Compétences : inférer par l’expérience

Pendant des années, dans le monde de la formation, l'évaluation des compétences s'est appuyée sur une logique simple : on mesure ce qui a été consommé pour en déduire ce qui a été acquis.

Un module suivi, un parcours complété, un quiz réussi, une certification obtenue — autant de signaux supposés refléter un développement de compétences. Cette approche a structuré à la fois les dispositifs de formation et les outils qui les supportent.

Mais elle repose sur une hypothèse fragile : "l'exposition à un contenu produit mécaniquement de la compétence". 🤔

L'émergence des systèmes d'IA vient profondément remettre en cause ce modèle. Car pour la première fois, il devient possible d'observer non plus seulement des parcours ou des résultats, mais des interactions, des raisonnements apparents, des tentatives, des erreurs. Autrement dit : des traces d'expérience.

Dans ce contexte, un basculement s'opère : les compétences ne sont plus déduites de contenus consommés ou d'évaluations ponctuelles, mais inférées à partir d'expériences vécues.

Contenu consommé ≠ compétences acquises

Le modèle historique de la formation repose sur une chaîne implicite :

Référentiel → module → apprentissage → (évaluation) → compétences supposées

Les modules et les évaluations sont le plus souvent conçus à partir de référentiels de compétences, traduits en objectifs pédagogiques, puis déployés sous forme de parcours.

Mais dans les faits, cette relation reste approximative :

• Suivre un module ne garantit pas la compréhension,
• Réussir un quiz ne garantit pas la maîtrise en situation,
• Ni la capacité à mobiliser une compétence dans un contexte réel.

Le modèle est imparfait, mais on accepte une certaine approximation car les parcours sont standardisés.

L'IA change la donne. En individualisant les expériences d'apprentissage et en générant elle même des contenus, elle brise ce schéma, car deux personnes ne vivront plus jamais exactement la même "formation".

Dès lors, le lien direct entre module (ou quiz) et compétence ne tient plus.

Vers un modèle inférentiel

Si ni le contenu ni les évaluations ponctuelles ne suffisent à déduire la compétence, sur quoi s'appuyer ? Sur l'expérience.

Les interactions avec un tuteur IA produisent une matière nouvelle :

• Des raisonnements apparents,
• Des réponses argumentées,
• Des erreurs révélatrices,
• Des ajustements progressifs.

Ces signaux ne sont pas des preuves directes, mais des indices.

L'évaluation devient alors un processus d'inférence :

• On collecte des traces,
• On les interprète,
• On estime un niveau de compétence.

Ce modèle n'est plus déterministe, mais probabiliste, avec un degré d'incertitude qu'il faut savoir gérer. On ne dit plus "cette compétence est acquise", mais :

Nous avons un certain niveau de confiance dans sa maîtrise.

Le référentiel de compétences

Dans ce nouveau paradigme, tout ne devient pas flou pour autant. Au contraire.

Le référentiel de compétences devient la pièce maîtresse du système. Lorsqu'il est suffisamment structuré et maintenu, il constitue un cadre plus stable que les contenus :

• Indépendant des modalités d'apprentissage,
• Souvent partagé avec les référentiels métiers,
• Structurant pour l'ensemble des acteurs.

Dans un système piloté par IA, ce référentiel joue un double rôle.

1. Guider les interactions

Le tuteur IA ne discute pas "librement". Il s'appuie sur le référentiel pour :

• Orienter ses questions,
• Proposer des situations pertinentes,
• Cibler des dimensions spécifiques d'une compétence.

Il ne se contente pas d'observer : il met en scène des expériences.

2. Permettre l'évaluation

Les signaux issus des interactions n'ont de sens que s'ils sont interprétés. Le référentiel sert alors de grille de lecture pour :

• Projeter les observations,
• Structurer l'analyse,
• Produire des estimations cohérentes.

3. Évoluer avec l'expérience

Le référentiel n'est plus figé. Les observations issues des interactions remontent et alimentent son évolution : compétences émergentes, granularités à revoir, formulations à ajuster. L'IA devient à la fois consommatrice et contributrice du référentiel — sous gouvernance humaine.

Le référentiel devient ainsi l'interface vivante entre expérience et compétence.

Le rôle du tuteur IA

Le rôle du tuteur IA est souvent réduit à celui d'un assistant conversationnel. C'est une vision trop limitée. Sa spécificité est plus profonde : il est à la fois le générateur et l'observateur de l'expérience.

Dans les systèmes les plus avancés, il produit l'expérience :

• Il construit des situations,
• Adapte les scénarios,
• Challenge les réponses,
• Fait varier le niveau de difficulté,
• Crée des parcours uniques à chaque interaction.

Et il observe en continu :

• Les raisonnements mobilisés,
• Les erreurs commises,
• Les stratégies adoptées,
• Les progrès réalisés.

Il ne se contente pas de capter des signaux : il crée les conditions dans lesquelles ces signaux émergent. C'est cette double capacité qui le rend particulièrement adapté à l'évaluation des compétences.

L'évaluation n'est plus un moment séparé. Elle est intégrée dans l'expérience elle-même.

Formation & travail : un continuum expérientiel ?

Dans le monde du travail, l'évaluation des compétences a toujours été hybride : observation en situation, feedback 360°, et évaluations formelles. Mais une constante demeure : une grande partie de la compétence s'y révèle à travers l'expérience.

Ce qui change aujourd'hui, c'est que formation et travail convergent vers une même logique :

expérience → inférence de compétences

Cette convergence ouvre une possibilité nouvelle : que les mêmes référentiels et les mêmes traces puissent servir à la fois en formation et en situation de travail. Là où chaque monde disposait jusqu'ici de ses propres dispositifs d'évaluation, une infrastructure commune devient envisageable.

Repenser l'évaluation des compétences

Ce basculement implique de repenser en profondeur les systèmes d'évaluation. Les approches binaires (acquis / non acquis) laissent place à des modèles plus nuancés :

• Scores de confiance,
• Historiques d'interactions,
• Croisement de sources multiples.

Mais il soulève aussi de nouveaux défis :

• Fiabilité des inférences,
• Explicabilité des résultats,
• Acceptabilité par les organisations et les individus.

Car inférer une compétence est plus complexe que constater la complétion d'un module ou la réussite à un test.

Pour finir

Ce qui change avec l'IA, c'est qu'elle permet à la fois de multiplier les expériences d'apprentissage et de les rendre observables.

Dès lors, la question n'est plus de savoir quels contenus ont été consommés ou quels tests ont été réussis, mais ce que les individus ont effectivement démontré — dans leurs interactions, leurs raisonnements, leurs actions.

Et dans ce nouveau paradigme, l'enjeu n'est plus de suivre des parcours, mais de savoir interpréter des expériences.

Pour aller plus loin...