Deux personnes que j’ai rencontrées sous différentes formes à de nombreuses reprises.
La première dirige un programme national à l’Agence nigériane de développement des soins de santé primaires (NPHCDA) ou au Service de santé du Ghana.
Elle est remarquable.
Elle a suivi des formations en cours d’emploi qui lui ont donné des crédits pour progresser dans sa carrière. Elle a fait des modules de gestion intermédiaire. Elle a participé à un programme d’épidémiologie de terrain où un mentor a relu son enquête sur une épidémie et lui a demandé de la refaire. Elle a passé 15 ans dans une institution qui garde la mémoire de son travail.
Elle n’a pas réussi seule. Elle serait la première à le dire.
Son organisation a de vraies faiblesses. Elle manque toujours d’argent. Les formations en cascade s’affaiblissent à chaque niveau. Les budgets de mentorat disparaissent en premier quand une subvention se termine.
Mais c’est cette culture organisationnelle qui l’a formée. Prétendre le contraire, c’est insulter son travail et celui de ses collègues qui ont investi en elle.
La deuxième est responsable de la vaccination dans un district, trois niveaux administratifs plus bas.
Il y a quatre ans, elle a participé à un atelier en cascade de deux jours dans la capitale de l’État. Elle a reçu une indemnité journalière et des diapositives. Puis elle a passé dix ans à chercher seule pourquoi les enfants de trois villages n’étaient jamais vaccinés.
Elle a une vraie expertise, elle aussi.
Personne n’a planifié le parcours qui l’a menée là.
Gardez ces deux personnes à l’esprit. La différence entre elles, c’est tout l’argument de cet article.
Qu’est-ce que la « tragédie des biens communs cognitifs » ?
L’article de Nolan Lovett « The tragedy of the cognitive commons: How AI could disrupt the regeneration of professional expertise », publié dans Human Resource Development Review, présente un argument fascinant sur l’intelligence artificielle et l’expertise.
Il dit que nous avons posé la mauvaise question.
La question n’est pas de savoir si on peut former à nouveau les travailleurs.
La question est de savoir si une profession peut encore remplacer ses propres experts.
Deux vieilles idées, expliquées simplement
L’article s’appuie sur deux idées des sciences sociales. Il faut les expliquer parce que l’argument ne tient pas sans elles.
La première est une parabole.
En 1968, le biologiste Garrett Hardin a décrit un pâturage de village ouvert à tous.
Chaque berger gagne quelque chose en ajoutant un animal de plus. Le coût du pâturage supplémentaire est partagé par tout le monde.
Chaque décision a du sens pour la personne qui la prend.
Ensemble, elles épuisent le pâturage.
Il a appelé cela la « tragédie des biens communs ». C’est devenu la façon standard de décrire comment une ressource partagée peut être détruite par des personnes qui agissent chacune de façon raisonnable.
Lovett dit clairement qu’il emprunte la forme de cette histoire mais qu’il rejette son pessimisme.
Ce qui nous amène à la deuxième idée, plus optimiste.
Elinor Ostrom a gagné le Prix Nobel d’économie pour avoir démontré que Hardin se trompait sur la fin de l’histoire.
Elle a passé des décennies à documenter de vraies communautés qui partageaient une ressource limitée depuis des siècles sans la détruire. Des systèmes d’irrigation en Espagne et aux Philippines. Des pâturages de montagne en Suisse. Des forêts de village au Japon.
Elles l’ont fait en créant ensemble des règles. Elles se sont mises d’accord sur qui a accès à la ressource. Elles se surveillent mutuellement. Elles imposent des sanctions modestes et progressives aux personnes qui prennent trop. Elles règlent les conflits localement.
Fait important, Ostrom a découvert que ces arrangements n’étaient presque jamais imposés de l’extérieur.
Ils ont été inventés et adaptés par les personnes qui dépendaient de la ressource.
Quand je dis que l’article suit Ostrom jusqu’à la question de gouvernance, voici ce que je veux dire.
La tragédie n’est pas une prophétie.
C’est un diagnostic de ce qui se passe quand il n’y a pas d’institutions. Cela transforme l’analyse en question pratique. Qui fait les règles qui maintiennent ce pâturage en vie ? À quel niveau ?
