Former à l’IA : comment savoir si le travail change vraiment ?

Par Pascal Chevallot
27 août 2026

À la fin d’une formation à l’intelligence artificielle, la salle peut être satisfaite, les exercices réussis et les participants rassurés. Rien de tout cela ne prouve encore que le travail a changé. Pour une DRH, un manager ou une direction générale, l’enjeu commence après la formation : observer si une pratique utile, sûre et soutenable s’installe dans des situations réelles.

Quand j’anime une journée de formation, je peux voir si les participants se saisissent des exercices, si les questions deviennent plus précises, si certaines craintes se déplacent. Je peux évaluer une acquisition immédiate. En revanche, sans retour organisé quelques semaines plus tard, je ne peux pas affirmer que les agents ont mieux travaillé, gagné du temps ou réduit les erreurs. Ce serait confondre une expérience pédagogique avec un résultat professionnel.

Cette limite a pris une forme très concrète dans le programme engagé avec le SE60 (le post du SE60). L’établissement a présenté publiquement les trois jours de travail avec son comité de direction comme une première étape, appelée à se prolonger par des sessions adaptées aux besoins, aux usages et aux métiers. Sa directrice générale, Sabine Blanchard (le post de Sabine Blanchard), a relié cette démarche à la construction d’un « cadre de fonctionnement robuste », porté par un collectif « soudé et outillé ». Ces prises de parole établissent un cap, une pertinence perçue et une suite décidée. Elles ne prouvent pas encore que les pratiques ont durablement changé. C’est précisément ce que le retour à distance devra permettre d’observer.

Cette distinction devient urgente. Depuis le 27 juillet 2026, la nouvelle rédaction de l’article 4 du règlement européen sur l’intelligence artificielle demande aux fournisseurs et aux déployeurs de prendre des mesures pour favoriser le développement de la maîtrise de l’IA. Elle précise que l’organisation n’est pas tenue de garantir un niveau individuel déterminé. Le cadre est donc contextualisé : les connaissances, l’expérience, la formation et les conditions d’usage comptent. Mais cette obligation ne démontre ni le transfert dans le travail, ni un gain opérationnel.

Ce que la fin de session permet réellement de dire

Un questionnaire de satisfaction garde son utilité. Il révèle une consigne incompréhensible, un rythme mal ajusté, un cas trop éloigné du métier ou un sentiment d’insécurité. Un exercice final peut montrer qu’une personne sait repérer une donnée sensible, contrôler une réponse ou choisir de ne pas utiliser l’IA.

Ces éléments décrivent la formation. Le transfert désigne autre chose : la généralisation des acquis aux situations de travail et leur maintien dans le temps. La méta-analyse de Blume et ses coauteurs, fondée sur 89 études, relie notamment ce transfert à la motivation et à un environnement professionnel soutenant. Elle avertit aussi que des mesures produites par la même source dans le même contexte peuvent gonfler les relations observées. Demander aux seuls participants s’ils pensent mieux travailler est donc une information, pas une preuve suffisante.

Un agent peut avoir appris et ne jamais disposer d’une situation appropriée pour appliquer. Il peut aussi être empêché par l’absence d’outil validé, des données inaccessibles, un processus inchangé, le manque de temps ou une consigne managériale ambiguë. À l’inverse, un taux d’usage élevé n’est pas nécessairement un succès : utiliser l’IA sur une tâche sensible ou hors de son domaine de fiabilité peut dégrader le service.

Dessiner la preuve avant de construire la formation

L’unité utile n’est ni l’intitulé du métier ni l’agent considéré isolément. C’est une situation de travail précise, portée par un collectif et suffisamment fréquente pour être observée. Elle doit aussi rester assez limitée pour que le suivi ne devienne pas une surveillance. Par exemple : préparer une première synthèse à partir de documents publics, puis la soumettre au circuit de validation habituel.

Une fiche de transfert tient en six éléments :

  1. La situation de départ. Quelle tâche pose problème, pour qui et avec quelles conséquences ?
  2. La référence. Sur quelques cas comparables, quels sont aujourd’hui le temps consacré, les corrections nécessaires, les erreurs critiques et les points de vigilance ?
  3. Le geste visé. Que devra savoir faire l’agent : cadrer la demande, sélectionner les données, vérifier, citer, corriger, refuser ou signaler ?
  4. L’occasion d’usage. Dans quel délai une situation réelle se présentera-t-elle, avec quel outil autorisé, quel temps disponible et quel appui de proximité ?
  5. Les traces proportionnées. Une production anonymisée ou fictive, une grille de contrôle et un bref retour réflexif suffisent souvent. Il n’est pas nécessaire de mesurer individuellement chaque geste en continu.
  6. La décision. À trente ou soixante jours, poursuit-on, corrige-t-on la formation, modifie-t-on l’organisation ou arrête-t-on l’usage ?

