Adaptive learning : comment personnaliser les parcours à grande échelle

Dans un réseau de 400 magasins, deux vendeuses suivent le même module sur la nouvelle gamme. L'une travaille dans l'entreprise depuis six ans et connaît déjà les trois quarts des arguments. L'autre est arrivée il y a trois semaines et découvre le vocabulaire produit. Elles reçoivent pourtant exactement le même parcours, dans le même ordre, avec la même durée. La première s'ennuie dès la deuxième question, la seconde décroche à la sixième. Le contenu est identique, les besoins ne le sont pas.

C'est le problème que l'adaptive learning cherche à résoudre : ajuster ce que l'on propose à chaque apprenant selon ce qu'il sait déjà, ce qu'il a raté et ce qu'il oublie. Sur le papier, l'idée est ancienne. En pratique, elle a longtemps été réservée aux dispositifs lourds, à gros budget et à forte volumétrie de contenus. Or les équipes terrain, qui disposent de quelques minutes entre deux clients ou deux interventions, sont celles pour qui la personnalisation compte le plus et qu'elle sert le moins.

Reste une vraie question de fond : comment personnaliser sans transformer chaque parcours en projet sur mesure ? Comment le faire pour 50, 500 ou 5 000 personnes sans multiplier le travail des équipes formation ? Nous verrons d'abord ce que recouvre vraiment l'adaptive learning et ce qu'il n'est pas, puis les mécanismes simples qui permettent de le déployer à grande échelle. Nous terminerons par les conditions pour qu'il tienne dans la durée sur le terrain, et par la manière dont une plateforme mobile peut le porter.

‍

Comprendre ce que recouvre l'adaptive learning

‍

Une définition qui part de l'apprenant, pas du contenu

L'adaptive learning désigne une approche dans laquelle le parcours évolue en fonction des réponses et du comportement de l'apprenant. Au lieu de dérouler une séquence unique, le dispositif observe ce qui est maîtrisé, ce qui ne l'est pas, et décide de ce qui doit être proposé ensuite : repasser sur une notion fragile, sauter ce qui est acquis, espacer ou rapprocher une révision.

Cette définition a une conséquence importante : l'adaptation ne se juge pas à la sophistication de la technologie, mais à la décision qu'elle prend pour l'apprenant. Un algorithme complexe qui ne change rien à ce que la personne voit n'a rien d'adaptatif. À l'inverse, un mécanisme très simple qui ramène devant l'apprenant les questions qu'il a ratées, au bon moment, relève bien de cette logique.

On confond souvent adaptive learning et personnalisation au sens large. La personnalisation peut se limiter à l'interface, au prénom affiché ou au choix d'une thématique. L'adaptation, elle, agit sur le chemin d'apprentissage lui-même. Les deux sont complémentaires, mais seule la seconde modifie réellement ce que l'apprenant retient.

‍

Trois niveaux d'adaptation, du plus simple au plus ambitieux

Il est utile de distinguer ce que l'on peut adapter, car tous les niveaux n'exigent pas le même investissement. Le premier niveau concerne la remédiation : après une session, l'apprenant rejoue les questions qu'il a manquées. Le deuxième concerne le rythme : les contenus reviennent plus ou moins vite selon la facilité avec laquelle ils ont été maîtrisés. Le troisième concerne l'orientation : le dispositif choisit la prochaine notion à travailler en fonction du profil, du métier ou du niveau de départ.

Dans la pratique, la plupart des organisations gagnent déjà beaucoup avec les deux premiers niveaux. Le troisième suppose un référentiel de compétences fin, une bibliothèque de contenus suffisamment large et des données fiables sur chaque personne. Ce sont des conditions que peu d'équipes réunissent d'emblée, et rien n'oblige à commencer par là.

Pour s'y retrouver, le tableau ci-dessous compare ces trois niveaux selon ce qu'ils demandent et ce qu'ils apportent.

