En 2027, le problème des responsables formation ne sera plus de trouver des usages de l’intelligence artificielle. Ils seront déjà partout, dans les outils de travail comme dans les habitudes individuelles, alors que les règles internes, les parcours de formation et les indicateurs avanceront à des rythmes différents. Le risque est de piloter l’IA comme un sujet de catalogue au moment précis où elle modifie la manière de travailler, de pratiquer et d’entretenir ses compétences.
Cette évolution déplace le centre de gravité du L&D. Produire plus vite un quiz, un module ou une synthèse apporte un gain réel, mais limité si le travail lui-même change plus vite que le programme de formation. La question utile pour 2027 consiste donc à savoir quelles compétences doivent rester exercées par les collaborateurs, lesquelles peuvent être soutenues par l’IA, et comment la formation organise cette frontière sans freiner les usages.
L’IA sort du parcours de formation et entre dans le flux de travail
Les premières années de l’IA générative ont beaucoup occupé les équipes formation avec la création de contenus. Ce terrain reste pertinent : préparer une première trame, décliner un exercice ou accélérer certaines tâches de conception fait gagner du temps. Le webinar Speexx et Unow consacré aux stratégies et pratiques de formation pour 2027 montre toutefois un déplacement plus important. En 2026, les agents d’IA ont commencé à exécuter des tâches dans les outils, tandis que des environnements de type « cowork » peuvent enchaîner plusieurs actions à partir d’instructions en langage naturel.
Pour les RH et le L&D, cette évolution a deux conséquences. La première concerne les compétences : lorsqu’une partie du travail est déléguée, la fréquence de pratique humaine change. La seconde concerne le périmètre de la formation : l’apprentissage ne se déroule plus uniquement dans un LMS, une classe virtuelle ou un parcours formel. Un collaborateur peut demander à une IA de lui expliquer un sujet, de critiquer un livrable, de simuler un interlocuteur ou de l’aider à préparer une situation professionnelle sans que l’équipe formation voie cet apprentissage informel.
Cette perte de visibilité n’appelle pas un contrôle total. Elle oblige plutôt à distinguer ce que le L&D doit gouverner de ce qu’il peut laisser se développer dans le travail. Une politique qui cherche à ramener chaque apprentissage dans un dispositif formel arrivera trop tard. À l’inverse, laisser les collaborateurs choisir seuls leurs outils, leurs sources et leurs usages déplace vers eux des décisions de qualité, de confidentialité et de fiabilité qui relèvent aussi de l’entreprise.
Le sujet budgétaire change avec ce périmètre. Une licence supplémentaire n’a de sens que si elle répond à un besoin que les outils déjà disponibles ne couvrent pas correctement. Un dispositif de formation, lui, doit être jugé sur ce qu’il permet de pratiquer et d’appliquer, pas sur le volume de contenus qu’il devient possible de générer. Cette discipline évite de confondre abondance et développement des compétences.
La distinction décisive pour 2027 : substitution ou confrontation
Le webinar reprend une distinction attribuée à Jean Rocoulier, de Safran, entre « IA de substitution » et « IA de confrontation ». Elle fournit un cadre simple pour examiner les usages professionnels. Dans le premier cas, l’IA réalise le travail à la place de la personne. Dans le second, elle sert à mettre son travail à l’épreuve, obtenir un retour, s’entraîner ou approfondir son raisonnement.
Cette distinction ne condamne pas l’automatisation. Certaines tâches gagnent à être déléguées lorsqu’elles ont peu de valeur d’apprentissage ou mobilisent du temps sans justifier une pratique humaine continue. Le problème apparaît lorsque l’entreprise automatise une activité sans décider si la compétence sous-jacente doit rester disponible. Une équipe peut alors gagner du temps à court terme tout en réduisant progressivement sa capacité à vérifier, corriger ou reprendre la tâche lorsque le contexte l’exige.
Pour un responsable formation, le bon niveau d’analyse n’est donc plus seulement le métier ou la compétence inscrite dans un référentiel. Il faut regarder la tâche réelle, la fréquence à laquelle elle est encore exercée et le niveau de jugement humain qu’elle exige. Une compétence rarement pratiquée peut rester indispensable dans une situation sensible. À l’inverse, continuer à former largement à une tâche désormais automatisée peut immobiliser du budget sans améliorer la performance.
