Enseigner avec l’IA : un semestre qui redessine le travail en classe

L’intelligence artificielle ne s’est pas installée dans les salles de cours comme une simple application supplémentaire. Dans le récit d’un enseignant de liberal arts college, elle a déplacé des questions beaucoup plus fondamentales : que signifie lire un texte difficile, formuler une idée personnelle, participer à une discussion et être évalué équitablement ? Le semestre relaté n’est pas celui d’une révolution paisible. C’est l’expérience d’une adaptation rapide, parfois féconde, parfois déstabilisante.

L’enjeu ne se limite pas à savoir si les étudiants utilisent un outil d’IA. Il concerne la place prise par ces systèmes dans le cheminement intellectuel. Lorsqu’un étudiant peut demander une explication, un résumé ou un plan en quelques secondes, la difficulté ne disparaît pas nécessairement. Elle change de nature : il faut apprendre à vérifier, à contextualiser, à contester et, surtout, à produire son propre raisonnement.

Un semestre où les règles du cours ont changé

Le témoignage se déroule dans un liberal arts college, un type d’établissement où l’enseignement accorde traditionnellement une place importante aux humanités, à la discussion et à la formation intellectuelle générale. L’établissement n’est pas nommé, mais le constat est clair : l’arrivée des outils d’IA dans les cours a obligé l’enseignant à revoir en profondeur ses méthodes habituelles.

Cette évolution touche à la fois la préparation des étudiants, leur manière de chercher des informations et leurs attentes face au cours. L’IA est décrite comme omniprésente dans leur environnement, ce qui rend difficile le maintien d’une frontière nette entre le travail effectué seul, l’aide numérique ponctuelle et la délégation de certaines tâches intellectuelles à une machine.

Dans ce contexte, la fonction de l’enseignant ne se réduit pas à transmettre un contenu. Il doit également créer des conditions permettant de distinguer une réponse plausible d’une compréhension réelle. Une formulation fluide, générée ou trouvée rapidement, peut donner l’impression d’une maîtrise. Or l’apprentissage se joue souvent dans ce qui résiste : un passage obscur, une référence inconnue, une contradiction à éclaircir ou une hypothèse à défendre devant les autres.

L’expérience relatée montre aussi que tous les étudiants ne réagissent pas de la même manière. Certains peuvent être stimulés par des outils interactifs et des ressources plus accessibles. D’autres éprouvent un détachement, notamment lorsque l’échange avec les camarades ou avec l’enseignant est remplacé par une interaction solitaire avec un système automatisé.

Lire Camus exige plus qu’un résumé

Les séminaires évoqués sont consacrés à la pensée noire et à l’œuvre d’Albert Camus. Ils font apparaître une difficulté qui précède l’IA mais que celle-ci peut rendre plus visible : le manque de repères historiques, littéraires et philosophiques nécessaires à la lecture d’œuvres complexes.

L’exemple central est L’Homme révolté, essai publié en 1951. Un tel texte ne se laisse pas réduire à quelques idées générales extraites de leur cadre. Le comprendre suppose de suivre une argumentation, d’identifier les problèmes politiques et moraux qu’elle pose, et de relier les concepts à leur époque comme aux débats qu’ils continuent de susciter. Une réponse rapide peut restituer des thèmes, mais elle ne garantit pas qu’un lecteur ait saisi les tensions du texte.

Selon le témoignage, beaucoup d’étudiants peinent à établir des liens entre les événements contemporains et les réflexions de Camus. Ce décalage n’est pas présenté comme un défaut individuel. Il révèle le travail de reconstruction du contexte qui doit désormais accompagner la lecture : rappeler les références, situer les débats, expliquer le vocabulaire et donner aux étudiants le temps de comparer plusieurs interprétations.

C’est ici que le séminaire conserve une valeur particulière. Lire collectivement ne consiste pas à obtenir la « bonne » synthèse. Cela permet de confronter des passages, de repérer une approximation et d’entendre des analyses différentes. L’enseignant peut alors faire de l’incertitude un point de départ, plutôt qu’un obstacle à contourner par une réponse immédiate.

Pourquoi l’IA peut fragiliser la réflexion critique

La préoccupation majeure exprimée dans ce retour d’expérience concerne la pensée critique. L’accès facilité à l’information et à des formulations prêtes à l’emploi peut favoriser des réponses superficielles, au lieu d’analyses construites. Le problème n’est donc pas l’abondance d’informations en elle-même, mais la manière dont elles sont sélectionnées, reformulées et examinées.

Les systèmes d’IA générative sont conçus pour produire des réponses cohérentes à partir de très grandes quantités de données textuelles. Ils peuvent être utiles pour clarifier un terme, proposer des pistes de recherche, comparer des arguments ou reformuler un passage ardu. Mais ils ne lisent pas une œuvre au sens humain du terme et ne prennent pas la responsabilité d’une interprétation. Une réponse convaincante peut comporter des simplifications, des erreurs ou des références imprécises.

Dans un cours d’humanités, cette limite est décisive. L’objectif n’est pas seulement de parvenir à une conclusion. Il est de savoir montrer comment on y arrive. Quelles phrases du texte soutiennent l’idée ? Quelle objection peut lui être opposée ? Que change le contexte historique ? Quelles notions faut-il distinguer ? Autant de questions qui obligent à ralentir, alors que les outils numériques valorisent souvent l’immédiateté.

