De quoi voulons-nous rester capables ?

Robert et Elizabeth Bjork, chercheurs en psychologie de l’apprentissage, ont montré l’intérêt de certaines difficultés : chercher une réponse dans sa mémoire, espacer les séances d’entraînement ou tenter de résoudre un problème avant d’en consulter la solution. Ils les qualifient de « difficultés désirables », parce qu’elles demandent davantage d’effort sur le moment, mais favorisent des acquis plus durables.

En supprimant cet effort, l’IA risque de supprimer aussi, sans que cela soit immédiatement visible, ce qui permettait d’apprendre.

Une synthèse de 67 études, publiée en 2026, décrit un mécanisme comparable sous le terme de « friction épistémique » : la résistance que l’on rencontre en cherchant à comprendre. Sans elle, l’aisance avec laquelle l’IA formule ses réponses peut dispenser de l’effort de réflexion nécessaire pour comprendre en profondeur.

Une étude menée à Harvard dans un cours de physique a comparé deux modes d’apprentissage : d’un côté, un tuteur basé sur l’IA, conçu pour accompagner progressivement le raisonnement des étudiants ; de l’autre, un enseignement en présentiel reposant sur des méthodes d’apprentissage actif. Les étudiants accompagnés par le tuteur ont obtenu de meilleurs résultats. L’effet observé, compris entre 0,73 et 1,3 écart-type, est qualifié d’important par les auteurs.

Dans l’étude menée en Turquie, les élèves qui utilisaient l’outil reproduisant le fonctionnement standard de ChatGPT obtenaient de moins bons résultats une fois l’outil retiré. Cette baisse était presque entièrement évitée avec une version conçue pour accompagner l’apprentissage, assortie de garde-fous pédagogiques. Avec le même modèle, l’outil pouvait donc nuire à l’apprentissage ou l’épargner, selon la manière dont il était conçu.

Dans une étude menée auprès d’étudiants suivant un cours mêlant programmation et création numérique, tous recevaient en réalité les mêmes commentaires, générés par une IA. Mais certains pensaient qu’ils venaient de l’IA, tandis que d’autres croyaient les recevoir d’un assistant pédagogique humain. Cette seule différence modifiait leur comportement : ceux qui pensaient recevoir un retour humain testaient leur programme plus souvent, écrivaient davantage de code et consacraient plus de temps aux exercices suivants. Pourtant, les deux groupes jugeaient les commentaires tout aussi utiles. Le contenu ne changeait donc pas ; c’est la perception de leur origine qui influençait l’effort fourni.

L’éducation remplit trois fonctions : elle permet d’acquérir des connaissances et des compétences ; elle nous aide à trouver notre place parmi les autres ; elle nous apprend à penser par nous-mêmes et à assumer nos responsabilités. Gert Biesta les désigne respectivement par les termes de « qualification », de « socialisation » et de « subjectivation ».

Les outils d’IA interviennent surtout dans la première de ces fonctions. Ils contribuent rarement, voire jamais, aux deux autres. Or, c’est dans ces dimensions que le rôle de l’enseignant prend toute sa profondeur.

Un grand modèle de langage, ou LLM, répond à votre question. Vous avancez plus vite dans votre travail, mais vous apprenez moins.

Un tuteur basé sur l’IA vous guide en vous posant des questions plutôt qu’en vous donnant directement la réponse. Mais s’il suit cette logique de manière trop rigide, sans s’adapter à ce dont vous avez besoin à ce moment-là, il peut rapidement devenir frustrant et vous décourager de poursuivre.

Un partenaire d’apprentissage basé sur l’IA (ce que Philippa Hardman appelle un study mate) se souvient des difficultés que vous avez rencontrées, adapte son accompagnement et vous pousse à effectuer vous-même les raisonnements que vous auriez tendance à éviter. Son objectif n’est pas seulement de vous aider à réussir une tâche, mais de vous permettre de développer des compétences qui restent acquises au-delà de l’usage de l’outil.

Ce panorama ne cesse de croiser trois enjeux : ce que l’IA fait à notre manière de penser, à notre façon de vivre et d’apprendre avec les autres, et au monde dont elle tire ses ressources. On les étudie d’ordinaire séparément : les sciences de l’apprentissage mesurent ses effets sur la pensée, les éthiciens débattent d’équité et de pouvoir, les ingénieurs comptent les kilowattheures. Les déclarations qui tentent de les réunir, des lignes directrices de l’IEEE aux déclarations de Montréal et de Toronto, le font en général autour d’un seul objectif : le bien-être humain.

En 2019, des chercheurs, des artistes, des technologues et des gardiens de savoirs, pour la plupart autochtones, venus d’Aotearoa, d’Australie, d’Amérique du Nord et du Pacifique, ont répondu à ces déclarations par leur propre document de position, publié avec l’Institut canadien de recherches avancées sous la direction de Jason Edward Lewis (Cherokee, Hawaïen et Samoan), titulaire d’une chaire de recherche en médias computationnels à l’Université Concordia, à Montréal. Leur objection est précise : « aucun de ces efforts ne remet en cause l’anthropocentrisme fondamental de la science et de la technologie occidentales ». Ils proposent une approche relationnelle. Plutôt que de se demander seulement à quoi une technologie nous sert, ils s’interrogent sur les relations qu’elle crée et sur ce que chaque partie doit à l’autre. Pour reprendre leurs mots, « les développeurs croient peut-être fabriquer un produit ou un outil, mais ils construisent en réalité une relation à laquelle ils devraient être attentifs ».

