Should I Buy It?
“C’est moche” ne marche pas avec l’IA. “Trop géométrique, manque de contraste chromatique, les titres sont trop proches du bord” marche. La différence entre les deux, c’est l’explicitation — la compétence qui va séparer les utilisateurs d’IA dans les prochaines années.
Origine
Michael Polanyi, philosophe des sciences, formule dans Personal Knowledge (1958) le concept de savoir tacite : “We know more than we can tell.” Nous sommes capables de reconnaître un visage parmi des milliers sans savoir expliquer comment — ce savoir est tacite, non verbalisé. L’explicitation est l’inverse : rendre explicite ce qui était tacite.
Oussama Ammar applique ce concept à l’IA en 2026 :
“Il faut que tu apprennes à expliquer, à expliciter… l’explicitation, ça devient une nouvelle compétence… une compétence quasi autistique où tu vois le détail de tout et tu sais parler à la machine.”
La théorie
Le problème du jugement subjectif
Les LLMs ne peuvent pas traiter des jugements subjectifs comme inputs. “C’est moche”, “c’est nul”, “améliore ça” — ces instructions ne contiennent aucun signal exploitable pour un modèle de langage. L’IA est forced de combler le vide avec ses propres patterns, qui ne correspondent pas à ce que tu voulais.
Wittgenstein et les limites du langage
Ludwig Wittgenstein (Tractatus, 1921) : “Les limites de mon langage sont les limites de mon monde.” Avec l’IA, la formulation est encore plus directe : les limites de ton explicitation sont les limites de ce que tu peux obtenir. Si tu ne peux pas le dire, l’IA ne peut pas le faire.
La compétence monnayable
La recherche en prompt engineering (2022-2024) montre que la précision du contexte fourni à un LLM explique 60-80% de la variance dans la qualité des outputs. Ce n’est pas la puissance du modèle qui fait la différence sur des tâches comparables — c’est la précision de l’instruction.
En pratique
Exemples de reformulations :
| Instruction vague | Instruction explicite |
|---|---|
| ”C’est moche" | "Trop géométrique, manque de contraste, les titres sont trop proches du bord" |
| "Améliore le texte" | "Raccourcis les phrases de plus de 25 mots, remplace le jargon par des termes courants, actif plutôt que passif" |
| "Le ton est mauvais" | "Trop formel pour une audience de créateurs de contenu, supprime les formules de politesse, ajoute une accroche directe" |
| "C’est pas ce que je voulais" | "Je voulais 3 options distinctes, pas une seule, et chaque option doit tenir en 140 caractères” |
L’exercice pratique :
Chaque fois que tu as envie d’écrire à l’IA quelque chose de vague, arrête-toi 30 secondes et demande-toi : “Quels seraient les critères qui me permettraient de dire objectivement que ce résultat est bon ?” Ces critères sont ton instruction.
Nuances et limites
L’explicitation peut devenir un frein à la créativité si elle est appliquée trop tôt. Dans une phase d’exploration, un prompt vague peut générer des directions inattendues — l’ambiguïté est parfois productive. L’explicitation est plus puissante quand tu sais ce que tu veux, moins quand tu cherches encore.
Il existe aussi un paradoxe : les personnes qui ont le plus de mal à expliciter sont souvent celles dont le savoir tacite est le plus riche (experts, artisans). Rendre explicite un savoir qu’on maîtrise intuitivement est cognitivement difficile — c’est pourquoi c’est une compétence qui s’apprend.
Sources : Polanyi, M. (1958). Personal Knowledge. Routledge · Wittgenstein, L. (1921). Tractatus Logico-Philosophicus · Ammar, O. (2026). Podcast