Les budgets de formation des entreprises sont considérablement sous-optimisés. Chaque année, des milliers d’heures de formation sont dispensées à des collaborateurs qui n’en avaient pas besoin, sur des compétences qui ne sont pas prioritaires pour leur poste actuel ni pour leur trajectoire de carrière, tandis que des lacunes critiques restent ignorées faute d’avoir été identifiées. Ce paradoxe tient à la manière dont les plans de formation sont construits : le catalogue est défini par la direction de la formation sur la base de tendances générales, les inscriptions reposent sur les souhaits exprimés lors des entretiens annuels et la validation managériale fonctionne comme un filtre approximatif qui laisse passer des demandes peu pertinentes tout en bloquant des besoins réels. L’intelligence artificielle transforme cette approche en rendant possible la recommandation individualisée de parcours de formation adaptés au profil de chaque collaborateur, à ses lacunes identifiées et aux compétences dont l’organisation aura besoin dans les mois et les années à venir. DécisionIA, cofondé par Gabriel et Lionel, accompagne les entreprises dans cette transformation qui fait passer la formation continue d’un exercice administratif à un levier stratégique de développement des compétences.
Le diagnostic algorithmique des écarts de compétences
La première étape d’une recommandation de formation pertinente consiste à mesurer l’écart entre les compétences que le collaborateur possède et celles que son poste actuel ou futur requiert. Ce diagnostic, lorsqu’il est réalisé manuellement, repose sur l’auto-évaluation du collaborateur et l’appréciation du manager, deux sources d’information subjectives et souvent biaisées. L’auto-évaluation tend à surestimer les compétences techniques maîtrisées et à sous-estimer les compétences comportementales, tandis que le manager ne dispose que d’une vision partielle des capacités réelles de ses collaborateurs. L’intelligence artificielle permet de construire un diagnostic objectif en croisant de multiples sources de données : les résultats des évaluations formelles, les certifications obtenues, les projets réalisés, les outils utilisés quotidiennement, les formations déjà suivies et leur taux de complétion, les feedbacks reçus dans les systèmes de reconnaissance entre pairs et les compétences validées lors de mises en situation. Les algorithmes de traitement du langage naturel analysent les descriptions de missions et les livrables produits pour inférer des compétences que le collaborateur mobilise sans nécessairement les avoir déclarées dans son profil. DécisionIA recommande de coupler ce diagnostic individuel avec une analyse prospective des besoins de l’organisation en réalisant un audit des compétences qui cartographie les écarts actuels et anticipe les évolutions attendues du référentiel de compétences en fonction de la stratégie de l’entreprise. Les recherches publiées par McKinsey Global Institute sur le reskilling de la main-d’oeuvre montrent que les organisations qui investissent dans un diagnostic granulaire des compétences avant de concevoir leurs plans de formation obtiennent un retour sur investissement deux à trois fois supérieur à celles qui déploient des formations standardisées sans diagnostic préalable. Le diagnostic algorithmique ne vise pas à noter les collaborateurs mais à identifier avec précision les domaines dans lesquels un investissement en formation produira le plus de valeur pour le collaborateur et pour l’organisation.
L’algorithme de recommandation comme moteur de pertinence
Une fois les écarts de compétences identifiés, le système de recommandation doit proposer la formation la plus adaptée parmi un catalogue qui peut contenir des milliers de références internes et externes. Les systèmes de recommandation utilisés en formation professionnelle s’inspirent directement des techniques développées par les plateformes de contenu grand public, mais ils les adaptent au contexte professionnel en intégrant des contraintes spécifiques. La recommandation ne prend pas seulement en compte la pertinence thématique de la formation par rapport à la lacune identifiée : elle intègre le format pédagogique préféré du collaborateur, sa disponibilité, son niveau de base dans le domaine concerné, la qualité évaluée de la formation par les participants précédents et la compatibilité avec les contraintes opérationnelles de son service. Les algorithmes de filtrage collaboratif identifient les formations qui ont produit les meilleurs résultats chez des collaborateurs présentant un profil similaire, ce qui permet de privilégier les parcours dont l’efficacité est empiriquement démontrée plutôt que les formations les plus récentes ou les plus médiatisées. DécisionIA accompagne ses clients dans le paramétrage de ces algorithmes en veillant à ce que les recommandations restent alignées avec la stratégie globale de développement des compétences de l’organisation. L’IA peut également recommander des modalités d’apprentissage informelles qui complètent les formations structurées : mentorat avec un expert interne identifié algorithmiquement, participation à un projet transverse qui mobilise les compétences visées ou consultation de ressources documentaires ciblées. Cette approche élargie de la recommandation reconnaît que l’apprentissage en entreprise ne se réduit pas aux heures passées en salle de formation ou devant un écran de e-learning.
