En bref. L’idée que les compétences acquises s’effondrent après un an sans usage remonte à une seule méta-analyse de 1998. Lisez son propre tableau des intervalles de rétention ligne par ligne et deux choses ressortent : 50% de ses points de données proviennent d’intervalles de sept jours ou moins, 1,7% seulement d’intervalles au-delà d’un an, et la colonne des tailles d’effet ne décroît pas de façon monotone. Une méta-analyse de 2025 parue dans Psychological Bulletin a repris la question avec 1.344 tailles d’effet issues de 457 rapports et a plutôt rapporté des demi-vies : la moitié des acquis perdue après environ 6,5 mois sur les mesures de précision, 13 mois sur les mesures de vitesse, 11 mois sur les mesures mixtes. Le seul modérateur qui a ralenti le déclin de façon fiable était le fait d’avoir des occasions d’exécuter réellement la compétence entre-temps. La complexité et le contexte réel ont aidé également, tous deux dans le sens contraire de ce que la plupart supposent.
Un dirigeant n’entretient pas une usine en demandant si les machines fonctionnent encore. Il demande à quelle fréquence chacune doit être révisée, et il planifie la révision avant la panne. Vos propres capacités méritent le même traitement, et pour la première fois il existe un chiffre défendable sur lequel bâtir un calendrier. Mais il faut lire les données avec soin, car la version la plus citée ne dit pas ce que la plupart croient.
Le chiffre que tout le monde cite, et d’où il vient réellement
Si vous avez lu quoi que ce soit sur la perte de compétences ces dix dernières années, vous avez rencontré une version de ceci : les compétences acquises se dégradent fortement avec le non-usage, avec des tailles d’effet atteignant d = -1,4 après un an sans pratique. Ce chiffre provient de la méta-analyse d’Arthur, Bennett, Stanush et McNelly, parue en 1998 dans Human Performance, qui a regroupé 189 points de données indépendants issus de 53 articles. C’est un travail réellement important, cité depuis un quart de siècle.
Son tableau 3 décompose le résultat global en huit bandes d’intervalles de rétention. Presque personne ne lit ce tableau. Nous l’avons fait, et nous l’avons reconstruit ci-dessous avec deux colonnes que l’original n’imprime pas : la part de la base de données probantes que représente chaque bande.
Analyse originale : de quoi est réellement faite la base de données canonique sur la perte de compétences
Cadre éditorial CEOtudent. Les points de données, tailles d’échantillon et valeurs moyennes de d sont lus directement dans Arthur et al. 1998 tableau 3 ; les deux colonnes de part sont notre calcul. La colonne des points de données totalise 178 et celle des échantillons 8.719, ce qui correspond aux totaux rapportés par l’article et confirme la lecture.
| Intervalle de rétention | Points de données | Part des points | Échantillon | Part de l’échantillon | d moyen |
|---|---|---|---|---|---|
| Moins de 1 jour | 3 | 1,7% | 45 | 0,5% | +0,02 |
| 1 à 7 jours | 89 | 50,0% | 3.325 | 38,1% | -1,03 |
| 8 à 14 jours | 13 | 7,3% | 680 | 7,8% | -1,54 |
| 15 à 28 jours | 19 | 10,7% | 766 | 8,8% | -0,95 |
| 29 à 90 jours | 33 | 18,5% | 2.656 | 30,5% | -0,65 |
| 91 à 180 jours | 7 | 3,9% | 302 | 3,5% | -1,42 |
| 181 à 365 jours | 11 | 6,2% | 670 | 7,7% | -1,04 |
| Plus de 365 jours | 3 | 1,7% | 275 | 3,2% | -1,28 |
| Ensemble | 178 | 100% | 8.719 | 100% | -0,97 |
Trois observations en découlent, et aucune ne figure dans le résumé populaire.
Premièrement, c’est massivement une littérature sur la première semaine. La moitié de tous les points de données se situe dans la bande 1 à 7 jours. Ajoutez la bande de moins de 24 heures et 51,7% de la base probante mesure la rétention sur une semaine ou moins. Ce n’est pas une critique des auteurs, qui ont regroupé ce qui existait. C’est une mise en garde sur ce que signifie le chiffre agrégé.
Deuxièmement, l’intervalle qui intéresse réellement les gens est le plus mince. Trois points de données seulement, couvrant 275 participants, mesurent la rétention au-delà d’un an. Cela représente 1,7% de la base probante portant le poids de la phrase la plus citée de l’article.
