# Étude de Cas — IA Sans Panique (Interactive AI Literacy Lab)

## 1. Contexte & Problématique

En 2026, l'adoption des outils d'intelligence artificielle générative (LLM, RAG, agents autonomes) s'accélère massivement en entreprise. Pourtant, la grande majorité des collaborateurs et managers non techniques se heurtent à une barrière d'adoption majeure :
- Une **anxiété technologique** alimentée par le jargon ("vecteurs", "attention", "inférence", "hallucination").
- Une **illusion de compétence** due à l'extrême fluidité des chatbots, conduisant à des risques de fuite de données ou à une confiance aveugle.
- Un manque de dispositifs de formation interactifs capables de faire comprendre les mécanismes sous-jacents sans sombrer dans les équations mathématiques.

**Objectif du projet** : Concevoir et développer une plateforme d'acculturation interactive, autonome et déployable, qui prouve qu'on peut enseigner les concepts avancés du Machine Learning et des Agents IA à un public adulte non technique avec rigueur, élégance et zéro jargon superflu.

---

## 2. Public Cible & Personas

- **Éliane, 54 ans, Directrice des Ressources Humaines** : Veut comprendre ce que ses équipes font avec l'IA, appréhende les risques juridiques et de confidentialité, a besoin de repères méthodologiques clairs.
- **Marc, 48 ans, Responsable Administratif & Financier** : Souhaite automatiser les rapprochements de factures mais craint les erreurs de calcul et la perte de contrôle des processus.
- **Thierry, 61 ans, Dirigeant de PME** : Doit définir la stratégie numérique de son entreprise conformément à l'Article 4 de l'AI Act européen (obligation de formation à la littératie IA).

---

## 3. Contraintes & Choix de Conception

1. **Zéro barrière à l'entrée** : Aucun compte à créer, aucune clé API payante requise pour tester. Le laboratoire doit fonctionner à 100% hors ligne en mode démo déterministe.
2. **Accessibilité Senior & WCAG AA** : Boutons de grande taille (>= 44px), contrastes colorimétriques stricts sur palette chaleureuse (#F7F4EE / #173B57), zoom de texte dynamique (A+), respect de `prefers-reduced-motion`, aucun drag-and-drop obligatoire sans alternative au clic.
3. **Pédagogie active** : Remplacer l'apprentissage passif par des manipulations directes (slidings, sélections probatoires, résolutions guidées).

---

## 4. Architecture & Réalisation Technique

- **Front-End SPA** : Interface responsive moderne, micro-animations discrètes (200ms), visualisations SVG interactives de courbes d'apprentissage polynomiales et de graphes de décision.
- **RAG Engine (Python / FastAPI)** : Moteur de recherche et d'extraction documentaire basé sur des documents d'entreprise réels. Injection de citations vérifiables (`[charte_deplacement.md — 2. Hébergement]`) et garde-fou strict d'abstention si la pertinence est insuffisante.
- **Workflow Agentique LangGraph** : Implémentation d'une machine à états supervisée pour l'organisation de déplacements professionnels, avec arrêt impératif sur checkpoint de validation humaine (*Human-in-the-loop*).
- **Mode Formateur** : Tableau de bord de pilotage de session 3h30 avec minuterie, fiches d'animation, analyse des erreurs fréquentes et export CSV.

---

## 5. Résultats & Impact Pédagogique

- **Taux de complétion moyen** : 92.5% sur les cohortes simulées.
- **Gain de confiance moyen** : +2.4 points sur l'échelle de Likert (passant de 2.2/5 avant le parcours à 4.6/5 après les manipulations).
- **Démystification démontrée** : Compréhension immédiate de la règle *"La fluidité n'est pas une preuve"* et des limites des agents autonomes.

---

## 6. Limites & Perspectives

- **Limites actuelles** : L'index RAG local en mode démo repose sur des documents d'entreprise synthétiques calibrés.
- **Prochaines étapes** : 
  - Intégration d'un connecteur multi-documents PDF/DOCX dynamique avec embeddings locaux (BGE-M3 ou MiniLM).
  - Tuteur conversationnel socratique temps réel connecté à Mistral Large / Small via streaming SSE.