Thierry Picq et Séverine Besson publient cette semaine dans HBR France un article au titre sans équivoque : « Learn or die ». Leur diagnostic est limpide et dérangeant. On n’a jamais autant investi dans la formation. On n’a jamais aussi peu appris.
Nous lisons beaucoup d’articles sur l’éducation et la transformation des compétences. Celui-ci mérite que nous nous arrêtions. Pas pour sa conclusion — la nécessité d’apprendre en continu, tout le monde la connaît. Mais pour le concept qu’il met au centre : l’apprenance. Un mot qui change tout, si on prend la peine de le comprendre. Et qui explique, au passage, pourquoi 40 ans de tentatives pour résoudre un problème fondamental de l’éducation ont échoué — et pourquoi l’IA pourrait enfin changer la donne, à condition de ne pas reproduire les mêmes erreurs.
L’apprenance : le mot qui manquait
On doit le concept à Philippe Carré, professeur en sciences de l’éducation à Paris-Nanterre, qui l’a formalisé dès 2005. L’apprenance désigne un ensemble durable de dispositions — affectives, cognitives, conatives — favorables à l’acte d’apprendre. Ce n’est pas un dispositif (un cours, un module, une plateforme). C’est une posture. Un rapport actif au savoir, articulé autour de trois piliers : vouloir apprendre, savoir apprendre, pouvoir apprendre.
Picq et Besson, dans HBR France, rappellent la distinction fondatrice : former est un acte extrinsèque — quelqu’un agit sur quelqu’un d’autre. Apprendre est un processus intrinsèque — il repose sur la curiosité, la réflexivité, l’engagement personnel. On ne peut pas « apprendre quelque chose à quelqu’un ». On peut seulement créer les conditions pour que cette personne apprenne.
Séverine Besson a élargi le cadre au collectif et à l’organisation. L’apprenance n’est pas qu’une qualité individuelle. C’est un design — des pratiques, des rituels, un état d’esprit partagé (droit à l’erreur, entraide, autonomie) qui rend l’apprentissage possible et transmissible.
L’enjeu est stratégique, pas RH. Picq et Besson le résument en trois mots : learn or die.
Un problème vieux de 40 ans
Ce que Picq et Besson décrivent en 2026, le psychologue Benjamin Bloom l’avait déjà mesuré en 1984. Son étude, devenue l’un des résultats les plus cités en sciences de l’éducation, démontrait qu’un élève tutoré individuellement, avec progression par maîtrise, surpasse 98% des élèves enseignés en classe conventionnelle. Deux écarts-types de différence — ce qu’on appelle le « problème des 2 sigma ».
Le problème : ce tutorat est impossible à généraliser. Trop coûteux, trop gourmand en ressources humaines. Bloom le savait. Il a lancé un défi à la communauté éducative : trouvez une méthode d’instruction collective aussi efficace que le tutorat individuel.
Quarante ans plus tard, personne n’a relevé le défi. Ni les classes inversées, ni les MOOC, ni les LMS. Chaque innovation a apporté des gains marginaux sans jamais approcher les 2 sigma. Et si l’on relit Bloom à travers la grille de Carré, on comprend pourquoi : toutes ces innovations étaient des dispositifs. Aucune ne s’attaquait au rapport de l’individu à l’acte d’apprendre. On empilait de la formation. On ne construisait pas de l’apprenance.
Le cri d’alarme d’Alexandre et Babeau
Laurent Alexandre et Olivier Babeau, dans Ne faites plus d’études — Apprendre autrement à l’ère de l’IA (Buchet-Chastel, 2025), poussent ce constat jusqu’à la rupture. Leur thèse : l’enseignement supérieur, structuré autour du diplôme et de la transmission descendante, est devenu structurellement inadapté. Ils ne prônent pas l’arrêt de l’apprentissage — au contraire. Ils appellent à un « hyper-apprentissage permanent » et à « déscolariser sa pensée ».
