La plupart des employés de musée n’ont pas besoin d’être convaincus que l’IA change les choses. Ce dont ils ont besoin, c’est d’un espace sûr pour comprendre ce que cela signifie concrètement pour leur travail — et la permission d’être honnêtes sur ce qu’ils ressentent. Le Cincinnati Museum Center a décidé de créer cet espace lui-même.
Le musée — à la fois musée d’histoire naturelle et des sciences, musée d’histoire et musée pour enfants, tous installés dans une gare de style art déco classée monument historique national — emploie environ 180 personnes. Lorsque Whitney Owens, directrice de l’apprentissage (Chief Learning Officer), et ses collègues ont commencé à réfléchir à la manière d’aborder l’IA, ils ne sont pas partis d’une politique ou d’un programme de formation. Ils sont partis d’une question : comment réunir dans une même pièce des personnes ayant des opinions complètement différentes sur un sujet et les amener à apprendre ensemble ?
Lors du Museum AI Summit 2026, Owens était accompagnée de Jason Perkins, vice-président de la technologie, et de Katie Webb, directrice principale de la gestion des actifs numériques, pour partager ce qu’ils ont tenté et ce qu’ils ont découvert.
Commencer par la politique, pas par les outils
Avant toute expérimentation, le Cincinnati Museum Center a élaboré ce que l’équipe décrit comme une politique d’IA à réponse rapide — un ensemble de lignes directrices conçues pour offrir aux employés une structure suffisante pour se sentir en sécurité, sans être à ce point restrictive qu’un véritable apprentissage deviendrait impossible.
La politique nomme les outils que l’organisation juge acceptables : Microsoft Copilot, qui était déjà en cours de déploiement dans leur environnement Microsoft 365 ; et les versions gratuites de ChatGPT, Google Gemini et Claude d’Anthropic, chacune assortie de consignes claires sur ce qui peut ou non être téléversé. Les outils payants sont autorisés, mais approuvés au cas par cas, en particulier lorsque la sécurité des données est en jeu.
L’approche fondée sur les versions gratuites était un choix délibéré. Comme l’explique Perkins, les limites intégrées des modèles gratuits permettaient de maîtriser à la fois l’utilisation et les coûts, tout en restant suffisamment puissants pour expérimenter de manière significative.
Réunir les bonnes personnes
Pour le groupe de travail lui-même, l’équipe a rassemblé quatorze personnes issues de onze services — marketing, technologies de l’information, développement des expositions, services aux visiteurs, finances, ressources humaines, éducation, ainsi que collections et recherche. L’objectif était d’obtenir un éventail de perspectives suffisamment large sans que le groupe devienne ingérable.
La taille recommandée, d’après leur expérience, est de cinq à quinze personnes. Assez grand pour une véritable diversité de points de vue ; assez petit pour une conversation réelle.
Commencer par les émotions, pas par les faits
La décision qui définit peut-être le mieux l’approche du Cincinnati Museum Center concerne leur point de départ. Leur première réunion ne s’est pas ouverte par une présentation sur les grands modèles de langage ou une comparaison de plateformes d’IA. Elle s’est ouverte par une simple question posée à toutes les personnes présentes : qu’est-ce qui vous enthousiasme dans l’IA, et qu’est-ce qui vous terrifie ?
Les réponses ont été franches. Un membre du personnel a évoqué la possibilité d’analyser de vastes ensembles de données sur les visiteurs d’une manière tout simplement impossible avec un tableur — et la crainte que les gens cessent de vérifier les faits et laissent l’IA devenir leur unique source de vérité. Un autre a soulevé la possibilité d’utiliser la reconnaissance optique de caractères pour transcrire des notes de terrain manuscrites, tout en exprimant une réelle inquiétude quant à l’impact environnemental des centres de données sur la biodiversité. Un troisième a décrit le soulagement de disposer enfin de ce qui ressemblait à un assistant administratif sans avoir besoin d’une approbation budgétaire — et son inquiétude face à la rapidité de l’évolution de la technologie et aux biais raciaux et de genre ancrés dans les données d’entraînement.
Les « robots qui dominent le monde » ont été mentionnés à plus d’une reprise.
L’exercice n’était pas qu’un simple échauffement. C’était le socle. En faisant émerger dès le départ les présupposés, les angoisses et les enthousiasmes, le groupe a créé les conditions d’un apprentissage honnête plutôt que d’un enthousiasme de façade.
Construire une compréhension commune avant de demander des projets
Une fois pris le pouls de la salle, Perkins et Webb ont partagé des connaissances fondamentales : ce qu’est et n’est pas l’IA, en quoi les grands modèles de langage diffèrent les uns des autres, à quoi ressemblent réellement les coûts environnementaux de l’utilisation de l’IA. Ils ont passé en revue le vocabulaire, partagé des exemples issus de musées et d’autres secteurs, et présenté ce sur quoi les équipes informatiques et de développement numérique travaillaient déjà.
Ils ont également demandé aux participants de lire des articles sur l’IA parus dans le numéro de juillet-août 2025 du Museum Magazine et de partager leurs réflexions. L’objectif était de donner à chacun un point de référence commun avant de passer à l’expérimentation.
À la fin de la première séance, on a demandé au groupe de partager un mot décrivant son état d’esprit. Parmi les réponses : curieux, prudemment optimiste, et circonspect. Une participante s’est décrite comme inquiète — mais aussi, a-t-elle précisé, impatiente de voir ce que l’IA pourrait faire pour elle.
