Formation IA pour une formatrice et professeure en communication :
automatisation pédagogique, visuels IA et scripts Python

En résumé : 35 heures de formation (17h en visio individuelle + 18h d'e-learning) avec une formatrice-professeure en communication et SEO ont produit six résultats concrets : une méthodologie de prompt standardisée avec auto-critique intégrée, un workflow visuel IA complet (brief → génération → retouche → upscaling → vectorisation), des assistants IA personnalisés sur mesure (Communication et Stratégie), l'automatisation de la création de déroulés pédagogiques et de quiz, un script Python opérationnel pour corriger automatiquement des copies Excel (33 formules + détection BarChart3D), et une checklist éthique RGPD + accessibilité applicable immédiatement en formation.

Quand cette apprenante m'a contactée, elle cumulait deux casquettes rarement réunies : formatrice dans un organisme de formation pour des salariés et des chefs d'entreprise, et professeure à l'IUT en stratégie de communication et SEO. Autrement dit, elle enseigne des sujets où l'IA est omniprésente — et elle voulait y avoir vraiment recours elle-même. Pas pour faire semblant, mais pour construire des outils qui améliorent concrètement son travail. Trente-cinq heures plus tard, le résultat dépasse ce que nous avions initialement planifié.

Une méthode de prompt qui s'enseigne et se transmet

La première chose que nous avons construite, c'est une structure de prompt que je résume ainsi : Contexte → Objectif/Livrable → Contraintes → Ton/Format → "Pose-moi des questions si besoin." Ce n'est pas une formule magique — c'est un cadre qui force à clarifier ce qu'on attend avant de lancer l'IA.

Pour une formatrice, c'est doublement utile : elle s'en sert dans sa propre pratique, mais elle peut aussi l'enseigner directement à ses apprenants. Une structure reproductible est une pédagogie en soi.

Nous avons ajouté deux habitudes qui changent beaucoup la qualité des sorties :

• L'auto-critique systématique : après chaque réponse de l'IA, demander "Quels sont les défauts possibles de ta réponse ?" force le modèle à signaler ses propres limites. C'est une façon d'introduire le doute utile sans rejeter l'outil.
• La précision absolue sur les formats tabulaires : quand on demande un tableau, il faut préciser les noms exacts des colonnes, l'unité de temps, le séparateur décimal, l'absence de puces dans les cellules. Sans ces contraintes, l'IA génère quelque chose d'approximatif qui demande autant de correction que s'il avait fallu le rédiger à la main.

"Un prompt bien structuré, c'est aussi une compétence pédagogique : savoir formuler précisément ce qu'on attend est une qualité qu'on cherche à développer chez les apprenants."

Le workflow visuel IA : du brief à la vectorisation

Pour une enseignante en communication digitale, les visuels ne sont pas optionnels — ils font partie des cours, des supports, des exemples à montrer. Nous avons construit ensemble un workflow complet, étape par étape :

1. Brief dans GPT : objectifs visuels, cibles, palette, style, formats exacts. GPT excelle ici — il respecte les contraintes techniques et produit un brief lisible pour les outils de génération.
2. Génération : Leonardo.ai ou Midjourney pour les rendus esthétiques (prompt en anglais de préférence), Idéogram pour les logos (avec la fonction remix — vérifier les droits selon le plan).
3. Retouche : Canva ou Photoshop pour les ajustements ; Leonardo.ai Canva Editor pour les retouches locales (gomme + "fill") et l'outpainting quand l'image doit être élargie.
4. Upscaling : Upscayl, open source et installable en local, sans crédits à consommer. Indispensable avant impression ou grand format.
5. Vectorisation : Inkscape — Chemin > Vectoriser un bitmap, régler le nombre de passes, retirer le fond. Idéal pour les logos et pictogrammes réutilisables.

Un point technique à retenir : certains éditeurs IA (notamment Leonardo) ont des bugs de sélection sur Safari. Le conseil que je donne systématiquement : travailler sur Chrome pour tout ce qui touche aux outils de génération visuelle.

Des assistants IA nourris des données métier

C'est l'un des résultats dont je suis le plus satisfaite dans cet accompagnement. Nous avons configuré deux assistants IA personnalisés — un orienté Communication, un orienté Stratégie — en leur fournissant les véritables données métier de l'apprenante : son site, ses objectifs, ses cibles, ses contraintes de marque, des exemples de prompts et de sorties acceptables.

La différence entre un assistant personnalisé et un modèle générique est mesurable. Nous avons fait le test en direct : même question posée aux deux, la réponse du modèle générique est correcte mais générique ; l'assistant personnalisé produit des plans d'action et des recommandations qui correspondent exactement à son positionnement et à ses publics.

Le mode opératoire que nous avons validé :

1. Rassembler les sources : pages clés du site, USP, offres, ton de communication.
2. Rédiger un système clair : rôle de l'assistant, objectifs, limites, métriques de réussite.
3. Injecter des exemples concrets (prompts + outputs acceptables).
4. Tester sur des cas réels, mesurer la précision et itérer.

L'écosystème importe peu : Mistral (agents), GPT (projets), Mammouth — la logique est identique, seul le nommage change. Ce qui compte, c'est la qualité des instructions et la pertinence des données fournies.

Automatiser la création pédagogique : déroulés, quiz, répétition espacée

C'est là que la double casquette de cette apprenante prend tout son sens. Une formatrice qui construit régulièrement des déroulés pédagogiques, des évaluations et des séquences de révision a tout à gagner à déléguer la partie mécanique à l'IA — pour concentrer son énergie sur la partie humaine et la personnalisation.

