Dans beaucoup de métiers de bureau, la première année ressemblait à un long apprentissage qui ne disait pas son nom. Le débutant rédigeait les premières versions, résumait les réunions, cherchait les références, nettoyait les données, corrigeait les petits tickets. Personne n'appelait cela une formation. Le métier entrait pourtant par là.
Ces tâches sont aussi celles que l'IA générative fait vite et bien. Une étude du Stanford Digital Economy Lab, menée par Erik Brynjolfsson, professeur à l'université Stanford, avec Bharat Chandar et Ruyu Chen, en donne un signal. Dans sa version révisée du 12 août 2026, l'emploi des 22 à 25 ans dans les métiers les plus exposés à l'IA se situe 19 % sous le niveau qu'il aurait atteint en suivant celui de leurs pairs moins exposés. Les salariés expérimentés ne montrent pas d'écart comparable.
Ce chiffre mesure l'emploi. Il pose aussi une question de formation que chaque organisation peut se poser à son échelle. Si les tâches qui formaient les débutants passent à la machine, d'où viendront les experts dans dix ans ? Le chantier revient au manager, au tuteur et à la DRH. Il fait partie de la conduite du changement IA et de l'accompagnement des équipes dans l'adoption.
Comment apprend-on un métier quand on débute ?
En faisant, au bord du travail réel, bien avant qu'on vous l'enseigne. L'anthropologue Jean Lave et le théoricien de l'éducation Étienne Wenger ont posé cette thèse en 1991 dans Situated Learning. Ils l'appellent la participation périphérique légitime. Le nouveau venu prend part à la pratique d'une communauté de praticiens, à un degré limité et avec une responsabilité limitée sur le résultat, puis se déplace peu à peu vers la participation pleine.
Des tâches courtes, simples et en bout de chaîne
Lave et Wenger décrivent les tâches du débutant avec précision. Elles sont courtes et simples. Une erreur y coûte peu. L'apprenti ne porte pas la responsabilité de l'ensemble. Ces tâches se situent au bout des branches du processus de travail, loin du milieu où les segments s'enchaînent. L'apprentie sage-femme fait les courses. L'apprenti tailleur entretient la machine à coudre avant que le maître commence puis pose les finitions quand le pantalon est terminé.
Chez les tailleurs vai et gola du Liberia, terrain de Jean Lave, l'apprentissage remonte même la production à l'envers. L'apprenti commence par les finitions, apprend ensuite à coudre, puis seulement à couper. Cet ordre lui donne d'abord une vue d'ensemble du vêtement. Il lui fait comprendre chaque étape par la suivante et réduit le nombre d'échecs, surtout des échecs graves.
Peu d'enseignement, beaucoup d'accès
Sur les cinq terrains qu'ils analysent, les auteurs relèvent très peu d'enseignement observable. Le maître apporte surtout une légitimité. Elle ouvre au débutant l'accès aux anciens, aux informations et aux occasions de participer. Chez les tailleurs, les relations avec les autres apprentis et avec d'autres maîtres organisent même l'essentiel des occasions d'apprendre.
Ethan Mollick, professeur de management à la Wharton School, parle d'un système caché d'apprentissage par compagnonnage. Dans Co-Intelligence (2024), il rappelle que pour la plupart des métiers qualifiés, la sortie de l'école marque le début de la formation pratique et non sa fin. Des années de travail sur le terrain suivent. Personne ne les a conçues de façon centralisée, elles restent pourtant le lieu où l'on apprend le vrai travail.
Pourquoi l'IA atteint-elle d'abord les tâches d'apprentissage ?
Parce qu'elles se confondent avec les tâches qu'on lui délègue le plus volontiers. Courtes, simples, faciles à vérifier, placées en bout de chaîne, elles ont le profil que décrivent Lave et Wenger. Un premier jet de note, la synthèse d'une réunion, une recherche documentaire, un tableau à nettoyer, une fonction de code isolée. La machine les rend en quelques secondes, souvent mieux qu'un nouveau venu.
