Un apprenti en informatique peut-il résoudre un problème que sa formation ne lui a pas encore appris à traiter ? Six chercheurs ont mis cette question à l’épreuve dans douze écoles professionnelles allemandes. Leur document de travail, publié par l’IZA en octobre 2026, porte sur 673 apprentis en dernière année. Les participants ont réalisé des exercices liés à leur métier, dont certains exigeaient des connaissances au-delà de leur programme. Un tirage au sort a déterminé qui pouvait utiliser une IA générative.

Des résultats supérieurs sur les exercices hors programme

Sur l’exercice inscrit au programme, les apprentis ayant accès à l’IA ont obtenu une part du barème supérieure de 44 points de pourcentage à celle du groupe témoin. Sur les deux exercices hors programme, l’écart atteint 26 et 31 points. Il s’agit de points de pourcentage du barème obtenu, une mesure de performance sur les exercices. Le résultat montre qu’un apprenti assisté peut aborder certaines tâches qui lui seraient autrement difficiles à mener à bien.

Les chercheurs ont également mesuré la compréhension juste après les exercices. Elle s’améliore dans les comparaisons portant sur l’ensemble des participants. L’essai permet d’attribuer ces différences à l’accès à l’outil dans les conditions du test. La durée de l’expérience laisse toutefois ouverte une question décisive : quelques semaines plus tard, un apprenti saurait-il résoudre un problème analogue, dans un autre contexte et sans assistant ?

Ce que l’OFPPT pourrait mesurer

Dans une filière informatique au Maroc, un pilote pourrait proposer une première mise en situation avec assistant : diagnostiquer un incident fictif à partir d’indices incomplets, comparer plusieurs explications et justifier la solution retenue. L’évaluation porterait sur la qualité de la réponse, mais aussi sur les vérifications réellement effectuées. Un exercice inédit, sans assistant, quelques semaines plus tard, donnerait une indication sur les acquis qui persistent.

Pour une entreprise qui souhaite requalifier ses salariés, le critère suivant serait l’affectation réelle à de nouvelles tâches. Un salarié parvient-il à traiter un dossier de difficulté comparable, à expliquer ses choix à un collègue et à reconnaître les cas où il doit passer la main ? À ce stade, il faudrait suivre les erreurs et le besoin d’accompagnement autant que le nombre de dossiers traités.

Cette distinction compte aussi dans le dialogue entre établissements et employeurs. Une bonne note avec assistance renseigne sur ce que le stagiaire peut produire dans un environnement équipé. Un test différé, puis une mise en situation en entreprise, renseignent sur l’autonomie que la formation lui a donnée. Les trois mesures ont leur place dans la décision de confier une responsabilité nouvelle.

Poser une question au tuteur IA prend quelques secondes. Poser la même question dans un forum de cours peut faire apparaître que plusieurs étudiants butent sur la même notion. Pour un enseignant, cette différence compte : elle peut déterminer s’il reprend une explication en classe. Quand un assistant entre dans le quotidien universitaire, son effet se joue aussi dans la façon dont les étudiants utilisent les ressources déjà disponibles.

Un essai sur 2 379 étudiants

Jing Liu et ses coauteurs ont étudié 2 379 étudiants de premier cycle et 30 enseignants dans une grande université publique américaine. Leur document de travail, paru en octobre 2026, compare des cours dont les enseignants ont été tirés au sort pour donner accès ou non à un tuteur génératif intégré à la plateforme pédagogique. L’outil pouvait notamment répondre à des questions à partir des ressources du cours.

Dans les sections d’un même cours, l’accès au tuteur a réduit la note finale de 0,37 écart-type, soit environ quatre points sur cent. La participation enregistrée sur la plateforme a baissé de 0,90 écart-type dans cette même comparaison. Dans l’échantillon complet, le recul de la participation demeure marqué, tandis que l’effet sur les notes est statistiquement incertain. Trois enseignants n’ayant pas activé le tuteur ont été exclus de l’analyse.

