Votre formation à la conformité affirme que tout le monde a réussi. J'ai construit un modèle qui sait que non.

Une responsable de la conformité dans une banque m'a un jour expliqué en détail sa recertification annuelle en matière de lutte contre le blanchiment d'argent. Cinq cents personnes dans la fonction conformité, un seul module de quatre heures, tout le monde affecté au même contenu : diligence raisonnable à l'égard de la clientèle, déclaration d'activités suspectes, détection des transactions structurées, blanchiment d'argent basé sur le commerce, filtrage des sanctions. À la fin, son système d'apprentissage a produit cinq cents coches vertes. Elle me les a montrées comme on montrerait un reçu à quelqu'un.

Puis elle a dit la chose que je n'ai pas réussi à oublier depuis — qu'elle n'avait aucune idée de savoir lesquelles de ces cinq cents personnes savaient réellement remplir une déclaration d'activité suspecte.

Cet écart — entre terminé et savoir — est la raison même pour laquelle je consacre désormais mon temps à construire une IA d'apprentissage adaptatif pour la formation en entreprise. Pas le genre moteur de recommandation qui suggère votre prochain cours. Le genre diagnostique, bâti sur une technique appelée traçage des connaissances, qui modélise ce que chaque employé sait réellement, concept par concept, et met à jour cette estimation chaque fois qu'il répond à une question. Son LMS suivait l'achèvement. Ce dont elle avait besoin, c'était d'un système qui suivait la compétence. Nous construisons cette couche de compétence, et c'est la solution sur laquelle mon équipe travaille au quotidien.

Une coche verte indique à un auditeur qu'une vidéo a fini de se lire. Elle ne vous dit rien sur le fait que quiconque ait appris à faire le travail.

L'écart de 102,8 milliards de dollars entre « Fait » et « Sait »

Les entreprises américaines ont dépensé 102,8 milliards de dollars en formation en 2025, contre 98 milliards l'année précédente — c'est le chiffre de Training Magazine, et cela représente environ 874 dollars par apprenant. La majeure partie de cet argent achète des données d'achèvement. SCORM, le format de fichier dans lequel la majorité des cours d'entreprise sont encore livrés, a été conçu autour d'une spécification 1.2 qui enregistre la réussite, l'échec et l'achèvement. C'est tout. C'est une feuille de présence avec de meilleures valeurs de production.

Je trouve cela véritablement étrange quand on y réfléchit. Nous avons passé deux décennies à optimiser la diffusion de la formation — vidéo plus soignée, mobile, microapprentissage — et presque aucun de ces efforts n'a servi à mesurer si la formation changeait ce que quelqu'un est capable de faire. La Josh Bersin Company a publié un article en février 2026 soutenant que l'IA est sur le point de transformer 400 milliards de dollars d'apprentissage en entreprise, et la statistique qui m'a marqué est celle-ci : moins de 5 % des entreprises ont réellement déployé une technologie d'apprentissage native de l'IA. Tout le monde a un LMS. Presque personne n'a d'intelligence à l'intérieur.

Et le coût de cet écart n'est plus abstrait. Les données de Bersin montrent que les entreprises qui utilisent l'apprentissage natif de l'IA ont six fois plus de chances de dépasser leurs objectifs financiers. De l'autre côté, 74 % des entreprises affirment qu'elles ne parviennent pas à suivre la demande de nouvelles compétences, et la demi-vie d'une compétence professionnelle est passée d'environ dix ans en 2000 à moins de cinq aujourd'hui. J'ai vu des équipes formation et développement réagir à cet effondrement de la seule façon que leur outillage leur permet — en produisant plus de contenu, plus vite. Je comprends l'instinct, car pendant vingt ans, plus de contenu a été le seul levier que les systèmes nous donnaient. Le levier n'a jamais été le problème. C'est l'instrument que nous utilisons pour mesurer si quoi que ce soit a fonctionné qui l'est.

La première version que j'ai construite était erronée, et elle avait fière allure

Voici la partie dont je ne suis pas fier. Lorsque j'ai commencé à construire cela, je me suis tourné vers le modèle évident. Dans la littérature sur le traçage des connaissances, il existe une approche bien connue appelée Deep Knowledge Tracing — DKT — qui utilise un LSTM, un type de réseau de neurones récurrent, pour prédire si un apprenant répondra correctement à la question suivante. C'est le point de départ canonique. Nous l'avons mis en place, alimenté en données d'interaction, et les tableaux de bord étaient magnifiques. Des courbes de maîtrise qui grimpaient, une précision de prédiction qui semblait respectable.

