Quand l’IA entre dans l’activité, que reste-t-il de la compétence ?

Photographies de l’auteur. En haut : rencontres de formation-action animées avec les directeurs des écoles associées à l’EFACAP de Mersan, dans le cadre du projet Crédit-Écolage. En bas : la plage de la Saline (Jacmel) et Péligre (département du Centre). La tête, les icônes et le réseau lumineux sont des éléments d’illustration générés par IA, ajoutés pour évoquer le thème de l’article.

Les outils d’intelligence artificielle (IA) générative entrent dans l’activité de nombreux professionnels : ils rédigent, résument, proposent des analyses et assistent certaines décisions. Un lecteur de cette série, réagissant à l’article « L’expérience professionnelle est-elle réellement une source de compétences ? », y voit une remise en cause du paradigme traditionnel de la compétence. La question mérite d’être prise au sérieux : lorsqu’un outil contribue au résultat, que peut-on encore attribuer au professionnel ? Les recherches disponibles mesurent surtout des performances assistées ; elles ne permettent pas, à elles seules, de conclure à l’acquisition de compétences. Il faut donc distinguer ce que l’on produit avec l’outil, ce que l’on sait mobiliser pour l’utiliser et ce que l’on apprend effectivement en travaillant avec lui. C’est à cette triple interrogation que cet article est consacré.

Une question venue de la pratique

Après la parution de l’article « L’expérience professionnelle est-elle réellement une source de compétences ? » (13 octobre 2026), un lecteur m’a écrit que l’intelligence artificielle venait bousculer le paradigme traditionnel de la compétence professionnelle. L’observation est stimulante, et elle prolonge naturellement les analyses de cette série : si la compétence se construit dans l’activité, que devient-elle lorsque l’activité elle-même est partiellement prise en charge par un outil capable de produire un texte, une analyse ou une proposition en quelques secondes ?

Avant d’y répondre, il faut préciser ce que l’on entend par paradigme traditionnel. Les articles précédents ont retenu une conception de la compétence qui ne se réduit ni à la possession d’un diplôme ni à l’ancienneté. Elle renvoie à la capacité d’un professionnel à interpréter une situation, à mobiliser des ressources, à construire une réponse adaptée et à en assumer les effets (Le Boterf, 2008 ; Zarifian, 1999 ; Pastré, Mayen et Vergnaud, 2006). Dire que l’intelligence artificielle bouscule ce paradigme suppose donc de montrer lequel de ces éléments elle modifie réellement.

Par outil d’IA, j’entends dans cet article les outils d’intelligence artificielle générative : agents conversationnels et assistants capables de produire un texte, une analyse ou une proposition à partir d’une demande formulée en langage courant. Cet article propose une lecture, non une démonstration. Les recherches sur ce sujet sont récentes, leurs terrains sont limités et aucune ne porte directement sur la reconnaissance universitaire de l’expérience. Il s’agit plutôt de confronter quelques résultats établis aux outils d’analyse que cette série a progressivement construits, et que mes travaux sur les diplômes, les compétences et la validation des acquis de l’expérience, ainsi que sur les communautés de pratique et l’accompagnement, permettent de mobiliser (Boursiquot, 2011, 2014, 2023, 2024).

Ce que mesurent les études : une performance assistée

Plusieurs travaux récents, conduits dans des contextes différents (centre d’appels d’une entreprise de logiciels, expériences en ligne, cabinet de conseil international, classes de mathématiques en Turquie), ont cherché à mesurer ce que change l’accès à un outil d’IA dans l’activité de professionnels ou dans l’apprentissage. Leurs résultats méritent d’être présentés avec précision, en indiquant à chaque fois ce que chaque étude cherchait à établir et pourquoi elle est utile à notre propos.

Brynjolfsson, Li et Raymond (2025), des chercheurs de Stanford et du MIT, ont voulu savoir si l’IA générative améliore la productivité lorsqu’elle est déployée à grande échelle dans le service à la clientèle, et quels travailleurs en bénéficient le plus. Ils ont étudié l’introduction d’un assistant conversationnel auprès de 5 179 agents de support client d’une entreprise américaine de logiciels de gestion. L’accès à l’outil augmente en moyenne de 14 % le nombre de problèmes résolus par heure. L’effet est surtout marqué chez les agents débutants ou peu qualifiés, pour lesquels l’amélioration atteint 34 %, tandis que l’impact est minime chez les agents expérimentés et très qualifiés. Cette étude est utile ici parce qu’elle montre que l’effet de l’outil dépend du niveau d’expérience de ceux qui l’utilisent.

