Face aux IAGen : "enseigner le processus, pas le résultat !"

Lors une conférence Dauphine en octobre 2025 que j’animais,un étudiant de master m’a posé cette question : « Si ChatGPT peut répondre à l’examen à ma place, qu’est-ce que j’apprends en faisant l’examen moi-même ? » J’ai mis quelques longues secondes à trouver une réponse présentable.

L’IA fait monter les notes et fait baisser le niveau de jugement.

Des résultats en hausse

Les performances s’améliorent. C’est mesurable et reproductible dans la plupart des études. Et c’est ce que j’ai également constaté cette année pour les cas pratiques.

Les étudiants qui utilisent les modèles de langue (LLM) produisent de meilleurs rendus, résolvent plus d’exercices, obtiennent de meilleures notes sur les évaluations procédurales. Une méta-analyse portant sur plusieurs centaines d’études (arXiv, 2025 ↗) confirme cet effet à court terme. L’IA est un bon tuteur de surface. Elle explique, reformule, corrige la syntaxe, propose des exemples. Elle fait ce qu’un bon professeur particulier ferait, en illimité, disponible à 2h du matin.

Ce constat est honnête. Il ne faut pas le nier pour défendre une position pédagogique. Les outils fonctionnent, au sens immédiat du terme.

C’est précisément là que commence le problème.

Ce qu’on ne voit pas : une compréhension qui s’évide

La dissociation procédure/compréhension est le mécanisme central, et il est invisible à court terme.

L’étude la plus nette est celle de Bastani et son équipe (PNAS, 2025) ↗, menée sur près de mille lycéens turcs. Le protocole sépare trois groupes. Ceux qui s’entraînent avec ChatGPT résolvent 48 % de problèmes de plus pendant la phase d’entraînement, puis obtiennent 17 % de moins au test final, une fois l’outil retiré. Les deux chiffres coexistent : l’étudiant résout mieux qu’avant, mais il comprend moins ce qu’il fait. Un peu comme lorsqu’on saisit une formule complexe dans Excel : le résultat est bon, on ne sait pas pourquoi. Le troisième groupe est le plus instructif. Avec une version bridée de ChatGPT, programmée pour donner des indices sans jamais livrer la réponse, ces élèves résolvent 127 % de problèmes de plus à l’entraînement, mais leur score final rejoint tout juste celui des élèves sans aucune aide. Même l’outil « tuteur » n’a pas suffi à transformer la performance immédiate en apprentissage durable.

Cela s’explique par une propriété de l’apprentissage humain que Michael Polanyi illustre bien. Dans The Tacit Dimension (1966), il formule le mécanisme avec précision : « we can know more than we can tell » (nous en savons plus que ce que nous pouvons dire). Le savoir tacite, la compréhension d’un problème, l’intuition d’une erreur de raisonnement, ne se transmet pas par description. Il se dépose dans la pratique répétée, dans les tentatives ratées, dans les ajustements successifs. Un étudiant qui reçoit la réponse sans avoir traversé le chemin ne dispose que du savoir explicite. Ce que Polanyi appelle le « savoir tacite » n’a pas eu l’occasion de se former.

L’IA supprime cette traversée. C’est son point fort, mais c’est aussi ce qu’elle retire. Dans l’apprentissage, le chemin est presque plus important que la destination.

Le MIT Media Lab a mesuré les effets neuraux de cet usage (Your Brain on ChatGPT, 2025 ↗). Les réseaux cérébraux impliqués dans l’écriture indépendante montrent une dégradation mesurable après une période d’utilisation intensive assistée. La capacité à produire sans assistance s’érode, pas de façon dramatique, pas de façon irréversible à ce stade, mais de façon mesurable.

Une étude publiée dans Cogent Education (Tandfonline, 2025 ↗) documente la dimension comportementale : 32,7% des étudiants présentent des patterns d’utilisation compulsive des LLM, avec une moyenne de 18,3 interactions quotidiennes. Ce n’est pas de la dépendance au sens clinique (bien qu’on puisse parler d’addiction sans substance). C’est la mécanique de tout outil qui résout un inconfort : moins on supporte la friction, plus on délègue, moins on développe la tolérance à la friction.

Une enquête de Gerlich (Societies, 2025) ↗, menée sur 666 participants, mesure une corrélation négative significative entre usage fréquent des outils d’IA et compétences de pensée critique, médiée par le déchargement cognitif (déléguer sa réflexion à l’outil plutôt que la conduire soi-même). Une corrélation ne prouve pas la causalité : les personnes en difficulté délèguent peut-être plus parce qu’elles ont déjà des lacunes. Mais la direction est là, et les mécanismes neuraux et comportementaux documentés ci-dessus suggèrent que la causalité joue dans les deux sens.

