En 2020, une étude Rethink Data auprès de 1 500 dirigeants, annonçait un constat surprenant sur les datas en entreprise : seulement 32 % des données seraient exploitées, quel que soit la qualité de l’exploitation, mais cela signifie surtout que 68 % des données ne connaîtront aucun traitement. Ce sont des données perdues pour la connaissance de l’entreprise (https://www.seagate.com/fr/fr/stories/articles/seagates-rethink-data-report-reveals-that-68-percent-of-data-available-to-businesses-goes-unleveraged-pr-master/?utm_source=chatgpt.com). Autrement dit, les données que nombre d’analystes considèrent comme « l’or noir » du numérique, sont un actifs qui ne cesse de se développer et pourtant, n’est que peu valorisé par l’entreprise. C’est un paradoxe stratégique. Si on l’applique à la formation, grâce à sa numérisation, nous n’avons jamais disposé d’autant de données, en matière d’apprenants : nous savons qui s’inscrit, qui vient, combien de temps une personne reste connectée, combien de modules elle a terminé, quelle note elle obtient, ce qu’elle déclare dans une enquête de satisfaction,… et pourtant ne connaissons rien du profil des apprenants, nous pouvons beaucoup et l’on fait peu. Quelle pourrait être la forme d’une véritable politique de learning datas ? Quelles conséquences pour le pilotage des compétences dans l’entreprise ? Où en est-on aujourd’hui ?
1, La généalogie des learning datas
Comme nous l’avons vu précédemment (https://affen.fr/pedagogie/comment-choisir-sa-plate-forme-lms/), la gestion des learning datas est née du Training Management System, dès les années 40 pour monter en puissance massivement les compétences des militaires, il s’agissait de planifier les formations, d’affecter les personnes, de suivre leur progression et de conserver la trace des certifications. Le système était d’abord papier avant d’être numérisé en 1964 par IBM avec le System 360, tout en gardant la même démarche. Le LMS est d’abord un ERP de la formation, il transforme la formation en une suite d’événements administrativement identifiables. Il en va de même pour le Learning Content Management System, LCMS, en 2010, qui devient une administration de la gestion des contenus numériques. La data est administrative, elle est née du management des processus. En 2012, Degree lance ce que Josh Bersin appellera en 2017 la première Learner eXperience Platform, LXP, l’apprenant est mis au centre du process. Un nouveau paradigme est né (Josh Bersin, A new paradigm for corporate training, learning in the flow of work, 2018). Il ne s’agit plus de piloter l’offre, mais de piloter la demande, c’est à ce moment qu’est née la question contemporaine de la learning data.
Le changement vient du fait d’enrichir la data administrative par une data pédagogique. Phil Long et Goerge Siemens définissent la learning data comme la mesure, la collecte, l’analyse et la restitution des apprenants afin de comprendre et d’optimiser l’apprentissage et les environnements dans lesquels ils apprennent (Penetrating th fog, analytics in learning and education, 2011). C’est un champ nouveau entre la science des données, de l’environnement numériques et des sciences de l’apprentissage (Rebecca Ferguson, Learning analytics, drivers, developments and challenges, 2012). La donnée comportementale : nombre de connexions, temps passé, ordre de consultation, ressources téléchargées, vidéos arrêtées ou réécoutées, clics,… permet de dégager des profils persistants. La donnée corrélée à une donnée pédagogique : nombre de tentatives nécessaires, nature des erreurs, vitesse d’acquisition, besoin d’exemple, capacité à transférer un concept dans une situation nouvelle,… permet de répondre à la question « comme une personne apprend ? ». On peut rajouter les données expérientielles avec le niveau de confiance, la difficulté perçue, la satisfaction, la frustration, les préférences pour le collectif, l’intérêt pour le sujet,… ou des données prospectives pour définir ce dont il pourrait avoir besoin d’apprendre. La learning data nous permet de sortir de l’ignorance pédagogique de l’apprenant.
La formation souffre de myopie marketing, elle définit son activité à partir de ses produits plutôt qu’à partir des besoins de l’usager (Theodore Levitt, Marketing myopa, 1960). Qu’est-ce que les personnes ont envie d’apprendre ? Pourquoi acceptent-t-elles de consacrer leur temps à cela ? Qu’est-ce qui déclenche leur curiosité, leur frein ? Que considèrent-elles comme utile, stimulant ou désirable ? Le marketing a développé des outils pour répondre à ses questions, connaître l’apprenant. La data permet de construire une personnalisation de la relation apprenante (Don Peppers et Martha Rogers, The one to one future, building relationships one customer at a time, 1993). Le marketing permet de répondre à la question : comment rendre désirable ce que nous lui proposons ? Le désir de se socialiser, de se former existe, il bouge et le travail de la data est de suivre ses évolutions pour révéler ce désir, lui apporter une forme, lui donner une valeur pour l’apprenant. Il ne s’agit pas de demander aux apprenants ce qu’ils veulent, mais, comme le disait Steve Jobs « notre travail, est de deviner ce qu’ils voudront avant qu’ils le sachent eux-mêmes. Les gens ne savent pas ce qu’ils veulent tant qu’on ne le leur a pas montré » (Walter Isaacson, Steve Jobs, 2011). Le travail de la formation est d’utiliser les datas pour anticiper le désir des apprenants pour anticiper leurs évolutions sociologiques. La data est au cœur de la transformation de la formation.
