L’IA peut-elle vraiment reconstituer le sens pédagogique ?

L’intelligence artificielle générative produit désormais des modules, des quiz, des scénarios, des feedbacks et même des parcours personnalisés. Une question commence alors à traverser silencieusement le marché du digital learning : qu’est-ce que le “sens pédagogique” si une machine peut déjà reproduire une partie importante des mécanismes de la formation ? Troisième volet de notre série consacrée au rapport The Future of Learning Technology du Corporate Learning Network.

Le débat actuel sur l’IA en formation repose souvent sur une opposition simpliste entre pédagogie humaine et automatisation technologique. Le problème est que la réalité est beaucoup moins confortable. Une grande partie du digital learning fonctionnait déjà depuis longtemps sur des mécanismes fortement industrialisés : modularisation, scénarisation standardisée, granularisation des contenus, adaptive learning, automatisation des évaluations ou feedbacks prédéfinis. Autrement dit : une partie du “sens pédagogique” avait déjà été transformée en procédures avant même l’arrivée de l’IA générative. C’est précisément ce qui rend l’IA si menaçante pour certains modèles historiques du e-learning. Elle automatise très efficacement ce qui était déjà industrialisable. Donald H. Taylor rappelle d’ailleurs que le rôle historique du L&D comme producteur et distributeur de contenus est directement remis en cause par l’IA générative. Pendant des années, le marché du digital learning a progressivement standardisé la production pédagogique afin de gagner en rapidité, en homogénéité et en capacité de déploiement. L’IA arrive donc dans un univers déjà fortement procéduralisé.

Le document du Corporate Learning Network apporte toutefois une nuance importante. Connie Malamed et Clark Quinn rappellent que l’IA produit souvent des contenus génériques et reste dépendante d’un jugement humain expert. Pourquoi ? Parce que le sens pédagogique ne consiste pas uniquement à organiser des contenus. Il consiste aussi à comprendre une progression cognitive, identifier des résistances, contextualiser un apprentissage, créer de l’engagement, doser difficulté et encouragement ou produire une expérience signifiante. Clark Quinn va même plus loin lorsqu’il explique que le marché confond encore trop souvent “apparence de l’apprentissage” et véritable transformation des comportements. La pédagogie touche donc à quelque chose de beaucoup plus profond que la simple transmission d’informations. Elle touche à la transformation humaine. Un bon dispositif pédagogique ne se contente pas d’expliquer ; il modifie progressivement des représentations, des comportements et parfois même une identité professionnelle.

Pour autant, le marché du learning commettrait une erreur majeure en sous-estimant les capacités réelles de l’IA. Les systèmes actuels savent déjà adapter des niveaux de difficulté, personnaliser des parcours, reformuler des explications, détecter certaines erreurs, générer des feedbacks contextualisés ou ajuster des conversations selon des comportements observés. Dans certains cas, ces systèmes peuvent même produire des interactions pédagogiques plus cohérentes que certains dispositifs e-learning classiques. Christopher Lind souligne lui aussi que les systèmes IA permettent désormais d’identifier des progressions comportementales observables à travers des simulations et des interactions contextualisées. Le marché du learning sous-estime probablement encore cette réalité. La vraie question n’est donc peut-être plus : l’IA peut-elle faire de la pédagogie ? Mais plutôt : jusqu’où peut-elle reproduire les mécanismes visibles de la pédagogie sans réellement comprendre l’expérience humaine qu’elle accompagne ?

Cette évolution place aussi l’instructional design dans une situation délicate. Pendant longtemps, la valeur des équipes pédagogiques reposait notamment sur leur capacité à structurer des contenus, scénariser des parcours, produire des activités et construire des évaluations. Or ces activités deviennent partiellement automatisables. Le choc pourrait être important pour une partie du marché. De nombreux modèles économiques du digital learning reposent encore largement sur la production industrielle de contenus numériques. Or cette activité risque progressivement de perdre sa rareté économique. L’IA générative produit déjà des scripts, des quiz, des scénarios, des reformulations ou des parcours en quelques secondes. Même lorsque la qualité reste imparfaite, le différentiel de coût et de rapidité devient difficile à ignorer. David James insiste d’ailleurs sur le fait que les organisations performantes doivent désormais concentrer leurs efforts sur les problèmes de performance réels plutôt que sur l’accumulation de contenus génériques. Cette situation oblige donc les professionnels du learning à redéfinir leur valeur.

La valeur se déplace progressivement ailleurs : compréhension fine du travail réel, analyse des situations, accompagnement des transformations, conception d’expériences, ingénierie comportementale ou animation des dynamiques collectives. Nick Shackleton-Jones parle explicitement d’un déplacement vers “l’experience design”. Keith Keating évoque lui aussi la nécessité pour le learning de quitter une logique de diffusion de contenus pour entrer dans une logique de création de valeur organisationnelle. Le paradoxe devient alors saisissant. Plus l’IA progresse dans la production de contenus pédagogiques, plus la valeur du learning pourrait quitter le contenu lui-même. La différenciation se jouera davantage dans la qualité des situations proposées, l’ancrage dans le travail réel, la pertinence des interactions, la capacité à créer du sens collectif et l’accompagnement humain des transformations. Le futur du learning ne se résume donc probablement ni à la disparition des pédagogues ni à la victoire totale de l’IA. Il pourrait plutôt marquer la fin d’un modèle industriel du digital learning construit autour de la production massive de contenus numériques.