Ce qui est pâturé
La ressource dont parle Lovett, c’est ce qu’il appelle les Communs cognitifs. C’est le groupe de praticiens dans un domaine qui possèdent une connaissance approfondie, une compréhension tacite et le jugement nécessaire pour travailler de façon indépendante quand une situation sort du protocole.
Ce n’est pas le capital humain. Le capital humain se situe à l’intérieur d’une personne ou d’une entreprise.
Ce n’est pas une communauté de pratique. Une communauté de pratique est un processus social plutôt qu’un stock.
Ce n’est pas la capacité de la main-d’œuvre. Le recrutement peut déplacer la capacité mais ne peut pas la fabriquer.
À partir de là, l’article fait quatre mouvements.
Il sépare la Maîtrise intériorisée de la Maîtrise distribuée. La Maîtrise intériorisée se construit par la lutte cognitive soutenue. La Maîtrise distribuée, c’est la fluidité avec laquelle on orchestre les systèmes d’IA.
Il nomme le Lien de validation. Détecter une réponse plausible mais fausse nécessite exactement l’expertise que l’adoption de l’IA peut éroder.
La validation de surface détecte les absurdités et le mauvais formatage. La validation substantielle détecte la recommandation qui est techniquement correcte et fausse pour ce patient, ce district, cette saison.
Il identifie le mécanisme comme un accident qui a maintenant cessé de se produire. Les organisations n’ont jamais entretenu de pipelines de développement par souci de gestion. Elles embauchaient des juniors parce que les juniors faisaient le travail des juniors. L’expertise se régénérait comme sous-produit.
L’IA sépare les deux.
Et elle fixe un prix au préjudice.
Une organisation qui supprime les postes d’entrée conserve toutes les économies. Elle répartit le coût de l’appauvrissement entre tous ceux qui auront besoin plus tard d’embaucher un expert.
Le délai le cache. Les décisions prises en 2023 apparaissent comme une pénurie d’experts autour de 2035 à 2045, bien après que quiconque puisse être tenu responsable.
Les preuves sont précoces, et l’article le dit.
Les données de masse salariale couvrant des millions de travailleurs aux États-Unis montrent un déclin d’emploi relatif de 16% pour les personnes âgées de 22 à 25 ans dans les professions les plus exposées à l’IA d’octobre 2022 à septembre 2025. L’emploi pour les personnes âgées de 35 à 49 ans dans ces mêmes professions a augmenté de plus de 8%.
Les endoscopistes ont perdu la précision de détection indépendante après l’adoption de l’assistance par l’IA.
Les consultants se sont améliorés sur les tâches dans la compétence de l’IA et ont empiré sur les tâches en dehors de celle-ci, exactement là où le jugement compte.
Dans une expérience, plus de 80% des participants ont remarqué des erreurs dans les recommandations de l’IA et les ont suivies quand même.
Lovett classe ses propres affirmations en résultats établis, dérivations théoriques et prédictions nécessitant un test.
Cette discipline vaut la peine d’être imitée, et je vais essayer.
Où ceci décrit exactement notre monde
Trois de ses résultats tombent directement sur ce que nous avons documenté.
L’écart performance-apprentissage est l’écart que l’OCDE a signalé dans les Perspectives de l’éducation numérique 2026. Des étudiants qui ont écrit de meilleurs essais avec un modèle de langage et n’ont pas pu ensuite se souvenir de ce qu’ils avaient écrit. Des étudiants qui ont complété plus d’exercices de mathématiques et ont compris moins de mathématiques.
Dragan Gasevic l’a appelé la paresse métacognitive.
Jason Lodge l’a appelé un vélo électrique utilisé pour se mettre en forme.
Lovett l’appelle la dissociation entre la performance assistée et la capacité indépendante.
Trois vocabulaires, un phénomène.
Le premier échelon qui disparaît est ce que Matt Sigelman a apporté à la conférence Empower Learners et ce que Beatriz Moutinho de Cabo Verde a nommé plus précisément que tout économiste quand elle a dit craindre que les jeunes se remplacent de manière préemptive.