Noy et Zhang (2023), économistes du MIT, ont cherché à mesurer l’effet de ChatGPT sur la productivité dans des tâches d’écriture professionnelle de niveau intermédiaire (communiqués de presse, courts rapports, plans d’analyse, courriels délicats). Dans une expérience en ligne préenregistrée, ils ont confié ces tâches à 453 professionnels diplômés de l’enseignement supérieur (spécialistes du marketing, rédacteurs de demandes de subvention, consultants, analystes de données, gestionnaires et professionnels des ressources humaines), puis ont exposé la moitié d’entre eux à ChatGPT. Le temps moyen nécessaire a diminué de 40 % et la qualité des productions a augmenté de 18 %. Les inégalités entre travailleurs se sont réduites. Cette étude est utile parce que ses tâches ressemblent à celles de nombreux professionnels diplômés.

Dell’Acqua et ses collègues (2023) ont voulu mesurer l’effet de l’accès à GPT-4 sur la productivité et la qualité du travail dans des tâches de connaissance réalistes, et déterminer jusqu’où les capacités de l’outil restent fiables. L’expérience, menée avec le Boston Consulting Group (BCG) et des chercheurs de Harvard Business School, de Wharton, de Warwick Business School et du MIT Sloan, a mobilisé 758 consultants de bureaux du monde entier. Les uns ont travaillé sur une tâche d’innovation (concevoir un produit pour un marché de niche), les autres sur un problème d’affaires (analyser des données et des entretiens pour recommander une stratégie). Pour les tâches situées à l’intérieur de ce que l’outil sait faire, l’utilisation de GPT-4 s’accompagne d’une exécution plus rapide d’environ 25 %, d’une qualité jugée supérieure de plus de 40 % et d’un nombre de tâches accomplies supérieur d’environ 12 %. Les auteurs décrivent toutefois une « frontière technologique irrégulière » : pour une tâche située hors de cette frontière, les participants qui utilisaient l’outil avaient 19 points de pourcentage de moins de chances de parvenir à la solution correcte, même si leurs recommandations paraissaient de meilleure qualité. Cette étude est utile parce qu’elle montre que l’outil n’est pas fiable partout, et qu’il faut donc savoir juger ce qu’il propose.

Ces résultats ne sont pas anodins. Ils montrent que, dans certains contextes, l’outil améliore sensiblement la rapidité, la qualité apparente et l’homogénéité des productions. Mais ils portent sur la performance obtenue avec l’outil, à un moment donné, dans des tâches délimitées. Ils ne disent pas, par eux-mêmes, ce que les professionnels sont devenus capables de faire.

Trois niveaux doivent donc être distingués. Le premier est la performance assistée : le résultat observable, obtenu dans des conditions où l’outil intervient. Le deuxième est la compétence mobilisée : les ressources que le professionnel engage pour formuler le problème, choisir l’usage pertinent de l’outil et apprécier la réponse. Le troisième est la compétence développée : les transformations relativement durables de ses manières de comprendre et d’agir. Un progrès au premier niveau ne prouve pas un progrès au troisième ; inversement, un usage exigeant de l’IA peut faire travailler des capacités de vérification et d’analyse qui ne se confondent pas avec la tâche initiale.

Une performance assistée n’est pas une compétence acquise

La distinction est essentielle, et l’article « L’expérience professionnelle est-elle réellement une source de compétences ? » l’avait déjà posée à propos de l’expérience : exposition à une situation, apprentissage et développement d’une compétence ne se confondent pas (Mayen et Gagneur, 2017). On pourrait la transposer ici : disposer d’un outil qui permet de réussir une tâche ne revient pas à acquérir la capacité de la réussir.

Une étude menée en Turquie par Bastani et ses collègues (2025) auprès de près de 1 000 élèves du secondaire en mathématiques illustre cette distinction dans le champ de l’apprentissage. Elle cherchait à déterminer si les grands modèles de langage peuvent aider ou nuire à l’apprentissage, en comparant trois groupes : un groupe sans IA, un groupe disposant d’une interface générale proche de ChatGPT et un groupe disposant d’une version conçue avec des garde-fous pédagogiques, qui guide l’élève par des indices au lieu de lui donner les réponses. Pendant les séances d’exercices, l’accès à GPT-4 améliore les notes de 48 % avec l’interface générale et de 127 % avec la version à garde-fous. Mais lorsque l’accès est retiré, les élèves qui avaient utilisé l’interface générale réussissent 17 % moins bien que ceux qui n’y avaient jamais eu accès. Les auteurs concluent qu’un accès sans cadre peut nuire aux résultats éducatifs, et que la version avec garde-fous atténue largement cet effet.

Il serait imprudent de transposer sans précaution ces résultats d’élèves du secondaire à des professionnels adultes, et je ne le fais pas. Ils fournissent cependant une illustration précieuse d’un mécanisme possible : un outil peut améliorer la performance immédiate sans produire, voire en empêchant, la construction des ressources qui permettraient de réussir sans lui.