Troisièmement, la colonne ne décroît pas régulièrement. Le déclin à 8 à 14 jours (-1,54) est plus profond que celui à plus de 365 jours (-1,28). La bande 29 à 90 jours (-0,65) est la plus faible de toutes les bandes au-delà du premier jour, plus faible même que la première semaine. Quel que soit le processus sous-jacent, le tableau lu ligne par ligne n’est pas la courbe exponentielle nette sous laquelle on dessine habituellement ce concept. Notons aussi que le chiffre phare cité de cet article, -1,4, est plus grand en valeur absolue que la ligne des plus de 365 jours de son propre tableau 3, et correspond plutôt à la ligne 91 à 180 jours.
Rien de tout cela ne rend la perte de compétences irréelle. Cela fait de la référence canonique une base de planification plus faible que sa réputation ne le laisse croire.
Deux méta-analyses, une même fenêtre, un désaccord du simple au double
Arthur et ses collègues n’ont pas eu le dernier mot. Une deuxième méta-analyse de Wang, Day, Kowollik, Schuelke et Hughes, parue en 2013 dans le volume Individual and Team Skill Decay, a traité la même question et trouvé un déclin, selon leur propre formulation, plus modéré : trivial immédiatement après l’acquisition (δ = -0,08) et montant à δ = -0,71 pour un intervalle de rétention entre 90 et 180 jours.
Placez cela à côté de la ligne 91 à 180 jours du tableau d’Arthur et vous obtenez une comparaison directe que personne n’imprime.
Analyse originale : la même fenêtre de rétention, mesurée par trois équipes
Cadre éditorial CEOtudent. Chaque chiffre est rapporté par la source citée ; les colonnes de ratio et d’échelle sont notre calcul.
| Source | Rapports | Tailles d’effet ou points de données | Estimation à environ 90 à 180 jours | Base probante vs 1998 |
|---|---|---|---|---|
| Arthur, Bennett, Stanush et McNelly, 1998 | 53 | 189 | d = -1,42 | référence |
| Wang, Day, Kowollik, Schuelke et Hughes, 2013 | non rapporté ici | non rapporté ici | δ = -0,71 | non comparable |
| Tatel et Ackerman, 2025 | 457 | 1.344 | rapporté comme pente, non comme bande | 8,6x rapports, 7,1x tailles d’effet |
Les deux estimations plus anciennes pour la même fenêtre diffèrent exactement d’un facteur deux. C’était l’état honnête de la question avant 2025 : deux équipes crédibles, une fenêtre temporelle, une estimation double de l’autre.
Ce que disent réellement les données de 2025
La méta-analyse de Tatel et Ackerman, parue dans Psychological Bulletin, est la première étude assez vaste pour traiter l’intervalle de rétention comme une variable continue plutôt que comme un ensemble de classes. Ils ont regroupé 1.344 tailles d’effet issues de 457 rapports, soit 8,6 fois les rapports et 7,1 fois les points de données de l’article de 1998, et ont modélisé le déclin comme un taux.
Leurs résultats principaux, tous rapportés directement dans l’article :
| Mesure de performance | Déclin par mois | Intervalle de confiance à 95% | Gain d’acquisition (d) | Moitié des gains perdue après |
|---|---|---|---|---|
| Fondée sur la précision | 0,08 ET | -0,10 à -0,05 | 1,49 (1,39 à 1,58) | environ 6,5 mois |
| Fondée sur la vitesse | 0,06 ET | -0,11 à -0,02 | 1,88 (1,68 à 2,09) | environ 13 mois |
| Mixte | 0,06 ET | -0,10 à -0,02 | 2,48 (2,19 à 2,77) | environ 11 mois |
Pour les mesures de précision, ils estiment aussi que la totalité des gains d’acquisition disparaît après environ 16 mois. Pour les mesures de vitesse et mixtes, ils refusent explicitement d’estimer un point de perte totale, car la projection sortirait de la plage de leurs données. Ce refus est la marque d’un article rigoureux, et c’est le type de limite qui saute quand les résultats sont résumés.
Le plus utile dans le tableau est le rapport. 13 divisé par 6,5 donne exactement 2,00. La même compétence sous-jacente, laissée de côté le même nombre de mois, semble avoir décliné deux fois plus vite si vous la testez sur la précision que sur la vitesse. Les mesures mixtes se situent à 1,69 fois la demi-vie de précision. La question de la vitesse à laquelle une compétence se perd n’a pas de réponse unique, car la réponse dépend de ce que vous chronométrez.
