Et si l'IA créait une dette de compétences silencieuse ?

En quelques mois, l’intelligence artificielle s’est progressivement imposée dans notre quotidien professionnel. Qu’il s’agisse de rédiger un email, préparer une réunion, analyser un document, produire une synthèse ou encore rechercher une information, les IA génératives sont devenues de véritables assistants de travail. Avec l’arrivée des IA agentiques, capables d’exécuter des actions ou d’orchestrer certaines tâches, cette transformation ne fait que s’accélérer.

Pour les entreprises, les bénéfices sont évidents. Nous gagnons du temps, automatisons une partie de nos activités et accédons plus rapidement à l’information. La promesse est séduisante : gagner en efficacité, produire davantage et prendre plus rapidement des décisions.

Mais derrière cette amélioration de la performance immédiate se cache une question beaucoup plus profonde, qui concerne directement les équipes Learning & Development. Que devient l’apprentissage lorsque nous sommes de plus en plus assistés par l’intelligence artificielle dans notre travail ?

Cette interrogation était au cœur de la conférence animée par Florence André, Directrice Générale de Teach Up, lors du congrès Learning, Talent & Development 2026. Loin d’opposer intelligence artificielle et formation, cette intervention invitait à repenser la manière dont les compétences se construisent dans un environnement où les réponses deviennent instantanément accessibles.

La question n’est plus de savoir si nous utiliserons l’IA. Nous l’utilisons déjà. Le véritable enjeu consiste désormais à déterminer quel rôle nous souhaitons lui faire jouer : une simple machine à produire ou un véritable levier de développement des compétences ?

L’IA transforme progressivement les pratiques de travail

Pendant longtemps, la formation et le travail ont été pensés comme deux temps distincts. Les collaborateurs se formaient, puis retournaient sur le terrain pour mettre en pratique leurs acquis. C'est précisément cette difficulté à transférer les apprentissages dans les situations réelles qui a progressivement conduit au développement du learning in the flow of work : apprendre directement dans l'action, au moment où le besoin apparaît.

L'essor des IA génératives transforme progressivement cette logique. Dans de nombreux contextes professionnels, les assistants IA deviennent un nouveau point d’entrée pour rechercher une information, résoudre un problème ou préparer une action. En quelques secondes, ils proposent une réponse, une synthèse, un plan d’action ou même un document entièrement rédigé.

Cette assistance à la demande améliore indéniablement notre efficacité au quotidien. Mais elle transforme également, de manière beaucoup plus discrète, les conditions dans lesquelles nous apprenons et développons nos compétences.

Cette transformation fait émerger un phénomène encore peu visible dans les organisations : la dette de compétences silencieuse.

La dette de compétences silencieuse, un nouveau défi pour les équipes L&D

Nous continuons à produire des résultats, parfois même plus rapidement qu'auparavant. Les délais sont respectés, les livrables sont de qualité et la productivité progresse. Rien ne laisse immédiatement penser que les compétences cessent de se développer.

C’est précisément parce que cette transformation reste peu visible qu’elle mérite une attention particulière. Lorsque nous déléguons régulièrement certaines tâches cognitives à l’IA, nous pouvons être amenés à moins solliciter notre capacité à analyser une situation, construire un raisonnement ou prendre une décision. Or, ce sont précisément ces situations qui permettent de développer et d'entretenir une expertise. Le risque n'est donc pas une baisse immédiate de notre performance, mais une diminution progressive des occasions de pratiquer ces compétences, en particulier face à des situations nouvelles ou plus complexes.

Cette évolution invite les équipes L&D à repenser leur rôle. Pendant des années, leur principal défi consistait à favoriser le transfert des acquis de formation vers le terrain. Désormais, une nouvelle question apparaît : comment faire en sorte que le terrain lui-même continue à faire apprendre ?

Autrement dit, comment faire en sorte que le travail augmenté par l’IA ne soit pas seulement un espace de production, mais qu’il reste aussi un espace d’apprentissage, de pratique et de progression continue ?

