Universités et IA : pourquoi la triche ne se résout pas par un simple détecteur

L’intelligence artificielle générative oblige les universités à se poser une question aussi simple qu’inconfortable : que mesure encore une copie rédigée à la maison lorsqu’un étudiant peut demander à un outil conversationnel de produire, corriger ou restructurer un texte en quelques secondes ? La réponse ne peut pas se limiter à traquer les productions artificielles. Elle engage la valeur des diplômes, l’équité entre étudiants, la charge de travail des enseignants et, plus largement, la manière même d’évaluer les connaissances.

À la date du 24 juin 2025, il n’existe pas de solution universelle. Les établissements sont pris entre plusieurs impératifs : empêcher les fraudes, ne pas accuser injustement des étudiants, maintenir des évaluations accessibles et préparer les futurs diplômés à un monde professionnel où ces outils seront présents. Le débat ne porte donc pas seulement sur ChatGPT ou les autres assistants d’écriture. Il révèle les limites de certaines pratiques académiques installées depuis longtemps.

Pourquoi l’IA générative bouscule-t-elle l’intégrité académique ?

L’intégrité académique désigne les règles qui encadrent la production d’un travail universitaire : rendre compte honnêtement de ses connaissances, citer ses sources, ne pas plagier et ne pas se faire remplacer par autrui. Les modèles de langage compliquent cette dernière frontière. Ils peuvent reformuler un passage, proposer un plan, traduire un texte, générer du code ou rédiger une réponse complète à partir d’une consigne.

Le problème n’est pas que tout usage de l’IA soit nécessairement frauduleux. Un étudiant peut, par exemple, s’en servir pour comprendre une notion, obtenir des pistes de révision ou améliorer la clarté d’un brouillon. En revanche, remettre un texte substantiellement produit par un outil sans que les règles du cours l’autorisent ni que cette aide soit déclarée interroge directement l’authenticité du travail évalué.

Cette zone grise est particulièrement difficile à administrer. Les règles peuvent varier selon la discipline, le type de devoir et l’objectif pédagogique. Dans un cours qui évalue la capacité à rédiger seul, une assistance générative peut vider l’exercice de son sens. Dans un autre, apprendre à vérifier, documenter et critiquer une réponse de modèle peut au contraire être une compétence pertinente.

Les universités doivent aussi composer avec leurs contraintes économiques. La publication d’origine souligne que plus de 40 % d’entre elles se trouvent en situation de déficit. Dans ce contexte, généraliser des examens surveillés, former massivement les équipes, revoir tous les cursus ou multiplier les procédures disciplinaires représente un coût humain et financier considérable. La dépendance de certains établissements aux revenus des étudiants internationaux peut également rendre toute décision perçue comme trop brutale plus délicate à prendre.

Les détecteurs d’IA sont-ils fiables ?

Face à ce problème, l’idée d’un logiciel capable de distinguer automatiquement un texte humain d’un texte généré est séduisante. Elle promet un tri rapide de milliers de copies et semble offrir une réponse technique à un défi pédagogique. Mais les résultats disponibles invitent à la prudence.

L’étude de Perkins et al. (2024) citée dans la publication d’origine montre les limites de ces outils. Dans les conditions étudiées, les détecteurs ne parviennent à identifier correctement que 40 % des cas. Dans des scénarios dits « adverses », lorsque l’usage de l’IA est intentionnellement dissimulé, ce taux tombe à 22 %.

Ces résultats posent deux difficultés distinctes. La première est le risque de faux négatif : une production largement assistée par IA n’est pas repérée. La seconde, tout aussi grave dans un cadre universitaire, est le risque de faux positif : un texte rédigé par un étudiant est à tort présenté comme artificiel. Une telle erreur peut avoir des conséquences lourdes pour la personne mise en cause, notamment si elle doit se justifier dans une procédure disciplinaire.

Les détecteurs travaillent généralement en recherchant des régularités statistiques dans l’écriture. Or, un texte peut être modifié, paraphrasé, traduit puis retraduit, ou mélangé à des passages humains. À l’inverse, un étudiant qui écrit dans une langue qui n’est pas sa langue maternelle, suit un style très normé ou utilise des formulations répétitives peut produire un texte qui ressemble, sur certains critères, à une réponse automatisée. Un score logiciel ne permet donc pas, à lui seul, de prouver une fraude.

Le risque est de transformer un indice imparfait en verdict. Les outils peuvent éventuellement attirer l’attention sur une copie et conduire à examiner le contexte, les brouillons, les références mobilisées ou la capacité de l’étudiant à expliquer son raisonnement. Ils ne devraient pas remplacer ce travail de jugement académique.

Pourquoi le retour aux examens surveillés ne suffit pas

Une réaction fréquente consiste à rétablir des examens écrits en salle, sans accès à internet ni aux appareils personnels. Cette option réduit effectivement la possibilité de recourir, pendant l’épreuve, à un assistant conversationnel. Elle permet aussi d’observer une performance réalisée dans des conditions identiques pour tous les candidats.

Mais en faire la réponse principale reviendrait à traiter un symptôme sans examiner le problème de fond. Les examens traditionnels évaluent souvent la mémorisation rapide, la restitution sous contrainte de temps ou la capacité à répondre à un format connu. Ces compétences ont leur utilité, mais elles ne recouvrent pas nécessairement l’ensemble des apprentissages recherchés dans l’enseignement supérieur.

