Qu’est-ce qui rend un employé « AI-ready » ?

Imaginez deux collègues : Sarah et Tom.

Sarah commence à expérimenter dès que son équipe reçoit un outil d'IA générative et, en quelques jours, elle a déjà regardé tous les tutoriels. Elle maîtrise les bases du « prompting » et montre à ses collègues comment cet outil peut leur faire gagner du temps dans leur travail quotidien. Tom, membre de la même équipe, se sent dépassé. Il prétend qu'il « n’a pas le temps de jouer », affirme que « l'IA fait trop d'erreurs » et déclare qu'il ne l'utilisera que « si cela devient obligatoire ». Après un premier essai maladroit, il laisse tomber l’outil d’IA.

La même organisation. Les mêmes outils. Le même accès. Et pourtant, une approche totalement différente. Ce n'est pas un hasard. La rapidité avec laquelle une nouvelle technologie est adoptée peut varier considérablement d'un employé à l'autre. Ce n'est pas une question d'âge, de formation ou même de motivation générale au travail : la plupart des gens reconnaîtront en eux des traits de Sarah comme de Tom. Il est important de ne pas interpréter ces différences comme un fossé entre ceux qui « savent » et ceux qui ne « savent pas » travailler avec l'IA. Elles reflètent plutôt des points de départ différents : l’accès à l’IA est ouvert à tous, mais tout le monde ne l’aborde pas de la même façon.

Le Passage des Compétences à la Psychologie

Bien que les compétences techniques jouent un rôle, la recherche scientifique confirme que ce que nous sommes (notre personnalité) (Seibert et al., 2021) et la rapidité avec laquelle nous traitons l'information (nos capacités cognitives) (Grassini et al., 2025) sont de puissants indicateurs d'une adoption réussie des technologies.

Cherchant à identifier les talents adéquats, certaines organisations se tournent vers des outils permettant de tester les compétences acquises en IA, comme le « prompting ». Cependant, cette approche revient à viser une cible mouvante. Les compétences acquises évoluent si rapidement que les tests de compétences en IA constituent rarement une base stable pour des décisions stratégiques à long terme. Au moment où un test spécifique à l'IA est pleinement validé, la technologie ainsi que les compétences associées sont souvent déjà obsolètes.

Ce qui reste stable, en revanche, ce sont les caractéristiques psychologiques sous-jacentes. Nous pouvons les mesurer de manière fiable grâce aux tests psychométriques classiques. Les Tools for Talent de Hudson combinent les résultats de différents outils (tels qu'un questionnaire de personnalité et des tests de raisonnement) de manière intelligente et pondérée. Ils permettent ainsi de définir quatre domaines clés essentiels qui, ensemble, constituent la Digital Learning Agility d'un individu. Les personnes qui obtiennent des scores élevés dans ces domaines possèdent la capacité d'adopter les nouvelles technologies rapidement et efficacement, tandis que ceux qui obtiennent des scores plus bas auront probablement besoin de plus de temps, de conseils et d'un soutien structuré.

Digital Learning Agility

Explorez avec nous les quatre domaines clés qui constituent le fondement du modèle Digital Learning Agility de Hudson, ainsi que leurs bases scientifiques.

1. Learning Ability : La puissance cognitive

Tout commence par la capacité cognitive pure : la Learning Ability. L’apprentissage réussi de nouvelles technologies va de pair avec le traitement et l’implémentation de nouveaux concepts. Ce processus est fortement influencé par les aptitudes cognitives de l’individu, telles que la mémoire de travail et la vitesse de traitement (Grassini et al., 2025). Dans notre modèle, nous mesurons cela via le Raisonnement Abstrait. Les systèmes d’IA sont souvent complexes et mystérieux. Les collaborateurs ont besoin de cette "puissance cognitive" pour reconnaître des schémas, comprendre des résultats ambigus et les intégrer dans leur travail.

• Impact sur le lieu de travail : Dans un paysage informationnel chaotique, la Learning Ability est le moteur de l'efficacité. Une grande capacité de réflexion cognitive agit comme un levier : ces personnes décryptent plus rapidement la logique de l'IA, ce qui leur permet de s'adapter prestement aux nouvelles technologies.
  
