À l’université, l’IA brouille la frontière entre aide et tricherie

L’essor de l’intelligence artificielle générative oblige les universités à traiter une question que les logiciels de détection ne peuvent pas résoudre à eux seuls : quand un étudiant se fait-il aider, et quand cesse-t-il réellement de produire son propre travail ? Cette frontière, déjà délicate pour la recherche documentaire, les correcteurs orthographiques ou le tutorat, est devenue beaucoup plus instable avec des outils capables de rédiger en quelques secondes un plan, une synthèse ou un devoir entier.

Le problème ne se résume pas à une opposition entre étudiants fraudeurs et enseignants méfiants. Une même technologie peut aider à clarifier une notion, à reformuler une phrase ou à préparer une révision. Elle peut aussi produire un texte que l’étudiant remet sans l’avoir compris ni travaillé. Entre ces deux usages, il existe une vaste zone grise, dont les limites doivent être fixées explicitement par chaque établissement et, souvent, par chaque enseignement.

Plus d’un étudiant sur deux utilise déjà l’IA pour ses évaluations

L’ampleur de l’usage ne fait plus de doute. Une note du Higher Education Policy Institute, publiée en février 2024, indique que plus de la moitié des étudiants ont eu recours à une IA générative pour obtenir de l’aide dans le cadre d’une évaluation. Ce résultat ne signifie pas que la moitié des étudiants trichent. Il montre surtout que l’IA est devenue un outil courant dans le travail universitaire.

La même enquête estime qu’environ 5 % des étudiants utilisent probablement l’IA pour tricher. Ce chiffre est nettement inférieur à la part des utilisateurs d’IA, mais il suffit à fragiliser un modèle d’évaluation reposant largement sur des travaux à rendre chez soi. Lorsqu’un texte peut être produit ou profondément transformé en dehors de tout échange avec l’enseignant, il devient plus difficile de savoir ce que l’étudiant maîtrise réellement.

Cette distinction est essentielle. Demander à un assistant conversationnel d’expliquer un concept difficile, puis vérifier l’explication dans ses cours ou ses sources, ne revient pas à déléguer un devoir. À l’inverse, remettre un texte généré automatiquement comme s’il était le fruit de son propre raisonnement remet directement en cause l’objectif de l’évaluation.

Pourquoi la limite entre assistance et fraude est-elle si difficile à tracer ?

L’IA générative n’est pas un outil à usage unique. Elle peut corriger une formulation maladroite, proposer une structure de dissertation, résumer un document, suggérer des questions de révision ou rédiger un développement complet. Ces fonctions n’ont pas le même effet sur l’apprentissage, mais elles sont parfois accessibles depuis une même interface et à partir d’une simple consigne.

La difficulté vient aussi des règles. Dans certains contextes, les étudiants peuvent être autorisés à utiliser l’IA pour une étape précise, par exemple pour améliorer la lisibilité d’un texte, à condition de le déclarer. Dans d’autres, toute génération de contenu est interdite. Sans consigne détaillée, deux étudiants peuvent faire un usage comparable d’un outil tout en croyant, de bonne foi, respecter des règles différentes.

Les cas d’Albert et d’Emma, évoqués comme exemples de cette crise, illustrent les deux faces du problème. Albert, étudiant en deuxième année, est soupçonné d’avoir utilisé une IA pour un essai en raison de formulations jugées trop génériques. Il doit défendre son travail devant un comité d’intégrité académique alors qu’il affirme avoir rédigé lui-même. Emma, mère célibataire et étudiante confrontée à un manque de temps, recourt pour sa part à l’IA afin de respecter une échéance, puis se retrouve accusée de plagiat. Même si sa situation se conclut en faveur de l’honnêteté académique, l’expérience la marque durablement.

Ces exemples rappellent que le recours à l’IA ne peut pas être analysé sans prendre en compte les conditions d’étude. Charge de travail, pression des résultats, délais, isolement, difficultés de gestion du temps ou manque d’accompagnement peuvent pousser certains étudiants à chercher une solution immédiate. Comprendre ces facteurs ne revient pas à excuser la fraude. C’est une condition pour la prévenir autrement que par la seule menace de sanction.

Les détecteurs d’IA peuvent-ils prouver une tricherie ?

Face à la crainte des travaux générés automatiquement, des établissements s’appuient sur des plateformes telles que Turnitin, historiquement connues pour la détection des similitudes textuelles et du plagiat. Ces plateformes ont ajouté des indicateurs visant à signaler les passages susceptibles d’avoir été produits par une IA.

Mais un tel indicateur n’est pas une preuve absolue. Un détecteur évalue des caractéristiques statistiques du texte : régularité des formulations, prévisibilité de certains enchaînements, structures récurrentes. Il ne voit ni les brouillons, ni les lectures réalisées, ni les échanges avec un tuteur, ni le raisonnement suivi par l’étudiant. Surtout, l’existence de faux positifs signifie qu’un texte humain peut être présenté comme probablement généré par une machine.

