TL;DR : Pendant un demi-siècle, la science de l’expertise a reposé sur un constat : on progresse spectaculairement dans une compétence par la pratique délibérée, c’est-à-dire un effort répété à la limite de sa capacité, associé à un retour immédiat. L’IA brise le mécanisme de livraison de cette pratique. Quand l’outil fait les répétitions, vous gardez la production mais perdez la lutte qui construisait la compétence ; des études contrôlées montrent déjà que l’IA augmente le débit d’un novice de 34 pour cent sans que le novice s’améliore forcément en dessous. Ce guide vous donne la Matrice d’Allocation des Répétitions, un cadre CEOtudent nommé pour décider quelles répétitions garder à la main et lesquelles déléguer sans risque, ainsi qu’un protocole en quatre parties pour reconstruire la boucle de pratique délibérée par-dessus le travail assisté par l’IA. Un PDG protège les actifs qui se cumulent et automatise le reste ; un étudiant continue à faire les répétitions difficiles exprès, parce que c’est là que la croissance vit encore.
Anders Ericsson a passé sa carrière à montrer que la performance experte se construit, elle ne naît pas. Ses recherches de 1993 ont établi que la quantité et la qualité de la pratique délibérée, et non le talent brut, expliquaient le mieux qui atteignait un niveau d’élite en musique et dans d’autres domaines exigeants. Le mot délibérée fait un travail lourd ici. Ce n’est pas de la répétition en pilote automatique. C’est une pratique laborieuse, inconfortable, riche en retours, visant précisément ce que vous ne savez pas encore faire. Ce mécanisme entre maintenant en collision avec une technologie dont toute la proposition de valeur est de retirer l’effort et de vous tendre le résultat fini.
Le problème des répétitions
Voici la tension en une phrase. La pratique délibérée exige que vous fassiez la chose difficile de façon répétée, et l’IA existe pour faire la chose difficile à votre place. Chaque fois que vous acceptez un brouillon généré par l’IA, lancez une analyse IA que vous ne pourriez pas mener vous-même, ou livrez une correction que vous n’avez pas comprise, vous achevez la tâche et sautez la pratique. Le travail est fait. L’apprentissage n’a pas lieu. Sur des mois, cela produit un profil précis et dangereux : une personne dont la production visible continue de monter tandis que sa capacité sous-jacente stagne ou décline en silence.
Nous en avons déjà un indice dans les données. Dans la plus grande étude contrôlée sur l’IA au travail, l’accès à un assistant IA a augmenté le débit du support client de 14 pour cent en moyenne et de 34 pour cent pour les novices, en grande partie en leur fournissant les formulations et les solutions que des collègues compétents avaient apprises à la dure. C’est un vrai gain de productivité. Mais notez ce que c’est : l’outil diffuse une expertise que le novice n’a pas construite. Que le novice en intériorise quoi que ce soit, ou s’appuie simplement sur l’outil pour toujours, est une question ouverte que le chiffre de débit ne peut pas trancher. La même ambiguïté loge en ce moment dans chaque métier assisté par l’IA.
Il est utile de se rappeler que la pratique délibérée n’a jamais été également puissante partout. La méta-analyse la plus soignée du domaine a trouvé que la mesure dans laquelle la pratique explique la performance dépend fortement du domaine, et précisément de son degré de structure et de richesse en retours.
Données vérifiées : dans quelle mesure la pratique délibérée explique la performance, par domaine
| Domaine | Variance de performance expliquée par la pratique délibérée | Structure du retour |
|---|---|---|
| Jeux | 26 pour cent | Serré, immédiat, sans ambiguïté |
| Musique | 21 pour cent | Serré, immédiat |
| Sport | 18 pour cent | Assez serré |
| Éducation | 4 pour cent | Lâche, différé |
| Professions | Moins de 1 pour cent | Lâche, bruité, différé |
Source : Macnamara, Hambrick et Oswald, Psychological Science (2014).
Le motif est la leçon. La pratique paie le plus là où le retour est serré et immédiat, et le moins là où il est lâche et différé. Le travail intellectuel assisté par l’IA se situe, par défaut, au bas de ce tableau, parce que l’outil absorbe la boucle de retour et vous tend un résultat poli avant que vous ayez senti où vous vous êtes trompé. La réponse stratégique n’est pas d’abandonner l’IA. C’est de réintroduire délibérément les répétitions à retour serré que l’outil effacerait autrement, et d’être sélectif sur lesquelles.