Voici ce que nous avons mis en place :

• Déroulés pédagogiques : donner à l'IA un exemple de déroulé (format, colonnes, durées au quart d'heure) + le contenu du cours en Word. L'IA segmente les objectifs, les contenus et les méthodes pédagogiques, et estime les durées. La validation humaine reste nécessaire — mais le point de départ est déjà structuré.
• Quiz et évaluations : Kahoot pour la gamification et le classement en salle, Google Forms pour la notation par points et l'export Excel. L'IA génère les questions à partir du contenu du cours.
• Répétition espacée : paramétrable via des prompts dédiés ou des assistants configurés pour relancer les apprenants sur des notions clés à intervalles calculés.
• Make pour l'automatisation : connexion Google Sheets → GPT pour générer du contenu pédagogique en série (calendriers éditoriaux, banques de questions, supports récapitulatifs).

Ce qui m'a frappée dans cet accompagnement : la formatrice avait déjà des processus bien rodés. L'IA n'a pas tout révolutionné — elle a allégé les tâches répétitives pour libérer du temps sur les tâches à forte valeur ajoutée, notamment la personnalisation et le suivi individuel des apprenants.

Le script Python qui corrige 33 formules Excel en quelques secondes

C'est sans doute le résultat le plus spectaculaire de cette formation — et celui qui illustre le mieux ce que l'IA permet quand on n'a pas de background technique.

Le contexte : l'apprenante fait passer à ses étudiants un contrôle Excel contenant 33 formules à vérifier, plus la présence d'un graphique BarChart3D. Corriger manuellement une copie prend du temps. Corriger une promotion entière est une tâche fastidieuse et source d'erreurs.

Nous avons construit ensemble, séance par séance, un script Python opérationnel qui :

1. Charge le fichier corrigé de référence et en extrait les 33 formules attendues.
2. Parcourt récursivement les sous-dossiers — un dossier par élève, un classeur par dossier.
3. Compare formule à formule (comparaison insensible à la casse et aux espaces).
4. Détecte la présence d'un BarChart3D via la bibliothèque openpyxl.
5. Produit un tableau de résultats : une ligne par élève, une colonne par formule, un total et une colonne BarChart3D.
6. Exporte le résultat en .xlsx ou .csv selon le besoin.

Ce script a été entièrement généré par l'IA au fil des sessions, ajusté itérativement en fonction des contraintes réelles : structure des dossiers, gestion des doublons dans les noms de colonnes, comparaison robuste des formules. L'apprenante n'avait aucune expérience Python. Elle dispose aujourd'hui d'un outil qu'elle peut relancer à chaque contrôle en moins de dix secondes.

Éthique, RGPD et accessibilité : une checklist pour la formation

Ce volet était particulièrement important pour une professionnelle qui forme des salariés et des dirigeants d'entreprise. Elle est en première ligne pour transmettre les bonnes pratiques — autant qu'elles soient solides.

Voici la checklist que nous avons construite ensemble et qu'elle utilise désormais dans ses formations :

• Confidentialité : anonymiser systématiquement les noms, e-mails et données sensibles avant de les soumettre à un outil IA. Vérifier la cohérence entre le discours RGPD tenu aux apprenants et les outils effectivement utilisés (Drive, Sheets, etc.).
• Biais et interprétabilité : retirer âge et genre des données soumises à l'IA quand le résultat ne doit pas en dépendre. Exiger un scoring explicite avec justification. Activer la chaîne de pensée (chain of thought) sur les modèles de raisonnement (GPT-o3, Gemini Pro, Mistral Reasoning) pour tracer le raisonnement.
• Accessibilité : rédiger en FALC (Facile à Lire et à Comprendre) quand le public le nécessite. Générer automatiquement des sous-titres pour les vidéos pédagogiques (CapCut, Veed). Adapter le ton et le format aux publics spécifiques (malentendants, dys, niveaux de lecture variés).

Un point que nous avons approfondi : la différence entre les modèles "rédactionnels" classiques (qui n'affichent pas leur raisonnement) et les modèles de raisonnement (qui montrent leur chaîne de pensée). Pour des contextes où l'explicabilité compte — notamment dans les formations à des responsables RH ou des juristes — choisir le bon modèle fait une vraie différence.

Ce que l'IA change pour une formatrice qui enseigne aussi l'IA

Ce qui m'a le plus frappée au cours de ces 35 heures, c'est la cohérence que l'apprenante a construite entre sa pratique personnelle et ce qu'elle enseigne. Elle n'utilise plus l'IA "pour montrer l'exemple" — elle l'utilise parce que ça lui fait réellement gagner du temps sur les tâches qui l'ennuient, pour se consacrer à ce qui l'intéresse : la relation pédagogique, la personnalisation, l'accompagnement.

Le script Python est sans doute l'exemple le plus parlant. Le corriger manuellement ne lui prenait pas des heures — mais c'était une tâche mécanique et répétitive. Avoir un outil fiable qui le fait à sa place, c'est une libération cognitive autant qu'un gain de temps. Et c'est aussi un excellent exemple à montrer à ses propres apprenants : voilà ce qu'on peut construire avec l'IA, même sans avoir appris à coder.

Un dernier point : la formation a eu lieu en format mixte — 17h de visio individuelle et 18h d'e-learning en autonomie. Cette combinaison fonctionne bien pour des professionnels qui ont besoin de temps pour expérimenter entre les séances. Les meilleures avancées n'ont pas eu lieu pendant les cours, mais entre les cours, quand l'apprenante testait par elle-même et revenait avec des questions précises.