// analyse
Si l’IA fait le travail des débutants, où apprendre le métier ?
Sujets et garanties de lectureProfondeur 3 · 4 niveaux détectés
Garanties de lecture
Niveaux de preuve
Profondeur 3 : source liée · 4 niveaux détectés
Sommaire et notions10 étapes · 2 notions
Analyse complète
Le premier travail sert à produire quelque chose. Il sert aussi à devenir capable de produire la suite. Avec l’IA, ces deux fonctions peuvent suivre des chemins différents. Tout l’enjeu consiste à garder un parcours vers l’autonomie lorsque les premières tâches changent de mains.
Prenons un exercice fictif de support informatique. Une imprimante refuse les documents d’un poste. Un assistant propose une procédure ; quelques instants plus tard, une page sort. Le ticket peut être fermé. Pour la personne qui débute, une autre question reste ouverte : qu’a-t-elle compris de la panne ? Saurait-elle reconnaître un problème voisin, expliquer son choix ou repérer une recommandation dangereuse ?
On peut imaginer deux suites à cette même intervention. Dans la première, le résultat termine l’histoire. Dans la seconde, un collègue demande quel indice a orienté le diagnostic, quelle autre explication restait possible et quel test aurait fait changer d’avis. Le service rendu est identique dans notre exemple. L’occasion d’apprendre, elle, a été organisée différemment.
C’est le fil de cette enquête documentaire : suivre ce qui arrive aux occasions de pratiquer. Les sources réunies éclairent trois questions distinctes (accéder à un premier poste, réussir avec une assistance, conserver une compétence), avec des résultats qui varient selon les situations. Le risque d’une relève mal préparée mérite un examen ; son ampleur future reste à établir.
Une tâche, deux résultats
Le métier de technicien informatique de proximité offre un point de départ précis. Son référentiel français associe écoute de l’utilisateur, diagnostic, tests, résolution, transmission des incidents complexes et entretien des connaissances partagées. Le travail attendu comprend donc un raisonnement et une explication, au-delà du seul retour au fonctionnement. R01
Pour comprendre le mécanisme, distinguons le résultat livré et l’expérience construite. Une réponse envoyée, un incident résolu ou un document rédigé se voient immédiatement. L’expérience apparaît dans la capacité à traiter le cas suivant : reconnaître une situation, choisir une vérification, comprendre un échec, savoir demander de l’aide.
Cette distinction fournit une hypothèse d’organisation. Si l’assistant prend en charge la recherche, le choix de la réponse et sa formulation, l’apprenant peut rencontrer moins souvent les décisions qui donnent sa valeur à l’exercice. Si l’assistance apporte une explication au moment où il compare ses hypothèses, elle peut au contraire enrichir ce passage. Le même outil occupe alors des places différentes dans le parcours.
Méthode et périmètre
Schéma original inspiré des compétences du RNCP40799 et de la structure de l’AFEST. Les flèches représentent des passages de travail et de réflexion, sans durée ni effet mesuré. L’assistance peut intervenir à plusieurs étapes. Le parcours précis proposé ici n’a pas fait l’objet d’une évaluation expérimentale.
Il faut aussi choisir ce que l’on veut transmettre. Recopier longtemps une réponse standard peut avoir peu d’intérêt pédagogique. Comprendre dans quelles circonstances cette réponse devient inadaptée peut en avoir beaucoup. Une conception sérieuse de la formation devrait donc nommer la compétence recherchée avant de décider quelles étapes déléguer.
Le mot « débutant » demande lui-même de la précision. L’âge, l’ancienneté dans une entreprise et l’expérience d’un métier décrivent des réalités différentes. Une personne en reconversion peut découvrir le support informatique après vingt ans de vie professionnelle. Un développeur confirmé peut apprendre une bibliothèque nouvelle. Ces distinctions changent la lecture des études qui suivent.
Le premier poste devient-il plus difficile à obtenir ?
