D7 · Responsible and Safe Use

Ce domaine pèse 10 % de l’examen blanc — soit environ 6 des 60 items, la pondération la plus légère, mais il porte une conséquence disproportionnée dans le monde réel : une seule erreur ici peut violer la confidentialité, exposer des données personnelles, ou induire un public en erreur. Il teste le jugement sur ce que vous pouvez mettre dans ChatGPT, ce que vous devez vérifier avant d’agir sur sa sortie, et comment être honnête sur son usage — en particulier en milieu de travail et dans l’éducation.

Ce qu’il faut savoir

L’usage responsable commence par la sensibilité des données : classez l’information avant de la coller, et gardez les données confidentielles, personnelles ou réglementées hors des outils et réglages qui ne sont pas sanctionnés pour elles. Le biais peut apparaître dans les sorties et doit être atténué par un prompting neutre, des exemples représentatifs et une revue humaine. Les sorties à forts enjeux, irréversibles, réglementées ou externes requièrent une étape de revue humaine. La divulgation — être transparent sur le fait que l’IA a été utilisée, là où l’honnêteté l’exige — compte, et dans l’éducation, les règles d’intégrité académique régissent ce que les étudiants et les éducateurs peuvent faire. La politique d’usage de l’IA organisationnelle prime sur la commodité personnelle.

Objectifs d’apprentissage

À la fin de cette page, vous devriez être capable de :

1. Classer l’information par sensibilité et décider ce qui peut entrer dans ChatGPT.
2. Protéger les données PII et confidentielles et choisir des outils/réglages sanctionnés.
3. Reconnaître et atténuer le biais dans les sorties.
4. Appliquer les étapes de revue humaine au travail à forts enjeux.
5. Juger quand la divulgation de l’usage de l’IA est appropriée.
6. Appliquer la politique en milieu de travail et les normes d’intégrité éducateur/étudiant.

7.1 Classes de sensibilité des données

Avant de coller quoi que ce soit, classez-le. Un schéma simple à quatre classes couvre la plupart des milieux de travail.

before pasting: what class is this?
   public ──────────► fine
   internal ────────► check policy; use sanctioned tools
   confidential ────► sanctioned/enterprise settings only
   restricted/PII ──► do not paste unless explicitly permitted

Les réglages enterprise aident : OpenAI indique que les données professionnelles ne sont pas utilisées pour entraîner les modèles par défaut sur Enterprise, avec des contrôles comme SSO, RBAC et la résidence des données. Mais le réglage n’aide que si vous utilisez l’espace de travail sanctionné — coller des données confidentielles dans un compte personnel gratuit est l’erreur classique.

7.2 PII et confidentialité

Les informations personnelles identifiables (PII : noms liés à des données, coordonnées, identifiants, données de santé ou de paiement) et les informations professionnelles confidentielles méritent un soin particulier.

Le réglage par défaut sûr : minimiser — n’inclure que les données dont la tâche a véritablement besoin, et dé-identifier quand les spécificités ne sont pas requises.

7.3 Biais et équité

Les sorties peuvent porter un biais : cadrage faussé, exemples non représentatifs, hypothèses stéréotypées, ou traitement asymétrique de personnes ou d’options.

L’atténuation du biais est partagée : un prompting neutre le réduit, des entrées représentatives aident, et la revue humaine attrape ce qui reste — surtout pour tout ce qui touche à des personnes ou à des caractéristiques protégées.

7.4 Étapes de revue humaine

Certaines sorties doivent passer par un humain avant qu’on agisse dessus — la même étape introduite au domaine 6, vue sous l’angle de la responsabilité.

Revue obligatoire lorsque la sortie est irréversible, réglementée (juridique, médical, financier, RH/embauche), destinée à l’externe, touche des données personnelles ou caractéristiques protégées, est exigée par la politique, ou est nouvelle/à forte incertitude. Pour un contenu d’embauche, médical, juridique ou de conseil financier, un humain qualifié — pas le modèle — prend la décision ; le modèle rédige, l’humain assume.

7.5 Divulgation et honnêteté

La divulgation consiste à être transparent sur le fait que l’IA a apporté son aide, là où l’honnêteté ou la politique l’exigent. Elle dépend du contexte, elle n’est pas absolue.

