Compétences de demain : former sans laisser personne au bord de la route

En 2023, l’AI Index publié par Stanford HAI recensait plus de 143 modèles d’intelligence artificielle fondamentaux mis à disposition des entreprises en une seule année, contre 32 quatre ans plus tôt. Dans le même temps, l’OCDE estimait que 27 % des emplois dans les pays membres présentaient un risque élevé d’automatisation partielle. Ces deux chiffres, pris ensemble, posent une question que les directions générales ne peuvent plus reporter : à quelle vitesse former, et surtout, former qui en priorité ?

La réponse spontanée consiste à cibler les profils techniques, ceux qui manipulent déjà des données ou des systèmes. C’est compréhensible. C’est aussi insuffisant. Lorsque la montée en compétences suit la logique du moindre effort pédagogique, elle accentue les asymétries existantes. Les collaborateurs les mieux armés avancent plus vite encore. Les autres regardent le train partir.

La fracture de compétences, phénomène organisationnel avant d’être technique

Nadia, DRH d’un groupe de services financiers de taille intermédiaire, a vécu cette séquence en 2022. Son organisation avait déployé un outil d’aide à la rédaction automatisée pour les équipes juridiques et conformité. Résultat six mois plus tard : les juristes seniors, à l’aise avec l’anglais et les interfaces numériques, avaient intégré l’outil dans leur flux quotidien. Les chargés de conformité juniors, souvent issus de cursus moins techniques, l’utilisaient à peine. « On a cru qu’on avait un problème d’outil, se souvient-elle. On avait un problème de design de la formation. »

Ce que Nadia décrit, la chercheuse Timnit Gebru le documente depuis plusieurs années à l’échelle systémique. Ses travaux sur les biais dans les systèmes d’IA soulignent que les organisations qui déploient des technologies sans accompagnement différencié reproduisent, et parfois amplifient, les inégalités d’accès au savoir préexistantes. Ce n’est pas une fatalité technique. C’est un choix de gouvernance.

L’AI Now Institute, dans ses rapports annuels sur les impacts sociaux de l’intelligence artificielle, insiste sur un point que les directions des ressources humaines peinent encore à intégrer : la question n’est pas de savoir si un collaborateur peut apprendre à utiliser un outil d’IA, mais dans quel environnement on lui propose de le faire. Délai, format, pairs disponibles, droit à l’erreur : ces variables conditionnent le résultat autant que le contenu de la formation elle-même.

Ce que les directions générales voient mal depuis le comex

Mathieu dirige la transformation digitale d’un groupe industriel de 4 200 salariés répartis sur onze sites. Il a accepté de décrire une erreur de pilotage qu’il qualifie lui-même de « classique ». En 2021, son équipe a conçu un parcours de formation aux outils d’analyse de données en partant des usages des data scientists internes. Le parcours était solide, documenté, disponible en ligne. Taux de complétion après trois mois : 18 %.

« On avait construit pour les profils qui n’en avaient pas besoin, dit-il. Les opérateurs de production, les techniciens de maintenance, les commerciaux terrain : ils ne se reconnaissaient pas dans les cas d’usage. Ils ne voyaient pas ce que ça changerait pour eux le lundi matin. »

L’erreur de Mathieu n’est pas rare. Elle découle d’un angle mort structurel au niveau des comités de direction : la formation est souvent pensée depuis les métiers qui ont porté le projet de transformation, et distribuée vers les métiers qui en sont les destinataires passifs. Gary Marcus, chercheur en sciences cognitives et critique rigoureux des promesses de l’IA, rappelle dans ses travaux que l’enthousiasme technologique des décideurs crée fréquemment un décalage de perception avec les réalités d’apprentissage des équipes non techniques. Décider d’en haut de ce dont les équipes ont besoin pour apprendre reste l’une des causes les plus fréquentes d’échec des programmes de montée en compétences.

La correction que Mathieu a mise en place illustre un principe simple : co-construire les cas d’usage avec les métiers concernés avant de concevoir le contenu pédagogique. Un opérateur de maintenance qui comprend que l’IA peut l’aider à anticiper une panne sur une ligne qu’il connaît depuis dix ans apprend différemment qu’un opérateur à qui l’on explique les réseaux de neurones en introduction.

Les architectures de formation qui réduisent l’écart sans niveler par le bas

Réduire la fracture de compétences ne signifie pas ralentir les profils avancés. Les organisations qui y parviennent le mieux ont adopté une logique modulaire et différenciée : un socle commun de culture IA accessible à tous, des parcours spécialisés par métier, et des dispositifs de transmission interne entre pairs.

