Le contexte 2026 rend la mesure beaucoup plus concrète
En juin 2026, la DINUM, la DITP et la DGAFP ont publié un guide interministériel d’usage de l’IA destiné aux agents de l’État. Il rappelle notamment la responsabilité de l’agent, la protection des données sensibles, la transparence et la nécessité de se former. [1] L’État déploie parallèlement un socle d’IA et des outils communs. [2] La mesure 2.13 peut donc s’insérer dans une stratégie déjà opérationnelle plutôt que créer un programme isolé.
La DGAFP a également engagé un accord-cadre sur le déploiement de l’IA dans la fonction publique et publie des ressources pour accompagner la formation. [3] Le nombre de 400 000 reste toutefois une cible du Plan ; il ne doit pas être présenté comme un besoin officiel déjà établi. Le premier travail est de définir quels métiers et niveaux de compétence justifient ce volume.
Créer quatre niveaux de compétence
Le niveau 1 est une acculturation courte pour comprendre limites, confidentialité, hallucinations, droit d’auteur et responsabilité. Le niveau 2 porte sur les usages bureautiques et métier : synthèse, recherche, rédaction assistée, classification ou extraction. Le niveau 3 forme des référents capables d’évaluer un cas d’usage, la qualité des données et les risques. Le niveau 4 concerne les spécialistes qui conçoivent, auditent ou exploitent les systèmes.
Le terme « diplômante » doit être opérationnalisé. Tous les agents n’ont pas besoin d’un diplôme long ; le Plan peut prévoir une certification reconnue pour le socle et des diplômes universitaires ou titres plus approfondis pour les référents et spécialistes. Cette architecture évite de payer 400 000 parcours lourds tout en donnant une preuve de compétence vérifiable.
Relier chaque formation à un cas d’usage et à un garde-fou
La plateforme Mentor propose déjà des formations d’acculturation à l’IA pour les agents publics. [4] la présente édition ajoute une règle : aucun parcours métier n’est validé sans exercice sur un cas réel ou réaliste et sans évaluation des risques. Un agent qui utilise l’IA pour préparer une réponse administrative doit savoir distinguer assistance et décision, vérifier les sources et protéger les données.
Les métiers à fort impact — justice, santé, contrôle, ressources humaines, sécurité — reçoivent des modules renforcés sur la traçabilité, le contrôle humain et le cadre européen. Les outils autorisés par l’administration sont utilisés pendant la formation pour éviter que les agents apprennent sur des services grand public incompatibles avec les exigences de sécurité.
Mesurer le rendement sans promettre une économie magique
Le coût comprend heures de formation, formateurs, plateforme, certification, remplacement temporaire des agents et outils. Les gains doivent être évalués sur des tâches précises : temps moyen avant/après, qualité, taux d’erreur, satisfaction et coût d’inférence. Une minute gagnée n’est pas automatiquement une économie budgétaire si elle est réaffectée à une mission plus utile.
Le programme publie donc trois résultats : compétences certifiées, gains de productivité observés et économies réellement encaissées. Cette séparation évite le double comptage avec la digitalisation 2.07 ou les réductions d’effectifs 2.09. La réussite de 2.13 est d’abord une administration capable d’utiliser l’IA de façon sûre et mesurable, pas un nombre de diplômes posé sur une affiche.
Transformer 400 000 formations en capacités opérationnelles mesurables
Le contexte 2026 fournit désormais un socle concret : l'État a publié un guide commun d'usage de l'intelligence artificielle et développe une stratégie interministérielle. [1] [2] La cible de 400 000 agents en cinq ans reste toutefois une cible politique du Plan ; elle ne doit pas être présentée comme un besoin officiel déjà établi. La première année doit donc servir à segmenter les populations : utilisateurs, agents métiers, chefs de projet, spécialistes données et responsables de contrôle.
Une formation crédible combine cas d'usage, droit, sécurité et mesure du résultat. L'agent doit savoir reconnaître une donnée sensible, vérifier une réponse, conserver la traçabilité de la décision et identifier les tâches qui exigent un contrôle humain. La négociation d'un accord-cadre IA dans la fonction publique montre que les questions d'organisation du travail et de garanties sociales sont désormais traitées au niveau national. [3] Le parcours doit donc être conçu avec les métiers et les représentants des agents, pas seulement comme une initiation à un outil.
La DGAFP et la plateforme Mentor disposent déjà de ressources de formation qui peuvent être industrialisées et complétées par des modules certifiants. [4] [5] Chaque cohorte devrait être reliée à un indicateur métier : temps de traitement, taux d'erreur, qualité de rédaction, détection d'anomalies ou satisfaction des usagers. Une formation sans cas d'usage mesuré reste une dépense pédagogique ; une compétence réellement intégrée au travail peut devenir un actif de transformation.
