Pendant longtemps, une entreprise savait à peu près où se trouvait son expertise. Elle résidait dans l’expérience de ses collaborateurs, dans les pratiques des équipes, dans les méthodes accumulées au fil des années et, souvent, dans une multitude de savoir-faire que personne n’avait véritablement pris le temps de formaliser. Certains étaient documentés, beaucoup ne l’étaient pas. On savait simplement que telle personne connaissait parfaitement un client, qu’un technicien expérimenté identifiait une anomalie en quelques minutes ou qu’un recruteur reconnaissait rapidement les signaux faibles d’une candidature.

L’intelligence artificielle est en train de modifier cet équilibre. Un collaborateur peut aujourd’hui réaliser avec une IA une tâche qu’il n’aurait pas su accomplir seul. Un développeur peut intervenir sur un langage qu’il maîtrise imparfaitement. Un technicien peut traiter un problème qui aurait autrefois nécessité l’intervention d’un collègue plus expérimenté. Un consultant peut explorer un domaine situé en dehors de son expertise initiale. Au fil de mes entretiens avec des entrepreneurs, j’en suis venue à me demander ce que cette évolution change réellement dans la construction du savoir de l’entreprise. Lorsqu’un collaborateur devient capable de faire davantage grâce à l’IA, a-t-il développé une nouvelle compétence ou dispose-t-il simplement d’une capacité supplémentaire tant que l’outil reste à ses côtés ?

Une étude publiée le 26 octobre 2026 dans Nature Human Behaviour apporte un éclairage intéressant. Les chercheurs ont conduit une expérience randomisée auprès de 487 consultants en management confrontés à des tâches de data science situées en dehors de leur domaine de compétence. Une partie des participants disposait de ChatGPT et avait été formée à son utilisation. Leurs performances se sont améliorées sur les trois tâches proposées. Mais lorsque leurs connaissances techniques ont ensuite été évaluées sans ChatGPT, les chercheurs n’ont pas trouvé de preuve montrant que les participants assistés avaient davantage acquis les connaissances sous-jacentes. Les auteurs parlent de temporary upskilling.

Il faut être prudent avec ce résultat. Une expérimentation portant sur des consultants et des tâches spécifiques de data science ne permet évidemment pas de conclure que l’IA empêche d’apprendre. Elle met cependant en évidence une distinction que les entreprises devraient probablement regarder de plus près : être capable de faire davantage avec l’IA ne signifie pas nécessairement avoir appris à faire davantage.

Ce que la productivité ne mesure pas

Toutes les technologies ont déplacé des compétences. Nous ne calculons plus comme avant la calculatrice et nous ne recherchons plus l’information comme avant les moteurs de recherche. Mais l’IA générative intervient dans des activités qui participaient directement à la construction de nombreuses expertises : chercher, comparer, synthétiser, rédiger, programmer, analyser, argumenter ou diagnostiquer.

Prenons le cas d’un consultant junior. Une partie de son apprentissage reposait traditionnellement sur des tâches assez ordinaires : rechercher des informations, construire des tableaux, préparer une première analyse, se tromper, recommencer puis confronter son raisonnement à celui d’un manager plus expérimenté. Ces tâches produisaient quelque chose d’utile pour l’entreprise, mais elles avaient une autre fonction, beaucoup moins visible dans les indicateurs de performance : elles fabriquaient progressivement de l’expérience.

Lorsque l’IA réalise désormais une première analyse en quelques minutes, le gain de temps se mesure facilement. Ce que l’on mesure moins bien, c’est ce qui s’est passé pendant ces quelques minutes du côté de l’apprentissage.

J’avais rencontré ce sujet, sous une forme très concrète, lors de mon entretien EntrepreneurIA avec Olivier Havette, fondateur de LENET. Dans son entreprise de services informatiques, l’IA intervient dans le traitement des tickets en proposant aux techniciens des pistes de résolution et des éléments à vérifier. Olivier Havette expliquait que cette assistance permet notamment à des techniciens moins expérimentés de prendre en charge des problèmes plus complexes. L’entreprise raccourcit certains délais et peut consacrer davantage de temps au conseil. Dans le même entretien, il insistait pourtant sur la nécessité de conserver l’expertise humaine indispensable à ces missions de conseil et de personnalisation.