Et le Lien de validation est le risque que j’ai décrit comme le danger non pas qu’un professionnel de la santé utilise l’IA pour rédiger un rapport, mais qu’il accepte ses conclusions sans la validation qui empêche l’erreur catastrophique. Quand l’investissement en capital devance l’activation humaine, le retour repose sur des fondations qui ne tiendront pas.
Si la doctrine des emplois de la Banque mondiale repose sur les infrastructures, le capital humain et les financements catalytiques, Lovett vient de nous dire que le deuxième pilier n’est pas un stock à construire mais un flux à gouverner.
Les biens communs sont stratifiés, non absents
Lovett pose sa condition limite.
Son cadre suppose un modèle de formation professionnelle où l’expertise se développe par l’emploi de départ au sein d’organisations hiérarchiques et est régie par des accréditations formelles. Il note que ce modèle domine les secteurs professionnels occidentaux, sans épuiser les façons dont l’expertise a été transmise.
Mon premier instinct était de dire que dans notre coin d’univers, la santé mondiale, le développement mondial et la réponse humanitaire, cette voie n’existe pas.
Cet instinct était faux, parce qu’une vision romantique de la première ligne efface les institutions qui ont réellement formé les leaders que j’admire le plus.
Le Service de santé du Ghana a des politiques de formation en cours d’emploi qui précisent les besoins de formation, la fréquence, les programmes et les points de crédit qui comptent pour la progression de carrière, aux côtés d’organismes de réglementation professionnelle qui gèrent l’éducation continue liée au renouvellement des licences.
La stratégie nationale de vaccination du Nigéria organise depuis des années la formation de la gestion de niveau intermédiaire et des modules intégrés pour les gestionnaires et les prestataires de services.
Les programmes de formation en épidémiologie de terrain partout en Afrique sont construits comme des apprentissages encadrés sur deux ans, apprendre en faisant avec un mentor désigné et un ratio cible d’un mentor pour cinq résidents. Leurs réseaux d’anciens sont devenus le vivier de mentors pour les cohortes suivantes.
Quand la troisième cohorte zambienne avait besoin de mentors, la première cohorte a été appelée et a répondu.
C’est un mécanisme de régénération.
C’est exactement ce que Lovett décrit, et cela existe à Accra, Abuja, Abidjan ou Ouagadougou.
C’est aussi, en même temps, fragile de façons documentées.
L’évaluation des besoins 2024 du programme avancé de formation en épidémiologie de terrain du Ghana a trouvé un financement du mentorat limité, une visibilité faible du programme et un financement insuffisant pour le développement des résidents.
Les stratégies nationales décrivent toujours le recyclage des agents de première ligne de manière en cascade, et quiconque a travaillé dans une cascade sait ce qui atteint la cinquième itération.
L’affirmation exacte n’est donc pas que les biens communs n’ont jamais été construits.
C’est que les biens communs sont stratifiés.
Il y a une véritable voie de régénération régie par des institutions au niveau des programmes nationaux et infranationaux, qui s’amincit à mesure qu’elle descend, jusqu’à ce que quelque part autour du niveau du district et de l’établissement elle devienne une per diem et un diaporama.
Cela compte pour trois raisons.
D’abord, cela corrige la politique.
Les gens qui ont bénéficié de ces voies ne sont pas des exceptions qui ont transcendé un système brisé.
Ils sont la preuve que le développement délibéré de la main-d’œuvre fonctionne, ce qui est l’argument le plus solide pour l’étendre plutôt que de le remplacer.
Deuxièmement, cela localise la vulnérabilité avec précision.
Lovett propose cinq facteurs qui déterminent le degré d’exposition d’une profession, parmi lesquels l’intensité réglementaire, la criticité pour la sécurité et la solidité des organismes professionnels capables d’appliquer les normes de développement.
En lisant notre pyramide de bas en haut, chacune de ces protections s’affaiblit à mesure que vous descendez.
Le gestionnaire du programme national s’inscrit dans les licences, le mentorat et un réseau d’anciens.
L’agent du district peut s’inscrire dans certains de ces éléments ou dans aucun.
Si le cadre prédit que l’épuisement frappe le plus fort là où la gouvernance est la plus faible, alors dans la santé mondiale, il frappera de bas en haut, et il frappera la couche où il existe le moins de surveillance pour le remarquer.
