Apprendre ce que l’on n’a plus besoin de faire : à quoi bon ?

AXA industrialise le déploiement de ses agents IA à travers une infrastructure commune qui prend en charge une part croissante de leur complexité. Après le choix du modèle, déjà promis à l’automatisation, l’orchestration elle-même tend ainsi à disparaître derrière le travail. Bonne nouvelle : l’utilisateur peut se concentrer sur son métier. Mais que perd-il lorsqu’il n’a plus besoin de comprendre ce que la machine fait à sa place ? Pour le Learning, une question délicate s’ouvre : certaines compétences devenues inutiles pour faire restent-elles indispensables pour comprendre, contrôler et décider ?

Le 8 septembre, AXA a annoncé avec Publicis Sapient le passage à l’échelle de son « Global AI Hub ». Une première version, livrée en juillet, est déjà utilisée par cinq entités du Groupe, en Allemagne, en France, en Suisse, au Royaume-Uni et chez AXA XL. Les cas d’usage vont de l’automatisation des sinistres automobiles au traitement des e-mails clients et à la gestion des connaissances. L’intérêt du dispositif est ailleurs : AXA construit un socle commun capable de mettre en œuvre, gouverner et exploiter ses capacités IA. Gouvernance, sécurité, conformité, FinOps, SafetyOps et supervision humaine sont intégrées à la plateforme, qui peut également allouer et orchestrer différents LLM selon les cas d’usage. Les entités peuvent ainsi, selon AXA, se concentrer sur la création de valeur plutôt que développer chacune leur propre infrastructure. C’est évidemment rationnel. C’est même ce que l’on attend d’une technologie arrivée à maturité : que sa complexité s’efface progressivement derrière son usage. Mais cet effacement intéresse directement la formation. Car ce que l’utilisateur n’a plus besoin de faire, il pourrait bientôt ne plus avoir besoin de l’apprendre.

Ce mouvement avait déjà été analysé dans « Après le prompt, le routage ». Le développement des routeurs pose une question simple : pourquoi apprendre à un collaborateur à choisir entre plusieurs modèles si son environnement de travail peut sélectionner automatiquement celui qui convient à la tâche, au coût, au niveau de confidentialité ou de performance recherchés ? Avec le Global AI Hub d’AXA, le mouvement prend une dimension supplémentaire. Ce n’est plus seulement le choix du modèle qui peut disparaître aux yeux de l’utilisateur. C’est une partie de la mécanique elle-même : quel modèle intervient, quelles capacités sont mobilisées, comment elles s’enchaînent, quelles règles de gouvernance leur sont appliquées. Pour les services formation, la tentation est forte d’en tirer une conclusion radicale : cesser d’enseigner cette mécanique et se concentrer sur le métier. Pourquoi consacrer du temps à une connaissance technique dont l’infrastructure dispense précisément le collaborateur ? La question est d’autant plus légitime que les technologies évoluent plus vite que les programmes qui cherchent à les enseigner.

Toute l’histoire des technologies est faite de complexités devenues invisibles. Il n’est pas nécessaire de comprendre le protocole TCP/IP pour envoyer un e-mail ni le fonctionnement d’un moteur à injection pour conduire une voiture. Cette abstraction libère de la capacité cognitive pour d’autres tâches. L’IA pourrait suivre le même chemin. Mais la comparaison trouve ici sa limite : l’IA ne se contente pas d’exécuter une opération technique cachée. Elle intervient de plus en plus dans des activités cognitives : rechercher, synthétiser, analyser, rédiger, recommander, parfois décider. À mesure que disparaissent les opérations intermédiaires, l’utilisateur perd aussi certaines occasions de se confronter au problème, de comparer des solutions, de comprendre pourquoi l’une est préférable à l’autre, de détecter une anomalie. Il ne faut pas en conclure que l’invisibilité de la technologie diminue nécessairement les capacités cognitives. En revanche, elle peut modifier les occasions de les exercer. Le risque n’est donc pas seulement de ne plus savoir faire sans l’IA. Il est de ne plus disposer d’une représentation suffisamment précise de ce qu’elle fait pour savoir quand lui faire confiance.

La frontière devient alors plus subtile que le partage entre compétences utiles et compétences obsolètes. Une compétence peut ne plus être nécessaire à l’exécution tout en restant précieuse pour le contrôle. Un collaborateur n’a peut-être plus besoin de savoir sélectionner lui-même le meilleur modèle ; il doit néanmoins comprendre que tous les modèles n’ont ni les mêmes capacités ni les mêmes limites. Il n’a pas nécessairement besoin de connaître les opérations successives réalisées par un agent ; il doit savoir qu’un résultat apparemment simple peut provenir d’une chaîne d’actions dont chacune introduit une possibilité d’erreur. Il n’a pas besoin de refaire systématiquement le travail de la machine ; il doit conserver assez d’expertise pour reconnaître un résultat douteux. AXA fournit d’ailleurs un indice sur cette frontière : son Hub intègre la supervision humaine tout au long du cycle de vie de l’IA et le Groupe entend la maintenir sur les décisions à fort enjeu. Or superviser sans comprendre suffisamment ce que l’on supervise risque vite de devenir une fiction, comme l’analysait déjà « Superviser l’intelligence artificielle, cela s’apprend ».

Voilà peut-être un nouveau problème à résoudre pour le Learning. Il ne s’agit certainement pas de maintenir artificiellement des compétences dont l’automatisation débarrasse les collaborateurs. Pas davantage de transformer chacun en spécialiste des LLM, des routeurs ou de l’architecture agentique. Il s’agit de déterminer, métier par métier, le niveau minimal de compréhension nécessaire pour conserver jugement et capacité de reprise en main. La formation pourrait alors distinguer trois choses : ce que le collaborateur doit encore savoir faire lui-même, ce qu’il peut déléguer mais doit comprendre, et ce qu’il peut laisser entièrement à l’infrastructure. Le problème dépasse d’ailleurs les activités cognitives : « Le geste professionnel change de mains ! » posait la même question à propos de la robotisation des savoir-faire physiques. Cette frontière sera mouvante. Elle devra probablement être révisée à mesure que les agents gagneront en autonomie et en fiabilité. C’est précisément ce qui la rend stratégique. L’industrialisation de l’IA promet de débarrasser l’utilisateur d’une complexité croissante. Le Learning n’a aucune raison de la lui réinjecter artificiellement. Mais il devra peut-être veiller à ce que l’invisibilité de cette complexité ne finisse pas par rendre invisible, elle aussi, la compétence nécessaire pour la contrôler.