Mesurer le retour sur investissement de la formation personnalisée
L’un des défis historiques de la formation professionnelle réside dans la difficulté à mesurer son impact réel sur la performance individuelle et collective. Les indicateurs traditionnels, taux de participation, taux de satisfaction et taux de complétion, mesurent l’activité de formation mais pas sa contribution aux résultats de l’entreprise. L’IA permet de construire des modèles d’attribution qui établissent des corrélations statistiquement significatives entre les formations suivies et l’évolution mesurable des compétences et de la performance. Les algorithmes comparent les trajectoires de collaborateurs ayant suivi une formation donnée avec celles de collaborateurs présentant un profil similaire mais n’ayant pas suivi cette formation, en contrôlant les facteurs confondants qui pourraient biaiser la comparaison. Cette approche quasi-expérimentale permet d’estimer l’effet propre de la formation sur des indicateurs concrets : amélioration de la productivité, réduction des erreurs, accélération de la montée en compétence sur un nouvel outil ou progression vers un poste de responsabilité supérieure. DécisionIA aide ses clients à mettre en place ces systèmes de mesure en s’appuyant sur les méthodes de calcul du retour sur investissement qui permettent de justifier les budgets de formation auprès de la direction générale avec des données probantes plutôt que des indicateurs de moyens. Les études publiées par l’OCDE sur la formation continue montrent que les entreprises qui mesurent systématiquement l’impact de leurs investissements en formation réallouent progressivement leurs budgets vers les dispositifs les plus efficaces, ce qui produit un cercle vertueux d’amélioration continue de la pertinence et de l’efficacité de la politique de formation. La mesure de l’impact permet également d’identifier les formations qui ne produisent pas les résultats attendus et qui doivent être repensées ou remplacées, ce qui constitue une information précieuse pour les responsables de la formation et les organismes prestataires.
Construire un écosystème apprenant piloté par la donnée
La recommandation algorithmique de formations ne constitue qu’une brique d’un écosystème plus large que DécisionIA aide ses clients à construire. Cet écosystème intègre la détection continue des besoins en compétences, la recommandation personnalisée des parcours, la mesure d’impact, le suivi longitudinal des trajectoires de compétences et l’anticipation prospective des évolutions du référentiel métier. L’ensemble forme une boucle de rétroaction dans laquelle chaque donnée collectée enrichit le modèle et améliore la pertinence des recommandations futures. Les plateformes de formation les plus avancées intègrent des mécanismes d’apprentissage adaptatif qui ajustent en temps réel le contenu et le rythme de la formation en fonction des réponses et des performances du collaborateur pendant la session. Un collaborateur qui maîtrise déjà certains concepts peut sauter les modules correspondants pour se concentrer sur les domaines où son écart de compétence est le plus important, tandis qu’un autre qui rencontre des difficultés reçoit des explications complémentaires et des exercices supplémentaires. DécisionIA recommande de former les équipes RH aux principes de l’apprentissage adaptatif et du pilotage par la donnée pour qu’elles puissent exploiter pleinement le potentiel de ces outils sans dépendre d’une expertise technique externe permanente. La transformation de la formation continue en un processus piloté par la donnée et personnalisé par l’IA représente un changement culturel profond qui ne se décrète pas mais se construit progressivement. Les organisations qui réussissent cette transition sont celles qui commencent par un périmètre limité, démontrent des résultats mesurables sur ce périmètre, puis étendent progressivement la démarche en capitalisant sur les apprentissages accumulés et la confiance gagnée auprès des collaborateurs et des managers. Cette progression maîtrisée permet de résoudre les inévitables résistances au changement en montrant par la preuve que la recommandation algorithmique améliore la pertinence des formations proposées sans réduire la liberté de choix du collaborateur, qui reste toujours décisionnaire final de son parcours de développement professionnel. L’enjeu pour les directions de la formation est de comprendre que l’IA ne les remplace pas mais amplifie leur capacité à personnaliser les parcours à une échelle que le traitement manuel ne permet pas.