Mise en œuvre opérationnelle : du principe au dossier exécutable
Le contexte a fortement évolué : la DGAFP a ouvert en juin 2026 une négociation d’accord-cadre sur le déploiement de l’intelligence artificielle dans les trois versants de la fonction publique. La formation n’est donc plus une idée isolée. Delta-Sierra propose de transformer l’objectif de 400 000 agents en quatre niveaux de compétence, liés à des tâches concrètes et à des responsabilités différentes.
Chaque parcours doit se terminer par une mise en situation : synthèse documentaire, préparation d’un dossier, contrôle d’une sortie de modèle ou audit d’un risque. Une formation qui ne modifie aucune pratique n’est pas un résultat. Les agents exposés à des décisions juridiques reçoivent une formation renforcée sur validation humaine, protection des données, traçabilité et droit à la contestation. Les usages à faible risque peuvent être déployés plus rapidement mais restent soumis à des règles de sécurité et de confidentialité.
Plan A, Plan B, Plan C : continuer même si la voie principale bloque
Former par vagues les métiers où des cas d’usage validés existent déjà, avec mesure avant/après du temps et de la qualité.
Si les capacités de formation manquent, former d’abord des formateurs et référents internes, puis diffuser les modules communs.
Dans les métiers où le gain n’est pas démontré ou le risque trop élevé, limiter la formation à la culture générale et différer l’automatisation plutôt que forcer un usage artificiel.
Le repli doit rester fidèle à l’objectif sans prétendre que le véhicule principal a été adopté. Le nombre cible n’a de sens que si les niveaux de compétence sont séparés. Les étapes autonomes juridiquement et budgétairement sont donc exécutées en premier ; le solde est représenté seulement après mesure des effets, avec publication des transferts de coûts et des éventuelles dégradations de service.
Indicateurs, coût net et preuve de réussite
Le nombre de personnes formées est un indicateur de moyens. Les résultats doivent porter sur taux d’usage utile, temps gagné, erreurs, incidents, satisfaction des agents et abandon des outils non performants. Le coût de la formation reste un investissement tant qu’aucune dépense n’est effectivement évitée. Il ne doit pas être déduit d’une économie théorique d’intelligence artificielle sans preuve de redéploiement ou de non-remplacement.
Preuve au point d’usage : DGAFP — négociation IA dans la fonction publique, 30 juin 2026 ↗
Preuve au point d’usage : DINUM — numérique de l’État ↗
Règle de chiffrage
Investissement. Les gains ne sont comptés qu’après mesure des cas d’usage, du temps libéré et des coûts d’outils/inférence.
Le coût de transition — migrations, formation, immobilier, indemnités ou double fonctionnement — est publié séparément et n’est jamais masqué dans l’économie annuelle.
Former 400 000 agents à l’IA : passer d’un volume d’inscrits à une compétence démontrée
Trois niveaux de maîtrise plutôt qu’une formation unique
Les besoins ne sont pas les mêmes pour un agent qui utilise un assistant rédactionnel, un cadre qui valide une décision préparée par IA et une équipe qui construit un système. Le parcours doit donc distinguer culture générale, usage métier et expertise technique, avec contenus adaptés sur données sensibles, sécurité, droit d’auteur, hallucinations et responsabilité.
Le guide interministériel publié en 2026 fournit une base commune ; la formation doit ensuite être contextualisée par métier et par outils autorisés.
Capacité de formation et coût complet
Pour 400 000 personnes, le nombre d’heures devient un paramètre budgétaire majeur. Avec 14 heures moyennes, le volume représente 5,6 millions d’heures de formation. Il faut valoriser le temps agent, les formateurs, plateformes, évaluations et remplacement éventuel, puis comparer ce coût aux gains réellement observés dans les tâches ciblées.
Le calcul ne doit jamais assimiler une heure « gagnée » dans un exercice pédagogique à une économie de masse salariale : seule une réorganisation durable produit un effet budgétaire.
Certification courte mais probante
La validation peut reposer sur des cas pratiques : choisir l’outil autorisé selon la donnée, détecter une réponse non sourcée, rédiger une consigne, vérifier un résultat et expliquer quand l’humain doit reprendre la main. Le taux de réussite et les erreurs récurrentes doivent orienter les rappels de formation.
Un échantillon d’agents peut être réévalué six mois plus tard pour mesurer la conservation des réflexes plutôt que le simple taux de présence.
