Guided progressive mastery : et si l'IA devait vous rendre meilleur, pas seulement plus rapide ?

Une question simple

L'IA vous rend-elle vraiment meilleur dans votre travail ? Ou le croyez-vous seulement ?

Presque tout le monde peut citer un outil qui lui fait gagner du temps. Beaucoup moins de gens pourraient dire, avec une réelle confiance, s'ils sont devenus plus compétents grâce à lui, ou simplement plus dépendants. Répondre honnêtement commence par comprendre ce que ces outils sont réellement conçus pour faire.

Ce que font réellement les solutions d'IA aujourd'hui

L'IA au travail se divise en deux familles. Les outils augmentés assistent, mais c'est encore vous qui tranchez — un chatbot qui vous aide à rédiger, un copilote qui suggère une formule. Les outils automatisés prennent une tâche du début à la fin, et vous ne faites plus partie de la décision du tout.

Le problème, c'est la façon dont le succès se mesure. Pour les outils augmentés, ce qui est réellement suivi au quotidien, c'est l'usage et l'attrition, pas le fait que la personne se soit améliorée. Les workflows automatisés ont changé une chose précise : parce qu'ils prennent en charge une tâche entière plutôt qu'une action isolée, il devient possible de prouver un vrai retour sur investissement, en comparant le temps que prenait la tâche avant et après. C'est un progrès réel. Mais il a un angle mort. Il prouve qu'une tâche a été faite plus vite, jamais que la personne qui la faisait a grandi. Et une compétence qui cesse d'être pratiquée ne reste pas intacte : elle s'efface.

Le vrai coût, invisible dans les tableaux de bord

Ce coût a un nom dans la littérature sur l'automatisation : le deskilling, la perte de compétence. Le mécanisme a été décrit dès 1983 par la chercheuse Lisanne Bainbridge, dans un article qui fait encore référence aujourd'hui (Bainbridge, 1983). Son argument : automatisez le travail routinier en ne laissant à l'humain que les exceptions, et vous lui retirez la pratique nécessaire pour garder un jugement affûté — il se retrouve démuni précisément au moment où une exception survient.

Une étude récente de Microsoft Research et Carnegie Mellon a mesuré ce phénomène directement chez des travailleurs du savoir utilisant l'IA générative (Lee et al., 2025). Le schéma s'est vérifié sur des centaines d'exemples de travail réel : plus la confiance dans la sortie de l'IA est élevée, moins on lui applique d'esprit critique, y compris sur des tâches où l'exactitude compte.

Ce n'est pas hypothétique. Une enquête menée en 2026 par Writer auprès de 2 400 dirigeants et employés a montré qu'une large majorité des cadres dirigeants construisent déjà délibérément une « élite IA » au sein de leurs équipes, tandis que 60 % prévoient de licencier les employés qui n'adoptent pas ces outils (Writer, 2026). Côté employés, une proportion comparable dit avoir réellement peur de perdre son emploi dans ce basculement. La vraie fracture n'est pas entre ceux qui utilisent l'IA et ceux qui ne l'utilisent pas. Elle est entre ceux qui s'améliorent réellement grâce à elle, et ceux qui deviennent silencieusement plus faciles à remplacer.

Ce que la recherche dit déjà d'une meilleure voie

Rien de tout cela ne part de zéro. L'idée d'une IA qui guide sans faire le travail à votre place existe, sous plusieurs formes, depuis des décennies.

Dans les années 1990, les chercheurs John Anderson et Kenneth Koedinger ont construit les tuteurs cognitifs : des systèmes qui suivent le raisonnement d'un élève étape par étape, le comparent à un modèle expert, et n'interviennent que lorsque l'élève dévie — en offrant un indice plutôt que la réponse (Koedinger et Corbett, Carnegie Mellon University). Une seconde technique, le knowledge tracing, va plus loin : elle estime en continu à quel point l'élève maîtrise réellement une compétence donnée, au lieu de compter sa simple assiduité. C'est exactement le type de métrique qui manque à la plupart des outils d'IA en entreprise aujourd'hui.

Le psychologue Albert Bandura décrivait quelque chose de remarquablement proche dès 1993, sous le nom de guided mastery : accompagner quelqu'un à travers des tâches progressivement plus difficiles, en retirant graduellement l'assistance à mesure que sa compétence réelle grandit (Bandura, 1993). C'est presque exactement le mécanisme qu'un bon outil d'IA devrait reproduire.

Preuve que rien de tout cela n'est un vœu pieux : OpenAI a lancé Study Mode en juillet 2025, construit avec des experts en pédagogie issus de plus de 40 institutions éducatives (OpenAI, 2025). Au lieu de livrer la réponse, il demande ce que l'apprenant sait déjà et offre des indices vers la solution — plus de soutien à ceux qui peinent, plus de défi à ceux qui avancent vite.

Guided progressive mastery : le principe

Voici la logique qui, je crois, devrait s'appliquer à tout outil d'IA utilisé au travail, sous le nom de guided progressive mastery — la maîtrise progressive guidée.

Le principe est simple. Une IA qui observe comment vous travaillez réellement, et n'intervient que lorsque c'est véritablement nécessaire. Plutôt que d'exécuter l'action à votre place, elle vous fait traverser les étapes qui construisent une compréhension réelle : faire, voir le problème, chercher pourquoi, comprendre, corriger. Le système connaît le meilleur chemin possible vers le résultat, mais il calibre son degré d'intervention sur votre niveau réel de connaissance, et il retire cette assistance à mesure que vous progressez — exactement le schéma décrit par Bandura.

