Dans la série AI as a Service, l’évaluation joue le rôle du “7ᵉ anneau” : elle relie régie, soute, compagnonnage, animation, fabrique de ressources et collectifs apprenants, en rendant visibles leurs promesses… et leurs risques.
L’évaluation n’est pas un bloc isolé dans les dispositifs de formation : elle traverse l’ensemble du système. Elle concerne les apprentissages, les comportements au travail, les décisions de pilotage, la reconnaissance des acquis et la conformité réglementaire, mais aussi les couches de régie et de soute – ces outils logistiques et infrastructures IA qui organisent, documentent et sécurisent les dispositifs.
Avec l’IA, cette transversalité devient visible. L’IA peut outiller l’évaluation, l’affiner, la rendre plus continue ; mais elle porte aussi des risques puissants : surveillance, biais, glissements de pouvoir, brouillage des frontières entre travail et apprentissage. L’évaluation devient alors un lieu où l’IA montre, en même temps, ce qu’elle peut apporter de valeur et pourquoi la régulation humaine doit rester centrale à tous les niveaux.
On parle souvent d’“évaluation pédagogique” d’un côté et de “pilotage par la data” de l’autre. En pratique, c’est le même champ : celui des critères de valeur.
L’IA ne se contente pas d’ajouter une couche technique. Elle produit de nouvelles traces (interactions, parcours, réponses ouvertes), automatise certaines analyses, modifie la manière de mesurer, de trier, de juger. Et, surtout, elle oblige à évaluer non seulement les apprenants, mais aussi les systèmes eux‑mêmes : modèles, algorithmes, effets systémiques sur les personnes et sur l’organisation.
L’évaluation devient alors un objet transversal : dès qu’on introduit l’IA, il faut regarder ensemble les effets pédagogiques, organisationnels, réglementaires et éthiques.
Si l’on se concentre sur les effets des formations, la grille de Kirkpatrick reste un repère utile. L’IA se glisse dans chacun des quatre niveaux.
Ici, on cherche à comprendre comment les personnes ont vécu la formation : satisfaction, utilité perçue, qualité de l’expérience.
L’IA facilite la collecte de retours (verbatims, audio, vidéo, commentaires libres) et permet une analyse beaucoup plus fine des réponses ouvertes : thèmes récurrents, tonalité, nuances de sentiment, signaux faibles, contradictions entre ce qui est dit et ce qui est fait. En croisant ces réactions avec des données de participation ou de temps de connexion, on comprend mieux ce qui produit une bonne ou une mauvaise expérience.
Le niveau 1 devient plus riche qu’une simple “smile sheet”. Mais si l’on étend trop la captation et l’analyse, on peut glisser vers une observation permanente des expressions des personnes. Là encore, la question n’est pas seulement “ce que l’IA permet”, mais “ce que l’on juge légitime de regarder”.
Le niveau 2 s’intéresse aux acquis : ce que les personnes ont réellement appris.
Les outils d’IA rendent possible ce que le digital classique faisait mal : traiter les réponses ouvertes à grande échelle (textes, analyses, code), observer la démarche plutôt que le seul résultat (séquence d’actions, essais/erreurs, cheminement vers la solution), dialoguer avec l’apprenant pour tester la profondeur de compréhension, voire analyser en vidéo une situation de travail à partir de critères de compétence.
L’évaluation peut se rapprocher de la qualité du raisonnement et du geste professionnel. Mais les jugements produits par l’IA ne sont jamais neutres : ils dépendent des données d’entraînement et des choix de paramétrage. Garder une capacité humaine à contester, interpréter, trancher autrement devient une condition de légitimité.
Le niveau 3 regarde ce qui se passe dans le travail : le transfert des apprentissages dans les pratiques réelles.
Prenons un exemple. Une académie interne déploie une IA d’analyse d’activité pour ses équipes commerciales. Chaque appel, chaque mail, chaque mise à jour dans le CRM remonte comme donnée, croisée ensuite avec les parcours de formation : modules suivis, séances de coaching, mises en situation. L’IA repère que les personnes passées par telle séquence de formation relancent plus systématiquement leurs clients, ou gèrent différemment les objections. Elle propose alors des accompagnements ciblés et des ressources à pousser “dans le flow” à celles et ceux qui n’ont pas encore développé ces pratiques.
