Apprendre par la découverte, pas par la récitation.
C'est probablement le principe le plus important du guide et le plus difficile à appliquer. Ne racontez pas les règles de l'IA, faites les trouver. L'étudiant qui découvre une règle par l'expérience la mémorise comme une généralisation de sa propre observation. L'étudiant qui se voit énoncer la même règle l'oublie rapidement.
L'ordre qui marche : expérience → étonnement → concept en jeu
Pour faire passer un concept difficile en pédagogie IA, l'ordre est crucial. Trois temps, jamais inversés :
L'expérience
L'étudiant fait quelque chose avec l'IA, il tape un prompt, lance une génération, observe le résultat. Il s'attend à un résultat.
L'étonnement
Le résultat n'est pas celui qu'il attendait. Quelque chose ne colle pas. Une question monte : « pourquoi ? ». C'est le moment précieux.
Le concept
On nomme alors le concept en jeu. L'étudiant raccroche le savoir à une expérience qu'il vient de vivre. La leçon tient.
Si vous nommez le concept avant que l'étudiant en ait l'expérience, il l'enregistre comme du vocabulaire abstrait — et l'oublie en quelques jours. Si vous le nommez après, il l'enregistre comme la généralisation d'une chose qu'il a vue de ses yeux. C'est cette deuxième leçon qui dure.
La séquence canonique : histoire → image → bloc traducteur
C'est la démo d'ouverture qui s'est imposée au fil des ateliers, parce qu'elle applique exactement ce principe. Cinq étapes, environ cinq minutes en direct. Elle se focalise sur le passage du texte à l'image avec les modèles images purs (de type Midjourney ou Adobe Firefly)
- On crée un bloc qui génère une histoire à partir d'un prompt simple. « Voilà, ça raconte une histoire. Sympa. Mais on peut faire ça dans ChatGPT. »
- On ajoute un bloc image qui prend l'histoire entière comme entrée. « Et si on voulait l'illustrer ? » On lance. L'image est mauvaise, incohérente, ne ressemble à rien.
- On laisse le silence. On laisse l'étonnement se faire. Les étudiants regardent. Quelqu'un finit toujours par demander : « pourquoi ? »
- On nomme. « Parce que l'histoire est trop longue et trop narrative pour un modèle d'image. Les modèles texte et les modèles image ne parlent pas la même langue. Ajoutons un bloc qui résume l'histoire en description visuelle. » On l'ajoute. L'image devient cohérente.
- On élargit. « Maintenant, comment rendre tout ça réutilisable ? » On paramètre — nom du personnage, espèce, qualité — avec des blocs statiques.
L'étudiant n'a pas reçu un cours sur « la différence entre les modèles de texte et les modèles d'image ». Il a vu la différence. Il a vécu le ratage, puis la résolution. Et c'est ce qu'il retiendra.
Échouer pour comprendre
Le Défi de la Cohérence illustre ce principe à l'état pur. On demande aux étudiants : « Génère trois images avec exactement les deux mêmes personnages dans trois scènes différentes. » La plupart vont essayer. Presque tous vont échouer.
Le but n'est pas que ça marche. Le but est qu'ils découvrent par eux-mêmes que l'IA générative d'image n'a pas de mémoire entre deux générations. C'est une limite structurelle. Une fois qu'ils l'ont vécue, ils en parlent comme d'un fait — pas comme d'une opinion.
Même logique pour les limites de tokens d'un modèle d'image : on les fait écrire un prompt très long, observer que la qualité plafonne au lieu de croître, puis on nomme le concept (autour de 150 tokens utiles dans la plupart des modèles d'image). L'évidence empirique précède le mot savant.
L'étudiant qui a échoué à maintenir la cohérence visuelle d'un personnage saura toute sa carrière que l'IA n'a pas de vrai mémoire. L'étudiant à qui on l'a juste dit l'aura oublié à la fin de la semaine.
Renverser la question : ne pas chercher des cas d'usage, partir de la pratique
Les listes de « cas d'usage IA pour le marketing / le design / la com / la finance » sont partout. Elles ne servent à rien pédagogiquement. Soit elles sont trop génériques (« act », « control », « assist »…) et masquent l'irrégularité et l'étrangeté de l'IA. Soit elles sont trop étroites — une longue liste qui fige la pensée et fragmente l'approche.
Aucune des deux ne permet de naviguer l'incertitude de l'IA. Renversez la question. Au lieu de demander « quelles capacités IA peuvent résoudre nos problèmes ? », demandez : « Qu'est-ce que mon équipe fait déjà ? Qu'est-ce qu'on peut essayer ? Est-ce que ça va marcher ? On ne sait pas. Mais il faut essayer. »
Partez des humains. Partez d'une posture d'expérimentation et de découverte. C'est exactement le mouvement qui transforme un consommateur d'IA en constructeur d'IA.
24 moments de découverte, soigneusement chorégraphiés
La formation en ligne d'Esquisse n'est pas un cours magistral, c'est un parcours qui fait découvrir par la pratique. 24 étapes de 15 minutes sur 6 heures, chacune conçue autour d'un moment de découverte précis.
- L'escalier du contexte (leçon 2). L'étudiant voit ses slogans passer de « génériques » à « médiocres » à « sur-mesure » à mesure qu'il enrichit le contexte. Aucune règle énoncée. La règle émerge.
- Flou contre précis (leçon 2). L'étudiant compare un prompt vague et un prompt détaillé. Il découvre que le détaillé crée un « couloir créatif cohérent », pas une réponse unique.
- Le défi de la cohérence (leçon 5). Décrit plus haut. Découverte de l'absence de mémoire des modèles d'image.
- Le mythe du « plus c'est long, mieux c'est » (leçon 5). L'étudiant pousse un prompt d'image à 200 mots et observe que la qualité plafonne. Découverte du token limit.
- L'IA ne dit jamais non (leçon 3). Demande absurde, contradictoire, impossible. L'IA répond quand même. Découverte qu'il n'y a pas de jugement critique côté machine — le jugement reste humain.
Chaque étape se termine par un moment de coaching : un LLM relit le travail de l'étudiant, pose une question de réflexion, l'invite à formuler ce qu'il vient de découvrir. L'étudiant énonce lui-même la règle — et c'est à ce moment-là qu'il l'apprend vraiment.