C’est ce décalage qui m’intéresse. Le technicien peut résoudre un problème plus complexe. Cela ne nous dit pas encore ce qu’il a appris en le résolvant. Peut-être apprend-il plus vite parce qu’il est confronté plus tôt à des situations difficiles. Peut-être s’appuie-t-il au contraire sur la recommandation sans construire la même compréhension du problème. Les deux scénarios sont plausibles. Pour le savoir, il faudrait l’observer dans le temps.

Or nous disposons de nombreux indicateurs pour mesurer le nombre de tickets résolus, les délais, les coûts ou la satisfaction du client. Nous en avons beaucoup moins pour savoir ce qui a été appris pendant l’exécution du travail.

Le savoir peut aussi changer de place

Parler uniquement de perte de compétences serait néanmoins réducteur. Ce n’est pas ce que montrent les recherches actuelles et ce n’est pas non plus ce que racontent les entreprises que j’ai interrogées. Certaines tâches disparaissent ou deviennent moins importantes. D’autres apparaissent. Une partie du savoir individuel peut également devenir plus accessible au reste de l’organisation.

Un technicien qui exerce son métier depuis vingt ans reconnaît parfois certaines anomalies presque immédiatement. Il combine des signaux, des souvenirs de situations déjà rencontrées et une connaissance du contexte qu’il ne saurait pas toujours expliquer complètement. Lorsqu’il quitte l’entreprise, une partie de cette expérience risque de partir avec lui. Si ses diagnostics, ses corrections et les solutions retenues sont progressivement documentés et rendus accessibles à travers un système d’IA, une partie de ce savoir peut au contraire être transmise à d’autres collaborateurs.

Cela ne signifie pas que l’expérience du technicien a été transférée dans la machine. Une connaissance formalisée reste différente du jugement construit par des années de pratique. Elle doit être replacée dans son contexte, actualisée et parfois contestée. C’est précisément là que le sujet devient délicat : plus le système est performant, plus il peut devenir difficile pour un collaborateur peu expérimenté de savoir quand il ne faut pas lui faire confiance.

L’entretien réalisé avec Philippe Montant, fondateur de ReKrute, offre une autre illustration de cette évolution. Dans le recrutement, l’IA est utilisée pour automatiser certaines tâches répétitives, notamment la saisie de données, la présélection des CV ou la préparation de résumés d’entretiens. Mais l’évaluation qualitative et les interactions avec les candidats restent au cœur du travail des recruteurs. Des formations ont également été organisées afin que les équipes comprennent les outils et les intègrent dans leurs pratiques. Le temps libéré peut alors être consacré davantage à la relation avec les candidats et au conseil auprès des clients.

Le métier ne disparaît donc pas. Il ne reste pas non plus identique. Certaines opérations autrefois constitutives du travail du recruteur sont transférées au système, tandis que d’autres prennent davantage de poids. Il serait probablement inutile d’exiger des recruteurs qu’ils continuent à effectuer manuellement tout ce que l’IA peut correctement prendre en charge. Ils doivent en revanche comprendre suffisamment le processus pour interpréter les résultats, identifier une situation atypique, repérer un biais éventuel et savoir quand la recommandation mérite d’être remise en cause.

À mesure que j’avance dans ces entretiens, je trouve donc de moins en moins pertinente l’opposition entre compétences détruites et compétences créées. Ce sont peut-être d’abord les frontières de l’expertise qui se déplacent à l’intérieur des métiers.

L’entreprise apprend elle aussi

Un autre élément apparaît dans les entretiens : l’intégration de l’IA est rarement aussi linéaire que le laissent penser les présentations de projets. Les équipes testent, corrigent, abandonnent certains usages, en découvrent d’autres et modifient progressivement leurs processus.

Arnaud Pinte, président d’iPepper, décrivait précisément cette logique dans notre entretien. Pour lui, l’intégration de l’IA passe par des phases d’ajustement, de formation et d’amélioration continue. Les solutions doivent être adaptées aux besoins métier et les collaborateurs associés à leur mise en œuvre. Ce qui m’intéresse ici n’est pas seulement la méthode de déploiement. C’est ce qu’elle révèle du processus d’apprentissage.