Une mise en garde avant de faire le calcul vous-même
Il y a ici un piège dans lequel nous sommes tombés en vérifiant les chiffres, et il mérite d’être signalé car il attrapera quiconque tente de bâtir un calendrier à partir de la pente mensuelle.
Si vous prenez les chiffres de précision au pied de la lettre, la moitié d’un gain d’acquisition de 1,49 vaut 0,745, et à 0,08 ET par mois cela implique 9,3 mois pour en perdre la moitié. L’article rapporte 6,5. L’écart n’est pas une différence d’arrondi, et il se creuse pour les deux autres mesures.
Analyse originale : pourquoi la pente mensuelle n’est pas une règle empirique utilisable
Cadre éditorial CEOtudent. La colonne naïve est notre propre arithmétique sur les chiffres d’acquisition et de pente publiés ; la colonne rapportée est la sortie du modèle de l’article. L’écart est le point.
| Mesure de performance | Arithmétique naïve | Demi-vie rapportée | Erreur si vous prenez le raccourci |
|---|---|---|---|
| Fondée sur la précision | 9,3 mois | 6,5 mois | 43% trop optimiste |
| Fondée sur la vitesse | 15,7 mois | 13 mois | 21% trop optimiste |
| Mixte | 20,7 mois | 11 mois | 88% trop optimiste |
Le raccourci échoue, et il échoue dans la direction dangereuse à chaque fois : il vous dit que vous avez plus de temps que vous n’en avez. La raison est que la méta-régression de l’article contient plus qu’une droite sur les mois, si bien que multiplier la pente par le temps écoulé ne reconstruit pas le modèle. Utilisez les demi-vies rapportées. Ne bâtissez pas de calendrier à partir de la pente.
Nous montrons notre dérivation ratée plutôt que de la cacher, car c’est exactement ce raccourci qu’un résumé de cet article produirait, et il serait faux jusqu’à 88%.
Les trois modérateurs qui changent le calendrier
Un taux de déclin vous dit quand intervenir. Les analyses de modérateurs disent quelle intervention fonctionne. Trois résultats de Tatel et Ackerman comptent pour qui planifie son propre entretien, et deux vont à l’encontre de l’intuition.
Les occasions d’exécution intercalaires ont ralenti le déclin, mais seulement pour la précision. Le fait que les participants aient eu ou non l’occasion d’exécuter réellement la compétence pendant l’intervalle de rétention était un modérateur statistiquement significatif pour les mesures de précision (β = 0,07, p < 0,05). Le même schéma est apparu pour les mesures mixtes sans atteindre la significativité (β = 0,07), et était absent pour la vitesse (β = 0,01). C’est le résultat le plus actionnable de l’article : un usage réel occasionnel protège la précision de ce que vous savez faire, et fait nettement moins pour la rapidité avec laquelle vous le faites.
Les compétences complexes ont été mieux retenues que les simples. La complexité des composants était un modérateur significatif pour les mesures de précision et mixtes (β = 0,03 et β = 0,07, toutes deux p < 0,05), et le schéma sur les trois dimensions de complexité pointait dans le même sens. Les tâches très complexes ont mieux tenu. La plupart supposent l’inverse et planifient des rappels pour ce qu’ils savent de plus difficile, alors que l’élément fragile est la procédure simple qu’ils touchent rarement.
Les compétences réelles ont été mieux retenues que celles de laboratoire. Pour les mesures de précision, les pentes de déclin étaient plus raides pour les tâches de laboratoire et artificielles que pour toutes les catégories de tâches réelles : médical et dentaire (β = 0,12), militaire et transport (β = 0,16), sport (β = 0,18) et divers (β = 0,13). Une compétence apprise et utilisée dans son contexte réel décline plus lentement que la même classe de compétence travaillée isolément.
Lues ensemble, ces trois observations pointent dans une direction. Le déclin n’est pas d’abord une propriété de la compétence. C’est une propriété du degré auquel la compétence est enchâssée dans quelque chose que vous faites réellement.
Là où ces données ne s’appliquent pas
C’est plus important que tous les tableaux ci-dessus, et c’est la partie qui se perd quand les résultats voyagent.
