Développement des compétences: vers des “organisations apprenantes augmentées”? – par Thierry BONETTO

Dans un monde en mutation de plus en plus rapide, le développement des compétences est mis au premier plan des problématiques RH : en 1987, on estimait la durée de vie moyenne d’une compétence technique à 30 ans ; elle n’est aujourd’hui que de quelques années. Au plan individuel, cette obsolescence accélérée des compétences fait de l’employabilité un enjeu crucial : selon DELL et l’Institut du Futur, 85% des métiers de 2030 n’existent pas aujourd’hui !

Mais apprendre est aussi le seul moyen d’utiliser son potentiel et de révéler sa personnalité, et c’est aussi prendre soin de son cerveau, comme l’indique le Neurobiologiste Pierre-Marie Lledo : « le cerveau se nourrit du changement et se détruit de la routine … la production de neurones cesse lorsqu’on arrête d’apprendre ». A l’heure de la révolution technologique et des évolutions rapides de nos Sociétés, ce « potentiel d’apprendre » est aujourd’hui un diamant à polir et à faire rayonner.

Au plan des organisations, Charles Handy a montré dans les années 2000 déjà, que dans un monde où le rythme des changements s’accélère, les recettes d’hier ne sont plus gages de performance pour demain ; dans son livre « Learn or Die », Edward Hesse reprend ce constat en expliquant que le principal facteurs clé de survie des entreprises est leur capacité d’apprendre « à la vitesse du changement », plus vite que leurs concurrents : 52% des entreprises du classement Fortune 500 en 2000 ont disparu de ce classement 19 ans plus tard !

Ainsi, l’enjeu des entreprises dans le domaine des compétences est triple :

• Acquérir et maintenir à jour les compétences nécessaires à la performance, et à moyen terme pour favoriser l’employabilité des collaborateurs ;
• Accompagner les transformations, et notamment les besoins de « reskilling » / « upskilling » : selon une étude du World Economic Forum, ces besoins devraient concerner près de 54% des employés au niveau mondial entre 2019 et 2022 ;
• Enfin, créer les conditions d’une « culture learning » qui facilite l’adaptation en continu de l’entreprise, des métiers, des individus et des équipes dans un environnement en changement rapide : bref, progresser comme « learning compagnie ». Une telle culture d’apprentissage en continu est d’ailleurs un facteur clé d’attraction, d’engagement et de rétention des collaborateurs, comme l’indique une enquête Linkedin en 2019 : les opportunités d’apprentissage y apparaissent comme le 2^nd facteur d’engagement – après la nature du travail – et le 1^er facteur de départ lorsque ces opportunités ne sont pas suffisantes.

Face à ces enjeux, les technologies et l’IA nous invitent à repenser les modes d’apprentissage formels et informels, selon le fameux modèle « 70/20/10 »: formations présentielles ou/et à distance (10% de ce que l’on apprend) ; apprentissage social (20%), et apprentissage « en situation de travail » (70% de ce que l’on apprend), grâce à l’accès démultiplié à des ressources digitales « où et quand je le veux », et à des modalités telles que l’AFEST – Action de Formation En Situation de Travail

Pour ce faire, l’IA dispose de trois « super-pouvoirs » : l’amélioration de « l’expérience apprenant » et donc de la performance pédagogique, la personnalisation de masse, et les capacités de recommandations. Grâce à ces « super-pouvoirs », l’IA est en capacité de bouleverser la construction des plans de formation, et catalyser le « développement pour tous ».

Programmes de formation formels et « adaptive learning »

Les parcours de formation mobilisent diverses modalités pédagogiques : classes présentielles ou virtuelles, modules digitaux, tutorat, applications dans l’environnement de travail, etc. Le bénéfice est double. L’IA inaugure une personnalisation inédite de ces parcours grâce à l’utilisation des données (ce que certains appellent « Adaptive Learning ») : en fonction du profil des apprenants, des activités en cours de programme, et des résultats obtenus, les algorithmes proposent des modalités d’apprentissage différenciées, en activant les « briques de formation » ou les « grains pédagogiques » les plus pertinents, tant sur le fond que sur la forme :

• De façon « macro », à partir d’un positionnement initial de chaque apprenant, dont le calibrage peut s’affiner progressivement par l’entrainement des algorithmes, à partir des données accumulées ;
• De façon « micro », en adaptant en continu le rythme, le niveau de difficulté, les activités (par exemple les questions posées aux apprenants), ou encore en optimisant la constitution des groupes pour les « classes » présentielles ou virtuelles.

