Apprendre à l'ère de l'IA, pourquoi la démo ne suffit pas

Une formation à l'IA peut tenir tout entière dans une démonstration. Le formateur partage son écran, obtient une synthèse en quelques secondes, reformule un courriel, génère un plan d'action. Les participants repartent en ayant vu ce que l'outil sait faire, sans l'avoir fait eux-mêmes.

Stanislas Dehaene, neuroscientifique, professeur au Collège de France, a écrit une phrase qui s'applique à ce scénario. Dans Apprendre ! Les talents du cerveau, le défi des machines (Odile Jacob, 2018), il pose qu'« un organisme passif n'apprend pratiquement rien ». Son livre décrit ce qui fait apprendre un cerveau humain. Son premier quart compare cet apprentissage à celui des machines. Il se relit donc avec profit au moment où les équipes apprennent à travailler avec l'IA.

Cet article applique ses quatre piliers à la montée en compétence sur l'IA. Les piliers eux-mêmes, les neuromythes et les techniques de révision sont détaillés dans l'article sur ce que la science établit sur l'apprentissage et le cerveau. La perte d'un savoir-faire déjà acquis quand l'outil travaille à la place de l'équipe relève d'un autre mécanisme, suivi dans l'article sur la dépendance à l'IA au travail et le savoir-faire qui s'érode.

Que dit Stanislas Dehaene de l'apprentissage humain face aux machines ?

Il le décrit comme plus rapide et bien plus économe en données que celui des réseaux de neurones de 2018. Les deux premiers chapitres d'Apprendre ! exposent l'apprentissage des machines. Dehaene y dresse ensuite une liste « sans doute incomplète » des fonctions que possède même un très jeune enfant et qui mettent en échec la plupart des réseaux de son époque.

La vitesse et l'économie de données

Ses chiffres portent d'abord sur la vitesse. Il a fallu 900 heures de jeu au réseau conçu par DeepMind pour atteindre un niveau raisonnable sur une console Atari, un niveau qu'un humain atteint en 2 heures. Sur le langage, Dehaene rapporte que les enfants chimane, en Amazonie bolivienne, n'entendent que 60 heures de parole par an et deviennent pourtant d'excellents locuteurs. Les meilleurs systèmes d'Apple, de Baidu ou de Google demandaient selon lui entre vingt et mille fois plus de données.

Apprendre revient à relier

Dehaene relève aussi que nous apprenons parfois en un seul essai. Un verbe inventé, « daxer », entendu une fois, se conjugue aussitôt et entre dans d'autres phrases. Il en tire une définition, « apprendre, c'est parvenir à insérer des connaissances nouvelles au sein d'un réseau existant ». Les réseaux de neurones qu'il décrit savaient stocker un épisode sans l'intégrer ainsi. Ils peinaient aussi à recombiner ce qu'ils avaient appris pour résoudre un problème nouveau.

Une comparaison datée, une description durable

Le livre précède la diffusion grand public des grands modèles de langage. Ses chiffres décrivent les systèmes de l'époque et ne permettent aucune conclusion sur les modèles apparus depuis. Sa description de l'apprenant humain ne dépend pas de ces comparaisons. Dehaene présente ses quatre piliers comme universels et précise qu'ils valent pour le « bébé, enfant ou adulte, quel que soit notre âge ».

Pour une équipe, cette partie du livre rappelle une force plutôt qu'une faiblesse. Un collaborateur qui saisit une règle à partir de deux ou trois cas bien choisis n'a pas besoin de cent démonstrations. Cette capacité à généraliser vite mérite d'être entretenue par la formation au lieu d'être remplacée par l'outil.

Sur quoi porter son attention quand on apprend l'IA ?

Sur le niveau que le formateur désigne, faute de quoi chacun regarde ailleurs sans le savoir. L'attention décide de ce qui sera appris. Dehaene en donne une démonstration conduite sur des adultes, une expérience de l'équipe de Bruce McCandliss.

