Formation numérique et bien-être : une inégalité selon la classe sociale ?

Former tout le monde pareil ne produit pas les mêmes effets sur tout le monde. C'est le constat que pose une étude publiée en 2026 dans Behavioral Sciences, croisant données d'enquête européennes, modélisation par équations structurelles et apprentissage automatique. La question posée est directe : lorsqu'un employeur offre une formation numérique, le bénéfice en termes de bien-être est-il identique selon la position sociale du salarié ? Pour les dirigeants et DRH qui investissent dans la montée en compétences digitales, la réponse mérite d'être lue avec soin — et avec ses réserves.

Ce que l'étude a réellement mesuré

Les chercheurs ont analysé les données de l'Eurobaromètre spécial 101.4, collectées en avril-mai 2024 auprès de 8 065 salariés actifs répartis dans 27 pays de l'Union européenne. Les indépendants et les répondants avec données incomplètes ont été exclus à l'issue d'une sélection en six étapes.

Le critère de jugement principal est un indicateur composite de bien-être « pertinent pour les capabilités » — au sens de l'économiste Amartya Sen —, combinant sécurité financière et satisfaction de vie. Les trois variables explicatives centrales sont : l'exposition à l'IA ou au management algorithmique (demande potentielle), les compétences numériques (ressource personnelle) et la formation numérique fournie par l'employeur (ressource organisationnelle). L'analyse compare ensuite les résultats entre trois groupes de classe sociale auto-déclarée : classe populaire (n = 1 454), classe moyenne (n = 5 788) et classe supérieure (n = 823).

Il s'agit d'une étude observationnelle transversale, à un seul temps de mesure. Aucun suivi longitudinal n'a été réalisé.

Ce qu'elle prouve, ce qu'elle ne prouve pas

Ce qu'elle montre avec une robustesse raisonnable : la formation numérique fournie par l'employeur est le corrélat le plus fort du bien-être dans le modèle (β = 0,209, p < 0,001), devant les compétences numériques (β = 0,189, p < 0,001). Ces associations résistent aux effets fixes pays, au jackknife et à la triangulation par des algorithmes de type Random Forest et XGBoost. L'exposition à l'IA, elle, n'est associée au bien-être que très faiblement et négativement (β = -0,073), avec une corrélation brute quasi nulle (r = 0,008).

Le résultat le plus discuté — et le plus médiatisable — est le suivant : l'association entre formation employeur et bien-être est plus faible chez les salariés de classe populaire (β = 0,072) que chez ceux de classe moyenne (β = 0,130), avec un test de Wald à p = 0,004 et un jackknife à p = 0,012. Par ailleurs, le modèle n'explique que 12 % de la variance du bien-être chez les classes populaires, contre 31,1 % chez les classes supérieures.

Ce qu'elle ne prouve pas : la causalité est impossible à établir dans un design transversal — les auteurs eux-mêmes le rappellent explicitement. La formation employeur est mesurée par un seul item auto-rapporté, sans information sur sa qualité, son intensité ou son contenu. La classe sociale auto-déclarée reste un proxy imparfait des mécanismes théoriques sous-jacents. Et surtout : le contraste central entre classe populaire et classe moyenne n'est pas significatif sous la spécification avec clustering pays traitant les indicateurs comme continus (p = 0,18-0,19). La tendance est cohérente en direction, mais elle n'est pas conclusive dans toutes les configurations statistiques testées.

Le verdict DrDLM en clair

L'analyse complète aboutit à un score de 10,5/25, ce qui place cet article dans la catégorie « Fragile » de l'échelle DrDLM V6.2. Ce verdict ne signifie pas que l'article est sans valeur — il signifie que ses conclusions ne peuvent pas être traduites en décisions managériales sans précautions importantes.

Les trois raisons principales de cette note basse : un design transversal qui interdit toute inférence causale, un indicateur central de formation réduit à un item unique non objectivé, et un résultat principal (l'inégalité de bénéfice selon la classe sociale) qui ne tient pas dans toutes les spécifications statistiques testées. La rigueur méthodologique est réelle — invariance de mesure établie, triangulation SEM/ML, transparence des limites —, mais elle ne peut compenser l'absence de données longitudinales ni la mesure insuffisante de la ressource étudiée.

Consultez l'analyse critique complète pour le détail des scores par pilier et l'évaluation ROBINS-I.

Ce que cela change en pratique

• Ne pas conclure que « la formation profite moins aux employés modestes » comme un fait établi. L'association est cohérente en direction, mais non reproductible dans toutes les configurations statistiques testées. Toute communication interne ou externe sur ce point doit inclure cette réserve. (Données de l'article — résultat non conclusif sous clustering continu)

• Interroger la qualité, pas seulement la quantité de la formation proposée. L'étude mesure la présence ou l'absence de formation par un item unique. Elle ne dit rien sur ce qui, dans le contenu ou le format, explique le bénéfice observé. Avant de déployer un plan de formation numérique, vérifier que le dispositif est adapté aux prérequis réels des salariés visés. (Prudence — limite méthodologique centrale de l'article)

• Surveiller les effets différenciés des outils algorithmiques selon le profil des collaborateurs. L'exposition à l'IA est associée négativement au bien-être, même si l'effet est faible. Cette tendance, cohérente avec d'autres travaux (Giuntella et al., 2025), suggère que l'introduction de nouveaux outils n'est pas neutre pour tous les salariés. (Littérature complémentaire citée dans l'article)

• Ne pas traiter la formation numérique comme un levier universel de fidélisation. Le gradient de variance expliquée — 12 % pour la classe populaire contre 31,1 % pour la classe supérieure — indique que d'autres facteurs non mesurés pèsent davantage sur le bien-être des salariés les moins qualifiés. La formation n'est probablement qu'un élément parmi d'autres. (Données de l'article, avec réserve sur l'estimation — intervalle de confiance jackknife large : [0,04 ; 0,20])

• Attendre des données longitudinales avant de réorienter une politique RH. Les associations observées ici, même robustes sur certaines spécifications, ne permettent pas d'établir que telle formation cause tel niveau de bien-être. Des études avec suivi dans le temps sont nécessaires pour orienter des décisions d'investissement. (Prudence — avis d'expert, reconnu explicitement par les auteurs)

Références

1. Khan A, Kaplan M, Öngel V, Khan U, Wu T. Equal Provision, Unequal Benefit. Behav Sci. 2026. doi:10.3390/bs16101899 2. Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22(3):273-285. 3. Gil-Hernández CJ, Vidal G, Torrejón Pérez S. Technological change, tasks and class inequality in Europe. Work Employ Soc. 2024;38(3):826-851. 4. Giuntella O, König J, Stella L. Artificial intelligence and the wellbeing of workers. Sci Rep. 2025;15:1200887.

Engagement, fidélisation & charge cognitive — Institut 2DMP

Carte de méthode

Voir la fiche complète et sa traçabilité