Le devoir n’est pas l’apprentissage
Un système d’IA peut produire une dissertation correcte, résoudre une équation, expliquer un événement historique, et adapter un exemple aux intérêts d’un élève. Aucun de ces résultats ne prouve que l’élève peut raisonner sans le système, détecter son erreur, appliquer l’idée dans un nouveau contexte, ou décider quelle question mérite d’être posée. L’éducation après une IA transformatrice commence par cette distinction.
Les preuves à court terme incitent déjà à la prudence. Le OECD Digital Education Outlook 2026 synthétise des études émergentes dans lesquelles une IA conçue pédagogiquement a soutenu l’apprentissage, tandis que des chatbots à usage général ont parfois amélioré la performance immédiate sur une tâche sans gains durables. Dans une expérience de terrain citée sur les mathématiques au lycée, les élèves utilisant une interface GPT-4 standard ont obtenu des résultats 17% inférieurs à ceux du groupe témoin lors d’un test ultérieur sans assistance, tandis qu’un tuteur doté de garde-fous pédagogiques a évité cette pénalité. Ce résultat concerne une seule tâche et une seule mise en œuvre ; ce n’est pas une preuve que tout chatbot réduit l’apprentissage. Le résultat assisté par un outil et la capacité acquise doivent être mesurés séparément.
Cela devient plus important à mesure que les systèmes s’améliorent. Quand une réponse est bon marché, le travail éducatif rare consiste à construire des modèles du monde, exercer le jugement, développer la motivation, apprendre avec d’autres personnes, et devenir capable de vérifier un assistant puissant plutôt que de simplement l’utiliser.
L’éducation a toujours au moins cinq fonctions
Les écoles ne sont pas seulement des systèmes de diffusion d’information. Elles aident les enfants à acquérir des compétences fondamentales, à rencontrer des domaines qu’ils ne choisiraient pas seuls, à apprendre des attentes sociales, à former des relations, et à recevoir des attestations que d’autres institutions reconnaissent. Elles fournissent aussi des repas, la sécurité, des services pour le handicap, un accompagnement psychologique, le sport, les arts, et une garde d’enfants qui permet aux adultes de travailler.
Un excellent tuteur peut transformer la partie instructive sans remplacer l’institution. Une politique éducative post-AGI qui ne compterait que les explications par dollar manquerait l’essentiel de ce dont les familles et les communautés ont besoin de la part des écoles.
Ces cinq fonctions peuvent s’énoncer clairement :
- Capacité : construire des savoirs et des compétences qu’une personne peut utiliser de façon autonome.
- Jugement : exercer la décision de savoir en quelle preuve avoir confiance et quelles valeurs doivent guider l’action.
- Développement : soutenir la croissance physique, émotionnelle, sociale et morale.
- Appartenance : offrir aux jeunes une place réelle dans des communautés avec des obligations envers autrui.
- Certification : fournir une preuve crédible de compétence sans transformer la surveillance en programme scolaire.
L’IA peut assister chacune de ces fonctions. Elle ne devrait pas être autorisée à les redéfinir silencieusement autour de ce que le modèle peut mesurer.
Le tutorat personnalisé : une vraie promesse, des limites précises
Le tutorat individuel a toujours été coûteux. L’IA peut rendre disponibles à une échelle extraordinaire les explications, les questions d’entraînement, la traduction, la rétroaction et le soutien à l’accessibilité. Un élève peut poser la même question de dix façons sans embarras. Un enseignant peut générer plusieurs exemples et consacrer plus de temps à diagnostiquer pourquoi un apprenant est bloqué.
La promesse dépend de la mise en œuvre. Les orientations de l’UNESCO sur l’IA générative dans l’éducation constituent des orientations politiques non contraignantes qui mettent l’accent sur l’agentivité humaine, la vie privée, l’adéquation à l’âge, l’inclusion et la validation pédagogique. Un système fluide peut fabriquer des faits, s’adapter au mauvais objectif d’apprentissage, exposer des données sensibles d’élèves, ou optimiser pour un usage continu plutôt que pour l’autonomie finale.
