L’IA appliquée à l’éducation / l’apprentissage

Ce que l’IA change vraiment quand on enseigne dans le supérieur

Introduction – Partir du réel, pas du déni

Depuis plus de huit ans, j’interviens dans l’enseignement supérieur, auprès d’étudiants aux profils, aux parcours et aux attentes très différents. Avec le déploiement grand public de l’IA générative, j’ai dû faire un choix simple, presque brutal. Continuer à faire comme si l’intelligence artificielle n’existait pas, ou partir du principe que les étudiants l’utilisent déjà, qu’on le veuille ou non. J’ai choisi la deuxième option.

Ce choix n’est ni idéologique, ni enthousiaste par principe. Il est pragmatique. Dans le supérieur, les étudiants sont majeurs, autonomes, équipés. Ils utilisent depuis longtemps des moteurs de recherche, des outils numériques, des plateformes collaboratives. L’IA générative s’est simplement ajoutée à cet écosystème. Certains l’utilisent avec discernement, d’autres sans recul, parfois sans même chercher à comprendre ce que l’outil fait réellement. C’est une réalité de terrain, pas une projection théorique.

Le vrai sujet n’est donc pas l’usage en lui-même. Il est ailleurs. Il se situe dans la capacité à apprendre avec des systèmes qui produisent des réponses plausibles, souvent convaincantes, mais parfois inexactes, biaisées ou incomplètes. Apprendre avec l’IA impose de renforcer des compétences fondamentales que l’on avait parfois tendance à considérer comme acquises ou implicites : chercher réellement, sourcer correctement, comprendre en profondeur, confronter des points de vue, expliciter son raisonnement.

Une génération charnière, pas un modèle nostalgique

Ce changement de posture n’est pas toujours simple, y compris pour moi. Je fais partie d’une génération charnière. Une génération qui a grandi sans Internet, puis avec Internet. J’ai appris en cherchant, en bidouillant, en testant. En me trompant souvent. J’ai passé des heures dans des livres, des magazines spécialisés, puis sur les premiers forums, les moteurs de recherche balbutiants, les ressources en ligne encore imparfaites.

Chercher prenait du temps. Comprendre demandait des efforts. Se faire une opinion supposait de croiser des sources, d’accepter l’incertitude, parfois de rester bloqué longtemps avant de trouver une réponse satisfaisante. Ce temps long faisait partie intégrante de l’apprentissage.

Les étudiants d’aujourd’hui n’ont pas connu cette lenteur. Ce n’est ni leur faute, ni un défaut en soi. Ils ont accès à des outils puissants, immédiats, capables de produire une réponse structurée en quelques secondes. Mais cette facilité change profondément le rapport à l’apprentissage. Là où ma génération (et celles d’avant) devait chercher longtemps avant de produire, les étudiants peuvent aujourd’hui produire très vite sans toujours avoir réellement cherché ni compris.

Le risque n’est donc pas l’outil. Le risque est la disparition progressive du chemin intellectuel qui mène à la compréhension. C’est précisément ce chemin que l’enseignement doit désormais rendre visible, explicite et intentionnel.

1. Derrière « l’IA », des systèmes très différents

Les discours publics parlent souvent de l’IA comme d’un bloc homogène, presque magique. En réalité, l’IA appliquée à l’éducation recouvre plusieurs familles de systèmes, aux logiques, aux objectifs et aux impacts pédagogiques très différents.

On trouve notamment des systèmes tutoriels intelligents, capables d’adapter une explication en fonction des erreurs ou du niveau d’un apprenant. Des dispositifs d’apprentissage adaptatif ajustent le rythme, la difficulté ou les contenus à partir de modèles de progression. Les outils de learning analytics analysent les traces d’apprentissage pour identifier des tendances, des décrochages ou des besoins spécifiques. D’autres usages mobilisent le traitement automatique du langage ou la vision par ordinateur. Et plus récemment, l’IA générative s’est imposée, capable de produire textes, code, exercices ou explications à la demande.

Ces systèmes coexistent souvent sans être clairement distingués. Pourtant, leurs effets pédagogiques ne sont pas équivalents. L’IA générative, en particulier, modifie profondément le rapport à la production, à la connaissance et à l’effort cognitif.

Ces approches reposent aussi sur des tentatives de modélisation de l’apprenant. Les systèmes cherchent à inférer un niveau, un rythme, des lacunes ou des progrès à partir de traces d’apprentissage. Cette adaptation algorithmique peut être utile pour personnaliser certains parcours, mais elle reste fondée sur des hypothèses et des modèles statistiques. Elle ne remplace ni la compréhension fine d’un parcours individuel, ni le jugement pédagogique humain.

Cette réalité, je l’ai aussi observée hors de la salle de cours. Lors de la fermeture de mon ancienne agence, BetterCallDave, une partie de l’équipe a rejoint Nolej, une entreprise que nous avions accompagnée en tant que client pendant de nombreuses années avec beaucoup de fierté.

Nolej travaille précisément sur ces usages d’IA appliquée à l’éducation : transformer des contenus bruts en ressources pédagogiques structurées, exploitables par des enseignants et des plateformes. Pas pour remplacer l’acte pédagogique, mais pour en accélérer certaines étapes, souvent longues, répétitives et peu visibles.

Ce passage d’une agence généraliste à une EdTech spécialisée est révélateur. Il montre que l’IA éducative ne se joue pas uniquement dans les amphithéâtres ou les rapports académiques, mais aussi dans des produits concrets, conçus par des équipes hybrides, à la croisée de la pédagogie, de la technologie et de l’ingénierie.

Là encore, l’IA agit comme un catalyseur. Elle ne décide pas de ce qui doit être enseigné, mais elle transforme la manière dont les contenus sont produits, organisés et mis à disposition. Et cela change très concrètement le quotidien des enseignants comme celui des équipes qui conçoivent ces outils.