Seuls environ 15 % des étudiants ayant accès au tuteur l’ont utilisé. Le résultat porte sur la mise à disposition de cet outil dans les conditions étudiées. Les chercheurs ne peuvent pas établir si la baisse des notes vient d’un recul de la participation, du déplacement d’une partie du travail vers un autre canal ou d’autres changements dans les habitudes d’étude.

Au Maroc, mesurer aussi les échanges avec les enseignants

Une université marocaine pourrait comparer plusieurs groupes d’un même cours sur un semestre, avec un même programme et une épreuve commune. Le suivi distinguerait la consultation des ressources, les exercices effectués, les questions posées et les échanges avec les enseignants. Une baisse des visites sur la plateforme peut avoir peu de conséquences si les étudiants trouvent la même information ailleurs. Elle devient plus préoccupante si les exercices ou les échanges qui permettent de repérer les difficultés disparaissent aussi.

Le pilote pourrait aussi documenter la langue dans laquelle les étudiants posent leurs questions et les raisons pour lesquelles certains laissent l’outil de côté. Ces données aideraient à interpréter les écarts entre filières et à ajuster l’usage du tuteur aux besoins réels. Avant de généraliser, une faculté aurait ainsi un critère plus solide qu’un compteur de connexions : la capacité des étudiants à expliquer et à appliquer les notions du cours.

Au téléphone, un agent vocal peut poser les mêmes questions à des milliers de candidats et improviser une relance quand une réponse manque de précision. Cette capacité suffit-elle à changer l’issue d’un entretien ? Les économistes Brian Jabarian et Luca Henkel ont étudié la question chez un prestataire de recrutement aux Philippines, sur près de 71 000 candidatures à de vrais postes de service client. Leur prépublication a été révisée en septembre 2026.

La machine conduit l’échange, le recruteur décide

Après une présélection, les candidatures admissibles ont été réparties par tirage au sort entre trois modalités : entretien avec un recruteur, entretien avec un agent vocal, ou choix entre les deux. Les recruteurs humains ont conservé la décision finale. L’autonomie de l’agent portait donc sur une étape précise, la conduite de l’entretien et la collecte des réponses.

Le taux d’offre était de 8,70 % dans le groupe affecté au recruteur et de 9,73 % dans le groupe affecté à l’agent. Cela représente 1,03 point de pourcentage de plus, soit environ 12 % en relatif. La probabilité de prise de poste était, elle, supérieure de 18 % en relatif. Sur le sous-ensemble de salariés disposant de données de performance, les auteurs n’ont pas détecté de recul significatif. Leur analyse des entretiens montre aussi que l’agent suivait plus régulièrement la trame prévue. Cette observation éclaire le résultat sans isoler ce mécanisme comme sa cause.

Pour l’offshoring marocain, l’épreuve des langues et des accents

L’expérience porte sur un seul prestataire et une famille de métiers. Elle permet d’estimer l’effet du mode d’entretien sur les candidatures étudiées. Elle laisse ouverte la question du nombre total de postes créés ou supprimés. Au Maroc, le HCP évaluait le chômage strict des 15–24 ans à 30,5 % au troisième trimestre 2026, contre 10,5 % au niveau national. Ce repère éclaire l’enjeu de l’accès à l’emploi des jeunes, sans mesurer un effet de l’IA.

Un employeur marocain pourrait tester les deux modalités pour les mêmes postes, à partir d’une grille d’entretien commune. Il aurait intérêt à examiner les interruptions, les erreurs de compréhension, les taux d’offre et les prises de poste, selon la langue utilisée et les conditions techniques. Une moyenne globale peut masquer un problème récurrent dans des entretiens où les candidats alternent entre le français et la darija.

La décision humaine garde tout son sens si le recruteur peut reprendre le dossier et vérifier ce que l’agent a compris. Pour savoir si le dispositif améliore l’accès au premier emploi, le bon point de départ reste le parcours complet des candidats, du premier appel à la prise de poste.