Ce cadre aide aussi à sortir d’un débat trop général sur « les compétences IA ». Savoir formuler une instruction reste utile, mais l’arrivée d’outils pilotés en langage naturel réduit la valeur d’une stratégie de formation centrée uniquement sur le prompt. Le besoin se déplace vers la capacité à choisir le bon usage, évaluer le résultat, protéger les données et reconnaître le moment où déléguer devient une mauvaise décision professionnelle.
Les équipes RH et L&D peuvent appliquer un test simple à chaque cas d’usage en précisant la part du travail exécutée par l’IA, la compétence humaine qui doit rester observable après cette délégation et l’endroit où cette compétence sera encore pratiquée. Ce test conduit parfois à une formation. Dans d’autres cas, la réponse sera un changement de processus, une règle d’usage, une responsabilité managériale ou l’acceptation explicite qu’une compétence devienne moins centrale. Diagnostiquer avant de former devient encore plus important lorsque l’IA touche directement l’activité.
La valeur pédagogique se déplace de la génération vers la mise en pratique
L’un des constats les plus utiles du webinar concerne l’expérience apprenant. Les outils d’IA peuvent générer des quiz et des exercices rapidement, mais l’intérêt pédagogique le plus prometteur se situe dans les mises en situation. Une simulation conversationnelle peut créer un espace d’entraînement disponible à la demande, avec un scénario adapté au métier, au niveau de la personne et au contexte professionnel.
Ce changement répond à une contrainte ancienne. La pratique accompagnée dépendait largement de la disponibilité d’un formateur, d’un coach ou d’un atelier synchrone. L’IA permet d’ajouter des espaces d’entraînement entre ces moments humains, sans prétendre leur donner la même fonction. Un collaborateur peut répéter une conversation, tester une formulation ou recevoir un retour avant une situation réelle. Le formateur ou le coach conserve sa valeur lorsque la nuance, le jugement, la relation ou une difficulté plus profonde demandent une expertise humaine.
C’est déjà la logique utilisée dans les parcours de formation en langues évoqués pendant le webinar : l’entraînement assisté par l’IA complète les sessions avec des formateurs humains. Dans le coaching professionnel, une interaction assistée par l’IA peut également soutenir la réflexion et la préparation entre des interventions humaines. Pour approfondir cette question de gouvernance et de confiance, l’article Speexx sur le coaching IA comme pratique déjà présente dans l’entreprise examine les limites qui distinguent un dispositif professionnel d’une conversation ouverte avec un outil généraliste.
Cette complémentarité change la conception des parcours. La question n’est plus de choisir une modalité « humaine » ou « IA » pour l’ensemble d’un programme. Il faut décider où la répétition autonome apporte de la valeur, où une expertise humaine reste nécessaire et comment le passage de l’une à l’autre se fait sans rupture. La réussite d’une formation digitale dépend déjà de cette cohérence de conception ; l’IA rend simplement les arbitrages plus visibles.
Elle modifie aussi la mesure. Le nombre de contenus produits devient encore moins intéressant comme indicateur de valeur. Les équipes formation ont davantage besoin de savoir si les personnes pratiquent, progressent sur une compétence définie et transfèrent ce travail dans leur activité. L’IA peut multiplier les occasions de s’entraîner. Elle ne dispense pas de choisir ce que l’organisation veut observer après l’entraînement.
Les retours d’expérience montrent qu’il n’existe pas une seule séquence de déploiement
Les exemples présentés pendant le webinar sont utiles parce qu’ils ne convergent pas vers une recette unique. Ils montrent au contraire que la séquence dépend du problème d’entreprise.
À l’Institut Pasteur, l’enjeu présenté porte sur des données sensibles et sur la nécessité d’ancrer les démonstrations dans le contexte métier. La DSI a été impliquée en amont pour paramétrer des agents et des instructions dans un environnement adapté. La leçon n’est pas que toutes les formations doivent être personnalisées de la même manière. Elle est plus opérationnelle : lorsque la qualité d’une formation dépend de données ou d’outils internes, la DSI ne peut plus intervenir seulement au moment de valider la solution.
Un autre retour d’expérience décrit une mutuelle qui a commencé par définir ses objectifs RH, puis formé un groupe d’ambassadeurs avant d’ouvrir plus largement la sensibilisation. Cette séquence inverse le réflexe fréquent qui consiste à sensibiliser tout le monde, puis à chercher des cas d’usage métier. Elle devient pertinente lorsque l’adhésion dépend de la capacité à montrer rapidement des usages proches du travail réel.
