Vous ne voulez que des seniors. Qui doit les former ?

Une entreprise n’a aucune raison de garder une tâche inutile simplement parce que, il y a vingt ans, quelqu’un a appris le métier en la faisant. Si un assistant écrit en quelques minutes une première version fiable, faire passer l’après-midi sur le même brouillon à la personne qui vient d’arriver ne devient pas une bonne idée parce qu’on appelle ça de la formation. C’est peut-être seulement notre façon de justifier nos habitudes.

Je le dis d’emblée, parce que ce texte n’est pas un éloge des années où l’on fait ses classes. Personne n’entre aujourd’hui dans un métier avec l’obligation de répéter nos inefficacités. Un développeur n’a pas à connaître par cœur chaque fonction d’une bibliothèque, et la valeur d’un analyste ne se mesure pas en heures passées à remettre des cellules en ordre. Une partie de ce qu’on appelait l’apprentissage sur le tas était du travail ennuyeux confié à ceux qui pouvaient le moins le refuser, et l’appeler école n’en faisait pas une école. Si l’IA s’en charge, je ne le regretterai pas.

Le problème commence après. Une fois décidé ce qu’il n’est plus nécessaire de faire, on a tendance à considérer comme close la question de ce qu’il faut encore apprendre.

Prenons une entreprise qui confie à l’IA une part croissante du travail et concentre le contrôle entre les mains de quelques personnes expérimentées. Cela peut très bien fonctionner, et il n’est pas nécessaire d’inventer un incident pour en discuter. Il suffit de demander ce que fera la personne qui entre aujourd’hui dans cette entreprise pour devenir, un jour, capable d’exercer ce contrôle. Répondre qu’elle utilisera l’IA ne suffit pas. C’est l’outil dont elle disposera, pas le chemin par lequel elle apprendra à savoir quand lui faire confiance.

Je parle d’un type d’organisation précis, pas de toutes : celle qui réduit les portes d’entrée et les occasions d’apprendre tout en continuant de reposer sur le jugement de professionnels expérimentés. Dans ses plans, l’expérience apparaît comme une ressource disponible à l’extérieur. Aujourd’hui il nous faut des gens déjà compétents, demain il en faudra d’autres, quelqu’un les aura formés.

Même celui qui vend le moteur fait pratiquer

Le 2 octobre, Anthropic a annoncé Claude Frontier Academy : 100 millions de dollars pour former 10 000 ingénieurs d’ici fin 2027. Ce n’est pas un parcours pour débutants. Ce sont les entreprises qui proposent leurs meilleurs ingénieurs. Ceux-ci passent quelques jours intensifs avec les ingénieurs d’Anthropic, subissent une épreuve pratique sur un scénario inédit, puis pilotent pendant douze semaines un vrai projet au sein de leur propre organisation. À la fin, ils sont évalués une nouvelle fois.

Je ne le lis pas comme un aveu, du genre « l’IA ne marche pas sans les humains », ni comme de la philanthropie. C’est un investissement commercial : celui qui vend ces systèmes a besoin de gens capables de bien les adopter, et il les fabrique. Ce qui m’intéresse, c’est la méthode. Même avec des professionnels déjà solides, l’entreprise qui produit le modèle ne se contente pas de donner accès à l’outil. Elle propose de la pratique sur des cas réels et une vérification de ce que les gens savent faire.

Si bien utiliser ces systèmes demande un parcours même à ceux qui ont des années de métier, la question pour tous les autres est simple. Dans votre plan, où est ce parcours ?

Le travail livré et la personne qui l’a fait

Une tâche confiée à une personne en formation produit deux choses. La première est le travail livré, qui a un client et une échéance. La seconde est ce que cette personne devient capable de faire, et celle-là n’a ni client ni échéance : elle n’existe que si quelqu’un décide d’y investir.

L’IA peut améliorer les deux. Elle peut aussi n’en améliorer qu’une, et ce n’est pas en regardant la livraison qu’on saura laquelle.

Une étude de Judy Hanwen Shen et Alex Tamkin, parue en janvier et présentée par Anthropic elle-même, aide à voir la différence. Cinquante-deux développeurs, pour la plupart en début de carrière, devaient travailler avec Trio, une bibliothèque Python qu’ils n’avaient jamais utilisée. Une partie pouvait se faire aider par un assistant, l’autre non. Au test de compréhension qui a suivi, le groupe assisté a obtenu en moyenne 50 %, le groupe sans IA 67 %, et l’écart le plus net portait sur les questions de débogage. Le gain de temps, lui, n’était pas statistiquement significatif. Il faut le lire pour ce que c’est : dix-sept points de compréhension en moins, mesurés juste après cette tâche, pas 17 % de compétences perdues. L’échantillon est petit, la tâche circonscrite, la mesure immédiate, et rien ne s’y dit sur des années de carrière ni sur des compétences déjà acquises. Les auteurs observent aussi que ceux qui se servaient de l’assistant pour se faire expliquer les choses, plutôt que pour se les faire livrer, s’en sortaient mieux. Mais personne n’avait été affecté au hasard à une façon de l’utiliser, et on n’en tire pas la recette « demandez des explications et le problème disparaît ».

