Une collaboratrice prépare avec l’IA une analyse de stocks claire et convaincante. Les calculs semblent cohérents, la recommandation est prête. Puis un fournisseur annonce un retard inhabituel. La collaboratrice sait-elle adapter l’analyse, identifier l’information manquante et expliquer ce qui change ?
Cette situation fictive pose une question que le document final ne permet pas de résoudre. L’IA a peut-être aidé la personne à apprendre. Elle a peut-être aussi réalisé une partie du raisonnement sans que celle-ci se l’approprie. Les deux possibilités méritent un examen.
L’IA peut soutenir le développement des compétences ou permettre de réussir sans les acquérir dans la même mesure. Pour distinguer ces effets, il faut regarder ce que le collaborateur comprend, ce qu’il sait adapter et la manière dont il choisit son assistance. L’autonomie professionnelle ne se réduit pas à travailler sans outils.
Utiliser un outil n’est pas, en soi, un signe de dépendance
Un professionnel s’appuie sur des collègues, une documentation, des procédures et des logiciels. Une personne compétente ne garde pas nécessairement toute l’information en mémoire. Elle sait notamment où la trouver, comment l’évaluer et dans quelles limites l’utiliser.
Il serait donc trompeur de qualifier de dépendant tout salarié qui consulte une IA. Dans cet article, le terme désigne une difficulté fonctionnelle : la personne ne parvient plus à examiner ou à adapter une réponse importante sans obtenir une nouvelle sortie de l’outil. Il ne s’agit pas d’un diagnostic psychologique.
La distinction compte pour les responsables RH. Un collaborateur qui utilise souvent l’IA peut exercer un jugement solide. Un autre peut consulter rarement l’outil et néanmoins accepter une recommandation décisive sans la comprendre. La fréquence d’utilisation décrit une habitude ; elle ne suffit pas à décrire la maîtrise.
Le bon point de départ est la capacité attendue dans le métier. Que doit savoir faire la personne, avec quelles ressources et sous quelle responsabilité ? L’évaluation devient plus utile quand cette question est explicite.
Un résultat expérimental qui invite à vérifier l’apprentissage
Dans une prépublication de 2026, Judy Hanwen Shen et Alex Tamkin étudient l’acquisition d’une nouvelle bibliothèque de programmation auprès de 52 développeurs, principalement juniors. L’assistance est attribuée aléatoirement. Au quiz réalisé peu après la tâche, le groupe assisté obtient en moyenne 50 %, contre 67 % sans assistance : un écart de 17 points. La différence de temps de réalisation n’est pas statistiquement significative.
Le périmètre reste étroit : une tâche de programmation, un petit échantillon et un test immédiat. L’étude, menée chez un fournisseur d’IA, ne mesure pas une dégradation durable des compétences au travail. Les profils d’utilisation décrits par les auteurs sont issus d’une analyse qualitative ; ils n’établissent pas que telle manière de questionner l’outil cause un meilleur apprentissage.
Ce résultat pose une question utile aux entreprises : que faut-il observer en plus de la tâche achevée ? Il ne permet pas de conclure que tous les usages de l’IA empêchent d’apprendre.
Réussir aujourd’hui et apprendre pour demain sont deux observations
La distinction dépasse l’IA. Dans leur revue intégrative de 2015, Nicholas Soderstrom et Robert Bjork examinent les recherches sur l’apprentissage moteur et verbal. Ils soulignent que la performance observée pendant l’acquisition peut être un indicateur trompeur des apprentissages à long terme.
Une activité peut sembler facile pendant l’entraînement sans que ses acquis soient bien conservés ou transférés. Cette revue n’est pas une expérience sur les salariés utilisant une IA ; elle fournit un repère conceptuel pour concevoir les questions d’évaluation.
Au travail, cela conduit à distinguer plusieurs moments. Le collaborateur produit-il un résultat acceptable aujourd’hui ? Peut-il expliquer les éléments déterminants de ce résultat ? Saura-t-il mobiliser ce qu’il a compris dans une situation différente, après un délai ?