Le principe : ne pas créer une fausse impression d’auteur, d’expertise ou d’effort. En cas de doute dans un cadre professionnel ou académique, divulguez et suivez la politique applicable.

7.6 Politique en milieu de travail et intégrité éducateur/étudiant

La politique d’usage de l’IA en milieu de travail prime sur la commodité personnelle. Si la politique nomme des outils sanctionnés, des classes de données interdites, ou des étapes de revue requises, suivez-les même lorsqu’un raccourci non sanctionné serait plus rapide.

before acting on AI help at work or school:
   1. What does the policy say? ── follow it
   2. What data class is involved? ── protect it
   3. Does honesty require disclosure? ── disclose
   4. Does a human need to own the decision? ── route the gate

Cadre de décision

Utilisez le contrôle d’usage responsable CLEAR avant de coller des données sensibles ou d’agir sur une sortie : Classer les données, Limiter au nécessaire, Evaluer le biais, Autoriser via la politique/les outils sanctionnés, Revoir par un humain là où les enjeux l’exigent.

La valeur : il transforme « est-ce acceptable de faire ceci avec l’IA ? » en cinq contrôles rapides et répondables qui attrapent les manquements courants avant qu’ils ne surviennent.

Erreurs fréquentes

Mise en situation

Scénario. Marco, recruteur, veut accélérer la présélection. Il colle 40 CV de candidats — noms complets, adresses, et le handicap déclaré d’un candidat — dans son compte ChatGPT personnel gratuit et lui demande de « classer les candidats et me dire lesquels rejeter ». Son entreprise dispose d’un espace de travail ChatGPT enterprise et d’une politique d’usage de l’IA qui interdit les PII de candidats dans les comptes personnels et exige des décisions humaines à l’embauche. La sortie classe tout le monde avec assurance et recommande des rejets.

Trace de raisonnement d’expert.

1. Classer les données. Les CV contiennent des PII et une caractéristique protégée (le handicap) — données restreintes/réglementées. Les coller dans un compte personnel viole à la fois la règle de classe de données et la politique de l’entreprise nommant l’espace de travail enterprise sanctionné.
2. Limiter. Il a inclus bien plus que nécessaire et des spécificités hautement sensibles ; le détail du handicap en particulier n’aurait jamais dû être inclus et risque un traitement discriminatoire.
3. Évaluer le biais. Un classement par IA qui « recommande des rejets » peut encoder du biais, et le faire sur des données incluant une caractéristique protégée est exactement là où surgissent des résultats inéquitables, et potentiellement illégaux.
4. Autoriser. Même l’aide au résumé doit se faire dans l’espace de travail sanctionné selon la politique, non un compte personnel.
5. Revue / responsabilité de la décision. L’embauche est réglementée et conséquente : le modèle peut assister (p. ex. des résumés neutres des qualifications déclarées), mais un humain qualifié doit prendre et assumer la décision — le modèle ne peut pas « décider qui rejeter ».

Résultat conforme à l’examen : s’arrêter ; ne pas coller les PII de candidats dans un compte personnel ; déplacer toute assistance vers l’espace de travail enterprise sanctionné selon la politique ; retirer la caractéristique protégée et les données superflues ; n’utiliser l’IA que pour un soutien neutre, fondé sur des critères ; et garder la décision d’embauche avec un humain responsable — avec une revue de biais avant toute mesure défavorable.

Pièges de l’évaluation

Questions d’entraînement

À retenir

• Classez les données avant de coller ; gardez les données confidentielles et réglementées/PII hors des outils non sanctionnés.
• Minimisez et dé-identifiez — n’incluez que ce dont la tâche a besoin.
• Atténuez le biais par un prompting neutre, des entrées représentatives et une revue humaine.
• Les sorties irréversibles, réglementées, externes ou à données personnelles requièrent une étape de revue humaine ; un humain qualifié assume les décisions réglementées.
• Divulguez l’usage de l’IA là où l’honnêteté ou la politique l’exigent ; ne faussez pas l’auteur.
• La politique en milieu de travail prime sur la commodité ; la sensibilité suit la donnée et son usage, non l’étiquette « interne ».
• Dans l’éducation, utilisez l’IA pour apprendre dans les règles d’intégrité académique ; les éducateurs revoient tout avec un jugement professionnel.