Comment l’IA peut-elle nous aider à apprendre vraiment ?

Dans une étude randomisée menée en Turquie auprès d’environ 1 000 lycéens en mathématiques, les élèves utilisant une version standard de ChatGPT ont obtenu des scores supérieurs de 48 % à ceux de leurs camarades qui n’y avaient pas accès, tant qu’ils pouvaient s’en servir. Une fois cet accès supprimé, leurs scores étaient inférieurs de 17 % à ceux des élèves qui ne l’avaient jamais utilisé. Un article publié en 2025 dans Nature Reviews Psychology souligne le principe sous-jacent : gagner en performance ne revient pas à apprendre.

La plupart des outils d’IA ont été conçus pour travailler, pas pour optimiser l’apprentissage. Au travail, l’objectif est d’accomplir une tâche avec le moins d’effort possible. Mais lorsqu’on apprend, cet effort est précisément ce qui compte : c’est lui qui permet de développer ses capacités. La tâche est terminée, mais la compréhension, elle, ne se construit pas. Les chercheurs parlent de « paresse métacognitive » : la personne qui apprend cesse de planifier sa démarche, de suivre ses progrès et de s’autoévaluer, puisque l’IA a toujours une réponse.

Les chercheurs Robert et Elizabeth Bjork parlent de « difficultés désirables » : retrouver une réponse de mémoire, espacer les séances de pratique ou essayer de résoudre un problème avant d’en découvrir la solution. Ces démarches donnent l’impression qu’apprendre est plus difficile sur le moment, mais elles rendent les acquis plus durables. Lorsque l’IA supprime cet effort, elle peut aussi supprimer, sans qu’on s’en rende compte, l’apprentissage qu’il rendait possible. Une revue de 67 études, publiée en 2026, désigne ce même mécanisme sous le nom de « friction épistémique » : sans elle, « la fluidité des contenus générés par l’IA peut court-circuiter l’effort de réflexion au cœur d’un apprentissage en profondeur ».

Si l’effort constitue l’apprentissage, tout dépend d’abord de la personne qui le fournit. Dans The Atlantic, David Brooks soutient que, dans un monde saturé d’IA, ce qui distinguera les individus ne sera pas tant leur intelligence que leur rapport à l’effort intellectuel. Il s’appuie sur le « besoin de cognition », un trait décrit et mesuré par John Cacioppo et ses collègues, qui lui ont consacré une revue de plus de 100 études. À une extrémité, on trouve les personnes qui lisent des ouvrages exigeants et jouent à des jeux complexes pour le plaisir ; à l’autre, celles qui cherchent à économiser leurs ressources cognitives et évitent autant que possible les réflexions demandant un effort. Comme le souligne Brooks, ce trait est corrélé à l’intelligence, mais ne se confond pas avec elle.

Les travaux qu’il rassemble portent en grande partie sur ce qui se passe lorsque l’on délègue cet effort. Au MIT Media Lab, une équipe dirigée par Nataliya Kosmyna a mesuré une baisse de la connectivité cérébrale pouvant atteindre 55 % pendant l’utilisation de ChatGPT. Michael Gerlich, de la SBS Swiss Business School, a observé une corrélation négative significative entre l’usage fréquent de l’IA et l’esprit critique. À Carnegie Mellon, une équipe dirigée par Grace Liu a constaté qu’après une dizaine de minutes de résolution de problèmes avec l’aide de l’IA, les personnes privées de l’outil obtenaient de moins bons résultats que celles qui ne l’avaient jamais utilisé. Une étude menée auprès de médecins pratiquant des endoscopies a relevé une baisse du taux de détection des lésions précancéreuses, de 28,4 % à 22,4 %, après le retrait de l’IA.

Brooks en tire trois profils : le passager productif, qui laisse l’IA réfléchir et finit par ne plus s’en rendre compte ; l’optimisateur réticent, qui entend résister mais se laisse entraîner ; et le marathonien de l’esprit, qui préserve les efforts les plus exigeants. Ce qu’il redoute, c’est une polarisation cognitive entre les deux extrêmes. Son conseil pratique : demander à l’IA vers quels penseurs se tourner, plutôt que de lui confier sa pensée, et la traiter comme un bibliothécaire brillant, pas comme un oracle.