Ces questions ne demandent pas forcément trois examens. Elles invitent surtout à ne pas utiliser une seule preuve pour répondre à tout. Une présentation réussie peut démontrer une capacité à produire un support avec assistance. Elle ne décrit pas automatiquement la compréhension du sujet ni la capacité à réagir à une objection.
Notre article sur le transfert des apprentissages après une formation développe ce passage entre une réussite accompagnée et une utilisation dans une autre situation professionnelle.
Le cas nouveau révèle ce que le résultat initial cache
Revenons à notre exemple logistique. La recommandation préparée avec l’IA propose de commander davantage d’un produit. Pour comprendre ce que la collaboratrice maîtrise, son responsable peut lui soumettre un changement plausible : le délai du fournisseur devient incertain et un produit de remplacement existe.
L’enjeu n’est pas de retrouver exactement la première réponse. La personne doit décider quelles informations restent valables, ce qui doit être vérifié et si la recommandation peut être maintenue. Elle peut consulter la documentation métier et utiliser les ressources autorisées. L’observation porte sur sa manière de s’en servir.
Si elle demande simplement une nouvelle recommandation à l’IA, l’activité fournit encore peu d’informations sur sa compréhension. Si elle identifie le changement, choisit les données nécessaires et justifie l’incertitude de sa conclusion, le responsable dispose d’indices plus précis.
Même alors, il reste prudent : un seul cas réussi n’établit pas une compétence générale. On cherche une progression sur plusieurs situations pertinentes, plutôt qu’une démonstration spectaculaire.
Cet exemple conduit à une proposition Learning Coach : examiner la capacité à adapter le travail assisté, autant que sa qualité initiale. C’est un principe de conception pédagogique à tester, pas une nouvelle échelle scientifique de compétence.
Trois observations pour une activité bien définie
Pour une équipe, on peut préparer trois observations complémentaires autour d’une capacité métier précise. Les modalités doivent être annoncées ; elles servent à identifier un besoin d’apprentissage, avec des critères compréhensibles.
| Observation | Ce que l’on demande | Ce que cela peut éclairer |
|---|---|---|
| Expliquer un choix déterminant | Relier une conclusion aux données et aux contraintes du cas | La compréhension du résultat produit |
| Traiter une variation | Réviser l’analyse lorsqu’une condition importante change | La capacité d’adaptation dans ce périmètre |
| Choisir une aide appropriée | Préciser ce qui peut être fait, vérifié ou confié à un expert | La maîtrise des ressources et des limites |
Ces observations ne sont pas interchangeables. Une personne peut savoir commenter un résultat sans savoir l’adapter. Elle peut aussi posséder un bon raisonnement tout en manquant d’aisance à l’oral. Il faut alors proposer une autre manière de rendre son travail visible, par exemple une justification écrite.
Le suivi gagne également à inclure un délai et un cas différent, lorsque c’est pertinent. Les conditions doivent rester assez comparables pour interpréter la progression. Si l’outil, la difficulté et les ressources changent tous à la fois, une baisse de réussite devient difficile à expliquer.
Enfin, demander de repérer une limite ou de solliciter un expert n’est pas un lot de consolation. Dans certaines activités, reconnaître qu’on ne dispose pas des moyens de conclure constitue précisément un comportement attendu.
Faut-il parfois retirer l’assistance ?
Un exercice sans IA peut aider à observer une composante particulière : rappeler un principe, expliquer une procédure ou repérer une incohérence sans suggestion immédiate. Il doit correspondre à un objectif annoncé et se dérouler dans un cadre d’entraînement.
Cela ne justifie pas une règle générale qui obligerait chacun à refaire manuellement tout ce que l’outil permet. Si le métier consiste à travailler avec un logiciel et une documentation, supprimer toutes ces ressources peut mesurer une autre capacité que celle recherchée.
Il faut donc distinguer l’exercice pédagogique du travail réel. On peut suspendre temporairement une aide pour rendre visible une compréhension, puis la réintroduire et examiner comment la personne l’utilise. Cette démarche demande des adaptations aux besoins des personnes et aux contraintes du poste.
