Seuls 13 % savent travailler avec des agents IA. Et seuls 11 % savent où ils en sont

La compétence que personne ne voit chez soiHover to explore

L'essentiel de ce qui s'écrit sur l'écart de compétences en IA débat de son existence. Un benchmark publié cette année fait quelque chose de plus utile : il le mesure, le classe, puis rapporte discrètement le constat qui explique pourquoi tant d'argent de formation produit si peu.

Les chiffres de cet article proviennent du 2026 AI Skills Enterprise Benchmark Report de Workera et de l'étude de juillet 2026 de The Conference Board sur la formation à l'IA. Les deux sont résumés tels que publiés ; la lecture que j'en fais, et toute la section 6, viennent de moi.

1. La mesure, pas l'opinion

Workera a analysé 88 753 évaluations auprès de 32 422 personnes, dans les services professionnels, la pharmacie et le médical, les services financiers, les biens de grande consommation et l'administration fédérale américaine. Chacun a été noté sur une échelle de 300 points couvrant 14 compétences en IA et en données, où 201–300 vaut « niveau confirmé ».

Cette taille d'échantillon compte, parce qu'elle change la nature de l'affirmation. Une enquête demande aux gens ce qu'ils pensent. Une évaluation le vérifie.

Le résultat principal : 13 % des salariés atteignaient le niveau confirmé en IA agentique avant toute formation — le plus bas des quatorze compétences mesurées.

L'IA agentique n'a pas mal scoré parce qu'elle serait nouvelle et secondaire. Elle a mal scoré tout en étant ce vers quoi pointent en 2026 toutes les feuilles de route fournisseurs, tous les comités et tous les cycles d'achat. La compétence la plus rare est exactement celle qu'on achète.

2. Le constat qui se cache sous le titre

Le chiffre qui devrait vraiment changer vos arbitrages arrive plus loin.

Seuls 11 % des salariés évaluaient correctement leur propre niveau. Près de 70 % se surestimaient ou se sous-estimaient.

Prenez un instant, car presque tous les programmes de formation existants se règlent sur exactement l'instrument qui vient d'échouer. Enquêtes de compétences, inscriptions volontaires, formulaires « notez votre confiance de 1 à 5 », managers demandant qui a besoin d'aide : tous lisent un signal faux environ sept fois sur dix.

Cela rate dans les deux sens, et les deux échecs ne coûtent pas la même chose :

1. Surestimation

   Qui se croit compétent ne s'inscrit pas, ne demande rien, et livre un travail que personne ne relit de près. C'est la direction coûteuse. Un ingénieur persuadé de comprendre la recherche documentaire construira un pipeline qui brille en démo et se dégrade en silence.

2. Sous-estimation

   Des gens capables se retirent d'un travail qu'ils pourraient faire, et l'organisation recrute ou externalise une capacité qu'elle possède déjà. Moins cher, mais cela fausse le plan.

3. L'exposition est déjà là

The Conference Board a interrogé près de 1 300 salariés et mené des entretiens avec 35 dirigeants en juillet 2026. Les chiffres utiles :

• 55 % des salariés utilisent l'IA générative ou des agents IA chaque jour ou chaque semaine.
• 33 % ont suivi une formation IA fournie par l'employeur ces six derniers mois.
• 28 % déclarent que leur employeur ne propose aucune formation IA.
• 48 % estiment disposer d'assez de temps pour monter en compétences ; 48 % estiment avoir les outils et les accès adéquats.

Mettez les deux études côte à côte et la situation est sans ambiguïté. Une majorité utilise ces systèmes chaque semaine. Un tiers a reçu une formation récente. Environ un sur huit est évalué au niveau confirmé sur la partie agentique. Et personne — eux compris — ne peut dire de façon fiable qui est qui.

La conséquence pratique :

L'usage quotidien n'est pas une capacité, et n'en est pas la preuve. C'est une exposition. L'exposition sans évaluation, c'est ainsi qu'une organisation finit sûre d'elle et dans l'erreur en même temps.

4. Les mêmes données disent que la formation marche — quand elle vise juste

Il serait facile de lire tout cela comme un argument contre la formation. Le benchmark dit l'inverse, et précisément.

Après une montée en compétences ciblée, 81 % des salariés ont atteint le niveau confirmé en IA responsable, contre 25 % au départ. D'autres compétences bougent fortement aussi : 72 % d'amélioration moyenne en visualisation et narration de données, 53 % en fondamentaux de l'IA générative, 47 % en fondamentaux de l'IA.

Ce sont de gros mouvements. La variable n'est pas l'existence d'une formation — Conference Board dit qu'un tiers en a suivi une cette année — mais le fait qu'elle vise un manque mesuré plutôt qu'un manque ressenti.

Un programme qui commence par une évaluation résout un autre problème qu'un programme qui commence par une feuille d'inscription. Le premier sait ce qu'il comble. Le second devine, avec un instrument que ce même rapport montre peu fiable.

5. Ce que cela implique quand vous achetez

Si vous spécifiez une formation IA d'entreprise le trimestre prochain, ces constats se traduisent en une courte liste d'exigences.