Choisir le niveau qu'on fait regarder

Les volontaires apprennent un système d'écriture inventé, fait de courbes entremêlées. La moitié reçoit la consigne de regarder chaque courbe comme un tout. L'autre moitié apprend que chaque mot est formé de trois lettres superposées. Les deux groupes mémorisent les seize mots appris. Seul le second lit ensuite des mots nouveaux, 78 % d'entre eux, quand le premier n'en lit aucun. Dehaene en conclut que bien enseigner consiste d'abord à « choisir avec soin le niveau auquel on souhaite que l'enfant fasse attention ». Il écrit pour l'école, alors même que l'expérience portait sur des adultes.

Devant un outil d'IA, le niveau qui attire le regard est le résultat, un texte bien tourné livré en quelques secondes. Le niveau qui fait apprendre peut se trouver ailleurs, dans la consigne donnée à l'outil, dans les sources que la réponse invoque ou dans l'écart entre cette réponse et ce que l'équipe sait du dossier. Quand l'IA produit à volonté, l'attention et le jugement deviennent la ressource rare. Apprendre à placer son attention au bon endroit fait partie de la compétence elle-même.

Une seule chose à la fois

Le cerveau conscient traite une opération après l'autre. Dehaene parle d'un goulot d'étranglement central et l'applique explicitement à l'adulte, « on ne peut pas exiger d'un enfant ou d'un adulte qu'il apprenne simultanément deux choses à la fois ». Une séquence où l'on explique une règle pendant que les participants manipulent l'outil leur impose cette double tâche.

L'expert oublie ce qu'il ne voyait pas

Dehaene tire de l'expérience du gorille invisible une leçon pour tous ceux qui enseignent, « quand nous enseignons, nous avons tendance à oublier ce que c'est que d'être ignorant ». Elle vaut pour le collègue le plus à l'aise avec l'outil quand il forme les autres. Ce qu'il repère d'un coup d'œil dans une réponse de l'IA, un débutant ne le voit pas tant qu'on ne lui a pas dit où regarder.

Pourquoi une démonstration de l'IA ne fait-elle pas apprendre ?

Parce que le spectateur d'une démonstration reste passif. Pour Dehaene, « un étudiant passif ou, pire, distrait, ne profite en rien d'une séance d'apprentissage, car son cerveau ne met pas à jour ses modèles mentaux du monde ». L'engagement actif est son deuxième pilier.

Actif ne veut pas dire animé

Dehaene raconte avoir visité un centre de formation dont le directeur avait équipé les pupitres de pédaliers pour appliquer ses idées. Sa réponse est nette. « Actif ne veut pas dire que l'organisme doit bouger. » L'engagement actif fait selon lui son œuvre dans la tête et non dans les pieds. Un atelier très animé peut donc laisser ses participants passifs, s'ils regardent plus qu'ils ne produisent.

La preuve la plus directe porte sur la profondeur de traitement. Des étudiants jugent soixante mots, les uns sur leur graphie, d'autres sur leur rime, les derniers sur leur sens. Au test de mémoire surprise, ceux qui ont traité le sens retrouvent 75 % des mots, contre 52 % pour la rime et 33 % pour la graphie. La revue de plus de deux cents études citée plus haut pointe dans la même direction. Elle retient les activités pratiques, les discussions où chacun prend part, le travail en petits groupes et l'exposé interrompu par des questions difficiles laissées longtemps en suspens.

Une formation à l'IA bâtie sur la seule démonstration montre l'outil sans apprendre à s'en servir. Il faut que chaque participant rédige ses propres consignes, sur des cas tirés de son travail, se trompe puis recommence.

Tout montrer éteint l'exploration

Une expérience rapportée par Dehaene porte sur un jouet fait de tubes qui cache un miroir, un klaxon, une lumière et une boîte à musique. Laissés seuls, les enfants fouillent partout. Quand l'adulte leur montre une fonction en disant que le jouet « fait ça », l'exploration diminue fortement. Les enfants supposent qu'on leur a tout montré. Le résultat concerne des élèves de maternelle et sa transposition à des adultes reste une hypothèse. Elle invite pourtant à se méfier du tour complet des fonctions de l'outil. Dehaene recommande un enseignement structuré qui laisse entendre à l'élève qu'il lui reste « mille choses à découvrir ».

Faut-il laisser chacun découvrir l'IA par lui-même ?