Le tableau de bord Stanford–ADP offre un signal américain récent. Dans sa livraison du 21 octobre 2026, l’emploi des 22–25 ans atteint en septembre un indice de 87,66 dans les métiers les plus exposés à l’IA, contre 108,40 dans les moins exposés, pour une base 100 en novembre 2022. Chez les 35–40 ans, les deux indices atteignent respectivement 109,00 et 114,30. Ces observations portent sur un échantillon d’entreprises suivies ; l’âge sert ici de catégorie statistique. R03
Méthode et périmètre
Huit observations extraites du fichier canaries_age_by_exposure.csv, millésime du 16 octobre 2026 ; dashboard daté du 21 octobre. Comparaison des deux seules dates affichées, sans interpolation mensuelle. Q1 et Q5 sont les quintiles de métiers les moins et les plus exposés, avec un poids égal par métier pour leur classement. Les salariés ne se répartissent pas également entre quintiles. Entreprises disposant de cinq ans d’historique ADP, salariés appariés à un code métier ; champ non représentatif de tout le marché américain. L’âge n’est pas l’expérience ; l’exposition n’est pas l’adoption. Ces indices ne constituent pas un effet causal de l’IA et ne recalculent pas le chiffre de 19 % du papier d’août.
Ce contraste attire l’attention sur l’entrée dans la vie professionnelle. Pour l’interpréter, plusieurs filtres comptent : les entreprises doivent disposer de cinq années d’historique ADP, les salariés d’un code de métier exploitable. Les entrées et sorties d’entreprises restent hors de ce suivi. L’indicateur d’exposition classe les tâches potentiellement concernées ; il laisse ouverte la question de l’utilisation effective de l’IA dans chaque entreprise. R03 R14
Le papier de Stanford révisé en août, arrêté à juin 2026, souligne surtout un ralentissement des embauches. Son résultat dépend toutefois de la méthode : tenir compte du diplôme atténue les écarts, certains apparaissent avant l’essor de l’IA générative et l’annexe de révision signale la sensibilité des estimations aux traitements de données. Ces réserves limitent l’attribution causale. R04
Le chiffre de 19 %, souvent repris, appartient à cette version d’août. Il décrit l’écart relatif avec la trajectoire d’un groupe moins exposé. Il ne désigne ni une proportion de jeunes licenciés, ni le résultat de notre graphique de septembre. Les valeurs de versions antérieures reposaient en partie sur d’autres estimations : les aligner en une courbe donnerait une impression trompeuse de continuité. R05
La prudence statistique a une conséquence très concrète. Un jeune peut éprouver une difficulté réelle à entrer dans un métier pendant que plusieurs causes se superposent : conjoncture, décisions de recrutement, transformation des tâches. Pour reconnaître la contribution de l’IA, il faudrait relier l’adoption de l’outil aux embauches et aux missions effectivement confiées, puis suivre des situations comparables.
Le suivi du Budget Lab de Yale, actualisé le 14 octobre avec des données nationales américaines de septembre, offre un contrepoint : aucune rupture générale nette du marché du travail n’y apparaît. Le suivi relève aussi une hausse relative du chômage des travailleurs exposés, dont les estimations restent volatiles. Les regroupements et les méthodes diffèrent. Une stabilité d’ensemble peut coexister avec des difficultés concentrées dans certains métiers ou certaines classes d’âge. R06
Un cas d’entreprise montre ce que cette enquête pourrait chercher. Dans son étude interne publiée le 16 octobre 2026, Anthropic rapporte une baisse de la place des juniors dans ses recrutements techniques, alors que les effectifs techniques augmentent. L’entreprise vend elle-même des assistants d’IA ; ses données et entretiens décrivent son organisation. Ce cas renseigne une pratique de recrutement, avec une portée limitée à ce terrain. R07
Réussir avec une aide, puis travailler seul
Pour mesurer l’apprentissage, on peut changer de point d’observation : examiner ce que la personne sait faire lorsque l’assistance se retire.