Le retour généralisé aux évaluations sécurisées soulève aussi des questions pratiques. Organiser de grandes épreuves en présentiel exige des salles, des surveillants et des calendriers adaptés. Certains étudiants peuvent se trouver éloignés des campus ou suivre des formations hybrides. Enfin, le fait qu’une activité soit difficile à automatiser ne garantit pas qu’elle soit, à elle seule, plus juste ou plus pertinente sur le plan pédagogique.

L’enjeu n’est donc pas d’opposer les examens surveillés à tout autre format. Une université peut conserver des épreuves individuelles sans outils pour certains objectifs précis, tout en développant d’autres formes de contrôle des acquis. Il s’agit de choisir l’évaluation en fonction de ce qu’elle doit réellement mesurer.

Repenser l’évaluation plutôt que poursuivre chaque copie

La publication d’origine évoque des paradigmes d’évaluation qui accordent davantage de place à l’analyse et aux situations imprévues. Cette piste répond à une limite centrale des devoirs standardisés : lorsqu’une question appelle une réponse attendue et aisément trouvable, une IA peut souvent fournir un texte plausible. Lorsque l’étudiant doit expliquer un choix, mobiliser des éléments vus en cours, défendre une interprétation ou traiter une information nouvelle, la simple génération d’un texte devient moins suffisante.

Plusieurs principes peuvent guider cette évolution :

• demander de relier une notion à un cas étudié collectivement, à des données fournies pendant l’épreuve ou à une expérience de laboratoire ;
• évaluer le processus de travail, par exemple à travers des versions successives, un journal de bord ou une justification des choix méthodologiques ;
• compléter un écrit par un court échange oral, afin que l’étudiant explicite ses raisonnements et ses sources ;
• formuler des problèmes ouverts, pour lesquels la qualité de l’argumentation compte davantage que la reproduction d’une réponse conventionnelle ;
• préciser ce qui est autorisé, interdit ou obligatoire dans l’usage des outils numériques, y compris l’éventuelle déclaration de leur emploi.

Ces formats ne sont pas infaillibles. Ils peuvent demander plus de temps de correction et de préparation, et ils ne conviennent pas à toutes les disciplines ni à toutes les cohortes. Une évaluation orale, par exemple, suppose une organisation robuste pour rester équitable. Un suivi de versions peut soulever des questions de vie privée ou d’outillage. Mais ils déplacent l’attention vers ce qui compte : la capacité d’un étudiant à comprendre, raisonner et assumer son travail.

Faut-il interdire l’IA ou apprendre à l’utiliser ?

La tentation de l’interdiction générale est compréhensible. Elle donne une règle simple dans un environnement mouvant. Pourtant, elle se heurte à la disponibilité des outils hors du campus et à la diversité des usages possibles. Elle risque aussi de priver les étudiants d’un apprentissage nécessaire : savoir qu’un modèle peut se tromper, reproduire des biais, inventer des références ou présenter une réponse incertaine avec assurance.

Les modèles linguistiques ne sont pas des sources fiables par nature. Ils produisent des suites de mots plausibles à partir de régularités apprises dans de grands corpus. Ils peuvent être utiles pour explorer une idée ou reformuler un passage, mais leurs réponses exigent une vérification rigoureuse. Apprendre à demander des explications, à contrôler les affirmations et à citer des sources indépendantes peut devenir une composante de la formation universitaire.

L’intégration de l’IA ne doit toutefois pas devenir une obligation indistincte. Les établissements doivent maintenir des espaces où les étudiants lisent, écrivent, calculent et argumentent par eux-mêmes. Ces activités ne sont pas uniquement des moyens de produire un résultat : elles participent à l’acquisition de compétences intellectuelles. Confier trop tôt ou trop largement ce travail à une machine peut empêcher de développer les automatismes et le jugement nécessaires pour en contrôler les réponses.

La transparence constitue ici un principe clé. Les étudiants ont besoin de règles compréhensibles : quel outil peut être utilisé, pour quelle tâche, avec quel niveau de déclaration et quelles conséquences en cas de non-respect ? Les enseignants, de leur côté, ont besoin de temps, de formation et de cadres communs pour appliquer ces règles sans créer de fortes inégalités entre cours ou départements.

Ce qu’il faut surveiller dans les universités

La réponse des universités à l’IA se jouera moins dans l’achat d’un détecteur que dans leur capacité à faire dialoguer les enseignants, les chercheurs, les étudiants et les équipes administratives. La publication d’origine insiste sur la nécessité d’une coopération entre chercheurs et administrateurs, afin d’éviter les décisions fondées sur la panique ou sur des promesses techniques insuffisamment examinées.

Plusieurs sujets méritent une attention continue. Il faudra observer la qualité réelle des outils de détection, notamment leurs erreurs et leurs effets sur les étudiants injustement soupçonnés. Il faudra aussi regarder si les nouvelles évaluations réduisent les fraudes sans alourdir excessivement le travail des enseignants. Enfin, les établissements devront s’assurer que les règles adoptées ne creusent pas les écarts entre les étudiants qui maîtrisent déjà les outils numériques et ceux qui y ont moins accès.

L’IA impose ainsi une réflexion plus vaste sur la finalité des diplômes. Si une machine peut produire en quelques secondes un devoir conventionnel, l’université est invitée à préciser ce que la copie doit démontrer : non pas seulement la capacité à livrer un texte correct, mais la compréhension, la méthode, l’esprit critique et la responsabilité intellectuelle de son auteur. C’est une transformation exigeante, sans solution facile, mais aussi l’occasion de renforcer ce que l’évaluation académique cherche à garantir.