Essais d’admission et IA : pourquoi les biais d’écriture menacent l’équité

Dans un dossier de candidature, quelques centaines de mots peuvent peser lourd. L’essai personnel, la lettre de motivation ou le texte de présentation sont censés donner à voir un parcours, une réflexion et une voix. Avec les assistants d’écriture fondés sur l’intelligence artificielle, cette promesse se brouille : ces outils peuvent faciliter la rédaction, mais ils peuvent aussi conduire les candidats à adopter des façons d’écrire déjà valorisées par les institutions.

Le problème ne se limite pas à savoir si un texte a été rédigé par un humain ou par une machine. Il concerne les normes que la machine reproduit. Si l’IA suggère plus volontiers un récit très codifié de réussite, d’ambition ou de dépassement de soi, elle peut rendre moins audibles des expériences formulées autrement. Dans un processus sélectif, cette standardisation peut accentuer les écarts entre les personnes qui maîtrisent déjà les attentes implicites de l’enseignement supérieur et celles qui les découvrent au moment de candidater.

Pourquoi une IA peut-elle reproduire des biais d’écriture ?

Un modèle de langage ne rédige pas comme une personne qui raconterait consciemment son expérience. Il prédit, mot après mot, les formulations les plus plausibles au regard des très nombreux textes sur lesquels il a été entraîné. Lorsqu’un utilisateur lui demande de rendre une lettre « plus convaincante », « plus professionnelle » ou « digne d’une grande université », il mobilise des régularités statistiques issues de ces données et des consignes intégrées à son fonctionnement.

Ces régularités ne sont jamais neutres. Les corpus disponibles sur internet, dans les livres numérisés ou dans des bases de données comportent des textes produits, publiés et conservés dans des conditions sociales inégales. Les groupes les plus présents dans l’édition, les médias, les espaces académiques ou professionnels ont davantage de chances d’y laisser des traces écrites. L’article d’archive souligne ainsi le risque que les essais alimentés par l’IA reflètent des schémas associés aux voix dominantes et, plus précisément, à des hommes socialement privilégiés.

Il faut distinguer deux réalités. Un outil ne connaît pas directement l’origine sociale ou le genre de la personne qui lui parle. En revanche, il peut reproduire des conventions d’écriture corrélées à des environnements où certains groupes ont historiquement été plus représentés : vocabulaire valorisé, façon de raconter une réussite, rapport à l’autorité, mise en scène de la confiance en soi ou structure attendue d’un récit personnel.

Quels codes d’écriture risquent d’être imposés aux candidats ?

Dans une candidature, les attentes sont rarement entièrement explicitées. Une consigne peut demander de décrire un obstacle surmonté, un projet d’études ou une expérience marquante. Pourtant, les candidats savent, ou devinent, qu’il faut aussi paraître lucide, volontaire, original sans être trop atypique, personnel sans être trop intime, ambitieux sans sembler arrogant.

Une IA générative peut transformer ces attentes floues en modèle d’écriture répétitif. Elle tendra par exemple à proposer une introduction accrocheuse, un épisode de difficulté, une leçon tirée de l’expérience et une projection optimiste vers l’avenir. Cette structure peut être utile pour débloquer une page blanche. Elle devient problématique si elle est prise pour le seul récit recevable d’une candidature sérieuse.

L’enjeu est particulièrement sensible pour les candidats qui n’ont pas accès à un entourage habitué aux codes de sélection, à des cours privés ou à des relectures expertes. L’IA peut leur fournir un soutien réel. Mais elle peut aussi leur recommander de lisser ce qui fait la singularité de leur parcours, au nom d’une idée standardisée de la qualité rédactionnelle.

Ce que dit, et ne dit pas, la référence à Llama 2 70B

Le texte d’archive mentionne une étude menée sur Llama 2 70B, un modèle de Meta, et évoque un écart entre les contenus produits par l’IA et l’écriture d’employés humains. Selon cette présentation, le modèle est capable de générer rapidement du texte, mais peine à restituer les nuances stylistiques, les subtilités humaines et certains résumés contextualisés.

Cette observation est cohérente avec une limite fondamentale des modèles de langage : produire une phrase fluide ne garantit ni une compréhension complète de la situation, ni la fidélité à une expérience vécue. Une IA peut proposer un récit persuasif sur le plan de la forme sans pouvoir vérifier si le ton, les faits ou les émotions correspondent réellement à la personne qui signe le texte.

La prudence reste toutefois indispensable. La publication d’origine ne précise ni le protocole de l’étude évoquée, ni les tâches confiées au modèle, ni le nombre de participants, ni les résultats chiffrés. Il ne permet donc pas d’établir un classement général entre l’IA et l’écriture humaine, ni d’affirmer que tous les essais générés par IA reflètent un même groupe social. Il met en lumière un risque structurel, qui mérite d’être examiné, plutôt qu’une preuve définitive applicable à tous les outils et à toutes les universités.

L’IA dans les admissions, une question d’accès autant que de fraude

Le débat public se concentre souvent sur la détection des textes générés par IA. Cette approche est insuffisante. D’une part, les détecteurs ne fournissent pas une preuve infaillible de l’origine d’un texte. D’autre part, l’usage de l’IA se situe sur un continuum : demander une correction orthographique n’est pas la même chose que déléguer la totalité de son récit personnel.