Vus sous cet angle, les trois enjeux deviennent trois relations. Avec ce que nous savons : l’historienne Noelani Arista (Kanaka Maoli) se demande si la « mémoire informatique » finira par « remplacer les experts et les aînés comme dépositaires du savoir », et plaide pour des institutions qui forment des gardiens du savoir « maîtrisant la langue et formés à l’informatique ». Avec les autres : pour Caroline Running Wolf et Noelani Arista, les projets de recherche et d’application doivent se construire « avec la communauté, pas à sa place, et certainement pas sans elle ». Plus largement, le texte appelle les communautés à inscrire leurs propres valeurs dans ces technologies, faute de quoi « ce sont d’autres qui concevront nos mondes à notre place ». Avec la planète : l’artiste Suzanne Kite (Oglála Lakȟóta) demande : « Qu’offrons-nous à la Terre lorsque nous extrayons ces matériaux miniers ? » C’est la question que la section précédente commençait à chiffrer, en kilowattheures.

Il s’agit d’une grille de lecture, et non d’une preuve ; elle appelle donc quelques précautions. Le texte ne cherche pas à porter une voix unifiée : les savoirs autochtones sont ancrés dans des territoires distincts, et Suzanne Kite précise que son essai « ne cherche pas à parler au nom de tous les Lakota ». Le document n’interdit pas à d’autres d’en tirer des enseignements, mais nombre de ses participants ont exprimé leur inquiétude face à « l’appropriation et au mauvais usage des savoirs traditionnels » ; il est donc cité ici comme une façon d’aborder la question, et non comme une méthode à reprendre. Rédigé en janvier 2020, avant ChatGPT, il accorde une place centrale aux systèmes que les communautés contrôlent ou conçoivent elles-mêmes. Et, en tant que document de position, il ouvre une question plutôt qu’il ne la tranche.

Les outils. Un tuteur assorti de garde-fous pédagogiques ou un partenaire d’apprentissage intègre dans son fonctionnement des principes éprouvés d’accompagnement : guider la réflexion, ne pas livrer immédiatement la réponse et réduire progressivement l’aide à mesure que la personne gagne en autonomie.

Les pratiques en classe. Les outils doivent être conçus avec les enseignants. Les activités proposées doivent amener les élèves et les étudiants à comparer, à justifier et à retravailler les réponses de l’IA. Dans la synthèse de 67 études, cet accompagnement faisait la différence entre un véritable apprentissage et le simple fait de laisser l’outil réfléchir à sa place.

Le système éducatif. L’IA ne peut être utile que si les conditions de son utilisation le permettent. Selon le Forum économique mondial, les progrès des apprenants dépendront des conditions dans lesquelles la technologie sera mise en œuvre, et non de la seule technologie. Des mesures prises séparément dans les domaines de la politique éducative, de la pédagogie et de la technologie ont donc peu de chances de suffire.

En août 2026, le rapport du comité du MIT sur l’IA dans l’enseignement et l’apprentissage a donné une première traduction concrète de cette approche à l’échelle d’un établissement. Écartant les ajustements ponctuels, il préconise de mener trois chantiers de front : repenser chaque enseignement en tenant compte de l’IA ; préserver, dans chacun d’eux, des échanges en présence ; et se doter d’une organisation capable d’accompagner durablement les évolutions, avec un comité permanent, des référents IA dans chaque école et un fonds pour les projets pilotes.

L’ensemble doit s’appuyer sur une plateforme qui ne dépende pas d’un fournisseur unique d’IA. Une donnée issue d’une enquête auprès des étudiants de premier cycle du MIT montre l’importance de l’enjeu : ils sont plus nombreux à se sentir remplaçables qu’à se sentir compétents : 40 % contre 34 %.

Susskind s’appuie sur un précédent historique. En 1982, le rapport Cockcroft, remis au gouvernement britannique, recommandait d’intégrer la calculatrice à l’enseignement des mathématiques sans pour autant abandonner le calcul sans assistance. L’idée centrale était simple : les élèves devaient apprendre à travailler avec et sans calculatrice, et être évalués dans les deux situations. Ce principe s’est depuis largement imposé.

Susskind propose d’appliquer la même logique à l’IA, dans toutes les matières : apprendre avec et sans l’IA, et évaluer ce que l’on sait faire dans les deux situations.

Plutôt que d’essayer de contrôler un usage qui peut facilement avoir lieu en dehors de la classe, l’évaluation permet de vérifier ce que l’élève est réellement capable de comprendre, d’expliquer ou de produire, avec l’IA comme sans elle.