Dans l’expérience de Shen et Tamkin, 52 personnes découvrent la bibliothèque Python Trio, avec ou sans accès à GPT-4o, puis passent un quiz sans IA. Le groupe assisté obtient un score inférieur ; le gain de temps demeure statistiquement incertain. La plupart des participants ont déjà plusieurs années de programmation : ils débutent dans Trio. Cette prépublication issue du programme Anthropic mesure un apprentissage immédiat sur des tâches limitées. R09
Le billet de présentation et le papier présentent des pourcentages différents. L’analyse retient donc le sens du résultat, avec les versions et leurs repères précisés dans les références. R09 R10
Une expérience scolaire permet une autre comparaison. Bastani et ses collègues étudient des lycéens en Turquie : entraînement avec une aide GPT standard ou un tuteur préparé par les enseignants, puis examen sans aide. L’outil standard améliore l’exercice assisté, mais le score à l’examen baisse de 5,4 points sur 100 relativement au témoin. Avec le tuteur, l’écart à l’examen est faible et statistiquement incertain. R11
Les traits du graphique représentent une erreur standard de part et d’autre de chaque estimation. Ils décrivent l’incertitude statistique sur l’effet, avec un calcul tenant compte du regroupement des élèves par classe. R11
Méthode et périmètre
Bastani et collègues, PNAS 2025, tableau 1. Coefficients sur l’échelle 0–1 multipliés par 100. Entraînement : Base +13,7, Tutor +36,1 ; examen : Base −5,4, Tutor −0,4. Traits = ±1 erreur standard publiée, regroupée par classe : 3,1 ; 3,2 ; 2,2 ; 1,3 points. Ces traits ne sont pas des intervalles de confiance à 95 %. Seuils publiés : p<0,01 pour les deux entraînements ; p<0,05 pour Base à l’examen ; Tutor non significatif à 5 %. Même axe −10 à +45 dans les deux panneaux. 2 848 observations élève-séance, et non personnes. Tutor reçoit des indications pédagogiques préparées par les enseignants. Les épreuves sont distinctes ; aucune rétention professionnelle de longue durée n’est mesurée.
La leçon utile tient à la mesure choisie. La qualité d’une production réalisée avec l’outil renseigne la performance de l’ensemble personne–outil. Un nouvel exercice, avec une aide réduite ou retirée, renseigne autre chose : ce que la personne a acquis. Un suivi plus tardif examinerait encore un autre résultat, la durée de cet acquis.
Transposer directement un contrôle de mathématiques à une carrière serait aventureux. Le rapprochement sert ici à formuler une question de travail : quelle part du raisonnement reste exercée, et à quel moment vérifie-t-on qu’elle est comprise ? Chaque métier demandera ses propres situations d’évaluation.
L’assistant peut aussi transmettre du savoir-faire
Le support client fournit un contrepoint en conditions réelles. Dans l’étude publiée au Quarterly Journal of Economics en 2025, portant sur 5 172 agents, le déploiement progressif d’un assistant est associé à 15 % de résolutions supplémentaires par heure en moyenne. Les moins expérimentés bénéficient davantage de l’aide. Pendant certaines pannes de l’outil, des conversations restent plus courtes chez les agents déjà exposés : un indice d’apprentissage, limité à cette mesure. R08
Ce résultat ouvre une possibilité intéressante : rendre accessible, pendant une intervention, une partie des bonnes pratiques qu’un débutant aurait autrement découvertes plus lentement. La question devient celle du passage entre la suggestion reçue et le raisonnement que l’on s’approprie. Un conseil peut aider immédiatement et donner matière à comprendre ; son effet dépend aussi de ce qui se passe autour.
L’expérience de Kestin et ses collègues apporte un autre contrepoint. Sur deux leçons de physique à Harvard, un dispositif de tutorat conçu par les enseignants produit de meilleurs résultats aux tests proches de l’apprentissage que le cours comparé. L’outil réunit plusieurs ingrédients, dont une progression structurée et un rythme libre. Ce terrain étroit invite à étudier la conception pédagogique, sans promettre une autonomie durable dans tous les métiers. R12
Les études ne composent donc pas un classement universel des usages. Elles indiquent où chercher : contenu de l’aide, moments de réflexion, connaissances déjà présentes, conditions de l’évaluation. Pour une équipe, une expérimentation utile pourrait comparer des parcours sur un même type de travail, puis examiner la qualité, les erreurs, les demandes d’aide et la réussite sur un cas nouveau.