Le modèle dit de « champions internes » fait ses preuves dans plusieurs secteurs. Il consiste à identifier, dans chaque service, deux ou trois collaborateurs volontaires qui montent en compétences en avance de phase, puis deviennent des relais pédagogiques pour leurs collègues. Cela ne remplace pas la formation structurée, mais l’ancre dans la réalité du poste. Un technicien qui apprend d’un pair qui travaille sur la même machine dans le même atelier intègre plus vite qu’un technicien seul face à un module e-learning générique.

Laurence Devillers, spécialiste des interactions homme-machine et des dimensions affectives de l’IA, insiste dans ses recherches sur un aspect que les programmes de formation traitent encore insuffisamment : la relation émotionnelle au changement technologique. Certains collaborateurs ne résistent pas à l’outil. Ils résistent à l’idée que l’outil pourrait les rendre superflus. Une formation qui ne prend pas en charge cette dimension psychologique ne forme qu’à moitié.

Les organisations qui intègrent des temps d’échange sur les représentations, les craintes et les questions légitimes autour de l’automatisation obtiennent des taux d’engagement significativement supérieurs. Ce n’est pas de la gestion du changement cosmétique. C’est une condition de l’efficacité pédagogique.

Mesurer sans réduire : les indicateurs qui comptent au-delà du taux de complétion

Le taux de complétion d’un parcours de formation reste l’indicateur le plus suivi. C’est aussi l’un des moins révélateurs. Un collaborateur peut terminer un module en 45 minutes sans avoir modifié un seul comportement dans son travail quotidien. À l’inverse, un collaborateur qui abandonne un module trop théorique mais adopte une pratique nouvelle grâce à un atelier en présentiel n’apparaît nulle part dans les tableaux de bord habituels.

Céline, data scientist dans un groupe de distribution, travaille depuis deux ans sur la question de la mesure de l’impact formation dans son organisation. Elle a proposé à sa direction trois indicateurs complémentaires : la fréquence d’utilisation des outils appris dans les 60 jours suivant la formation, le nombre de cas d’usage autonomes développés par les équipes sans sollicitation de la DSI, et la proportion de collaborateurs capables d’expliquer à un pair l’outil qu’ils ont appris. « Le dernier indicateur est le plus exigeant et le plus révélateur, dit-elle. Si vous ne pouvez pas expliquer, vous n’avez pas compris. »

Le NIST, l’institut américain de normalisation des technologies, a publié en 2023 un cadre de gestion des risques liés à l’IA qui inclut une dimension formation explicite. Il y souligne que la capacité des équipes à évaluer, contester et corriger les sorties d’un système d’IA conditionne la robustesse de son déploiement. Former pour l’usage passif ne suffit pas. Former pour le jugement critique, pour la capacité à dire « cet output est incorrect » ou « ce modèle ne s’applique pas ici », c’est former pour la résilience organisationnelle.

« Une organisation qui forme ses équipes à l’intelligence artificielle sans leur donner les moyens de la questionner n’a pas monté en compétences. Elle a délégué sa pensée. », La rédaction Afervescence

Vers une politique de compétences qui fait croître ce qui compte vraiment

Les organisations qui évitent la fracture de compétences ont une caractéristique commune : elles traitent la formation comme une politique, et non comme un projet. Un projet a une date de fin. Une politique s’ajuste en continu. Quand un nouvel outil entre dans l’organisation, la question n’est pas « quand lance-t-on la formation ? » mais « quel est le dispositif permanent qui permet à chacun de monter à son rythme sans décrocher ? »

Cela suppose trois décisions de gouvernance que les directions générales doivent arbitrer explicitement. Première décision : allouer du temps de travail protégé à la montée en compétences, pas seulement du budget. Un budget de formation non accompagné de plages horaires dédiées produit des modules achetés et non suivis. Deuxième décision : confier la conception pédagogique à une alliance entre les équipes RH, les métiers concernés et, si possible, des professionnels de l’ingénierie pédagogique. Les DSI et CDO ont un rôle d’expertise technique, pas de design de l’apprentissage. Troisième décision : rendre publics, en interne, les indicateurs de progression par service et par catégorie de poste. La transparence sur les écarts crée une pression organisationnelle saine et légitime.

La question de la formation inclusive à l’IA n’est pas une question de bonne volonté managériale. C’est une question d’architecture : comment construire les conditions pour que chaque collaborateur puisse faire croître ce qui compte vraiment dans son travail, avec les outils qui transforment ce travail.

Pour aller plus loin, decouvrez notre accompagnement des organisations et notre approche.

Et si la prochaine revue de votre politique de formation commençait par les collaborateurs les plus éloignés de la technologie, plutôt que par ceux qui la maîtrisent déjà ?

#FormationIA #Leadership #CompétencesDemain #TransformationOrganisationnelle #InclusionNumerique