Comment cela pourrait réellement fonctionner

Techniquement, ce n'est plus de la science-fiction. Une nouvelle génération d'agents logiciels sait désormais observer un écran et son contexte en continu, au lieu d'attendre qu'on tape une commande, et ces agents deviennent une brique standard du logiciel d'entreprise. Gartner prévoit que 40 % des applications d'entreprise incluront des agents spécialisés par tâche d'ici la fin de l'année, contre moins de 5 % en 2025 (Gartner, 2025). La moitié « écoute » du système n'est plus théorique.

Reste la moitié « mesure ». C'est là que le knowledge tracing devient réellement utile. Au lieu de suivre la fréquence à laquelle vous ouvrez un outil, on pourrait suivre l'évolution de votre maîtrise réelle d'une tâche, semaine après semaine.

Le gain des deux côtés

Ce cadre répond à deux préoccupations qui semblaient incompatibles. Pour la personne qui utilise l'outil : une progression réelle et mesurable, une compétence effectivement construite, une carrière qui continue d'avancer. Pour l'entreprise : une performance qu'elle peut enfin prouver avec des données solides, plutôt qu'une culture bâtie sur la peur des licenciements.

Ce qu'il ne faut pas sous-estimer

Deux limites méritent d'être dites franchement plutôt qu'escamotées.

La première est un vrai problème d'ingénierie. Les tuteurs cognitifs classiques ne fonctionnaient que parce que des chercheurs avaient passé des années à modéliser à la main le chemin expert dans un domaine étroit et bien défini, comme l'algèbre. Construire ce même modèle pour des logiciels métier ouverts et extrêmement variés est un problème bien plus vaste que tout ce que les tuteurs cognitifs ont jamais résolu.

La seconde touche directement à la confiance. Un système qui observe tout ce que vous faites, et génère des données sur votre progression, peut très facilement être lu comme un outil de surveillance au service du management plutôt qu'un coach à votre service. Si cette distinction n'est pas rendue explicite dès la conception, l'outil recrée exactement la peur qu'il était censé résorber.

Aucun de ces deux problèmes ne sera résolu cette année — et c'est précisément pourquoi il vaut la peine de savoir que vous n'avez pas à attendre qu'ils le soient.

Vous n'avez pas à attendre que quelqu'un le construise

Voici un test rapide pour savoir où vous en êtes réellement aujourd'hui. La prochaine fois que vous utilisez un outil d'IA pour accomplir quelque chose — un chatbot, un copilote, un agent, peu importe — posez-vous la question juste après. Si cet outil disparaissait demain, seriez-vous moins capable qu'avant, exactement pareil, ou meilleur ?

Les chercheurs ont un nom pour le mode d'échec en jeu ici : l'effet AI ghost learner — réussir une tâche avec l'aide de l'IA sans jamais remarquer qu'on n'en a rien appris (Rausch, Frontiers in Organizational Psychology, 2025). La plupart des gens ne se posent jamais la question, parce que le livrable lui-même — l'email envoyé, le rapport terminé, le code qui tourne — ressemble déjà suffisamment à un progrès.

Remarquer le problème n'est pas le résoudre. Et vous n'avez pas à attendre qu'un éditeur livre la guided progressive mastery comme fonctionnalité pour commencer à en bénéficier. Vous pouvez l'intégrer à votre façon de prompter, dès votre prochain message.

Presque tous les cadres populaires pour écrire de bons prompts sont conçus pour obtenir une meilleure sortie — une réponse plus claire, un brouillon plus propre, un résultat plus utile (Fello AI, 2026). Aucun ne demande ce que vous devriez savoir en repartant. Mais le schéma derrière le Study Mode d'OpenAI, et une technique voisine appelée model guided prompting — dire explicitement à l'IA de vous demander ce dont elle a besoin plutôt que de le supposer — pointent vers le même correctif (Educative). Énoncez votre intention d'apprendre dans le premier message, pas après coup une fois déçu de la réponse.

Concrètement, cela veut dire ajouter une clause à ce que vous alliez déjà demander, quel que soit votre cadre habituel.

Avant de me donner le résultat final, dis-moi quelle est la partie de cette tâche où réussir dépend réellement d'une compréhension, pas seulement d'une exécution. Demande-moi ce que j'en pense déjà. Donne-moi un indice à cet endroit plutôt que la réponse complète, et ne me donne la réponse complète que si je bloque encore après avoir essayé. Quand nous aurons terminé, dis-moi en une ligne ce que je sais maintenant que je ne savais pas avant.

C'est tout le changement. Collez cette clause à la fin de n'importe quelle requête, sur n'importe quel chatbot, et l'interaction cesse d'être une pure machine à produire. Elle se met à faire, en miniature, exactement ce que cet article défend : faire, voir le problème, chercher pourquoi, comprendre, corriger. Vous n'avez pas besoin qu'une entreprise intègre la guided progressive mastery dans un produit pour commencer à la vivre. Vous pouvez y entrer par vos prompts, dès aujourd'hui.

Ma conviction

Je ne crois pas que le bon objectif de l'IA au travail soit de choisir entre vous rendre plus rapide ou vous remplacer. Je crois qu'elle devrait exister pour une seule raison : faire en sorte que vous ne cessiez jamais de vous améliorer. J'espère que les futures solutions d'IA prendront cela au sérieux, et en feront leur étoile polaire.