Un autre travail va dans la direction opposée, et mérite la même place. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié l’arrivée d’un assistant dans un service client de 5 172 conseillers, dans un article paru en 2025 dans le Quarterly Journal of Economics. Le nombre de problèmes résolus par heure a augmenté d’environ 15 % en moyenne, et d’environ 30 % chez les moins expérimentés, tandis que l’effet était minime chez les plus chevronnés. En examinant les périodes où le système était en panne, les auteurs trouvent des signes compatibles avec un apprentissage qui persiste sans l’assistant. Ils préviennent que ces pannes sont rares et pas forcément aléatoires.

Mises côte à côte, les deux études ne disent pas que l’IA appauvrit ceux qui l’utilisent, ni qu’elle les forme. Elles disent qu’elle peut faire l’un comme l’autre, selon le travail et la manière de s’en servir. La question à poser à ceux qui dirigent n’est donc pas de savoir si l’IA rend les gens meilleurs. C’en est une autre : quand quelqu’un boucle plus de travail grâce à l’IA, sur quoi repose votre conviction qu’il est aussi devenu plus autonome ?

Un export qui dure quelques minutes

Voici un exemple inventé, mais banal. Une entreprise doit ajouter à son logiciel de gestion une fonction d’export de documents. La tâche revient à une personne arrivée récemment, qui la réalise avec un assistant. L’IA produit une solution, les tests prévus passent, un collègue expérimenté relit et valide. La tâche a été menée à bien.

Changeons maintenant de question. Un utilisateur lance un export qui prend quelques minutes. Entre-temps, on lui retire l’accès à ces documents. Le fichier doit-il quand même être généré et livré ?

Inutile que l’IA se soit trompée. Elle a peut-être parfaitement traité le cas. Ce que je voudrais savoir concerne la personne. Avait-elle vu le problème ? Saurait-elle dire quelle exigence devait être clarifiée, et avec qui ? Saurait-elle écrire un test capable de distinguer un comportement de l’autre ?

Dans une première organisation, le collègue expérimenté corrige ou valide, et tout le monde passe à la tâche suivante. Dans une seconde, avant de regarder la solution, la personne écrit ce qu’elle s’attend à voir se produire dans ce cas. Elle compare ensuite sa prévision avec le code, et le collègue reprend avec elle le point où son raisonnement était incomplet.

Les deux organisations peuvent livrer le même produit le même jour. Seule la seconde contient au moins une occasion explicite d’apprendre quelque chose, et même cela ne prouve pas que l’occasion a servi. Pour le savoir, il faudra revoir la même personne face à un cas différent, quelques semaines plus tard.

Dans cette histoire, il n’y a ni incident, ni débutant incapable, ni machine stupide. Le résultat est bon, et la question de la progression reste ouverte. Dans votre équipe, qui fait la différence entre les deux ?

Qui paie l’apprentissage

J’ai déjà écrit sur le paradoxe de l’apprentissage : l’automatisation risque de consumer le processus par lequel se transmet le jugement professionnel, et il vaut mieux le rendre intentionnel. Dans Mesurer ce qui reste rare, j’ai soutenu que la valeur se déplace vers le jugement et la vérification. Le reconnaître n’explique pas comment cette capacité se construit. Je voudrais descendre ici d’un niveau, de la culture professionnelle aux comptes d’une entreprise.

Imaginons une tâche économiquement utile, assez circonscrite pour être confiée à une personne inexpérimentée et assez intéressante pour lui apprendre quelque chose. Le client paie le résultat. L’entreprise se sert d’une partie de ce travail pour faire progresser quelqu’un, et absorbe le coût de l’encadrement. Ce n’est pas toujours rentable, mais au moins production et apprentissage figurent sur la même facture.

Si l’IA fait bien mieux la partie d’exécution, l’automatiser peut être raisonnable, et le dirigeant qui le décide prend peut-être une excellente décision de production. Reste à savoir comment financer l’expérience qui se construisait auparavant à l’intérieur de cette production. Dans ce genre de cas, la formation ne disparaît pas parce que quelqu’un la juge inutile. Elle disparaît parce que plus personne n’a de raison immédiate de la payer sous sa forme d’avant.