2, L’apprenant-roi impose de nouvelles datas
Le shadow learning change le rapport de force. Pendant longtemps, l’entreprise maîtrisait la chaîne de la formation. Aujourd’hui, l’apprenant peut apprendre sans l’autorisation de l’entreprise que ce soit avec la multiplication des contenues de qualité sur le web ou l’émergence des LLM, l’apprenant augmenté peut apprendre seul. Une part croissante de la formation se passe hors du champ de vision de l’entreprise. Le problème est double. D’une part, l’entreprise perd progressivement le monopole de l’offre de formation. D’autre part, elle perd une partie des données produites par l’apprentissage. Si un collaborateur passe 45 minutes à interroger l’IA sur une nouvelle règlementation, la reformule et co-construit une solution opérationnelle, d’un point de vue pédagogique, il s’est produit un apprentissage intense ; d’un point de vue du LMS de l’entreprise, il ne s’est rien passé. Plus les collaborateurs apprennent librement, moins l’organisation sait comment ils apprennent. Cette liberté modifie profondément la relation entre l’apprenant et le service formation. L’enjeu n’est pas de revenir en arrière avec un monopole de la formation, mais de faire en sorte que l’apprenant vienne volontairement sur des connaissances et compétences choisies par l’entreprise. Pour cela, le responsable de formation développe une nouvelle compétence, jusqu’alors regardée avec méfiance, le marketing de la formation.
C’est la naissance de l’apprenant-roi qui illustre d’un changement structurel, l’apprenant a désormais davantage de pouvoir de choix. Il ne s’agit donc pas de céder à tous ses caprices, mais d’apprendre à connaître ses désirs pour créer l’envie d’apprendre. Le parallèle avec le consommateur-roi est intéressant. Le marketing s’est développé lorsque la rareté des produits a progressivement laissé place à l’abondance de l’offre (Marc Meuleau, L’introduction du marketing dans l’entreprise en France, 1880-1973, 1988). La formation est à son tour dans cette économie de l’abondance des contenus. Le facteur rare devient l’attention et le désir d’apprendre. Il ne suffit plus de produire une excellente formation, encore faut-il donner envie de la suivre. C’est là que la data marketing devient stratégique. Le marketing contemporain n’attend pas que l’apprenant formule explicitement son besoin, il observe des comportements, détecte des signaux faibles, recommande, expérimente pour provoquer l’action. On passe d’une data de vente à une data de désir. Le marketing de la formation ne consiste pas à lui vendre une formation dont il ne veut pas, mais à construire les conditions du désir d’apprendre.
Connaître les désirs est plus que jamais stratégique pour l’entreprise. Avec une question qui, compte tenu des règlementations en vigueur, serait « Pourquoi un apprenant, accepterait-il que l’entreprise utiliser ses données personnelles ? ». La réponse ne peut être pour le bon fonctionnement de la formation. Il faut donc produire une promesse qui engage l’acceptation. « Laissez-nous exploiter certaines de vos données et nous vous proposerons ce à quoi vous n’avez peut-être jamais pensé ». L’apprenant est en position de choisir. On passe d’un modèle de prescription à un modèle de proposition prédictive, dans notre exemple. La psychologue Shoshana Zuboff appelle à la vigilance avec la multiplication des traces numériques qui assurent prévision, surveillance et orientation (The age of surveillance capitalism, 2019). Une politique de learning data peut servir à évaluer, surveiller socialement les apprenants, mais leur adhésion sera plus difficile. Reste à leur proposer de mieux les connaître de façon anonymisée pour améliorer la formation, mais surtout de leur apprendre eux à mieux se connaître, apprendre à découvrir son propre domaine des possibles. La data deviendrait alors un instrument d’émancipation de l’apprenant.
