« J’ai eu l’impression d’être devenu paresseux. » Le constat n’émane pas d’un critique de la technologie, mais d’un développeur ayant utilisé une assistance par intelligence artificielle pour accomplir une tâche technique. Le résultat est atteint, le code fonctionne, mais la compréhension reste partielle. Cette dissonance entre exécution et maîtrise s’impose aujourd’hui comme l’un des effets les plus sous-estimés de l’IA générative.
Une étude récente menée auprès de développeurs apporte des éléments tangibles. Les participants utilisant une assistance par IA obtiennent des scores inférieurs d’environ 17 % aux évaluations de compréhension par rapport à ceux qui travaillent sans assistance. La différence ne porte pas sur la capacité à terminer la tâche, mais sur la maîtrise réelle des concepts. L’IA permet d’aboutir plus facilement à un résultat, mais elle n’assure pas l’apprentissage qui devrait l’accompagner.
Ce phénomène remet en cause un principe fondamental du développement des compétences : l’apprentissage par l’action. Le modèle du “learning by doing” repose sur une exposition directe aux problèmes, aux erreurs et aux ajustements successifs. L’effort, la difficulté et la correction progressive constituent les mécanismes essentiels de la mémorisation et de la compréhension. En automatisant une partie de ce processus, l’IA modifie les conditions mêmes de l’apprentissage.
La question n’est donc pas de savoir si l’IA fonctionne. Elle fonctionne. Elle produit des résultats. La question est de savoir ce que les collaborateurs apprennent réellement lorsqu’ils s’appuient sur elle. Et les premières données indiquent un décalage entre performance opérationnelle et acquisition des compétences.
L’apprentissage par l’erreur fragilisé par l’assistance algorithmique
L’un des enseignements les plus significatifs concerne le rôle des erreurs. Dans un processus d’apprentissage classique, l’erreur constitue un levier central. Elle oblige à analyser, à comprendre et à corriger. Elle mobilise des mécanismes cognitifs profonds qui favorisent la mémorisation durable.
Dans l’étude, les participants travaillant sans assistance rencontrent en moyenne plus d’erreurs que ceux utilisant l’IA. Ils doivent identifier la source du problème, tester des hypothèses, ajuster leur raisonnement. Ce processus, plus exigeant, génère une meilleure compréhension des concepts. À l’inverse, les utilisateurs assistés rencontrent moins d’erreurs, car l’IA propose directement des solutions fonctionnelles.
Ce confort opérationnel a un coût cognitif. Moins d’erreurs signifie moins d’occasions d’apprendre. Le collaborateur n’est plus confronté aux difficultés qui structurent l’acquisition des compétences. Il valide une solution sans reconstruire le raisonnement qui y conduit. L’apprentissage devient superficiel.
Les résultats de l’étude confirment cette dynamique. Les écarts de performance sont particulièrement marqués sur les compétences liées à la compréhension et au débogage. Les utilisateurs sans IA développent une meilleure capacité à analyser un problème et à corriger des erreurs. Ces compétences sont pourtant essentielles dans un environnement où les systèmes automatisés produisent des résultats qu’il faut être capable de vérifier.
Ce constat rejoint des observations plus larges sur l’impact de l’IA sur les fonctions cognitives. L’externalisation de certaines tâches vers la machine réduit l’effort mental requis. Ce phénomène, souvent qualifié de “décharge cognitive”, modifie les mécanismes d’apprentissage. Lorsque l’effort diminue, la mémorisation s’affaiblit.
Pour les organisations, cette évolution pose une question stratégique. Former des collaborateurs compétents implique de maintenir un certain niveau de difficulté dans les tâches. Une automatisation excessive peut réduire cet effort et, par conséquent, la qualité de l’apprentissage. L’efficacité immédiate ne garantit pas la montée en compétence.
L’illusion de compétence : réussir sans comprendre
L’un des effets les plus préoccupants de l’assistance par IA réside dans l’illusion de compétence. Le collaborateur parvient à réaliser une tâche avec succès. Le résultat est conforme. L’impression de maîtrise est immédiate. Pourtant, cette réussite ne repose pas nécessairement sur une compréhension réelle.
L’étude met en évidence cette dissociation. Les participants assistés terminent les tâches avec un niveau de réussite comparable à ceux du groupe sans IA. En apparence, la performance est équivalente. Mais lorsqu’ils sont évalués sur leur compréhension, les écarts apparaissent nettement. La capacité à expliquer, à interpréter ou à corriger les résultats est significativement plus faible.
