L’intégration de l’IA dans les pratiques de travail est sans doute l’un des grands chantiers de formation continue actuels. Les organisations déploient des parcours pour acculturer leurs équipes, développer de nouveaux usages, faire monter en compétences sur des outils qui évoluent vite, en prenant en compte du mieux que possible les ressentis et besoins. L’enjeu est majeur et le “droit à l’erreur” quasi nul car les budgets sont déjà mobilisés et les attentes des collaborateurs et collaboratrices sont fortes.s
Un cas d’apprentissage exigeant et inédit qui fait ressortir des besoins précis
Face à ce nouvel outil sans commune mesure, les collaborateurs et collaboratrices doivent acquérir des compétences nouvelles et complexes, parfois éloignées de leur cœur de métier, et dans un contexte où les outils ont la fâcheuse tendance à changer plus vite que les programmes de formation pour s’en saisir. De plus, l’appétence est hétérogène : alors que certaines personnes sont enthousiastes à l’idée de se former à l’IA et veulent l’expérimenter, d’autres émettent même des craintes pour leur expertise, voire leur métier.
Le transfert en situation de travail peut être critique, car une formation et un accompagnement à l’usage de l’IA qui ne se traduisent pas par des pratiques individuelles et collectives concrètes est un investissement perdu pour toute une organisation. Or ce sont exactement les conditions dans lesquelles les failles du système d’apprentissage se révèlent. Des contenus qui ne tiennent pas compte du niveau de maîtrise réel des apprenants, ni de leurs contraintes métiers, ou encore des formations qui produisent de la compréhension à chaud mais pas d’ancrage durable et personnalisé. À cela peut s’ajouter une population managériale qui ne sait pas toujours comment bien accompagner la mise en pratique (car elle-même n’est pas accompagnée pour s’en saisir!) et évidemment peu de temps sanctuarisé et prévu pour expérimenter, itérer, se rendre compte de sa montée en compétences, ni de moments en collectif pour partager les premiers usages, les difficultés rencontrées, les bonnes pratiques…
Mis bout à bout, ces différents freins peuvent expliquer l’apparente « résistance » à s’adapter à l’IA, et interagissent avec les biais cognitifs souvent présents en période de forte transformation au travail comme l’aversion à la perte ou à l’incertitude, le biais de négativité, le biais de confirmation, ou de celui de la normalité sociale.
1. Permettre une pleine auto-efficacité et un sentiment de compétence
Une enquête de Microsoft Research auprès de 319 salariés utilisant l’IA générative dans leur travail a montré un résultat utile pour concevoir un programme de formation : ce qui prédit le regard critique porté sur les productions de l’outil, c’est la confiance dans ses propres capacités, et pas la confiance dans l’outil. Autrement dit : plus une personne se sent compétente sur son métier, plus elle inspecte ce que l’IA lui renvoie comme productions, avec un regard d’autant plus affûté. Une complémentarité idéale ! Le sentiment de compétence conditionnerait donc la qualité de l’usage.
Ce sentiment se construit, et les mécanismes sont documentés en sciences cognitives. La recherche de nouveauté est par exemple “codée” dans nos circuits cérébraux : elle attire l’attention, favorise l’encodage en mémoire à long terme, et nourrit ce que la psychologie du travail appelle le sentiment de développement de soi, un des piliers de l’engagement professionnel (Kesner et al., 2022). Une personne qui apprend, qui relève un défi nouveau et constate sa progression, renforce sa motivation à continuer et donc à apprendre davantage.
Cette mécanique se met efficacement en place si une condition en particulier est remplie : la nouveauté doit être choisie, ou au moins préparée. Trop de changements imposés, sans préparation ni marge de décision, produisent l’effet inverse : démotivation et désengagement vis à vis de la nouveauté. Malheureusement, le déploiement d’un programme de formation à l’IA réunit souvent ces mauvaises conditions. Nouveauté maximale, calendrier descendant, et pour une partie des équipes le sentiment que l’outil menace ce qui fait leur valeur professionnelle, et érode petit à petit le désir d’évoluer.
Il peut y avoir deux populations qui coexistent alors dans les mêmes sessions de formation : celles et ceux pour qui l’IA nourrit le sentiment de développement de soi, et celles et ceux pour qui elle le menace. Ne pas les considérer, et les traiter avec le même contenu, au même rythme, peut produire de la frustration d’un côté, et du stress de l’autre. Pourquoi ? Car un autre sentiment se trouve chahuter : celui de l’efficacité personnelle.
La recherche sur l’auto-efficacité ne date pas d’hier (Bandura, 1997) et indique trois leviers pour soutenir l’apprentissage. Le premier est l’expérience de maîtrise : des situations calibrées, issues du métier réel, où la personne réussit quelque chose par elle-même et le mesure. Le deuxième est l’observation de pairs comparables qui réussissent, ce qui joue un rôle décisif dans le passage à l’action. Le troisième est le retour d’information sur la tentative réalisée, pour trouver des marges de progression, à condition qu’il porte sur la démarche et pas seulement sur le résultat produit.
Alors que ces deux variables sont indispensables à mesurer objectivement avant et pendant le déploiement de l’IA, peu d’organisations le font et passent à côté d’un levier bien plus fiable que la satisfaction à chaud pour prédire au mieux la capacité de transfert en situation de travail.
2. Protéger des “soft skills” cruciales pour les organisations
Capacité à vérifier, arbitrer, décider, raisonner, coopérer… La liste des compétences que l’IA ne doit pas remplacer sont à intégrer urgemment dans tous les plans de formation. Elle repose souvent sur un malentendu : on suppose que ces compétences s’entraînent pour elles-mêmes, indépendamment d’un contenu.