La volonté n’est pas le seul facteur individuel en jeu. Stephen Fitzpatrick, professeur d’histoire depuis trente ans, estime que tout repose sur une compétence : la lecture. Les réponses de l’IA sont fluides, assurées et inépuisables. Pour les lire avec le recul critique nécessaire, il faut disposer d’un vocabulaire et de connaissances que seules des années de lecture permettent de construire. « Ce qui limite l’usage efficace de l’IA par les élèves relève avant tout de la lecture », et non de l’écriture, qui concentre pourtant l’attention parce que c’est elle que nous évaluons. Les fonctions de recherche approfondie rendent ce constat encore plus net : la difficulté n’est plus de trouver des sources, mais de lire attentivement le rapport produit et les sources sur lesquelles il s’appuie.

Dans un article en français consacré aux applications de « brainmaxxing » de l’été, qui promettent d’optimiser les capacités cérébrales, Marie Dollé pousse le raisonnement un cran plus loin. À l’idée rassurante selon laquelle les machines pourraient conserver les connaissances tandis que nous garderions notre capacité de jugement, elle oppose un constat : le jugement ne se forme pas dans le vide. « On ne problématise pas sans repères. » Elle pointe aussi une limite qu’aucun modèle, si performant soit-il, ne pourra lever : on ne découvre souvent qu’après coup ce qui compte vraiment. Aucun outil ne peut donc trier à l’avance « l’essentiel » pour nous. Consulter une information à la demande n’équivaut pas à l’avoir en tête.

Daniel Susskind, économiste qui étudie l’IA et le travail depuis quinze ans, explique le mécanisme à l’œuvre. Les systèmes d’IA sont ce que Geoffrey Hinton appelle des « idiots savants » : impressionnants face à des problèmes difficiles, capables de se tromper sur des questions simples, sans que rien dans leurs réponses permette de savoir à qui l’on a affaire. Les savoirs fondamentaux ne sont donc pas un refuge : ce sont des outils. Susskind préconise d’utiliser l’IA avec discernement plutôt qu’aveuglément, « en entretenant nos connaissances fondamentales », précisément pour distinguer le savant de l’idiot.

C’est pourquoi il défend un enseignement soutenu de la lecture, de l’écriture et du calcul, même dans les domaines où l’IA fait déjà mieux que nous. Il y voit un investissement « sans regret » : bénéfique, quel que soit l’avenir. Le contexte n’a rien de rassurant. Selon le programme PISA de l’OCDE, les compétences en compréhension de l’écrit et en mathématiques reculent chez les jeunes à travers le monde depuis 2009. Elles diminuent aussi chez les adultes.

Dans une étude menée à Harvard en physique, un tuteur IA spécialement conçu pour intégrer un accompagnement pédagogique structuré a obtenu de meilleurs résultats qu’un enseignement en présentiel fondé sur l’apprentissage actif. L’écart allait de 0,73 à 1,3 écart-type, soit deux à trois fois le seuil habituellement retenu pour parler d’un effet substantiel en recherche en éducation.

Dans l’étude menée en Turquie, les élèves utilisant une version standard de ChatGPT se retrouvaient en difficulté une fois l’outil retiré, tandis qu’une version conçue comme un tuteur, avec des garde-fous pédagogiques, évitait entièrement cette baisse. Mêmes modèles, résultats opposés : la différence tenait à la conception.

Dans une étude contrôlée menée au sein d’un cours universitaire de programmation créative, les étudiants recevaient des retours identiques, générés par l’IA, sur leur travail. Ceux à qui l’on disait que ces retours provenaient d’un assistant pédagogique humain exécutaient davantage leur code, en écrivaient davantage et consacraient plus de temps aux travaux suivants. Dans les deux groupes, les retours étaient jugés tout aussi utiles. L’effet sur l’effort fourni était important (d = 0,88 à 1,56). Pourtant, le contenu était exactement le même.

L’éducation remplit trois fonctions à la fois : elle développe des connaissances et des compétences (la qualification) ; elle aide chacun à trouver sa place parmi les autres (la socialisation) ; et elle permet de devenir une personne capable de penser par elle-même et d’assumer ses responsabilités (la subjectivation).

