Jérôme Miara (Obea): IA et compétences, pourquoi la technologie impose une transformation humaine

 

L’essor spectaculaire de l’intelligence artificielle change déjà la manière dont les entreprises produisent, vendent, pilotent et innovent. Pourtant, un constat revient dans la plupart des comités de direction : malgré des budgets importants, la création de valeur reste très inégale. Certaines équipes gagnent du temps et améliorent la qualité, d’autres stagnent, et beaucoup se contentent d’un usage superficiel. La différence ne vient pas seulement de la techno­logie choisie, mais de la transformation des compétences et des modes de travail qui l’accompagne.

Pour transformer les compétences à l’ère de l’IA, il faut sortir du "déploiement d’outil" et entrer dans le "déploiement d’usages". Concrètement, cela suppose d’abord d’évaluer l’appropriation des cas d’usage : qui utilise l’IA, sur quelles tâches, avec quelle fréquence, quel niveau d’autonomie et quel degré de confiance ? Il est possible de suivre des indicateurs simples (taux d’adoption, récurrence, diversité des usages, temps économisé, satisfaction), mais il faut surtout regarder le travail réel : l’IA est-elle utilisée pour produire plus vite, pour produire mieux, pour décider différemment, ou seulement pour "tester" ? Et surtout : qu’est-ce qui empêche l’adoption (manque de cas concrets, peur de se tromper, absence de cadre, outils inadaptés) ?

Cette lecture des usages met rapidement en évidence ce que l’IA transforme vraiment : moins la production brute que la capacité à formuler, arbitrer et assumer. Dans beaucoup de métiers, l’IA accélère la rédaction, la veille, la synthèse et la mise en forme. Elle aide à explorer des options, préparer des réponses clients, structurer une note de décision, clarifier un argumentaire, ou produire un premier jet de livrable. Toutefois, ce gain n’a de valeur que si la personne sait cadrer la demande, préciser le contexte, définir un niveau d’exigence, puis vérifier et ajuster le résultat. Autrement dit, la compétence clé n’est pas "savoir générer", mais "savoir piloter un résultat" : itérer, challenger, et décider quand s’arrêter.

Vient alors l’étape la plus stratégique : mesurer les répercussions de ces cas d’usage sur les compétences, à la fois techniques et transversales. Les compétences techniques évoluent – formulation de prompts, méthodes de vérification, recherche et croisement de sources, traitement de données, automatisations légères, usage d’agents – mais les compétences transversales deviennent déterminantes. Les 4C prennent une dimension très opérationnelle : esprit critique (évaluer la fiabilité, détecter une hallucination, repérer un biais), créativité (explorer des pistes, prototyper vite, reformuler le besoin), communication (expliquer ce qui a été fait avec l’IA et pourquoi), collaboration (partager des pratiques, travailler en pair, synchroniser avec les juristes, l’IT, les métiers). L’IA ne remplace pas ces compétences : elle les met sous tension et les rend visibles.

Dans de nombreuses organisations, deux difficultés reviennent de façon récurrente. La première tient à la confusion entre formation à l’outil et compétence dans l’usage. Savoir cliquer, lancer un agent ou générer un texte ne garantit ni la fiabilité, ni l’utilité, ni la responsabilité du résultat produit. La seconde concerne la question de la responsabilité : qui répond d’un livrable coproduit avec l’IA ? Qui valide ? Qui tranche en cas d’ambiguïté, de confidentialité, de risque juridique ou d’impact client ? Tant que ces questions ne sont pas clarifiées, les équipes adoptent des stratégies de protection : usage discret, contournement, ou au contraire abstention. Dans les deux cas, la création de valeur reste limitée.

