Dans une équipe de support, un nouvel arrivant préparait autrefois une première réponse, puis la discutait avec un collègue expérimenté. Un assistant d’IA propose désormais cette réponse immédiatement. Le document est disponible plus vite. Reste une question : où le débutant rencontrera-t-il les difficultés qui lui permettront, un jour, de traiter les cas inhabituels ?
Cette scène est fictive. Elle ne signifie pas que toutes les tâches d’entrée dans un métier disparaissent ni que toute automatisation empêche d’apprendre. Elle invite à examiner ce qui change lorsque l’organisation retire une activité de production.
La relève des experts demande un parcours de travail, avec des occasions de participer, de décider et de recevoir un retour. Si certaines premières missions sont automatisées, ce parcours doit être repensé avec les personnes qui transmettent le métier.
Une tâche supprimée modifie aussi une relation d’apprentissage
Une mission débutante peut remplir plusieurs fonctions. Elle produit un document ou traite une demande. Elle donne aussi accès à des informations, à une conversation avec un expert et à la découverte d’une exception.
Ces fonctions ne sont pas automatiquement réunies. Une activité répétée sans explication ni retour peut rester peu formatrice. Conserver une tâche pénible uniquement parce que les anciens sont passés par là ne constitue pas un projet pédagogique.
La question utile est plus précise : qu’apprenait-on dans cette activité, à quelles conditions et par quel échange ? Il faut ensuite déterminer où cet apprentissage pourra avoir lieu si l’activité change.
Le sujet concerne un jeune recruté, mais aussi une personne expérimentée qui prend une nouvelle fonction. Être débutant sur une compétence ne décrit ni la valeur d’une personne ni toute son expérience professionnelle.
Les recherches ne conduisent pas toutes à la même conclusion
Dans Generative AI at Work, publié en ligne le 4 février 2025 dans le Quarterly Journal of Economics, Erik Brynjolfsson, Danielle Li et Lindsey Raymond étudient l’introduction échelonnée d’un assistant auprès de 5 172 agents de support d’une entreprise.
La version publiée rapporte une hausse moyenne de 15 % des problèmes résolus par heure, avec des effets différents selon l’expérience. Les auteurs trouvent aussi des indices d’apprentissage, notamment des progrès qui restent observables lorsque les suggestions sont temporairement indisponibles. Ce résultat dans une entreprise ne garantit pas le même effet ailleurs et ne mesure pas l’impact global de l’IA sur l’emploi.
Un autre terrain éclaire une limite. Dans une prépublication de 2026 sur l’acquisition de compétences de programmation, Judy Hanwen Shen et Alex Tamkin étudient 52 développeurs, principalement juniors, qui découvrent une bibliothèque Python. L’accès à l’assistance est attribué aléatoirement. Le groupe assisté réussit moins bien le test de compréhension réalisé peu après la tâche.
Cette expérience menée chez un fournisseur d’IA porte sur un petit échantillon et une compétence précise. Elle ne démontre pas une perte durable de savoir-faire dans tous les métiers. Les façons d’utiliser l’outil décrites par les auteurs relèvent d’une analyse qualitative, sans preuve que chacune cause le résultat observé.
Ces travaux posent des questions différentes. Une assistance intégrée à une activité connue et un outil utilisé pour découvrir une nouvelle technique ne créent pas nécessairement les mêmes conditions d’apprentissage.
Partir de la compétence à transmettre, pas de la tâche à préserver
Pour préparer la relève, une équipe peut commencer par une mission qui a été automatisée ou fortement modifiée. Le tuteur décrit alors ce qu’un débutant pouvait y apprendre, au-delà du livrable.
Dans notre exemple de support, rédiger la réponse n’était qu’une partie du métier. Il fallait comprendre la demande, identifier une information manquante, retrouver la procédure pertinente et savoir quand transmettre le dossier à un spécialiste.