Chez Thales, le point de départ présenté est la compétence elle-même : la conception pédagogique part des compétences identifiées comme importantes plutôt que d’un thème de formation général. Dans un contexte où les tâches évoluent rapidement, cette approche aide à éviter des catalogues qui restent stables alors que le contenu du travail bouge. Elle impose aussi une exigence : le référentiel de compétences doit rester suffisamment proche de l’activité pour guider une décision de formation.
Doctolib illustre encore une autre logique. L’usage a précédé une partie de la formation, avec l’accès à des outils permettant de créer des assistants, puis des formations adaptées à différents publics. Les RH ont également produit leurs propres usages pour rendre l’intérêt de l’IA visible dans le quotidien. Ce type de démarche déplace la conduite du changement : la fonction RH ne se contente plus d’expliquer ce que les autres métiers pourraient faire, elle doit être capable de montrer les règles qu’elle applique à ses propres processus.
Ces exemples ont un point commun plus intéressant que leurs différences : la formation arrive après une décision sur le travail, les données, les publics ou les compétences. Elle n’est pas le point de départ automatique. Pour 2027, cette discipline protège les budgets autant qu’elle améliore la pertinence des programmes.
Passer du pilote à l’échelle exige une gouvernance plus concrète
Les chiffres cités dans le webinar décrivent un marché encore largement en expérimentation. Dans un baromètre présenté pendant la session, 37 % des répondants indiquaient intégrer l’IA dans les dispositifs apprenants à titre expérimental, contre 4 % à grande échelle. Un autre résultat présenté indique que 94 % des responsables formation interrogés considèrent l’intégration de fonctionnalités d’IA dans les solutions de formation comme une réponse crédible, tout en jugeant encore faible la maturité des solutions.
Ces données ne justifient ni l’attentisme ni une généralisation précipitée. Elles montrent surtout que le passage à l’échelle devient le prochain problème de gestion. Un pilote peut fonctionner avec des utilisateurs motivés, une équipe projet très présente et des exceptions traitées manuellement. À plus grande échelle, les questions de données, de support, de qualité et de responsabilité reviennent dans le quotidien.
Le webinar fait ressortir un besoin prioritaire dans les stratégies de formation liées à l’IA : clarifier les usages autorisés et leurs limites. La formation métier progresse également, signe que la sensibilisation générale ne suffit plus. C’est un changement important pour le budget 2027. Une nouvelle campagne de sensibilisation peut rester utile si les outils, les règles ou les risques ont changé, mais elle ne remplace pas l’apprentissage situé dans le métier.
La gouvernance doit donc descendre au niveau des décisions observables. Les règles précisent quels outils peuvent traiter quelles données, qui valide un usage connecté aux systèmes internes, dans quelles situations une production de l’IA exige une vérification qualifiée et quels espaces d’entraînement restent privés. Ces réponses appartiennent rarement au L&D seul. Elles engagent la DSI, la sécurité, le juridique, les métiers et, selon le contexte, les représentants du personnel.
Le coaching par IA montre bien ce passage d’un sujet d’innovation à un sujet de gouvernance. La qualité ne se vérifie pas uniquement pendant une démonstration. Elle doit tenir lorsque les usages deviennent nombreux et que les situations se diversifient. L’analyse Speexx sur le coaching IA à grande échelle développe précisément ce problème de qualité, de confidentialité et de responsabilité après la phase pilote.
Un cadre de décision pour le plan de formation 2027
Pour éviter que la feuille de route IA devienne une collection d’outils, les équipes RH et formation peuvent partir de quatre décisions successives. Elles forment un cadre de diagnostic, pas une checklist technologique.
Décider ce qui doit rester une compétence humaine
Commencez par les situations de travail qui ont une conséquence réelle sur la performance, la relation, la sécurité ou la qualité. Identifiez ensuite ce que l’IA change dans la tâche. Si elle prend en charge une partie de l’exécution, précisez ce que la personne doit encore savoir juger, vérifier ou reprendre. Cette étape empêche de mesurer le besoin de formation à partir de la nouveauté de l’outil.