Nous parlons beaucoup de « former les collaborateurs à l’IA », comme si l’apprentissage allait dans un seul sens. Dans la pratique, l’entreprise apprend elle aussi. Elle découvre quels usages sont réellement utiles, quelles données manquent, quelles limites apparaissent, quelles pratiques fonctionnent et lesquelles doivent être abandonnées. Lorsque ces expériences restent entre quelques utilisateurs, elles constituent surtout un apprentissage individuel. Lorsqu’elles sont discutées, documentées et intégrées aux méthodes de travail, elles commencent à devenir une connaissance de l’organisation.

La différence est importante. Acheter une technologie ne produit pas automatiquement ce capital de connaissances. Déployer mille licences non plus. Une organisation peut avoir énormément d’utilisateurs et apprendre relativement peu de leurs usages si elle ne dispose pas des mécanismes permettant de faire circuler ce qu’ils découvrent.

Un patrimoine de connaissances à gouverner

C’est probablement là que les indicateurs actuels de transformation par l’IA me paraissent incomplets. Une entreprise peut améliorer sa vitesse d’exécution tout en transformant, presque silencieusement, la manière dont elle produit son expertise. Pendant un certain temps, rien ne semble poser problème. Les analyses arrivent plus vite, les documents sont produits plus tôt, les développeurs génèrent davantage de code et les équipes répondent plus rapidement aux clients.

Puis une question peut apparaître : qui comprend encore suffisamment le processus pour expliquer pourquoi il fonctionne ainsi, le modifier ou détecter une erreur ?

Il ne s’agit évidemment pas de maintenir artificiellement des tâches devenues inutiles sous prétexte qu’elles permettaient autrefois d’apprendre. Ce serait confondre apprentissage et conservation des anciennes méthodes de travail. Le problème consiste plutôt à identifier les expériences qui participaient réellement à la construction du jugement professionnel et à décider comment ce jugement pourra se développer dans un environnement où une partie du travail est désormais assistée ou automatisée.

Toutes les connaissances n’ont pas davantage vocation à rester dans la tête des collaborateurs. Les entreprises externalisent depuis longtemps une partie de leur mémoire dans leurs procédures, leurs logiciels, leurs ERP, leurs CRM ou leurs bases documentaires. L’IA accélère ce mouvement et rend une partie de ces connaissances beaucoup plus facilement mobilisable. C’est un progrès. Mais certaines formes de savoir sont plus difficiles à transférer : les savoirs tacites, l’interprétation de situations ambiguës, la compréhension du contexte ou les arbitrages engageant une responsabilité.

La frontière sera différente selon les métiers et le coût d’une erreur. Il me semble donc plus utile de poser une question de management très concrète : quelles connaissances voulons-nous maintenir chez les collaborateurs, lesquelles voulons-nous inscrire dans les systèmes et comment voulons-nous organiser la circulation entre les deux ?

Cette interrogation pourrait progressivement rejoindre les sujets de gouvernance de l’IA. Nous parlons beaucoup, à juste titre, de sécurité, de données, de conformité, de droits d’accès et de traçabilité. Nous parlons moins du patrimoine de connaissances de l’entreprise. Pourtant, lorsqu’un processus est automatisé, comprendre quelles compétences il entretenait pourrait devenir aussi important que mesurer le temps qu’il permet d’économiser.

Ce que j’aimerais désormais observer

Cette réflexion m’amène à faire évoluer la manière dont j’observe les entreprises dans mes travaux autour d’EntrepreneurIA et du cadre exploratoire VALEUR. Jusqu’ici, nous avons beaucoup regardé l’adoption, la productivité, la transformation des processus et la création de valeur. Il me semble désormais nécessaire de regarder plus précisément ce qui se passe entre la capacité apportée par l’IA et l’apprentissage qui reste dans l’organisation.

