La gestion des compétences repose depuis longtemps sur un postulat simple : on peut distinguer les bons des moins bons en regardant les résultats. L'IA générative vient de rendre ce postulat fragile. Deux études de grande envergure, l'une sur 5 179 agents de support client, l'autre sur 758 consultants BCG, aboutissent au même constat : dans les situations courantes, les performances des novices et des experts deviennent statistiquement indiscernables dès lors que tout le monde utilise les mêmes outils. La question n'est pas de savoir si c'est un problème. C'est d'abord un fait. La question est de comprendre ce qu'il cache.
Un nivellement réel, documenté à grande échelle
L'étude Stanford/MIT de Brynjolfsson, Li et Raymond, conduite en 2023 sur une plateforme de support client, mesure l'effet de l'IA sur 5 179 agents de niveaux d'expérience très différents. Résultat : les employés peu expérimentés gagnent +34 % de productivité . Les experts, presque rien. Deux mois d'utilisation de l'outil équivalent à six mois d'expérience acquise sans lui. Le mécanisme est direct : l'IA redistribue les meilleures pratiques des experts à ceux qui ne les ont pas encore internalisées. Les juniors adoptent plus facilement parce qu'ils ont moins de méthodes ancrées à désapprendre.
L'étude Harvard/BCG de septembre 2023 confirme l'effet sur une population différente, des knowledge workers qualifiés, non des agents de support. Sur les tâches adaptées à l'IA, les participants aux performances habituellement faibles progressent de +43 %, les meilleurs éléments de +17 %. Qualité globale en hausse de 40 %, rapidité de 25 %. L'effet de nivellement n'est pas réservé aux tâches routinières , il s'étend aux tâches cognitives complexes.
Les domaines concernés sont précis : la recherche et la synthèse documentaire, l'analyse et l'interprétation de données, la modélisation de scénarios. Dans ces trois périmètres, un collaborateur qui sait solliciter l'IA accède à une compétence de spécialiste, sans nécessairement la posséder. Un conseiller financier peut analyser un document réglementaire complexe avec une précision qu'il n'aurait pas atteinte seul. La convergence des résultats est réelle. Mais elle ne dit rien de ce qui se passe quand l'outil atteint sa limite.
Ce que les livrables courants ne révèlent pas
La même expérience Harvard/BCG a produit un second résultat, moins commenté. Dell'Acqua et ses co-auteurs ont introduit le concept de "jagged frontier" , depuis publié dans Organization Science en 2025 : l'IA excelle sur certaines tâches et échoue sur d'autres apparemment similaires, sans qu'il soit possible de prédire ces limites à l'avance. La frontière entre ce qu'elle maîtrise et ce qu'elle ne maîtrise pas est irrégulière, et invisible à la surface des outputs. Les participants qui lui faisaient confiance sans réserve, mode "autopilote", ont vu leur performance chuter de 19 % sur les tâches situées hors de la zone de compétence réelle de l'outil. La diversité des idées produites, quand tous utilisent le même outil, baisse de 41 %.
Ethan Mollick, de Wharton, formule le problème sans détour : "Les gens peuvent vraiment s'endormir au volant quand ils utilisent l'IA." Ce n'est pas une métaphore sur la paresse, c'est une observation sur la métacognition. Savoir quand faire confiance à l'outil, quand le contredire, quand ses outputs se situent hors de sa zone de compétence réelle : cette capacité n'est pas distribuée également. Et sans elle, le gain de productivité devient une exposition au risque qui ne se révèle qu'à l'erreur.
Une étude Microsoft Research / Carnegie Mellon de février 2025, conduite sur 319 knowledge workers et 936 usages réels, rapporte que 72 % des participants ressentent moins d'effort cognitif sur les tâches d'analyse depuis qu'ils utilisent l'IA. C'est le paradoxe du cognitive offloading : plus on délègue la réflexion à l'outil, moins on maintient la capacité à valider ce qu'il produit. Une recherche publiée dans ScienceDirect en 2025 sur ce que ses auteurs appellent l'"Extended Executive Cognition" formule le résultat ainsi : la réussite professionnelle post-éducation dépend désormais davantage des compétences métacognitives pour la collaboration humain-IA que des compétences académiques traditionnelles. L'exposition au risque augmente avec l'usage, non pas malgré lui, mais à cause du mécanisme même qui produit le gain.
