Wouter Neef
7 min de lecture
June 5, 2025
Le débat sur la compétitivité européenne revient toujours à la même conclusion : le goulot d’étranglement n’est pas l’accès à la technologie, c’est le rythme auquel les adultes en activité acquièrent de nouvelles compétences. La participation à la formation des adultes dans l’UE reste bien en deçà de l’ambition affichée, et elle varie fortement d’un État membre à l’autre. Le déficit n’est pas réparti uniformément non plus : il est le plus large exactement là où la donnée et l’IA transforment le travail le plus vite.
Le mot qui manque le plus souvent dans ce débat, c’est la vitesse. Un responsable données et IA d’un grand groupe pharmaceutique nous l’a dit plus crûment que n’importe quel rapport : « Je ne crois pas que la question soit l’adoption, je crois que c’est la vitesse d’adoption. Et les humains ne sont pour l’instant pas assez rapides pour adopter. » C’est un problème différent d’une pénurie de compétences. Laissées à elles-mêmes, la plupart des organisations finiraient par y arriver. La question est de savoir si elles y arrivent avant que les décisions qui en dépendaient ne soient déjà prises.
Pour une organisation prise isolément, le chiffre européen compte moins que le sien. La recommandation pratique est la partie utile : devenir plus réactif face à l’évolution des besoins en compétences, et rassembler une information fiable, fine et comparable sur l’endroit où se situent réellement les manques. Sans cela, le budget de formation va à ceux qui demandent le plus fort, et non là où il change le travail.
« Fine » n’est pas ici un mot de remplissage. Une moyenne à l’échelle de l’organisation ne vous dit rien sur quoi agir. Le chiffre qui change une décision, c’est celui par équipe et par rôle : quel groupe lit un tableau de bord avec assurance mais ne sait pas questionner ce qu’il contient ? Lequel produit des rapports que personne n’ouvre ? Lequel valide des initiatives d’IA sans pouvoir les juger ? Ce sont quatre problèmes différents avec quatre réponses différentes, et c’est pourquoi nous répartissons les personnes en quatre personas Data & AI avant de concevoir quoi que ce soit.
« Comparable » compte tout autant. Une mesure qui ne vous compare qu’à vous-même vous dit si vous avez bougé, pas si vous avez assez bougé. Nous évaluons les compétences sur une échelle de 0 à 300, avant, pendant et après un programme, par persona et par équipe, et nous comparons ce résultat à d’autres organisations. Ainsi, la question « est-ce que nous nous en sortons bien ? » cesse d’être une affaire d’opinion.
Une réponse fréquente consiste à dépoussiérer l’e-learning construit il y a quelques années et à y greffer un module GenAI. Cela survit rarement au contact du réel, pour une raison simple : le contenu vieillit plus vite que la plateforme qui l’héberge, et une formation que personne ne termine n’apprend rien à personne.
On sous-estime facilement l’ampleur de ce second problème. Le taux d’achèvement des catalogues d’e-learning d’entreprise classiques tourne autour de 12 %. Autrement dit, environ sept licences sur huit que vous payez ne produisent rien du tout. Toute discussion budgétaire qui part du coût par licence plutôt que du coût par apprenant arrivé au bout mesure la mauvaise chose.
Il y a aussi un piège de positionnement. Dans presque toutes les grandes organisations avec lesquelles nous parlons, le niveau d’entrée est déjà occupé : une formation IA obligatoire, valable pour tout le groupe, largement textuelle, que tout le monde a survolée une fois. En acheter davantage ne change rien, et ceux qui auraient le plus besoin d’avancer ont déjà coché la case. Le niveau qui manque vraiment est celui du dessus, où les gens appliquent la matière dans leurs propres outils, sur leurs propres problèmes.
Le format n’est pas un détail non plus. Les travaux de Carnegie Mellon estiment la pratique interactive environ six fois plus efficace que l’apprentissage par la seule vidéo. Ce rapport, c’est la différence entre un programme qui produit de la sensibilisation et un programme qui produit du travail réalisable dès le lendemain matin.
Les programmes doivent donc être évalués sur leur efficacité et révisés, pas allongés. Cela veut dire connaître ses taux d’achèvement plutôt que ses inscriptions, savoir quels modules les gens abandonnent et à quel endroit, et accepter de couper ce qui ne mérite plus sa place.
Dans nos propres programmes, la différence entre une formation que les gens terminent et une qu’ils abandonnent ne tient presque jamais au sujet. Elle tient à ce que les exercices utilisent leurs données, leurs outils et leurs cas, et à ce que quelqu’un remarque quand une personne cale à mi-parcours. Ce sont deux choix de conception assumés : des formations bâties sur les cas d’usage du client et quelqu’un qui suit activement la progression et relance, plutôt qu’un tableau de bord que personne n’ouvre. Chez Jaarbeurs, cette combinaison a donné 96 % d’achèvement sur 350 apprenants ; chez Skyscanner, 77 % sur plus de 1 400.
