Data Booster
4 min de lecture
October 5, 2022
Demandez à cinq organisations ce qu’elles entendent par data literacy et vous obtiendrez cinq réponses, dont deux au moins décrivent la data fluency. La différence n’a plus rien d’académique dès que vous écrivez un programme : elle décide qui vous formez, jusqu’à quel niveau, et à quoi vous verrez que cela a fonctionné.
Reprenons l’analogie avec une langue. La littératie, c’est savoir lire et écrire. La fluidité, c’est faire la même chose sans effort, correctement et vite. Appliqué aux données : la data literacy est la capacité de lire les données, d’en produire, d’en parler et de raisonner avec elles. La data fluency est la capacité de faire tout cela sans friction, dans le flux du travail quotidien. La fluency n’est pas une autre compétence, c’est la même compétence à un niveau plus élevé.
Cela compte, parce que la plupart des organisations n’ont pas besoin que tout le monde atteigne la fluency. Elles ont besoin d’un grand groupe capable de lire et d’écrire les données, d’un groupe plus restreint qui le fait avec fluidité, et d’une poignée de spécialistes qui vont plus loin que les deux.
Puis la GenAI est arrivée et a ajouté un troisième terme. L'AI literacy n’est pas la data literacy sous une nouvelle étiquette. Les deux se recoupent, mais elle ajoute des compétences que les anciennes définitions n’avaient pas à couvrir : savoir quand un modèle risque de se tromper, juger un résultat que l’on ne peut pas retracer, comprendre ce que deviennent les données que l’on colle dans un prompt, et reconnaître les cas où un outil ne devrait pas être utilisé du tout.
Avec l’AI Act européen, cette dernière série de compétences n’est plus seulement une bonne pratique. Les organisations qui déploient de l’IA doivent s’assurer que leurs collaborateurs disposent d’un niveau suffisant d’AI literacy, ce qui transforme une ambition de formation en quelque chose que vous devez pouvoir démontrer.
Conséquence pratique : data literacy et AI literacy ne se suivent pas. Vous ne terminez pas l’une pour commencer l’autre. Qui ne sait pas lire un graphique ne repérera pas davantage la réponse fausse mais plausible d’un assistant IA, et c’est exactement pour cela que les deux appartiennent à un seul programme plutôt qu’à deux programmes concurrents.
Partez des capacités dont l’organisation a besoin, puis remontez aux compétences que chaque groupe utilise réellement. Des rôles différents demandent des parcours vraiment différents : celui de quelqu’un qui lit des tableaux de bord n’a rien à voir avec celui de quelqu’un qui les construit.
Nous travaillons avec quatre grands groupes : les users, qui travaillent avec des tableaux de bord, des rapports et des assistants ; les builders, qui connaissent à fond un domaine métier et utilisent les données pour agir ; les specialists, qui construisent et maintiennent les données et les modèles ; et les leaders, qui décident où l’IA crée de la valeur et comment le risque est maîtrisé.
Dans chaque groupe, les compétences techniques et humaines comptent autant. Produire des données repose sur des compétences techniques dans des outils comme SQL et Tableau. Communiquer avec les données relève surtout de compétences humaines : poser la bonne question et transformer une réponse en quelque chose qu’un collègue peut utiliser. Les deux s’apprennent, et aucune n’est facultative.
Les niveaux de compétence sont plus utiles que les étiquettes. Lire correctement un graphique à barres est un niveau de base. Tirer d’une expérience une conclusion causale défendable relève de l’expert. Nommer le niveau par rôle et le mesurer avec une évaluation avant et après vous en dira bien plus que de décider si le programme s’appelle « literacy » ou « fluency ».
Une réserve que nous rencontrons souvent : si tout le monde obtient un score élevé à la mesure de référence avant même le début du programme, c’est que l’évaluation est trop facile, pas que l’organisation est déjà compétente. Une mesure de référence sans marge de progression ne prouve rien.
Et quel que soit le nom que vous lui donnez, cela ne s’arrête pas. Les outils changent, les modèles changent, et le niveau qui passait pour fluide il y a deux ans est le plancher d’aujourd’hui. La bonne question n’est pas quel terme employer, mais si vous continuez à relever la barre.
Membre de
Nominé
