L’IA nous fait gagner du temps. Mais en prenant en charge une partie de ce que nous faisions nous-mêmes, elle transforme aussi notre manière d’apprendre. Or l’expertise se forge précisément dans les essais, les erreurs et l’accumulation d’expériences. Alors, comment former demain des professionnels solides à l’ère des raccourcis ?
Fondée en 2025 et valorisée 2,3 milliards de dollars, General Intuition entraîne ses IA à partir de centaines de millions d’heures de jeux vidéo, en analysant ce que voient les joueurs et les décisions qu’ils prennent. Objectif : apprendre aux machines à se repérer, anticiper et agir dans des environnements nouveaux. Curieuse ironie : pour façonner des machines expertes, on commence par les nourrir d’expériences. Et au travail, nous utilisons justement l’IA pour éviter une partie de ces tâtonnements.
Or c’est précisément cette accumulation qui finit par produire le fameux « coup d’œil » professionnel : celui qui permet à un œnologue, un guide de montagne ou un parfumeur de repérer presque immédiatement qu’une situation « ne ressemble pas à d’habitude ». Ils ne devinent pas : ils reconnaissent. Dès lors, une question s’impose : comment former les professionnels expérimentés de demain si l’IA nous fait sauter une partie du chemin vers cette intuition professionnelle ?
Quand l’expérience devient intuition
Dans le monde professionnel, l’intuition paraît souvent moins légitime qu’une donnée ou une méthode. Pourtant, l’intuition experte se construit : à force d’expériences, certains signaux deviennent presque immédiatement reconnaissables. Thierry Denjean, entrepreneur et propriétaire de plusieurs domaines viticoles, l’a appris sans formation d’œnologue. Il s’est initié il y a une trentaine d’années auprès d’un ami vigneron à Bandol, en observant la terre, la plante, le climat. Un apprentissage par immersion, bien plus que par théorie. Même logique chez Blaise Agresti, guide de haute montagne et ancien responsable d’unités de secours en montagne. Fils de guide, il a grandi au contact de cet environnement : « J’ai été exposé à l’élément naturel très jeune », raconte-t-il. Escalade, nuits dehors, verticalité : avant même l’apprentissage professionnel, son regard s’est déjà nourri d’expériences.
- L’expert ne devine pas, il reconnaît
C’est précisément ce que décrit le chercheur Herbert Simon : l’intuition experte repose sur la reconnaissance de situations déjà rencontrées. Derrière l’apparente spontanéité se cache une vaste bibliothèque d’expériences. Les travaux du psychologue Gary Klein auprès de chefs pompiers vont dans le même sens : les plus expérimentés reconnaissent souvent une configuration familière et une réponse plausible, sans passer en revue plusieurs scénarios.
Chez Thierry Denjean, cette bibliothèque d’expériences s’est construite par la répétition. Pendant les vendanges, l’équipe goûte les cuves, teste des assemblages, ajuste les proportions, puis recommence. À force, certains écarts finissent par sauter aux yeux. Chez Blaise Agresti, l’expertise se construit aussi par étapes. Lors de ses premières grosses opérations, il se dit « plus en réaction qu’en intuition ou en anticipation ». Puis, à mesure que les missions s’enchaînent, « on commence à sentir mieux les choses ». Peu à peu, certains signaux deviennent plus lisibles : ce qui ressemble à un pressentiment est souvent le fruit d’expériences accumulées devenues difficiles à expliciter.
- L’épaisseur du regard
Avec l’expérience, ce qui était invisible au début finit par devenir un signal. C’est l’un des enseignements du modèle d’acquisition des compétences de Hubert et Stuart Dreyfus : le novice s’appuie d’abord sur des règles explicites, puis apprend progressivement à hiérarchiser les informations et à reconnaître ce qui compte. Le temps nécessaire pour devenir guide de haute montagne illustre cette construction. Blaise Agresti évoque quatre à cinq ans de pratique avant le test d’entrée, puis autant de formation. « En fait, c’est un cycle qui dure une bonne dizaine d’années », résume-t-il. Un temps long pour accumuler situations, décisions, erreurs et conséquences.