Faire du diagnostic une expérience que l’on peut raconter
Revenons à notre imprimante fictive. Cette fois, la situation est documentée avant de chercher une solution. Le poste A échoue à imprimer sur B. Le poste C échoue lui aussi sur B. Le poste A réussit sur une autre imprimante, D. Ces trois observations rendent plus plausible un problème touchant B ou le chemin partagé vers B. Elles orientent l’enquête ; plusieurs causes restent possibles.
Le débutant peut maintenant expliquer pourquoi une vérification mérite d’être faite. Une suggestion automatique devient une hypothèse à examiner. Un collègue peut discuter le choix du test. Le ticket raconte une démarche, avec ses incertitudes et ses limites d’intervention.
Méthode et périmètre
Cas pédagogique original, sans incident réel ni procédure opérationnelle. Les observations choisies orientent une hypothèse sans identifier la cause avec certitude. La réussite sur D ne prouve pas que chaque composant de A fonctionne, ni qu’il existe une seule panne. Le retour avec un tuteur et le cas de transfert sont des modalités proposées, inspirées du RNCP40799 et de l’AFEST. Aucun script ou accès à un système n’est nécessaire.
Ce parcours est une proposition pédagogique de l0g, fondée sur les compétences du référentiel. Pour le mettre en pratique, on pourrait demander à l’apprenant de formuler une hypothèse, de choisir une observation susceptible de la contredire, puis d’expliquer ce que le résultat change. Un cas voisin permettrait ensuite d’examiner ce qu’il réutilise. L’efficacité de cet arrangement précis reste à évaluer. R01
La France dispose déjà d’un cadre qui distingue travail et réflexion sur le travail : l’AFEST, action de formation en situation de travail. Le Code du travail prévoit notamment l’analyse de l’activité, un formateur désigné, des phases réflexives séparées de l’exécution et des évaluations. Ce cadre peut inspirer une organisation de l’apprentissage avec l’IA ; il précède ces outils et ne démontre aucune efficacité particulière de notre proposition. R02
Pour le tutorat, l’intérêt est de rendre le raisonnement observable. Une intervention réussie par hasard et une intervention comprise peuvent produire la même page imprimée. Demander pourquoi le résultat modifie le diagnostic permet de commencer à les distinguer. Reconnaître le moment où transmettre à quelqu’un de plus compétent fait également partie de cette autonomie.
L’exercice se déroule avec des cas préparés, des informations fictives et les autorisations habituelles du métier. L’assistant peut contribuer à formuler des explications ; les droits d’accès et les décisions opérationnelles restent dans le cadre de l’organisation. La formation gagne à offrir un espace où l’on peut examiner une erreur sans exposer un vrai client ou un système de production.
Le temps libéré a besoin d’une destination
Ces choix concernent des entreprises très différentes. En France, l’Insee mesure en 2025 un usage organisé de l’IA dans 18 % des entreprises du champ : au moins dix personnes occupées, secteurs principalement marchands hors agriculture, finance et assurance, France hors Mayotte. Cet indicateur décrit l’adoption déclarée, avec un périmètre précis ; il laisse ouverte la question des parcours des juniors. R13
Dans une enquête de l’OCDE menée fin 2024 auprès de PME de sept pays, la plupart des entreprises utilisatrices déclarent des besoins globaux de personnel inchangés. La France est absente de cet échantillon ; les réponses expriment des besoins, sans décompter les emplois ni isoler les débutants. Le constat rappelle que les trajectoires d’organisation restent diverses. R15
La décision à prendre peut être formulée très simplement : à quoi sert une heure gagnée ? Elle peut accueillir d’autres demandes, réduire la charge, améliorer une réponse ou financer un retour accompagné sur le travail. Aucune de ces destinations ne découle automatiquement du chronomètre.
Construisons un exemple, avec des valeurs choisies pour l’explication. Une équipe traite 100 cas par mois, à 30 minutes par cas : 50 heures. Supposons que l’assistance économise 10 minutes par cas et exige 3 minutes de vérification supplémentaire. Le travail assisté occupe alors 38 heures et 20 minutes. Le gain net atteint 11 heures et 40 minutes.