Les outils d’IA interviennent surtout dans la première. Ils touchent rarement, voire jamais, aux deux autres. Or, c’est là que le travail d’un enseignant prend toute sa profondeur.

Un grand modèle de langage (LLM) répond à votre question. Le travail avance plus vite, mais vous apprenez moins.

Un tuteur IA vous répond par des questions, quels que soient vos besoins réels. Avec, souvent, de la frustration et des abandons à la clé.

Un compagnon d’apprentissage IA (ce que Philippa Hardman appelle un study mate, un « camarade d’étude ») se souvient de vos difficultés et vous pousse à mener les réflexions que vous avez tendance à éviter. Il vous aide à développer des capacités durables.

Wayne Holmes pose directement la question dans Le Courrier de l’UNESCO : si l’IA générative est aussi puissante, avons-nous encore besoin d’apprendre ? Sa réponse est oui, et la liste s’allonge. En plus de ce que nous souhaitons apprendre, nous devons désormais comprendre les limites profondes de l’IA, ses effets sur les droits humains, la justice sociale et l’environnement et, « peut-être surtout, apprendre à penser… de manière critique ».

Le Forum économique mondial apporte une nuance complémentaire : la mémorisation par cœur peut perdre de son importance, mais « le processus de maîtrise des connaissances continue de développer des capacités plus larges », comme la persévérance, la curiosité, la communication et l’esprit critique. Les modes d’évaluation doivent évoluer pour en rendre compte.

L’outil. Le tuteur doté de garde-fous et le compagnon d’apprentissage traduisent des principes de conception pédagogique dans un logiciel : un accompagnement structuré, des réponses qui ne sont pas données d’emblée et une aide qui s’efface à mesure que l’on progresse.

La classe. Il s’agit de concevoir les outils avec les enseignants, plutôt que de les leur imposer, et de proposer des activités qui amènent les apprenants à comparer, à justifier et à retravailler les productions de l’IA. Dans la revue de 67 études, c’est cet accompagnement pédagogique qui faisait la différence entre de réels progrès et une simple délégation de l’effort cognitif à l’outil.

Le système. L’IA n’aide que si les conditions sont réunies. Comme le formule le Forum économique mondial, « les résultats d’apprentissage ne seront pas déterminés par la technologie elle-même, mais par les conditions de son déploiement ». Des mesures isolées en matière de politiques éducatives, de pédagogie ou de technologie ont donc peu de chances de suffire.

En août 2026, cette dimension systémique a trouvé un premier cas concret à l’échelle d’un établissement. Le comité du MIT sur l’IA dans l’enseignement et l’apprentissage a rejeté les ajustements de fortune (« l’heure n’est pas aux rustines et au bricolage ») et préconisé trois chantiers à mener de front : repenser chaque enseignement en tenant compte de l’IA ; y maintenir une dimension sociale en présentiel ; et créer des structures permanentes d’adaptation, avec un comité pérenne, des référents IA dans chaque école et un fonds destiné aux projets pilotes. Le tout devait reposer sur une plateforme délibérément indépendante de tout fournisseur unique d’IA. Un chiffre issu d’une enquête donne la mesure de l’enjeu : les étudiants de premier cycle du MIT sont plus nombreux à déclarer se sentir remplaçables qu’à se sentir capables (40 % contre 34 %).

Susskind ajoute une piste qui, elle, dispose d’un précédent. En 1982, un rapport de Wilfred Cockcroft remis au gouvernement britannique avait répondu à l’arrivée de la calculatrice électronique non par son interdiction, mais en distinguant deux volets dans l’enseignement des mathématiques : apprendre, une partie du temps, à travailler avec une calculatrice et, le reste du temps, à s’en passer. Le point décisif était d’évaluer les deux. Cette répartition est aujourd’hui devenue la norme presque partout.

Il propose d’appliquer la même logique à l’IA, dans toutes les matières : enseigner avec et sans, évaluer avec et sans. La raison pour laquelle il privilégie l’évaluation plutôt que la détection mérite d’être retenue : un enseignant ne peut pas savoir si un élève a utilisé l’IA seul dans sa chambre, mais personne n’oublie l’expérience d’un examen auquel il ne s’était préparé qu’à moitié.