Comment construire des compétences fiables dans un monde chaotique

Il y a une erreur de raisonnement que font presque tous les autodidactes, et elle est d'autant plus piégeuse qu'elle ressemble à une vertu. Face à un domaine complexe, chaotique, difficile à maîtriser, l'instinct pousse à redoubler d'efforts. Travailler et consommer plus, comme si la quantité d'exposition finissait par compenser l'absence de structure du domaine.

Comme on l'a évoqué dans la newsletter de la semaine dernière, l'expérience brute ne suffit pas et peut même être piégeuse dans ce type d'environnement complexe (tu peux la retrouver ici). La question n'est donc pas "comment est-ce que j'apprends plus ?", mais "comment est-ce que je peux construire les conditions pour que la montée en compétence soit fiable ?"

Ce qui est structurellement absent dans la plupart des environnements d'apprentissage complexes, c'est un signal clair entre ce que tu fais et ce que ça produit.

Robin Hogarth a formalisé ça avec ce qu'il appelle le cadre des deux paramètres. Tout apprentissage repose sur deux contextes distincts :

1. le cadre L, celui où tu acquiers l'information
2. le cadre T, celui où tu vas l'appliquer

Plus ces deux contextes se ressemblent, plus le transfert est fiable. Plus ils divergent, plus on accumule une pseudo-compétence qui fonctionnera peut-être en entraînement, mais pas dans la situation réelle.

Ça veut dire que la qualité de ton apprentissage dépend moins de la quantité d'heures investies que de la distance entre comment tu apprends et comment tu vas utiliser ce que tu apprends. Dit plus simplement, "l'apprentissage est dépendant du contexte" (Daniel Willingham). Un consultant qui se forme sur des études de cas théoriques apprend dans un cadre L très éloigné du cadre T réel d'une réunion avec un client énervé et s'attendant à de meilleurs résultats.

Si ça n'a aucun sens de chercher à transformer un environnement chaotique complet car ça risque juste de nous décorréler de la réalité du terrain, on peut quand même avoir certaines stratégies pour nous faciliter le travail.

"Les connaissances restent souvent inertes : elles sont présentes, mais inutilisables dans des situations réelles."
David Perkins

Se concentrer sur ce que l'on peut contrôler

Je ne dis pas de chercher à fuir la complexité. C'est plutôt une invitation à l'ingénierie inverse.

• Tu ne peux pas rendre le marché financier prévisible
• Tu ne peux pas forcer les dynamiques humaines à suivre des règles stables
• Tu ne peux pas transformer la géopolitique en environnement simple et clair

Mais tu peux, sur les briques qui composent ta pratique, construire artificiellement les conditions d'un feedback fiable.

Hogarth lui-même propose une approche pour ça, et elle ressemble beaucoup à la méthode scientifique, de manière très simple :

• Formuler une hypothèse explicite sur ce que tu crois qu'il va se passer et pourquoi
• Agir
• Observer le résultat
• Réfléchir à l'écart entre ce que tu avais prédit et ce qui s'est produit
• Réviser, puis recommencer

Ce n'est pas une méthode pour éliminer l'incertitude. C'est une méthode pour ne pas laisser l'incertitude te priver d'apprentissage : tu évalues la qualité de ton raisonnement, pas uniquement la qualité du résultat. Autrement dit, tu fais en sorte de construire un feedback sur ce que tu contrôles, dans un contexte qui ne t'en donnera pas spontanément sur ce que tu ne contrôles pas.

En pratique, ça peut être aussi simple qu'un log de décisions :

→ avant chaque action importante, tu écris ce que tu attends, pourquoi, et avec quel niveau de confiance.

Et ensuite, tu confrontes (avec non pas avec l'objectif d'avoir 100% raison, mais de voir si ta façon de raisonner s'améliore, indépendamment des résultats).

Quelques stratégies supplémentaires en détail :

Réduire l'écart entre comment tu apprends et comment tu vas performer

C'est le levier le plus sous-estimé, et souvent le plus accessible. Si ton cadre L et ton cadre T divergent trop, la compétence que tu construis ne se transfèrera pas, même si elle est réelle dans ton contexte d'apprentissage.

Concrètement, ça veut dire rapprocher le plus possible les conditions d'entraînement des conditions réelles d'utilisation. Si tu veux prendre de meilleures décisions sous pression, entraîne-toi à décider sous contrainte plutôt que dans le confort d'une réflexion sans enjeu ou théorique. Si tu apprends une langue dans l'objectif d'avoir des conversations, entraîne-toi via des conversations (et non en te bourrant de vidéos sur la grammaire).