Hors les travaux de Daniel Willingham montrent justement l’inverse. Les compétences cognitives générales que sont la résolution de problème ou la pensée critique, ne s’exercent pas dans le vide. Elles opèrent sur un contenu, et la qualité du raisonnement dépend des connaissances disponibles en mémoire pour interpréter judicieusement la situation. On ne pense pas de façon critique sur un sujet qu’on ignore, faute de concepts pour l’analyser et de repères pour juger qu’une affirmation est plausible.
Cette dépendance se vérifie dans les premières études sur la détection des erreurs de l’IA. En Chine, 142 internes de médecine générale confrontés aux réponses de ChatGPT sur des cas cliniques n’en ont repéré les erreurs qu’un peu plus d’une fois sur deux, et moins encore sur les cas complexes (Zhou et al., 2025). Au King’s College de Londres, un cinquième seulement des étudiants d’économétrie a identifié l’erreur conceptuelle glissée par ChatGPT dans un devoir noté ; ce qui prédisait la détection, c’était le bagage disciplinaire et la capacité d’interprétation, pas l’application mécanique de procédures (Dang & Nguyen, 2025).
Le contexte technique rend ce constat plus sensible encore. Les erreurs des modèles se raréfient, mais elles se déplacent vers les questions pointues, celles mêmes qu’un professionnel pose dans l’exercice de son métier. Elles changent aussi de forme : dans une boucle agentique par exemple, les modèles de raisonnement peuvent insèrer des affirmations fausses au milieu de chaînes de déduction cohérentes, où rien ne les distingue en surface des productions valides, laissant une place très réduite au doute dans l’étape de validation “humaine”.
Dans ce contexte, les compétences métier et l’expertise sans cesse mise à l’épreuve de l’inconnu resteront donc le meilleur socle de la supervision des productions de l’IA. La Harvard Business Review relevait début 2026 que les salariés maîtrisant mal certaines tâches de leur métier avaient tendance à sous-utiliser l’IA, en plus de subir ses erreurs. Un programme de montée en compétences qui se limite juste à “l’art du prompt” et à la prise en main de certaines fonctionnalités risque de rendre les utilisateurs peu capables de voir passer l’erreur … qu’ils n’ont pas les moyens de détecter !
Agir en mesurant et en intégrant les leviers cognitifs d’adaptation
Comme nous venons de le voir, les besoins sont tangibles, alors que faire concrètement pour éviter que cette transition sans précédent opère, et bénéficie pour l’évolution des compétences des individus et des organisations ?
L’intelligence collective, premièrement, qui joue un rôle de filet. Car une équipe qui partage les cas où l’IA s’est trompée, qui documente ses arbitrages et qui vérifie en binôme détecte ce qu’un individu moins rodé laisse passer seul. Et ce collectif se conçoit sur la base d’un capital social fort à travers des temps dédiés pour apprendre ensemble, un droit à l’erreur explicite, une culture du feedback formalisée, des outils de capitalisation et d’essaimage. C’est souvent une dimension peu exploitée dans les organisations qui déploient l’IA trop vite, et qui essuie une déception voire des échecs.
Une autre action plus ambitieuse, qui s’opère à l’échelle du système, c’est de transformer et poser les bases d’une expérience d’apprentissage continu réellement impactante.
Pour cette raison, Cog’X a conçu un diagnostic 360° de l’expérience d’apprentissage entreprise, pour s’assurer que les conditions sont réunies pour que l’adaptation aux nouveaux usages porte ses fruits.
Un séquençage adapté aux capacités d’absorption, des pratiques de transmission qui favorisent la rétention, un environnement qui soutient l’expérimentation, et un collectif porté par des managers outillés qui accélère la diffusion et l’amélioration des usages.
Ce qui fait la différence, c’est la qualité du système d’apprentissage qui entoure le collaborateur-apprenant dont on attend une adaptation toujours plus réactive.
Quelle est la démarche ?
Notre diagnostic évalue 4 dimensions de l’expérience d’apprentissage :
1 – les contenus et parcours de formation,
2 – les pratiques pédagogiques des équipes formations et intervenants,
3 – l’environnement de travail des collaborateurs-apprenants et le rôle du manager
4 – les enjeux collectifs & le knowledge management mis en place par l’organisation
Puis cette cartographie précise des forces et des freins d’un système d’apprentissage, c’est elle qui rend l’action possible.
Alors, prêt.e à passer au peigne fin les conditions d’adaptation de votre organisation ?
Pour en discuter avec l’un de nos experts, c’est ici :
Sources & références
- Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
- Dang, C. T., & Nguyen, A. (2025). Distinguishing fact from fiction: Student traits, attitudes, and AI hallucination detection in business school assessment [Préprint]. arXiv. https://arxiv.org/abs/2506.00050
- Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3706598.3713778
- Ranganathan, A., & Ye, X. M. (2026, 9 février). AI doesn’t reduce work, it intensifies it. Harvard Business Review. https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it
- Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68-78.
- Tricot, A., & Sweller, J. (2014). Domain-specific knowledge and why teaching generic skills does not work. Educational Psychology Review, 26(2), 265-283.
- Willingham, D. T. (2009). Why don’t students like school? Jossey-Bass.
- Zhou, J., et al. (2025). Integrating AI into clinical education: Evaluating general practice trainees’ proficiency in distinguishing AI-generated hallucinations and impacting factors. BMC Medical Education, 25(1), 406. https://doi.org/10.1186/s12909-025-06916-2
- Martinache, G., & Zerbib, R. (2026). Former à l’ère de l’IA: Gouvernance/Pédagogie/Transformations. Éditions EMS.