La vraie question pour les établissements est de savoir ce qu’ils souhaitent mesurer. Si l’essai sert à évaluer la maîtrise d’une langue et l’aptitude à structurer une argumentation sans assistance, les règles doivent le dire clairement. S’il sert à comprendre la trajectoire, les motivations et la capacité de réflexion d’un candidat, l’institution doit éviter de confondre une prose très formatée avec la valeur d’un parcours.

Les inégalités peuvent apparaître à plusieurs niveaux :

• l’accès à un outil payant ou à une version plus performante ;
• la capacité à rédiger une consigne précise et à juger la réponse proposée ;
• le temps disponible pour multiplier les essais et les corrections ;
• l’accompagnement humain permettant de conserver une voix personnelle ;
• la connaissance des critères implicites attendus par les jurys.

Quelles règles pour un usage plus équitable ?

Les établissements qui acceptent ou tolèrent une assistance par IA ont intérêt à définir un cadre intelligible. Interdire sans explication peut pénaliser les candidats qui cherchent une aide linguistique légitime. Autoriser sans limites peut, à l’inverse, transformer l’essai en épreuve de maîtrise des assistants numériques plutôt qu’en espace d’expression personnelle.

Une politique cohérente peut commencer par des consignes concrètes. Les candidats devraient savoir si la correction grammaticale, la traduction, la génération d’un plan ou la réécriture d’un paragraphe sont admises. Ils devraient également connaître les conséquences d’un texte intégralement produit par un outil, lorsque cette pratique est contraire aux règles de l’établissement.

La transparence est tout aussi nécessaire du côté des universités. Si un établissement recourt à un système automatisé pour classer, noter ou pré-analyser des candidatures, il devrait être capable d’expliquer son rôle exact, les données qu’il utilise et les possibilités de contrôle humain. Dans l’Union européenne, le règlement européen sur l’intelligence artificielle adopté en 2024 traite les systèmes utilisés pour déterminer l’accès ou l’admission à l’éducation comme des usages à haut risque. Cette qualification souligne l’importance de la gestion des risques, de la qualité des données et de la supervision humaine.

Des audits réguliers peuvent compléter ce cadre. Ils ne consistent pas seulement à vérifier si l’outil fonctionne techniquement. Ils doivent rechercher d’éventuels écarts de traitement entre styles d’écriture, langues, parcours scolaires ou catégories de candidats. Les élèves, les enseignants et les personnes chargées d’étudier les dossiers doivent aussi participer à la définition des critères : ils sont les premiers à pouvoir signaler qu’une réponse « idéale » paraît en réalité éloignée de l’expérience des candidats.

Préserver l’écriture personnelle sans renoncer aux aides utiles

L’alternative n’est pas forcément de bannir toute technologie. Les candidats ont depuis longtemps recours à des dictionnaires, correcteurs, enseignants, proches ou ateliers d’écriture. L’enjeu est de garantir que ces aides restent au service de l’auteur, et non l’inverse.

Pour les élèves, une utilisation prudente consiste à commencer par écrire leurs idées, leurs souvenirs et leurs arguments sans générateur. L’outil peut ensuite aider à repérer les répétitions, à clarifier une phrase ou à poser des questions sur la cohérence du plan. Chaque suggestion doit être relue avec une interrogation simple : « Est-ce bien ce que je veux dire, avec des mots qui me ressemblent ? »

Les établissements peuvent réduire la dépendance à l’essai unique en diversifiant les modes d’évaluation : dossier scolaire contextualisé, entretien structuré, travaux réalisés au cours de la scolarité ou questions plus spécifiques liées à une formation. Aucun format n’est parfaitement neutre, mais des critères explicités et plusieurs sources d’information diminuent le poids d’un exercice dont les codes restent souvent opaques.

L’enseignement de l’écriture conserve enfin un rôle central. Apprendre à argumenter, à décrire son expérience, à identifier son destinataire et à réviser un texte permet de mieux utiliser, mais aussi de mieux contester, les suggestions d’une IA. Cette compétence critique est plus durable que la capacité à obtenir une formulation flatteuse en quelques secondes.

Ce qu’il faut surveiller dans les admissions augmentées par l’IA

À la date du 4 octobre 2024, les outils génératifs changent déjà la manière dont de nombreux candidats préparent leurs dossiers. Leur présence oblige les institutions à clarifier ce qu’elles évaluent réellement et à ne pas déléguer à un texte lisse l’appréciation d’une personne.

Le principal risque n’est pas qu’une machine écrive toujours mal. Au contraire, elle peut écrire de façon très convaincante. Le risque est qu’une écriture jugée « convaincante » devienne synonyme d’une voix standard, façonnée par des données historiques et par les attentes de groupes déjà familiers des codes de la sélection.

Une admission plus juste suppose donc trois exigences : rendre les règles d’usage de l’IA compréhensibles, contrôler les systèmes automatisés lorsqu’ils interviennent dans l’évaluation et valoriser la diversité réelle des façons de raconter un parcours. Dans ce domaine, l’innovation utile n’est pas celle qui remplace la parole des candidats, mais celle qui leur donne davantage de moyens de la faire entendre.