À l’occasion de la conférence inaugurale de Ludovia, consacrée cette année à « l’intelligence artificielle et les data dans les classes et pour les établissements », Didier Roy, chercheur associé à l’équipe Flowers d’Inria, Mathieu Bartozzi, responsable stratégie, data et IA éducative de MLF Monde, Frédérique Chessel-Lazzarotto, de l’EPFL, l’enseignant David Plumel et Jean-Marc Merriaux, directeur général de MLF Monde, ont croisé apports de la recherche, réflexion sur les transformations éducatives et retours de terrain.
Introduction
Que prouve encore une bonne copie ? La question pourrait sembler provocatrice. Elle est pourtant au cœur de l’un des problèmes les plus intéressants soulevés au cours de cette conférence.
L’école s’appuie largement sur les productions des élèves pour inférer leurs apprentissages : devoirs, évaluations, oraux, exercices ou travaux réalisés à la maison constituent autant de traces à partir desquelles on estime ce qui a été compris et acquis. Or les IA génératives excellent précisément à produire, structurer, reformuler ou améliorer ces traces.
Mathieu Bartozzi parle ainsi d’une « crise de la preuve » : une production de meilleure qualité ne garantit plus nécessairement un meilleur apprentissage, et la maîtrise apparente d’une tâche peut masquer une forte dépendance à l’assistance de l’outil.
Pour autant, l’IA n’a pas inventé cette fragilité. Avant ChatGPT, un devoir réalisé à la maison pouvait déjà bénéficier d’une aide familiale très variable, au point que David Plumel rappelle avec humour que « papa-maman » pouvait déjà faire le travail.
Ce que l’IA change, c’est l’échelle du phénomène, sa facilité d’accès et la qualité des productions qu’elle permet d’obtenir, au point de rendre beaucoup plus difficile le maintien d’une équivalence implicite entre travail rendu, compétence et apprentissage.
En ce sens, l’IA agit peut-être moins comme la cause d’une crise entièrement nouvelle que comme le révélateur brutal d’une question ancienne : qu’évalue réellement l’École lorsqu’elle évalue une production, et comment peut-elle s’assurer que derrière une performance se trouve bien un apprentissage ?
L’IA révèle une confusion ancienne entre réussir et apprendre
La première rupture introduite par l’IA est assez simple à formuler : une production réussie ne constitue plus, à elle seule, une preuve suffisante d’apprentissage. Lorsqu’un outil peut rédiger un texte, proposer un plan, résoudre un problème ou améliorer considérablement une réponse, la qualité du résultat final ne permet plus d’attribuer avec certitude les compétences qu’il semble manifester à la personne qui le présente.
Mathieu Bartozzi résume cette difficulté par l’image d’un « thermomètre » scolaire devenu en partie caduc. L’École observe traditionnellement des traces, évaluations, devoirs, oraux ou productions diverses, pour en déduire ce qu’un élève sait et sait faire. Or l’IA intervient précisément sur ces traces et peut améliorer leur qualité sans que l’apprentissage ait progressé dans les mêmes proportions. La « preuve de production » ne peut donc plus être automatiquement assimilée à une « preuve d’apprentissage ».
Le devoir maison en fournit une illustration presque caricaturale. David Plumel constate qu’un exercice donné à faire chez soi peut revenir parfaitement réalisé sans que le personnel enseignant sache réellement « qui l’a fait ». Avec une IA générative disponible en quelques secondes, le phénomène change évidemment d’échelle.
L’IA ne fait pas disparaitre une correspondance jusque-là parfaite entre production et apprentissage, elle rend beaucoup plus visible une fragilité ancienne, tout en l’amplifiant considérablement. Ce qui pouvait autrefois demander l’aide d’un proche, des recherches longues ou une certaine expertise est désormais accessible presque instantanément, avec un résultat souvent suffisamment convaincant pour brouiller la lecture habituelle des productions scolaires.
Le constat ne s’arrête d’ailleurs pas à l’enseignement scolaire. Frédérique Chessel-Lazzarotto rapporte qu’à l’EPFL sont observés les mêmes phénomènes de délestage et de modification de l’effort cognitif, avec des étudiantes et étudiants qui reconnaissent parfois avoir trop délégué à l’IA, jusqu’à mettre en difficulté leurs propres apprentissages.
Le problème dépasse dès lors largement celui de la triche. Il ne s’agit plus seulement de déterminer si le travail rendu est « authentique », mais de savoir ce que sa réussite permet réellement de conclure sur les apprentissages.
