Les interfaces cerveau-ordinateur (ou Brain-Computer Interface – BCI) sont des neurotechnologies très prometteuses pour de nombreuses applications. Mais elles sont actuellement encore insuffisamment fiables. Les rendre fiables et utilisables nécessite non seulement des améliorations côté machine (par exemple, en améliorant leurs algorithmes d’analyse des signaux cérébraux), mais aussi côté utilisateur. En effet, contrôler une BCI est une compétence qui s’apprend et qui demande de la pratique. Malheureusement, la communauté scientifique comprend encore très mal comment entraîner cette compétence efficacement. Dans cet article, nous présentons les recherches menées dans le cadre du projet BrainConquest, dont l’objectif est justement de comprendre, de modéliser et d’optimiser cet entraînement utilisateur dans les BCI. Nous illustrons ainsi au travers d’exemples les différents facteurs qui peuvent influencer les performances de contrôle d’une BCI (par exemple, la personnalité de l’utilisateur, ou son état mental), le type de retour perceptif (le feedback) et le type d’exercices d’entraînement qui peuvent être proposés aux utilisateurs, ou encore les applications concrètes de ces entraînements BCI, par exemple des technologies d’assistance ou en matière de rééducation motrice.