Mollick en tire la conséquence. Le responsable qui préférait déjà voir le travail fait vite plutôt que gérer les erreurs d'un débutant le fera désormais lui-même avec l'IA, souvent meilleure qu'un nouveau venu sur ces tâches. Il y voit le risque d'un écart de formation majeur.
Aucune décision unique ne retire ces tâches au débutant. Chacune se prend isolément, au nom de l'efficacité, dans une équipe qui a de bonnes raisons de vouloir aller vite. Le parcours d'apprentissage s'efface par addition de choix locaux raisonnables, sans que personne l'ait décidé.
Deux risques à ne pas confondre
L'expert qui délègue à l'IA risque de perdre la main sur un savoir-faire qu'il possédait. La dépendance à l'IA au travail érode ce savoir-faire chez ceux qui l'avaient acquis. Le débutant court un autre risque, celui de ne jamais l'acquérir. Le premier se traite par des exercices qui entretiennent la compétence. Le second demande de reconstruire un chemin d'apprentissage.
Que se passe-t-il quand le débutant ne fait plus que regarder ?
Il apprend moins, ou il apprend ailleurs, hors des voies prévues. Matthew Beane, professeur à l'université de Californie à Santa Barbara, l'a montré en chirurgie robotique. Son étude parue en 2019 dans Administrative Science Quarterly repose sur plus de deux ans d'observation d'interventions robotiques et classiques dans plusieurs hôpitaux américains, complétée par des entretiens avec des chirurgiens et des internes dans plus d'une douzaine d'autres établissements.
En chirurgie ouverte, l'interne apprend en participant de plus en plus, à côté du chirurgien qui le guide. Mollick résume la difficulté du robot dans Co-Intelligence. Un seul siège commande l'instrument et le chirurgien expérimenté l'occupe le plus souvent. Les internes regardent, obtiennent de brefs passages aux commandes ou s'entraînent sur simulateur. Beane montre que les voies d'apprentissage approuvées fonctionnaient en chirurgie ouverte et échouent avec le robot.
Une minorité d'internes parvient malgré tout à la compétence, par ce que Beane nomme l'apprentissage de l'ombre (shadow learning). Trois pratiques le caractérisent :
- une spécialisation précoce dans la technique robotique, au détriment de la formation généraliste ;
- une répétition abstraite avant et pendant les stages, quand la norme valorise une répétition concrète et fidèle au réel ;
- des efforts menés au bord de ses capacités avec peu de supervision, là où les règles en imposaient une.
Mollick ajoute que certains se formaient sur des vidéos YouTube ou s'entraînaient sur des patients réels plus qu'ils n'auraient probablement dû.
Le parallèle avec le bureau se passe de robot. Un débutant qui ne voit que des sorties d'IA relues par d'autres, ou qui apprend seul le soir avec un assistant conversationnel, vit une version douce de la même situation. L'apprentissage continue. Il se fait simplement hors du regard de ceux qui pourraient le corriger.
Le contre-exemple des bouchers
Lave et Wenger reprennent une ethnographie plus ancienne sur les bouchers de supermarché américains, le seul de leurs cinq terrains où l'apprentissage, souvent, ne fonctionne pas. Dans certains rayons, l'apprenti placé à la machine à emballer ne voyait pas les compagnons découper la viande. S'il s'en tirait bien, il y restait jusqu'à l'arrivée d'un autre apprenti, parfois des années. Les maîtres bouchers cantonnaient leurs apprentis à des postes écartés de l'activité plutôt que périphériques à celle-ci.
Cette scène date des années 1970. Elle décrit déjà un débutant fixé sur un poste utile à l'équipe et stérile pour son apprentissage. Le nouveau venu qui passerait ses journées à relire en bout de chaîne ce qu'une IA a produit, sans jamais voir comment l'expert raisonne, occuperait la même place.
Pourquoi faut-il encore former des experts si l'IA fait le travail ?