La Matrice d’Allocation des Répétitions
Toute répétition ne mérite pas d’être gardée. Certaines tâches difficiles construisent des compétences qui se cumulent et restent précieuses, donc vous devriez continuer à les faire à la main même quand l’IA pourrait les prendre. D’autres sont une corvée qui ne construit rien de durable, donc les déléguer est un pur gain. L’erreur est de traiter le choix comme tout ou rien, soit tout faire à la main par nostalgie, soit tout déléguer et se vider. La Matrice d’Allocation des Répétitions force le choix répétition par répétition.
Cadre éditorial CEOtudent : la Matrice d’Allocation des Répétitions
| Construit une compétence cumulative | Construit peu de compétence durable | |
|---|---|---|
| Au cœur de votre valeur | GARDER les répétitions. Les faire à la main, n’utiliser l’IA que pour critiquer votre tentative après coup. | AUTOMATISER avec revue. Laisser l’IA faire, mais vérifier la production pour garder votre jugement affûté. |
| Périphérique à votre valeur | ÉCHANTILLONNER les répétitions. Les faire à la main de temps en temps pour maintenir la capacité, déléguer le reste. | DÉLÉGUER entièrement. C’est à ça que sert l’IA. Récupérer le temps pour le quadrant en haut à gauche. |
Le quadrant en haut à gauche est sacré. Ce sont les répétitions où la difficulté est le but, car lutter à travers elles construit le jugement qui vous rend précieux. Si vous êtes rédacteur, ébaucher vous-même l’argument difficile appartient ici. Si vous êtes analyste, raisonner à travers le cas ambigu appartient ici. Dans ce quadrant, n’utilisez l’IA que comme critique qui répond après que vous vous êtes engagé dans votre propre tentative, jamais comme substitut qui répond avant que vous ayez essayé. Cet enchaînement préserve la boucle de retour, qui est tout le mécanisme, et il se relie directement à la compétence d’évaluation pour juger la production de l’IA, car vous ne pouvez bien évaluer le modèle que si vous savez encore faire le travail vous-même.
Le quadrant en bas à droite est là où l’IA gagne son pain. La mise en forme, le texte standard, la collecte de recherche de premier jet et la transformation routinière ne construisent aucune compétence durable et devraient être délégués sans culpabilité. Le temps récupéré n’est pas destiné aux loisirs. Il est destiné à être réinvesti dans les répétitions en haut à gauche pour lesquelles vous n’auriez sinon jamais le temps.
Le protocole de pratique en quatre parties
Une fois que vous savez quelles répétitions garder, il vous reste à les rendre délibérées plutôt que machinales. La boucle d’Ericsson avait quatre éléments, et l’IA érode chacun d’une façon précise. Les restaurer est le protocole.
Cadre éditorial CEOtudent : restaurer la boucle de pratique délibérée sous l’IA
| Élément de la boucle (Ericsson) | Comment l’IA l’érode | Comment le restaurer délibérément |
|---|---|---|
| Un objectif précis à la limite de la capacité | L’outil livre par défaut une production facile et finie, donc vous n’atteignez jamais votre limite | Fixez la tâche un niveau au-dessus de ce que l’IA vous tendrait, et tentez-la avant de solliciter l’outil |
| Concentration et effort complets | Accepter une suggestion coûte une frappe, donc l’effort s’effondre | Faites la première tentative outil fermé, puis ouvrez-le |
| Retour immédiat et informatif | L’outil vous donne une réponse polie, pas un diagnostic de votre erreur | Utilisez l’IA comme critique : demandez-lui de trouver le défaut de votre tentative, pas de la refaire |
| Répétition avec affinement | Une bonne production donne un sentiment d’achèvement, donc vous vous arrêtez | Refaites la même classe de problème sur une semaine, en comparant vos tentatives dans le temps |
La forme pratique de tout cela est un rythme, pas une règle. Tentez d’abord, outil fermé. Puis invitez l’outil à critiquer, pas à remplacer. Puis répétez la classe de problème assez de fois pour que vos tentatives sans aide s’améliorent visiblement. C’est plus lent que l’automatisation pure sur toute tâche unique, ce qui est exactement pourquoi la plupart ne le feront pas, et exactement pourquoi les rares qui le font prendront de l’avance alors que les compétences continuent d’expirer. Nous avons traité la vitesse de cette expiration dans la demi-vie des compétences en 2026, et la boîte à outils d’apprentissage plus large dans ce que dit la recherche sur l’apprentissage.
