Depuis janvier 2026, le rapport Pearson le confirme : des milliards en intelligence artificielle ne génèrent pas de productivité. Le coupable ? L’absence de formation parallèle des salariés. Cet écart critique, nommé « learning gap », paralyse le ROI et verrouille des trillions de dollars de valeur potentielle.

• Les entreprises investissent des milliards en IA sans résultats probants en productivité réelle, hors codage informatique
• Le « learning gap » désigne l’écart entre investissements technologiques et investissements en formation des salariés
• Le potentiel économique verrouillé se chiffre entre 4,8 et 6,6 trillions de dollars d’ici 2034 (USA)
• L’augmentation des capacités humaines génère plus de valeur long-terme que l’automatisation seule
• Le cadre D.E.E.P. (Diagnose, Embed, Evaluate, Prioritize) structure la fermeture du learning gap

Le contraste : investissements massifs, gains invisibles

La réalité économique est sévère. Depuis le début des années 2000, la productivité du travail britannique s’est effondrée : après une croissance annuelle de 3,3 % dans les années 1990, elle a dégringolé à 2,2 % au début des années 2000, puis basculé en territoire négatif avec une baisse de 0,7 % ces dernières années. Les États-Unis connaissent une trajectoire similaire.

Or, la même période a vu les entreprises consacrer des milliards aux infrastructures IA. Le contraste est saisissant : jamais autant d’argent n’a été englouti en outils technologiques, jamais la productivité réelle n’a moins progressé.

Selon le rapport Pearson publié en janvier 2026 à Davos :

« Les entreprises investissent des milliards mondialement dans les infrastructures et modèles IA, mais il existe peu d’exemples concluants au niveau des grandes organisations de gains de productivité réels qui aident véritablement les travailleurs et génèrent du retour sur investissement, en dehors du domaine du codage informatique. »

Ce n’est pas une défaillance technique. C’est un problème organisationnel : l’absence d’investissement parallèle en formation des salariés. Les technologies les plus sophistiquées restent lettre morte si ceux qui doivent les utiliser ne possèdent pas les compétences nécessaires.

Le learning gap : quand la technologie précède la compétence

Le terme « learning gap » désigne précisément cette rupture : les investissements en infrastructure technologique surpassent de loin ceux en formation continue des employés.

Résultat : les salariés et les organisations se retrouvent équipés de capabilités IA sans avoir développé les aptitudes humaines pour les exploiter.

Omar Abbosh, responsable du rapport chez Pearson, énonce clairement la conséquence :

« Chaque scénario positif pour cet avenir impulsé par l’IA repose sur le développement humain. Combler ce fossé permettra de soutenir les salariés, de renforcer leur confiance face aux nouvelles technologies et de générer les résultats de retour sur investissement que les entreprises recherchent. »

L'ampleur de la valeur verrouillée

Selon le modèle économique Pearson, l’enjeu s’évalue en centaines de milliards :

Scénario	Horizon	Valeur additionnelle (USA)	% du PIB actuel
Conservateur	2034	4,8 trillions $	~15 %
Optimiste	2034	6,6 trillions $	~20 %

Source : modélisation propriétaire Pearson couvrant 304 métiers, données d’emploi officielles (Bureau of Labor Statistics), données de valeur ajoutée.

Caveat important : Pearson lui-même relativise cette projection. « Ces estimations ne doivent pas être considérées comme des prévisions du futur. Ce sont des projections modélisées basées sur des hypothèses. »

L’essentiel demeure : ce potentiel économique reste inaccessible tant que le learning gap persiste.

Augmenter plutôt qu'automatiser : deux stratégies, deux valeurs

Une confusion stratégique fondamentale traverse les décisions IA en entreprise : faut-il utiliser l’IA principalement pour automatiser les tâches (réduire les coûts à court terme), ou pour augmenter les capacités humaines (créer de la valeur à long terme) ?

La distinction critiquement importante

Tom Davenport, professeur en gestion informatique à Babson, énonce clairement la différence :

« Les organisations ont besoin des bénéfices de l’automatisation et de l’augmentation. L’automatisation excelle en productivité et efficacité, mais elle n’est pas bonne pour l’innovation, ou pour déterminer si les systèmes fonctionnent correctement, ou identifier quand il faut réentraîner un modèle. »

L’augmentation opère sur un registre distinct. Mark Esposito du Berkman Klein Center (Harvard) la décrit comme :

« Un multiplicateur économique. Elle génère des retours à plus long terme, plus transformationnels. L’augmentation peut changer fondamentalement la capacité des humains à poser et appliquer des questions ; elle crée un niveau entièrement nouveau de valeur et de productivité. »

Andrew Ng, fondateur de DeepLearning.AI, en expose l’enjeu commercial :

« Dix pour cent d’économies, c’est agréable, mais ce n’est pas ce qui enthousiasme le plus les entreprises. Il faut réinventer les workflows pour atteindre une croissance significative. »

Pourquoi la majorité stagne

La majorité des organisations demeurent piégées dans la logique court-termiste : optimiser les coûts plutôt que réinventer les métiers. L’automatisation promet des gains rapides et mesurables mais limités. L’augmentation demande plus de temps et d’investissement, mais elle démultiplie la valeur long-terme. Le choix révèle souvent une absence de vision stratégique au niveau du leadership.