‍

Ce que la personnalisation par l'IA change, et ce qu'elle ne change pas

L'intelligence artificielle donne un nouvel élan à ces approches, notamment pour recommander des contenus ou repérer des profils en difficulté. Nous avons détaillé ces possibilités dans notre article sur l'intelligence artificielle et le mobile learning, inutile donc de les reprendre ici.

Un point mérite cependant d'être posé clairement. L'IA peut proposer, elle ne peut pas compenser un contenu mal conçu ni un apprenant qui n'ouvre jamais l'application. Une adaptation brillante sur un parcours que personne ne suit ne produit aucun effet. C'est pourquoi la question de l'usage réel, du rythme de connexion et de l'envie de revenir doit rester au centre, avant même le choix des mécanismes d'adaptation.

‍

Déployer l'adaptation sans multiplier les parcours sur mesure

‍

Partir de la mémoire plutôt que des profils

Beaucoup de projets de personnalisation commencent par segmenter : créer des profils, des niveaux, des filières, puis un parcours par case. Cette logique devient vite ingérable. Chaque nouveau contenu doit être décliné, chaque mise à jour répétée, et l'équipe formation se retrouve à maintenir une arborescence qui grossit plus vite que les usages.

Une approche plus robuste consiste à partir de ce que l'apprenant oublie ou rate, plutôt que de ce qu'il est. Le parcours reste unique, mais ce qui revient devant la personne dépend de ses propres réponses. Deux collaborateurs suivent la même campagne et se retrouvent pourtant, au bout de quelques jours, avec des révisions différentes. Ce principe s'appuie sur les mêmes ressorts que ceux décrits dans notre article sur la répétition espacée : revenir sur une notion juste avant qu'elle ne s'efface.

L'avantage pour l'organisation est considérable. Un seul contenu à produire, mille trajectoires individuelles. Le travail de l'équipe formation reste centré sur la qualité des questions et des explications, pas sur la fabrication de variantes.

‍

Rejouer ses erreurs : le mécanisme le plus simple et le plus efficace

La remédiation après session est probablement le mécanisme d'adaptation qui offre le meilleur rapport entre effort et résultat. Le principe est simple : à la fin d'une session, l'apprenant se voit proposer de rejouer les questions auxquelles il n'a pas bien répondu. Il ne repasse pas par l'ensemble du module, il retravaille uniquement ce qui lui a échappé.

Cette boucle courte a plusieurs effets. Elle transforme l'erreur en occasion de progresser plutôt qu'en sanction, ce qui compte beaucoup pour des équipes qui n'ont pas toujours un rapport serein à l'évaluation. Elle donne aussi l'impression d'un parcours qui répond à la personne, ce qui renforce l'envie de revenir. Enfin, elle s'intègre naturellement dans un format de quelques minutes : rejouer trois ou quatre questions ratées prend moins de temps que de refaire un module entier, et c'est précisément ce que permet un usage mobile entre deux tâches.

Il y a toutefois un piège à éviter. Si la remédiation est vécue comme une punition ou comme un passage obligé qui rallonge la séance, elle sera contournée. La façon de la présenter, son design visuel et le sentiment de progression qu'elle procure pèsent autant que le mécanisme lui-même.

‍

Faire grandir le niveau d'ambition par étapes

Plutôt que de viser d'emblée l'orientation automatique des parcours, il est plus réaliste de monter en gamme progressivement. Une première étape consiste à installer la remédiation et à mesurer son usage : combien d'apprenants rejouent leurs erreurs, sur quels contenus, avec quel résultat. Cette phase permet de repérer les questions mal formulées et les notions qui posent problème à tout le monde, ce qui est déjà une information précieuse pour l'équipe formation.