Un système de tutorat utile devrait se rendre progressivement moins nécessaire. Il demande à l’apprenant de retrouver le savoir avant de le fournir, varie les problèmes au lieu de répéter un modèle, montre son incertitude, encourage la vérification externe, et teste périodiquement la performance sans assistance. Le succès ne se mesure pas au nombre de conversations agréables. Il se mesure à ce que l’apprenant peut faire ensuite.
Les enseignants restent essentiels parce que l’enseignement est relationnel et contextuel. Un enseignant perçoit la frustration, un changement familial, les dynamiques entre pairs, l’évitement, un talent inhabituel, et un schéma d’incompréhension à travers les semaines. Même une explication techniquement supérieure peut échouer si personne n’aide un enfant à tolérer la difficulté ou à croire que l’effort comptera.
Le savoir fondamental devient plus important, pas moins
On avance parfois que les élèves n’ont plus besoin de connaître des faits puisqu’un modèle peut les retrouver. Cela confond accès et compréhension. Les connaissances de base permettent à une personne de remarquer une réponse invraisemblable, de relier des idées, de formuler une requête utile, et de garder assez de contexte pour raisonner. Sans elles, la vérification se réduit à interroger un autre modèle et à choisir la réponse qui sonne le mieux.
L’alphabétisation de base, le calcul, le raisonnement scientifique, l’instruction civique, l’histoire, la statistique, l’éducation aux médias, et l’informatique de base restent une infrastructure protectrice. La mémorisation ne devrait pas dominer l’éducation, mais la pratique de rappel et le savoir intériorisé font partie de la construction d’un esprit capable de fonctionner quand les outils sont absents, manipulés, ou dans l’erreur.
Le programme scolaire a aussi besoin d’une littératie des modèles : en quoi les données d’entraînement diffèrent des preuves, pourquoi les citations générées échouent, ce que signifie l’incertitude, comment les classements automatisés façonnent l’attention, et quand une information privée ne devrait jamais entrer dans un système. Cela relève des matières existantes plutôt que d’une leçon de technologie jetable.
L’évaluation doit se rapprocher de la performance
Les dissertations à faire à la maison et les séries d’exercices routiniers deviennent des preuves faibles de la capacité individuelle lorsqu’un modèle peut les compléter. Répondre par une surveillance universelle ou une détection automatisée de la triche créerait ses propres torts et produirait tout de même de fausses accusations.
L’évaluation peut au contraire recourir à plusieurs formes de preuves :
- l’écriture et la résolution de problèmes sous supervision ;
- l’explication orale et la défense de ses choix ;
- des portfolios montrant les révisions et le processus ;
- des démonstrations et projets pratiques ;
- un travail collaboratif avec réflexion individuelle ;
- des travaux explicitement assistés par l’IA exigeant de vérifier, comparer, ou améliorer le résultat du modèle ;
- une évaluation périodique sans outils des capacités qui doivent rester autonomes.
Aucune méthode unique n’est parfaitement authentique ou équitable. Un portfolio peut recevoir une aide extérieure ; les examens oraux peuvent défavoriser certains élèves ; le travail chronométré peut mesurer l’anxiété. Un système mixte est plus difficile à contourner et donne aux apprenants plus d’une façon de démontrer leur compétence.
Les attestations pourraient aussi évoluer. Employeurs et institutions pourraient s’appuyer davantage sur le travail démontré, l’apprentissage en alternance, des examens agréés, et des dossiers de compétence continuellement mis à jour. Cela peut ouvrir des opportunités, mais cela peut aussi devenir une notation comportementale continue. Les dossiers scolaires devraient garder un usage limité, rester rectifiables, et être soumis à des règles qui empêchent qu’un profil de modèle établi dans l’enfance suive une personne indéfiniment.
Grandir exige des rencontres qui ne sont pas optimisées
Un compagnon d’IA peut être infiniment patient, intéressé, et réceptif. Les pairs humains ne le sont jamais de manière constante. Les enfants apprennent la négociation, la réparation, l’empathie, les limites, l’humour, le leadership, et la tolérance à la différence à travers des relations qu’ils ne peuvent pas entièrement contrôler.