Méthode et périmètre
Modèle illustratif : 100 cas/mois, 30 min/cas avant assistance, 10 min économisées et 3 min de vérification ajoutées par cas. Référence 3 000 min ; opérations assistées 2 300 min ; gain net 700 min. Répartition à 50 % : 350 min de formation et 350 min disponibles pour d’autres usages. Onze séances de 30 min utilisent 330 min, avec 20 min restantes. Les largeurs de la barre répartissent les 3 000 min. Volume et qualité supposés constants ; temps propre du tuteur exclu. Les valeurs sont choisies, sans mesure d’effet de l’IA, de compétence ou d’emploi.
l0g / TRAVAIL ET APPRENTISSAGE / CALCULATEUR LOCAL
Donner une destination au temps gagné
Exemple construit : 100 cas par mois, initialement de 30 minutes chacun. L’assistance économise par hypothèse 10 minutes par cas et ajoute 3 minutes de vérification. La moitié du gain net est réservée à l’apprentissage, par séances de 30 minutes.
Modifier les six hypothèses
- Temps gagné net (négatif : charge en plus)
- Travail mensuel initial
- Travail mensuel avec assistance et vérification
- Temps réservé à l’apprentissage
- Temps disponible pour les autres usages
- Séances d’apprentissage complètes
- Temps d’apprentissage restant après ces séances
Le gain net se répartit entre apprentissage et autres usages.
Calcul et périmètre
Travail initial = cas × minutes initiales. Travail assisté = cas × (minutes initiales − gain brut + vérification supplémentaire). Gain net = travail initial − travail assisté. Si le gain net est positif, la part choisie finance l’apprentissage ; autrement le temps disponible est nul. Les séances complètes sont arrondies à l’entier inférieur, avec le reliquat conservé à part.
Les valeurs sont des hypothèses choisies. Le volume et la qualité requise du travail restent constants. Le modèle répartit du temps ; la progression des compétences, l’expertise future et les effectifs demandent des observations distinctes.
Le temps supplémentaire d’un collègue tuteur et les coûts de mise en place exigent un budget séparé. Les vérifications retenues ici font partie des minutes supposées consacrées à chaque cas.
Le calcul exact précède l’affichage. Chaque durée est arrondie à la seconde la plus proche ; la somme des parts affichées peut donc différer d’une seconde. Le nombre de séances complètes utilise les durées exactes.
Les calculs restent dans cette page. Les valeurs sont conservées en mémoire pendant son ouverture.
Si la moitié de ce gain est réservée à la formation, elle représente 5 heures et 50 minutes : onze séances de 30 minutes, avec 20 minutes restantes. L’autre moitié reste disponible pour les autres usages de l’équipe. Le temps propre du tuteur doit être budgété en plus. Les nombres décrivent une allocation possible, à volume et qualité de travail supposés constants.
L’outil joint permet de modifier ces hypothèses. Il montre aussi ce qui arrive lorsque la vérification prend davantage de temps que l’assistance n’en économise : une charge supplémentaire apparaît et le gain disponible pour la formation devient nul. Le calcul répartit des minutes ; la progression des compétences doit être observée séparément.
Préparer la relève, une décision visible
Une organisation peut suivre le débit de travail et perdre de vue la construction de l’expérience. Elle peut aussi rendre cette construction visible. Nous proposons trois questions à examiner dans un essai local : les personnes obtiennent-elles des occasions de diagnostiquer ? Savent-elles expliquer et vérifier leurs décisions ? Réussissent-elles un cas nouveau avec une aide ajustée à leur niveau ?
Pour les recrutements, le suivi devrait distinguer les candidatures, les embauches, les départs et le contenu des premières missions. Pour la formation, il devrait relier les acquis à des situations précises, avec un délai suffisant pour examiner leur maintien. Ces mesures permettraient d’évaluer le parcours offert, au-delà du nombre d’outils distribués.