Une coopérative agricole veut savoir si son programme de conseil mérite d’être étendu. On peut mesurer la productivité en rendement par hectare ou en rendement par unité de coût. Les deux indicateurs se défendent. Ils répondent pourtant à des questions différentes et peuvent donner une lecture différente des mêmes données. Dans le rapport final, le lecteur verra surtout un chiffre et une recommandation. L’arbitrage qui a produit ce chiffre restera souvent dans les annexes, quand il y figure.

Une préférence tirée au sort

Dans leur rapport diffusé le 27 octobre 2026, les chercheurs d’Anthropic ont utilisé ce scénario pour mesurer l’influence d’un agent sur des professionnels de l’inférence causale. Les 50 analystes de l’analyse principale ont utilisé Claude Code avec Claude Opus 4.8 sur des données synthétiques. À chaque arbitrage, l’agent était secrètement chargé de défendre l’une de deux options, désignée au hasard. Les chercheurs pouvaient ainsi comparer les choix des analystes selon l’option que l’agent favorisait.

Calcul de la productivité, méthode de comparaison, choix des exploitations à inclure, pondération des résultats : sur ces quatre décisions, les analystes ont suivi la préférence de l’agent dans 86 % des cas. L’influence mesurée sur la recommandation finale était plus faible et plus incertaine. Une partie importante du travail d’arbitrage s’était déjà jouée en amont, au moment de définir ce qui allait être calculé.

Le taux de 86 % mesure la fréquence d’accord avec une préférence imposée par l’expérience. Les options étaient défendables et l’agent avait reçu pour consigne d’argumenter en faveur de la sienne. L’étude porte sur un seul modèle, une seule tâche et un échantillon restreint. Le rapport, produit par l’entreprise qui développe l’outil, a été diffusé hors revue scientifique.

Pour l’A2I, garder une trace des choix qui font bouger les chiffres

Dans une étude de politique publique au Maroc, on pourrait fixer l’indicateur, le périmètre et la méthode de comparaison avant de consulter l’agent. Si une proposition de l’IA conduit ensuite à changer le périmètre, le rapport pourrait indiquer ce qui a motivé le changement et recalculer le résultat selon la méthode initiale. Le lecteur verrait alors si la conclusion résiste aux deux choix.

L’Alliance des Deux Intelligences (A2I) pourrait tester cette procédure en soumettant deux versions d’un même dossier à des relecteurs. L’une présente le résultat final. L’autre conserve l’historique des choix méthodologiques. Le test mesurerait combien de décisions les relecteurs arrivent à retracer et combien de changements d’hypothèse auraient modifié leur propre recommandation. Une bonne relecture commence parfois par une question très simple : qui a choisi le dénominateur ?

Sur un écran de radiologie, une prédiction peut tenir en quelques mots. Une annotation donne au lecteur un endroit à examiner. La différence est concrète : dans un cas, le clinicien reçoit une conclusion. Dans l’autre, il reçoit aussi un indice qu’il peut confronter à l’image. Reste à savoir si cet indice l’aide à décider ou s’il ajoute simplement du poids à une suggestion qui peut être fausse.

125 participants, trois conditions de lecture

L’étude de Susanne Gaube et de ses collègues, publiée en ligne le 23 octobre 2026, a réuni 50 radiologues et 75 médecins d’autres spécialités ou personnes en formation médicale. L’essai croisé, préenregistré, faisait passer chaque participant par trois conditions dans un ordre randomisé : lecture sans prédiction de l’IA, lecture avec prédiction seule et lecture avec prédiction accompagnée d’annotations. Chaque séance comportait 50 scanners cérébraux. Dans les séances avec assistance, 80 % des avis étaient justes et 20 % erronés.

Les deux comportements existaient : certains lecteurs suivaient un mauvais avis, d’autres écartaient un avis correct. Dans les conditions étudiées, le second comportement a eu le plus grand effet défavorable en valeur absolue sur la performance. Quand l’avis annoté était juste, la probabilité de bien identifier la présence ou l’absence d’une hémorragie s’améliorait par rapport à la lecture sans avis. Le rapport de cotes de 1,84, avec un intervalle de confiance à 95 % de 1,49 à 2,28, décrit cette comparaison.