J'étais prêt à en faire la démonstration. Puis je suis revenu à ce cas d'usage de LBA et j'ai essayé de répondre à la véritable question de la responsable de la conformité — quel concept cet analyste précis ne connaît-il pas ? — et le modèle était incapable de me le dire. Il pouvait me dire si quelqu'un « s'en sortait » globalement. Il ne pouvait pas dire nettement « elle est solide sur la diligence raisonnable à l'égard de la clientèle et dangereuse sur le blanchiment d'argent basé sur le commerce ».

Il m'a fallu plus de temps qu'il n'aurait dû pour comprendre pourquoi. Il existe un article de 2025 de la communauté de l'Educational Data Mining qui avance un point d'une brutalité discrète : le DKT classique apprend l'aptitude, pas la connaissance par compétence. Il modélise un signal général « cette personne est douée au test » plutôt qu'une maîtrise au niveau du concept. Pire, des chercheurs ont montré que des RNN non entraînés — des réseaux aux poids aléatoires — peuvent égaler des modèles DKT entraînés sur certains bancs d'essai. Mon magnifique tableau de bord mesurait, en un sens réel, des impressions.

J'avais construit un modèle qui était confiant, à l'apparence précise, et incapable de répondre à la seule question à laquelle tout le projet existait pour répondre.

Ce mois-là a eu des allures d'impasse. J'avais promis des preuves de compétence et construit un compteur de confiance qui ne savait pas de quoi il était confiant.

Pourquoi nous avons reconstruit sur l'attention plutôt que sur la mémoire

La solution est venue de la génération plus récente de modèles de traçage des connaissances — ceux à auto-attention. Nous sommes passés à SAKT, Self-Attentive Knowledge Tracing, puis à AKT, la variante attentive tenant compte du contexte. Au lieu de tasser tout l'historique d'un apprenant dans une seule mémoire récurrente, ces modèles utilisent l'attention pour demander, à chaque nouvelle question, lesquelles de vos réponses passées se rapportent réellement à cette compétence en ce moment ? AKT va plus loin et intègre des idées issues de la théorie de la mesure en éducation, ajustant la difficulté au fil de l'eau.

Les retombées pratiques étaient celles qui m'importaient. SAKT fait cela avec environ 700 000 paramètres et une AUC proche de 0,80 — assez petit pour fonctionner efficacement, assez précis pour qu'on lui fasse confiance, et surtout il produit une probabilité de maîtrise par concept plutôt qu'un seul score de compétence flou. AKT s'est avéré être le meilleur choix lorsqu'un scénario nécessite véritablement un enseignement individualisé, ce que la recertification en conformité est absolument. Les données d'entreprise ont un avantage discret sur les bancs d'essai académiques pour lesquels ces modèles ont été conçus : les séquences de conformité sont courtes et à enjeux élevés, pas les journaux de tutorat de mille interactions qui font de la prédiction sur longue séquence le problème ouvert difficile de la littérature. Ce avec quoi les articles se débattent le plus n'est pour l'essentiel pas notre problème.

C'est alors que l'exemple de la LBA s'est enfin affiché comme il le devait. Imaginez une carte de chaleur : les lignes sont des employés, les colonnes les cinq concepts de LBA, chaque cellule une probabilité que cette personne ait maîtrisé ce concept. Un analyste BSA senior avec huit ans d'ancienneté dans le poste s'illumine en vert sur la diligence raisonnable à l'égard de la clientèle, la déclaration d'activités suspectes, les sanctions — mais apparaît en ambre sur le blanchiment d'argent basé sur le commerce. Un directeur d'agence en poste depuis six mois n'est vert nulle part et rouge foncé sur la déclaration d'activités suspectes et le blanchiment basé sur le commerce. Même module, besoins radicalement différents.

L'analyste senior ne devrait pas subir quatre heures pour re-prouver ce qu'elle sait manifestement ; elle devrait vérifier rapidement les concepts maîtrisés et consacrer son temps au seul point faible. Le nouveau directeur a besoin de parcours structurés et plus lents précisément là où ses probabilités sont les plus basses. Nous fixons des seuils que nous pouvons défendre devant un auditeur : au-dessus d'environ 0,75, on traite le concept comme maîtrisé et on vérifie brièvement ; dans la bande médiane, c'est la zone d'effort productif où l'apprentissage se produit réellement ; en dessous de 0,35, on s'arrête et on remédie avec un accompagnement. Le modèle met à jour chaque cellule à chaque réponse.