Par exemple, SPEEX, société spécialisée dans l’apprentissage des langues, propose aux apprenants, à partir d’un « profiling », les formats digitaux les plus appropriés, optimise les groupes de formation « live », et aide les formateurs à préparer leurs sessions à partir des activités et résultats des apprenants. L’IFCAM, Institut de Formation du Crédit Agricole, a travaillé sur l’optimisation des MOOCs en ciblant les questions posées aux apprenants et les contenus proposés à partir d’un « profiling » assisté par l’IA … et constaté une efficacité accrue dans l’apprentissage. De même, le principe des « classes inversées » pratiquées par IBM permet de conseiller en amont des ressources pédagogiques ciblées, en contenu et en format grâce à un algorithme apprenant sur la base des promotions passées, afin de donner toute leur puissance et efficacité aux sessions présentielles.

L’efficacité de ces dispositifs provient à la fois de l’optimisation du temps de formation pour les apprenants, grâce à la pertinence des ressources proposées, et de l’ancrage mémoriel renforcé.

Pour autant, la force de « l’adaptive learning » n’a-t-elle pas aussi un « côté obscur » ?

Prenons un exemple : l’un des aspects de l’adaptation de l’apprentissage aux profils des apprenants, est de leur proposer des ressources pédagogiques dans un format correspondant à leur « style d’apprentissage ». Le modèle de Kolb, par exemple, distingue quatre « styles » :

• Expérience concrète : apprendre d’une nouvelle expérience ou d’un regard novateur sur une expérience existante ;
• Observation réflexive – observations d’écarts entre l’expérience et la compréhension ;
• Conceptualisation abstraite : quand la réflexion donne lieu à de nouvelles idées ou à une modification d’un concept existant ;
• Expérimentation active :  lorsque l’apprenant applique ses idées au monde qui l’entoure pour voir ce qui se passe.

Or, les neurosciences nous enseignent que, même si nous avons des préférences, notre apprentissage s’améliore lorsque nous utilisons différents – et idéalement tous les – styles d’apprentissage ! Ainsi, si l’adaptation au style d’apprentissage préféré peut être efficace à court terme, son utilisation excessive peut être contre-productive à long terme! Cela signifie que nous devons équilibrer l’apprentissage « à court terme », basé sur les préférences, avec le développement « à long terme », en utilisant tous les styles, pour devenir un « apprenant adaptatif » …

Communautés et Apprentissage social : l’accélération !

Selon Philippe Carré, « on apprend toujours seul, mais jamais sans les autres ». Les algorithmes ont le potentiel « d’augmenter » cette dimension sociale essentielle de l’apprentissage, comme le démontre le nombre de startups et de solutions RH innovantes dans ce domaine.

En matière de coaching et mentoring par exemple : certaines solutions visent à renforcer la qualité du « matching » entre coach et coaché, mentor et mentee : c’est le pari de « The Place To Coach », qui propose un algorithme de matching, tout en s’interdisant qu’il rende automatique le choix final : la personne peut choisir un coach qui lui ressemble, ou au contraire un coach dont la personnalité est très différente de la sienne. Autre exemple : la plateforme « MonMentor », qui vise à démocratiser le « mentoring » et l’apprentissage entre pairs.

Allons plus loin : certains algorithmes permettent d’activer des « coachs virtuels », combinant questionnement en ligne et recommandations, en s’appuyant d’une part sur une certaine vision du rôle du manager, d’autre part sur le profil de l’apprenant et ses interactions avec la machine, et enfin sur les données accumulées sur l’ensemble des apprenants et leurs interactions. La technologie « chat bot » permet, de plus en plus fréquemment, de compléter le texte par du langage parlé.