Non. Dehaene sépare nettement l'engagement actif des pédagogies de la découverte. Il en juge la plus-value « proche de zéro ». Il cite des échecs en lecture, en mathématiques et en informatique, où les enfants laissés seuls face au langage Logo ne dépassaient pas de petits programmes simples.

L'illusion de maîtrise

Dehaene livre sa propre histoire. Il a appris à programmer sans professeur à partir de quinze ans, en dévorant revues et manuels, jusqu'à devenir un programmeur « raisonnablement efficace ». Entré à l'université en maîtrise d'informatique, il a pris conscience de ses lacunes. Il en tire le reproche principal qu'il adresse à la découverte sans guide. Elle « laisse l'étudiant dans l'illusion qu'il maîtrise son sujet, sans jamais lui donner les moyens d'accéder aux concepts profonds de sa discipline ».

Le parallèle avec l'IA se voit sans peine. Un collaborateur qui obtient des réponses utiles en tâtonnant peut se croire formé sans savoir pourquoi une consigne marche ni où l'outil se trompe.

Actif et guidé

Le format que Dehaene défend associe les deux. L'élève est actif, l'enseignant le guide de près, avec une progression qui commence par les fondamentaux et vérifie leur maîtrise. Il cite les écoles Montessori actuelles, où chaque activité fait l'objet d'une démonstration précise avant d'être réalisée en autonomie. Transposé à l'IA, l'ordre devient simple. Le formateur montre une façon de faire sur un cas, chacun la reprend sur les siens, puis un retour tombe.

Dehaene classe aussi parmi les mythes éducatifs l'idée de « digital natives » pour qui l'informatique n'aurait plus de secret. Leur connaissance de la technologie est selon lui « souvent superficielle ». Il parle d'enfants et d'adolescents. L'argument invite au moins à ne pas confondre l'aisance d'un jeune collaborateur avec un outil et sa compréhension de cet outil.

Comment l'erreur fait-elle apprendre à travailler avec l'IA ?

En signalant au cerveau l'écart entre ce qu'il prévoyait et ce qui arrive, à condition que ce retour soit rapide, précis et dépourvu de sanction. Le retour sur erreur est le troisième pilier de Dehaene. Il rappelle qu'on ne punit pas un réseau de neurones artificiel. On l'informe de l'endroit où il s'est trompé. Pour l'élève, Dehaene résume la règle d'une formule, « corriger n'est pas punir ».

Prédire avant de voir la réponse

Le meilleur retour suppose une prédiction préalable. Dehaene cite les expériences de l'équipe de Henry Roediger. À temps d'étude égal, les apprenants qui alternent étude et tests retiennent mieux une liste de mots 48 heures plus tard que ceux qui ont tout consacré à l'étude. Ni les étudiants ni leurs professeurs n'en ont conscience. Interrogés, ils prédisent l'inverse.

Une séquence de formation à l'IA peut suivre la même logique. Chaque participant écrit ce qu'il attend de l'outil sur un cas, puis compare la réponse obtenue à sa prévision et à l'avis d'un connaisseur du métier. L'écart devient la matière du retour. Ce mécanisme rejoint le feedback pensé comme une boucle et non comme un entretien.

Un retour qui ne sanctionne pas

Dehaene reproche à la note sèche d'être imprécise, souvent différée de plusieurs semaines et trop souvent employée comme une sanction. Il lui oppose le jeu vidéo, avec ses premiers niveaux faciles, son mélange du facile et du difficile et le droit de rejouer le même niveau autant que nécessaire. Il rappelle aussi que le stress et l'anxiété nuisent à la faculté d'apprendre. Un atelier où se tromper devant l'outil expose le participant au jugement de ses collègues risque de se priver de ce pilier.

Le retour sert même quand la réponse est juste. Dehaene l'explique ainsi, « l'incertitude agit comme une erreur virtuelle que nous aurions pu commettre et dont nous pouvons donc apprendre ». Refaire un exercice déjà réussi garde donc un intérêt tant que le participant n'était pas sûr de lui.

Comment une compétence IA tient-elle après la formation ?

Par des reprises espacées, puis par une pratique répétée jusqu'à l'automatisme. Dehaene appelle consolidation ce passage d'un traitement lent, conscient et coûteux à un fonctionnement rapide et automatique. Il écrit que « seule l'automatisation libère le cortex préfrontal » et le rend disponible pour d'autres activités.