Leur diagnostic converge avec celui de Picq et Besson sur trois points. La fin de la scolarité comme moment isolé de la vie — ce que Carré appelle le passage de la formation à l’apprenance, Alexandre et Babeau le formulent plus crûment : l’étudiant a désormais dans sa poche un professeur de tout, à temps plein. Le risque de « gilet-jaunisation cognitive » — des individus entourés d’outils puissants sans savoir les maîtriser — qui rejoint l’alerte de Carré et de Jean-Roch Houllier sur le désapprentissage par dépendance à l’IA. Et la nécessité de devenir des « orchestrateurs d’intelligence » plutôt que des réceptacles de savoirs.
Mais Alexandre et Babeau sont dans la posture de la table rase. L’université doit se réinventer ou disparaître. Une autre voie existe : ne pas détruire le système, mais le reconfigurer autour de principes scientifiquement validés. Et c’est précisément ce qu’une équipe de Harvard vient de démontrer.
Harvard : un début de réponse
En juin 2025, Greg Kestin, Kelly Miller et leurs collègues publient dans Scientific Reports les résultats d’un essai contrôlé randomisé (N=194). Un tuteur IA, construit sur GPT-4 mais conçu selon des principes pédagogiques rigoureux, est comparé à un cours en active learning — la méthode considérée comme supérieure au cours magistral classique.
Résultat : les étudiants utilisant le tuteur IA affichent plus du double des gains d’apprentissage, en moins de temps (médiane de 49 minutes contre 60 en classe), avec un engagement et une motivation significativement supérieurs.
La technologie sous-jacente est la même que celle accessible à n’importe qui. GPT-4, sans fine-tuning. La différence tient intégralement à la conception. Sept principes pédagogiques, tous documentés dans la littérature, qui contraignent le modèle pour le rendre efficace. Pas un chatbot en roue libre. Un système conçu pour apprendre — au sens de Carré.
Sept principes, zéro magie
1 — Apprentissage actif. Le tuteur ne délivre jamais d’explication spontanée. Il questionne, relance, force l’étudiant à formuler avant de corriger. C’est l’exact inverse du comportement naturel d’un LLM, conçu pour être serviable — pas pour provoquer l’effort cognitif.
2 — Charge cognitive maîtrisée. Réponses courtes. Un seul concept à la fois. Application directe de la théorie de John Sweller (2011) : la mémoire de travail est limitée et l’instructeur — humain ou artificiel — doit la protéger, pas la saturer.
3 — État d’esprit de croissance. Le tuteur valorise l’effort et traite l’erreur comme un signal d’apprentissage, conformément aux travaux de Carol Dweck (2006).
4 — Étayage séquentiel. Chaque problème est découpé en étapes, dans l’ordre, selon le principe de scaffolding formalisé par Wood, Bruner et Ross dès 1976. Point révélateur : ce principe n’a pas pu être géré par le prompt seul. Il a fallu le coder dans l’architecture de la plateforme. La conception pédagogique dépasse le prompt engineering.
5 — Fiabilité des contenus. Les solutions sont pré-écrites par les enseignants et injectées dans le prompt système. Le modèle ne génère pas les réponses — il s’appuie sur une référence vérifiée. Parade aux hallucinations. Résultat : 83% des étudiants jugent ses explications au niveau de celles de leurs professeurs, ou meilleures.
6 — Retour ciblé et immédiat. Chaque réponse de l’étudiant reçoit un feedback personnalisé, en temps réel. Structurellement impossible dans un amphithéâtre de 200 personnes. Structurellement natif pour un tuteur IA.
7 — Rythme individuel. Chacun avance à sa vitesse. Donnée révélatrice du papier : les étudiants qui trouvaient le cours en présentiel « trop rapide » ont tous passé plus de temps que la médiane sur le tuteur IA. Ceux qui le trouvaient « trop lent » ont tous fini plus vite. L’IA ajuste sans que personne ait besoin de lever la main.
Les principes 1 à 5 sont des contraintes. Ils brident le modèle pour le rendre pédagogiquement efficace. Les principes 6 et 7 sont des avantages structurels — ce que l’IA peut offrir et qu’un enseignant seul face à un groupe ne peut pas reproduire. Ensemble, ils dessinent une première réponse crédible au problème que Bloom avait posé en 1984.
Ce que l’étude ne dit pas
L’honnêteté intellectuelle impose d’aller au bout.