La didactique professionnelle aide à formuler ce risque. Elle distingue, dans l’activité, une dimension productive, qui vise à produire un résultat, et une dimension constructive, par laquelle le sujet se transforme en transformant la situation (Pastré, Mayen et Vergnaud, 2006). L’intelligence artificielle agit puissamment sur la première : elle peut accélérer la production, en améliorer la forme, en réduire l’effort. La question est de savoir ce qu’elle fait à la seconde. Si le professionnel délègue à l’outil précisément les étapes dans lesquelles il aurait dû interpréter, hésiter, se tromper et corriger, il peut obtenir un meilleur résultat sans que son activité ait été formatrice. C’est une hypothèse de lecture, que ces études ne démontrent pas pour les professionnels, mais qui invite à ne pas confondre le gain observé avec le développement de la compétence.

La question devient alors celle du potentiel d’apprentissage de l’activité instrumentée. Un outil peut libérer du temps pour comparer des hypothèses, revenir sur une erreur ou approfondir une décision ; il peut aussi court-circuiter les opérations par lesquelles le professionnel aurait appris. Ce potentiel n’est pas une propriété automatique de la technologie : il dépend de la tâche, de l’expérience antérieure, des consignes, de l’accompagnement et de la place laissée à l’analyse du résultat. Cette proposition prolonge la perspective de Mayen et Gagneur (2017) sans prétendre que les études de productivité citées en apportent la démonstration.

Ce que l’outil déplace dans l’activité

L’article « L’expérience professionnelle est-elle réellement une source de compétences ? » a rappelé qu’un professionnel ne travaille jamais seulement dans le monde de la prescription : le réel oppose des résistances, et c’est en construisant une réponse à ces résistances que l’activité peut devenir formatrice (Le Boterf, 2008 ; Zarifian, 1999). L’intelligence artificielle ne supprime pas cet écart entre le prescrit et le réel. Elle en modifie la forme.

D’abord, elle déplace une partie du travail de production vers un travail d’évaluation. Lorsque l’outil propose un texte, une analyse ou une solution, le professionnel ne se contente plus de produire : il doit apprécier ce qui lui est proposé, repérer ce qui est insuffisant, inadapté ou erroné, décider de le retenir, de le modifier ou de l’écarter. Les résultats de Dell’Acqua et de ses collègues montrent précisément l’enjeu de cette évaluation : savoir à quel moment l’outil est fiable et à quel moment il ne l’est plus constitue une capacité à part entière.

Ensuite, cette évaluation mobilise des ressources que l’outil ne fournit pas. Pour apprécier une proposition, le professionnel doit reconnaître la configuration de la situation, identifier les éléments pertinents et anticiper les conséquences de l’action. C’est le registre des schèmes, ces organisations de l’action que l’expérience contribue à enrichir (Pastré, Mayen et Vergnaud, 2006 ; Le Boterf, 2008). On peut ainsi interpréter, avec prudence, le constat de Brynjolfsson et de ses collègues, selon lequel l’outil bénéficie surtout aux débutants et peu aux experts : l’expérience de ces derniers leur a peut-être déjà fait construire une partie de ce que l’assistant propose. Cette interprétation n’est pas démontrée par l’étude, mais elle conduit à une conséquence importante : plus l’outil intervient tôt dans le parcours d’un professionnel, plus il importe de savoir ce que celui-ci construit encore par lui-même.

Enfin, l’outil ne supprime pas l’exigence de responsabilité professionnelle. Zarifian (1999) associe la compétence à la prise d’initiative et de responsabilité face aux situations. Mais il serait trop simple de réserver à l’humain le jugement et à la machine l’exécution : un assistant peut déjà suggérer une interprétation, hiérarchiser des risques ou recommander une décision. Le professionnel doit alors juger une proposition qui comporte elle-même un jugement apparent. La question n’est pas seulement de savoir qui exécute, mais comment se construisent, se contrôlent et se justifient les décisions dans une activité désormais partagée avec un outil.

Cette transformation du jugement pose un problème de vigilance. Une proposition fluide et plausible peut être adoptée trop vite ; à l’inverse, le professionnel expérimenté peut tirer profit d’un second point de vue, à condition de conserver des critères indépendants de vérification. Le recours à l’IA ne garantit donc ni l’appauvrissement ni l’enrichissement du jugement. Ce sont les conditions concrètes de l’activité — possibilités de contradiction, accès aux sources, retour sur les erreurs, conséquences des décisions — qui doivent être étudiées.

Cet usage appelle une méthode. Dell’Acqua et ses collègues (2023) ont décrit deux manières de travailler avec l’outil : certains participants, qu’ils nomment « centaures », répartissent les tâches entre eux-mêmes et l’outil ; d’autres, les « cyborgs », entremêlent leur travail et celui de l’outil à chaque étape. On peut en tirer, à titre d’hypothèse, que l’usage optimisé d’un outil d’IA suppose lui-même une méthodologie : savoir formuler une demande, découper une tâche, vérifier une réponse, décider de ce qui est délégué. Reste à savoir si cela crée une nouvelle catégorie de compétences, ou de professionnels, ou si ces gestes prolongent des compétences déjà connues, comme l’analyse de la situation, le jugement et la vérification. Les études citées ne permettent pas de trancher ; la question est ouverte.