Et une question à poser à tout prestataire, nous compris : à quoi ressemblerait ce programme s'il se trompait sur le niveau de départ de notre équipe ? Un programme qui a une réponse a pensé à l'évaluation. Un programme sans réponse vend un syllabus.

6. Comment nous construisons face à cela

Où se situe l'IdeaToMVP Academy sur chacun de ces points :

Nos programmes d'entreprise sont séparés par public plutôt que vendus comme un cours unique, parce qu'une équipe finance et une équipe d'ingénierie n'ont pas le même manque et ne devraient pas être mesurées à la même aune. Chaque parcours publie ses prérequis, ses objectifs d'apprentissage et le livrable avec lequel repart le participant.

• L'évaluation est enseignée comme une compétence de premier rang, pas comme une annexe. Le cursus d'ingénierie couvre les jeux d'évaluation et les contrôles de régression précisément parce que l'échec agentique est silencieux. Apprendre à quelqu'un à construire le contrôle qui l'avertit qu'un changement a dégradé les choses est la réponse directe à une capacité que personne ne peut auto-évaluer.
• Le résultat est un livrable. Le programme d'ingénierie se termine par un projet final relu au regard de votre propre feuille de route. Sur le parcours métier et finance, les participants construisent un portfolio de flux de travail — le brief, les prompts, les étapes de relecture et la trace de vérification — inspectable par quelqu'un qui n'était pas dans la salle.
• La vérification fait aussi partie du cursus métier. Repérer ce qu'un résumé généré a omis ou inventé, et distinguer une réponse fondée sur les sources d'une réponse qui ne l'est pas, sont enseignés comme des tâches à réponse correcte et non comme des sujets de sensibilisation.
• Le périmètre se décide sur votre travail. Les exercices et les jeux de données sont convenus lors du cadrage plutôt que livrés en paquet fixe : c'est ainsi qu'un programme vise un manque réel et non supposé.

Deux limites honnêtes. Nous ne faisons pas passer d'évaluation psychométrique standardisée comme celle de Workera — si vous voulez un score comparé sur quatorze compétences, c'est un autre produit et nous vous le dirons. Et une promotion ne règle pas un problème de stratégie : si personne n'a décidé à quoi sert l'IA chez vous, une formation ne le décidera pas à votre place.

7. Ce que je n'affirmerai pas

Le benchmark n'est pas le nôtre, et sa population n'est pas la vôtre. L'échantillon de Workera penche vers les grandes entreprises et l'administration fédérale américaine. Une startup de douze personnes n'est pas cette population, et les pourcentages doivent se lire comme une direction, pas comme le score probable de votre équipe.

Les chiffres d'amélioration viennent de gens évalués puis formés. C'est un groupe sélectionné, et les 81 % en IA responsable sont une mesure post-intervention, pas une promesse attachée à un programme particulier, le nôtre compris.

Corrélation, comme toujours. Que nos cursus soient conçus face à ces constats est un choix de conception. Ce n'est pas la preuve qu'ils font mieux, et nos propres données de résultats restent minces parce que les missions citables sont récentes.

Le résumé honnête

L'écart de compétences en IA en 2026 n'est pas d'abord un écart d'offre. C'est un écart de visibilité : la capacité mesurée la plus rare est celle que les organisations déploient le plus vite, et l'instrument que presque tout le monde utilise pour viser sa formation — demander aux gens comment ils s'en sortent — a raison environ une fois sur neuf.

L'usage quotidien n'est pas une capacité. La confiance n'est pas une capacité. La seule chose qui se comporte comme une capacité, c'est quelque chose qu'une personne a produit et qu'une autre peut examiner.

Si vous ne changez qu'une chose à votre façon d'acheter de la formation IA ce trimestre, cessez de la cadrer à partir d'une enquête d'auto-évaluation et cadrez-la à partir du travail que votre équipe a réellement produit.

Sources : Workera, 2026 AI Skills Enterprise Benchmark Report — 88 753 évaluations auprès de 32 422 personnes, notées de 1 à 300 avec 201–300 comme niveau confirmé, sur 14 compétences ; tous les chiffres du benchmark et d'après-formation sont ceux qui y sont publiés. The Conference Board, étude sur la formation à l'IA, 28 juillet 2026 — près de 1 300 salariés interrogés et 35 dirigeants en entretien ; les chiffres d'usage, de participation et de moyens sont ceux qui y sont publiés. Les détails des programmes de l'Academy sont les nôtres et valent à la date de publication. Pour la version côté offre de ce problème, voir 82 % des entreprises forment à l'IA et 59 % constatent encore un écart de compétences, et pour l'écart de perception entre acheteurs et participants, 47 % des salariés pensent que la formation IA sert à automatiser leur poste.

Related Posts

La plupart des formations à l'IA ne produisent pas de capacité15 septembre 2026

La formation IA en entreprise échoue sur la croyance, pas le budget15 septembre 2026

The AI MVP Evaluation Set: Test Real User Tasks Before You LaunchJuly 16, 2026