Perspective
L'IA peut construire le cours. Ce n'était jamais la partie la plus difficile.
L'IA réduit rapidement la distance entre une idée et un artefact d'apprentissage fini. Mais une production plus rapide ne résout pas la question plus difficile : construisons-nous la bonne solution au bon problème ?
Nous avons atteint le point où l'IA peut produire presque tous les composants visibles d'un cours eLearning.
Donnez-lui un sujet et elle peut développer le plan. Donnez-lui du matériel source et elle peut écrire le storyboard, générer les visuels, créer la narration, construire les interactions, rédiger l'évaluation et emballer le tout pour un LMS.
Ce qui nécessitait autrefois plusieurs outils spécialisés et des semaines de production peut de plus en plus être accompli grâce à une collection d'invites, de plateformes d'IA et de flux de travail automatisés.
C'est une réalisation technique remarquable.
Ce n'est pas non plus la percée dont l'apprentissage et le développement ont le plus besoin.
Nous réduisons la mauvaise distance
Une grande partie de la conversation sur l'IA dans notre profession se concentre sur la rapidité avec laquelle nous pouvons passer de « Je sais ce que je veux enseigner » à « Le cours est en ligne ».
L'espace entre ces deux déclarations devient dramatiquement plus petit. Des storyboards qui prenaient autrefois des jours peuvent être produits en quelques minutes. Des interactions qui nécessitaient une expertise en développement peuvent être générées à partir d'une description. Les voix off ne nécessitent plus de session d'enregistrement. Même l'emballage technique et le déploiement d'un cours peuvent être automatisés.
D'un point de vue production, c'est un progrès.
Mais la distance la plus importante en conception d'apprentissage n'est pas celle entre avoir du contenu et publier un cours.
C'est la distance entre « Nous avons un problème » et « Nous comprenons ce qui le cause réellement ».
Le travail le plus difficile et le plus conséquent se fait avant que le premier prompt demande à l'IA de créer quoi que ce soit.
Le flux de travail commence par une hypothèse non testée
« Je sais ce que je veux enseigner » semble être un point de départ raisonnable. Dans de nombreuses organisations, c'est le point de départ.
Un intervenant identifie les informations que les gens doivent connaître. Une demande d'apprentissage est soumise. Le concepteur pédagogique organise le contenu, rédige des objectifs, crée des activités, construit une évaluation et publie le cours final.
Le processus semble fonctionner car il produit quelque chose de tangible.
Mais commencer par ce que nous voulons enseigner signifie que plusieurs décisions importantes ont peut-être déjà été prises sans suffisamment d'examen. Nous avons supposé que l'enseignement est nécessaire. Nous avons supposé qu'un manque de connaissances ou de compétences cause le problème. Nous avons supposé qu'un cours est la bonne intervention. Nous avons supposé que le contenu demandé est pertinent pour le travail. Nous avons supposé que publier quelque chose dans le LMS aidera les gens à performer différemment.
Ces hypothèses existaient bien avant l'IA générative. L'IA nous permet simplement de les transformer en artefacts d'apprentissage polis beaucoup plus rapidement.
La question manquante
Avant de demander à l'IA de construire le cours, nous devrions nous demander si le problème de performance nécessite vraiment un cours.
L'artefact n'est pas le résultat
L'apprentissage et le développement ont passé des décennies à décrire leur travail à travers des livrables.
Nous construisons des cours, des vidéos, des aides à l'emploi, des simulations, des ateliers et des évaluations. Nous suivons les inscriptions, les achèvements, la satisfaction et les scores. Nos plateformes sont organisées autour du contenu, et nos processus sont souvent conçus pour faire avancer ce contenu vers la publication.
En conséquence, il est facile de confondre la production d'un artefact d'apprentissage avec la solution d'un problème de performance.
Un cours peut être magnifiquement conçu et pourtant être inutile. Un scénario ramifié peut être interactif et pourtant pratiquer les mauvaises décisions. Un contrôle de connaissances peut produire des scores parfaits et ne rien nous dire sur la performance au travail. Un paquet SCORM peut fonctionner exactement comme prévu et pourtant ne pas changer un seul comportement significatif.
Rien de tout cela ne rend les artefacts intrinsèquement mauvais. Leur valeur dépend simplement de la qualité des décisions qui les ont façonnés.
Avant de commencer à construire, nous devons comprendre ce que les gens sont censés faire, ce qu'ils font aujourd'hui et ce qui les empêche de combler cet écart.
Le problème est-il vraiment un manque de connaissances ? Ou les employés travaillent-ils dans un processus défaillant ? Les attentes sont-elles floues ? Les outils nécessaires sont-ils difficiles à utiliser ? Les incitations récompensent-elles le mauvais comportement ? Les managers renforcent-ils une priorité différente ? Des informations critiques sont-elles indisponibles au moment où elles sont nécessaires ?
Un cours ne peut pas résoudre toutes les barrières de performance.
Générer le cours plus rapidement ne change pas cela.
Une production sans effort peut amplifier de mauvaises décisions
L'IA change l'économie de la production de contenu. Des storyboards, des scripts, des illustrations, des voix off, des interactions, des évaluations et du code fonctionnel peuvent désormais être générés en une fraction du temps.
Cela crée d'énormes opportunités pour les équipes d'apprentissage. Cela crée également un nouveau risque.
Lorsque les cours deviennent plus faciles à produire, les organisations peuvent en créer davantage sans devenir plus sélectives sur ceux qui devraient exister. Chaque mise à jour de politique peut devenir un module. Chaque demande d'intervenant peut devenir un cours. Chaque préoccupation de performance peut être dirigée vers le LMS car le coût de dire oui semble avoir diminué.