Réflexivité et métacognition à l’épreuve de l’outil

Le retour réflexif sur l’action et la métacognition, évoqués dans l’article « L’expérience professionnelle est-elle réellement une source de compétences ? », prennent ici une importance particulière. Flavell (1979) a défini la métacognition à partir des connaissances qu’un sujet possède sur ses propres processus cognitifs et de la surveillance qu’il exerce sur eux. Nelson et Narens (1990) permettent de distinguer, dans cette surveillance, le monitoring, qui remonte l’information sur l’état de ses propres processus, et le contrôle, qui utilise cette information pour réguler l’activité. Transposée avec prudence à l’usage d’un outil, cette distinction invite à se demander si le professionnel sait évaluer ce qu’il comprend réellement de ce que l’outil lui propose, et s’il utilise cette évaluation pour décider de ce qu’il retient.

La réflexivité et la métacognition sont ici complémentaires sans être synonymes. La première invite à revenir sur l’action, ses conditions, ses choix et ses effets ; la seconde concerne plus spécifiquement la connaissance et la régulation de ses propres processus cognitifs. Dans l’usage de l’IA, elles se rejoignent lorsqu’un professionnel examine à la fois ce qu’il a fait avec l’outil et ce qu’il a réellement compris de la réponse obtenue.

Un professionnel dont l’activité fait intervenir un outil d’IA, quel que soit son domaine (enseignement, droit, gestion, ingénierie), peut ainsi se poser des interrogations qui relèvent d’une démarche métacognitive : qu’ai-je compris de la situation avant de consulter l’outil ? Qu’ai-je demandé exactement ? Qu’est-ce qui, dans la proposition obtenue, relève de ce que je pouvais produire moi-même, et qu’est-ce qui dépasse ce que je maîtrise ? Sur quels éléments ai-je fondé ma confiance ? Ces interrogations rejoignent, dans un autre contexte, le mouvement que le protocole S-V-A, que j’ai mobilisé dans mes travaux sur la formation-action, cherche à organiser : confronter ce que l’on savait, ce que l’on voulait apprendre et ce que l’on estime avoir appris (Boursiquot, 2024). Ce protocole était également utilisé dans les séances de formation-action que j’ai conduites à Marigot et à Mersan, afin de mieux outiller les enseignants et d’améliorer leurs pratiques pédagogiques en salle de classe. Je n’affirme pas que ce dispositif répond à la question posée ici ; il fournit une illustration de la manière dont un dispositif peut aider un professionnel à ne pas laisser l’outil confisquer le retour sur sa propre activité.

Les communautés de pratique que j’ai étudiées offrent une autre perspective. Elles permettent aux professionnels de confronter leurs problèmes et leurs solutions pour enrichir leur « bibliothèque de schèmes » (Le Boterf, 2008 ; Boursiquot, 2024). L’outil peut faire partie de ces échanges, mais il ne les remplace pas : on peut penser que ce qui s’y partage ne se limite pas à des solutions, mais comprend aussi des critères de jugement et une manière de reconnaître ce qui compte dans une situation.

Ce retour réflexif est aussi au cœur de la validation des acquis de l’expérience (VAE) : le candidat doit analyser sa propre activité, en dégager les situations significatives et expliciter ce qu’il a compris et décidé. C’est précisément ce que l’outil ne peut faire à sa place sans que le dossier cesse de témoigner de sa compétence. La réflexivité est ainsi le point de rencontre entre l’usage de l’outil, la compétence et sa reconnaissance, ce que développent les sections suivantes à partir de mes travaux sur les diplômes, les compétences et la VAE.

Le diplôme à l’épreuve de l’outil

Mes travaux sur les diplômes et les compétences ont montré combien le diplôme était associé à l’insertion professionnelle, à la reconnaissance des compétences, à la mobilité, à l’amélioration de la situation professionnelle et à une forme de légitimité sociale (Boursiquot, 2014, 2023). Le diplôme fonctionne ainsi comme un signe : avant toute observation de l’activité, il indique qu’une personne est présumée avoir acquis certaines capacités. L’intelligence artificielle interroge ce signe de deux manières.

D’abord, elle peut en affaiblir la lisibilité. Lorsque des travaux, des rapports ou des productions écrites peuvent être en partie assistés, ce que le diplôme atteste dépend davantage des modalités d’évaluation que de la seule qualité des productions remises. Une certification fondée surtout sur des écrits réalisés sans observation peut se trouver plus exposée qu’une certification qui évalue aussi des situations, des soutenances ou des mises en situation. Il s’agit d’une conséquence plausible, non d’un constat établi par les études citées plus haut.