3, Rendre la data à l’apprenant
Le mouvement du Quantified self lancé en 2007 par Gary Wolf et Kevin Kelly repose sur une intuition, les traces produites par nos activités peuvent être utilisées pour accroître la connaissance que nous avons de nous-mêmes (Gary Wolf, The data-driven life, 2010). Deborah Lupton proposera une lecture sociologique où le numérique permet à l’individu d’objectiver certaines dimensions de son existence par ses métriques et du self-tracking (The quantified self, 2016). Ce qui importe ce n’est pas seulement le « quantified » , mais c’est surtout le « self ». Le sujet n’est plus seulement celui qui est mesuré par l’institution, il devient celui qui utilise la mesure pour réfléchir sur lui-même. Jusqu’à présent, l’entreprise accumule des données sur l’apprenant, elle pourrait les restituer à l’apprenant pour produire une connaissance nouvelle de lui-même. On passerait d’une Learning analitics à un Quantify self apprenant. La personne pourrait observer son histoire d’apprentissage, les sujets récurrents, les compétences qu’il consolide, ses décrochages… La promesse deviendrait : « Vos données vont vous permettre de mieux vous connaître vous-même ». La data pourrait devenir une nouvelle technologie du soi.
La première remarque est que le miroir de la data est calculé. Les modèles peuvent identifier des régularités, rapprocher des profils et produire de recommandations. Et très vite, la recommandation prédictive peut devenir normative. La proposition de projection entre la recommandation et la normalisation laisse ou non la possibilité à l’apprenant d’exercer sa liberté. Cathy O’Neil documente que les algorithmes ne se contentent pas de décrire une réalité, lorsqu’ils sélectionnent, classent ou excluent, ils peuvent produire des boucles de rétroaction qui renforcent les situations observées (Weapons of math destruction, 2016). Le risque est alors l’enfermement algorithmique, le passé enregistré finit par dessiner le futur proposé. Le modèle prédictif doit fonctionner comme une possibilité d’ouvrir le domaine des possibles avec des solutions non envisagées. L’algorithme propose, l’apprenant dispose. La vraie autonomie n’est pas de vivre sans algorithme, mais de ne pas déléguer notre liberté de choisir à la machine. Etre prédit sans être déterminé pourrait être la stratégie d’une learning data émancipatrice.
Si l’apprenant possède ses données, dispose d’outils d’auto-évaluation, reçoit des recommandations personnalisées et apprend directement avec le LLM, que reste-t-il à la formation ? Un algorithme peut proposer des solutions optimisées, il ne permet pas encore d’obtenir un élément essentiel à la formation, le désir de formation. On l’a vu, l’utilisation de la data augmente simultanément la pertinence des propositions et la capacité de l’individu à décider. Le responsable de formation change de nature. Une IA peut produire en quelques secondes un cours sur n’importe quel sujet, le problème de la formation n’est plus l’accès au savoir, mais le sens : pourquoi apprendre cela ? Pour quelle transformation de soi ? Karl Weick considère que l’entreprise n’est plus un simple espace de décision rationnelle, mais un espace pour produire du sens dans des situations complexes (Sensmaking in organizations, 1995). La formation devient une fonction de sensemaking apprenant. Si la data propose des possibilités, la formation lui donne du sens. On passe d’une économie de la prescription à une économie du sens partagée. Autrement dit, si l’IA sait personnaliser, l’entreprise reste le lieu de la socialisation des possibles. Non seulement lui donner l’envie, mais d’assurer ensemble le passage à l’acte.
« L’avenir, tu n’as point à le prévoir, mais à le permettre » (Antoine de Saint-Exupéry, Citadelle, 1948). La formule a une résonance particulière dans notre article : la puissance de la donnée ne devrait pas servir à prédire ce que l’apprenant deviendra, mais à élargir ce qu’il peut devenir. La vraie question n’est pas tant de prévoir que de savoir ce que nous ferons de cette puissance prédictive. C’est tout l’enjeu du projet, ce que l’apprenant et la société veulent jeter en avant, projeter. La question n’est pas de savoir si nous aurons plus de learning datas, la réponse est oui, mais de savoir au service de quel avenir nous voulons la mettre. Une donnée n’a de sens qu’à l’intérieur d’un projet. L’entreprise a un rôle essentiel, proposer une utopie crédible et désirable. Cornelius Castoriadis disait qu’une société produit une sens commun, une histoire collective pour que chacun puisse y inscrire sa propre histoire personnelle (L’institution imaginaire de la société, 1975). La formation doit écrire l’histoire d’un avenir social désirable, un avenir commun, et la learning data devient un outil au service d’une communauté de destins. Sans cette utopie sociale, la data deviendra un outil de surveillance et pas un outil de réenchantement. Finalement, on a toujours la data qu’on mérite.
Fait à Paris, le 27 octobre 2026
Stéphane Diébold
