Comment l'IA personnalise et adapte un parcours de formation

Que fait l'IA, concrètement, dans un parcours ?

Un parcours adapté par l'IA ajuste cinq choses pour chaque personne : ce qui est présenté, le niveau de difficulté, l'ordre des notions, le moment des révisions et la forme de l'aide apportée. Ces ajustements reposent sur trois informations : un référentiel de compétences qui décrit la cible, la mesure de ce que l'apprenant sait déjà, et ses réponses au fil du parcours.

Deux familles de systèmes coexistent. La sélection choisit des modules dans un catalogue existant, selon le profil ou des chemins conditionnels prévus à l'avance. La génération produit des explications, des exercices et des questions adaptés à la personne à partir du référentiel, grâce aux modèles de langage. Les deux peuvent être adaptatives si elles s'appuient sur une mesure des acquis ; aucune ne l'est si elle se contente de filtrer selon des préférences déclarées.

Étape 1 : partir du niveau réel

Tout parcours adapté commence par un diagnostic : questions, mises en situation ou exercices courts qui établissent ce que la personne sait déjà faire. Ce point de départ évite deux erreurs coûteuses : faire repasser l'apprenant sur ce qu'il maîtrise, et le placer face à un contenu trop éloigné de son niveau pour être assimilé. Les données existantes (entretien professionnel, formations suivies) peuvent compléter le diagnostic, sans le remplacer, car elles décrivent ce qui a été suivi et non ce qui a été acquis.

Étape 2 : construire la suite à partir de l'écart

À partir de l'écart entre le niveau mesuré et les compétences visées, le système ordonne les notions à travailler en respectant les prérequis. Deux personnes qui ont le même objectif ne suivent pas le même parcours : l'une commence plus loin, l'autre doit d'abord combler une lacune sur une notion de base.

Étape 3 : ajuster la difficulté et l'ordre à chaque réponse

À chaque réponse, le système met à jour son estimation et décide de la suite : avancer, proposer un exercice plus difficile, revenir sur un prérequis, donner un indice ou un exemple résolu. La finesse de cet ajustement compte. Dans la revue de VanLehn (2011), les systèmes qui réagissent à chaque étape du raisonnement obtiennent un effet de 0,76 écart-type par rapport à l'absence de tutorat, contre 0,31 pour ceux qui ne réagissent qu'à la réponse finale.

Étape 4 : faire revenir les notions au bon moment

Une notion acquise n'est pas acquise pour toujours. Le système la fait revenir après un délai, puis un délai plus long. Cepeda et al. (2008) ont montré, sur plus de 1 350 personnes, que l'intervalle optimal entre deux révisions dépend de la durée pendant laquelle on veut retenir : de 20 à 40 % de ce délai pour un test à une semaine, de 5 à 10 % pour un test à un an. Calculer ces intervalles pour chaque personne et chaque notion n'est pas réalisable à la main pour un groupe entier.

Pourquoi l'IA doit faire travailler, et non répondre à la place

Se forcer à rappeler une information la consolide davantage que la relire : c'est l'effet de test, mis en évidence notamment par Roediger et Karpicke (2006). Un outil qui pose des questions, demande d'appliquer et fait expliquer exploite cet effet. Un outil qui fournit des réponses bien rédigées donne une impression de compréhension sans produire d'apprentissage durable.

Deux essais contrôlés récents illustrent cet écart :

• Bastani et al. (PNAS, 2025) ont donné accès à GPT-4 à près de 1 000 lycéens turcs pendant des séances d'exercices de mathématiques. Avec une interface de type ChatGPT, les résultats aux exercices augmentaient de 48 %, mais à l'examen passé sans IA, ces élèves obtenaient 17 % de moins que le groupe témoin. Une version conçue pour guider sans donner la réponse évitait cette baisse, sans améliorer pour autant les résultats à l'examen.
• Kestin et al. (Scientific Reports, 2025) ont comparé, auprès de 194 étudiants de physique de Harvard, un tuteur IA construit sur des principes pédagogiques précis et un cours en classe fondé sur l'apprentissage actif. Les gains médians étaient plus de deux fois supérieurs avec le tuteur IA, pour un temps médian de 49 minutes contre 60 en classe. Les auteurs soulignent que le tuteur reposait sur des consignes et des réponses rédigées par des experts.

Le rôle d'un agent conversationnel dans un parcours est développé dans Comment un agent IA accompagne un apprenant sans le remplacer.

Ce que cela change pour l'apprenant

L'apprenant ne repasse pas sur ce qu'il sait déjà, travaille à un niveau de difficulté qui lui demande un effort sans le décourager, et voit sa progression exprimée en compétences acquises plutôt qu'en pourcentage de modules ouverts. Il garde la main : il peut poser ses questions, demander une autre explication, consulter sa progression.

Les limites à connaître

• La cible doit être définie. L'adaptation ne compense ni un référentiel flou ni des évaluations mal construites.
• La mise en œuvre fait le résultat. La méta-analyse de Kulik et Fletcher (2016) trouve un effet médian de 0,66 écart-type sur 50 évaluations de systèmes de tutorat intelligent, mais des effets faibles lorsque le système était mal implémenté.
• Les preuves sont inégales selon les sujets. Elles sont solides sur les domaines structurés et évaluables, plus rares sur les compétences comportementales, où l'évaluation humaine reste nécessaire. Voir Ce que l'IA ne peut pas faire en formation.
• Le contexte compte. L'adaptation ne règle ni le manque de temps ni l'absence d'occasion d'appliquer ce qui a été appris.
• Les données sont personnelles. Les niveaux mesurés relèvent du RGPD : voir RGPD et formation.