Le champ de Tatel et Ackerman, ce sont les compétences procédurales comportant des composantes motrices non verbales. Technique chirurgicale, réanimation, conduite d’équipement, technique sportive, pilotage. Les demi-vies de 6,5, 13 et 11 mois sont des estimations pour cette classe de compétences. Ce ne sont pas des mesures de la vitesse à laquelle votre Python s’efface, ni votre français, ni votre capacité à lire un bilan. La méta-analyse d’Arthur et de ses collègues de 1998 incluait des tâches cognitives et les a trouvées plus sujettes à la perte que les tâches physiques, mais ce résultat repose sur la base probante mince et non monotone décrite plus haut.
Quiconque vous dit qu’une langue ou une compétence de programmation a une demi-vie de 6,5 mois étend un résultat sur les compétences motrices au-delà de ses données. Nous ne le ferons pas. Ce qui se transfère, c’est la structure du résultat, pas la constante : le déclin est réel, il se mesure en mois plutôt qu’en semaines pour des compétences bien acquises, il est plus rapide sur la précision que sur la vitesse, et ce qui le ralentit est un usage réel intermittent.
Les deux modèles de méta-régression comportaient aussi une hétérogénéité résiduelle significative (Q = 3.820,34 pour la précision, 898,41 pour la vitesse, 1.045,03 pour le mixte, tous p < 0,01), ce qui est la façon des auteurs de dire qu’une grande part de la variation entre études reste inexpliquée même après les modérateurs. Ce sont des moyennes de population, pas des prédictions sur vous.
Le calendrier d’entretien
C’est ici que la moitié dirigeante du travail prend le relais de la moitié étudiante. Les données vous donnent un taux de déclin et un levier fiable. En faire un calendrier est une décision de gestion, et nous l’étiquetons comme telle.
Cadre CEOtudent d’entretien des compétences
Il s’agit d’un jugement bâti sur les données citées, non d’un calendrier mesuré. Aucune étude n’a testé ces intervalles. Le raisonnement derrière chaque règle est énoncé pour que vous puissiez le contester.
Règle 1 : réviser avant la demi-vie, pas après. Les demi-vies rapportées sont le point où la moitié du gain a déjà disparu. Un intervalle d’entretien fixé à la demi-vie est un calendrier pour fonctionner à 50% de capacité. Pour les compétences procédurales où la précision est critique, l’intervalle de planification défendable est une fraction de 6,5 mois, pas 6,5 mois. Trimestriel est une lecture raisonnable ; ce n’est pas une lecture mesurée.
Règle 2 : classez selon ce sur quoi vous êtes évalué, pas selon le nom de la compétence. L’écart de 2,00x entre les demi-vies de précision et de vitesse signifie que la même activité demande un entretien différent selon le mode d’échec qui vous coûte. Si se tromper coûte cher, entretenez sur l’horloge de la précision. Si être lent coûte cher, vous disposez d’environ deux fois plus de marge.
Règle 3 : une vraie occasion d’exécution vaut mieux qu’une séance de rappel. C’est la seule règle avec un appui empirique direct. Les occasions d’exécution intercalaires ont significativement ralenti le déclin de la précision. Arrangez-vous pour utiliser réellement une compétence de temps en temps plutôt que de planifier de vous y exercer. Travailler votre technique de négociation est un rappel. Prendre en charge une petite négociation réelle est une occasion d’exécution, et les données favorisent la seconde.
Règle 4 : auditez d’abord les compétences simples. La complexité prédisait une meilleure rétention. Les éléments les plus susceptibles de s’être discrètement dégradés sont les procédures peu complexes que vous jugez indignes d’être planifiées.
Règle 5 : enchâssé vaut mieux qu’isolé. Les tâches réelles ont décliné plus lentement que les tâches de laboratoire dans toutes les catégories testées. Une compétence que vous pouvez rattacher à du travail vivant demande moins d’entretien délibéré qu’une compétence que vous ne pouvez répéter qu’en bac à sable. Là où vous avez le choix, enchâssez-la.
La moitié étudiante de la discipline consiste à accepter qu’il s’agit d’un problème d’entretien, plutôt que de supposer qu’une chose apprise est acquise pour de bon. La moitié dirigeante consiste à refuser d’entretenir tout au même intervalle quand les données disent que les intervalles diffèrent d’un facteur deux, et à refuser de faire tourner l’installation sur une estimation obtenue en multipliant une pente.
Si vous décidez d’abord dans quoi investir votre apprentissage, le coût d’entretien fait partie de cette décision. Notre cadre sur quels outils d’IA valent vraiment la peine d’être appris en profondeur traite la profondeur comme un engagement plutôt qu’une préférence, et les demi-vies ci-dessus font partie du coût de cet engagement. Sur la construction de la compétence avant son entretien, voyez notre article sur la pratique délibérée à l’ère de l’IA. Et si vous reconstruisez un profil de compétences plus tard dans une carrière, ce que dit la recherche sur la reconversion après 40 ans couvre le versant acquisition de la même question.