  

2. Agile Thinking: L’ouverture comme terreau fertile

L'agilité numérique naît de la curiosité pour l'inconnu et de l'adhésion au changement. Dans notre modèle, nous définissons cela comme l'Agile Thinking.

La recherche démontre que des traits tels que l'Amabilité (Agreeableness) sont souvent liés à l'acceptation des technologies établies. En revanche, l'Ouverture, l'un des facteurs de personnalité du Big Five, est le prédicteur le plus fort d'une attitude positive spécifiquement envers l'IA (Grassini et al., 2025). L'IA représente ici une frontière disruptive claire. Les professionnels obtenant un score élevé en Ouverture possèdent naturellement une mentalité tournée vers l'innovation et le changement : ils abordent l'IA comme un instrument à explorer plutôt que comme une menace (Kovbasiuk et al., 2025).

• Impact sur le lieu de travail : La curiosité intellectuelle est le maître-mot. Les employés dotés d'une attitude Agile Thinking marquée n'attendent pas de manuel d'utilisation ; ils aiment expérimenter de nouveaux outils et utilisent une pensée « out-of-the-box » pour découvrir comment la technologie peut transformer leurs tâches quotidiennes.
  
  

3. Critical Thinking : Le chemin vers la confiance

Une idée reçue courante veut que la confiance en l’IA soit synonyme de foi aveugle en la machine : en réalité, une telle approche ne mène qu’à la déception. C’est pourquoi nous identifions comme troisième domaine clé le Critical Thinking : la combinaison d'une personnalité critique et d'une solide capacité de raisonnement logique trace la voie vers une adoption réussie des nouvelles technologies.

La recherche montre que les employés accordent davantage de confiance aux systèmes d’IA lorsqu'ils découvrent activement par eux-mêmes les limites des outils, telles que les hallucinations ou les contraintes techniques (Übellacker, 2025). L'expérience pratique des frontières du système s'avère ici essentielle : pour accorder une confiance effective à l'IA, les utilisateurs doivent non seulement comprendre ce que l'outil peut faire, mais aussi ce qu'il ne peut pas faire (Glikson & Woolley, 2020). De cette manière, les utilisateurs évoluent d'une dépendance aveugle vers des attentes réalistes.

• Impact sur le lieu de travail : Nous avons besoin de professionnels capables d'analyser et d'évaluer objectivement les résultats de l'IA, ce qui définit le domaine du Critical Thinking. Ce rôle de « human-in-the-loop » garantit que les résultats de l'IA sont validés, éthiquement responsables et correctement intégrés dans le contexte de l'entreprise.
  
  

4. Growth Mindset : L’antidote à l’anxiété liée à l’IA

L'adoption de l'IA s'accompagne nécessairement d'obstacles : c'est là que le Growth Mindset (état d'esprit de croissance) devient crucial. Nos recherches montrent que la Stabilité Émotionnelle joue un rôle clé dans le maintien de cet état d'esprit.

Des niveaux élevés de névrosisme (l'opposé de la stabilité émotionnelle) sont systématiquement corrélés au « technostress » et à « l’anxiété liée à l’IA » (Symasek et al., 2025), tandis que le sentiment d'auto-efficacité (Self-Efficacy) offre une protection contre ces incertitudes (Montag et al., 2023). Les professionnels dotés d'une grande stabilité émotionnelle possèdent la résilience nécessaire pour faire face à l'imprévisibilité de l'IA. Lorsqu'un prompt échoue, ils ne paniquent pas ; ils persévèrent.

• Impact sur le lieu de travail : Un véritable Growth Mindset va bien au-delà de la simple volonté d'utiliser un outil. Il requiert la stabilité émotionnelle nécessaire pour rester positif et la persévérance pour ne pas se laisser décourager par les revers. Combinée à l'ambition de maîtriser de nouvelles tâches, cette résilience aide les employés à transformer le « technostress » potentiel en une détermination à développer de nouvelles expertises.

Transformer l'Insight en Impact : le Modèle en Action

Le framework Digital Learning Agility de Hudson offre une base solide pour dépasser l’approche "one-size-fits-all" de la transformation numérique. En appliquant ces perspectives, les organisations peuvent élaborer des stratégies de talent sur mesure, tant pour le recrutement que pour le développement interne.

