La présentation est impeccable. Le code est commenté. La recommandation semble tenir debout. Puis une question simple suffit à faire hésiter son auteur : pourquoi avoir choisi cette solution ? Avec l’IA générative, le travail d’un junior peut paraître plus mûr que son raisonnement. Le problème n’est pas nécessairement la triche : c’est la disparition des indices qui permettaient de l’accompagner. Comment donner un retour juste lorsque la qualité du résultat ne dit plus clairement ce que la personne a compris ?
Un résultat convaincant, un apprentissage invisible
Prenons une scène illustrative : une chargée d’études débutante remet une synthèse client structurée, fluide, assortie de recommandations. Son responsable relève peu de défauts. Mais lorsqu’il lui demande quelle source justifie la principale conclusion, elle retrouve difficilement le fil. L’assistant a regroupé les informations, proposé le plan et reformulé les arguments. Elle a travaillé, sans forcément exercer toutes les compétences que le document laisse supposer.
Cette dissociation ne commence pas avec les modèles génératifs : modèles de présentation, correcteurs et entraide ont toujours facilité la production. Mais l’IA change l’échelle. Elle fournit aussi les transitions, les justifications et l’apparence d’une pensée organisée. Les hésitations disparaissent du livrable, alors qu’elles sont souvent précieuses pour repérer le prochain apprentissage.
Pour éclairer cet enjeu à l’horizon de septembre 2026, cet article s’appuie sur des travaux publics antérieurs et distingue leurs résultats des pistes prospectives. Une étude menée sur des agents de support client, diffusée en 2023 par Erik Brynjolfsson, Danielle Li et Lindsey Raymond, a observé des gains de productivité particulièrement marqués chez les moins expérimentés grâce à une assistance générative. Ce résultat ne démontre pas, à lui seul, une maîtrise durable des compétences mobilisées.
Ne pas confondre assistance et incompétence
Un autre travail publié en 2023, mené avec des consultants de Boston Consulting Group, a montré que les bénéfices de l’IA variaient selon les tâches : elle améliorait certaines performances, mais pouvait aussi entraîner les utilisateurs vers des réponses erronées. Pour un manager, la leçon est concrète : ni la fluidité du texte ni l’usage d’un outil ne permettent de conclure au niveau de compréhension.
Le premier piège consiste donc à féliciter uniquement le rendu. Le second, symétrique, à dévaloriser tout travail assisté. Un débutant peut avoir intelligemment cadré sa demande, rejeté plusieurs propositions et vérifié chaque affirmation. Un autre peut avoir accepté une réponse sans recul. Leurs documents se ressemblent ; leurs besoins d’accompagnement diffèrent.
Le bon objet du feedback n’est pas la quantité d’IA utilisée, mais la qualité du jugement exercé. Qu’a-t-il fallu décider ? Sur quelles preuves ? Quelles erreurs la personne sait-elle reconnaître ? Ces questions déplacent la discussion du soupçon vers le développement professionnel.
Rendre le raisonnement visible sans organiser un interrogatoire
Demander tous les historiques de conversation serait une réponse lourde et parfois intrusive. Cela pourrait aussi encourager les juniors à fabriquer une traçabilité exemplaire plutôt qu’à signaler leurs difficultés. Mieux vaut convenir à l’avance de quelques traces utiles : l’objectif poursuivi, une décision importante, une vérification réalisée et une incertitude restante.
Pour une note d’analyse, ces éléments peuvent tenir dans un encadré. Pour du code, dans la description de la modification et les tests associés. Pour une création graphique, dans deux variantes commentées. L’enjeu n’est pas de raconter chaque clic : il est de faire apparaître ce que le livrable final efface.
Trois questions qui ouvrent la discussion
- « Quel choix défendrais-tu si nous devions simplifier ce travail ? » La question révèle la hiérarchie des priorités.
- « Quelle proposition de l’outil as-tu écartée, et pourquoi ? » Elle explore l’esprit critique sans présumer qu’il s’est exercé.
- « Qu’est-ce qui changerait si cette hypothèse était fausse ? » Elle teste la compréhension au-delà de la restitution.
Ces questions doivent être annoncées comme un rituel d’apprentissage, non comme un contrôle surprise. Et les réponses peuvent être écrites ou préparées : l’aisance orale ne doit pas devenir un faux indicateur de compétence technique.
Donner un retour sur un écart précis
Dire « c’est trop ChatGPT » n’aide personne. La formule mélange un jugement de style, un soupçon sur la méthode et une critique du fond. Un retour constructif distingue au contraire trois niveaux : ce qui fonctionne dans le résultat, ce qui reste fragile dans le raisonnement et ce qu’il faudra essayer ensuite.
Dans notre exemple, le responsable pourrait formuler ce retour : la synthèse rend les options lisibles ; en revanche, la recommandation principale repose sur une source qui ne suffit pas à la justifier ; la prochaine étape consiste à comparer deux sources et à expliquer leurs limites. La qualité du rendu est reconnue, mais elle ne masque plus le travail nécessaire.
Un bon feedback débouche sur une action réalisable, pas sur une injonction à « mieux réfléchir ». Refaire un calcul, construire un contre-exemple ou vérifier une référence donne une prise concrète. Mieux vaut cibler un apprentissage décisif que dresser l’inventaire de toutes les faiblesses d’un document.
Préserver des moments où l’on cherche vraiment
Faut-il interdire l’IA aux débutants ? Une interdiction générale priverait aussi certains d’une aide utile pour reformuler une consigne ou explorer un concept. Mais déléguer systématiquement la première tentative risque de supprimer la confrontation au problème : celle qui permet de découvrir ce qu’on ne comprend pas.
Un compromis consiste à séquencer l’activité. D’abord, une courte tentative personnelle : esquisser un plan, poser une hypothèse, identifier les inconnues. Ensuite, utiliser l’IA pour confronter ou enrichir cette approche. Enfin, revenir sur les différences et vérifier les points déterminants. Ce protocole est une piste pédagogique à adapter, pas une garantie universelle d’apprentissage.
On peut également réserver certains exercices sans assistance à des objectifs explicites. Comprendre une formule, diagnostiquer un incident ou argumenter une recommandation exige parfois de s’entraîner directement. Il faut alors expliquer pourquoi et accorder le temps nécessaire : produire moins vite pendant un exercice n’est pas échouer.
Le droit d’apprendre dépend aussi du management
Les juniors reçoivent parfois deux messages incompatibles : aller plus vite grâce à l’IA, mais progresser comme s’ils avaient tout construit seuls. Si l’organisation ne récompense que la vitesse et le fini, demander de montrer ses doutes devient peu crédible. Le droit d’apprendre suppose du temps de relecture et la possibilité de dire « je ne sais pas encore ».
Le manager peut donner l’exemple en montrant une réponse d’IA qu’il a lui-même corrigée. L’évaluation gagne aussi à distinguer résultat, vérification et autonomie. La progression s’observe alors sur plusieurs missions, notamment lorsque le junior sait traiter un cas voisin avec moins d’aide.
Et maintenant ? À mesure que les assistants pourraient prendre davantage en charge la fabrication des livrables, le tutorat devra probablement rendre plus visibles les décisions humaines. La priorité n’est pas de démasquer l’utilisateur d’IA, mais de vérifier qu’il gagne en discernement. Un document réussi clôt une tâche ; un retour bien construit prépare la suivante.