Organiser la pratique avant d’ajouter du contenu
Une compétence que l’entreprise veut conserver doit avoir un lieu de pratique. Ce lieu peut être le travail lui-même, une simulation assistée par l’IA, une session avec un formateur, un coaching professionnel ou une combinaison de modalités. Le bon choix dépend du risque, du besoin de retour et de la complexité de la situation. Ajouter un module de connaissances à une compétence qui se dégrade faute de pratique traite le mauvais problème.
Fixer les limites avant le déploiement
Les règles doivent être compréhensibles au moment où le collaborateur agit. Une charte générale ne suffit pas si elle ne permet pas de savoir quelles données peuvent entrer dans un outil, quelle vérification reste obligatoire et vers qui escalader une situation ambiguë. Cette précision soutient l’adoption, car elle réduit le coût mental associé à chaque usage.
Mesurer un changement que le métier peut reconnaître
Les indicateurs d’usage restent utiles pour repérer l’adoption, mais ils ne prouvent pas un développement de compétence. Le plan 2027 gagne à définir en amont le comportement, la qualité d’exécution ou le niveau de maîtrise attendu. Lorsque cette preuve n’est pas disponible, mieux vaut l’indiquer que transformer le nombre de connexions, de conversations ou de contenus générés en résultat pédagogique.
Ce cadre conduit parfois à réduire le nombre de formations. C’est une bonne nouvelle si une règle de processus, un meilleur outil ou une responsabilité plus claire résout le problème. Il conduit aussi à investir davantage dans certaines pratiques, notamment lorsque l’automatisation augmente le besoin de jugement, de communication ou de feedback.
Speexx : relier l’entraînement assisté par l’IA aux compétences en communication
Ce déplacement vers la pratique éclaire le rôle que Speexx peut jouer dans une stratégie de développement. Speexx fournit aux grandes entreprises un socle commun pour développer, mesurer et piloter les compétences en communication nécessaires dans plusieurs langues, cultures, fonctions et régions. La formation en langues, le coaching professionnel, le mentorat et les programmes interculturels s’inscrivent dans cette architecture, avec l’évaluation, l’entraînement assisté par l’IA et les intégrations d’entreprise.
Cette cohérence devient utile lorsque l’IA fait apparaître des besoins qui dépassent la maîtrise d’un outil. Un manager peut avoir besoin de préparer une conversation difficile, un collaborateur de s’entraîner dans une autre langue avant une réunion internationale, ou une équipe de travailler une friction interculturelle que l’automatisation ne résout pas. L’IA peut fournir davantage d’occasions de pratique et de réflexion, tandis que l’expertise humaine intervient lorsque la situation demande du jugement, un retour approfondi ou un travail relationnel.
Pour les responsables RH et L&D, l’intérêt d’une architecture commune tient aussi au pilotage. Multiplier les assistants isolés, les solutions de coaching et les outils de formation peut recréer des silos au moment où l’entreprise cherche justement à comprendre ses compétences de manière plus cohérente. L’objectif n’est pas de faire entrer chaque besoin dans un produit unique, mais de conserver un lien entre le besoin professionnel, le mode de développement choisi et les preuves disponibles.
Le budget 2027 doit acheter de la pratique et des règles, pas du volume
La prochaine étape ne consiste pas à ajouter « une couche d’IA » à chaque programme. Les équipes formation ont intérêt à regarder leur portefeuille en repérant les activités où l’IA change réellement le travail, celles où elle risque de réduire une pratique que l’entreprise veut conserver et celles où elle rend possible un entraînement auparavant trop rare ou trop coûteux.
Le replay « Formation & IA : l’impact de l’IA sur les stratégies et pratiques de formation pour 2027 », animé par Pierre Monclos, qui décrypte les évolutions RH et formation pour Unow, et Johan Michel, vice-président de Speexx France, permet d’aller plus loin sur les agents, l’évolution de l’expérience apprenant, la conception des formations, les retours d’expérience d’entreprises et les baromètres 2026. Voir le replay et accéder à la présentation du webinar.
Le choix utile pour 2027 se fera moins entre formation humaine et formation assistée par l’IA qu’entre des dispositifs qui entretiennent une compétence identifiable et ceux qui produisent davantage d’activité sans savoir ce qui progresse. C’est cette frontière que les plans de formation doivent rendre explicite avant que les usages ne la décident à leur place.