Espacer et mélanger

Dehaene s'appuie ici sur les travaux de Hal Pashler et de ses collègues. L'intervalle optimal entre deux révisions dépend de la durée pendant laquelle on veut retenir. Une seule répétition d'une leçon, quelques semaines après la première, multiplie par trois ce qu'on parvient à rappeler quelques mois plus tard. Parmi les enseignements que Pashler en tire, Dehaene rapporte aussi qu'il vaut mieux mêler les exercices au lieu de les cantonner à ce qui vient d'être vu. Les cartes de révision qu'il décrit relèvent des techniques de mémorisation qui marchent.

Pour une compétence IA, cela plaide pour des reprises courtes planifiées sur plusieurs semaines, avec des cas variés tirés du travail réel. Une journée unique concentre tout au même moment et ne prévoit rien contre l'oubli.

Quand l'outil fait l'exercice à la place de l'apprenant

Le livre ne traite pas de l'IA générative. Ses principes posent pourtant une question à toute équipe qui apprend avec l'IA. Que reste-t-il des quatre piliers si l'outil rédige la synthèse qu'un nouvel arrivant devait apprendre à rédiger ? Si l'attention se porte sur le résultat et si l'engagement se réduit à une relecture, l'erreur n'a pas lieu et rien ne se consolide. La question diffère de l'érosion d'un savoir-faire déjà acquis. Elle concerne un apprentissage qui risque de ne jamais commencer.

Comment passer une formation à l'IA au crible des quatre piliers ?

En posant quatre questions à chaque séquence avant de la valider, comme à chaque usage de l'IA qu'une équipe adopte pour apprendre. Elles reviennent toutes à savoir qui fait le travail d'apprendre, l'apprenant ou l'outil. Dehaene prévient « qu'un seul de ces piliers chancelle et c'est l'ensemble de l'édifice qui vacille ». Une séquence qui n'en active qu'un laisse peu de traces.

1. Attention. Avant de lancer l'outil, a-t-on dit à l'apprenant de regarder la consigne, les sources invoquées et l'écart avec ce qu'il sait du dossier plutôt que le seul texte livré ?
2. Engagement actif. Qui fait le geste à apprendre, l'apprenant ou l'outil ? Une séquence où l'IA rédige ce qu'il devait apprendre à rédiger montre l'outil sans former la personne.
3. Retour sur erreur. L'apprenant a-t-il écrit ce qu'il attendait de l'outil avant de lire sa réponse et un connaisseur du métier lui montre-t-il vite où elle s'écarte ?
4. Consolidation. Quand refera-t-il ce geste lui-même, sur quels autres cas réels et à quel intervalle ?

Pour concevoir un parcours de montée en compétence en général, l'article sur l'apprentissage et le cerveau propose cinq principes de conception tirés des mêmes piliers. Ces quatre questions servent à autre chose, juger une séquence où l'IA est à la fois ce qu'on apprend et ce qui peut faire le travail à la place de l'équipe.

Ce que la loi demande et ce qu'elle laisse ouvert

Depuis sa réécriture par le règlement (UE) 2026/1744, l'article 4 du règlement européen sur l'IA demande aux fournisseurs et aux déployeurs de prendre des mesures pour « favoriser le développement de la maîtrise de l'IA » de leur personnel, en tenant compte notamment de ses connaissances techniques et de son expérience. Le périmètre et les attentes réelles de ce texte sont détaillés dans l'article sur l'obligation de former à l'IA. Il fixe un objectif. La manière dont un adulte apprend reste à la charge de ceux qui conçoivent la formation.

D'où je parle

Depuis 2012, j'accompagne des équipes, des managers et des CODIR et je pratique la facilitation, dans une carrière commencée en 1998 dont quatorze ans à manager des équipes. Je travaille le sujet de l'IA en organisation depuis fin 2024. J'ai cadré une expérience IA avec un Product Owner sur une semaine, en revisitant un design sprint. Le gain a porté sur le temps de traitement (synthèse d'entretiens, personae, product vision board), pas sur la stratégie produit, restée entièrement humaine.

Dans la prochaine session prévue pour votre équipe, quelle part du temps appartiendra aux participants ?