Ce principe s'applique aussi à l'échelle d'un projet entier. Beaucoup d'apprenants passent des mois dans un cadre L très protégé, à consommer, structurer, préparer, sans jamais exposer leur compétence au cadre T réel (moi le premier). Mais l'exposition réelle est au final le seul moyen de calibrer honnêtement où tu en es. Et plus on calibre vite et bien, plus on monte en compétence rapidement.

Pratiquer la maîtrise en série plutôt que la spécialisation linéaire

Il y a une logique dans l'approche polymathe qui va au-delà du plaisir d'explorer. Elle peut être cognitivement justifiée, et les environnements "wicked" en sont la raison principale.

La spécialisation profonde fonctionne bien dans les domaines stables, où les règles ne changent pas et où l'expérience s'accumule de manière fiable. Mais la majorité des domaines étant profondément chaotiques, une approche différente devient plus robuste : la maîtrise en série.

Le principe est simple :

• tu choisis un domaine ou une compétence
• tu t'y consacres profondément sur une période définie (plusieurs mois, ou une saison)
• tu atteins un niveau de maîtrise solide
• puis tu pivotes intentionnellement vers autre chose

Chaque nouveau domaine exploré enrichit ta bibliothèque de structures mentales, et cette bibliothèque est ce qui te permet de transférer des insights d'un contexte à un autre. C'est exactement ce que j'appelle organisation en Saisons dans mon propre système, incluant notamment des cycles d'explorations obsessionnelles, plutôt qu'une accumulation parallèle de demi-compétences.

Si tu veux creuser l'apprentissage en série et par projet, voilà 2 anciennes newsletters ici et là.

Évaluer le raisonnement, pas seulement le résultat

C'est sûrement la plus contre-intuitive des trois stratégies, parce qu'elle demande de découpler deux choses que notre cerveau associe naturellement : la qualité d'une décision et son résultat.

Dans un environnement avec des règles floues, un bon raisonnement peut produire un mauvais résultat, et un mauvais raisonnement peut produire un bon résultat. La chance, l'asymétrie d'information, le timing, et bien d'autres critères jouent un rôle trop important pour que le résultat seul soit un indicateur fiable de qualité. Si tu te fies uniquement aux résultats pour évaluer si tu progresses, tu vas inévitablement renforcer des patterns qui n'ont rien à voir avec ta compétence réelle.

La solution n'est pas d'ignorer les résultats, mais d'ajouter une couche d'évaluation sur ce que tu contrôles vraiment :

• la qualité de ton hypothèse initiale
• la solidité de ton raisonnement
• la pertinence des variables que tu avais identifiées

Autrement dit :

• est-ce que ta logique tenait ?
• est-ce que tu avais vu les bons facteurs ?
• est-ce que l'écart entre ton hypothèse et la réalité t'apprend quelque chose ?

Un investisseur qui perd de l'argent sur une bonne thèse mal timée peut apprendre une leçon importante. Un investisseur qui gagne de l'argent sur une mauvaise thèse chanceuse paiera sûrement un prix bien plus cher plus tard s'il n'améliore pas sa qualité décisionnelle.

"Kindifier" son apprentissage en 4 étapes

Puisque le monde ne se réorganisera pas pour te fournir un apprentissage propre, voilà la séquence pour le faire toi-même.

1. Identifier la nature réelle de ton domaine

Est-ce que la compétence que tu cherches à développer est fondamentalement apprenable par répétition ? La réponse te dit quel régime d'apprentissage appliquer.

2. Kindifier les briques fondamentales

Extraire les éléments qui peuvent être rendus fiables : les micro-compétences, les fondamentaux techniques, les heuristiques de base. Sur ces briques, appliquer les méthodes d'apprentissage classiques : répétition espacée, pratique délibérée, feedback immédiat.

3. Traiter le reste comme wicked par design

Pour les couches d'application réelle, arrêter de chercher la bonne réponse locale et commencer à viser la robustesse inter-contextes. C'est-à-dire tester dans des conditions variées, s'exposer à des situations que tu n'as pas préparées, évaluer la transférabilité. Si tu ne peux pas tout rendre simple, clair, et stable, autant t'entrainer dans l'environnement où tu veux performer.

4. Construire du meta-feedback

Puisque l'environnement ne te le donnera pas spontanément : noter les hypothèses avant d'agir, évaluer le raisonnement après, observer les patterns sur la durée. En gros, créer des retours d'information où et dès que tu peux.

Tu ne peux pas changer la nature chaotique de ton environnement, mais tu peux construire intentionnellement les conditions d'un apprentissage fiable à l'intérieur. Pour ça, réduire l'écart entre comment tu apprends et comment tu veux performer est souvent le levier le plus accessible, avec le fait de déconstruire une compétence pour stabiliser et clarifier l'apprentissage.

"L’apprentissage est le plus efficace lorsque les conditions d’entraînement varient et se rapprochent de l’imprévisibilité du monde réel."
David Epstein

Excellent week-end,

LA