L’équipe peut relier chaque capacité à une occasion de pratique.
| Capacité métier | Occasion à organiser | Place du tuteur |
|---|---|---|
| Clarifier une demande ambiguë | Préparer les questions avant d’ouvrir la suggestion d’IA | Discuter ce qui manque pour répondre |
| Choisir une procédure | Examiner un cas préparé avec plusieurs pistes plausibles | Expliquer les indices qui départagent les pistes |
| Reconnaître une exception | Participer à l’analyse d’un dossier inhabituel | Montrer quand la règle générale ne suffit plus |
| Transmettre à un spécialiste | Formuler une demande d’aide exploitable | Vérifier le contexte et les éléments fournis |
Cette grille est une proposition Learning Coach à adapter au métier. Elle n’a pas vocation à restaurer artificiellement toutes les anciennes opérations. Elle aide à décider où se construira désormais la capacité recherchée.
Donner au débutant une mission réelle dans l’échange
Être présent à côté d’un expert ne suffit pas à savoir ce que l’on doit observer. Une réunion peut rester incompréhensible si les décisions s’enchaînent sans que leurs critères soient exprimés.
Avant une situation accompagnée, le tuteur peut confier une responsabilité limitée : repérer les informations absentes, préparer une hypothèse ou proposer une question à poser. Le débutant participe ainsi au travail sans recevoir une responsabilité qui dépasse ses moyens.
Après l’échange, une discussion courte peut revenir sur un choix déterminant. Quel indice a fait changer la réponse ? Pourquoi a-t-on écarté une piste ? Quelle incertitude subsiste ?
Le retour doit porter sur des éléments accessibles. « Tu manques de recul » aide peu si la personne ne sait pas ce qu’elle aurait dû regarder. Le tuteur peut nommer l’indice, montrer son effet et prévoir une nouvelle occasion de l’utiliser.
Notre article sur le transfert des apprentissages au travail développe cette articulation entre situation, tentative et retour. Un parcours de prise de poste doit également préparer ce qui se passe après la séance de formation.
Un exemple fictif : l’assistant propose une réponse trop générale
Revenons à notre équipe de support. Une technicienne récemment recrutée reçoit une demande concernant une fonction qui ne réagit pas comme prévu. L’IA propose une procédure courante, mais le message du client contient un détail inhabituel.
Dans un premier temps, la technicienne travaille sur une copie préparée du dossier, sans conséquence pour le client. Elle doit décider quelles précisions demander avant de choisir une procédure. Son tuteur connaît les éléments qui rendent le cas ambigu.
Ils peuvent ensuite examiner la proposition de l’assistant. La question porte sur les conditions dans lesquelles cette réponse serait pertinente et sur ce qui manque pour les établir. Le tuteur ne se contente pas de livrer la bonne procédure : il explicite les indices qui orientent son choix.
Sur le travail réel, les règles de l’entreprise et les validations nécessaires restent applicables. La débutante peut préparer la clarification ou une partie de l’analyse ; le professionnel désigné garde la responsabilité prévue pour la réponse.
Le cas suivant n’a pas besoin d’être identique. Il doit offrir une occasion adaptée de réutiliser ce qui a été travaillé. Le scénario illustre un choix d’organisation pédagogique ; il ne décrit aucun client Learning Coach et ne garantit aucun résultat.
Ne pas transformer le junior à l’aise avec l’IA en expert universel
Un débutant peut connaître une fonction que son responsable ignore. Cet apport mérite d’être reconnu. Il ne lui donne pas automatiquement les moyens d’évaluer tous les risques du système ou toutes les conséquences métier.
L’étude Novice risk work, publiée en ligne le 21 février 2025 par Katherine Kellogg et ses collègues, examine 78 entretiens avec des consultants juniors de BCG. Ces entretiens ont eu lieu en juillet et août 2023, après une expérimentation avec GPT-4.
Les chercheurs analysent les mesures que les juniors proposent pour répondre aux risques de l’IA et les comparent à la littérature d’experts disponible à l’époque. Ils montrent des limites possibles de ces réponses, notamment lorsqu’elles se concentrent sur les habitudes des utilisateurs sans considérer suffisamment le système.
Cette étude qualitative ne mesure pas l’efficacité d’un programme de mentorat. Elle invite à distinguer aisance d’utilisation, expertise métier et connaissance des systèmes. La transmission peut circuler dans les deux sens, avec des recours à des spécialistes lorsque c’est nécessaire.