Troisièmement, cela identifie les acteurs.
Lovett recherche des gardiens des biens communs et les trouve dans les associations professionnelles de la médecine, du droit et de l’ingénierie, tout en observant que les secteurs les plus exposés ont la plus faible capacité pour cela.
Dans notre secteur, les candidats existent déjà et sont rarement décrits en ces termes: ministères de la santé avec une politique de formation en cours d’emploi, conseils de réglementation avec des exigences d’éducation continue, réseaux d’anciens en épidémiologie de terrain qui ont déjà démontré le modèle d’Ostrom d’une communauté reproduisant sa propre capacité.
Ce sont des institutions de biens communs, et personne ne le leur a dit.
La question stratégique n’est donc pas comment inventer l’intendance à partir de rien.
C’est de savoir si ces institutions étendront l’intendance vers le bas de la pyramide, à temps, et à un coût par praticien qu’un budget national peut supporter.
La variable absente du cadre
Il y a encore une chose, et c’est celle qui compte le plus pour moi.
L’analyse de Lovett elle-même montre que la validation substantive dépend de deux conditions: la connaissance du domaine qui permet de reconnaître une erreur, et la posture épistémique qui pousse un praticien à regarder de plus près.
Il a raison, et il cite les recherches sur les croyances épistémiques pour le démontrer.
Maintenant, voyez ce que notre secteur fait à cette posture.
Nous disons à l’agent de santé de première ligne que ce qu’elle sait est simplement anecdotique.
Nous plaçons l’expérience du praticien au bas de la hiérarchie des preuves.
Nous demandons combien d’enfants elle a vaccinés et presque jamais ce qu’elle a remarqué chez eux.
Une main-d’œuvre à qui l’on enseigne systématiquement que sa propre observation ne compte pas comme connaissance ne remettra pas en question une machine fluide.
L’injustice épistémique n’est pas qu’un échec moral.
C’est un mécanisme d’épuisement des biens communs, parce qu’elle dégrade directement le lien de validation: elle entraîne les seules personnes capables de détecter une réponse erronée en contexte à s’en remettre à ce qui arrive avec l’autorité institutionnelle.
Cette variable n’est pas dans le cadre.
Elle devrait y être.
Et elle aggrave la stratification, parce que la déférence est la plus forte exactement là où la voie de développement est la plus faible.
Ce que cela signifie pour notre travail
Si le mécanisme accidentel se brise, et que le mécanisme délibéré n’atteint que les couches supérieures, alors la régénération doit devenir conçue, extensible, et assez peu coûteuse pour fonctionner à l’échelle de la main-d’œuvre réelle.
C’est une description de ce que nous avons construit pendant une décennie à la Fondation Apprendre Genève (TGLF), et l’article donne un compte rendu plus précis de pourquoi cela fonctionne.
La lutte cognitive est le produit, non la friction. Lovett est explicite sur le fait que l’IA réalloue le travail cognitif plutôt que de simplement l’éliminer, et que l’assistance qui préserve la tentative propre du praticien et lui demande d’évaluer, de questionner et de justifier peut elle-même être développementale. Un essai randomisé de collaboration entre cliniciens et IA a trouvé la même chose: les flux de travail qui exigent un engagement actif avec le raisonnement de l’IA ont préservé et même amélioré la performance diagnostique. C’est pourquoi nos questions sont inversées. Nous ne demandons pas ce qu’il faut faire face à l’hésitation vaccinale. Nous lui demandons de décrire un moment où elle y a fait face, ce qu’elle a fait, et ce qui s’est passé. Un modèle peut répondre à la première question. Seule une personne qui était là peut répondre à la deuxième, et y répondre est en soi un acte d’apprentissage.
L’examen par les pairs est un mécanisme de régénération, non un substitut bon marché à l’évaluation experte. Appliquer une grille d’évaluation aux travaux de trois collègues est la façon dont se forme le jugement évaluatif, et le jugement évaluatif est précisément ce que le lien de validation exige. L’exercice d’apprentissage par les pairs de seize jours de TGLF est un cycle hautement condensé de développement, d’examen et de révision. C’est un apprentissage en validation substantive, qui atteint à chaque fois des milliers de personnes que le budget du mentorat n’aurait jamais atteintes.