Car derrière une production correcte peut désormais se cacher une difficulté plus profonde : celle d’un élève qui obtient le bon résultat tout en ayant l’impression, parfois sincère, d’avoir acquis une compétence qu’il ne maitrise pas réellement.
Si la production ne suffit plus, il faut déplacer ce que l’École observe et évalue
Constater les limites de la production finale comme indicateur d’apprentissage ne signifie pas qu’il faudrait renoncer à l’évaluation, mais plutôt élargir ce que l’on cherche à observer. Mathieu Bartozzi propose ainsi de s’intéresser davantage au processus : comment l’élève a préparé son travail, révisé, collaboré, intégré les retours reçus ou amélioré une première production. La réalisation finale conserve sa place, mais elle ne peut plus constituer à elle seule la preuve de l’apprentissage.
L’arrivée des IA génératives oblige également à réinterroger certaines activités scolaires. Bartozzi prend notamment l’exemple des devoirs maison de mathématiques, dont il considère la forme traditionnelle devenue « caduque », tout en soulignant qu’ils peuvent être repensés pour remettre l’élève au centre du travail demandé. Sur le terrain, David Plumel raconte comment des collègues ont déjà déplacé leur objectif : plutôt que de demander uniquement une production écrite, ils ont utilisé des textes générés par IA pour travailler l’analyse et l’esprit critique de leurs élèves.
Ce déplacement est important : il ne s’agit plus seulement d’empêcher l’IA de faire à la place des élèves, mais de concevoir des situations dans lesquelles son usage, ou son absence, sert effectivement un objectif d’apprentissage.
La question pertinente devient alors moins « a-t-on utilisé une IA ? » que « qu’a-t-on appris en l’utilisant, et que reste-t-on capable de faire sans elle ? »
Cela suppose aussi de former les personnels comme les élèves. Les interventions convergent sur ce point : comprendre le fonctionnement probabiliste des IA, leurs limites et leurs risques constitue un premier niveau de littératie, mais la formation des personnels doit aller plus loin et porter sur les usages pédagogiques eux-mêmes. Pour Mathieu Bartozzi, c’est précisément l’intention pédagogique qui peut faire la différence entre une assistance qui se substitue à l’apprentissage et un outil qui contribue à le soutenir.
À l’échelle des établissements, Jean-Marc Merriaux prolonge cette réflexion par la question de la donnée : MLF Monde cherche à mieux mobiliser les résultats des évaluations pour objectiver les actions, identifier les forces et les faiblesses des établissements et nourrir les projets collectifs. Une autre manière, en somme, de déplacer l’attention de ce qui est produit vers ce que l’on peut réellement observer de ses effets.
Au fond, l’irruption de l’IA déplace peut-être la question plus qu’elle ne la résout. Il ne suffit plus de demander comment intégrer ces outils à l’École. Il faut d’abord déterminer ce que l’on veut que les élèves apprennent réellement, dans quelles situations une assistance peut les y aider et, surtout, comment vérifier qu’au terme du processus la compétence leur appartient bien.
Conclusion
Au terme de cette conférence, une idée s’impose : face à l’IA, l’enjeu essentiel n’est pas seulement de savoir utiliser un outil, mais de savoir ce que l’on sait réellement faire avec lui, sans lui, et grâce à lui.
C’est précisément ce que recouvre la métacognition, cette capacité à identifier ses connaissances, ses erreurs, ses stratégies et les conditions dans lesquelles on apprend. Didier Roy en fait un point central, en rappelant qu’elle permet de distinguer compréhension réelle et simple impression de maîtrise.
Cette compétence devient décisive dans un environnement où l’IA peut produire rapidement des réponses plausibles, fluides et souvent convaincantes. L’élève doit pouvoir se demander non seulement si la réponse est correcte, mais aussi pourquoi elle lui semble correcte, ce qu’il ou elle en comprend réellement, ce qui a été délégué à l’outil et ce qui reste maîtrisé. David Plumel formule très concrètement cet apprentissage du discernement : savoir quand l’IA est utile, quand elle ne l’est pas et si son usage augmente réellement les capacités de l’élève ou ne fait que masquer une absence de maîtrise.
C’est sans doute là que se joue une part essentielle de la réponse éducative. L’IA oblige l’École à mieux distinguer performance, production et apprentissage, mais elle rappelle surtout que l’autonomie ne consiste pas à savoir obtenir une réponse. Elle suppose de comprendre comment on y est arrivé, de pouvoir en juger la qualité et, autant que possible, de rester capable de refaire sans assistance ce que l’on affirme avoir appris.
Article et synthèse réalisés par Stéphanie de Vanssay