Une éventuelle pénurie future d’experts demeure une hypothèse. Elle deviendrait plus plausible si les occasions d’entrer dans le métier diminuaient durablement et si les nouveaux parcours transmettaient moins bien les compétences nécessaires. L’inverse est également possible : une assistance bien intégrée peut élargir les situations accessibles et soutenir un apprentissage accompagné.
La question revient alors à l’imprimante du début. Lorsque la page sort, quelqu’un prend-il encore le temps de comprendre ce qui s’est passé ? C’est dans cette place laissée au diagnostic, au retour d’expérience et au prochain essai que se dessine une partie de la relève.
Méthode. Enquête documentaire arrêtée au 30 octobre 2026, heure de Paris. Les études conservent leur pays, leur population, leur période et leur protocole. Les exemples de support et de temps sont construits pour l’explication. Aucun entretien original ni suivi d’entreprise n’a été réalisé pour ce dossier. Les notices ci-dessous détaillent les versions, les données utilisées et les réserves.
Pour prolonger la lecture
L’analyse de l’IA et des suppressions de postes chez Barclays distingue les annonces, les comptes et les effets attribués à l’automatisation. Le pouvoir de partir face à l’IA examine un autre versant du travail : les compétences, les salaires et les possibilités offertes aux salariés.
Sources et références
Documents consultés le 30 octobre 2026. Les résultats empiriques, annonces d’entreprise et exemples construits conservent leur périmètre.
- TP, Technicien informatique de proximité, RNCP40799 et référentiel TP-00476 millésime 09
Documente diagnostic, tests, résolution, transmission et entretien des connaissances.
Passages et périmètre
Parcours du 1er septembre 2025 au 1er septembre 2030 ; référentiel validé le 11 juin 2025.
REAC p.17 et 21–22/40 ; référentiel d’évaluation p.6 et 13/26.
Standard de certification ; ne mesure pas l’efficacité de notre exercice pédagogique.
- Code du travail, Article D6313-3-2
Distingue analyse d’activité, formateur, phases réflexives et évaluations.
Passages et périmètre
Version en vigueur depuis le 1er janvier 2019, consultée au 30 octobre 2026.
Les quatre composantes de l’action de formation en situation de travail.
Cadre antérieur à l’IA ; aucune efficacité de notre proposition n’en découle.
- Canaries Dashboard
Fournit les huit indices d’emploi de la figure.
Passages et périmètre
Observations octobre 2021–septembre 2026 ; millésime 16 octobre 2026 ; base novembre 2022=100.
Archive : canaries_age_by_exposure.csv ; âges 22–25 et 35–40, Q1 et Q5, novembre 2022 et septembre 2026.
Panel américain sélectionné ; âge et exposition ne mesurent ni grade junior ni adoption effective.
- Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence
Analyse les flux d’embauche et les sensibilités des écarts observés.
Passages et périmètre
Révision annoncée le 12 août 2026 ; couverture août 2026 ; données jusqu’à juin 2026.
§1.1 ; Fact 4 p.16 ; tableau 1 p.13 ; §4–5 ; annexes K–L p.140.
Résultats descriptifs, dépendants de contrôles et du traitement des données ; causalité non identifiée.
- No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%
Définit le déficit descriptif de 19 % relativement à une trajectoire de comparaison.
Passages et périmètre
Données jusqu’à juin 2026 ; rappel des résultats et versions antérieures.
Six main facts ; What is new in this revision ; notes 1–3.
Ce chiffre n’est ni un taux de licenciement ni notre indice de septembre.
- Tracking the Impact of AI on the Labor Market
Fournit un contrepoint national sans rupture générale nette établie.
Passages et périmètre
Mise à jour du 14 octobre 2026 intégrant les microdonnées CPS de septembre 2026.
Synthèse courante et onglet Current update du suivi interactif.
Agrégats, regroupements et méthodes différents ; ne réfute pas un signal dans une tranche d’âge étroite.
- How employment is changing at Anthropic
Décrit une baisse de la part junior dans les recrutements techniques d’une entreprise en croissance.
Passages et périmètre
Données internes récentes, dont comparaisons depuis début 2025 ; publication du 16 octobre 2026.
Labor demand at the frontier ; définition des postes juniors ; données internes et 17 entretiens.