Dans la vigne, Thierry Denjean compare cette capacité au diagnostic d’un médecin : « S’il n’a pas cette capacité d’observation… La vigne, c’est pareil. » Lire une feuille, sentir un sol, repérer qu’une plante souffre : c’est leur répétition et leur mise en contexte qui construisent le regard. C’est aussi là que l’IA montre ses limites. On peut lui soumettre la photo d’une feuille, mais elle ignore une partie du contexte : profondeur des racines, exposition au vent, nature du sol, météo récente. « Tout ça, c’est beaucoup d’observations. » Mais si l’IA prend en charge une partie des tâches qui obligeaient justement à observer, comparer et interpréter, comment le novice apprendra-t-il, à son tour, à voir ?
Le syndrome du GPS : le prix cognitif du raccourci
Le GPS illustre bien ce mécanisme : il nous guide efficacement, mais nous dispense en partie d’apprendre le chemin. Une étude publiée en 2020 dans Scientific Reports associe ainsi un usage plus intensif du GPS à de moins bonnes performances de mémoire spatiale.
- Quand l’IA court-circuite la boucle d’apprentissage
Les psychologues parlent de cognitive offloading, ou décharge cognitive : le fait de s’appuyer sur un support extérieur pour réduire l’effort mental nécessaire à une tâche. L’IA générative pousse cette logique plus loin en prenant en charge une partie de la recherche, de la synthèse, du raisonnement ou de la rédaction.
Or apprendre suppose précisément de ne pas recevoir immédiatement la réponse. Nawal Abboub, docteur en sciences cognitives et enseignante sur les usages de l’IA à l’ENS-PSL, rappelle que l’apprentissage passe par plusieurs étapes : sélectionner l’information, tester une hypothèse, se tromper, recevoir un feedback puis recommencer. « C’est ce qui nous permet de créer une représentation de cette connaissance », explique-t-elle.
Avec l’IA, le chemin peut se raccourcir : demander → obtenir → vérifier → livrer. Le gain de temps est évident, or « vous n’avez pas passé toutes ces étapes de l’acquisition », souligne Nawal Abboub. Et notre cerveau ne demande pas mieux : « Pourquoi se souvenir d’un numéro de téléphone quand on a une base de données qui a tout ? », rappelle-t-elle.
- Produire n’est pas apprendre
C’est ici qu’apparaît le nœud du problème : obtenir une bonne réponse avec l’IA ne signifie pas avoir acquis la compétence pour la produire ou la vérifier. Au contraire : « Plus on a des outils sophistiqués, plus on doit avoir des compétences sophistiquées », insiste Nawal Abboub. Plus l’outil progresse, plus l’utilisateur doit savoir le questionner, le contextualiser et repérer ses erreurs.
Le problème se pose avec une acuité particulière pour les débutants : l’IA peut leur permettre d’obtenir rapidement un résultat proche de celui d’un professionnel expérimenté, sans qu’ils aient encore construit les connaissances nécessaires pour l’évaluer. Or, rappelle l’enseignante, « on ne peut pas avoir un esprit critique sans connaissances ». Dans un article publié en 2026 dans Trends in Cognitive Sciences, Trent Cash et Megan Kelly soulignent d’ailleurs que la délégation de certaines opérations à l’IA peut freiner l’acquisition de compétences ou favoriser leur érosion, selon la manière dont l’outil est utilisé.
Nous sommes probablement face à une équation pédagogique inédite : comment fabriquer des experts solides si une partie du chemin est désormais préemptée par la machine ?
Comment réinventer la fabrique de l’expérience ?
Si l’IA peut court-circuiter une partie du cheminement, l’une des réponses pédagogiques consiste à repenser les conditions dans lesquelles on apprend avec elle.