Un système optimisé pour retenir l’attention peut supprimer précisément la friction par laquelle se produit le développement social. Il peut valider un enfant là où un adulte responsable le mettrait au défi, ou imiter l’intimité sans porter les besoins réciproques qui vont avec. Les écoles et les familles devraient préserver le jeu sans écran, l’activité en équipe, les relations intergénérationnelles, le temps non structuré, et une responsabilité réelle envers d’autres personnes.
Cela ne plaide pas pour bannir l’IA de l’enfance. La traduction, l’accessibilité, les outils créatifs, le tutorat, et le soutien à la communication peuvent élargir la participation. La limite est que la relation simulée ne devrait pas remplacer silencieusement l’attachement humain, les soins de santé mentale professionnels, ou la difficile pratique de vivre avec des pairs.
Priorité normative : les enseignants ont besoin d’un pouvoir de gouvernance, pas seulement de formation
« Former les enseignants à utiliser l’IA » reste incomplet quand les enseignants n’ont aucune voix sur les achats, l’usage des données, la mesure de la charge de travail, ou la possibilité que le résultat d’un système prime sur le jugement professionnel. Les éducateurs, les élèves, les parents, les spécialistes du handicap, et le personnel chargé de la vie privée devraient participer avant l’adoption.
Les contrats devraient préciser quelles données d’élèves sont collectées, si les conversations entraînent des modèles, combien de temps les dossiers sont conservés, quels sous-traitants les reçoivent, et comment les écoles peuvent exporter ou supprimer les données. Les systèmes devraient être évalués dans différentes langues, pour différents besoins liés au handicap, groupes d’âge, et programmes locaux. Une école doit conserver une voie efficace sans IA pour les élèves qui ne peuvent pas utiliser le produit en toute sécurité ou légalité.
L’IA devrait réduire la charge administrative au lieu de générer de nouveaux tableaux de bord qui intensifient la surveillance. Le temps gagné sur la rédaction routinière devrait se réorienter vers la rétroaction, la planification, et les relations — et ne pas justifier automatiquement des classes plus grandes ou moins de personnel de soutien avant que les résultats d’apprentissage ne soient connus.
L’accès, c’est plus qu’un chatbot gratuit
Le tutorat à bas coût ne peut élargir les opportunités que si les élèves disposent d’une connexion, d’appareils, d’un soutien linguistique, de lieux calmes pour étudier, et d’adultes capables d’aider. Les familles plus aisées peuvent combiner les mêmes systèmes avec des tuteurs humains, de l’enrichissement, des réseaux de pairs sûrs, et des attestations reconnues. Fournir un logiciel sans institutions complémentaires peut laisser l’inégalité intacte.
Les bibliothèques publiques, les écoles, les collèges communautaires, et les organisations civiques de confiance peuvent offrir un accès avec protection de la vie privée et soutien humain. L’évaluation publique peut tester les produits face à des objectifs éducatifs plutôt qu’au regard de l’engagement de l’utilisateur. Les ressources éducatives libres peuvent réduire la dépendance à un seul fournisseur et permettre aux communautés d’inspecter ce qui est enseigné.
Au niveau international, la couverture linguistique et le savoir local comptent. Un système fort en anglais et sur les programmes des pays riches n’est pas un tuteur universel. Les communautés ont besoin de la capacité de construire, traduire, corriger, et gouverner des ressources éducatives sans céder les données de leurs élèves ni leur autorité culturelle.
Le diplômé post-AGI
L’éducation ne devrait pas essayer de battre les machines sur chaque tâche. Elle devrait préparer les personnes à demeurer auteures de leurs objectifs, juges compétents de la preuve, participantes responsables des institutions, et amies, membres de famille, voisines et citoyennes capables.
Un diplômé de ce monde devrait pouvoir travailler avec des systèmes avancés et sans eux quand nécessaire ; distinguer une réponse d’un argument ; reconnaître l’incertitude et la manipulation ; apprendre un domaine difficile ; coopérer avec d’autres personnes ; protéger l’information privée ; et assumer la responsabilité d’une décision qui affecte autrui.
Ces objectifs sont plus anciens que l’IA. La capacité transformatrice les rend plus urgents parce qu’externaliser la cognition devient facile bien avant que quiconque sache quelles capacités humaines seront difficiles à reconstruire.