IA productiviste vs IA pédagogique

Parler "d'intelligence artificielle" au singulier est en réalité réducteur. Derrière cette expression se cachent des usages très différents, qui n'ont pas les mêmes conséquences sur l'apprentissage.

La majorité des outils utilisés aujourd'hui relèvent d'une logique que l'on pourrait qualifier de productiviste. Leur objectif est de fournir rapidement la meilleure réponse possible afin d'aider l'utilisateur à accomplir une tâche plus efficacement. Ils rédigent un email, synthétisent un document, proposent une argumentation ou génèrent un plan de présentation. Leur valeur réside dans leur capacité à faire gagner du temps et à améliorer la performance immédiate.

À l'inverse, une IA pédagogique poursuit un objectif différent. Elle ne cherche pas uniquement à résoudre un problème. Elle cherche également à nous aider à développer notre capacité à résoudre ce type de situation par nous-mêmes.

La nuance est fondamentale. Dans un cas, l'intelligence artificielle devient une machine à réponses. Dans l'autre, elle agit comme un tuteur qui questionne, guide le raisonnement, propose des mises en situation, fournit du feedback et accompagne progressivement le développement des compétences.

L'enjeu n’est donc pas d’opposer deux technologies, mais bien deux philosophies de l’assistance.

L’étude de la Wharton School met en évidence cette différence

Cette distinction trouve un écho particulièrement intéressant dans une étude menée en 2024 par la Wharton School auprès de près de 1 000 étudiants. Les chercheurs se sont posé une question simple : la manière dont une intelligence artificielle accompagne un apprenant influence-t-elle réellement le développement de ses compétences ?

Pour y répondre, ils ont comparé trois groupes d'étudiants réalisant des exercices de mathématiques et de raisonnement analytique.

Le premier groupe travaillait sans intelligence artificielle. Le deuxième utilisait une version classique de GPT-4, capable de fournir directement les solutions aux exercices. Le troisième bénéficiait d'une IA tutorale, conçue selon une logique pédagogique. Cette version ne donnait jamais immédiatement la réponse. Elle posait des questions, fournissait des indices, guidait progressivement le raisonnement et encourageait l'étudiant à construire lui-même la solution.

Les résultats de la première phase peuvent sembler confirmer l'efficacité des deux approches. Les étudiants utilisant GPT progressent de 48 % par rapport au groupe de référence. Ceux accompagnés par l'IA Tutor progressent encore davantage, avec 127 % d'amélioration pendant la phase d'entraînement.

Mais la véritable surprise apparaît lors de la seconde phase de l'étude. Les étudiants passent un examen sans aucune assistance de l'intelligence artificielle. Les utilisateurs du GPT classique obtiennent alors des résultats 17 % inférieurs à ceux des étudiants n'ayant jamais utilisé d'IA. À l'inverse, les étudiants accompagnés par l'IA Tutor conservent un niveau de performance comparable au groupe de contrôle.

Les auteurs prennent soin de nuancer leurs conclusions. L'IA tutorale ne produit pas miraculeusement une expertise supérieure aux méthodes d'apprentissage traditionnelles. En revanche, elle évite la dégradation observée lorsque l'apprenant s'habitue à recevoir directement les réponses. Autrement dit, la manière dont l'IA accompagne l'utilisateur influence directement la qualité de l'apprentissage.

Pour les équipes L&D, cette étude apporte un enseignement majeur. Le véritable sujet n'est pas de savoir si nous utilisons l'intelligence artificielle, mais comment celle-ci peut continuer à développer nos compétences.

Pourquoi l'effort cognitif reste indispensable à l’apprentissage

Pourquoi observe-t-on une telle différence entre ces deux usages de l'intelligence artificielle ? Les sciences cognitives apportent plusieurs éléments de réponse. Depuis plusieurs décennies, elles montrent que les compétences se construisent grâce à trois mécanismes complémentaires.

Le premier est la pratique répétée. Répéter un geste ou un raisonnement dans des contextes variés permet de consolider progressivement les connaissances et de les transformer en automatismes mobilisables sur le terrain.