Pourquoi c’est un problème de PDG et d’étudiant
Un PDG pense en termes d’actifs qui se cumulent contre dépenses qui ne le font pas. Votre capacité est un actif cumulatif, et le danger de l’IA est qu’elle vous laisse ponctionner cet actif de façon invisible : dépenser votre compétence existante pour la production d’aujourd’hui sans rien réinvestir. La Matrice d’Allocation des Répétitions est de l’allocation de capital pour votre propre esprit : protégez les répétitions qui se cumulent, passez en dépense celles qui ne le font pas.
La moitié étudiant est la discipline de continuer à faire des choses difficiles quand un chemin plus facile est à une frappe. Rester étudiant est plus dur maintenant qu’à aucun moment auparavant, parce que l’outil retire la friction qui vous imposait l’apprentissage. Ceux qui prospéreront seront ceux qui réintroduisent cette friction exprès dans les quadrants qui comptent, traitant chaque tâche assistée par l’IA comme un choix entre finir plus vite et progresser, et choisissant de progresser assez souvent pour que cela se cumule. Si vous voulez la carte des capacités qui valent cet investissement, les dix compétences cognitives que l’IA ne peut pas automatiser sont le point de départ, et les méta-compétences qui rendent toute autre compétence plus facile couvrent les habitudes de pratique qui se transfèrent d’un domaine à l’autre.
Foire aux questions
Utiliser l’IA rend-il vraiment mes compétences pires, ou stoppe-t-il seulement leur amélioration ?
Les deux sont possibles, et ce qui arrive dépend de votre usage de l’outil. Si vous déléguez des répétitions que vous ne refaites jamais à la main, la capacité décline par désuétude, comme toute compétence non pratiquée s’estompe. Si vous continuez les répétitions de base et utilisez l’IA comme critique, vos compétences peuvent s’améliorer plus vite qu’avant, car l’outil vous donne un retour que vous n’obtiendriez pas autrement. L’outil est neutre ; le mode d’usage décide du résultat.
La pratique délibérée est-elle encore pertinente si l’IA fait la tâche mieux que moi ?
Oui, pour les répétitions du quadrant en haut à gauche, car le but là n’est pas de battre l’IA à la tâche. C’est de garder le jugement qui vous permet de diriger et d’évaluer l’IA. Un manager n’a pas besoin de taper plus vite que son équipe, mais il doit juger le travail, et ce jugement s’atrophie sans pratique.
Comment trouver le temps de faire des répétitions à la main quand l’IA est tellement plus rapide ?
Vous achetez le temps en déléguant agressivement le quadrant en bas à droite. Les heures récupérées de l’automatisation de la corvée sont le budget de la pratique délibérée sur ce qui compte. Si vous automatisez tout et ne réinvestissez rien, vous avez optimisé la production au coût direct de la capacité.
Puis-je utiliser l’IA comme source de retour dans la pratique délibérée ?
Oui, et c’est l’un de ses meilleurs usages. Demander à un modèle de critiquer votre tentative, d’en trouver les faiblesses ou de la comparer à une version plus forte fournit le retour immédiat et informatif que la pratique délibérée exige et qui manque souvent dans le travail professionnel. La clé est que vous tentiez d’abord et laissiez le modèle répondre à votre tentative, plutôt que de le laisser produire la tentative à votre place.
Quelles compétences devrais-je protéger en premier ?
Protégez celles qui sont au cœur de votre valeur et qui se cumulent dans le temps, le quadrant en haut à gauche de la matrice. Dans la plupart des rôles intellectuels, ce sont les compétences de raisonnement, de jugement et de communication qui déterminent quel travail vaut la peine, plutôt que les compétences d’exécution mécanique que l’IA gère désormais bien.
Kaynakça
- K. Anders Ericsson, Ralf Th. Krampe et Clemens Tesch-Romer, “The Role of Deliberate Practice in the Acquisition of Expert Performance,” Psychological Review, 1993.
- Brooke N. Macnamara, David Z. Hambrick et Frederick L. Oswald, “Deliberate Practice and Performance in Music, Games, Sports, Education, and Professions: A Meta-Analysis,” Psychological Science, 2014.
- K. Anders Ericsson et Robert Pool, Peak: Secrets from the New Science of Expertise, Houghton Mifflin Harcourt, 2016.
- Erik Brynjolfsson, Danielle Li et Lindsey Raymond, “Generative AI at Work,” Quarterly Journal of Economics, 2025.
- Forum économique mondial, Future of Jobs Report 2025.
- OCDE, OECD Skills Outlook 2023.
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:
