5 leçons contre-intuitives d'un formateur/accompagnateur IA

Cet article est le cœur de la méthodologie utilisée dans les AI Activation Sprints. Il décrit, en cinq leçons, ce que je vois se répéter d’un terrain à l’autre — et ce qui distingue les équipes qui passent à l’action de celles qui restent en boucle d’exploration.

La promesse du marché vs. le terrain

Le marché de la formation IA vend une promesse simple : plus d’outils, plus de productivité. Mon expérience d’accompagnement raconte une histoire différente. Les équipes qui réussissent à intégrer l’IA dans leur travail quotidien ne sont pas celles qui ont vu le plus de démos — ce sont celles qui ont accepté de remettre en question leur façon de produire avant de toucher un seul outil.

Ce qui suit, ce sont cinq constats répétés sur le terrain. Chacun est contre-intuitif. Chacun est testable.

1. Le problème n’est jamais l’outil

L’injonction d’adopter l’IA résonne dans toutes les entreprises — et produit surtout un mélange de pression et de confusion. La réponse par défaut est presque toujours la même, un théâtre de l’innovation : mandats descendants, longs cours théoriques, présentations exhaustives sur « l’état de l’art ». Ces approches angoissent et submergent plus qu’elles n’aident.

Ma méthode inverse le playbook traditionnel de l’adoption technologique. Le principe est radicalement simple : ne jamais commencer par la technologie, toujours commencer par les cas d’usage et les scénarios concrets des équipes. Le point de départ n’est pas un exposé sur les grands modèles de langage — c’est une discussion sur les tâches quotidiennes, les frustrations et les objectifs des collaborateurs.

Le constat se répète d’une mission à l’autre : les cours théoriques sont moyennement efficaces, les « états de l’art » angoissent. À l’inverse, les discussions très pratiques qui partent de la réalité des équipes réduisent le bruit, recentrent sur l’important et amènent vite à l’expérimentation. C’est la clé.

Cette approche court-circuite le cycle de l’anxiété technologique. Le bruit ambiant — jargon des vendeurs, cycle du hype, possibilités infinies mais non pertinentes — est instantanément filtré. Concentrée sur des problèmes connus, l’IA devient un outil tangible, directement applicable. Le passage à l’action n’est pas seulement plus facile : il est beaucoup plus rapide.

2. La formation ne crée pas l’adoption ; la pratique encadrée si

Dans le modèle d’apprentissage classique, la théorie précède la pratique. Sur le terrain, j’inverse cette dynamique : la théorie n’est pas un prérequis, c’est un éclairage ponctuel. Elle n’intervient qu’au moment où elle devient nécessaire — comprendre comment ça marche quand un outil fonctionne bien, ou pourquoi ça ne marche pas face à un échec.

Le cœur du travail se déroule de manière très concrète : partages d’écran, ajustements de prompts en direct. La théorie n’est pas un socle à maîtriser en amont, mais une ressource mobilisée à la demande.

Ce modèle transforme fondamentalement le rôle de l’apprenant. De récepteur passif d’un savoir, il devient un solutionneur de problèmes actif, qui tire l’information vers lui au moment précis où il en a besoin. Cette inversion produit une compréhension bien plus profonde, parce qu’elle est ancrée dans la pratique.

3. Les meilleurs cas d’usage viennent du métier, pas de la DSI

Les cas d’usage qui tiennent ne tombent ni d’un mandat descendant, ni d’un catalogue d’outils. Ils émergent des discussions avec celles et ceux qui font le travail — leurs tâches, leurs frustrations, leurs objectifs.

Encore faut-il la bonne posture pour les faire émerger. La mienne tient en une phrase : ce n’est pas du conseil, c’est du coaching — de l’accompagnement, du sparring partnership.

Cette nuance change tout. Au lieu de longues missions formelles, le format reste compact, pour rester dans l’expérimentation informelle. L’énergie est celle d’un maker/entrepreneur : moins de PowerPoint, plus de partages d’écran ; moins de rapports formels, plus de résolution de problèmes en temps réel.

Pour une structure agile — une scale-up où la vitesse d’exécution est primordiale — ce format collaboratif est bien plus adapté qu’une relation de conseil traditionnelle, souvent rigide et descendante. Et c’est précisément dans ce cadre que le métier ose nommer ses vrais cas d’usage.

4. Le ROI se mesure en heures rendues, pas en outils déployés

Le réflexe naturel pour mesurer une adoption IA : compter ce qui est déployé. C’est le mauvais compteur. Dans ce domaine, le processus d’apprentissage a souvent plus de valeur que le résultat immédiat — et un prototype qui n’est pas mis à l’échelle n’est pas un échec, c’est une victoire. Un projet peut rester au stade proto et faire quand même monter la maturité de l’équipe, tout en clarifiant ses besoins d’outillage et de transformation.

Chez Novable, par exemple : un cas d’usage complexe, tenté sans être déployé, a néanmoins déclenché une vraie discussion sur un point clé du travail. Au compteur des outils mis en production, cette expérimentation ne pèse rien. Dans la réalité du travail de l’équipe, elle a pesé lourd.

La distinction tient à la posture : un consultant est jugé sur le résultat final ; un coach, sur la croissance de l’équipe. Une expérience qui « échoue » mais renforce la maturité collective a de la valeur — c’est même le cœur de l’approche.

5. L’autonomie d’une équipe ne se forme pas, elle se révèle

On réduit souvent l’IA à un levier de productivité. Ses bénéfices peuvent être bien plus profonds — et c’est là que l’autonomie se révèle. Des sessions très tactiques débouchent parfois sur des réflexions stratégiques totalement inattendues, capables de redéfinir une partie du métier.

Je l’ai vu en direct : lors d’une session, la présentation d’un outil et de son principe de « raisonnement » a soudainement résonné avec le produit et certaines pratiques internes de l’entreprise accompagnée. Ce moment a ouvert une vraie réflexion stratégique. Effet immédiat : gros insight côté stratégie ; impact potentiel important à terme. Personne n’avait « formé » l’équipe à cela — l’exploration tactique a révélé une capacité qui était déjà là.

C’est la vérité de fond sur l’innovation aujourd’hui : la compétence se construit par la pratique, pas par l’instruction. L’objectif n’est pas de « déployer l’IA », mais de cultiver une masse critique de praticiens au sein des équipes. Il s’agit moins d’apprendre l’IA que d’apprendre avec l’IA, pas à pas.

Par où commencer ? Mon conseil est d’une simplicité désarmante : choisissez une tâche courte mais très répétée, réfléchissez à comment la changer radicalement, et testez un outil pour l’améliorer — juste pour essayer.

Et vous, quelle est la première petite tâche que vous allez réinventer cette semaine ?