Introduction

Le digital learning entre en 2026 dans une nouvelle phase de maturité.

Pendant plusieurs années, les débats ont surtout porté sur l’adoption des plateformes, la digitalisation des parcours et l’arrivée de l’intelligence artificielle dans la formation professionnelle. Désormais, ces sujets ne sont plus nouveaux. Ils sont devenus opérationnels.

On ne cherche plus à savoir si les organisations vont intégrer l’IA dans leurs dispositifs de formation, mais si elles seront capables de le faire de manière cohérente, fiable, mesurable et soutenable.

C’est l’un des principaux enseignements du rapport State of Learning Technologies 2026, publié par Scheer IMC avec Moweb Research. L’étude s’appuie sur les réponses de 420 décideurs L&D issus de grandes organisations en Europe, en Amérique du Nord et en Asie-Pacifique. Elle offre une photographie utile des transformations à l’œuvre dans les grandes entreprises et met en lumière les nouvelles attentes vis-à-vis des technologies de formation.

Plusieurs tendances fortes se dégagent :

• l’IA devient un sujet d’intégration, de gouvernance et de confiance
• les écosystèmes technologiques se rationalisent autour d’un socle central
• les investissements se déplacent des plateformes vers les capacités
• la mesure progresse vers les compétences et la performance
• l’apprentissage s’intègre de plus en plus dans le travail quotidien
• l’engagement repose davantage sur l’utilité que sur les effets de mode

Pour les responsables formation, les directions L&D et les éditeurs de logiciels, ces évolutions imposent un changement de posture. Il ne suffit plus d’ajouter une nouvelle fonctionnalité, une nouvelle plateforme ou une nouvelle couche d’IA. Il faut démontrer que l’ensemble répond à un besoin réel, s’intègre dans les pratiques et produit des résultats vérifiables.

L’IA n’est plus une innovation : elle devient un enjeu d’exécution

La première tendance est probablement la plus structurante.

L’intelligence artificielle a quitté la phase des annonces pour entrer dans celle de l’exécution. Les organisations ne cherchent plus seulement à tester des assistants, des outils auteurs ou des fonctions de personnalisation. Elles cherchent désormais à les intégrer dans leurs systèmes existants et à les déployer à l’échelle.

C’est précisément à ce moment que les difficultés apparaissent.

L’intégration technique, la qualité des données, la sécurité, la conformité réglementaire, la fiabilité des contenus produits et la supervision humaine deviennent les principaux points de friction.

Autrement dit, le sujet IA change de nature. Il n’est plus seulement pédagogique ou technologique.

Il devient également :

• organisationnel ;
• juridique ;
• éthique ;
• stratégique ;
• opérationnel.

Pour les équipes L&D, cela signifie qu’il faut sortir d’une logique d’expérimentation isolée. Utiliser un outil d’IA dans un projet pilote est relativement simple.

En revanche, généraliser son usage suppose de répondre à des questions beaucoup plus exigeantes :

• quelles données peuvent être utilisées ?
• quelles productions doivent être vérifiées ?
• quels usages sont acceptables ?
• qui porte la responsabilité finale ?
• comment informer les apprenants ?
• comment éviter les biais ou les hallucinations ?
• comment garantir une supervision humaine effective ?

L’IA ne peut donc plus être pensée comme un simple accélérateur de production.

Elle doit être intégrée dans un cadre de confiance.

Pour les éditeurs, cette évolution change également les critères de valeur. Une fonctionnalité IA ne suffit plus à différencier une solution. Les clients attendent désormais des garanties sur la transparence, la sécurité, la gouvernance, la traçabilité et le contrôle humain.

Ce que les responsables L&D doivent retenir

Avant de déployer une fonctionnalité IA, il devient nécessaire de formaliser :

• les usages autorisés ;
• les responsabilités ;
• les règles de vérification ;
• les modalités de supervision humaine ;
• les exigences de protection des données ;
• les critères de sélection des fournisseurs.

L’IA devient ainsi un sujet de gouvernance de la formation.

La rationalisation des outils devient une priorité stratégique

Pendant plusieurs années, le marché du digital learning s’est développé par accumulation.

Les entreprises ont ajouté successivement :

• un LMS ;
• des outils auteurs ;
• des classes virtuelles ;
• des bibliothèques de contenus ;
• des outils d’analytics ;
• puis des solutions IA.