L’échantillon est petit et socialement situé : 194 étudiants de Harvard, en physique introductive. La revue systématique de José Luis Ricón sur le problème des 2 sigma le rappelle : le tutorat en général n’atteint probablement pas le niveau que Bloom suggérait, mais des tuteurs de haute qualité — humains ou logiciels — peuvent y parvenir dans des contextes spécifiques. La généralisation reste une question ouverte.
L’étude mesure des gains immédiats. La rétention à long terme — ce qui distingue un apprentissage profond d’une performance éphémère — n’a pas été évaluée.
Les activités testées couvrent les niveaux « comprendre », « appliquer » et « analyser » de la taxonomie de Bloom. Les niveaux supérieurs — évaluer, créer, synthétiser — n’ont pas été mesurés. Les auteurs le reconnaissent explicitement. Le tuteur IA n’a pas vocation à remplacer l’instruction humaine pour les compétences d’ordre supérieur.
Et le risque symétrique existe. L’OCDE (Digital Education Outlook 2026) le formule clairement : sans intention pédagogique, l’IA générative accélère la superficialité, pas la compréhension. Les études antérieures citées par Kestin lui-même (Forero 2023, Krupp et al. 2024) montrent que l’utilisation non guidée de ChatGPT dégrade les résultats. L’IA sans design pédagogique ne résout pas le problème de Bloom. Elle l’aggrave.
Apprendre, ça se conçoit
L’arc se referme. Picq et Besson posent le diagnostic en 2026 : on forme sans faire apprendre. Carré avait théorisé le cadre dès 2005 : l’apprenance comme posture individuelle et design collectif. Bloom avait mesuré le problème en 1984 : le tutorat individuel fonctionne, mais ne passe pas à l’échelle. Alexandre et Babeau sonnent l’alarme en 2025 : le système craque. Kestin apporte un début de réponse la même année : l’IA peut fonctionner — sous sept conditions strictes.
Ces voix convergent vers la même conclusion : le problème n’a jamais été la technologie. Le problème, c’est la confusion entre former et apprendre. L’IA ne fait que rendre cette confusion plus coûteuse — ou, si elle est bien conçue, plus corrigible.
Mettre de l’IA sur une organisation qui n’a pas construit sa culture d’apprenance, c’est motoriser une roue carrée.
La question n’est plus « est-ce que l’IA peut enseigner ? ». Kestin a répondu oui, sous conditions.
La question est : avez-vous construit le terreau pour que cette IA devienne un accélérateur d’apprentissage plutôt qu’une prothèse intellectuelle ?
Si la réponse est floue, commencez par là. Avant le prochain outil.
Apprendre, ça se conçoit.
Sources :
— Picq, T. & Besson, S. (2026). Learn or die : pourquoi l’apprenance devient stratégique. HBR France. https://www.hbrfrance.fr/carriere/learn-or-die-pourquoi-lapprenance-devient-strategique-61223 — Carré, P. (2005, rééd. 2020). L’apprenance : vers un nouveau rapport au savoir / De la formation à l’apprenance. Dunod. — Bloom, B.S. (1984). The 2 Sigma Problem. Educational Researcher, 13(6), 4-16. — Alexandre, L. & Babeau, O. (2025). Ne faites plus d’études — Apprendre autrement à l’ère de l’IA. Buchet-Chastel. — Kestin, G., Miller, K., Klales, A. et al. (2025). AI tutoring outperforms in-class active learning. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6 — Sweller, J. (2011). Cognitive Load Theory. In The Psychology of Learning and Motivation, Elsevier. — Wood, D., Bruner, J.S. & Ross, G. (1976). The Role of Tutoring in Problem-Solving. J. Child Psychol. Psychiatry, 17(2), 89-100. — Dweck, C.S. (2006). Mindset: The New Psychology of Success. Random House. — OCDE (2026). Digital Education Outlook 2026. — WEF / Pearson (2026). AI’s $15 trillion prize will be won by learning, not just technology. — Ricón, J.L. (2019, mis à jour). On Bloom’s two sigma problem: A systematic review. Nintil.
#IA #Apprenance #Leadership #Formation #Harvard