Le deuxième est l'adaptation du niveau de difficulté. Les travaux de Lev Vygotski ont montré que l'apprentissage est plus efficace lorsque les situations proposées sont suffisamment exigeantes pour stimuler l'apprenant, sans pour autant devenir décourageantes.

Enfin, le feedback joue un rôle déterminant. Les recherches de John Hattie et Helen Timperley montrent qu'un retour précis, contextualisé et immédiat permet d'identifier ce qui fonctionne, ce qui reste à améliorer et les actions concrètes à mettre en œuvre pour progresser.

Ces travaux convergent vers une même conclusion : les compétences ne se développent pas parce que l'on obtient rapidement une réponse, mais parce que l'on est amené à construire progressivement cette réponse. C'est précisément là que les IA pédagogiques ouvrent une perspective nouvelle. Elles permettent de recréer, directement dans le flux de travail, les conditions qui favorisent l'apprentissage : questionner plutôt que répondre immédiatement, proposer des situations proches du terrain, ajuster le niveau de difficulté, fournir un feedback personnalisé et accompagner la progression dans le temps.

L'intelligence artificielle n'est alors plus seulement un outil de productivité. Elle peut aussi devenir un véritable environnement d'apprentissage, à condition d'être pensée dans cette perspective. La véritable question n'est donc plus de savoir ce que l'IA est capable de faire à notre place, mais comment elle peut nous aider à continuer à apprendre. Répondre à cette question suppose de repenser l'architecture même des dispositifs de formation, afin d'articuler plus étroitement apprentissage, pratique et accompagnement dans le flux de travail.

Le modèle de l’Adaptive Training®

Repenser le rôle de l’IA implique également de repenser la manière dont les dispositifs de formation sont conçus. Les organisations les plus avancées ne raisonnent plus uniquement en termes de modules e-learning ou de parcours de formation. Elles construisent des expériences d'apprentissage continues, qui combinent plusieurs modalités complémentaires afin d’accompagner la progression des apprenants dans la durée.

Chez Teach Up, cette vision se concrétise à travers le modèle Adaptive Training®. Il ne s'agit pas d'ajouter une nouvelle modalité pédagogique, mais de concevoir un continuum d'apprentissage dans lequel chaque étape prépare la suivante.

Le parcours débute par l'acquisition des connaissances essentielles, mais ne s'arrête pas là. Les apprenants sont ensuite invités à s'entraîner grâce à des exercices accompagnés d'un feedback personnalisé, avant de mettre leurs compétences à l'épreuve dans des simulations proches de leur réalité professionnelle. Enfin, lorsque les premières difficultés apparaissent sur le terrain, un Coach Expert peut intervenir pour prolonger l'accompagnement directement dans le flux de travail.

Cette progression répond à une idée simple : on ne développe pas une compétence en une seule étape. On progresse en alternant compréhension, pratique, expérimentation et accompagnement jusqu'à ce que les bons réflexes deviennent naturels.

Dans cette approche, l’intelligence artificielle ne se substitue pas à la formation. Elle permet au contraire d’en prolonger les effets directement dans les situations de travail.

Cas d’usage : une problématique commerciale très concrète

Pour illustrer concrètement cette approche, Florence André a présenté lors de sa conférence un cas d'usage.

Prenons l’exemple de Freska, une entreprise spécialisée dans les services alimentaires. Après plusieurs années de croissance, l'entreprise a décidé d'intensifier sa présence sur les salons professionnels afin de générer de nouvelles opportunités commerciales. Les contacts sont nombreux, mais les équipes peinent à transformer ces prospects en rendez-vous qualifiés.

Très vite, l'analyse menée avec les managers met en évidence une réalité bien connue des équipes L&D. Les commerciaux connaissent leur méthode de vente. Ils savent, en théorie, comment conduire un entretien de découverte ou répondre aux objections les plus fréquentes. Pourtant, lorsqu'ils se retrouvent seuls face à un prospect, ils éprouvent des difficultés à adapter leur discours à la situation.

Le problème n'est donc pas l'absence de connaissances. Il réside dans la capacité à mobiliser ces connaissances au bon moment. Plutôt que de proposer une nouvelle session de formation, l'équipe L&D a construit un dispositif progressif.