Parce que l'IA a besoin d'experts pour juger ce qu'elle produit. Mollick formule le paradoxe. Les experts deviennent les seuls à pouvoir vérifier efficacement le travail d'IA toujours plus capables, au moment où l'on risque d'interrompre la filière qui les fabrique. Selon lui, être utile dans un monde d'IA suppose un haut niveau d'expertise humaine.
Il appuie l'argument sur le fonctionnement de la mémoire. La mémoire de travail ne garde que trois à cinq éléments nouveaux, moins de trente secondes chacun. Ces limites disparaissent pour ce qui est déjà stocké en mémoire à long terme. Juger une réponse de l'IA suppose donc un stock de connaissances reliées entre elles, acquis par la pratique. Ce stock nourrit aussi la vérification. À l'ère de l'IA, vérifier coûte plus cher que produire. L'attention et le jugement se raréfient à mesure que la production s'automatise.
Plus performant ne veut pas dire plus compétent
L'IA relève d'abord les moins performants. Dans l'expérience que le Boston Consulting Group a conduite sur près de huit cents de ses consultants avec une équipe de chercheurs dont Mollick, l'écart de performance moyenne entre les meilleurs et les moins bons passait de 22 % à 4 % une fois les consultants équipés de GPT-4. Le résultat porte sur le livrable produit avec l'outil. Il ne dit rien de ce que le consultant sait faire sans lui.
Une autre expérience, menée par Fabrizio Dell'Acqua et rapportée par Mollick, va plus loin. Sur 181 recruteurs professionnels chargés d'évaluer des candidatures, ceux qui disposaient d'une IA de bonne qualité ont fait moins bien que ceux qui travaillaient avec une IA médiocre. Ils passaient moins de temps sur chaque dossier, suivaient les recommandations à l'aveugle et ne progressaient pas au fil du temps. Les autres restaient attentifs et critiques. Ils amélioraient leurs propres compétences. Pour un débutant, la leçon pèse lourd. Un outil trop bon trop tôt peut dispenser de l'effort qui fait apprendre.
| Source | Terrain | Ce qui est observé | Ce qu'on peut en tirer |
|---|---|---|---|
| Lave et Wenger, 1991 | Cinq ethnographies (sages-femmes, tailleurs, quartiers-maîtres, bouchers, Alcooliques anonymes). | Tâches du débutant courtes, simples, peu coûteuses en cas d'erreur, en bout de chaîne. Très peu d'enseignement observable. | Les tâches qui forment au métier ont le profil de celles qu'on délègue d'abord à l'IA. |
| Beane, 2019 | Chirurgie robotique, plus de deux ans d'observation, entretiens dans plus d'une douzaine d'établissements. | Les voies d'apprentissage approuvées échouent. Une minorité d'internes devient compétente par l'apprentissage de l'ombre. | Quand le débutant ne fait que regarder, l'apprentissage sort du regard des experts. |
| Recruteurs, Dell'Acqua, rapporté par Mollick, 2024 | 181 recruteurs professionnels, 44 candidatures. | Avec une IA de bonne qualité, moins bonne évaluation et aucune progression dans le temps. | Un outil trop bon peut dispenser de l'effort qui fait apprendre. |
| Boston Consulting Group, rapporté par Mollick, 2024 | Près de huit cents consultants, dix-huit tâches conçues par le cabinet. | Écart de performance moyenne entre meilleurs et moins bons ramené de 22 % à 4 % avec GPT-4. | La performance avec l'outil ne mesure pas la compétence sans lui. |
| Stanford Digital Economy Lab, 2026 | Données d'emploi, version révisée du 12 août 2026. | Emploi des 22 à 25 ans des métiers les plus exposés 19 % sous le niveau qu'il aurait atteint au rythme de leurs pairs moins exposés, surtout par moins d'embauches. | Moins de débutants entrent dans les métiers les plus exposés à l'IA. |
Comment redessiner le parcours d'un débutant à l'ère de l'IA ?