La fermeture de la praxis la consolide. L’engagement de lundi envers une action concrète, la comparaison en milieu de semaine avec les pairs, le rapport de vendredi incluant l’échec, l’objectif du lundi suivant établi avec cette expérience acquise. C’est le rythme établi par l’Accélérateur d’impact de TGLF. Le compte rendu développemental de Lovett est un engagement échafaudé avec des problèmes progressivement complexes dans lesquels les praticiens luttent, surveillent leur raisonnement, et corrigent les hypothèses erronées face aux preuves. C’est la boucle de l’Accélérateur, écrite dans le vocabulaire du développement des ressources humaines.
Le réseau persistant est une couche de gouvernance, et il devrait être construit avec les couches existantes plutôt qu’à côté d’elles. La conclusion d’Ostrom était que les arrangements durables émergent de l’expérimentation locale, avec des normes partagées, une surveillance mutuelle, et une résolution des conflits. Les grilles d’évaluation sont des normes. L’examen par les pairs est une surveillance. La réciprocité est ce qui maintient la contribution rationnelle. Quand 4 300 agents de santé au Nigéria ont produit plus de 400 analyses des causes profondes en quatre semaines, ont découvert que leurs causes supposées étaient erronées, et que plus de la moitié ont continué à collaborer après la fin du financement, à environ 90% de coût unitaire en moins et sept fois plus rapidement que l’assistance technique conventionnelle, cela s’est produit en partenariat avec NPHCDA et UNICEF. Non comme une alternative au système national, mais comme la couche que le système national ne pouvait pas autrement se permettre d’atteindre.
L’IA appartient à l’intérieur de la structure, attachée. Notre premier embauché en IA agentique, Claude Cardot, a une description de rôle, un superviseur, un périmètre délimité, et aucune autorité pour envoyer quoi que ce soit à l’extérieur sans examen humain. C’est le lien de validation écrit dans un organigramme. La même logique traverse notre pipeline Insights, où une porte de vérification a refusé de publier deux rapports terminés parce que dix-sept citations ne pouvaient pas être appariées caractère par caractère avec les exportations brutes. Des portes, non des directives. Une norme qui vit comme une instruction à un modèle finira par être auto-déclarée comme satisfaite.
Ce dont nous devons être honnêtes
Le cadre nous met aussi en cause.
Quand Joseph Ngugi, un Scholar kényan appliqué, a commencé à soumettre des textes génériques produits par l’IA, ce n’était pas du désengagement. (Joseph est décédé l’année dernière, et il me manque.)
Le piège de la transparence l’explique : révélez l’utilisation de l’IA et risquez que votre savoir soit rejeté, cachez-la et portez seul le poids éthique.
Si nos preuves reposent sur des récits de praticiens en première personne, et que ces récits sont de plus en plus lissés par un modèle avant de nous atteindre, alors la base de tout ce que nous affirmons par notre travail en IA est exposée au mécanisme d’augmentation sans internalisation que Lovett décrit.
L’interdiction ne résoudra pas cela.
Seules des conditions dans lesquelles la transparence est sûre le feront.
J’ai également dit, au prix de ne pas être apprécié pour cela, que dire aux employés que l’IA ne vient pas prendre leurs emplois est au mieux trompeur.
Une organisation qui plaide pour la gestion des communs tout en profitant discrètement du système n’est pas crédible.
Ce que ce document nous oblige à faire, c’est dire publiquement ce que nous automatisons, quel travail de développement nous protégeons de l’automatisation, et pourquoi.
Il y a aussi une obligation de mesure.
Lovett demande des indicateurs de santé des communs plutôt que de satisfaction à la formation : une cohorte développe-t-elle une capacité autonome, et à quelle vitesse.
Nous sommes exceptionnellement bien placés pour répondre, parce que nous mesurons la création de valeur par rapport à une ligne de base tirée de plus de 10 000 professionnels de la santé, et parce que notre protocole de fiabilité publie ses échecs.
15 des 19 codes sont tombés sous le seuil kappa lors de notre dernière validation, et le rapport le dit dans sa section méthodes.