Elle ne doit pas prendre la forme d’une panne provoquée sur une activité sensible. Un environnement fictif, des données préparées et des conséquences maîtrisées suffisent à travailler le raisonnement.
L’intérêt du retrait est sa valeur d’observation, pas une supposée supériorité du travail sans technologie.
Organiser des occasions de comprendre pendant la production
L’équipe peut choisir des moments où l’explication devient une partie du travail. Après une tâche inhabituelle, le collaborateur identifie une décision qu’il comprend mieux et une incertitude qu’il doit encore examiner. Un collègue peut proposer un contre-exemple ou demander dans quel cas la solution cesserait de convenir.
Ces échanges doivent rester proportionnés. Exiger un long commentaire pour chaque courriel risque de rendre le dispositif impraticable. Il vaut mieux sélectionner les activités où une compétence nouvelle se construit ou celles dont les conséquences justifient une attention particulière.
L’IA peut être utilisée pour proposer un exemple ou une question d’entraînement. Le contenu doit alors être vérifié : une explication claire peut rester incorrecte. Il faut aussi prévoir une source de retour fiable, qu’il s’agisse d’une documentation reconnue, d’un résultat observable ou d’un expert.
Les méthodes d’apprentissage examinées à partir des sciences cognitives offrent des pistes pour distinguer l’aisance ressentie d’une connaissance mobilisable. Leur application en entreprise demande une traduction dans les gestes du métier, sans transformer chaque principe général en promesse de performance.
Ce que les RH peuvent suivre sans étiqueter les personnes
Le risque serait de créer une catégorie de salariés « dépendants de l’IA » à partir de quelques observations. Un écart de réussite peut venir d’un manque de connaissances, d’une consigne ambiguë, d’une donnée absente ou d’une difficulté nouvelle. Le dispositif doit aider à examiner ces explications.
Le suivi peut décrire une capacité et ses conditions : « adapte une recommandation de stock quand le délai fournisseur varie, avec accès à la procédure ». Cette formulation est plus utile qu’une note générale d’autonomie.
On peut ensuite comparer les productions sur plusieurs occasions et discuter des aides encore nécessaires. La qualité avec assistance et les acquis individuels restent deux résultats à documenter. Si l’un progresse et l’autre reste incertain, on le dit.
Cela rend aussi les décisions de formation plus précises. Une équipe n’a peut-être pas besoin d’un nouveau panorama d’outils, mais d’exercices sur une décision récurrente qu’elle confie trop vite à l’assistant.
Une conférence pour poser la bonne question d’apprentissage
Dans un séminaire IA ou une rencontre RH, ce sujet permet de dépasser la seule démonstration de capacités techniques. On peut demander aux participants d’examiner un résultat convaincant, puis de préciser ce qu’il faudrait observer pour savoir ce que son auteur a appris.
Une keynote peut présenter la distinction entre production assistée et apprentissage, avec des recherches et leurs limites. Un atelier complémentaire peut aider les équipes à définir une capacité métier, une variation de situation et des ressources autorisées. L’objectif est de préparer une observation utile, sans prétendre régler en une séance toutes les questions de compétence.
Vous souhaitez réunir vos équipes autour de ces enjeux ? Découvrez les conférences Learning Coach et demandez une proposition adaptée à votre événement.
La question finale concerne la prochaine situation : grâce au travail réalisé aujourd’hui avec l’IA, que votre collaborateur sera-t-il mieux capable de comprendre, de choisir ou d’adapter demain ?
Ressources
Judy Hanwen Shen et Alex Tamkin, How AI Impacts Skill Formation, prépublication déposée le 28 janvier 2026, version révisée le 1er février. Présentation de l’expérience par l’équipe Anthropic, 29 janvier 2026. Petit échantillon de développeurs ; évaluation immédiate.
Nicholas C. Soderstrom et Robert A. Bjork, Learning Versus Performance: An Integrative Review, Perspectives on Psychological Science, mars 2015. Revue de recherches sur la distinction entre performance pendant l’acquisition, rétention et transfert ; pas une étude sur l’IA en entreprise.