Cette logique d’empilement a progressivement créé des écosystèmes complexes, parfois redondants et difficiles à piloter.

Le rapport montre qu’en 2026, les organisations cherchent désormais à retrouver de la cohérence.

Le LMS reste la colonne vertébrale de l’écosystème. Autour de ce socle viennent s’ajouter des couches complémentaires :

• des outils d’analyse ;
• des solutions de gestion des compétences ;
• des fonctionnalités de personnalisation ;
• des outils de création assistée par IA ;
• des dispositifs d’apprentissage intégrés au travail.

La tendance n’est donc pas à la disparition du LMS, mais à son recentrage. Il devient le point d’ancrage d’un environnement plus vaste.

Pour les directions L&D, l’enjeu consiste à éviter deux écueils.

Le premier est la multiplication des solutions sans véritable stratégie d’ensemble.

Le second est la dépendance excessive envers un seul outil qui prétendrait tout faire.

La bonne approche consiste plutôt à construire une architecture cohérente dans laquelle chaque solution possède un rôle précis.

Il faut notamment clarifier :

• quel outil centralise les données ?
• quel outil porte les parcours ?
• où se trouve le référentiel de compétences ?
• quelles solutions alimentent le reporting ?
• quelles fonctionnalités sont réellement utilisées ?
• quelles solutions font doublon ?
• quels outils peuvent être supprimés ?

Cette rationalisation possède également une dimension économique et environnementale.

Un écosystème plus simple réduit :

• les coûts de licence ;
• les besoins d’intégration ;
• les efforts de maintenance ;
• les risques de sécurité ;
• la dispersion des données ;
• la charge cognitive des utilisateurs.

Pour les éditeurs, cela implique de mieux démontrer la place de leur solution dans l’écosystème du client.

La valeur ne réside plus seulement dans l’étendue fonctionnelle, mais dans la capacité à s’intégrer facilement, à échanger des données et à simplifier les usages.

Ce que les éditeurs doivent retenir

Une solution learning crédible en 2026 doit pouvoir expliquer clairement :

• à quel problème elle répond ;
• avec quels systèmes elle s’intègre ;
• quelles données elle produit ;
• comment elle contribue à la mesure ;
• comment elle évite les doublons ;
• comment elle réduit la complexité opérationnelle.

Les investissements se déplacent des plateformes vers les capacités

Une autre évolution majeure concerne la nature des investissements. Les organisations ne cherchent plus prioritairement à remplacer leurs plateformes. Elles cherchent à renforcer certaines capacités spécifiques.

Les investissements se concentrent notamment sur :

• la création de contenus assistée par IA ;
• le coaching augmenté ;
• la gestion des compétences ;
• la personnalisation ;
• l’analytics ;
• l’automatisation des workflows.

Cette évolution confirme que le marché entre dans une phase d’optimisation.

Les entreprises ont déjà largement digitalisé leurs dispositifs. Leur priorité consiste désormais à améliorer la vitesse, la pertinence et la mesure.

Pour les responsables L&D, cela signifie qu’un nouvel investissement technologique doit être justifié par une amélioration concrète.

Par exemple :

• réduire le temps de création ;
• améliorer la qualité des contenus ;
• personnaliser les parcours ;
• identifier plus rapidement les écarts de compétences ;
• automatiser des tâches administratives ;
• faciliter l’accès aux ressources ;
• améliorer le reporting.

L’achat d’une technologie ne peut plus être présenté comme une finalité. Il doit être relié à une capacité précise.

Cette logique est particulièrement importante pour les éditeurs. Une promesse générique telle que « améliorer l’expérience apprenant » devient insuffisante.

Les acheteurs attendent désormais des preuves plus concrètes :

• quel temps est réellement gagné ?
• quelle tâche est automatisée ?
• quelle donnée devient exploitable ?
• quel indicateur est amélioré ?
• quelle décision devient plus rapide ou plus fiable ?

L’innovation technologique doit être traduite en bénéfices opérationnels.

Vers des investissements plus sélectifs

Cette tendance peut conduire les entreprises à réduire le nombre de fournisseurs tout en augmentant les exigences vis-à-vis de chacun. Les solutions retenues devront démontrer leur utilité dans la durée.