Le dispositif s’est articulé autour de plusieurs étapes complémentaires. Les commerciaux ont d’abord revu les fondamentaux grâce à un module de Rapid Learning, avant de s'entraîner sur des objections précises avec un feedback personnalisé. Ils ont ensuite poursuivi leur parcours par une simulation conversationnelle reproduisant un véritable rendez-vous de découverte, au cours de laquelle ils devaient identifier les besoins du prospect, gérer les objections et sécuriser une prochaine étape commerciale.

Une fois de retour sur le terrain, ils ont pu solliciter Coach Expert pour préparer un entretien, analyser une situation complexe ou prendre du recul après un échange difficile. L'objectif n'était plus de fournir immédiatement la bonne réponse, mais d'aider chaque commercial à mobiliser ses acquis, développer ses réflexes professionnels et gagner progressivement en autonomie.

Ce cas illustre parfaitement l’idée développée tout au long de cet article : former ne suffit plus. Pour développer durablement les compétences, il est nécessaire de créer les conditions permettant de pratiquer, de recevoir du feedback et d'être accompagnés au moment où les connaissances doivent être mobilisées dans leurs situations réelles de travail.

Dépasser les indicateurs traditionnels de formation

En prolongeant l’apprentissage dans le flux de travail, ces dispositifs offrent également de nouvelles possibilités pour mesurer le développement des compétences.

Pendant longtemps, les équipes L&D se sont principalement appuyées sur des indicateurs tels que le taux de complétion, le temps passé sur les modules ou encore la satisfaction des apprenants. Ces données restent utiles, mais elles renseignent avant tout sur l'activité de formation que sur les compétences réellement développées.

Mesurer la progression des compétences

Ces nouvelles possibilités offrent aux équipes L&D une vision beaucoup plus précise de la manière dont les compétences se développent. Elles peuvent, par exemple, suivre les progrès réalisés entre une première tentative et les performances obtenues après plusieurs entraînements. Elles permettent également d'identifier les savoir-faire qui restent les plus difficiles à maîtriser, les objections auxquelles les commerciaux répondent le moins bien ou encore les questions les plus fréquemment adressées au Coach IA.

Ces données offrent une lecture beaucoup plus fine des difficultés rencontrées sur le terrain. Elles aident les équipes L&D à repérer les compétences qui nécessitent encore un accompagnement, à ajuster les contenus de formation et à faire évoluer leurs dispositifs au plus près des besoins opérationnels.

Les indicateurs ne renseignent alors plus uniquement sur l’activité de formation. Ils permettent aussi de comprendre comment les compétences se construisent, se consolident et se mobilisent dans les situations réelles de travail.

L'intelligence artificielle nous permet déjà de gagner du temps, d'accéder plus rapidement à l'information et de résoudre plus efficacement certaines tâches. Mais être plus performant avec une IA ne signifie pas nécessairement être plus compétent.

Une compétence ne se mesure pas uniquement à la capacité à produire un résultat avec une assistance. Elle repose aussi sur la capacité à analyser une situation, mobiliser ses connaissances, prendre une décision et s'adapter lorsque le contexte évolue.

C'est tout l'enjeu auquel les équipes L&D doivent aujourd'hui répondre : faire en sorte que l'IA ne se limite pas à augmenter notre capacité d'exécution, mais qu'elle contribue également au développement de nos compétences.

Lorsqu'elle fournit simplement une réponse immédiate, elle peut accélérer la réalisation d'une tâche. Lorsqu'elle accompagne le raisonnement, stimule la pratique et apporte un feedback personnalisé, elle devient un véritable levier de progression.

L'IA ne nous rend donc pas automatiquement plus compétents. Elle crée les conditions pour le devenir lorsque son usage est pensé autour de l'apprentissage.

Le futur du Learning ne consiste ainsi pas à choisir entre formation et intelligence artificielle. Il consiste à construire des environnements où la technologie nous aide à apprendre plus régulièrement, à pratiquer davantage et à développer notre expertise directement dans le travail.