Le cadre D.E.E.P. : quatre piliers pour combler le fossé

Pearson propose un modèle structuré pour fermer le learning gap : le « D.E.E.P. Learning Framework ». Il repose sur quatre piliers interdépendants.

1. Diagnose : cartographier l'augmentation

La première étape consiste à analyser les tâches au niveau granulaire. Non plus « Que fait ce travailleur ? », mais « Que devrait faire ce travailleur en collaboration avec un système intelligent ? »

Sandra Loughlin (EPAM) énonce une prérequise clé :

« Seule la personne qui fait réellement le travail peut véritablement déterminer où et comment utiliser l’IA pour l’améliorer. »

Le diagnostic s’appuie sur trois éléments :

• Analyse task-based : au-delà des descriptions de postes statiques.
• Identification des « expert enthusiasts » : salariés qui testent eux-mêmes les augmentations IA.
• Formation d’« augmentation squads » : équipes mixtes réunissant expert métier, technologue, manager et responsable L&D.

Ces équipes collaborent pour traduire les observations en plans de formation contextualisés.

2. Embed : apprendre en travaillant

Arracher un employé de ses tâches pour une formation formelle est un modèle révolu. Le paradigme doit basculer vers « learning in the flow of work » : tutoriels personnalisés, micro-leçons contextualisées, feedback en temps quasi-réel, intégrés dans les outils IA eux-mêmes.

Jacqui Canney (ServiceNow) l’explicite :

« L’apprentissage est le moteur de l’activation IA. Si nous voulons que nos collaborateurs non seulement utilisent l’IA, mais la façonnent, nous devons intégrer l’apprentissage continu dans le tissu de chaque rôle. »

Ce pilier englobe aussi une transformation culturelle :

• Leadership modélisant la curiosité.
• Temps protégé pour l’expérimentation.
• Apprentissage par les pairs.
• Focus sur les compétences durables : créativité, intelligence sociale, leadership, esprit critique, discernement pour valider les résultats IA.

L’argument financier est direct. Philippa Hardman (DOMS) relève que « L’apprentissage dans le flux de travail séduit les cadres supérieurs car le coût majeur de la formation professionnelle n’est pas le contenu ou l’expertise ou la technologie, c’est le temps non travaillé. Déplacer ne serait-ce que 5 % de la formation dans le flux de travail génère d’énormes économies. »

3. Evaluate : mesurer en continu

Au lieu de tests auto-évalués biaisés ou de métriques cosmétiques (pourcentage de salariés ayant suivi une formation), l’évaluation doit s’appuyer sur une infrastructure de données de compétences reliant formation, données RH et performance réelle.

L’IA permet l’« ambient assessment » : inférer les compétences à partir du comportement et des artefacts du travail, en temps réel.

James Cook (IBM) témoigne :

« Pendant des années, nous avons utilisé l’IA pour faire de l’inférence de compétences. Nous traitons régulièrement plus de 20 millions de fichiers pour déduire que ‘James possède telle compétence à tel niveau…’ L’IA est assez précise et devient encore plus précise. »

Google démontre une approche complémentaire via les « Skills Badges » : validation en conditions authentiques, scénarios réels, assessment hands-on.

4. Prioritize : placer l'apprentissage au cœur

Le quatrième pilier exige une refonte organisationnelle profonde : L&D cesse d’être un « distributeur de contenu » pour devenir un « curateur de capacités ». Les investissements s’orientent vers les compétences, pas les titres statiques. L’apprentissage continu devient une priorité stratégique, non un outil de rétention.

Joshua Wohle (Mindstone) libère la vérité derrière cet enjeu :

« Les budgets Learning and Development doivent être une priorité absolue. Le C-suite a longtemps considéré l’apprentissage comme un simple outil de rétention. Ils lui rendaient hommage, mais ne voyaient pas cela comme un levier commercial. Désormais, cela compte. »

James Cook (IBM) ajoute une prérequise politique cruciale :

« La formation est trop importante pour être laissée à RH. C’est un sujet de niveau board. »

Les obstacles structurels au déploiement

Malgré la clarté du diagnostic, les obstacles à la mise en œuvre du cadre D.E.E.P. sont substantiels et enracinés.

Affamement chronique des budgets L&D. Historiquement, l’apprentissage constitue un investissement marginal comparé à l’infrastructure technologique. Les ROI ne sont pas mesurés de la même façon, et l’alignement stratégique demeure faible.

Formation de « box-ticking ». Cocher les cases en affirmant que « X % des salariés ont suivi une formation » ne garantit aucun apprentissage réel. Les formations génériques, dépourvues de contexte métier, produisent peu de transfert de compétences et encore moins de changement comportemental.