Ensuite, elle ravive la question que je posais dans l’article « Diplôme ou compétence : que reconnaît réellement la société ? » : la société reconnaît-elle le diplôme ou la compétence ? Si la compétence se manifeste dans le jugement, le choix et la responsabilité, le diplôme conserve sa valeur à la condition d’attester cela, et non la seule maîtrise d’un parcours ou la capacité de produire des écrits conformes. L’interrogation qui accompagne cette question, à savoir comment prouver une compétence acquise sans le diplôme correspondant, trouve ici une forme symétrique : comment montrer qu’une compétence est bien la sienne lorsqu’un outil a contribué à la production qui la donne à voir ?

Il serait pourtant excessif d’annoncer la disparition de la valeur du diplôme. Mon hypothèse de thèse invite à la prudence : les pratiques institutionnelles de certification sont orientées par les représentations que les acteurs associent au diplôme et à la compétence (Boursiquot, 2014). Cette hypothèse, formulée à une époque où l’on ne parlait pas encore d’intelligence artificielle générative, traverse ainsi le temps. Elle s’inscrit dans le cadre de la théorie des représentations sociales (Jodelet, 1989 ; Abric, 1994 ; Flament, 1994), qui considère que les représentations partagées par un groupe orientent ses pratiques. La réponse des institutions à l’intelligence artificielle ne dépendra donc pas seulement de ce que les outils savent faire, mais aussi de ce que les universités, les employeurs et les candidats considéreront comme la preuve légitime d’une compétence.

Ce que font déjà les institutions : déclarer, vérifier, répondre

Les institutions commencent à préciser les conditions dans lesquelles une production assistée peut être présentée, évaluée ou signée. Pour notre propos, les exemples les plus instructifs concernent la création littéraire, la recherche, l’enseignement supérieur, les professions réglementées, l’action publique et le débat politique : ils éclairent la manière dont la déclaration d’usage, la vérification et la responsabilité personnelle deviennent des exigences de l’activité.

Le cas littéraire de Thélyson Orélien montre d’abord la difficulté de prouver qui a fait quoi, y compris en dehors de l’université. Le 25 septembre 2026, l’Académie Goncourt a retiré de sa sélection son roman C’était ça ou mourir (Grasset en France, Boréal au Québec). Elle invoquait des plagiats relevés dans des textes plus anciens de l’auteur et des analyses qu’elle jugeait convergentes, laissant penser que le roman aurait été en grande partie produit par intelligence artificielle. L’auteur nie avoir eu recours à l’intelligence artificielle pour l’écrire (Actualitté, 2026). Je ne prends pas parti sur le fond du dossier. Il est instructif parce qu’il révèle la fragilité des preuves : l’usage d’un outil, ou son absence, ne se démontre ici que par des indices de style, et l’incertitude pèse sur une personne dont la compétence d’auteur est mise en cause.

Dans la recherche canadienne, les lignes directrices des organismes fédéraux de financement rappellent l’importance de déclarer les usages pertinents de l’IA générative, de vérifier les informations soumises et d’en assumer la responsabilité. À l’Université Laval, des dispositions relatives à la déclaration d’usage dans les mémoires et les thèses illustrent également la nécessité de rendre visible la contribution de l’outil. Ces mesures ne prouvent pas que les compétences des chercheurs ont changé ; elles montrent que les institutions cherchent à mieux établir l’origine et la fiabilité des productions (Open Scholarship Policy Observatory, 2025 ; Université Laval, Faculté des études supérieures et postdoctorales, 2025).

En France, des propositions de charte et de guides diffusées dans l’enseignement supérieur mettent l’accent sur la transparence, la vérification et l’intégrité scientifique, sans constituer à elles seules une réglementation applicable à tous les établissements. Des recommandations de la Faculté de santé de Sorbonne Université rappellent également la responsabilité des auteurs à l’égard des résultats et des références présentés. Ces textes illustrent une orientation institutionnelle ; leurs prescriptions exactes doivent toujours être rapportées à l’établissement et au contexte concernés (IA générative & ESR, 2025 ; Sorbonne Université, Faculté de santé, 2026).

Dans le contexte haïtien, Philippe (2026) souligne, à partir de sa recherche documentaire, les difficultés d’identification d’un encadrement explicite et uniforme de l’usage académique de l’IA. Il invite notamment à ne pas confondre l’absence de texte retrouvé avec la preuve qu’aucune règle locale n’existe. Cette prudence importe : en l’absence de procédure clairement énoncée, l’évaluation peut dépendre davantage des attentes implicites des enseignants, des directeurs de recherche ou des jurys.