Mais le véritable coût d'un cours inefficace n'a jamais été limité aux heures nécessaires pour le construire.
Il y a le temps de l'apprenant. Il y a le temps opérationnel détourné du travail. Il y a l'attention consommée par un contenu qui peut ne pas être pertinent. Il y a le fardeau de maintenance créé par un autre actif. Il y a la fausse confiance qui vient de taux d'achèvement élevés. Il y a le coût d'opportunité de ne pas s'attaquer à la véritable barrière.
L'IA peut réduire le coût de production, mais elle n'élimine pas les conséquences de la résolution du mauvais problème.
Elle peut en fait rendre ces conséquences plus faciles à multiplier.
L'opportunité est plus grande que la production de cours automatisée
Le rôle le plus passionnant de l'IA dans la conception d'apprentissage peut ne pas être de générer l'artefact final.
Il peut s'agir de nous aider à améliorer les décisions qui le précèdent.
L'IA devrait nous aider à interroger une demande avant de la satisfaire. Elle devrait nous aider à examiner les preuves derrière un écart de performance perçu. Elle devrait nous aider à distinguer entre un problème de connaissance, un problème de compétence, un problème environnemental et un problème de motivation. Elle devrait nous aider à relier les besoins commerciaux aux comportements observables et ces comportements à une pratique significative.
Elle devrait remettre en question des objectifs qui ne peuvent pas être observés. Elle devrait identifier des évaluations qui mesurent la mauvaise chose. Elle devrait révéler quand un scénario ne ressemble pas à la pression, à l'ambiguïté ou aux conséquences du travail réel. Elle devrait nous aider à déterminer si les apprenants ont besoin d'instruction, de pratique, de rétroaction, de soutien à la performance, de changements de flux de travail ou d'une combinaison de ceux-ci.
Plus important encore, elle devrait nous aider à reconnaître quand un cours n'est pas nécessaire.
Cette version de l'IA ne rend pas seulement les concepteurs pédagogiques plus rapides. Elle les aide à devenir plus rigoureux.
De meilleurs outils nécessitent des concepteurs plus solides.
À mesure que l'IA prend en charge davantage de travaux de production, le rôle du designer pédagogique devient plus stratégique, pas moins important.
Les designers devront devenir de meilleurs formulateurs de problèmes. Ils devront reconnaître quand une demande d'apprentissage repose sur une hypothèse. Ils devront relier les objectifs organisationnels à des comportements spécifiques et des preuves crédibles. Ils devront concevoir des pratiques qui reflètent de vraies décisions plutôt que de décorer le contenu avec des interactions.
Ils devront également penser au-delà des limites d'un cours et considérer le système complet entourant la performance.
Si nous continuons à positionner le design pédagogique principalement comme la capacité à convertir du contenu en cours, l'IA apparaîtra compréhensiblement comme remplaçant une grande partie de ce travail.
Si nous définissons le design d'apprentissage comme la pratique de diagnostic des besoins de performance, de conception de pratiques significatives, de soutien au transfert et de mesure du changement, alors l'IA devient quelque chose de différent.
Elle devient un puissant partenaire de production au sein d'une discipline de design beaucoup plus vaste.
L'IA peut rédiger le storyboard. Elle peut générer l'interaction. Elle peut écrire le code. Elle peut créer la voix off. Elle peut emballer le cours.
Mais elle ne peut pas sauver une solution construite autour du mauvais problème.
Nous devrions relever la barre.
Un cours fonctionnel généré par un flux de travail IA est une démonstration impressionnante de la direction que prend la technologie.
Nous devrions en tirer des leçons. Nous devrions expérimenter avec. Nous devrions considérer comment cela pourrait rendre notre travail plus rapide et plus accessible.
Mais « C'est en direct dans le LMS » ne peut pas rester notre définition du succès.
L'avenir du design d'apprentissage ne devrait pas être mesuré par la rapidité avec laquelle nous pouvons passer du contenu au cours. Il devrait être mesuré par la qualité des décisions que nous prenons avant que quoi que ce soit ne soit construit.
Avons-nous identifié le véritable problème de performance ? Avons-nous déterminé si l'apprentissage était nécessaire ? Avons-nous défini le comportement qui devait changer ? Avons-nous créé des opportunités significatives de pratique ? Avons-nous abordé les conditions entourant le travail ? Avons-nous fourni un soutien au moment du besoin ? Quelque chose s'est-il amélioré après l'expérience ?
L'IA peut nous aider à répondre à ces questions, mais seulement si nous lui demandons de faire plus que construire.
L'avenir du design d'apprentissage ne sera pas déterminé par qui peut générer le plus de cours ou qui peut déplacer le contenu dans un LMS le plus rapidement. Il sera déterminé par qui peut utiliser des outils de plus en plus puissants pour prendre de meilleures décisions sur ce dont les gens ont réellement besoin.
L'IA peut construire le cours. Ce n'était jamais la partie la plus difficile.
Learning Rewired Lab
Utilisez l'IA pour améliorer la réflexion, pas seulement pour accélérer la construction.
Le Lab est l'espace de travail professionnel complet pour transformer une demande d'apprentissage en une solution de performance défendable. Remettez en question la demande, examinez le système, concevez la réponse et planifiez les preuves dans un projet connecté.
Remettez en question la demande, examinez le système et concevez pour la performance avant que la production ne commence.
- Un enregistrement de projet connecté
- Demande et diagnostic de performance
- Outils d'apprentissage orientés produit
- Flux de travail de conception assistés par IA
- Application pratique en milieu de travail