En traitant l'apprentissage comme un travail à concevoir, au même titre que le processus qu'on automatise. Erik Brynjolfsson l'avait relevé dès 2014 avec Andrew McAfee, chercheur au MIT, dans The Second Machine Age. Dans les secteurs étudiés, chaque dollar investi en informatique s'accompagnait souvent de plus de dix dollars d'investissements complémentaires en capital organisationnel, c'est-à-dire en formation, en recrutement et en refonte des processus. Les auteurs ajoutaient qu'une entreprise tire rarement un vrai gain d'une technologie quand elle se contente de goudronner les chemins tracés par les vaches. Le parcours du débutant fait partie de ce qui se redessine.
1. Repérer les tâches qui faisaient apprendre
Avant de confier une tâche à l'IA, demander qui l'apprenait en la faisant. Le cas des bouchers fournit quatre questions :
- Le débutant peut-il voir travailler les experts depuis sa place ?
- Ses tâches touchent-elles l'activité réelle ou l'en tiennent-elles à l'écart ?
- A-t-il une vue d'ensemble du métier ou seulement de son segment ?
- Reste-t-il sur un poste parce qu'il y est rentable ?
2. Garder des tâches d'apprentissage faites sans l'IA
Certaines tâches restent confiées au débutant, faites à la main, le temps qu'il en comprenne la logique. L'ordre des tailleurs donne un repère. On commence par ce qui se trouve en bout de chaîne, court et réparable, puis on remonte vers ce qui engage davantage. L'IA revient ensuite comme outil, quand le débutant sait juger ce qu'elle rend. Les deux façons de travailler avec l'IA que décrit Mollick, en centaure ou en cyborg, supposent ce jugement acquis.
3. Vérifier à deux
Quand le débutant relit une sortie de l'IA, un expert relit avec lui et dit à voix haute ce qu'il regarde, ce qu'il corrige, ce qui le fait douter. La vérification devient un moment d'apprentissage. Confiée au débutant seul, elle le ramène à la machine à emballer des bouchers.
4. Rendre visible le raisonnement de l'expert
Lave et Wenger parlent de la transparence des outils. Un outil transparent laisse voir la pratique dont il hérite. Une réponse d'IA livrée sans le raisonnement qui l'a validée reste opaque pour celui qui débute. Garder les traces du travail (la question posée, la version écartée, la raison de l'écart) lui ouvre un accès à la pratique des anciens.
5. Écrire la règle dans l'accord d'équipe
Ce qui est réservé à l'apprentissage s'écrit, faute de quoi la pression du délai le reprend. L'accord d'équipe avec l'IA dit ce que l'IA peut faire et ce que l'humain se réserve. Il peut porter une ligne de plus, les tâches que les débutants font eux-mêmes et la durée de cette réserve.
En revue de projet, ajouter une question à celles qu'on pose déjà. Qui a appris quelque chose en produisant ce livrable ? Si la réponse est personne, le temps gagné a été payé en compétence.
Quel rôle pour le manager, le tuteur et la DRH ?
Chacun tient une partie du parcours. Le manager arbitre le temps. Le tuteur ouvre l'accès à la pratique. La DRH dessine le chemin sur plusieurs années, à l'échelle des métiers.
Le manager, gardien du temps lent
Faire apprendre coûte du temps à court terme. Chez les bouchers, détourner un compagnon vers la formation augmentait le coût immédiat de la viande vendue, si bien que les apprentis apprenaient peu de tâches. L'IA rend cet arbitrage plus tentant encore. Il revient au manager d'accepter qu'une tâche soit faite plus lentement par un débutant quand la machine la ferait tout de suite. Il lui revient aussi de défendre ce choix devant ceux qui mesurent les délais.