L’exemple du Barreau du Québec est utile pour une autre raison : une formation obligatoire sur l’encadrement de l’IA générative dans la pratique du droit met au premier plan la fiabilité des outils, la pertinence de leur utilisation et la justification des choix professionnels (Barreau du Québec, 2026). Il ne s’agit pas seulement de produire plus vite, mais de savoir quand recourir à l’outil, comment en contrôler les résultats et comment répondre de ses décisions.

Du côté des pouvoirs publics, selon une synthèse de Regulations.AI (2026), l’Ontario a adopté la Loi de 2024 sur le renforcement de la sécurité et de la confiance dans le numérique, en vigueur depuis le 29 janvier 2025, qui encadre l’usage de l’intelligence artificielle par les institutions gouvernementales, le secteur public élargi et les organismes d’éducation, et le Québec s’est doté en 2024 de lignes directrices non contraignantes pour les organismes publics, fondées notamment sur la transparence, la responsabilité et le maintien de l’autonomie humaine. Ces cadres confirment que la question dépasse l’université : elle touche l’ensemble des organisations où une décision, un document ou un service peut être produit avec l’aide d’un outil.

Les débats politiques montrent enfin que ces choix reposent sur des représentations différentes du travail. Selon l’analyse publiée par Pivot (2026) au début de la campagne électorale québécoise, certains partis envisageaient d’utiliser l’intelligence artificielle pour réduire la taille de l’appareil d’État, le Parti conservateur du Québec avançant l’élimination de 20 000 postes dans la fonction publique et des économies d’environ 47 milliards de dollars sur cinq ans, tandis que d’autres formations insistaient pour que l’outil soutienne les employés publics sans les remplacer et pour qu’un humain demeure responsable des décisions touchant les citoyens. Il ne m’appartient pas de trancher entre ces programmes. L’intérêt, pour notre propos, est ailleurs : prévoir des suppressions de postes suppose de se représenter le travail comme un ensemble de tâches que l’outil peut reprendre, alors que l’exigence de responsabilité humaine suppose de le représenter comme un jugement que l’on ne peut déléguer. Ces deux représentations de la compétence sont précisément celles dont mon hypothèse de thèse suggère qu’elles orientent les pratiques des institutions (Boursiquot, 2014).

Ce que cela change pour la reconnaissance de l’expérience

La question posée à la VAE par l’usage de l’intelligence artificielle est moins spectaculaire qu’on pourrait le croire, mais elle est réelle. Lors d’une validation, le candidat doit rendre son expérience accessible à ceux qui l’évaluent : le jury n’accède jamais directement à l’expérience vécue, mais seulement aux traces, aux réalisations et à la mise en mots qui la rendent évaluable. L’expérience n’est pas communicable en tant que telle : ce qui se transmet à un jury, c’est ce que le candidat en explicite, et non ce qu’il a vécu (Vermersch, 1994 ; Aubret et Gilbert, 2003). Or un outil capable de produire un texte structuré, argumenté et bien rédigé modifie la valeur de ces traces : un texte bien rédigé ne garantit plus que le candidat soit l’auteur de l’analyse qu’il présente, ni qu’il la comprenne. La qualité de la trace renseigne alors moins sur la compétence qu’elle devait rendre visible.

Deux risques symétriques apparaissent. Le premier serait d’accepter comme preuve de compétence un dossier dont la qualité tient surtout à l’outil. Le second serait de suspecter a priori tout dossier bien rédigé, au risque de pénaliser les candidats qui utilisent légitimement un outil pour exprimer une expérience réelle. Dans les deux cas, le même principe s’applique : l’exigence doit porter sur ce que le diplôme atteste réellement, et non sur les apparences de la présentation.

La reconnaissance de l’expérience conduit ainsi à déplacer l’attention de la production écrite vers la capacité qu’elle est censée révéler. Un jury peut interroger le candidat sur les situations décrites, sur les choix qu’il a faits, sur les alternatives qu’il a écartées, sur ce qui lui a résisté. Ces interrogations ne sont pas nouvelles : elles rejoignent la pratique de l’entretien d’explicitation, qui aide la personne à décrire précisément ce qu’elle a fait et comment elle l’a fait (Vermersch, 1994). L’accompagnement, que j’avais analysé dans mon mémoire de master 2 professionnel consacré à l’accompagnement à la VAE, peut contribuer à ouvrir un chemin dans un environnement dont le candidat ne maîtrise pas encore les repères (Boursiquot, 2011) : comprendre ce qui doit être démontré, identifier dans son expérience les situations pertinentes. L’usage de l’intelligence artificielle ne renforce pas automatiquement cette fonction, mais il la rend plus nécessaire : il ne s’agit pas de produire la preuve à la place du candidat, mais de l’aider à reconnaître ce qu’il sait réellement faire.

Une autre distinction s’impose enfin. La maîtrise d’un outil est une compétence, parfois précieuse, mais elle n’est pas nécessairement celle que certifie un diplôme donné. Pour chaque certification, la question reste de déterminer si l’outil fait partie des moyens d’exercer la compétence visée, ou s’il risque de masquer son absence.