C’est le cas par exemple de la solution proposée par PocketConfident, ou encore du « mentoring digitalisé » proposé par Inergens – qui repose sur un concept de « Tonicité Managériale » (le juste équilibre dans la répartition dynamique du temps et de l’énergie), avec un avatar opérant un premier niveau de questionnement, et laissant ensuite la main à un « coach humain » à distance.

On voit que ces solutions ne se substituent pas à l’intelligence humaine – et émotionnelle – d’un coach ou d’un mentor, mais visent à réaliser un rêve : rendre accessibles au plus grand nombre, même de façon simplifiée – à travers une aide régulière et de « premier niveau » – des approches réservées jusqu’à présent à une élite.

L’apprentissage social est aussi le territoire des communautés de pratiques et du « management des connaissances ». Depuis longtemps, des entreprises ont tenté de mettre en place des systèmes de « knowledge management », en capitalisant les savoir-faire dans des bases de données. Ces dispositifs ont été rarement efficaces, soit parce que la technologie n’était pas assez simple, soit parce que la culture du partage – et surtout de la « copie » était peu répandue. De plus, capitaliser les savoirs est de moins en moins pertinent – sauf dans certaines industries à cycle de vie long -, du fait de l’obsolescence rapide des compétences. Enfin, la contextualisation dans la mise en œuvre de ce que l’on appelle souvent les « bonnes pratiques », est primordiale : une pratique efficace dans le contexte d’une entreprise ou une unité, ne le sera pas forcément dans les mêmes conditions ailleurs. C’est pourquoi, il est bien plus efficace de faciliter les connexions entre les personnes, que d’investir dans une capitalisation « déshumanisée ».

Là encore, la technologie, et les algorithmes, permettent une « augmentation » de l’apprentissage social au sein de « communautés de pratiques » :

• Possibilité pour les collaborateurs de surmonter un obstacle au moment où il survient, en recevant rapidement des conseils d’experts et de pairs ayant été confrontés à la même difficulté – en réponse à des questions postées sur une plateforme de type « réseau social » – tel le dispositif mis en place par GENERALI France dans son réseau de distribution ;

• L’utilisation de « chatbot » pour répondre aux questions les plus fréquentes, l’algorithme étant entraîné par les réponses des experts, mais aussi par tous les contributeurs au dispositif ;
• En allant plus loin, la proposition automatique, dans le « flux » d’activité, de s’inspirer d’une expérimentation réussie ailleurs, ou / et de contacter un expert identifié dans le réseau. Il s’agit là d’utiliser le « super pouvoir » de l’IA, pour suggérer une pratique intéressante à un employé afin de l’aider au moment même de réaliser son activité.

C’est là, la possibilité d’une collaboration inédite entre intelligence artificielle et intelligence collective : l’IA étant « entrainée » par quelques experts, mais aussi par l’ensemble des contributeurs sur un thème donné.

Un point de vigilance toutefois peut éviter de « réveiller un côté obscur » qui serait créé par une focalisation exclusive sur les expériences passées : dans un monde incertain et changeant, les succès d’hier ne forgent pas les recettes de demain. Parfois, les chemins les plus apprenants sont ceux les moins empruntés ; c’est la valeur ajoutée des vraies « Learning Expeditions », qui permettent de rencontrer des organisations et des personnes hors des sentiers battus et de son secteur d’activité, pour apprendre de ce qu’ils/elles font, et pourquoi ; il ne s’agit plus de repérer des « bonnes pratiques », mais de « traverser les frontières », s’inspirer de territoires différents, pour imaginer des pratiques non encore explorées, et qui feront peut-être la différence dans son propre contexte. Ainsi, il faut laisser la place à « l’apprentissage non prévu », aux sources d’inspirations improbables, à la « vraie ouverture » ! C’est souvent ainsi que l’on désapprend, pour mieux apprendre… 

Apprendre c’est Travailler : « Augmenter » l’apprentissage en situation de travail ?

Le modèle traditionnel de la formation a été de l’ajouter au travail : participation à un séminaire, lecture d’un livre, utilisation d’un module e-learning :  tel que représenté sur la gauche du schéma ci-dessous.  Pourtant, 70% (au moins) de ce que l’on apprend est issu de l’expérience : c’est ce que l’on appelle souvent « learning by doing » : c’est la partie centrale du schéma… encore faut-il se rendre compte que ce n’est pas en « faisant » que l’on apprend, mais en prenant du recul par rapport à ce que l’on a fait, afin d’en tirer un « retour d’expérience », la vraie source d’apprentissage.