Ce qu’on ne surveille pas : la paresse métacognitive

Il y a une couche plus profonde que la compréhension conceptuelle. La capacité à évaluer sa propre compréhension.

Le British Journal of Educational Technology a publié en 2025 un article intitulé Beware of Metacognitive Laziness ↗. La thèse : les LLM ne remplacent pas seulement la réflexion, ils remplacent aussi le signal d’alerte qui indique que la réflexion est nécessaire.

Quand le modèle répond vite et avec assurance, l’étudiant n’a pas l’occasion de détecter qu’il n’a pas compris.

Un rapport de l’University of Technology Sydney (UTS, mars 2026 ↗) distingue deux types d’usage. Le premier, non structuré, où l’étudiant demande la réponse. Le second, structuré ou scaffoldé (échafaudé), où l’outil guide la réflexion sans se substituer à elle. La même technologie produit des résultats opposés selon le design pédagogique. Ce n’est pas l’outil qui est en cause, mais la façon dont il est intégré dans le processus d’apprentissage.

Cette distinction est la clé, et elle pointe vers la question que l’étudiant de Dauphine avait implicitement posée.

Le tuteur et l’anti-tuteur

Vygotski appelait zone proximale de développement (ZPD) l’espace entre ce que l’apprenant fait seul et ce qu’il fait avec une aide adaptée. Un bon tuteur maintient l’apprenant à la frontière haute de cette zone : assez d’aide pour ne pas décrocher, pas assez pour le dispenser de l’effort. C’est là que l’apprentissage a lieu.

Un LLM qui donne la réponse fait l’inverse, mécaniquement. Il tire l’apprenant sous sa ZPD, dans la zone de ce qu’il obtient sans effort et ne saura pas reproduire seul. Appelons-le l’anti-tuteur : même interface, même disponibilité qu’un tuteur, mais un rôle exactement contraire. Là où le tuteur ajoute de la friction juste assez, l’anti-tuteur la supprime toute. Il exploite ce qu’on pourrait nommer l’instinct du moindre effort, cette pente naturelle qui pousse à prendre le raccourci dès qu’il existe. Le même outil peut jouer les deux rôles : tout dépend de s’il vous pose des questions ou s’il vous épargne d’en avoir.

Concrètement, le partage se lit des deux côtés de la relation pédagogique.

Côté formateur, vous observez déjà le phénomène. Les livrables produits avec un LLM sont corrects, et les apprenants ne savent ni les critiquer, ni les adapter, ni les défendre. La compétence s’est déplacée vers l’outil. Ce qui a disparu, c’est la valeur propédeutique de l’essai et de l’erreur : un enfant tombe des milliers de fois avant de marcher, et ces chutes ne sont pas des ratés à supprimer, elles sont l’apprentissage lui-même. L’anti-tuteur retire les chutes, donc il retire ce qui forme. Votre travail n’est plus de transmettre un contenu (le LLM le fait mieux et plus vite), mais de réintroduire la friction qui manque. L’article sur le paradoxe de productivité IA documente le même glissement côté développeurs.

Côté apprenant, l’outil reste utile, d’autant plus que vous ne l’utilisez pas pour fuir la friction mais pour explorer au-delà de ce que vous savez faire seul. La règle tient en une phrase : demandez de l’aide pour comprendre, pas pour éviter de comprendre. C’est la différence entre garder le tuteur dans sa ZPD et le laisser glisser en anti-tuteur.

Ce que certaines équipes pédagogiques font déjà

CS50 est le cours d’introduction à l’informatique de Harvard, l’un des plus suivis au monde. David Malan et son équipe ont documenté leur approche dans une publication ACM SIGCSE (Liu et al., 2024) ↗. L’IA intégrée au cours pose des questions rhétoriques. Elle n’interdit pas les réponses directes, elle ne les donne simplement pas. Elle repose la question différemment. Elle demande « Pourquoi cette approche ? » avant de donner la suivante. C’est un design conçu pour empêcher l’outil de basculer en anti-tuteur : il reste du côté de la friction utile.

Ce n’est pas une contrainte artificielle, mais une implémentation concrète de la ZPD de Vygotski : maintenir l’étudiant à la frontière de ce qu’il peut faire seul, pas en dessous, pas au-dessus. Le papier de Liu et son équipe documente le design et les principes pédagogiques, pas encore des mesures longitudinales sur les cohortes. C’est un modèle d’implémentation, pas encore une preuve d’effet à long terme.