Mindset technologiste résiduel. Nombre d’organisations persistent à croire que déployer la technologie suffira. Cette approche inverse l’ordre des priorités : learning et augmentation doivent être simultanés dès le départ, pas ajoutés après coup.

Absence de culture d’apprentissage. Mark Williamson (KPMG) avertit :

« À moins d’avoir une culture d’apprentissage… vous n’atteindrez pas une montée en compétences rapide et constante. »

Complexité du changement organisationnel. Fermer le learning gap est un « journey long, complex, iterative ». Pas de quick wins, pas de pivot de deux trimestres. Plusieurs années de réalignement budgétaire, transformation culturelle et apprentissage itératif sont nécessaires.

Trois orientations stratégiques pour débloquer la valeur

Le rapport Pearson révèle une leçon cruciale : les transformations IA les plus réussies ne commencent pas par la technologie.

Stephanie Kneisler (ServiceNow) synthétise :

« Notre plus grand apprentissage est que les transformations IA les plus efficaces commencent par renforcer d’abord les capacités de RH. Si les professionnels RH ne sont pas compétents en IA et ancrés dans la stratégie des talents et les bonnes pratiques de gestion du changement, on leur demande de diriger une transformation qu’ils n’ont pas été équipés pour naviguer. »

Trois orientations clés émergent pour les directions d’entreprise et les gouvernements :

Rééquilibrer les budgets. Augmenter les investissements en learning infrastructure en parallèle des déploiements technologiques IA, pas après coup.

Transformer L&D en fonction stratégique. Passer du modèle « outil de rétention » au modèle « multiplicateur de capacités métier ». Doter les équipes L&D de fluence IA et de stratégie de talents, pas seulement de création de contenu.

Cultiver l’apprentissage continu. Protéger du temps pour l’expérimentation, modéliser la curiosité au niveau leadership, bâtir des infrastructures de badges et certifications portables, développer des marchés de talents internes où la compétence est valorisée et visible.

Enjeux européens : applicabilité et adaptations

Le rapport Pearson s’appuie massivement sur des données et expertises nord-américaines (Microsoft, ServiceNow, Google, IBM) et britanniques (KPMG).

Les contextes européens, notamment français, comportent des spécificités distinctes : réglementations du travail plus protectrices, gouvernance d’entreprise différente, capacités L&D inégales selon le secteur. Les schémas proposés dans le D.E.E.P. Learning Framework peuvent-ils s’adapter à un marché du travail plus rigide, à des obligations légales différentes (RGPD, droit de la formation professionnelle continue), et à des PME ayant moins de ressources que les géants du tech nord-américains ?

Cette question demeure ouverte et mérite une investigation spécifique.

Conclusion : l'IA n'agit pas seule

Le message de Pearson est sans ambiguïté : l’IA seule ne libère pas la productivité. Les gains économiques théoriquement accessibles (4,8 à 6,6 trillions de dollars d’ici 2034) resteront verrouillés tant que le learning gap subsistera.

Les entreprises qui investissent massivement en technologie IA sans transformer simultanément leur approche de la formation, leur culture organisationnelle et leur allocation budgétaire accumuleront des outils sophistiqués et une main-d’œuvre démotivée. Celles qui comprennent que l’augmentation des compétences humaines est le vrai levier en tireront des avantages durables et transformationnels.

Le cadre D.E.E.P. fournit une feuille de route. Mais son succès dépend moins de sa qualité théorique que de la volonté des boards d’étendre le regard de « coût technologique » à « investissement dans le capital humain »—un basculement mental encore largement à accomplir.

FAQ

Pourquoi la productivité diminue-t-elle malgré les investissements massifs en IA ?

Parce que les entreprises déploient des technologies sans former simultanément leurs salariés à les utiliser efficacement (le « learning gap »).

Qu'est-ce que le « learning gap » et comment l'impacte-t-il les entreprises ?

C’est l’écart critique entre les investissements en infrastructure IA et ceux en formation continue. Il paralyse le ROI et laisse les salariés équipés sans être compétents.

Quel potentiel économique pourrait débloquer une meilleure formation en IA ?

Entre 4,8 et 6,6 trillions de dollars d’ici 2034 pour l’économie américaine, selon le modèle Pearson, à condition de combler le learning gap.

Qu'est-ce que le cadre D.E.E.P. et comment fonctionne-t-il ?

Un modèle en quatre piliers : Diagnose (analyser où l’IA augmente le travail), Embed (intégrer l’apprentissage dans le flux du travail), Evaluate (mesurer les compétences en continu), Prioritize (placer l’apprentissage au cœur de la stratégie).

Augmentation vs. automatisation : quelle approche génère plus de valeur ?

L’augmentation crée des gains long-terme et transformationnels, tandis que l’automatisation apporte des économies rapides mais limitées. Les meilleures organisations combinent les deux.