Cas d’un vendeur d’IA ; proportions et données internes, sans portée générale ni causalité établie.
- Generative AI at Work
Documente +15 % de résolutions par heure et un indice d’apprentissage pendant des pannes.
Passages et périmètre
QJE 140(2), 889–942 ; déploiement principalement automne 2020–hiver 2021 ; 5 172 agents.
§§III.C, IV.A–C ; tableau II colonne 3 ; §VI.B et figure VII.
Déploiement échelonné ; l’indice sans outil concerne la durée, pas toute l’expertise.
- How AI Impacts Skill Formation
Compare apprentissage immédiat de Trio avec ou sans GPT-4o.
Passages et périmètre
arXiv 2601.20245v2, révision du 1er février 2026 ; deux tâches puis quiz immédiat, 52 participants analysés.
PDF pp.6–10, tableau 1 et figure 6 ; pp.12–14 et 24.
Prépublication liée à Anthropic ; développeurs expérimentés, petite expérience et discordance numérique avec le billet.
- How AI assistance impacts the formation of coding skills
Permet de contrôler la communication des résultats de l’expérience Trio.
Passages et périmètre
Présentation de l’expérience Trio publiée le 29 janvier 2026.
Results et présentation des comportements observés.
Les moyennes affichées ne se réconcilient pas entièrement avec le papier ; pas de graphique reconstitué.
- Generative AI without guardrails can harm learning: Evidence from high school mathematics
Compare entraînement assisté et examen sans aide pour GPT Base et GPT Tutor.
Passages et périmètre
PNAS 122(26), e2422633122 ; lycée en Turquie, année scolaire 2023–2024 ; quatre séances.
Experimental Design ; Main Results ; tableau 1 colonnes 1–2 et notes.
Résultats scolaires immédiats ; coefficients ajustés, erreurs standards et observations élève-séance, sans conclusion d’emploi.
- AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting
Étudie un tutorat conçu par les enseignants et des tests proches de l’apprentissage.
Passages et périmètre
Scientific Reports 15, 17458 ; physique introductive à Harvard, automne 2023 ; deux leçons.
Results ; Study population ; Study design ; Designing successful student–AI interactions.
Dispositif composite, terrain étroit ; ni rétention durable ni effet de chaque composante isolé.
- Les technologies de l’information et de la communication dans les entreprises en 2025, Insee Première n°2120
Établit un usage organisé déclaré de l’IA dans 18 % des entreprises du champ.
Passages et périmètre
Enquête TIC au premier trimestre 2025 ; France hors Mayotte, entreprises d’au moins dix personnes occupées du champ marchand retenu.
Figure 1 ; Sources, Méthodes et Définitions ; PDF de quatre pages.
Ni taux d’utilisateurs salariés ni mesure d’emploi junior ; questionnaire modifié en 2025.
- Workers’ exposure to AI: What indicators tell us – and what they don’t
Distingue exposition des tâches, adoption, organisation et conséquences sur l’emploi.
Passages et périmètre
Synthèse publiée le 17 avril 2026 ; date exacte de révision du PDF « updated » non établie.
Key points ; approches des indicateurs et limites dans le PDF.
Cadre méthodologique ; ne mesure ni emplois supprimés ni compétences acquises.
- Generative AI and the SME Workforce: New Survey Evidence
Décrit des besoins globaux de personnel principalement inchangés parmi les PME utilisatrices.
Passages et périmètre
5 232 PME interrogées du 14 octobre au 6 décembre 2024 dans sept pays ; France absente.
Introduction p.8–10 ; figures 3.5–3.7 p.34–36 imprimées ; licence PDF p.4.
Déclarations pondérées par entreprises, sans décompte net d’emplois ni juniors isolés.
// l’hebdo l0g
N° 13 · 25 oct.Les dossiers à retenir, leurs limites et les prochaines vérifications.
Lire la revue ↗Cet article ne constitue en aucun cas un conseil en investissement.
// historique des révisions
- publication
- révisionaucune révision publiée
Les corrections substantielles suivent la politique de correction et sont consignées dans le changelog éditorial.
$ cd ..