Sur le papier, la promesse est forte : relier immédiatement formation et travail, ajuster en continu, soutenir les comportements que l’on souhaite voir émerger. Dans la pratique, la frontière entre données d’apprentissage et données de performance devient floue. À quel moment mesure‑t‑on un apprentissage, et à quel moment mesure‑t‑on une productivité individuelle ? Quand l’IA signale un “déficit” de compétences, est‑ce encore un diagnostic pédagogique, ou déjà un jugement sur la valeur d’une personne au travail ?
Les risques sont connus : RGPD, confidentialité, sentiment de surveillance, disparition de la liberté de se tromper. Sans garde‑fous, le niveau 3 bascule de la progression vers le contrôle permanent.
Le niveau 4 relie la formation à l’activité de l’organisation : performance, qualité, innovation, risques, climat social.
L’IA facilite le croisement des données de travail et de formation, l’identification de corrélations, la construction de tableaux de bord sophistiqués. Les budgets L&D peuvent enfin être associés à des indicateurs tangibles.
Mais dès que ces analyses servent à décider de trajectoires professionnelles, de mobilités, de rémunérations, on touche au champ de la réglementation (AI Act) et de la gouvernance : transparence, documentation, analyse d’impact, droit à la contestation. La question n’est plus seulement “quel est l’impact de la formation ?”, mais “qui est évalué, sur quoi, et au bénéfice de qui ?”.
Il y a un autre point transversal, cette fois du côté de l’individu : l’apprenant travaille lui‑même avec l’IA.
Dans beaucoup de contextes, l’IA intervient dans la préparation d’un devoir ou d’un projet, propose des plans, reformule, corrige, peut produire des réponses très proches de celles qu’on attendrait d’un “bon niveau”.
À partir de là, que mesure‑t‑on quand on évalue ?
Pour que l’évaluation reste honnête, il faut expliciter :
C’est une décision humaine, pédagogique, politique : ce n’est pas l’IA qui décide quand elle peut ou non participer à l’évaluation.
Avec l’IA, la question de la gouvernance ne peut plus rester implicite : qui décide des critères, des seuils, des usages et des garde‑fous ?
La réglementation (AI Act, RGPD, chartes internes) formalise une partie de ces exigences, mais elle ne les remplace pas : ce sont des humains, à différents niveaux, qui doivent décider ce qu’ils considèrent comme légitime et juste.
En filigrane, une idée se dessine : l’évaluation à l’ère de l’IA est sans doute l’un des endroits où l’on voit le mieux, en même temps, la valeur de l’IA et ses risques.
Valeur, parce qu’elle permet de mieux comprendre ce qui se passe dans les dispositifs, dans les apprentissages, dans le travail, et de relier enfin formation et activité. Risques, parce qu’elle peut glisser vers la surveillance, confondre apprentissage et performance, automatiser des jugements qui s’imposent sans débat.
C’est précisément pour cela que le centre de gravité doit rester humain : régulation pédagogique (ce qu’on considère comme un acquis légitime), régulation organisationnelle (la ligne entre learning data et working data), régulation politique et juridique (le cadre dans lequel l’IA peut ou non intervenir).
L’IA élargit le champ de l’évaluation : plus de traces, plus de contextes, plus de niveaux. Elle oblige à préciser ce qu’on regarde et pourquoi on le regarde. Et c’est cette exigence qui nous oblige à clarifier, collectivement, ce que nous voulons vraiment mesurer, pour quoi et avec quelles protections pour les personnes.
ATAWAK accompagne les équipes L&D, les organismes de formation et les consultants-formateurs indépendants pour valoriser et digitaliser leurs offres de formation : learning design, formations interactives, IA générative, production de contenus, agents d’apprentissage IA (Tawakis), média learning et écosystèmes apprenants, dans une démarche LIFOW.
2629-0149-01
