Face à ça, un formateur a le réflexe de vérifier ce qu'il vérifiait avant : est-ce que ça tourne, est-ce que les tests passent. Ce point de contrôle validait autrefois un apprentissage. Aujourd'hui il valide surtout la capacité à recopier une réponse générée en dix secondes.
La bonne nouvelle, c'est que la présence de ces outils dans ta salle ne détruit pas ton métier de formateur. Elle le déplace. Voici une méthode qui tient debout en 2026, sans bannir l'IA ni la laisser tout faire à ta place.
Le point de contrôle qui ne contrôle plus rien
Prends une session type sur un CRUD en PHP ou en Python. Un apprenant te rend un exercice propre : les quatre opérations fonctionnent, l'affichage est correct, aucune erreur dans la console. Sur le papier, il a réussi.
Tu lui demandes alors de renommer une variable utilisée à trois endroits, puis d'ajouter une validation sur un champ email. Il bloque. Pas sur la difficulté du code, sur le fait qu'il ne sait pas quelle ligne fait quoi. Le programme marche, mais il n'appartient à personne dans la salle.
Ce scénario, tu le croises désormais chaque semaine. Le vibecoding est entré dans les salles de formation en même temps que dans les entreprises. Un apprenant peut produire du code fonctionnel très au-dessus de son niveau réel, et ton indicateur habituel ne fait plus la différence entre celui qui a compris et celui qui a copié.
Un code qui tourne ne prouve plus qu'un apprenant sait coder. Il prouve qu'il sait demander.
Le risque est concret : tu formes des gens qui sortent avec un portfolio flatteur et un vide sous les pieds. Au premier entretien technique, où on leur tend un bout de code cassé à réparer en pensant à voix haute, l'illusion tombe. C'est exactement le type de situation décrit dans notre article sur l'entretien technique junior en 2026.
Le principe : évaluer le jugement, pas la production
Une IA générative produit vite et se trompe avec aplomb. Elle invente une fonction qui n'existe pas, mélange deux versions d'une librairie, propose une solution qui marche pour le cas nominal et casse sur les bords. Elle le fait sans jamais douter à voix haute.
Un apprenant équipé d'un tel outil ressemble à un chef d'équipe qui reçoit le travail d'un stagiaire brillant et bavard, capable de pondre cent lignes en une minute, mais qui affirme des choses fausses avec la même assurance que les vraies. Le métier de ce chef d'équipe n'est plus d'écrire chaque ligne. C'est de relire, de tester, de rejeter ce qui ne tient pas.
Ta méthode de formation suit le même glissement. Tu arrêtes d'évaluer la seule capacité à produire un résultat, parce que la machine la produit à la demande. Tu évalues trois choses que la machine ne fournit pas toute seule : la capacité à expliquer un code, à le modifier sans le casser, et à repérer quand il ment.
Ce déplacement a un effet secondaire utile. Il rend visible ce qui restait flou avant l'IA, quand on pouvait croire qu'un exercice terminé signifiait un concept acquis. La distinction entre suivre un cours et savoir construire un projet, que nous détaillons dans le syndrome du tutoriel infini, devient mesurable en séance.
La méthode en séance, étape par étape
1. Construire le modèle mental sans IA, d'abord
Un concept nouveau se pose écran d'IA fermé. Boucles, portée des variables, requête HTTP, structure d'une base de données : la première rencontre avec une notion se fait à la main, quitte à être lente et maladroite. Un apprenant qui a écrit une boucle infinie et compris pourquoi elle tournait à vide garde une trace que dix générations automatiques ne laissent pas.
Cette phase dure le temps que le modèle mental tienne. Elle n'a pas besoin d'être longue, elle a besoin d'être réelle. Tu la termines quand l'apprenant sait dessiner au tableau ce que fait son code, pas seulement le lancer.
2. Ouvrir l'IA pour la vitesse, avec une contrainte
Une fois la base posée, tu autorises l'outil pour ce qu'il fait de mieux : accélérer le travail répétitif, générer un squelette, rappeler une syntaxe oubliée. La contrainte qui change tout : chaque ligne générée doit pouvoir être expliquée par l'apprenant avant d'être conservée.
En pratique, tu passes derrière un poste, tu pointes une ligne au hasard dans un fichier généré, et tu demandes ce qu'elle fait et ce qui se passe si on la retire. La réponse te dit en dix secondes si la personne pilote son code ou si elle le subit.
3. Faire du debug de code généré un exercice central
Voici l'exercice qui remplace avantageusement le classique "code cet algo depuis zéro". Tu prends une IA, tu lui fais générer une fonction avec un bug discret : un décalage d'indice, une comparaison qui devrait être stricte, une condition qui ne couvre pas le cas vide. Tu donnes ce code aux apprenants et tu leur demandes de trouver et corriger la faille.
Cet exercice entraîne la compétence qui compte le plus en 2026 : lire du code qu'on n'a pas écrit et repérer ce qui cloche. C'est la compétence quotidienne d'un développeur en poste, et elle ne s'acquiert pas en écrivant, seulement en relisant.