Une conséquence méthodologique en découle : avant d’évaluer un candidat, le certificateur devrait préciser le périmètre de l’autonomie attendue. Certaines situations exigent une capacité d’agir sans assistance ; d’autres supposent au contraire la maîtrise raisonnée d’instruments devenus ordinaires dans le métier. Dans le second cas, interdire l’outil pourrait éloigner l’épreuve du travail réel ; dans le premier, l’autoriser sans condition pourrait masquer un acquis insuffisant. La qualité de la certification dépend de l’adéquation entre les moyens autorisés, les preuves demandées et les compétences effectivement visées.

Des représentations du diplôme et de la compétence en transformation

Il reste à répondre à la question du paradigme. Comme je l’ai rappelé, mon hypothèse de thèse était que les pratiques institutionnelles de certification sont orientées par les représentations que les acteurs associent au diplôme et à la compétence (Boursiquot, 2014). Mes travaux ont souligné l’importance de l’autonomie et de la possibilité d’interpréter les situations dans le développement des compétences, et montré combien le diplôme était associé à la reconnaissance des compétences et à une forme de légitimité sociale (Boursiquot, 2014, 2023). L’intelligence artificielle met ces représentations à l’épreuve.

Si la compétence est représentée comme la capacité de produire seul un résultat, l’outil semble la rendre moins distinctive, puisqu’il en produit une partie à la place du professionnel. Si elle est représentée comme la capacité d’interpréter une situation, de juger une proposition et d’assumer une décision, l’outil la rend plus visible : ce qui distingue alors les professionnels, c’est la qualité de leur jugement lorsqu’ils agissent avec lui. Le paradigme n’est donc pas renversé ; il est mis en tension. Ce qui change, c’est la représentation que les acteurs, les employeurs et les institutions de certification se font de ce qui compte dans une activité.

Cette tension est précisément celle que la VAE rend visible. En demandant à l’université de reconnaître des acquis qu’elle n’a pas produits, la VAE l’oblige à expliciter ce qu’elle certifie. L’intelligence artificielle accentue cette obligation : elle contraint tous les acteurs, institutions, employeurs et professionnels, à dire ce qui, dans une compétence, relève de ce que l’on sait faire seul, de ce que l’on sait faire avec un outil et de ce que l’on sait juger.

Ce que l’intelligence artificielle oblige à reconsidérer

L’intelligence artificielle ne rend pas la notion de compétence obsolète. Elle oblige plutôt à réexaminer les conditions de sa construction, les modalités de son exercice et les critères de sa reconnaissance. Une performance assistée peut masquer une absence d’apprentissage ; mais une activité instrumentée, organisée autour de la confrontation, de la vérification et du retour réflexif, peut aussi ouvrir des occasions d’apprendre. Il serait prématuré de tenir pour acquis que le jugement humain sortira nécessairement renforcé de ces usages : il constitue lui-même un objet d’enquête.

Plusieurs questions demeurent ouvertes. Quels usages de l’outil soutiennent la dimension constructive de l’activité, et lesquels la réduisent ? Comment apprécier la qualité d’un jugement professionnel lorsque l’IA intervient dans l’analyse et non plus seulement dans l’exécution ? Quelles preuves permettent de distinguer la maîtrise personnelle d’une compétence de la simple qualité d’une production assistée ? Pour les institutions de certification, notamment dans la VAE, la réponse ne pourra pas reposer sur l’apparence des documents : elle devra porter sur les situations, les choix, les justifications et les exigences réelles du diplôme.

Cette interrogation sur la manière dont l’université reconnaît l’expérience sera prolongée dans un article à paraître, consacré aux raisons pour lesquelles la reconnaissance de l’expérience bouleverse les pratiques universitaires.

Une version abrégée de cet article est parue dans Le Nouvelliste le 16 octobre 2026.

Références

Abric, J.-C. (dir.). (1994). Pratiques sociales et représentations. Paris, France : Presses universitaires de France.

Actualitté. (2026). Le prix Goncourt exclut le roman de Thélyson Orélien. Récupéré de https://actualitte.com/article/134194/prix-litteraires/le-prix-goncourt-exclut-le-roman-de-thelyson-orelien

Aubret, J. et Gilbert, P. (2003). L’évaluation des compétences. Sprimont, Belgique : Mardaga.

Barreau du Québec. (2026, 1er avril). Nouvelle formation obligatoire : Encadrer l’IA générative dans la pratique du droit : repères déontologiques et professionnels. Récupéré de https://www.barreau.qc.ca/en/new/notices-to-members/nouvelle-formation-obligatoire-encadrer-ia-generative-pratique-droit/

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. et Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122

Boursiquot, H. (2011). Stratégies et outils pour renforcer et enrichir l’accompagnement à la validation des acquis de l’expérience (mémoire de master 2 professionnel non publié). Université de Toulouse II – Le Mirail, Toulouse, France.