Sur cinq cents employés, c'est la différence entre deux mille heures de temps de présence identique et environ la moitié de cela — avec des preuves plus solides au bout du compte, pas plus faibles. À 874 dollars par apprenant, la productivité récupérée sur une seule fonction conformité de cinq cents personnes se situe dans les quelques centaines de milliers de dollars par an. Ce n'est pas une projection que j'ai inventée. Fulcrum Labs et Allegiant Airlines ont documenté une chute du temps de formation de 51 jours à 23 — une réduction de 55 % — avec les accidents et les dommages matériels en baisse de 60 %. Et cela ne concerne pas que les banques et les compagnies aériennes : une entreprise mondiale de technologies médicales appliquant la même approche adaptative a économisé plus de 16 000 heures de formation sur 113 000 apprenants, et une organisation de santé a réduit le temps d'intégration de 22 %. Le sujet change — traitement des données patients, protocoles des dispositifs, typologies de LBA — mais le problème diagnostique, lui, ne change pas. Une banque américaine du top dix a déployé la conformité adaptative auprès de plus de 70 000 employés et a constaté 75 % de trafic en plus vers les cours obligatoires. La réduction du temps de présence est réelle et elle a été prouvée par des gens qui ne sont pas moi.

« Cornerstone ne fait-il pas déjà cela ? »

C'est la première question qu'on me pose, à chaque fois, et elle est légitime. En mars 2026, Cornerstone a lancé ce qu'il appelle un Adaptive Learning Agent au sein de son système Galaxy AI. Docebo a racheté 365 Talents pour y greffer l'évaluation des compétences. Toute l'industrie estampille « apprentissage adaptatif propulsé par l'IA » sur la boîte. Alors pourquoi construire quoi que ce soit sur mesure ?

Parce que la plupart de ce qui est vendu comme adaptatif est du filtrage collaboratif, pas du traçage des connaissances — et la différence, c'est tout l'enjeu. Le filtrage collaboratif, c'est le procédé Netflix : les gens qui ont terminé le cours A avaient tendance à suivre ensuite le cours B, alors voici le cours B. Il recommande en fonction de ce qu'ont fait vos pairs. Le traçage des connaissances fait quelque chose de catégoriquement différent : il modélise ce que vous avez, vous précisément, maîtrisé et pas maîtrisé, et cible l'écart. L'un est un moteur de recommandation. L'autre est un moteur de diagnostic. L'agent de Cornerstone recommande quoi apprendre ensuite ; il ne mesure pas la maîtrise au niveau du concept. Le suivi des compétences de Docebo repose en grande partie sur la déclaration ou sur l'achèvement — l'employé dit qu'il maîtrise, ou il a terminé le cours — et non sur une mesure de la façon dont il a réellement interagi avec le matériel.

Il existe des fournisseurs qui font véritablement bien le traçage des connaissances. Fulcrum Labs dispose d'un moteur propriétaire et des études de cas pour l'appuyer. Les acteurs de l'EdTech — des entreprises comme Riiid, qui a levé 256 millions de dollars — ont de véritables modèles de traçage des connaissances. Mais Fulcrum exige que vous migriez votre contenu sur sa plateforme, et les modèles EdTech ont été conçus pour les tests standardisés et le primaire-secondaire, pas pour les processus de LBA et les preuves d'audit. Et les Big Four ? Deloitte et PwC vous factureront une mission de transformation de la main-d'œuvre de 500 000 à 5 millions de dollars et installeront Cornerstone ou SAP à merveille. Ils configurent la plateforme du fournisseur. L'intelligence adaptative appartient toujours au fournisseur, pas à vous.

La plupart des entreprises n'ont pas besoin d'arracher leur LMS. Elles ont besoin d'une couche d'intelligence qui se branche sur celui qu'elles possèdent déjà.

C'est l'écart dans lequel nous construisons : un moteur de traçage des connaissances qui se pose au-dessus de votre système d'apprentissage existant et communique avec lui via des normes ouvertes — xAPI pour capturer des données d'interaction granulaires, LTI pour faire passer les apprenants de l'un à l'autre. Vous conservez votre LMS. Nous ajoutons le cerveau.

Le vrai risque, ce n'est pas le modèle — c'est le balisage

Je vais vous dire la chose que les démos ne mentionnent jamais, parce que c'est la chose qui décide réellement si l'un de ces projets réussit. La partie la plus difficile d'une construction d'apprentissage adaptatif n'est pas le réseau de neurones. C'est le balisage du contenu.

Un modèle de traçage des connaissances ne peut tracer que la connaissance qu'il peut voir. Chaque question de votre module de conformité doit être associée à un concept — cet item teste le blanchiment d'argent basé sur le commerce, celui-là teste le filtrage des sanctions — sinon le modèle n'a rien à mettre à jour. La plupart des contenus d'entreprise arrivent sous la forme d'un tas de paquets SCORM 1.2 qui émettent un unique indicateur d'achèvement et aucune structure conceptuelle du tout. Passer à xAPI signifie mettre en place un Learning Record Store, repenser votre gouvernance des données et votre architecture réseau, et souvent rebaliser le contenu question par question. C'est peu glorieux, c'est là que réside le vrai travail, et c'est pourquoi je me méfie de quiconque vous dit que l'apprentissage adaptatif est un interrupteur qu'on actionne.