Le témoignage invite ainsi à ne pas opposer artificiellement tradition et technologie. Le véritable choix porte plutôt sur l’usage. L’IA peut élargir l’accès à certaines ressources, mais elle ne doit pas dispenser les étudiants de formuler une question, d’assumer un point de vue et de réviser leur jugement lorsqu’un échange met en évidence une faiblesse.

Des outils utiles, à condition de les remettre à leur place

L’enseignant ne décrit pas un rejet pur et simple de l’IA. Des supports numériques, des débats nourris par ces ressources, l’analyse de données et la simulation de scénarios ont été mobilisés pour accompagner un apprentissage jugé difficile. Dans cette logique, la technologie sert de support à la pédagogie, et non de substitut au cours.

L’usage évoqué comprend également des outils automatisés destinés à analyser les performances des étudiants et à adapter certains contenus à leurs besoins. Sur le principe, une telle personnalisation peut aider à repérer plus vite un point de blocage ou à proposer des ressources correspondant au niveau d’un étudiant. Elle peut aussi fournir à l’enseignant des signaux utiles pour ajuster son accompagnement.

Mais ces promesses appellent plusieurs précautions. Aucune donnée sur les étudiants ne résume leur effort, leur curiosité, leurs contraintes ou leur progression. Les indicateurs peuvent révéler une tendance, pas expliquer une situation à eux seuls. L’évaluation automatisée doit donc rester intelligible : les étudiants doivent savoir quelles informations sont prises en compte, dans quel but et avec quelles limites.

La question de la confidentialité est tout aussi importante. Introduire des services numériques dans l’enseignement suppose de réfléchir aux données transmises, à leur conservation et à leur éventuelle réutilisation. Dans un cadre éducatif, l’efficacité ne peut pas être le seul critère. La confiance des étudiants, la transparence des pratiques et l’égalité d’accès comptent également.

L’évaluation doit mesurer un cheminement, pas seulement un résultat

L’IA peut accélérer certains retours sur le travail des étudiants. Le récit mentionne une évaluation plus rapide et l’identification de domaines nécessitant une attention particulière, grâce à des informations sur les habitudes d’apprentissage. Cet apport peut être précieux lorsque les effectifs, le temps disponible ou la diversité des besoins compliquent le suivi individuel.

Pour autant, « plus rapide » ne signifie pas automatiquement « plus juste ». Une évaluation pertinente dans un séminaire sur Camus, par exemple, ne porte pas seulement sur la présence de mots-clés ou la conformité à une réponse attendue. Elle doit prendre en compte la qualité d’une démonstration, la précision d’une lecture, la capacité à mobiliser un contexte et l’évolution du raisonnement.

La meilleure utilisation d’un système automatisé est donc celle qui libère du temps pour l’échange humain. Un outil peut signaler qu’un étudiant bute sur une notion ou qu’une ressource mérite d’être retravaillée. L’enseignant, lui, peut demander ce qui bloque, écouter l’explication, reformuler une consigne et encourager une piste originale. Ces deux rôles ne sont pas interchangeables.

Former à l’IA sans renoncer aux humanités

Cette expérience locale s’inscrit dans une transformation plus large de l’enseignement supérieur. Les établissements cherchent à intégrer davantage de diplômés formés à l’IA et aux technologies, tout en adaptant leurs cursus à des outils déjà présents dans la vie quotidienne et professionnelle.

Dans cette perspective, Thierry Coulhon, de l’Institut Polytechnique de Paris, évoque un projet ambitieux visant à tripler les promotions dans ces domaines. Le mouvement ne concerne pas seulement les futurs ingénieurs ou spécialistes de données. Comprendre les usages, les limites et les effets sociaux de l’IA devient utile dans un nombre croissant de disciplines.

Les initiatives portées dans le secteur de la formation, y compris celles citées autour d’IAD School, témoignent de cette volonté de développer les compétences technologiques. Toutefois, former davantage ne veut pas uniquement dire former plus vite. Une culture de l’IA solide suppose aussi de savoir identifier les biais possibles d’un système, vérifier une information, protéger des données personnelles et évaluer les conséquences d’une décision automatisée.

Les humanités ont ici un rôle concret. Elles apprennent à interpréter des textes, à examiner les mots employés, à replacer une idée dans son histoire et à débattre de ce qui paraît évident. Ces compétences ne sont pas un supplément face à l’IA : elles constituent une partie de la réponse aux questions qu’elle soulève.

Ce qu’il faut surveiller dans les salles de cours

Le semestre raconté ne permet pas de trancher une fois pour toutes la place de l’IA à l’université. Il met plutôt en lumière plusieurs exigences durables. La première consiste à fixer des règles d’usage explicites, adaptées à chaque exercice. Un travail de recherche, un commentaire de texte, une préparation de débat ou une évaluation ne demandent pas tous le même niveau d’assistance autorisée.

La deuxième est de préserver des espaces où les étudiants doivent penser à voix haute, défendre une interprétation et réagir à une objection. Ces moments rendent le raisonnement visible. Ils permettent aussi de valoriser ce qu’aucun outil ne peut fournir à la place d’un étudiant : une lecture assumée, située et amendée au contact des autres.

Enfin, l’enjeu sera de ne pas creuser les écarts entre ceux qui maîtrisent déjà les codes de ces outils et ceux qui n’y ont pas le même accès ou la même familiarité. L’accompagnement doit porter autant sur l’usage technique que sur le jugement. Dans le récit de ce semestre difficile, c’est peut-être la leçon la plus importante : l’IA peut devenir une aide pédagogique, à condition que l’éducation conserve son ambition première, former des esprits capables de comprendre, de questionner et de décider par eux-mêmes.