Ce que les organisations peuvent commencer à mesurer
La distinction Centaure / Cyborg / Autopilote, issue de la même expérience BCG, n'est pas qu'une taxonomie d'usage. Elle est un instrument de pilotage des compétences. Le mode Centaure divise clairement les rôles : l'humain prend les décisions stratégiques et exerce le jugement expert, l'IA génère du contenu et analyse des données. La maîtrise se manifeste dans la capacité à opérer sans l'outil sur les points critiques. Le mode Cyborg fonctionne en collaboration intime et constante, avec des allers-retours permanents et une vérification systématique, la maîtrise s'exprime dans la capacité à contredire l'IA, pas seulement à la solliciter. L'Autopilote, lui, fait confiance sans vérifier. C'est le mode qui produit le -19 %.
Le marché du travail a déjà intégré une version grossière de cette distinction. Le PwC AI Jobs Barometer 2025 mesure une prime salariale de +56 % en France pour les profils identifiés comme "maîtrisant l'IA". Les postes exigeant des compétences IA ont progressé de +109 % entre 2024 et 2025. Mais la question que le marché ne pose pas encore, et que les organisations ont intérêt à poser avant lui, est précise : cette prime rémunère-t-elle la maîtrise réelle, c'est-à-dire la capacité à valider les outputs et à opérer hors de la zone de l'outil, ou simplement l'usage courant ? Si le marché ne fait pas encore la distinction, les organisations qui la font obtiennent un avantage de sélection invisible mais réel.
Or les cadres de compétences existants ne permettent pas encore de la faire. Aucun corps professionnel, en France comme au Royaume-Uni, n'a défini ce que "maintenir la compétence" signifie quand les tâches analytiques centrales sont déléguées à l'IA. Ni frameworks d'évaluation, ni grilles pour détecter la dépendance cognitive. Ce vide est une invitation, pas une fatalité. La gestion des compétences à l'ère de l'IA exige de distinguer trois niveaux qui ne se substituent pas l'un à l'autre : l'accès, utiliser l'IA pour produire un livrable ; l'évaluation, savoir si ce que l'IA produit est correct ; l'expertise, savoir pourquoi c'est correct ou incorrect, et opérer sans l'outil si nécessaire. Ce sont trois niveaux distincts, et les livrables courants ne permettent pas de les distinguer.
Les organisations qui intègrent cette distinction dans leur référentiel de compétences ne mesurent pas seulement qui utilise l'IA, elles mesurent qui peut valider ce qu'elle produit. C'est ce déplacement du regard qui répond à la problématique : la différence entre maîtrise et accès ne devient visible que lorsqu'on s'est donné les instruments pour la voir, plutôt que d'attendre que l'erreur l'expose.
Deux questions qui restent ouvertes
Ce que cet article ne tranche pas, parce qu'il serait malhonnête de prétendre le contraire : d'abord, comment concevoir des situations d'évaluation qui exposent la frontière entre accès et expertise, si cette frontière ne se révèle pas dans les livrables quotidiens ? La question touche à la construction des référentiels, aux entretiens de compétences et aux revues de talent, et les réponses ne sont pas encore stabilisées. Ensuite, si l'usage intensif de l'IA érode la capacité métacognitive qui permet de la superviser, comment une organisation conçoit-elle des pratiques d'apprentissage qui maintiennent cette capacité ? Ce n'est pas un argument contre l'IA. C'est une question sur la conception des environnements de travail qui font que l'IA augmente réellement les compétences, plutôt qu'elle ne les substitue silencieusement.