À partir de là, la transformation doit passer du diagnostic à l’action. Un plan d’action RH vise à sécuriser l’appropriation : rendre l’usage possible, utile et sûr. Sans complexifier la lecture, il est possible de retenir trois registres complémentaires. La data permet de piloter : cartographier les cas d’usage, suivre l’adoption, mesurer gains et irritants, repérer les risques, identifier les populations à accompagner, et prioriser ce qui compte vraiment. Le fonctionnement opérationnel conditionne l’usage réel de l’IA au quotidien : accès aux bons outils, support, bibliothèque de cas d’usage par métier, règles de confidentialité et de conformité, gabarits de prompts, checklists de validation, et "bonnes pratiques" écrites en langage simple. La transformation, enfin, inscrit les évolutions dans la durée : animation de communautés, résolution de problèmes non standards, montée en compétence managériale et installation de nouvelles routines d’apprentissage.

L’un des pièges les plus fréquents est de traiter l’IA comme un grand programme de formation. Or, les plans classiques échouent souvent pour quatre raisons : ils sont ponctuels (une session puis plus rien), trop génériques (peu reliés aux situations de travail), centrés sur la démonstration (plus que sur la pratique), et sans suivi (pas de mesure ni d’ajustement). Avec l’IA, c’est l’inverse qu’il faut faire : apprendre par cas d’usage, en cycles courts, avec des objectifs concrets et des critères de qualité. Exemple : au lieu d’une formation générale à l’IA générative, un sprint de deux semaines est construit sur trois usages prioritaires (synthèse de documents, préparation d’entretiens clients, rédaction de notes), avec une règle simple : chaque production doit être vérifiable et traçable. Les mesures sont effectuées avant et après, ce qui fonctionne est déterminé, et des décisions de généralisation ou d’abandon sont prises.

Dans les prochaines années, la différenciation ne viendra pas de l’accès à l’IA, mais de la capacité à transformer cette technologie en apprentissage collectif

C’est aussi pour cela que le changement doit devenir dynamique et expérientiel : conduire le changement comme un apprentissage en continu. Cela ressemble à une boucle : un cas d’usage est expérimenté, ce qui fonctionne est évalué (gains, qualité, risques), les compétences manquantes sont identifiées, les règles du jeu ajustées, la pratique stabilisée avant élargissement. Cette dynamique s’appuie sur des dispositifs simples et très efficaces : retours d’expérience réguliers, communautés de pratique, revues de livrables "avec IA", bibliothèque de prompts adaptés au métier et coaching de proximité. L’objectif n’est pas de "convertir" tout le monde d’un coup, mais de créer une capacité collective à apprendre vite.

Enfin, il est utile d’observer ce que font les organisations qui réussissent. Elles commencent petit, mais sérieusement : quelques cas d’usage à fort impact, un sponsor métier, un cadre clair, et des preuves rapides. Elles investissent tôt dans la qualité : revues entre pairs, critères de validation, traçabilité des versions, clarification des responsabilités. Elles rendent visibles les apprentissages et partagent les standards pour éviter que la valeur reste captée par quelques individus "experts". Surtout, elles pilotent conjointement RH, métiers et digital : l’IA n’est pas un projet d’outil, c’est un projet de performance et de compétences.

Un dernier point mérite d’être assumé : la gouvernance des usages fait partie de la compétence. Définir ce qui est autorisé, ce qui est interdit, ce qui doit être relu, et ce qui peut être automatisé n’est pas un détail juridique ; c’est un levier de confiance. Plus le cadre est clair, plus les équipes osent expérimenter, partager et progresser.

Au fond, l’IA agit comme un accélérateur et un révélateur. Elle accélère la production, mais révèle immédiatement la qualité du leadership : sait-il poser un problème, décider, assumer, apprendre ? Dans les prochaines années, la différenciation ne viendra pas de l’accès à l’IA, mais de la capacité à transformer cette technologie en apprentissage collectif. Pour les dirigeants, le vrai chantier n’est pas seulement technologique : il est stratégique, humain, digital et responsable.

Par Jérôme Miara, Président, Obea