Le rapport UTS cité plus haut va plus loin : la même technologie, le même modèle, deux résultats opposés. Ce qui change, c’est le design pédagogique qui l’entoure, pas l’outil lui-même. CS50 est une implémentation de ce principe à l’échelle d’un des cours les plus suivis au monde.

Lors d’un de mes cours à l’IAE, j’avais présenté ce même modèle. Les étudiants qui accrochaient le mieux n’étaient pas ceux qui avaient les meilleurs résultats aux examens assistés, c’étaient ceux qui pouvaient expliquer pourquoi leur réponse était juste. La progression structurée (objectif => ressources => livrable => explication) retenait leur attention parce qu’elle les maintenait acteurs du processus, pas consommateurs du résultat.

Ce que cela implique pour la conception des formations : la question n’est pas « comment intégrer l’IA dans le curriculum », mais « comment concevoir un usage de l’IA qui maintient l’apprenant dans sa ZPD ». Deux questions très différentes. La première est technologique. La seconde reste pédagogique.

Si nous sommes si démunis, c’est que nous corrigeons le mauvais signal. Tout le système éducatif, de l’examen au livrable professionnel, est construit pour valider un résultat final : la copie rendue, le rapport livré, la note obtenue. Presque rien n’évalue le processus qui y mène, ni la compréhension des mécanismes qui permettrait de reproduire le résultat sans l’outil. Tant que l’évaluation mesure la sortie et non la traversée, l’IA qui produit la sortie sans la traversée est rationnelle du point de vue de l’apprenant : elle optimise exactement ce qu’on lui demande. Le problème n’est pas que les étudiants trichent. C’est que nous leur demandons la mauvaise chose, et que l’IA la leur donne parfaitement.

Ce que j’en retiens

Les IAGen comme ChatGPT, Gemini ou Claude sont de remarquables aides à l’apprentissage. Ce sont aussi de puissants leviers de désintermédiation : sans cadre pédagogique explicite, elles retirent à l’apprenant la traversée qui le forme. Les deux propriétés coexistent dans le même outil, selon l’usage qu’on en fait.

Le chiffre qui m’interpelle reste +48 % / −17 %. Il mesure ce que Polanyi avait décrit sans pouvoir le chiffrer : compétence procédurale et compréhension conceptuelle ne progressent pas ensemble. Le savoir explicité monte. Le savoir tacite, celui qui permet de juger, d’adapter, de détecter une erreur, n’a pas eu le temps de se former. L’étudiant devient alors un perroquet stochastique : il restitue sans comprendre.

La métaphore que je garde en tête est celle de l’éponge. Partir du résultat immédiat transforme un apprentissage en éponge mouillée : vous appuyez votre doigt dessus, croyant la déformer durablement au contact d’un nouveau concept, et dès que vous le retirez (en fermant le support), l’éponge reprend sa forme initiale. Rien n’a été retenu. Concevoir l’usage (le scaffolding, l’échafaudage pédagogique) n’est pas une nuance de méthode : c’est le pivot qui décide si l’outil reste un tuteur ou glisse en anti-tuteur, s’il forme ou désapprend.

S’il ne devait y avoir qu’un principe à retenir pour concevoir des formations à l’IA : enseigner le processus, pas le résultat. CS50 le fait déjà. C’est ce que j’essaie dans mes exercices de master : comment réintroduire assez de friction pour contrer « l’instinct du moindre effort », sans casser l’utilité de l’outil. Trouver l’exercice qui compose avec la pulsion de raccourci de l’étudiant et l’ambition de transmettre de l’enseignant (avec toute l’humilité que la correction de copies appelle).

L’IA est conviviale pour ceux qui savent déjà l’utiliser. Pour les autres, et par conception, elle devient un moteur de réponses, un raccourci vers des résultats qu’ils ne comprennent pas, faute d’un dispositif qui réintroduise la friction. La distinction entre veille sur l’IA et pratique de l’IA joue ici exactement : consommer des synthèses sur les LLM ne construit pas la compétence d’en faire un usage critique. Former à l’IA en partant du résultat, c’est former des utilisateurs d’outils. Former à l’IA en partant du processus, c’est former des professionnels capables de s’adapter en conservant la colonne vertébrale de leur cognition, quand l’outil change.

Et les outils changent…

Pour prolonger

• Thinking Fast, Slow and Artificial — ce que l’IA retire au jugement, mesuré côté cognition adulte.