Si nous voulons que les pourcentages portent leur propre épistémologie, nos affirmations sur la formation d’expertise devraient porter la leur.
La question qui reste
Lovett termine en demandant si son domaine adoptera cela ou restera confiné par des hypothèses qui ne décrivent plus le monde.
Je poserais une question différente au nôtre.
Le consensus de San Francisco soutient qu’en trois à six ans l’IA raisonnera à des niveaux experts, coordonnera des travaux complexes en tant qu’agents, et comprendra toute demande dans n’importe quelle langue.
Si cela est ne serait-ce qu’approximativement exact, la contrainte principale sur la santé mondiale ne sera pas l’accès à l’intelligence.
Ce sera de savoir si suffisamment de personnes conservent le jugement internalisé pour savoir quand l’intelligence se trompe, et la position, la sécurité, et la structure pour le dire à haute voix.
Le pâturage de Hardin a été détruit parce que personne ne possédait les conséquences.
Les villages d’Ostrom ont survécu parce que les gens qui dépendaient de la ressource ont fait les règles ensemble.
Les institutions qui ont formé le directeur du programme national savent déjà comment faire cela, à leur niveau, imparfaitement, sous-financées, et pour une fraction de la main-d’œuvre.
Le travail maintenant est d’étendre ce chemin à l’agent de district avant que l’expérience qui produisait autrefois son expertise cesse complètement de se produire.
La tragédie n’est pas inévitable.
Mais elle ne sera pas évitée par une meilleure formation, et elle ne sera évitée du tout que si nous arrêtons de traiter la connaissance des gens qui sont là chaque jour comme la chose la moins chère du système.
Références
- Lovett, N. (2026). The tragedy of the cognitive commons: How AI could disrupt the regeneration of professional expertise. Human Resource Development Review. Publication en ligne anticipée. https://doi.org/10.1177/15344843261470602
- Hardin, G. (1968). La tragédie des biens communs. Science, 162(3859), 1243-1248.
- Ostrom, E. (1990). Governing the commons: The evolution of institutions for collective action. Cambridge University Press.
- Ostrom, E. (2010). Beyond markets and states: Polycentric governance of complex economic systems. American Economic Review, 100(3), 641-672. https://doi.org/10.1257/aer.100.3.641
- Becker, G. S. (1964). Human capital: A theoretical and empirical analysis, with special reference to education. National Bureau of Economic Research.
- Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/
- Hampole, M., Papanikolaou, D., Schmidt, L. D. W., & Seegmiller, B. (2025). Artificial intelligence and the labor market (Document de travail n° 33509). National Bureau of Economic Research. https://doi.org/10.3386/w33509
- Budzyń, K., Romańczyk, M., Kitala, D., et al. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: A multicentre, observational study. The Lancet Gastroenterology & Hepatology, 10(10), 896-903. https://doi.org/10.1016/S2468-1253(25)00133-5
- Vicente, L., & Matute, H. (2023). Humans inherit artificial intelligence biases. Scientific Reports, 13(1), 15737. https://doi.org/10.1038/s41598-023-42384-8
- Dell’Acqua, F., McFowland, E. III, Mollick, E., et al. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403-423. https://doi.org/10.1287/orsc.2025.21838
- Wiles, E., Krayer, L., Abbadi, M., et al. (2024). GenAI as an exoskeleton: Experimental evidence on knowledge workers using GenAI on new skills. SSRN. https://doi.org/10.2139/ssrn.4944588
- Everett, S. S., Bunning, B. J., Jain, P., et al. (2025). From tool to teammate: A randomized controlled trial of clinician-AI collaborative workflows for diagnosis. medRxiv. https://doi.org/10.1101/2025.06.07.25329176
- Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775-779. https://doi.org/10.1016/0005-1098(83)90046-8
- Lave, J., & Wenger, E. (1991). Situated learning: Legitimate peripheral participation. Cambridge University Press.
- Ericsson, K. A. (2006). The influence of experience and deliberate practice on the development of superior expert performance. Dans The Cambridge handbook of expertise and expert performance (p. 683-703). Cambridge University Press.