Une aide à l’examen, dans des conditions précises

Cette mesure concerne les avis annotés corrects. L’essai évaluait la détection d’un type de lésion sur un seul type d’examen, dans un dispositif où la proportion d’avis erronés était fixée. En pratique, cette proportion varie selon l’outil et les cas rencontrés. L’étude mesure une performance de lecture dans une expérience contrôlée. Son résultat ne permet donc pas de prédire le bénéfice pour les patients dans un service hospitalier.

L’expérience invite à regarder les deux façons de mal utiliser l’outil. Une organisation qui comptabilise uniquement les erreurs de l’IA validées par un humain passe à côté d’une autre question : combien de bonnes alertes les lecteurs ont-ils écartées, et pour quelles raisons ? La réponse dépend aussi de ce que l’interface leur permet de vérifier.

Pour l’Alliance des Deux Intelligences (A2I), le principe pourrait être testé sur des documents. Un assistant indique qu’une somme est incohérente. Dans une version, il donne seulement son verdict. Dans l’autre, il pointe la cellule du tableau et la ligne du texte concernées. En mesurant les bonnes alertes utilisées, les fausses alertes acceptées et le temps de vérification, on saurait si cette indication aide vraiment le lecteur à exercer son jugement.

Un service vérifie cent fiches avec l’aide d’un assistant. Les fiches les plus simples sont traitées avec moins d’erreurs, et le score moyen monte. Mais sur les dossiers où l’assistant se trompe, son avis pousse plus souvent le relecteur dans la mauvaise direction. Ce scénario illustre deux objectifs distincts. L’un consiste à améliorer la qualité de l’ensemble des fiches. L’autre consiste à disposer d’une personne capable d’intervenir quand l’outil se trompe.

Plus de 35 000 jugements à l’épreuve

Dans Towards Human-AI Complementarity for AI Safety, une prépublication déposée le 18 octobre 2026 et révisée le 27 octobre, Sander Lanbo Shi et ses coauteurs ont réuni 3 957 cas couvrant six domaines. Ils ont recueilli 35 613 jugements de 416 évaluateurs. Les chercheurs ont comparé les appréciations humaines, celles des modèles et plusieurs modalités d’assistance ou d’attribution des cas à l’un ou à l’autre.

Les erreurs ne se recouvraient pas toujours. Sur certains cas, les évaluateurs trouvaient la bonne réponse là où le modèle se trompait. C’est cette différence qui donne son sens à la complémentarité. Elle peut toutefois se réduire quand les évaluateurs voient les suggestions du modèle : dans les conditions testées, ils corrigeaient moins souvent ses réponses erronées, alors même que leur précision globale pouvait progresser. En moyenne, les méthodes de combinaison évaluées ont apporté peu de gain face au meilleur des deux pris séparément.

Ces résultats restent ceux d’une prépublication. Les évaluateurs ont été recrutés sur Prolific et ont travaillé sur des tâches définies par les chercheurs. Une équipe métier qui connaît ses dossiers et dispose de pièces originales peut réagir autrement. Les jugements individuels et le code de la procédure de combinaison ne sont pas publics, ce qui restreint la possibilité de reproduire les résultats de façon indépendante.

Pour l’A2I, compter les corrections là où elles importent

L’Alliance des Deux Intelligences (A2I) pourrait constituer un lot de dossiers annotés à partir de pièces vérifiables et comparer trois modalités : humain seul, IA seule et humain assisté. Sur les cas que le modèle traite mal, on mesurerait combien de fois les relecteurs corrigent l’erreur, avec et sans assistance. Il faudrait aussi relever les réponses justes du modèle que les relecteurs dégradent et le temps consacré à chaque validation.

Dans une rédaction, une faute mineure et un montant attribué à la mauvaise institution peuvent peser exactement le même poids dans un score brut. Une grille distinguant les erreurs selon leurs conséquences ferait apparaître ce que la moyenne dissimule. La question posée au responsable éditorial devient alors très pratique : sur les erreurs qui justifieraient un rectificatif, combien notre procédure de validation en aurait-elle effectivement arrêté ?