Questions fréquentes
La perte de compétences est-elle réelle, ou est-ce un artefact de mesure ?
Elle est réelle. Chaque méta-analyse examinée ici a trouvé une perte significative avec le non-usage, sur quatre décennies d’études primaires et des milliers de participants. Le désaccord porte sur l’ampleur et le calendrier, pas sur l’existence.
Sur quel chiffre dois-je réellement planifier ?
Sur les demi-vies de 2025, si votre compétence est procédurale et comporte une composante motrice : environ 6,5 mois pour la précision, 13 pour la vitesse, 11 pour le mixte. Pour les compétences cognitives ou de connaissance, il n’existe pas de chiffre aussi solide, et quiconque vous en propose un extrapole.
Pourquoi la demi-vie de précision est-elle bien plus courte que celle de vitesse ?
L’article rapporte la différence plutôt que de l’expliquer entièrement, et signale les arbitrages vitesse-précision comme un problème méthodologique de cette littérature. Une lecture possible : la vitesse reflète un schéma moteur plus grossier et plus robuste, tandis que la précision dépend d’un calibrage plus fin qui dérive plus tôt. Traitez cela comme une interprétation, pas comme un résultat.
Réapprendre prend-il aussi longtemps qu’apprendre initialement ?
Pas selon cette littérature, mais Tatel et Ackerman avertissent spécifiquement que beaucoup d’études ne parviennent pas à isoler la performance de rétention des effets de réapprentissage, ce qui signifie que la première mesure après une interruption peut déjà inclure une part de réacquisition. C’est une mise en garde sur la base probante, pas une estimation de la vitesse de réapprentissage.
Dois-je planifier des rappels ou simplement utiliser la compétence de temps en temps ?
Un usage réel occasionnel, selon les données disponibles. Le modérateur qui a atteint la significativité pour le déclin de précision était les occasions d’exécution intercalaires. La formation de rappel formelle n’a pas été testée comme modérateur distinct dans cette analyse.
Ces chiffres s’appliquent-ils à une compétence que je n’ai jamais pleinement acquise ?
Non. Chaque chiffre ci-dessus est exprimé par rapport à un gain d’acquisition mesuré. Si la compétence n’a jamais été portée à la maîtrise, il n’y a pas de gain d’acquisition que le taux de déclin puisse éroder, et rien de cette arithmétique ne décrit votre situation.
Sources
- Tatel et Ackerman, Procedural Skill Retention and Decay: A Meta-Analytic Review, Psychological Bulletin, 2025, DOI 10.1037/bul0000481. 1.344 tailles d’effet issues de 457 rapports ; pentes de méta-régression et intervalles de confiance par mesure de performance ; tableau 6 tailles d’effet d’acquisition ; estimations de demi-vie de 6,5, 13 et 11 mois et estimation de perte totale à 16 mois pour la précision ; résultats des modérateurs pour les occasions d’exécution intercalaires, la complexité des composants et le type de tâche ; statistiques Q d’hétérogénéité résiduelle. Financé par l’Army Research Institute for the Behavioral and Social Sciences.
- Arthur, Bennett, Stanush et McNelly, Factors That Influence Skill Decay and Retention: A Quantitative Review and Analysis, Human Performance, 1998, volume 11, numéro 1, pages 57 à 101. Tableau 3 ventilation des intervalles de rétention par points de données, taille d’échantillon et d moyen ; l’estimation méta-analytique globale ; les résultats des modérateurs de type de tâche et méthodologiques ; l’énoncé sur la performance relative au niveau antérieur à l’intervalle après plus de 365 jours de non-usage.
- Wang, Day, Kowollik, Schuelke et Hughes, Factors Influencing Knowledge and Skill Decay After Training, dans Individual and Team Skill Decay: The Science and Implications for Practice, sous la direction d’Arthur, Day, Bennett et Portrey, Routledge, 2013. Estimations méta-analytiques de la perte de compétence immédiatement après l’acquisition et à un intervalle de rétention entre 90 et 180 jours.
- Wang, Factors Influencing Knowledge and Skill Decay in Organizational Training: A Meta-Analysis, thèse de doctorat, University of Oklahoma, 2010. La thèse sous-jacente aux estimations du chapitre de 2013.
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