- Eraut, M. (2004). Informal learning in the workplace. Studies in Continuing Education, 26(2), 247-273. https://doi.org/10.1080/158037042000225245
- Hutchins, E. (1995). Cognition in the wild. MIT Press.
- Polanyi, M. (1966). The tacit dimension. Doubleday.
- Fricker, M. (2007). Epistemic injustice: Power and the ethics of knowing. Oxford University Press.
- Ministère de la santé, République du Ghana. Human resource for health policies and strategies. https://www.moh.gov.gh/wp-content/uploads/2016/02/Human-Resource-Health-Policy-Plan.pdf
- République fédérale du Nigeria. Comprehensive EPI multi-year plan. https://www.nitag-resource.org/sites/default/files/2b302ead55915d61468ac747e2e437aee65871b1_1.pdf
- André, A. M., Lopez, A., Perkins, S., et al. (2017). Frontline field epidemiology training programs as a strategy to improve disease surveillance and response. Emerging Infectious Diseases, 23(Suppl 1). https://pmc.ncbi.nlm.nih.gov/articles/PMC5711307/
- Needs assessment of the advanced Ghana Field Epidemiology and Laboratory Training Program, April 2024: lessons learned and best practices. (2025). https://pubmed.ncbi.nlm.nih.gov/41409400/
- Zambia Field Epidemiology Network et Zambia National Public Health Institute (2023). Strengthening the public health workforce for Africa through field epidemiology training programmes. 3e Conférence internationale sur la santé publique en Afrique. https://www.youtube.com/watch?v=B7ICGbwomrI
- Wenger, E., Trayner, B., & de Laat, M. (2011). Promoting and assessing value creation in communities and networks: A conceptual framework. Ruud de Moor Centrum, Open Universiteit.
- Sadki, R. (2026). Research in the Age of Artificial Intelligence: early learning from our insights pipeline. https://www.learning.foundation/2026/07/29/research-in-the-age-of-artificial-intelligence-early-learning-from-our-insights-pipeline/
- Sadki, R. (2026). Future of the workforce: the 780 million job gap, the AI reckoning, and the missing link in the World Bank’s biggest bet. https://doi.org/10.59350/8mk5d-59c17
- Sadki, R. (2026). AI self-replacement: what happens when we delegate our thoughts to artificial intelligence? https://www.learning.foundation/2026/04/03/ai-self-replacement-what-happens-when-we-delegate-our-thoughts-to-artificial-intelligence/
- Sadki, R. (2026). OECD Digital Education Outlook 2026: how can AI help human beings learn and grow? https://www.learning.foundation/2026/03/24/oecd-digital-education-outlook-2026-how-can-ai-help-human-beings-learn-and-grow/
- Sadki, R. (2026). Introducing Claude Cardot, our first AI co-worker to support frontline health and humanitarian leaders. https://www.learning.foundation/2026/03/13/introducing-claude-cardot-our-first-ai-co-worker-to-support-frontline-health-and-humanitarian-leaders/
- Sadki, R. (2025). The great unlearning: notes on the Empower Learners for the Age of AI conference. https://doi.org/10.59350/859ed-e8148
- Sadki, R. (2025). The crisis in scientific publishing: from AI fraud to epistemic justice. https://doi.org/10.59350/532vk-hq503
- Sadki, R. (2025). Why peer learning is critical to survive the Age of Artificial Intelligence. https://doi.org/10.59350/redasadki.21123
- Sadki, R. (2025). The agentic AI revolution: what does it mean for workforce development? https://doi.org/10.59350/redasadki.21092
- Sadki, R. (2025). What does AI reasoning mean for global health? https://doi.org/10.59350/redasadki.21102
- Sadki, R. (2025). Language as AI’s universal interface: what it means and why it matters. https://doi.org/10.59350/redasadki.21088
- Sadki, R. (2025). Eric Schmidt’s San Francisco Consensus about the impact of artificial intelligence. https://doi.org/10.59350/redasadki.21109
- Sadki, R. (2025). A global health framework for artificial intelligence as co-worker to support networked learning and local action. https://doi.org/10.59350/gr56c-cdd51
- Sadki, R. (2025). The business of artificial intelligence and the equity challenge. https://doi.org/10.59350/redasadki.20984