« Les gens doivent se mettre à jour » ne comble pas le trou. Se mettre à jour est une affaire individuelle. Pouvoir assumer des responsabilités de plus en plus larges au sein d’une organisation en est une autre, et cela dépend de la façon dont l’organisation répartit le travail.

Il en va de même pour une phrase qui revient dans bien des plans d’adoption : les juniors contrôleront ce que produit l’IA. Elle décrit une mission, elle n’explique pas comment on devient capable de la remplir. Quelle erreur cette personne devrait-elle repérer ? Sur quelles preuves peut-elle s’appuyer ? Que se passe-t-il quand la solution est formellement correcte, mais que le problème a été mal posé ? Je ne prétends pas que, pour évaluer une solution, il faille toujours savoir l’écrire de zéro : ce serait trop. Je dis qu’il faut savoir quelles compétences ce contrôle exige, puis vérifier que le travail quotidien les fait grandir. On n’apprend pas à superviser parce qu’on a été nommé superviseur.

Vient ensuite la pression de la livraison. Une entreprise peut inviter ses équipes à utiliser l’IA pour apprendre tout en ne les évaluant que sur le travail bouclé. Dans ces conditions, s’arrêter pour demander une explication, ou creuser une anomalie, devient un choix qu’on paie de sa poche. Celui qui délègue tout de suite finit avant, celui qui cherche à comprendre doit justifier le temps en plus. Inutile de traiter le premier de paresseux ou le second de vertueux. L’organisation rend un comportement rentable et en recommande un autre, et tant qu’elle n’intègre pas le coût de l’apprentissage dans les affectations, « utilisez l’IA avec discernement » reste un conseil sans les conditions pour le suivre.

La réponse la plus sérieuse à tout cela, c’est qu’on recrute les seniors sur le marché. Pour une entreprise donnée, elle est légitime. Toutes n’ont pas à former en interne chaque compétence, et une entreprise de dix personnes ne pourrait même pas essayer. Mais il faut l’appeler par son nom : une stratégie qui dépend de la disponibilité future de personnes formées par quelqu’un d’autre. Si tout le monde faisait de même, acheter de l’expérience ne suffirait pas à en produire. Pas besoin de prédire l’effondrement du marché du travail pour voir cette dépendance. Il suffit de l’écrire dans le plan, à côté des autres.

Il y a aussi l’objection la plus ancienne : si on les forme, ils partent. C’est vrai, le retour est incertain, et chacun a le droit de changer d’employeur. Mais la comparaison doit aller jusqu’au bout, entre le coût de faire grandir quelqu’un en interne et celui de dépendre de quelques personnes déjà expérimentées, qui peuvent partir elles aussi et coûtent plus cher. Entre les deux, il existe des voies intermédiaires, comme partager une partie de l’investissement avec des écoles, des universités ou d’autres entreprises.

Et si la vérification elle-même pouvait être automatisée ? Là où il existe des critères fiables, c’est une bonne idée, et je ne défends pas la relecture humaine de chaque ligne. Il reste à savoir qui décide que ces critères conviennent au cas, et qui s’aperçoit de l’exigence manquante. Si un jour cela aussi est bien automatisé, les compétences à former changeront encore. Je ne les déclare pas irremplaçables par principe.

Huit semaines pour savoir si quelqu’un apprend

Nous n’avons pas à conserver le chemin que nous avons suivi. Nous devons être capables d’expliquer pourquoi celui qui le remplace devrait fonctionner. Je ne demande pas de prouver qu’une technologie est inoffensive avant de l’utiliser. Je demande à ceux qui organisent le travail de mettre l’apprentissage parmi les résultats attendus, et de le contrôler.

L’objection la plus forte, à ce stade, est qu’un junior avec l’IA peut progresser plus vite. Peut-être. En retirant une partie du travail d’exécution, on pourrait amener plus tôt les débutants vers des problèmes qui comptent. Un assistant peut expliquer quand aucun collègue n’est disponible, et rendre accessible un échange qui dépendait autrefois de la chance de tomber sur un bon mentor. C’est justement l’une des possibilités à vérifier. Ce que je conteste, c’est l’équivalence, jamais démontrée, entre avoir accès à l’outil et grandir dans le métier.

La recherche en éducation suggère que la manière dont l’aide est construite compte beaucoup. Dans une expérience publiée en 2025 dans PNAS, Hamsa Bastani et ses collègues ont donné à près de mille lycéens turcs, en mathématiques, deux outils fondés sur GPT-4 : un assistant généraliste et un tuteur conçu pour ne pas livrer la réponse. Les deux amélioraient les résultats pendant les exercices. Une fois l’aide retirée, ceux qui avaient utilisé l’assistant généraliste faisaient moins bien que ceux qui n’avaient jamais rien eu, tandis que ceux qui avaient utilisé le tuteur se retrouvaient à peu près à égalité avec eux. Un lycée n’est pas une société de logiciels, et je ne transpose pas les chiffres. J’en retiens quelque chose de plus modeste : la façon dont nous organisons l’assistance change ce que les gens apprennent, et les résultats divergents de la littérature viennent en partie de là. L’apprentissage ne se déduit pas de l’adoption de l’outil. Il s’observe dans son propre contexte.

