Qui formera les experts de demain ?

Si l’IA accomplit les tâches par lesquelles on entrait dans un métier, comment former ceux qui devront demain en contrôler les résultats ? La réponse dépend des expériences que nous choisissons de préserver et de celles que nous pouvons enfin rendre accessibles.

Produire plus vite, apprendre autrement

Le débutant apprend en faisant un travail dont il ne maîtrise pas encore toutes les raisons. Il prépare une synthèse, confronte des pièces, cherche une incohérence, puis découvre ce que son premier raisonnement avait manqué. Ces opérations peuvent sembler modestes. Elles donnent pourtant accès aux distinctions sur lesquelles repose le jugement professionnel.

Une automatisation peut supprimer de la répétition inutile. Elle peut aussi retirer des occasions de comprendre. Il serait imprudent de décider à l’avance laquelle de ces deux conséquences dominera. La question est de savoir ce que l’activité faisait apprendre et par quelle autre expérience cet apprentissage peut être obtenu.

Je défends une distinction simple : la performance réalisée avec un outil, la compétence mobilisable sans cet outil et la capacité à en examiner les résultats sont trois objets différents. Une politique de formation doit savoir lequel elle entend développer.

Ce qu’une expérience scolaire permet de dire

Bastani et ses coauteurs ont étudié l’usage de GPT-4 dans l’apprentissage des mathématiques auprès de près d’un millier de lycéens en Turquie. Leur expérience compare notamment un accès peu encadré et un tutorat conçu pour guider l’élève. L’assistance améliore la réussite pendant les exercices ; le dispositif peu encadré dégrade ensuite les résultats lorsque l’aide est retirée, tandis que les garde-fous pédagogiques atténuent ce problème. [1]

Ce résultat ne prouve ni que toute IA nuit à l’apprentissage, ni que des salariés français réagiraient de la même manière. Il concerne une discipline, un contexte scolaire et des dispositifs particuliers. Son apport est plus précis : une bonne production accompagnée ne permet pas, à elle seule, de conclure à une acquisition durable.

La tentation de mesurer seulement le résultat disponible à la fin d’une séance existe aussi dans les organisations. Un document livré peut être excellent sans que son auteur sache expliquer un choix ou traiter une exception. La réussite immédiate peut alors masquer une dépendance qui ne devient visible qu’au changement de situation.

L’IA peut également diffuser l’expertise

Une étude de Brynjolfsson, Li et Raymond apporte un contrepoint. La version de travail révisée en novembre 2023 analyse l’introduction d’une assistance conversationnelle auprès de 5 179 agents de support client. Elle rapporte une hausse moyenne de 14 % des problèmes résolus par heure, plus importante chez les moins expérimentés. Les auteurs présentent aussi des indices compatibles avec une diffusion des pratiques des collègues expérimentés. [2]

Il s’agit d’un contexte professionnel particulier et d’une mesure de productivité définie. Le résultat ne peut être transposé à tous les métiers, ni assimilé automatiquement à une expertise acquise durablement. Il interdit cependant une lecture uniquement pessimiste : l’accès à une aide de qualité peut réduire des écarts que le système de formation habituel laissait persister.

Le contraste entre ces travaux est fécond. L’enjeu porte sur la fonction que remplit l’outil : fournir le résultat, rendre une méthode visible, proposer des occasions d’entraînement ou aider à discuter une erreur. Plusieurs de ces fonctions peuvent coexister, mais elles doivent être distinguées.

Le jugement ne disparaît pas : il se déplace

Une enquête présentée à CHI 2025 par Lee et ses coauteurs porte sur 319 travailleurs de la connaissance et 936 exemples d’usage. Elle relève une association entre la confiance accordée à l’IA et un effort critique déclaré plus faible ; elle décrit aussi un déplacement vers la vérification et l’intégration des réponses. [3]

Cette enquête repose sur des déclarations. Elle ne démontre pas une perte cognitive causée par l’IA. Elle invite plutôt à examiner les conditions de la vérification : qui peut identifier une erreur subtile, qui possède les connaissances utiles et quelle place l’organisation accorde-t-elle au doute ?

Demander à un débutant de « vérifier » sans lui avoir permis d’apprendre le métier peut créer une responsabilité sans moyens. À l’inverse, consacrer du temps à l’explication des désaccords avec l’outil peut devenir une situation d’apprentissage exigeante.

Une question collective pour la formation professionnelle

Dans mes réflexions sur les compétences, une difficulté revient : une formation financée, suivie et appréciée ne renseigne pas entièrement sur ce que la personne peut accomplir ensuite. Avec l’IA, cette difficulté s’accentue si la qualité des productions dépend d’un outil dont l’accès, la version ou les conditions d’usage peuvent changer.

Préserver l’apprentissage ne signifie pas imposer aux nouveaux entrants toutes les tâches pénibles d’hier. Certaines répétitions n’enseignaient plus grand-chose. L’exigence est de reconstruire des situations où l’on doit formuler un problème, choisir entre plusieurs explications et recevoir un retour sur ses raisons.

La répartition de cet apprentissage est politique. Si les professionnels déjà reconnus disposent du temps pour comprendre les systèmes tandis que les débutants doivent seulement produire davantage, les gains de productivité peuvent renforcer la hiérarchie des savoirs. Un accès partagé aux outils, à l’accompagnement et au droit à l’erreur pourrait soutenir une évolution différente.

Trois épreuves pour distinguer les progrès

Pour discuter cette thèse, je propose d’examiner trois situations complémentaires. D’abord, réaliser une tâche avec l’IA et rendre compte des choix effectués. Ensuite, résoudre une difficulté comparable sans assistance, lorsque cette autonomie est pertinente pour le métier. Enfin, repérer et corriger une proposition plausible mais inadaptée au contexte.

Ces épreuves ne constituent pas un protocole validé. Elles permettent de rendre visibles des dimensions différentes : l’usage compétent, le transfert des savoirs et la faculté de contradiction. Leur pertinence doit être discutée avec les professionnels et les formateurs, sans transformer chaque activité en examen permanent.

Ce qui pourrait contredire mon hypothèse

Si un suivi dans la durée montrait que les débutants assistés maîtrisent mieux les cas nouveaux, expliquent davantage leurs décisions et repèrent mieux les erreurs, il faudrait reconnaître un effet formateur de cette organisation. Si seule la production assistée progresse, la question de la dépendance resterait entière.

L’avenir de l’expertise ne se décide donc pas seulement dans les capacités des modèles. Il se joue dans le temps que nous consacrons à former ceux qui ne savent pas encore. Une société qui attend de chacun qu’il exerce son jugement doit en organiser les conditions d’apprentissage.

Ce texte engage son auteur. Il n’a pas fait l’objet d’une validation scientifique par le comité de La Pléiade.

Pour citer : Abdelaziz Lachiheb, « Qui formera les experts de demain ? », La Pléiade, 22 octobre 2026. Lien permanent.