Le fossé de l’articulation

Le « super-utilisateur d'IA » est devenu la figure centrale du discours. Chaque rapport d'adoption décrit le même archétype : une personne qui tire une valeur disproportionnée des outils reposant sur l'IA Générative, produit de meilleurs résultats plus rapidement et semble comprendre une subtilité de l'interaction qui échappe à la plupart de ses collègues. La réponse managériale est prévisible : identifier ces individus, les étudier et généraliser leurs pratiques. Guides méthodologiques. Programmes de formation. Bibliothèques de prompts. Le tout statique.

Ce que presque aucun de ces discours n'aborde, c'est la question structurelle : pourquoi certaines personnes parviennent-elles, d'emblée, à extraire plus de valeur des LLM ? La question n'est pas de savoir qui — la recherche empirique sur les gains de productivité liés à l'IA est assez claire à ce sujet (quoi que, c'est un sujet qui mériterait probablement d'être creusé) — mais pourquoi. La réponse, lorsqu'on suit la littérature académique, est dérangeante. Elle n'a que très peu à voir avec la sophistication technique et presque tout à voir avec l'endroit où vous avez appris à écrire.

Ce qu'Agirdag propose concrètement

L'article d'Orhan Agirdag publié en 2026 dans Educational Theory est le premier à relier directement le capital linguistique de Bourdieu à la logique des prompts des LLM. Bourdieu décrit le capital linguistique comme une forme de capital culturel, et plus spécifiquement comme l'accumulation des compétences linguistiques d'un individu qui pré détermine sa position dans la société, telle que déléguée par les institutions. Le concept introduit par Agirdag — la (l)iteracy du prompt — mérite d'être analysé. Le signal typographique est intentionnel : la parenthèse (l) divise le mot entre literacy (compréhension, conscience critique des dynamiques de pouvoir et de la structure sociotechnique) et iteracy (la pratique itérative consistant à affiner un prompt au cours de plusieurs échanges). Les deux sont nécessaires. Aucun n'est suffisant seul.[1]

Ce qui rend ce cadre véritablement original n'est pas l'observation technique — à savoir que de meilleurs prompts produisent de meilleurs résultats — mais son enjeu sociologique. La capacité à construire des prompts sophistiqués, itératifs et adaptés au registre de langue n'est pas distribuée de manière aléatoire. Cette capacité suit presque parfaitement le capital éducatif identifié par Bourdieu il y a cinquante ans : l'étendue du vocabulaire, l'assurance rhétorique et la maîtrise de ce qu'il appelait « la langue légitime » — le registre que les institutions, le système, la société ont historiquement récompensé. Lorsqu'un étudiant prompte un LLM, il puise, comme le dit Agirdag, dans un « vaste réservoir de travail linguistique humain figé ». La question est de savoir si son capital linguistique lui donne les bonnes clés.

Mes propres recherches ont touchées le même point sensible. L'intuition se formait depuis un certain temps : ce que les gens appellent « compétence en prompting » n'est pour l'essentiel que du vocabulaire, de l'assurance syntaxique et une conscience du registre — précisément ce que produisent les différents parcours éducatifs. Agirdag a tenté de combler ce fossé de manière formelle.

L'avantage des humanités est un effet de classe déguisé

Il existe un discours parallèle, plus populaire qu'académique, qui attribue l'avantage lié aux LLM au parcours disciplinaire. L'argument — principalement associé à Ethan Mollick — est que la formation en sciences humaines produit de meilleurs « prompteurs » : des personnes formées à l'argumentation, à la rhétorique et à la lecture critique excelleraient naturellement à « gérer » ou à « manager » une IA. De fait, cela semble être devenu une sorte de vérité établie dans certains cercles, fréquemment relayée par les médias couvrant l'enseignement supérieur.