Cette mesure dans le système
La mesure 2.13 est un multiplicateur de 2.07 et 2.10 : elle doit rendre les agents capables d’utiliser les nouveaux outils et d’occuper des fonctions transformées. Les gains revendiqués au titre de l’IA ne seront toutefois comptés qu’une fois, dans la démarche où ils sont observés. Le budget de formation, les licences, la sécurité et le contrôle humain restent des coûts propres à 2.13 et doivent être déduits avant toute économie nette attribuée à la transformation numérique.
Approfondissement : Former 400 000 agents : distinguer acculturation, usage métier, contrôle et expertise
Le nombre cible n’a de sens que si les niveaux de compétence sont séparés. Une sensibilisation de quelques heures ne produit pas un expert, tandis qu’un agent utilisant régulièrement un assistant n’a pas besoin d’une formation d’ingénieur. Le parcours peut comporter quatre niveaux : règles communes, usage métier, conception/contrôle et expertise technique-juridique. Chaque niveau possède une évaluation observable.
Les formations existantes sont recensées pour éviter de payer deux fois le même contenu. Les agents dont le métier se transforme bénéficient de parcours de reconversion plus longs. Le coût est calculé à partir du nombre d’agents par niveau, de la durée, du coût pédagogique et du temps de travail mobilisé. L’économie associée n’est jamais la valeur de la formation : elle doit venir des gains métiers constatés dans les services utilisateurs.
Former à l’IA : distinguer culture, usage et responsabilité
Tous les agents n’ont pas besoin du même niveau. Une formation de base porte sur les limites, la confidentialité et la vérification ; une formation métier apprend à utiliser l’outil dans une procédure ; les référents apprennent à contrôler les résultats et les risques ; les experts construisent ou auditent les systèmes. Compter 400 000 certificats identiques masquerait ces différences.
Le programme national doit être relié à des cas d’usage déjà validés et à un environnement technique autorisé. Les agents doivent savoir quelles données ne peuvent pas être copiées dans un outil, quand une sortie doit être vérifiée et qui porte la décision. Les indicateurs portent ensuite sur usage utile, temps gagné, taux d’erreur et incidents. Le nombre de personnes formées est une donnée d’activité, pas une économie.
Approfondissement : former 400 000 agents à l’IA en partant des tâches réelles
Le volume de personnes formées ne doit pas devenir l’indicateur principal
Une formation massive peut produire peu de valeur si elle se limite à des conférences générales. Le programme doit partir des métiers : rédaction et synthèse, recherche documentaire, relation usager, contrôle, analyse de données, programmation ou gestion de dossiers. Chaque parcours définit des cas d’usage autorisés, les données qui ne doivent pas être introduites dans un outil, les vérifications humaines nécessaires et les limites connues des modèles.
Mesurer l’acquisition et l’usage
Un taux d’usage utile peut être écrit U = Aactifs ÷ Aformés × 100. U désigne la part des agents formés qui utilisent effectivement un outil validé dans un cas d’usage autorisé, Aactifs les utilisateurs actifs et Aformés les personnes ayant achevé le parcours. Le symbole ÷ signifie « divisé par » et × 100 convertit le ratio en pourcentage. Cet indicateur doit être complété par la qualité et le temps gagné.
Créer trois niveaux de compétence
Un socle général couvre confidentialité, hallucinations, traçabilité et bonnes pratiques. Un niveau métier apprend à construire des usages adaptés au service. Un niveau expert concerne l’évaluation, la sécurité, les données et l’intégration technique. Cette segmentation évite de donner la même formation à un agent d’accueil et à une équipe de data science.
Évaluer les gains et les incidents
Le tableau de bord doit suivre temps économisé, qualité des productions, taux de correction humaine, incidents de données, erreurs significatives et satisfaction. Une tâche ne doit être généralisée avec l’IA que si le gain est mesuré sans dégrader la fiabilité ni les droits des usagers. Le programme de 400 000 agents devient alors une transformation opérationnelle et non un compteur de certificats.
Notes et sources
- DINUM — Guide d’usage de l’IA pour les agents de l’État — source primaire/institutionnelle utilisée pour le cadre de la mesure.
- DGAFP — Accompagner et former les agents publics à l’IA — source primaire/institutionnelle utilisée pour le cadre de la mesure.
- DGAFP — négociation de l’accord-cadre IA, juin 2026 — source primaire/institutionnelle utilisée pour le cadre de la mesure.
- DGAFP — Accompagner et former les agents publics à l’IA — source primaire/institutionnelle utilisée pour le cadre de la mesure.
- Mentor — formations IA et données — source primaire/institutionnelle utilisée pour le cadre de la mesure.