Sanctionner un étudiant sur la seule base d’un pourcentage ou d’un signal automatisé serait donc problématique. Une procédure équitable doit permettre d’examiner le devoir dans son contexte : versions successives, notes de travail, bibliographie, capacité à expliquer ses choix et cohérence avec les productions précédentes. Un échange oral peut également aider à vérifier la compréhension du sujet, sans transformer pour autant chaque étudiant en suspect.

Le risque d’une université sous suspicion

La lutte contre la fraude est légitime : un diplôme atteste en principe de connaissances et de compétences acquises par la personne qui l’obtient. Si les évaluations ne permettent plus de vérifier cette acquisition, la confiance accordée aux résultats et aux diplômes peut s’éroder.

Toutefois, une politique exclusivement fondée sur la surveillance comporte un coût humain et pédagogique. Un étudiant accusé à tort peut ressentir stress, anxiété et perte de confiance en ses capacités. Les enseignants, eux, peuvent être conduits à soupçonner des textes simplement parce qu’ils sont trop fluides, trop structurés ou rédigés dans un style générique. Or une écriture claire ne constitue pas, en elle-même, un indice de fraude.

Cette atmosphère de méfiance risque d’affaiblir la relation qui devrait être au cœur de l’enseignement supérieur : celle qui permet à l’étudiant de demander de l’aide, de reconnaître une difficulté et de progresser. Plus l’usage de l’IA est traité comme un tabou indistinct, plus les étudiants peuvent être tentés de le dissimuler, y compris lorsqu’ils l’utilisent pour des tâches autorisées.

Repenser les évaluations plutôt que poursuivre une technologie

L’IA met surtout en lumière les limites des évaluations standardisées, longues et réalisées à distance, dont la réponse peut être aisément générée. La solution ne consiste pas forcément à abandonner les dissertations ou les travaux écrits. Ces exercices restent utiles pour apprendre à argumenter, rechercher et écrire. Mais ils gagnent à être complétés par des formats qui rendent visible le cheminement de l’étudiant.

Les universités peuvent notamment varier les modalités : discussion orale autour d’un travail remis, présentation d’un projet, commentaires sur les sources mobilisées, remise d’un plan ou de versions intermédiaires, travaux collectifs encadrés, analyse critique d’une réponse produite par une IA. Dans ce dernier cas, l’outil devient lui-même un objet d’apprentissage : l’étudiant doit repérer les approximations, les biais, les informations non sourcées ou les erreurs de raisonnement.

Cette évolution peut aussi rapprocher l’université de la réalité professionnelle. Les futurs diplômés seront susceptibles de croiser des outils d’IA dans de nombreux métiers. L’objectif ne peut donc pas être seulement de les en éloigner. Il doit être de leur apprendre à les utiliser avec discernement, à vérifier leurs sorties et à assumer la responsabilité de ce qu’ils produisent.

Des règles explicites pour sortir de la zone grise

Une politique universitaire utile doit être compréhensible avant la remise d’un devoir, et non découverte lors d’une accusation. Elle peut préciser, pour chaque type d’évaluation, ce qui est permis, ce qui est interdit et ce qui doit être déclaré. Les étudiants doivent aussi savoir si une assistance à la langue, à la traduction, à la recherche d’idées ou à la structuration est acceptée, et sous quelles conditions.

La transparence est d’autant plus importante que les usages sont variés. Dire simplement « l’IA est interdite » laisse subsister des interrogations pratiques : qu’en est-il d’un correcteur intégré à un logiciel de traitement de texte, d’une reformulation proposée automatiquement ou d’un outil de synthèse ? À l’inverse, autoriser l’IA sans indiquer les limites expose l’évaluation à la délégation complète du travail intellectuel.

Une approche dite « positive sur l’IA » cherche précisément à éviter ces deux écueils. Elle ne banalise pas la fraude, mais reconnaît l’existence de l’outil et encadre les usages compatibles avec l’apprentissage. Elle suppose aussi de former les personnels, afin que les règles soient appliquées de manière cohérente et que les étudiants puissent obtenir une réponse lorsqu’ils hésitent.

Ce qu’il faut surveiller dans les universités

La crise de la tricherie liée à l’IA pose une question plus large que celle du contrôle des devoirs : quelle compétence l’université cherche-t-elle à évaluer ? Si l’enjeu est uniquement de produire rapidement un texte acceptable, les modèles génératifs bouleversent profondément l’exercice. Si l’enjeu est d’apprendre à problématiser, vérifier, argumenter, citer ses sources et défendre un raisonnement, l’IA peut devenir à la fois un risque et un outil pédagogique.

Les établissements devront donc trouver un équilibre durable. Ils doivent protéger l’intégrité des diplômes et prévoir des conséquences proportionnées en cas de fraude avérée. Mais ils doivent aussi éviter que des étudiants innocents soient fragilisés par des détections incertaines, et donner à chacun les moyens de comprendre les nouvelles règles du jeu.

À la fin de 2024, l’enjeu n’est plus de savoir si l’IA a sa place dans l’enseignement supérieur. Elle y est déjà. La question décisive est de savoir si les universités sauront organiser son usage de façon à préserver ce qui donne sa valeur à un diplôme : non pas un texte remis, mais les connaissances, le jugement et le travail personnel qu’il est censé attester.