Les projets les plus crédibles seront ceux qui s’appuient sur :

• un cas d’usage clairement défini
• un périmètre limité au départ
• des indicateurs de réussite
• un plan d’intégration
• un accompagnement au changement
• une gouvernance explicite

La mesure quitte progressivement les métriques d’activité

Le digital learning a longtemps été évalué à travers des indicateurs simples :

• nombre d’inscriptions ;
• taux de complétion ;
• score au quiz ;
• durée de connexion ;
• satisfaction à chaud.

Ces données restent utiles, mais elles ne suffisent plus.

Le rapport montre une évolution vers des indicateurs davantage orientés vers :

• la progression des compétences ;
• la productivité ;
• la réduction des écarts de compétences ;
• la performance ;
• les résultats business.

Cette transition est essentielle. Un taux de complétion élevé ne signifie pas nécessairement que la formation a produit un changement.

De même, un bon score de satisfaction ne prouve pas qu’une compétence a été acquise ou qu’un comportement a évolué.

Les équipes L&D doivent donc changer la nature des questions qu’elles posent.

Cette évolution suppose de relier plusieurs catégories de données :

• données d’apprentissage ;
• données de compétences ;
• données RH ;
• données opérationnelles ;
• indicateurs métiers.

C’est précisément là que se situe l’une des principales difficultés. Les données sont souvent dispersées entre plusieurs systèmes.

Le LMS mesure la consommation de formation. Le SIRH contient les données collaborateurs. Les outils métiers suivent la performance.

Le référentiel de compétences est parfois géré dans un autre environnement.

Sans connexion entre ces sources, il devient difficile de démontrer un impact réel.

Le rôle croissant des éditeurs

Les éditeurs doivent désormais dépasser le simple reporting d’activité.

Ils doivent permettre aux clients de :

• relier les apprentissages à des compétences ;
• visualiser les évolutions ;
• exporter les données ;
• intégrer les indicateurs métiers ;
• construire des tableaux de bord utiles aux décideurs ;
• éviter les traitements manuels.

La mesure devient ainsi une fonction structurante du learning ecosystem.

Le développement des compétences devient l’axe central de la stratégie L&D

Le rapport confirme une tendance de fond : la formation est de plus en plus pilotée à partir des compétences.

Les organisations cherchent à mieux identifier :

• les compétences disponibles ;
• les compétences manquantes ;
• les compétences émergentes ;
• les besoins par métier ;
• les écarts entre les rôles actuels et futurs.

Cette orientation répond à un contexte de transformation accélérée.

L’intelligence artificielle, l’automatisation, la data et les évolutions réglementaires modifient trop rapidement les métiers.

Les plans de formation figés deviennent donc moins adaptés.

Les organisations doivent pouvoir ajuster leurs priorités en continu.

Mais la gestion des compétences reste difficile à mettre en œuvre.

Les principales difficultés portent sur :

• la cartographie
• l’actualisation des référentiels
• l’évaluation du niveau réel
• la mise en relation avec les bons parcours
• la mesure de la progression
• le lien avec les objectifs business

Les entreprises construisent parfois des référentiels très détaillés sans parvenir à les utiliser dans les décisions quotidiennes.

Une stratégie compétences utile doit rester opérationnelle.

Elle doit permettre de répondre à des questions concrètes :

• quelles compétences sont prioritaires ?
• pour quels métiers ?
• à quel niveau ?
• avec quel écart ?
• par quel dispositif ?
• avec quelle preuve de progression ?

Le rôle de l’IA dans la gestion des compétences

L’IA peut jouer un rôle important dans ce domaine.

Elle peut aider à :

• analyser des fiches de poste ;
• détecter des compétences émergentes ;
• proposer des correspondances ;
• recommander des parcours ;
• personnaliser les contenus ;
• accélérer l’actualisation des référentiels.

Mais là encore, la supervision humaine reste indispensable.

Une compétence ne peut pas être réduite à un simple mot-clé détecté dans un document.

Elle doit être contextualisée, observée et reliée à l’activité réelle.

Le blended learning devient le modèle de fonctionnement dominant

Le débat entre présentiel et distanciel perd progressivement de sa pertinence.