Identifiez vos Champions AI   

Lors de la sélection, ce framework offre un point d'appui clair pour identifier les talents prêts pour l'avenir. En se concentrant sur les individus présentant une Digital Learning Agility élevée, les organisations peuvent attirer leurs "AI champions" — ces "Sarah" qui assument un rôle de pionnier, servent de mentors à leurs collègues et stimulent l'implémentation organique de nouveaux outils grâce à leur curiosité naturelle et leur agilité cognitive.

Un soutien sur mesure

Pour les équipes existantes, ces perspectives permettent de dessiner une feuille de route de soutien sur mesure. Un résultat en retrait sur une compétence spécifique n'est en rien une sentence finale, mais plutôt un indicateur pour ajuster l'approche. De même, les early adopters ont besoin d'un cadre approprié pour canaliser leur enthousiasme et maximiser leur impact.

• Offrir une structure : Là où une "Sarah" s'épanouit dans l'expérimentation, un "Tom" peut avoir besoin d'un environnement très structuré, de directives claires étape par étape et de la sécurité psychologique nécessaire pour surmonter ses hésitations et incertitudes initiales. En prévoyant, au niveau du management, des plages de temps dédiées à l'expérimentation, on augmente les chances de voir les "Tom" s'approprier l'IA tout aussi efficacement.
  
  
• Développement ciblé : Si la résistance provient du domaine clé du Critical Thinking, le développement peut se concentrer sur les techniques de validation. S'il s'agit d'un défi lié au Growth Mindset, la priorité se déplace vers la mise en place d'une sécurité psychologique et d'une approche « human-in-the-loop » claire : ainsi, les employés se sentent suffisamment en confiance pour expérimenter, sans craindre l'échec.
  
  
• Stimuler la collaboration : Une bonne connaissance de ces profils permet de composer les équipes de manière stratégique : associer des profils à haut potentiel avec des collègues nécessitant davantage d'accompagnement favorise une culture d'apprentissage peer-to-peer. De cette manière, les « Sarah » renforcent également leurs propres compétences en matière de mentorat, de réflexion et de transfert de connaissances.

Conclusion : Une Vision holistique du Talent

Bien que l’état de préparation à l’IA de l’organisation — incluant la stratégie, l’alignement métier et l’infrastructure technologique — soit un pilier vital, cela ne constitue qu'une partie de l'équation. En effet, il existe des disparités majeures entre les employés quant à l’enthousiasme et la rapidité avec lesquels ils adoptent l’IA.

Comprendre ces différences individuelles ne consiste pas à décider qui a sa place ou non dans le futur du travail, mais à s'assurer que chacun dispose d'un parcours accessible pour y parvenir.

Curieux de savoir comment ces perspectives peuvent transformer votre stratégie de talent ? Contactez-nous sans engagement.

Références

Glikson, E. and Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14 (2):627–660.

Grassini, S., Oltedal Thorp, S., Sævild Ree, A., Sevic, A., & Cipriani, E. (2025). Distinct predictors of positive attitudes toward artificial intelligence and general technology: big five traits, gender, and age. Behaviour & Information Technology.

Kovbasiuk, A., Triantoro, T., Przegalińska, A., Sowa, K., Ciechanowski, L., & Gloor, P. (2025). The personality profile of early generative AI adopters: a big five perspective. Central European Management Journal, 33 (2), 252-264.

Montag, C., Kraus, J., Baumann, M., & Rozgonjuk, D. (2023). The propensity to trust in (automated) technology mediates the links between technology self-efficacy and fear and acceptance of artificial intelligence. Computers in Human Behavior Reports, 11.

Seibert, D., Godulla, A., & Wolf, C. (2021). Understanding How Personality Affects the Acceptance of Technology: A Literature Review. Working paper.

Symasek, L., Yeazitzis, T., Weger, K., & Mesmer, B. (2025). Recent Developments in Individual Difference Research to Inform the Adoption of AI Technology. Systems, 13 (3), 156.

Übellacker, T. (2025). Making sense of AI limitations: how individual perceptions shape organizational readiness for AI adoption. arXiv preprint.