Une deuxième étape consiste à exploiter ces données pour ajuster le rythme et la fréquence des rappels sur les notions les plus fragiles. Ce n'est qu'ensuite, quand le référentiel de compétences est stabilisé et que la bibliothèque de contenus est suffisante, que l'on peut envisager d'orienter les parcours selon le profil. Cette progression évite de lancer un chantier lourd dont les bénéfices ne seraient visibles qu'au bout de plusieurs mois, et elle permet de valider à chaque étape que les équipes terrain suivent.

‍

Faire tenir l'adaptation dans la durée sur le terrain

‍

Les conditions d'usage qui comptent plus que l'algorithme

Sur le terrain, un dispositif adaptatif échoue rarement pour des raisons techniques. Il échoue parce que l'apprenant ne l'ouvre pas, ou ne l'ouvre qu'une fois. Trois conditions font la différence. La première est la brièveté : si une session dépasse quelques minutes, elle entre en concurrence avec le quotidien opérationnel et perd. Le principe est détaillé dans notre guide complet du microlearning.

La deuxième condition est la régularité. L'adaptation repose sur l'historique des réponses : plus l'apprenant revient souvent, plus le dispositif est précis. Des rituels courts et réguliers, rythmés par des notifications bien dosées, valent mieux que de grandes sessions espacées. La troisième est la motivation à revenir, qui ne se décrète pas. Les mécaniques de jeu, les classements d'équipe, les défis entre collègues jouent ici un rôle direct : elles créent l'envie de rouvrir l'application même quand rien n'y oblige.

Autrement dit, l'adaptive learning est un multiplicateur. Il amplifie l'effet d'un dispositif déjà engageant, mais il ne remplace pas l'engagement.

‍

Les indicateurs pour savoir si l'adaptation fonctionne

Mesurer l'adaptation suppose de regarder au-delà du taux de complétion. Les premiers indicateurs utiles sont des indicateurs d'usage : la part des apprenants qui rejouent leurs questions ratées, la fréquence de retour sur l'application, le temps moyen par session. Si la remédiation est peu utilisée, il faut revoir sa mise en avant avant de remettre en cause le principe.

Viennent ensuite les indicateurs de progression : l'évolution du taux de bonnes réponses sur une même notion au fil des sessions, le nombre de notions passées de fragiles à maîtrisées, la dispersion des résultats entre équipes ou sites. Ce dernier point est particulièrement parlant pour un responsable de réseau, car il révèle les zones où un coup de projecteur est nécessaire. Pour structurer cette lecture, notre article sur les 9 KPI pour piloter les projets de formation propose un cadre de départ.

Enfin, il est prudent de garder un regard qualitatif. Quelques échanges avec des managers de proximité ou des apprenants suffisent souvent à comprendre pourquoi une notion reste fragile ou pourquoi une consigne n'est pas comprise. Les chiffres signalent, le terrain explique.

‍

Comment SPARTED porte l'adaptive learning au quotidien

SPARTED est une plateforme de mobile learning, pas un organisme de formation : son rôle est de fournir l'outil qui permet à vos équipes de former, informer et engager vos collaborateurs en quelques minutes par jour. Dans cette logique, le module d'Adaptive Learning permet aux joueurs de rejouer les questions échouées après chaque session, avec un nouveau design visuel pensé pour rendre ce moment engageant plutôt que scolaire. C'est une première brique vers une expérience plus personnalisée et plus immersive, qui s'appuie sur ce qui compte le plus en pratique : un parcours unique pour tous, et une remédiation propre à chacun.

Côté pilotage, le Back Office et ses analytics permettent aux responsables de suivre l'adoption, de repérer les questions qui mettent le plus d'apprenants en difficulté et de lire les résultats par équipe ou par site. L'application mobile apporte quant à elle ce qui conditionne l'usage : des sessions courtes, une dimension de jeu et un esprit d'équipe qui donnent envie de revenir. Ces leviers s'inscrivent dans les cas d'usage de performance, par exemple pour ancrer les arguments de vente d'une nouvelle gamme dans un réseau de magasins, sans demander à chaque vendeur de repasser par un module qu'il maîtrise déjà.

‍