Je distinguerais, à ce stade, quatre phénomènes. D’abord, la capacité augmentée : ce qu’un collaborateur parvient à réaliser avec l’IA. Ensuite, la compétence individuelle : ce qu’il a effectivement appris et serait capable de mobiliser avec davantage d’autonomie. Vient ensuite l’apprentissage organisationnel, lorsque les expériences individuelles circulent et modifient les pratiques collectives. Enfin, certaines de ces connaissances peuvent devenir du capital organisationnel lorsqu’elles s’inscrivent durablement dans les processus, les systèmes, les méthodes ou les routines.

Cette grille reste exploratoire. Je ne la présente pas comme une taxonomie scientifique validée. Elle me semble surtout utile pour éviter une confusion : constater qu’une personne accomplit une tâche plus complexe avec l’IA et conclure qu’elle est devenue plus compétente.

Les situations rencontrées chez LENET, ReKrute et iPepper racontent à cet égard trois histoires différentes. Chez LENET, des techniciens moins expérimentés peuvent aborder des problèmes plus complexes avec l’assistance de l’IA. Chez ReKrute, certaines opérations sont transférées au système tandis que l’évaluation qualitative et la relation humaine restent centrales. Chez iPepper, l’intégration de l’IA elle-même devient un processus d’ajustement et d’apprentissage. Ces observations ne permettent pas de conclure que l’IA améliore ou dégrade les compétences. Elles montrent en revanche que la technologie modifie les situations dans lesquelles l’expérience se construit.

C’est probablement ce déplacement que nous observons encore mal. Depuis l’arrivée de l’IA générative, nous nous demandons beaucoup quels métiers vont disparaître. Je ne suis pas certaine que les transformations les plus importantes se produiront toujours à cet endroit. Un métier peut rester. Le collaborateur aussi. Pourtant, une partie du chemin par lequel il apprenait son métier peut avoir profondément changé.

Dans le même temps, les systèmes peuvent permettre à l’entreprise de conserver et de diffuser des connaissances qui disparaissaient autrefois avec le départ d’un expert. Il serait donc trop simple de parler uniquement de deskilling. Nous pourrions être en train d’assister à une redistribution du savoir entre les individus, les collectifs et les systèmes.

Cette redistribution peut être extrêmement positive. Elle peut démocratiser l’accès à certaines expertises, accélérer la résolution de problèmes et mieux préserver la mémoire de l’entreprise. Mais elle oblige aussi les dirigeants à regarder au-delà des gains immédiats de productivité.

La question que je leur poserais aujourd’hui est finalement assez simple : où voulons-nous que réside demain le savoir critique de notre entreprise ?

L’intelligence artificielle crée une capacité. Les organisations créent la valeur. Mais pour que cette valeur dure, elles devront aussi continuer à savoir ce qu’elles savent.

Note méthodologique

Cet article distingue capacité augmentée, compétence individuelle, apprentissage organisationnel et capital organisationnel dans le cadre d’une réflexion exploratoire liée aux travaux EntrepreneurIA et VALEUR. Cette distinction ne constitue pas une taxonomie scientifique validée.

L’étude de Wiles et al., publiée dans Nature Human Behaviour le 26 octobre 2026, porte sur une expérimentation randomisée menée auprès de 487 consultants en management confrontés à des tâches spécifiques de data science situées en dehors de leurs compétences habituelles. Les participants assistés par ChatGPT ont obtenu de meilleurs résultats sur les tâches étudiées, mais les chercheurs n’ont pas trouvé de preuve d’une meilleure acquisition des connaissances techniques lors d’une évaluation ultérieure réalisée sans ChatGPT. Ces résultats ne peuvent pas être généralisés à l’ensemble des professions ou des usages de l’intelligence artificielle.

Les exemples LENET, ReKrute et iPepper sont issus d’entretiens EntrepreneurIA. Ils constituent des observations de terrain et non des expérimentations contrôlées. Ils sont utilisés pour confronter les questions soulevées par la recherche aux pratiques décrites par les dirigeants interrogés.

Référence scientifique principale

Wiles, E., Krayer, L., Abbadi, M., Awasthi, U., Kennedy, R., Mishkin, P., Sack, D. & Candelon, F. (2026). Generative AI and the temporary upskilling of knowledge workers. Nature Human Behaviour. DOI: 10,103 8/s41562-026-02566-6.