Les preuves évaluées par les pairs ne soutiennent pas cette thèse sous cette forme. Le test publié le plus proche — Zamfirescu-Pereira et al. au CHI 2023 — a révélé que les instincts de conversation humaine, que la formation aux sciences humaines, deviennent en réalité des obstacles au prompt engineering. Les non-experts abordent le prompting de manière « opportuniste et non systématique », en appliquant de manière excessive les modèles qu'ils connaissent déjà. Un preprint de Sun et Li (2024) sur des étudiants universitaires chinois a révélé que les étudiants en STEM surpassaient ceux en sciences humaines en matière de (l)iteracy. Ces conclusions ne prouvent pas l'affirmation inverse, mais elles ébranlent la version simpliste du récit.

L'interprétation la plus parcimonieuse est la suivante : ce que Mollick expose comme un avantage des sciences sociales est, plus précisément, une forme de prime en faveur de l'anglais standard (Standard American English) et au registre académique.[2] Les programmes d'élite en sciences humaines martèlent exactement ces registres — la forme de l'essai argumentatif, la prose académique formelle, la structure rhétorique — que les LLM récompensent, car ces derniers ont été entraînés sur ces textes précis. L'avantage, s'il existe, est sociolinguistique et fondé sur la classe sociale. Il reflète le bagage éducatif des personnes dont les écrits ont dominé le corpus d'entraînement, et non une propriété cognitive intrinsèque à l'étude de la littérature.

Ce que montrent réellement les essais contrôlés aléatoires

La littérature en économie empirique est d'une franchise inhabituelle sur cette dynamique, bien qu'elle utilise rarement le vocabulaire de Bourdieu. Le résultat le plus cité — l'étude de Noy et Zhang publiée dans Science en 2023, étudiait un corpus de 453 professionnels diplômés, sur des tâches d'écriture structurées. Cette étude a révélé que l'IA réduisait les inégalités : les rédacteurs les moins performants gagnaient le plus, tandis que les plus performants y gagnaient moins. Une forme de nivellement vers le centre.

Mais cette histoire de nivellement s'effondre sur les tâches ouvertes. L'étude de Dell'Acqua, Mollick et Lakhani auprès de 758 consultants d'un grand cabinet de stratégie européen a révélé que l'IA améliorait la qualité sur les tâches familières, mais dégradait activement les performances sur les tâches dépassant les compétences initiales des utilisateurs. Fait critique, les utilisateurs ayant reçu une formation au prompting ont obtenu des gains de qualité 46,6 % supérieurs à ceux des utilisateurs non formés. L'outil n'a pas nivelé le terrain ; il a trié les utilisateurs selon leur capacité à le manier.[3]

Le résultat le plus frappant provient de l'expérience de terrain menée en 2024 par Otis, Clarke, Delecourt et al. auprès de 640 entrepreneurs. Les participants ayant des performances de base élevées ont gagné 15 à 20 % en revenus et en bénéfices. Ceux ayant des performances de base faibles ont perdu 8 à 10 %. Les deux groupes posaient des questions similaires et recevaient des conseils similaires. La divergence résidait dans ce qu'ils en faisaient — ce qui revient à dire que la divergence résidait fondamentalement dans le capital cognitif et linguistique qu'ils apportaient à l'interaction.

J'avais observé une dynamique similaire sur le terrain. Les personnes qui éprouvaient le plus de difficultés avec les outils d'IA ne luttaient pas nécessairement car la technologie était inaccessible. Elles luttaient au niveau de l'articulation — au moment de traduire une intuition professionnelle en une forme exploitable par le modèle. C'est, au moins partiellement, un problème linguistique, mon autre hypothèse reposant sur la lacune même au niveau de la compréhension du champ des possibles. Mais nous traitions en général ces problématiques en tant que problème technique.

Agirdag nous donne le pourquoi.

La préférence intuitive de la machine

Rien de tout cela ne serait aussi problématique si les modèles eux-mêmes étaient neutres. Ils ne le sont pas. La littérature sur les biais en traitement du langage naturel (NLP) a produit des preuves convergentes et drastiques montrant que les LLM récompensent systématiquement l'anglais américain standard et le registre académique, tout en pénalisant les locuteurs de dialectes et les rédacteurs non natifs.