Je préfère être honnête à ce sujet dès le départ plutôt que de gagner un projet sur une promesse que je ne peux pas tenir. Le modèle, c'est la partie que je peux vous livrer en quelques semaines. Le balisage, c'est la partie que nous faisons ensemble, et c'est la partie qui fait la différence entre un système qui produit des preuves de maîtrise de qualité audit et un système qui produit de plus jolies coches.

La loi européenne sur l'IA va-t-elle rendre le suivi de l'achèvement sans valeur ?

Pendant longtemps, « compétence contre achèvement » était un argument de qualité — appréciable, difficile à financer. Cela change à cause de la loi européenne sur l'IA. L'article 4, l'obligation de maîtrise de l'IA, est en vigueur depuis le 2 février 2025, et la supervision par les autorités nationales de surveillance du marché commence le 2 août 2026. Il exige que le personnel soit formé à la maîtrise de l'IA d'une manière adaptée à son rôle — et les propres orientations de l'UE sont explicites : il n'existe pas de format universel. Basé sur le rôle, ou cela ne compte pas.

Pensez à ce que cela fait au modèle de la coche verte. « Tout le monde a regardé la même vidéo sur l'éthique de l'IA » est précisément la chose que l'article 4 est conçu pour rejeter, et les sanctions sur les dispositions à haut risque atteignent jusqu'à 35 millions d'euros ou 7 % du chiffre d'affaires mondial. Les régulateurs ont montré qu'ils signeront des chèques énormes pour des défaillances de formation dans des domaines connexes — TD Bank a écopé d'une sanction de 3,1 milliards de dollars liée à un programme de conformité LBA inadéquat. Le coût de traiter la formation comme un spectacle n'est plus hypothétique.

Il y a une seconde pression que je n'avais pas anticipée au départ, et c'est presque comique. Les employés ont compris qu'ils peuvent s'appuyer sur des assistants IA pour expédier les modules de conformité — répondre au quiz, cliquer sur « terminer », ne rien apprendre. HR Morning en a fait état en 2026, et Gartner est allé jusqu'à prédire que, d'ici 2026, la moitié des organisations exigeront des évaluations de compétences « sans IA » en raison de l'atrophie de la pensée critique. Quand votre main-d'œuvre peut simuler l'achèvement à grande échelle, l'achèvement cesse d'avoir la moindre signification. La seule réponse durable est de mesurer ce que quelqu'un sait réellement — ce que le traçage des connaissances a précisément été conçu pour faire.

Ce que je dirais à cette responsable de la conformité aujourd'hui

Les gens me demandent si tout cela en vaut la peine pour la formation, entre toutes les choses — n'est-ce pas de la sur-ingénierie pour une obligation d'entreprise que personne n'apprécie ? Ma réponse est que nous l'avons sous-conçue pendant vingt ans, et que la note arrive de deux côtés à la fois : une demi-vie des compétences qui est tombée sous les cinq ans, et un régulateur qui est sur le point de réclamer des preuves que, pour l'essentiel, nous n'avons pas. Seuls 26 % des dirigeants se sentent aujourd'hui même capables de mesurer le retour sur investissement de la formation. La chose que nous avons choisi de ne pas mesurer est la chose qui est arrivée à échéance.

Je repense à ce classeur de cinq cents coches vertes. La tragédie n'était pas que la formation était mauvaise. C'était que l'organisation avait dépensé de l'argent réel et des heures réelles pour finir par en savoir moins qu'elle ne le pensait — avec assurance, par écrit, avec des pistes d'audit. L'analyste senior s'ennuyait et le nouveau directeur était perdu, et le système signalait les deux comme un succès.

Si je pouvais revenir en arrière et lui remettre une seule chose, ce ne serait pas une meilleure vidéo. Ce serait la carte de chaleur — cinq cents lignes, cinq concepts, chaque cellule un chiffre qu'elle pourrait réellement défendre. Pas « tout le monde a réussi ». Quelque chose de plus vrai et de bien plus utile : voici exactement ce que chacune de ces personnes sait, et voici ce que nous allons faire pour le reste. C'est le système que nous construisons, et plus je fais ce métier, plus je suis convaincu que « terminé » n'a jamais été la réponse à une question que quiconque se posait réellement.