Le tuteur, celui qui donne la légitimité
Pour Lave et Wenger, conférer la légitimité compte davantage que fournir un enseignement. Le tuteur présente le débutant, l'emmène dans les réunions où le travail se discute, le laisse prendre part aux conversations des anciens. Les pairs comptent autant. Les apprentis tailleurs apprenaient beaucoup des autres apprentis, leur propre maître restant trop distant et trop respecté pour des essais maladroits. Un binôme de débutants ou un groupe de codéveloppement ouvre cet espace entre pairs.
La DRH, architecte du parcours
La DRH peut repérer les métiers où les tâches d'apprentissage passent le plus vite à l'IA, prévoir des rotations qui donnent une vue d'ensemble et reconnaître dans les objectifs des experts le temps passé à transmettre. La formation à l'IA, devenue une obligation depuis février 2025, apprend à utiliser l'outil. Le parcours dont il est question ici apprend le métier que l'outil assiste. Les deux se complètent.
D'où je parle
Ma carrière a commencé en 1998, avec quatorze ans à manager des équipes. J'accompagne des équipes, des managers et des CODIR depuis 2012. Je forme des managers au Host Leadership depuis 2016 et je travaille le sujet de l'IA en organisation depuis fin 2024. Je défends les profils en T, une base large avec une vraie profondeur sur un domaine. Cette profondeur se construit par le travail lui-même, sur des années. Les tâches qui la construisaient méritent d'être choisies avant d'être déléguées.
Questions fréquentes
Une interdiction générale déplacerait l'apprentissage hors du regard des experts, comme l'apprentissage de l'ombre que Matthew Beane a observé chez les internes en chirurgie robotique. Mieux vaut décider tâche par tâche ce que le débutant fait seul, avec l'IA ou avec un expert, puis revoir ce partage à mesure qu'il progresse.
Il produit souvent mieux et plus vite. Dans l'expérience du Boston Consulting Group rapportée par Ethan Mollick, l'IA a surtout relevé les moins performants. Progresser dépend d'autre chose, l'effort qu'il garde. Dans une autre expérience, des recruteurs dotés d'une IA de bonne qualité n'ont pas progressé au fil du temps.
Des tâches réelles, courtes, réparables, placées en bout de chaîne et qui donnent à voir l'ensemble du travail. Les apprentis tailleurs décrits par Jean Lave commençaient par les finitions avant de coudre puis de couper. La liste se revoit à mesure que l'IA progresse et que le débutant gagne en autonomie.
Le tutorat suffit pour commencer. Un binôme entre un expert et un débutant, quelques tâches réservées, une relecture à deux à intervalle régulier. Lave et Wenger ont observé très peu d'enseignement formel sur leurs terrains. L'essentiel tient à l'accès que l'on donne au débutant.
Les deux, à des échelles différentes. Le manager décide chaque semaine des tâches confiées au débutant et du temps donné au tuteur. La DRH voit les métiers où les tâches d'apprentissage disparaissent le plus vite et construit les parcours sur plusieurs années.
Demandez aux plus expérimentés de lister les tâches qui leur ont appris le métier, puis cherchez qui les fait aujourd'hui, un débutant, un expert ou une IA. L'écart entre les deux listes montre où le parcours s'est effacé. Pour lire ce relevé ensemble sur votre contexte, réservons un échange de 30 minutes.
Vos débutants apprennent-ils encore le métier ?
Que vous soyez dirigeant, manager ou DRH, un premier échange permet de repérer les tâches qui formaient vos débutants avant de décider lesquelles confier à l'IA.
Réserver un échange découverte (30 min)Allez plus loin
- Situated Learning, Legitimate Peripheral Participation La participation périphérique légitime, cinq terrains d'apprentissage d'un métier et le contre-exemple des bouchers, où l'apprenti est tenu à l'écart de l'activité. Voir le livre →
- Co-Intelligence Un chapitre sur la crise de l'apprentissage par compagnonnage, la pratique délibérée et le besoin d'experts humains pour vérifier l'IA. Voir le livre →
- Le deuxième âge de la machine L'investissement organisationnel qui accompagne toute technologie, formation et refonte des processus comprises. Voir le livre →
Liens affiliés
