Lorsque la plupart des gens travaillent avec l'IA, ils suivent ce que nous pourrions appeler une approche de « poussée de contexte ». Ils chargent leurs invites avec autant de contexte qu'ils pensent que l'IA a besoin pour accomplir une tâche. En apparence, cela semble logique : donnez à l'IA tout ce dont elle pourrait avoir besoin dès le départ, et elle devrait produire de bons résultats.

Mais il y a un défaut fondamental dans cette approche : vous ne pouvez fournir du contexte qu'en fonction de ce que vous pensez que l'IA a besoin. Vous opérez à partir de votre propre modèle mental de la tâche, qui contient inévitablement des angles morts. Vous ne savez pas ce que vous ne savez pas, et ces lacunes de contexte peuvent avoir un impact significatif sur la qualité des résultats de l'IA.

Qu'est-ce que la traction de contexte ?

Au lieu de pousser le contexte vers l'IA, pourquoi ne pas concevoir vos invites pour que l'IA tire le contexte de vous grâce à des questions stratégiques ? Cela renverse complètement la situation.

Le concept de traction de contexte est d'une simplicité élégante : vous donnez un objectif à l'IA, mais vous concevez l'invite de sorte que le premier travail de l'IA soit de vous poser les bonnes questions pour recueillir le contexte dont elle a besoin pour atteindre cet objectif. Vous rendez essentiellement l'IA responsable de déterminer quelles informations sont nécessaires, plutôt que d'espérer avoir deviné correctement.

Comment fonctionne la traction de contexte ?

La puissance de la traction de contexte réside dans l'ingénierie des invites. Vous rédigez des invites avec des instructions explicites pour que l'IA :

  • Comprenne l'objectif : Sache ce qu'elle cherche finalement à accomplir
  • Identifie les lacunes d'information : Détermine le contexte dont elle a besoin pour réussir
  • Pose des questions stratégiques : Tire ce contexte de vous grâce à des questions ciblées
  • Approfondisse systématiquement : Continue à questionner jusqu'à avoir suffisamment d'informations
  • Progresse délibérément : N'avance que lorsqu'elle est convaincue de pouvoir produire un résultat de qualité

Un exemple concret : l'optimisation de CV

Imaginez que vous travaillez avec une IA pour améliorer votre CV. Plutôt que de télécharger votre CV et de demander à l'IA de « l'améliorer », une approche par extraction de contexte fonctionnerait de la manière suivante.

L'invite demande à l'IA de :

  • D'abord, vous demander un aperçu général de tous les rôles clés que vous avez occupés
  • Attendre votre signal indiquant que vous avez terminé cet aperçu
  • Puis parcourir systématiquement chaque rôle, un à la fois
  • Pour chaque rôle, poser des questions de clarification sur les indicateurs, l'impact et les réalisations spécifiques
  • Refuser de passer au rôle suivant tant qu'il n'y a pas suffisamment de détails pour rédiger un contenu convaincant pour le rôle actuel

L'IA devient un intervieweur, approfondissant votre expérience avec l'expertise de savoir exactement ce qui fait un CV solide dans votre domaine.

Comment l'extraction de contexte produit-elle de meilleurs résultats ?

L'extraction de contexte soulève des questions sur des informations que vous n'auriez pas pensé à fournir. Pour reprendre l'exemple ci-dessus : vous ne réalisez peut-être pas qu'il est crucial de quantifier la taille de l'équipe que vous avez managée dans votre CV, ou que l'IA doit comprendre le contexte métier d'une réalisation particulière pour la mettre en valeur efficacement.

Lorsque l'IA pose ces questions, vous êtes invité à fournir un contexte qui compte vraiment. C'est un contexte que l'IA a déterminé dont elle a besoin en fonction de sa compréhension de ce qui constitue un résultat réussi.

Cela conduit à des résultats fondamentalement différents. L'IA ne travaille pas avec le contexte que vous pensez lui être nécessaire ; elle travaille avec le contexte qu'elle sait lui être nécessaire. Cette distinction est capitale.

L'application plus large de l'extraction de contexte

Bien que l'exemple du CV soit concret, l'extraction de contexte peut s'appliquer à pratiquement n'importe quelle tâche assistée par IA :

  • Documents de stratégie : L'IA vous interroge sur la dynamique du marché, le positionnement concurrentiel et les capacités organisationnelles avant de rédiger.
  • Spécifications produit : L'IA recueille systématiquement les exigences, les contraintes, les besoins des utilisateurs et les considérations techniques.
  • Création de contenu : L'IA recueille des informations sur l'audience, les préférences de ton, les messages clés et les objectifs avant de rédiger.
  • Analyse de données : L'IA clarifie les questions auxquelles vous essayez de répondre, les décisions qui dépendent des résultats et le contexte entourant les données.

Dans chaque cas, vous exploitez les connaissances du domaine de l'IA pour vous assurer de fournir le bon contexte, et pas seulement beaucoup de contexte.

5 principes clés pour mettre en œuvre l'extraction de contexte

  1. Concevoir des invites avec des cadres de questionnement : Intégrez des instructions explicites demandant à l'IA de poser des questions avant d'entreprendre la tâche.
  2. Rendre le questionnement systématique : Amenez l'IA à traiter les sujets de manière méthodique, en garantissant une couverture exhaustive.
  3. Définir des critères d'achèvement : Indiquez à l'IA ce à quoi ressemble un « contexte suffisant » afin qu'elle sache quand cesser de poser des questions et commencer à agir.
  4. Adopter la dynamique de l'entretien : Acceptez que les meilleurs résultats proviennent du dialogue, et non du monologue.
  5. Faites confiance au jugement de l'IA : si l'IA demande des informations, elle en a probablement besoin, même si vous ne voyez pas immédiatement pourquoi.

Le changement de paradigme dans la collaboration humain-IA

L'extraction de contexte représente un changement fondamental dans notre façon d'envisager la collaboration avec l'IA. Au lieu de traiter l'IA comme un outil passif qui traite ce que nous lui fournissons, nous la considérons comme un partenaire actif doté de l'expertise nécessaire pour savoir ce dont il a besoin afin de produire un travail de qualité.

Cela semble contre-intuitif au premier abord. Ne devrions-nous pas, en tant qu'humains, savoir mieux que quiconque quel contexte fournir ? Mais cette hypothèse passe à côté de l'essentiel. L'IA a été entraînée sur des modèles définissant ce qui constitue de bons résultats dans d'innombrables domaines. Elle sait quelles informations ont généralement de l'importance. En la laissant poser les questions, nous exploitons cette connaissance.

Le résultat est des sorties qui ne sont pas seulement techniquement correctes, mais véritablement utiles, car elles reposent sur une base de contexte qui compte vraiment, recueillie de manière systématique grâce à un questionnement intelligent.

Voir plus d'épisodes du podcast The Vibe PM ici.