L'étude de Hofmann, Kalluri, Jurafsky et King publiée dans Nature en 2024 démontre que GPT-4, Claude et Llama affichent des stéréotypes raciolinguistiques envers les locuteurs de l'anglais vernaculaire afro-américain (AAVE). Le benchmark ReDial de Lin et al. a étendu cette conclusion du jugement social aux capacités fondamentales : les problèmes de raisonnement formulés en AAVE ont entraîné des chutes de performance relatives de plus de 10 % pour GPT-4o, Claude 3.5 et Llama.[4]

Il existe cependant un second mécanisme opérant sous la surface linguistique. Sofroniew, Kauvar, Saunders et al. chez Anthropic ont publié en avril 2026 des résultats démontrant que Claude Sonnet 4.5 contient des représentations internes de concepts émotionnels qui influencent causalement ses réponses — y compris son taux de sycophancy (ou complaisance).[5] Un prompt au ton déférent, extrêmement poli peut activement déclencher le registre sycophantique du modèle : une réponse plus chaleureuse, moins rigoureuse, calibrée pour plaire plutôt que pour stimuler.

L'angle mort : là où l'argument atteint ses limites

Il existe une lacune dans le cadre d'Agirdag. L'argument de la (l)iteracy du prompt est principalement construit autour de l'interaction directe, de type chat. Or, une part croissante du déploiement de l'IA s'oriente vers des pipelines multi-agents ou des workflows agentiques où l'humain ne compose plus nécessairement de prompts au sens littéral, mais orchestre des processus complexes.

Dans ces architectures, le capital linguistique « littéraire » semble s'effacer au profit de ce que l'on appelle la pensée computationnelle (Computational Thinking). Pourtant, il serait réducteur de les opposer. Il s'agit plus probablement des deux faces d'une même pièce bourdieusienne : la capacité à décomposer un problème, à identifier des abstractions et à formaliser un système reste, par essence, un acte de langage.

Ce que nous appelons « aisance technique » n'est peut-être que la métamorphose du capital linguistique en une capacité de formalisation. Si le mode chat récompense l'assurance rhétorique, l'agentique récompense l'assurance structurelle : la compétence à traduire une intuition professionnelle en une architecture de règles explicites. Au lieu de disparaître, le capital linguistique se déplace : de l'art de la conversation, il devient l'art de la spécification. La « langue légitime » n'est plus seulement celle qui est bien dite, c'est celle qui est assez bien structurée pour devenir un algorithme.

La dimension coût-efficacité aggrave également le problème. De fait, les LLM en version gratuite finissent subtilement optimisés pour produire des réponses plus courtes et moins coûteuses en calcul, poussant les utilisateurs vers les versions payantes pour une assistance plus performante.

En entreprise, ce dernier point peut prendre une autre forme : la construction de workflows viables en PoC, sur des modèles performants, mais qui finiraient optimisés afin d’en réduire les coûts pourrait créer des effets déceptifs sur les utilisateurs, creusant davantage le fossé entre ceux qui savent « piloter » l'économie du jeton et ceux qui subissent la dégradation de la qualité.

Ce que le « prémâché » ne règle pas

La réponse organisationnelle standard est la bibliothèque de prompts. L'intention est la démocratisation — supprimer l'exigence de compétence en prompting. L'intention est juste, mais l'intervention est incomplète.

Ce que les bibliothèques de prompts résolvent, c'est le problème de l'accès. Ce qu'elles ne règlent pas, c'est la capacité à évaluer les résultats de manière critique, à reconnaître quand le modèle a produit quelque chose de plausible mais faux. Ces capacités requièrent ce qu'il appelle la compréhension inhérente du prompt engineering— non pas la technique itérative, mais la conscience critique. Et cela ne peut pas être scripté.

La version inconfortable de cette conclusion est que les organisations qui déploient systématiquement des LLM auprès de populations ayant un capital linguistique inégal — sans investir directement dans ce capital — ne démocratisent pas le knowledge work. Elles construisent un mécanisme plus efficace pour que les inégalités éducatives existantes s'expriment sous forme de différentiels de productivité.

---