Le temps du tuteur doit exister dans l’organisation
Demander aux experts de transmettre entre deux urgences laisse le parcours dépendre de leur disponibilité personnelle. Un collègue peut vouloir aider et ne jamais disposer du moment nécessaire pour reprendre une situation.
La direction doit donc décider ce qu’elle attend du tutorat et quels moyens elle lui donne. Qui accompagne quel type de mission ? Quels échanges doivent être préparés ? Quelle charge peut être ajustée pour permettre ce travail ?
Il faut aussi reconnaître que savoir faire et savoir transmettre sont deux capacités. Un expert peut agir rapidement sur la base d’indices qu’il n’a pas l’habitude d’expliquer. Il peut avoir besoin d’aide pour choisir un cas, décomposer une difficulté et formuler un retour utile.
La perspective Learning Coach consiste à rendre ces stratégies discutables. Les méthodes d’apprentissage examinées à partir des sciences cognitives apportent des repères sur la pratique et les retours. Leur adaptation au travail demande de tenir compte du niveau de départ et des contraintes du métier.
Ouvrir les occasions de pratique à tous les débutants concernés
Un parcours peut sembler bien conçu sur le papier et laisser certaines personnes à l’écart. Les missions intéressantes vont toujours aux mêmes collaborateurs, les échanges informels se tiennent quand une partie de l’équipe est absente, ou les plus discrets n’osent pas demander à participer.
Le responsable peut examiner la répartition des occasions : qui a observé une situation inhabituelle ? Qui a pu proposer une réponse avec un retour ? Qui reste cantonné à exécuter ou à surveiller des sorties sans comprendre le raisonnement ?
Cette observation porte sur l’organisation des missions. Elle doit éviter un classement global des personnes à partir d’une seule démonstration ou de leur aisance à parler en réunion.
Les modalités peuvent varier. Une personne peut préparer une justification écrite, une autre discuter un cas en binôme. L’exigence métier reste explicite, avec des moyens adaptés pour travailler et rendre la progression visible.
Ce que les RH et les directions peuvent décider maintenant
L’entreprise n’a pas besoin de prévoir tout le devenir de l’emploi pour commencer. Elle peut choisir une fonction où les premières missions changent et examiner le parcours d’entrée dans le métier.
La revue peut réunir un responsable, un tuteur et des personnes récemment arrivées. Elle cherche une réponse concrète : quelles capacités doivent être acquises, dans quelles situations et avec quel accompagnement ?
Elle doit aussi distinguer le besoin de recrutement du besoin d’apprentissage. Une décision de ne pas ouvrir un poste a plusieurs déterminants possibles. Elle ne prouve pas, à elle seule, que l’IA remplace les débutants. Inversement, maintenir les effectifs ne garantit pas que leurs occasions de progresser soient préservées.
L’objectif est de conserver une capacité de relève dont l’organisation pourra expliquer le fonctionnement, puis examiner les résultats dans la durée.
Une question à mettre au programme d’un séminaire
La formation des futurs experts peut réunir dirigeants, RH, managers et professionnels expérimentés autour d’un cas commun. Une keynote peut clarifier les distinctions entre production assistée, apprentissage et transmission. Un atelier complémentaire peut faire travailler la place des missions tutorées dans l’organisation.
Ces formats ouvrent une discussion et préparent des choix. Ils ne remplacent pas l’expertise technique, les responsabilités opérationnelles ou le suivi des personnes.
Vous souhaitez engager ce débat sur l’IA et les compétences ? Découvrez les conférences Learning Coach et demandez une proposition adaptée à votre événement.
Lorsque l’outil prend une partie du travail, l’entreprise doit encore pouvoir répondre à cette question : où, avec qui et sur quelles situations apprendront les personnes qui devront demain en assumer les décisions ?
Ressources
Brynjolfsson, Li et Raymond, Generative AI at Work, publication en ligne le 4 février 2025, Quarterly Journal of Economics, volume 140, numéro 2, mai 2025.
Shen et Tamkin, How AI Impacts Skill Formation, prépublication du 28 janvier 2026, version révisée du 1er février 2026 ; présentation de l’expérience par Anthropic.
Kellogg et ses collègues, Novice risk work, Information and Organization, 35, 100559, publication en ligne le 21 février 2025. Sources consultées le 27 octobre 2026.