La proposition concrète est une expérience organisationnelle de huit semaines. La durée est un choix de conception, pas un chiffre tiré des études. Il ne s’agit pas de certifier de nouveaux seniors, mais de comprendre si une certaine façon de travailler construit une capacité que l’on a définie au préalable.

On choisit une responsabilité précise, par exemple juger si un contrôle d’accès est correct. On désigne une personne qui doit apprendre à l’exercer et un collègue capable d’examiner son raisonnement. Le temps du collègue est prévu dans l’affectation, au lieu d’être demandé comme un service entre deux urgences. La personne qui apprend n’est pas forcément jeune. Ce peut être un développeur avec quinze ans de métier qui n’a jamais travaillé sur les permissions et les rôles. Junior désigne ici une position face à un problème, pas un âge.

Au départ, on observe comment la personne aborde un cas représentatif. L’IA reste disponible, parce qu’elle fait partie du vrai travail. Avant de voir la solution, en revanche, la personne écrit une prévision : ce qui devrait se passer, et quelle preuve montrerait qu’elle se trompe. Les semaines suivantes alternent cas ordinaires et variantes, et le collègue ne se contente pas de valider le résultat. Il cherche le point à discuter. La question n’est pas de savoir si l’explication paraît convaincante, mais si elle mène à une vérification pertinente.

Vers la fin, on présente un cas nouveau, qui ne soit ni la copie d’un exercice déjà fait ni un quiz de mémoire. On observe si la personne reconnaît le problème sans qu’on le lui montre, et de combien d’aide elle a besoin pour arriver à une décision fondée. Une courte épreuve sans assistant peut aider à distinguer ce qui a été appris de ce qui reste délégué, à condition de ne pas devenir une interdiction générale. Le vrai travail se fait avec les outils, et il suppose aussi de savoir bien s’en servir.

L’expérience doit répondre à peu de questions. La personne trouve-t-elle seule, plus souvent qu’avant, les informations qui manquent ? Sait-elle construire un test qui met vraiment la solution à l’épreuve ? Reconnaît-elle le moment où il faut s’arrêter et faire appel à quelqu’un ? La capacité à ne pas valider compte aussi. Rendre quelqu’un plus sûr de lui sans le rendre plus lucide sur ses propres limites, c’est le pire résultat possible.

Tout cela a un coût, qu’il faut mesurer en même temps que les effets sur les livraisons. Si, au bout de huit semaines, aucune amélioration n’apparaît, on change de méthode. Ce n’est pas une pratique à défendre parce qu’elle serait « formatrice » par définition. Et il n’est pas nécessaire de se transformer en école : une seule responsabilité bien apprise vaut mieux qu’un programme générique de formation à l’IA.

Où avez-vous mis ce coût

Ne recruter que des personnes déjà expérimentées peut être un choix raisonnable. Cela revient à acheter, avec leur travail, le résultat d’un investissement que quelqu’un d’autre a fait avant nous. Il n’y a là rien de scandaleux. C’est pourtant autre chose que de croire que cette expérience se produit toute seule.

Et ce n’est pas un problème à reporter sur les salariés. Il serait incohérent de leur demander d’investir dans leur propre apprentissage pendant que l’organisation considère ce temps comme un détour par rapport à la livraison.

Si l’IA rend superflu le travail sur lequel nous apprenions, nous avons l’occasion de construire un meilleur parcours, et peut-être d’arriver plus tôt à une compétence plus utile. Pour le savoir, il faut le concevoir, et regarder ce qu’il laisse aux personnes au-delà du travail livré. L’ancien apprentissage sur le tas, nous pouvons l’abandonner sans regret. Ce qui le remplace, nous ne pouvons pas l’appeler formation sans vérifier que quelqu’un est en train d’apprendre.

Votre plan d’adoption prévoit qui contrôlera les machines. Où prévoit-il comment cette personne deviendra capable de le faire ?

L'auteur

Andrea MargiovanniIA

Je suis le rapport entre IA et régulation européenne comme un fait politique, pas comme un spectacle technique. Je travaille avec des équipes qui doivent la rendre compatible avec AI Act, CRA, NIS2 sans réduire la conformité à une liste à cocher.

Voir le parcours →