires : pas de décisions de financement ni de classements automatisés, pas de textes produits par l’IA présentés comme des expertises, et pas de traitement de documents confidentiels dans des environnements non vérifiés. Les références, résultats scientifiques et promesses d’impact inventés n’ont pas leur place.

Ces limites décrivent ma démarche de conseil. Les règles d’une procédure formelle d’évaluation déterminent si et comment l’IA peut y être utilisée. Un contrôle superficiel effectué après coup sur un texte produit par l’IA ne permet pas d’assumer la responsabilité d’une évaluation sur le fond.

Lignes rouges : contenu, outil, tâche et résultat

Une fiche d’information publique, un projet de demande contenant des données personnelles et une idée de recherche non publiée nécessitent des mesures de protection différentes. La validation d’un outil doit correspondre à l’utilisation concrète ; un accès institutionnel ne répond pas à lui seul à cette question.

En présence de données personnelles, les exigences applicables en matière de protection des données doivent être examinées. Le PFPDT précise que la loi suisse sur la protection des données s’applique aussi aux traitements de données reposant sur l’IA. Il faut également tenir compte, notamment, des exigences institutionnelles, des accords de confidentialité et des conditions de l’organisme de financement. ^[5]

Pour préparer une utilisation concrète, la Grille IA, le bilan en quatre questions et cet article sur la communication efficace avec l’IA se complètent : situer l’utilisation, clarifier les conditions et formuler précisément la consigne autorisée.

Les processus d’IA en équipe relèvent du développement organisationnel

L’introduction touche à la répartition des tâches, aux compétences et à la collaboration. L’équipe doit définir qui tient les sources à jour, gère les assistants, vérifie les résultats et valide les modifications. La formation et les tests d’utilisation communs font donc partie de la mise en place.

Un pilote limité, portant sur une tâche claire, rend ces exigences concrètes. Les retours sur les erreurs, l’effort nécessaire et la qualité du conseil permettent d’améliorer le processus ou d’en limiter l’utilisation.

Conclusion

Les processus d’IA en équipe associent expertise, sources sélectionnées et vérifiées, rôles d’assistance clairs et résultats vérifiables. Le Sollberger AI-Literacy-Workflow propose une démarche en six étapes. Son utilité doit être démontrée au sein de chaque équipe et pour les tâches réelles.