Mener de vrais projets, puis en rendre compte
Les deuxième et troisième séances étaient consacrées à des expériences pratiques. On a demandé aux employés d’identifier un défi dans leur propre domaine de travail que l’IA pourrait aider à résoudre, puis de tenter quelque chose — et de revenir devant le groupe pour raconter ce qui s’était passé.
Les résultats étaient instructifs précisément parce qu’ils n’étaient pas uniformément couronnés de succès.
Abijita Debata, des ressources humaines, a utilisé l’IA pour créer des supports de formation au management personnalisés, normalement un coût externe de 10 000 à 20 000 dollars par an. Le résultat, a-t-elle rapporté, était un meilleur produit — davantage adapté aux besoins spécifiques du musée, et produit en bien moins de temps et sans aucun coût.
Makayla Dean, des collections, a tenté d’utiliser l’IA pour transcrire des notes de terrain et de préparation manuscrites — des documents qui constituent les données primaires des spécimens du musée. Elle a essayé deux outils. Transkribus, conçu spécifiquement pour la reconnaissance de l’écriture manuscrite, était efficace pour repérer où le texte apparaissait sur une page, mais peinait fortement à transcrire avec exactitude les relevés de terrain abrégés. ChatGPT a produit des transcriptions en texte brut bien plus précises, mais s’est effondré lorsqu’on lui a demandé de transformer ce texte en données structurées pour le catalogage — il lui manquait les connaissances spécifiques au domaine pour comprendre ce que représentait chaque donnée, et il était incapable de saisir qu’un champ vide est tout aussi significatif qu’un champ renseigné.
Valerie Horobik s’est attaquée à un ensemble de données d’environ 5 000 fiches clients d’éducation et de sensibilisation collectées sur huit ans, cherchant à identifier les habitués d’avant la COVID qui n’étaient pas revenus après la pandémie. Le défi commençait avec les données elles-mêmes — un même client pouvait apparaître sous plusieurs orthographes, ponctuations et abréviations. Elle a utilisé ChatGPT et Copilot dans Excel pour construire une formule qui normalisait les entrées, puis Copilot pour générer un tableau des clients non revenus, classés selon leur fréquence de visite d’avant la COVID. Le résultat lui a fourni une liste claire et hiérarchisée pour le suivi.
Emily Bertolo, qui travaillait sur les supports des camps de vacances, a choisi un projet évitant soigneusement ses deux principales préoccupations — les données sensibles des participants et la génération d’images par IA. Elle a testé Google Gemini et Google NotebookLM sur un ensemble de documents d’activités, en demandant à chacun de compiler une liste consolidée de matériel. NotebookLM, a-t-elle constaté, exigeait généralement moins d’allers-retours, gérait plus intelligemment les informations manquantes, et fournissait des liens directs vers les documents sources lorsqu’il signalait l’origine des données. L’affinage des requêtes et la vérification des erreurs, a-t-elle noté, constituaient la partie la plus chronophage du processus — et aussi, a-t-elle soutenu, la plus nécessaire.
Ce que le groupe a appris
À travers les projets et les séances de réflexion qui ont suivi, plusieurs thèmes revenaient sans cesse : l’importance de la sécurité des données, les questions sur l’impact environnemental de l’IA, et la nécessité continue d’une supervision humaine et d’une vérification des faits.
Le message des participants n’était pas que l’IA est transformatrice à tous les niveaux. C’était plus nuancé que cela. Debata l’a décrite comme un excellent outil, à condition que des garde-fous soient en place, que les politiques soient claires et que l’humain reste dans la boucle. Horobik s’est dite impressionnée — mais avec une bonne dose de prudence. Bertolo a conclu qu’elle ne devrait pas être utilisée sans une connaissance générale des risques, et qu’elle devrait toujours comporter une composante humaine pour vérifier les résultats.
Ce type de réaction mesurée et réfléchie est, on peut le soutenir, exactement ce qu’un bon processus d’apprentissage est censé produire.
Un modèle que d’autres peuvent suivre
Le Cincinnati Museum Center prévoit désormais un deuxième groupe de travail cet été, dans le but de diffuser plus largement les connaissances au sein de l’organisation et d’aider les nouveaux employés à suivre le même processus d’expérimentation structurée.
Pour ceux qui souhaitent entreprendre une démarche similaire, l’équipe propose un cadre simple :
Constituer un groupe de travail de cinq à quinze personnes issues de différents services. Commencer la première séance par les émotions et les perceptions, non par les faits. S’appuyer sur une ressource externe crédible pour ancrer une réflexion commune. Donner à chacun un aperçu de l’IA accessible aux non-spécialistes et nommer les outils que votre organisation juge sûrs. Demander aux employés de réfléchir collectivement puis de mener de vrais projets — et créer un espace où ils pourront rendre compte honnêtement de ce qui a fonctionné et de ce qui n’a pas marché. Enfin, donner aux membres du groupe de travail les moyens de devenir des ressources au sein de leurs propres équipes, en diffusant les acquis vers l’extérieur.
L’approche ne conviendra pas à tous les musées. Mais le principe sous-jacent — selon lequel naviguer dans une technologie réellement incertaine exige à la fois une honnêteté émotionnelle et un apprentissage pratique — semble largement applicable.
Comme l’a résumé Whitney Owens à la clôture de la séance : « En réunissant une équipe interne et en prêtant attention à la fois aux réactions émotionnelles et à l’apprentissage pratique, nous avons essayé de créer un terrain de jeu sûr où le personnel peut tester des choses, recevoir des retours et réessayer. »
–
Cet article s’appuie sur une présentation donnée lors du Museum AI Summit 2026 par Whitney Owens, Jason Perkins et Katie Webb du Cincinnati Museum Center.
Cet article de blog a été précédemment publié sur MuseumNext.