L’Europe est à la traîne des États-Unis et d’une partie de l’Asie en matière de productivité depuis longtemps, et l’écart se voit surtout dans la vitesse à laquelle une technologie nouvelle est réellement utilisée, et pas seulement achetée. Pour les organisations qui franchissent ce pas, le retour existe : Morgan Stanley chiffre le gain net de productivité à 11,5 % pour les entreprises ayant au moins un an d’usage réel de l’IA, mesuré sur les cinq secteurs les plus exposés à l’IA. Notez la condition dans cette phrase. C’est un chiffre pour les entreprises qui utilisent vraiment la technologie, pas la promesse que l’acheter suffit.
La même asymétrie apparaît dans la valeur des compétences. Le Global AI Jobs Barometer de PwC situe la prime salariale des compétences en IA à 56 %, tandis que Lightcast, dont PwC exploite les données d’offres d’emploi, l’estime à 28 % sur un échantillon plus large. Entre un quart et la moitié, donc, selon l’échantillon retenu, et en hausse dans les deux cas. Le marché du travail valorise déjà exactement la capacité que votre programme doit construire.
Ce que ces moyennes masquent, c’est l’écart devenu énorme entre des entreprises comparables. Dans nos échanges avec de grands groupes néerlandais de taille similaire, nous avons entendu en quelques semaines « quelques milliers d’agents IA en production », « cinquante mille », et « zéro, parce que nous n’osons pas encore ». Cette distance ne s’explique ni par l’ambition ni par le budget. Elle s’explique par le nombre de personnes qui, dans l’organisation, comprennent la technologie assez bien pour que quelqu’un reçoive l’autorisation d’agir.
Un obstacle humain mérite d’être nommé. Une large part des salariés européens est inquiète face à l’IA, et une proportion notable préférerait des restrictions publiques pour protéger l’emploi. Cela ne se règle pas avec un module de conformité. Cela se règle en donnant aux gens assez de compétence pratique pour que l’IA cesse d’être quelque chose qui leur arrive et devienne quelque chose qu’ils dirigent.
Cette inquiétude explique aussi pourquoi un programme purement volontaire touche surtout ceux qui en ont le moins besoin. Les collègues qui s’inscrivent en premier sont en général déjà à l’aise. Ceux dont dépend le business case espèrent discrètement que cela passera.
Et le déficit ne se situe pas qu’en première ligne. Un cabinet de conseil en données, décrivant ses propres clients, le plaçait tout en haut : des dirigeants et des membres de conseil qui ne maîtrisent pas assez le sujet pour voir les conséquences de leurs propres décisions, dans des organisations qui supposent le problème réglé parce qu’il y a une équipe data quelque part à la DSI. Un programme qui saute la couche dirigeante s’enlise en général un niveau plus bas.
Trois conséquences pour quiconque mène un programme. Ne le limitez pas à l’organisation data. Ne le limitez pas à ceux qui sont déjà à l’aise. Et acceptez que certains groupes, les personnes qui ne sont pas devant un bureau toute la journée, ou dont la langue maternelle n’est pas celle de votre formation, aient besoin d’un autre format plutôt que d’une invitation plus insistante.
Rien de tout cela n’exige un plan à trois ans. Il faut une cohorte et une mesure honnête autour d’elle.
Il est utile de s’entendre sur ce que veut dire « capable » avant de le mesurer. Notre définition, née en construisant l’évaluation : comprendre ce qu’est une donnée, se sentir assez sûr pour travailler avec, et l’appliquer au quotidien. Rien ne change tant que les trois ne sont pas vrais. Deux sur trois, c’est une formation achevée.
Mesurez donc d’abord, pour disposer plus tard d’une mesure de référence à opposer. Choisissez la partie de l’entreprise où la donnée ou l’IA transforme visiblement le travail, plutôt que celle qui s’y montre la plus enthousiaste. Menez une cohorte de bout en bout sur des cas réels de ce périmètre, puis mesurez à nouveau les mêmes compétences. Formez ensuite une poignée de champions à l’intérieur du groupe, pour que la deuxième cohorte ne dépende plus de vous.
Cet enchaînement transforme un budget de formation en une capacité qui appartient à l’organisation. Le programme Jaarbeurs en est un exemple complet : une ambition à l’échelle de l’entreprise, traduite en cohortes sur leur propre matière, avec une progression des compétences mesurée avant et après plutôt que supposée.
Aucun employeur ne comblera seul le déficit de compétences européen. Mais la part qui se trouve dans votre propre organisation est mesurable, et c’est la seule sur laquelle vous pouvez agir cette année.
Membre de
Nominé