4. Ancrer le tout dans un projet fil rouge
Un projet réel, mené sur toute la durée de la formation, absorbe les trois étapes précédentes. L'apprenant y pose des bases sans IA, accélère certaines parties avec, et corrige en continu le code qu'il ne maîtrise pas encore. Trois projets solidement finis en fin de parcours pèsent plus lourd qu'une pile de tutoriels à moitié terminés, sur un CV comme dans une tête.
Cette logique de progression par la pratique rejoint les habitudes qui font progresser un développeur plus vite, et c'est le socle de notre approche pédagogique chez LaPolaris.
Un cas concret sur une matinée de formation
Séance sur la consommation d'une API REST, groupe de reconversion. Première heure écran fermé : tu fais construire à la main une requête vers une API publique, tu montres le corps de la réponse en JSON, tu fais afficher trois champs. Les apprenants tâtonnent sur la syntaxe, c'est le but.
Deuxième heure, IA autorisée. Tu leur demandes de générer une fonction qui récupère et affiche une liste complète, avec gestion des erreurs. Le code sort en quelques secondes. Tu passes dans les rangs, tu pointes la ligne qui gère le cas où l'API ne répond pas, et tu demandes ce qui se passe si tu la supprimes. Ceux qui savent répondre ont pris possession du code. Les autres, tu les récupères là, pendant que le sujet est chaud.
Troisième temps, le piège tendu. Tu fournis une version générée où la pagination est mal gérée : la fonction ne récupère que la première page et personne ne s'en rend compte parce que le jeu de test tient sur une page. La consigne est simple : faites-la fonctionner sur mille éléments. Ceux qui débuggent à la main trouvent. Ceux qui redemandent à l'IA obtiennent parfois la correction, parfois une nouvelle erreur, et apprennent au passage que l'outil ne remplace pas le fait de comprendre le problème.
Les pièges qui plombent une formation en 2026
Bannir l'IA de la salle
Interdire ces outils forme des gens à un métier qui n'existe plus. Dès leur premier poste, on attendra d'eux qu'ils travaillent avec un assistant. Les priver en formation revient à retarder l'apprentissage réel, pas à le protéger. C'est une position que je défends sans nuance.
Tout laisser faire à la machine
Le versant inverse fait autant de dégâts. Un apprenant qui génère tout sans jamais poser une base à la main sort avec la sensation de savoir et l'incapacité de faire. La contrainte d'explication existe pour couper court à cette illusion.
Croire la sortie de l'IA sur parole
Ce piège te concerne aussi, en tant que formateur. Si tu génères tes propres supports sans les relire ligne à ligne, tu transmets les erreurs de l'outil avec ton autorité de formateur dessus. Vérifie ce que tu montres avant de le montrer.
Ne pas mettre à jour tes propres réflexes
Les modèles évoluent vite. Ce que Claude ou Copilot produisait il y a six mois n'est plus ce qu'ils produisent aujourd'hui, et tes exercices calibrés sur l'ancienne version deviennent triviaux ou hors sujet. Retester régulièrement tes propres consignes avec les outils du moment fait partie du travail.
Ce que ça change dans ton suivi individuel
Avant l'IA, un formateur repérait les décrochages à l'oeil nu : l'apprenant coincé sur son écran, la fenêtre restée sur la même erreur pendant vingt minutes, la main levée. Ces signaux existent encore, mais ils se raréfient. Un apprenant qui décroche peut aujourd'hui masquer son décrochage en générant du code qui avance à sa place, sans jamais lever la main.
Ton suivi doit donc aller le chercher plus tôt. Une petite question posée en passant, une demande de reformulation orale, un exercice court sans filet en début de séance : ces sondages réguliers valent mieux qu'une grosse évaluation en fin de module qui arrive trop tard pour rattraper quoi que ce soit. Trois personnes sur un groupe de dix peuvent avoir l'air à niveau sur leurs rendus tout en ayant perdu pied deux séances plus tôt.
Le rythme de tes retours compte autant que leur contenu. Un commentaire sur un code généré doit porter sur la compréhension, pas sur la syntaxe que l'outil a déjà réglée. Au lieu de corriger une indentation, tu demandes pourquoi telle structure a été choisie plutôt qu'une autre. La conversation se déplace vers le raisonnement, et c'est là que tu récupères les apprenants avant qu'ils ne s'installent dans une fausse aisance.
Cette attention rapprochée demande du temps et une taille de groupe raisonnable. Un formateur qui gère trente personnes à distance sans point de contact individuel ne verra pas passer les décrochages silencieux, quels que soient ses supports. Le suivi personnalisé n'est pas un luxe pédagogique en 2026, il devient le seul moyen fiable de savoir qui a compris.
Monter en compétence sur l'IA en tant que formateur
Enseigner avec ces outils suppose de savoir toi-même comment ils fonctionnent, pas seulement de savoir les faire tourner. Comprendre pourquoi un modèle invente une fonction, comment cadrer une demande pour obtenir un résultat exploitable, où sont ses angles morts : ces réflexes se travaillent.
Si tu veux structurer cette partie, notre formation Prompt Engineering pour API LLM pose les bases du dialogue avec ces modèles, et celle sur la création d'une application IA en Python montre ce qui se passe sous le capot. Pour les organismes et entreprises qui veulent former leurs équipes internes à cette pédagogie, nous intervenons aussi en formation intra-entreprise.