Boursiquot, H. (2014). Transformations des pratiques et des usages de la validation des acquis de l’expérience : cas de l’enseignement supérieur haïtien (thèse de doctorat, Université Paris-Est, Créteil, France). Récupéré de l’archive ouverte HAL : https://hal.science/tel-05765335

Boursiquot, H. (2023). Diplômes, compétences et validation des acquis de l’expérience en Haïti. Paris, France : L’Harmattan.

Boursiquot, H. (2024). Communauté de pratique d’enseignant-e-s. Défi du relèvement de la qualité de l’éducation en Haïti (2e éd.). Paris, France : L’Harmattan.

Brynjolfsson, E., Li, D. et Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044

Dell’Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. et Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Harvard Business School Working Paper No. 24-013). Harvard Business School.

Flament, C. (1994). Structure, dynamique et transformation des représentations sociales. Dans J.-C. Abric (dir.), Pratiques sociales et représentations (p. 37-57). Paris, France : Presses universitaires de France.

Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906-911. https://doi.org/10.1037/0003-066X.34.10.906

IA générative & ESR : propositions de charte & guides. (2025, 27 septembre). Récupéré du site du ministère de l’Enseignement supérieur et de la Recherche : https://www.enseignementsup-recherche.gouv.fr/sites/default/files/2025-10/charte-d-usages-et-bonnes-pratiques-de-l-ia-des-projets-demoes–38023.pdf

Jodelet, D. (dir.). (1989). Les représentations sociales. Paris, France : Presses universitaires de France.

Le Boterf, G. (2008). Repenser la compétence. Pour dépasser les idées reçues : 15 propositions. Paris, France : Éditions d’Organisation.

Mayen, P. et Gagneur, C.-A. (2017). Le potentiel d’apprentissage des situations : une perspective pour la conception de formations en situations de travail. Recherches en éducation, 28. https://doi.org/10.4000/ree.6050

Nelson, T. O. et Narens, L. (1990). Metamemory: A theoretical framework and new findings. Dans G. H. Bower (dir.), The psychology of learning and motivation (vol. 26, p. 125-173). San Diego, CA : Academic Press.

Noy, S. et Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192. https://doi.org/10.1126/science.adh2586

Open Scholarship Policy Observatory. (2025, 28 mai). Les organismes fédéraux de financement de la recherche viennent de finaliser des lignes directrices sur l’utilisation de l’intelligence artificielle dans l’élaboration et l’évaluation des propositions de recherche. Université de Victoria. Récupéré de https://ospolicyobservatory.uvic.ca/les-organismes-federaux-de-financement-l-intelligence-artificielle/

Pastré, P., Mayen, P. et Vergnaud, G. (2006). La didactique professionnelle. Revue française de pédagogie, 154, 145-198.

Philippe, D. P. (2026, 21 juillet). Intelligence artificielle : quel cadre juridique dans le milieu académique haïtien ? Le Nouvelliste. Récupéré de https://lenouvelliste.com/article/270143/intelligence-artificielle-quel-cadre-juridique-dans-le-milieu-academique-haitien

Pivot. (2026, 4 septembre). Élections : quelle place pour l’IA au Québec ? Récupéré de https://pivot.quebec/2026/09/04/elections-quelle-place-pour-lia-au-quebec/

Regulations.AI. (2026). Canada – Provincial AI legislation summary. Récupéré de https://regulations.ai/regulations/RAI-CA-ST-SUMMARY-2026

Sorbonne Université, Faculté de santé. (2026). Recommandations d’utilisation de l’IA générative dans le cadre de la recherche. Récupéré de https://sante.sorbonne-universite.fr/sites/default/files/media/2026-02/Recommandations%20d’utilisation%20de%20l’IA%20ge%CC%81ne%CC%81rative%20dans%20le%20cadre%20de%20la%20recherche2.pdf

Université Laval, Faculté des études supérieures et postdoctorales. (2025, 26 septembre). Utilisation de l’IA générative dans les mémoires et thèses. Récupéré de https://www.fesp.ulaval.ca/actualites/utilisation-de-lia-generative-dans-les-memoires-et-theses

Vermersch, P. (1994). L’entretien d’explicitation. Paris, France : ESF.

Zarifian, P. (1999). Objectif compétence. Pour une nouvelle logique. Paris, France : Liaisons.

Pour citer cet article : Boursiquot, H. (2026, 18 octobre). Quand l’IA entre dans l’activité, que reste-t-il de la compétence ? boursiquotherve.com. https://boursiquotherve.com/2026/10/18/ia-activite-competence/
Version PDF archivée (Zenodo) : https://doi.org/10.5281/zenodo.23359568 · Licence CC BY-NC-ND 4.0 · Auteur : ORCID 0009-0008-0070-467X