Les organisations ne cherchent plus à choisir un format unique. Elles cherchent à combiner plusieurs modalités en fonction du besoin.

Le blended learning devient ainsi un modèle d’organisation plus qu’un simple format pédagogique.

Un parcours peut désormais associer :

• des contenus en autonomie ;
• des sessions synchrones ;
• de la pratique ;
• du coaching ;
• du feedback ;
• de l’apprentissage entre pairs ;
• des ressources accessibles dans le travail.

Cette évolution répond à une réalité simple :

l’apprentissage ne se produit pas uniquement pendant une session de formation.

Il se construit dans le temps.

La qualité d’un dispositif dépend donc de sa capacité à articuler les différentes séquences.

Un bon parcours doit créer une continuité pédagogique.

Chaque modalité doit répondre à une fonction :

• préparer ;
• comprendre ;
• pratiquer ;
• échanger ;
• appliquer ;
• consolider ;
• mesurer.

L’apprentissage dans le flux de travail

Le rapport met également en avant la progression de l’apprentissage intégré au travail quotidien.

Cette approche consiste à rendre les ressources disponibles au moment du besoin.

Elle peut prendre la forme de :

• tutoriels courts ;
• aides contextuelles ;
• assistants IA ;
• guides pratiques ;
• communautés ;
• ressources embarquées dans les outils métiers.

L’apprentissage devient alors moins visible, mais plus utile.

L’engagement repose davantage sur l’utilité que sur les artifices

L’un des enseignements les plus intéressants du rapport concerne l’engagement.

Pendant longtemps, les acteurs du digital learning ont cherché à améliorer l’engagement grâce à :

• la gamification ;
• les badges ;
• les classements ;
• les récompenses ;
• les animations ;
• les effets visuels.

Ces leviers peuvent être utiles dans certains contextes. Mais ils ne remplacent pas la pertinence du contenu.

Le rapport montre que les facteurs les plus importants sont beaucoup plus simples :

• intégrer l’apprentissage dans le travail ;
• personnaliser les parcours ;
• impliquer les managers ;
• créer des boucles de feedback ;
• proposer des ressources pertinentes.

L’engagement vient d’une meilleure adéquation entre le besoin, le moment et la ressource.

Cette conclusion devrait conduire les équipes L&D à revoir certaines pratiques de conception.

Avant d’ajouter une nouvelle animation ou une mécanique ludique, il est utile de se demander :

• la ressource répond-elle à un besoin réel ?
• est-elle accessible au bon moment ?
• est-elle assez courte ?
• est-elle compréhensible ?
• peut-elle être appliquée rapidement ?
• le manager soutient-il son utilisation ?

L’engagement est d’abord une conséquence de l’utilité.

IA responsable et sobriété : deux exigences qui vont devenir indissociables

Les tendances décrites dans le rapport renforcent directement deux enjeux : l’usage responsable de l’IA et la sobriété des dispositifs de formation.

L’accélération de la production de contenus par l’IA peut donner l’illusion que produire davantage coûte moins cher.

En réalité, elle peut aussi entraîner :

• une multiplication des ressources ;
• une baisse de la qualité ;
• des contenus redondants ;
• des besoins de vérification plus importants ;
• davantage de stockage ;
• davantage de maintenance ;
• une surcharge pour les apprenants.

Le sujet ne consiste donc pas seulement à produire plus vite.

Il consiste à produire de manière plus juste.

C’est précisément dans cette logique que s’inscrivent les deux labels portés par l’INLR.

ETHIC’IA : maintenir le contrôle humain et la fiabilité

Le label ETHIC’IA vise à structurer un usage responsable de l’intelligence artificielle dans la formation.

Il s’intéresse notamment à :

• la supervision humaine ;
• la transparence ;
• la qualité des contenus générés ;
• la vérification ;
• la protection des données ;
• la maîtrise des risques ;
• la compétence des équipes.

Cette approche répond directement aux préoccupations exprimées dans le rapport.

ECOLEARNING : réduire le superflu et renforcer l’utilité

Le label ECOLEARNING porte une autre exigence complémentaire.

Il vise à favoriser une conception plus sobre des formations.

Cela implique notamment de :

• limiter les contenus inutiles ;
• choisir des formats adaptés ;
• favoriser la réutilisation ;
• anticiper la maintenance ;
• réduire les redondances ;
• centrer la conception sur l’utilité pédagogique.