Deux questions complètent ce suivi. La pratique assistée laisse-t-elle encore l’agent exercer les gestes qui construisent son expertise ? Et produit-elle une compréhension partageable par le collectif ? Une production plus rapide peut constituer un mauvais résultat si elle affaiblit progressivement la capacité à comprendre, vérifier, transmettre ou reprendre le travail sans l’outil.

Cette séquence reprend une intuition présente dans le cadre français de l’action de formation en situation de travail : une mise en situation ne produit pas seule l’apprentissage ; elle doit être accompagnée de phases réflexives distinctes. Les standards de qualité du CDC pour la formation recommandent également d’aligner les évaluations sur les objectifs, d’observer la pratique lorsque c’est pertinent et d’évaluer à distance, après que les personnes ont eu le temps d’appliquer.

La sortie attendue n’est pas un tableau de productivité individuelle. C’est une décision collective documentée : la pratique visée apparaît-elle dans les bons cas ? La qualité reste-t-elle acceptable ? Les erreurs critiques sont-elles mieux détectées ? Les agents savent-ils quand s’arrêter et demander une validation ? Les effets sur le temps, la charge cognitive, l’autonomie et la coopération se compensent-ils correctement ? L’unité de lecture reste le collectif de travail : il s’agit de comprendre les conditions d’une pratique, non de classer les agents.

Le non-usage peut être un résultat

Il faut suivre les occasions éligibles, pas seulement compter les connexions à un outil. Un agent qui renonce à utiliser l’IA parce que les données sont confidentielles, que la source ne peut pas être vérifiée ou qu’un formulaire classique est plus simple manifeste parfois une meilleure maîtrise qu’un utilisateur assidu.

Le diagnostic peut aussi conduire à une conclusion moins confortable : la formation n’était pas la réponse principale. Une chaîne de validation trop longue, une base documentaire obsolète, des droits d’accès incohérents ou un objectif métier indécis ne se réparent pas avec davantage de prompts. La réponse peut être un processus simplifié, des données remises en qualité, un outil mieux paramétré, une décision managériale, voire aucune IA.

Il arrive aussi qu’une collectivité demande de l’IA alors que les échanges préparatoires, puis le travail en session, font apparaître un besoin antérieur. Il faut d’abord monter en compétence et s’outiller en méthodes de gestion de projet : nommer le problème, attribuer les responsabilités, choisir les données utiles et décider comment le résultat sera jugé. Vient ensuite l’informatique décisionnelle, ou BI : consolider les données, construire des indicateurs et disposer d’outils analytiques qui éclairent réellement la décision. Une ou plusieurs briques d’IA générative peuvent alors trouver leur place. Elles interviennent sur ce socle ; elles ne devraient pas avoir à le remplacer.

Pour éviter ce piège, la DRH ne peut pas porter seule l’évaluation. Le métier décrit la qualité attendue ; le manager ouvre les occasions d’usage et le droit au retour d’expérience ; la DSI sécurise l’accès et les outils ; les fonctions juridique, données ou sécurité interviennent selon le risque ; la direction générale arbitre ce qui mérite d’être poursuivi. Le participant, enfin, doit pouvoir signaler qu’un usage ne fonctionne pas sans que ce constat soit interprété comme un échec personnel.

Une formation à l’IA réussie n’a donc pas pour premier résultat de rendre l’IA omniprésente. Elle rend l’organisation plus capable de distinguer un usage utile d’un usage fragile, de vérifier ce qui change vraiment et de renoncer lorsque les conditions ne sont pas réunies.

Cette mesure du travail réel prolonge notre réflexion sur la charte IA et le registre des décisions : la formation développe des capacités ; l’observation du transfert permet ensuite de réviser les règles, les outils et les choix d’usage.

Sources

Comment cet article a été produit

Cet article a été préparé avec l’appui d’un harnais de production : modèles sélectionnés, instructions explicites, fichiers de travail versionnés, recherche et vérification des sources, relectures contradictoires et arbitrage humain. Ce dispositif a aidé à explorer, rédiger et contrôler ; il n’a fixé ni l’angle ni la décision de publier. Pascal Chevallot vérifie les sources, arbitre le texte et assume la responsabilité de l’article.

Nous ne pourrions pas vous former à travailler avec ces systèmes de manière crédible sans les éprouver nous-mêmes, avec méthode et esprit critique. Le harnais décrit ici ne constitue donc pas une mention de transparence ajoutée après coup : il fait partie de notre manière de travailler, d’en vérifier les limites et de faire évoluer nos formations.

Vous souhaitez construire cette capacité dans votre organisation ? Contactez-nous.

Toutes nos actualités