Cette situation crée un biais d’évaluation pour les organisations. Un collaborateur peut être perçu comme performant parce qu’il produit des résultats, alors que sa maîtrise des concepts reste limitée. Ce décalage devient critique dans des environnements où la supervision des systèmes automatisés est essentielle.
Les témoignages des participants illustrent cette réalité. Certains évoquent des “lacunes de compréhension” malgré la réussite des tâches. D’autres reconnaissent ne pas avoir pris le temps d’analyser les solutions proposées. Le sentiment de “paresse cognitive” apparaît comme un effet récurrent. L’effort est réduit, mais la compréhension l’est aussi.
Ce phénomène s’explique par la facilité d’accès aux solutions. L’IA fournit des réponses immédiates, souvent correctes. Le collaborateur n’a plus besoin de mobiliser ses connaissances pour résoudre un problème. Il peut contourner les étapes d’analyse et de réflexion. Ce raccourci, efficace à court terme, limite l’apprentissage.
L’illusion de compétence représente un risque majeur pour les organisations. Elle peut masquer des fragilités dans les compétences, difficiles à détecter tant que les outils fonctionnent correctement. En cas d’erreur, de défaillance ou de situation complexe, ces lacunes deviennent visibles et peuvent avoir des conséquences opérationnelles importantes.
Pour les directions des ressources humaines, l’enjeu consiste à distinguer la performance apparente de la compétence réelle. Les indicateurs de production ne suffisent plus. Il devient nécessaire d’évaluer la capacité des collaborateurs à comprendre, expliquer et adapter les solutions.
Former des collaborateurs compétents à l’ère de l’IA : un défi stratégique pour les DRH
L’intégration de l’intelligence artificielle dans les organisations impose une révision des stratégies de développement des compétences. L’objectif ne peut pas se limiter à améliorer la productivité. Il s’agit de préserver la capacité des collaborateurs à comprendre et à maîtriser leur activité.
La première implication concerne la formation. Les dispositifs traditionnels doivent évoluer pour intégrer les spécificités de l’apprentissage avec l’IA. Il ne s’agit pas seulement d’apprendre à utiliser les outils, mais de développer une capacité de supervision. Les collaborateurs doivent être en mesure de comprendre les résultats produits, d’identifier les erreurs et de corriger les biais.
La deuxième implication porte sur les pratiques managériales. Les managers doivent encourager des modes d’usage qui maintiennent l’engagement cognitif. Cela peut passer par des règles simples : demander aux collaborateurs d’expliquer les solutions proposées par l’IA, limiter la délégation totale ou intégrer des phases de travail sans assistance. L’objectif est de préserver l’effort nécessaire à l’apprentissage.
La troisième implication concerne les systèmes d’évaluation. La performance ne peut plus être mesurée uniquement par le résultat. Elle doit intégrer la compréhension et la capacité d’adaptation. Un collaborateur capable d’expliquer une solution est plus résilient qu’un collaborateur qui se contente de l’appliquer.
Dans le contexte marocain, ces enjeux sont particulièrement sensibles. Le développement des métiers du numérique, des centres de services et des activités à forte valeur ajoutée repose sur la qualité des compétences. Une dépendance excessive à l’IA pourrait freiner la montée en compétence des juniors et fragiliser la compétitivité des organisations.
Les entreprises doivent trouver un équilibre entre automatisation et apprentissage. L’IA peut être un levier puissant de développement si elle est utilisée pour accompagner la compréhension. À l’inverse, une utilisation centrée sur la production peut conduire à une érosion des compétences.
Les politiques de formation devront intégrer ces enjeux. Il s’agit de former des collaborateurs capables d’utiliser l’IA sans perdre leur autonomie intellectuelle. Cette capacité constitue un facteur clé de performance dans un environnement de plus en plus automatisé.
La transformation ne concerne pas uniquement les outils. Elle touche aux mécanismes fondamentaux de l’apprentissage. Elle impose de repenser la manière dont les compétences se développent au sein des organisations.
Le coût réel de l’intelligence artificielle ne se mesure pas uniquement en licences ou en investissements technologiques. Il se mesure dans la capacité des collaborateurs à continuer d’apprendre, à comprendre et à maîtriser leur activité. Une adoption mal maîtrisée peut produire l’effet inverse de celui recherché : une organisation plus rapide, mais moins compétente.