- De l’IA-réponse à l’IA-tuteur
Pour Nawal Abboub, tout se joue d’abord dans la posture adoptée. « Il y a une action passive et une action active », explique-t-elle. « Au lieu de lui demander le résultat, demandez-lui le chemin. » Utilisée comme un tuteur intelligent, l’IA peut poser des questions, signaler une erreur, donner un indice, proposer une étape intermédiaire ou inviter à reformuler son raisonnement. La médecine expérimente déjà cette logique avec des patients virtuels alimentés par des modèles de langage. Une étude publiée en 2025 montre qu’ils peuvent entraîner le raisonnement clinique en multipliant les situations auxquelles les étudiants sont confrontés.
- Travailler ses neurones… avant ceux de l’IA
Chez Epitech, école d’informatique, cette logique est au cœur de la pédagogie. Pierre Robert, ingénieur pédagogique et auteur de Déchaîner l’intelligence (FYP éditions), défend un apprentissage par projets : les étudiants cherchent, testent, se trompent, tandis que les pédagogues questionnent sans donner directement la solution. Sa formule : « Toute aide donnée est un apprentissage volé » L’arrivée des LLM n’a pourtant pas conduit l’école à les interdire. « On autorise l’IA et même on encourage les étudiants à l’utiliser », précise Pierre Robert. Mais avec une règle : « Ça doit commencer par ton propre cerveau avant d’utiliser les neurones de l’IA. » Epitech résume cette approche en trois verbes : sensibiliser, responsabiliser, durabiliser. Comprendre la dette cognitive, préserver le raisonnement, puis vérifier que la compétence tient dans le temps.
- Ne plus confondre livrable et compétence durable
C’est le troisième principe, « durabiliser », qui provoque le changement le plus profond. Jusqu’ici, produire un livrable fonctionnel permettait largement d’attester qu’on savait faire. Mais ce lien ne va plus de soi. « On peut produire très facilement sans aucune compétence », constate Pierre Robert. Un étudiant peut désormais générer un site ou des centaines de lignes de code sans maîtriser ce qui se passe derrière.
Epitech décale donc une partie de l’évaluation dans le temps : plusieurs mois après un projet, l’étudiant peut être réinterrogé pour vérifier ce qu’il en a retenu. « L’acquisition de compétences, ce n’est plus sur la preuve d’un livrable. C’est sur la rétention à moyen terme. » L’enjeu : mesurer non plus seulement ce qui a été produit, mais ce qui a réellement été acquis.
- Repartir du métier pour reconstruire l’apprentissage
Pour les entreprises, l’enjeu est de repartir des métiers : quelles tâches déléguer à l’IA, lesquelles continuer à pratiquer, quels savoirs préserver pour juger ses réponses ? Nawal Abboub observe que certaines équipes inventent déjà leurs propres garde-fous : « Il faut écouter aussi le terrain parce qu’il trouve des solutions. » Epitech applique cette logique à l’accompagnement pédagogique : l’IA repère certains choix atypiques dans le code des étudiants, afin que le pédagogue puisse se concentrer sur les points à questionner et vérifier qu’ils sont réellement compris.
Et si l’IA accélérait aussi la courbe d’expérience ?
Dans leur étude Generative AI at Work, Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont suivi 5 179 conseillers clientèle. La productivité progresse de 14 % en moyenne, mais de 34 % chez les novices ou les moins performants. Leur hypothèse : l’IA diffuse plus vite certaines pratiques des meilleurs agents.
L’IA peut court-circuiter l’apprentissage lorsqu’elle donne directement la réponse, ou l’accélérer lorsqu’elle aide à pratiquer et progresser. L’enjeu n’est donc pas de refuser les raccourcis, mais de préserver les expériences indispensables à la construction de l’expertise. À l’ère de l’IA, reste à savoir quels détours continuer à emprunter.