2. L’IA ne remplace pas l’enseignant, elle déplace sa fonction

L’IA est généralement pensée comme un outil complémentaire, pas comme un substitut. Sur le terrain, cette idée se traduit par un déplacement très concret du rôle de l’enseignant.

Une partie des tâches répétitives peut être automatisée ou assistée : préparation de supports, génération d’exercices, synthèses, premières corrections. Cela libère du temps, mais surtout cela déplace la valeur pédagogique vers ce qui ne peut pas être automatisé.

Dans ce contexte, l’enseignant devient moins un producteur de contenu et davantage un garant du cadre, de la méthode et de la rigueur intellectuelle. Son rôle est de poser les bonnes questions, de demander des justifications, de rappeler les exigences : d’où vient cette information, est-elle fiable, que dit-elle vraiment, quelles sont ses limites, dans quel contexte est-elle valable.

À l’échelle des établissements, ces usages s’inscrivent aussi dans des logiques plus larges de pilotage et de suivi. L’IA est mobilisée pour analyser des parcours, repérer des signaux faibles de décrochage ou aider à la décision institutionnelle. Cet article se concentre volontairement sur la salle de cours, là où les effets sont les plus immédiats, mais ces dimensions systémiques conditionnent fortement les usages pédagogiques.

3. Hallucinations, biais et illusion de compréhension

Les systèmes d’IA peuvent produire des réponses fausses, approximatives ou inventées, tout en conservant une forme convaincante. Pour un étudiant, surtout en phase d’apprentissage, la frontière entre une réponse correcte et une réponse simplement plausible est parfois invisible.

Le risque n’est donc pas seulement la triche. Il réside dans la confiance aveugle. Croire qu’une réponse est juste parce qu’elle est bien formulée. Croire qu’une information est vraie parce qu’elle est fluide, structurée et rassurante.

Apprendre avec l’IA suppose une compétence essentielle : le doute méthodique. Savoir vérifier, recouper, demander des sources, confronter plusieurs points de vue. Comprendre que l’IA n’est pas une source, mais un intermédiaire, un point de départ, jamais une autorité.

4. Chercher, sourcer, comprendre : le nouveau cœur de l’apprentissage

Si l’IA sait produire rapidement, alors la compétence centrale devient la capacité à chercher intelligemment et à comprendre ce que l’on manipule.

Chercher ne signifie plus seulement trouver une réponse immédiate. Cela implique d’identifier des sources fiables, de comprendre leur contexte, de repérer les biais, de comparer des approches et de construire progressivement sa propre synthèse.

Dans ce cadre, l’IA devient un outil d’exploration. Elle suggère des pistes, accélère la découverte, aide à formuler des hypothèses. Mais elle ne valide rien. Elle ne tranche pas. Elle n’assume aucune responsabilité sur la véracité.

L’IA agit comme un catalyseur de trouvailles, pas comme un arbitre de vérité. Elle accélère la recherche, mais n’en garantit jamais la qualité.

5. L’évaluation ne peut plus rester inchangée

Les usages de l’IA en matière de correction et de notation assistée posent une question directe : qu’évalue-t-on encore, et comment.

Si produire un texte, une analyse ou un code est devenu trivial avec l’IA, alors l’évaluation doit se déplacer vers la compréhension, la justification, la capacité à expliquer un raisonnement, à défendre un choix, à critiquer une solution ou à expliciter une démarche.

Cela implique plus d’oraux, plus de travaux itératifs, plus d’analyse critique, et moins de livrables bruts évalués hors contexte.

Les travaux académiques s’intéressent également à la mesure de l’efficacité de ces dispositifs : amélioration des résultats, réduction du décrochage, gains de temps pour les enseignants et les apprenants. Ces indicateurs sont nécessaires pour piloter les systèmes, mais ils ne disent pas tout. Ils mesurent ce qui est observable, pas toujours ce qui est compris ou réellement intégré sur le plan cognitif.

6. Une question d’équité et de système

Tous les outils d’IA ne se valent pas. Tous les étudiants n’ont pas accès aux mêmes modèles, aux mêmes niveaux de fiabilité, ni aux mêmes environnements d’apprentissage.

Mais au-delà de l’accès aux outils, il y a l’accès à la méthode. Savoir que l’IA peut se tromper, savoir comment la questionner, savoir quand aller vérifier ailleurs est déjà une compétence différenciante.

L’enseignement supérieur a donc une responsabilité claire : rendre ces compétences explicites, enseignées, partagées, et ne pas les laisser implicites ou réservées à quelques initiés.

Ces usages posent aussi des questions juridiques et éthiques, notamment autour de la protection des données des apprenants, de la confidentialité des traces d’apprentissage et de la responsabilité en cas d’erreur ou de biais. Ces cadres, souvent définis au niveau institutionnel, conditionnent directement ce qui peut être mis en œuvre sur le terrain.

Conclusion – L’IA comme révélateur pédagogique

Les recherches décrivent des systèmes, des outils et des promesses. Le terrain révèle une réalité complémentaire : l’IA oblige à revoir la pédagogie, les pratiques et les priorités.

Elle ne supprime pas le besoin d’enseignants. Elle renforce leur rôle. Elle ne supprime pas l’apprentissage. Elle en déplace les compétences clés.

Dans l’enseignement supérieur, la question n’est pas de savoir si l’IA doit entrer dans les cours. Elle y est déjà. La vraie question est de savoir ce que nous choisissons d’enseigner à des étudiants qui apprennent avec un outil capable de se tromper.

L’IA n’est pas une solution. Elle est un révélateur. Et ce qu’elle révèle, c’est l’urgence de former à la compréhension, au jugement et à l’esprit critique.