Le digital a depuis longtemps commencé à outiller l’apprentissage en situation de travail, en permettant au collaborateur, dans le cadre même de son activité, d’accéder à des « capsules de formation » – souvent appelées « performance support » – au moment où il / elle en a besoin : la partie droite du schéma ; par exemple, se ré-mémorer, pour un agent d’assurance, les options contractuelles avant de discuter avec un potentiel client.

Trois évolutions viennent renforcer considérablement l’efficacité de tels dispositifs :

• La réalité virtuelle / augmentée : qui permet une situation immersive et engageante, permettant l’amélioration du « geste professionnel » ;
  • Le coaching à distance : par exemple dans l’exemple d’ENGIE, où des opérateurs de maintenance analphabètes peuvent entrer en contact avec des « coachs » capables de « voir » la situation (via video) et conseiller sur la façon de faire.
  • La capacité de l’IA, grâce à son « super-pouvoir » de recommandations, à suggérer des graines pédagogiques « dans le flux de travail », en fonction du profil du collaborateur ancienneté dans le poste, maturité dans la pratique, performance dans le poste, etc.).

Sur ce dernier point, de récents travaux ouvrent une alliance inédite de l’IA et de l’Intelligence émotionnelle. Par exemple, si vous êtes confronté à une difficulté d’utilisation d’un système, la machine peut « lire » votre humeur et vous proposer une aide simple pour la surmonter ! Plus largement, les algorithmes permettent « d’augmenter » deux points majeurs liés à l’apprentissage :

• Mobiliser l’attention : en apportant une aide rapidement, au moment du besoin : c’est ce que fait le « coach digital » d’IBM par exemple, en apportant une réponse en moins de 50 secondes pour que le collaborateur s’en saisisse afin de réaliser son activité ;
  • Apporter cette aide en connexion avec une émotion – renforçant ainsi la motivation d’apprendre. Par exemple en détectant le besoin à partir d’une réaction émotionnelle, comme indiqué ci-dessus ; ou encore en générant une émotion : imaginez un chatbot qui vous dit : « écoute, cela fait quatre fois que je te donne cette information, il s’agirait de la retenir » …

Là résident les germes d’une révolution majeure : intégrer l’apprentissage dans les processus de travail, qu’il soit activé par les employés, ou proposé par l’algorithme. Cela ouvre une perspective inédite sur les modalités d’apprentissage et le rôle des responsables formation :

• « Commencer par le 70 » : autrement dit, partir du processus de travail, et réfléchir à l’intégration optimale de « ressources learning » dans ce processus, plutôt que prévoir une formation en amont dont les apprenants ne retiendront que 10% ou 20% ; par exemple, insérer un dispositif de recommandations personnalisées lors de l’utilisation d’un système de management de la relation client. Cette approche permet d’activer des solutions learning, lorsque le besoin émerge, comme le rappelle Sandra Enlart dans son ouvrage « De la formation à la learning company » : « nous devrions moins nous occuper de formation et davantage de processus d’apprentissage en situation de travail car c’est là que se développent réellement les compétences »
• Conférer aux équipes learning un rôle dans le « ré-engeniering des processus », en utilisant par exemple des méthodes de type « design thinking » pour concevoir des processus non seulement efficaces mais apprenants : il ne s’agit pas seulement d’intégrer des outils de « performance support » – qui d’ailleurs n’impliquent pas forcément un apprentissage (si le système vous indique comment faire, vous allez appliquer la consigne, mais sans pour autant apprendre comment faire pour de futures situations). Il s’agit d’aller plus loin pour créer des processus évolutifs et apprenants – par exemple suggérer des « boucles de réflexion » au vu des données générées par les actions et les expérimentations menées sur le poste de travail.