Dans un contexte où l’IA facilite la production, cette discipline devient encore plus importante.

La capacité à produire ne doit pas devenir une obligation de produire.

Ce que les responsables L&D doivent prioriser en 2026

À la lecture du rapport, plusieurs priorités se dégagent.

1. Clarifier l’architecture technologique

Les organisations doivent identifier :

• le socle principal ;
• les outils réellement utilisés ;
• les redondances ;
• les flux de données ;
• les besoins d’intégration.

2. Encadrer les usages de l’IA

Une charte ou une politique d’usage devient nécessaire.

Elle doit définir :

• les usages autorisés ;
• les règles de vérification ;
• les responsabilités ;
• les données interdites ;
• les critères de sélection des fournisseurs.

3. Relier formation et compétences

Chaque parcours doit être associé à un objectif de compétence identifiable.

Cela permet de mieux :

• prioriser ;
• personnaliser ;
• mesurer ;
• ajuster.

4. Réduire la production inutile

Avant de créer une nouvelle ressource, il faut vérifier :

• si elle existe déjà ;
• si elle est nécessaire ;
• si elle sera utilisée ;
• si elle peut être maintenue ;
• si un format plus simple serait suffisant.

5. Renforcer la mesure d’impact

Les équipes L&D doivent progressivement intégrer des indicateurs plus proches du travail réel :

• autonomie ;
• délai de montée en compétence ;
• erreurs ;
• qualité ;
• productivité ;
• application ;
• évolution des compétences.

6. Impliquer les managers

Le manager reste l’un des principaux leviers de transfert.

Sans soutien managérial, les apprentissages restent souvent déconnectés de la pratique.

Conclusion

Les tendances digital learning 2026 montrent une évolution claire.

• Le marché ne cherche plus seulement à digitaliser davantage.
• Il cherche à mieux intégrer, mieux mesurer et mieux gouverner.
• L’intelligence artificielle occupe une place centrale, mais elle ne constitue pas une solution autonome.
• Elle doit être encadrée, vérifiée et reliée à des objectifs précis.
• Les plateformes restent importantes, mais leur valeur dépend de leur capacité à s’intégrer dans un écosystème cohérent.
• Les contenus restent nécessaires, mais leur quantité ne doit plus être confondue avec leur qualité.
• La mesure progresse, mais elle doit encore mieux relier apprentissage, compétences et performance.

En 2026, les organisations les plus avancées seront celles qui sauront utiliser la technologie avec discernement.

Cela suppose :

• de préserver le contrôle humain ;
• de garantir la fiabilité ;
• de concevoir des parcours réellement utiles ;
• de réduire les contenus superflus ;
• de démontrer les résultats.

C’est dans cette logique que s’inscrit la marketplace du learning responsable portée par l’INLR.

Son objectif est d’aider les équipes L&D, les organismes de formation et les décideurs à identifier plus facilement des outils cohérents avec leurs priorités.

Au-delà des fonctionnalités, le choix d’une solution doit désormais intégrer d’autres critères :

• la protection des données ;
• la transparence des usages de l’IA ;
• le maintien d’un contrôle humain ;
• l’accessibilité ;
• la sobriété numérique ;
• la souveraineté ;
• la capacité à s’intégrer dans un écosystème existant ;
• l’utilité réelle pour les apprenants et les équipes.

La marketplace vise ainsi à rendre ces critères plus lisibles et à faciliter la comparaison entre les solutions.

Elle ne remplace pas l’analyse du besoin ni le travail de sélection. Elle fournit un premier niveau de repérage pour réduire la complexité du marché, éviter les choix uniquement guidés par la nouveauté technologique et orienter les équipes vers des outils alignés avec leurs valeurs.

Dans un environnement où l’offre logicielle devient toujours plus abondante, cette capacité à choisir avec discernement devient stratégique.

Les organisations les plus avancées ne seront pas celles qui disposeront du plus grand nombre d’outils.

Elles seront celles qui auront sélectionné les solutions les plus adaptées à leurs usages, à leurs contraintes et à leurs engagements.

Découvrez la marketplace du learning responsable et identifiez les outils qui correspondent aux valeurs et aux priorités de votre organisation.