Refonder le développement des compétences

On l’a vu, les technologies et l’IA ont le potentiel de renforcer et personnaliser l’apprentissage « en situation de travail ». Plus fondamentalement encore, les algorithmes peuvent transformer les stratégies de développement des compétences, via :

• Le repérage des compétences explicites et tacites de chacun, en intégrant la reconnaissance du langage naturel, sur la base des compétences déclarées, ainsi que du CV, du profil linkedin, de la reconnaissance par les pairs – tel le système interne de type linkedin d’IBM ;
• L’identification des possibles évolutions de carrière dans l’entreprise – sur la base des projections de métiers -, voire sur le marché externe – à partir d’analyses statistiques issues par exemple de linkedin ;
• La proposition d’activités de développement pour combler les écarts de compétences, à partir du positionnement individuel, des souhaits d’évolution, et des formations déjà effectuées.

Le vrai « super pouvoir » de l’IA n’est-il pas, au fond, d’être le catalyste d’un « développement pour tous », permettant une réflexion personnalisée qui nécessiterait, sans elle, de multiplier les effectifs RH ?

Pour autant, un « côté obscur » peut apparaître, via les biais cognitifs évoqués dans d’autres chapitres de cet ouvrage, si les recommandations deviennent des voies normalisantes :  comme l’indique Nicolas Rolland d’ENGIE, « on voit bien que tout nous pousse vers le coeur de la courbe de Gauss, vers une certaine normalité statistique, qu’elle soit prédictive ou analytique ; il y a un risque que la personnalisation mène à la normalisation segmentée. La richesse de notre société, basée sur la diversité et l’unicité de tous doit être une source d’opportunité et d’ouverture pour le digital et non de réduction et d’étroitesse ». L’enjeu est ainsi de « contre-balancer » les dispositifs d’accompagnement « augmentés » par l’IA, par une éducation des collaborateurs afin de les aider à construire une vision vision de qui ils sont et qui ils veulent être, et affiner leur esprit critique et leur autonomie dans le choix de leur développement et de leur parcours professionnel.

Le « Futur du Learning » avec une « IA for Good »

En conclusion, l’IA ouvre donc des perspectives nouvelles pour les direction learning, afin de rêver à la fois le « développement pour tous » et la « personnalisation de masse » : en individualisant les parcours, en proposant et simplifiant l’accès à des capsules de formation pertinentes pour chacune et chacun, en démocratisant les approches de « peer learning », en intégrant la formation dans les situations de travail, en aidant la réflexion individuelle pour son propre développement professionnel.

Fondamentalement, les algorithmes font aussi émerger un nouveau « modèle mental » dans le pilotage des plans de formation. En effet, ces plans sont traditionnellement issus de deux exigences : l’accompagnement des transformations par des actions de formation collective, et la consolidation des besoins individuels de développement. Cette 2^nde dimension pourra être bientôt automatisée grâce aux algorithmes, en consolidant, et prédisant, les besoins de formation sur l’ensemble des employés.

Dés lors, le « futur du travail » pour les responsables formation pourrait se focaliser moins sur la construction et l’administration des plans de développement des compétences, et se redéployer sur :

• La prise en compte des besoins collectifs, et la mise en œuvre de stratégies learning pour accompagner les transformations de l’entreprise – notamment à travers des approches de « upskilling / reskilling » ;
• Un « néo ré-enginiering » des process de travail pour y intégrer des modalités de formation en continu et en situation de travail ;
• La mise en œuvre de stratégies de « développement pour tous », en « augmentant » le modèle 70/20/10, et en aidant chacune / chacun à réfléchir à qui il / elle est, qui il / elle voudrait être, et comment créer son futur ;
• L’activation de leviers permettant de progresser comme « learning company », aux niveaux individuels et collectifs – et notamment, au-delà des pratiques learning, sur les plans organisationnels et culturels ;
• L’éducation et le développement des « soft skills », compétences socio-émotionnelles et prise de recul, pour nourrir la collaboration homme – algorithmes, dans ses dimensions individuelle – l’individu et son rôle – et collective – la collaboration et la performance d’équipes.

A l’aube de ces révolutions, la fonction RH / Learning porte une responsabilité forte : celle d’écrire un futur souhaitable, et d’orienter l’usage des technologies et de l’IA au service du développement des hommes et des femmes, tout autant que des organisations : en faisant sienne l’adage de Mahatma Gandhi : « Le futur dépend de ce que nous faisons aujourd’hui ».