IA à l’université : apprendre à penser doit compter plus que générer un devoir

Une réponse rédigée en quelques secondes peut avoir l’apparence d’un bon devoir, sans témoigner d’aucune lecture, d’aucun raisonnement ni d’aucune prise de recul. C’est le paradoxe que les universités affrontent depuis la diffusion massive des intelligences artificielles génératives : elles rendent l’accès à une formulation immédiate plus simple, mais elles compliquent la vérification de ce que l’étudiant a réellement appris.

La question ne se limite donc pas à repérer les textes générés par ChatGPT ou par des services comparables. Elle touche à la mission même de l’enseignement supérieur : former des personnes capables de lire attentivement, de distinguer un fait d’une interprétation, de construire une argumentation et de reconnaître leurs incertitudes. À l’heure où l’IA s’installe dans les pratiques d’étude, son intégration mérite une approche exigeante, loin à la fois du rejet réflexe et de l’enthousiasme sans conditions.

Pourquoi l’IA générative change la nature du travail universitaire

Les grands modèles de langage génèrent du texte en calculant les suites de mots les plus plausibles au regard de très grandes quantités de données. Leur aptitude à reformuler, résumer, traduire ou imiter une structure argumentative peut être très utile. Mais une phrase fluide ne constitue pas une preuve, et une réponse assurée ne garantit ni l’exactitude d’une information ni la qualité de son raisonnement.

Dans le cadre universitaire, cette distinction est décisive. Chercher une idée, lire des sources, confronter des auteurs, rédiger un premier brouillon, le corriger puis défendre son point de vue font partie du processus d’apprentissage. Si l’outil effectue l’essentiel de ces étapes à la place de l’étudiant, le résultat peut satisfaire formellement une consigne tout en privant son auteur du travail intellectuel qui donne justement sa valeur au devoir.

Le risque est particulièrement visible lorsque l’IA est utilisée comme une machine à produire une réponse finale. Un étudiant peut lui demander un plan, un commentaire de texte, une synthèse ou une bibliographie. Il peut aussi recevoir des affirmations séduisantes mais inexactes, des références imprécises, voire des éléments inventés. Sans retour aux documents d’origine et sans vérification méthodique, l’erreur peut se retrouver intégrée à un travail rendu avec une apparente assurance.

L’exemple de Henry Ford montre les limites d’une lecture assistée

L’exemple évoqué dans cette réflexion est parlant. Des étudiants ont été interrogés à propos d’un court article de Henry Ford, rédigé en 1922. Certaines réponses ont déformé la portée historique du document, en lui attribuant notamment le rôle de « leader transformationnel » ou la mise en place d’un système avancé de gestion des performances.

Ces formulations peuvent sembler modernes et professionnelles. Elles ne traduisent pas pour autant une lecture attentive de la source. Elles risquent surtout de plaquer sur un document ancien des catégories contemporaines, sans en examiner le vocabulaire, le contexte, les objectifs ou les limites. En histoire comme dans d’autres disciplines, comprendre une source ne consiste pas à lui faire dire ce que l’on attend d’elle.

Cet épisode ne permet pas, à lui seul, de juger le niveau d’une génération d’étudiants. Il met toutefois en lumière un mécanisme important : lorsqu’un outil livre immédiatement une interprétation prête à l’emploi, l’utilisateur peut être tenté de la reprendre sans la mettre à l’épreuve. Or, l’analyse critique commence précisément là où l’on interroge les mots employés, l’époque, l’auteur, les intérêts en jeu et les preuves disponibles.

La difficulté ne concerne pas seulement les sciences humaines. En droit, une réponse peut confondre des règles ou ignorer une exception. En sciences, elle peut présenter une explication simplifiée comme une certitude. En économie ou en gestion, elle peut restituer des notions correctes mais hors de propos. L’IA ne remplace pas l’expertise disciplinaire qui permet de détecter ces glissements.

Ce que l’étudiant risque de perdre en déléguant trop tôt

Le problème n’est pas qu’un étudiant utilise un outil numérique. Les correcteurs orthographiques, les moteurs de recherche, les bibliothèques en ligne et les logiciels de calcul ont déjà transformé les études. La différence tient au fait qu’une IA conversationnelle peut simuler plusieurs opérations intellectuelles à la fois : chercher, résumer, expliquer, rédiger et conclure.

Le tableau ci-dessous distingue l’aide possible de la substitution problématique du travail académique.

La créativité est également en jeu. Produire un texte implique souvent de traverser une phase d’hésitation : chercher un angle, abandonner une idée faible, reformuler une phrase, découvrir qu’une hypothèse ne tient pas. Cette lenteur n’est pas un défaut à éliminer systématiquement. Elle peut être l’espace où se construisent une pensée personnelle et une véritable compréhension.

Un texte généré peut aussi favoriser une forme d’uniformisation. Les modèles ont tendance à produire des formulations consensuelles, organisées et génériques. Pour une tâche simple, cela peut suffire. Pour une question qui exige une interprétation originale, une démonstration documentée ou une position étayée, cette homogénéité est au contraire une limite.

L’IA est-elle forcément incompatible avec l’apprentissage ?

Non. L’enjeu n’est pas de faire comme si ces outils n’existaient pas, ni de priver les étudiants d’une technologie qu’ils rencontreront dans de nombreux environnements professionnels. La maîtrise de l’IA peut constituer une compétence utile, à condition de ne pas la réduire à l’art de rédiger une requête efficace.

Un usage pédagogique peut consister à demander à l’IA d’expliquer un passage difficile, puis à relever ce qu’elle simplifie ou omet. Elle peut servir à générer des questions de révision, à comparer deux formulations, à proposer un contre-argument ou à aider à améliorer la clarté d’un texte que l’étudiant a lui-même conçu. Dans toutes ces situations, l’outil reste au service d’un travail identifiable, discuté et contrôlé.

La frontière essentielle est celle qui sépare l’assistance de la délégation. Un étudiant qui s’appuie sur l’IA pour relire son raisonnement peut encore apprendre de ses erreurs. Celui qui lui demande de penser, de documenter et de rédiger à sa place remet un produit fini dont il ne maîtrise ni les fondements ni les fragilités.

Comment les universités peuvent-elles adapter leurs évaluations ?

Les établissements d’enseignement supérieur font face à une difficulté concrète : les règles existantes ne répondent pas toujours clairement à l’usage généralisé des IA génératives. Interdire sans préciser les contours de l’interdiction laisse les étudiants dans l’incertitude. Autoriser sans condition revient à banaliser des pratiques qui peuvent fragiliser l’intégrité académique.

Un cadre utile devrait indiquer, pour chaque cours ou type d’évaluation, ce qui est permis, interdit ou doit être déclaré. L’étudiant doit notamment savoir s’il peut utiliser une IA pour corriger la langue, élaborer des pistes, produire du code, résumer un document ou préparer un exposé. Il doit aussi connaître les conséquences d’une utilisation non autorisée.

Les modalités d’évaluation ont également besoin d’évoluer. Un devoir rédigé à domicile reste pertinent, mais il peut être complété par des dispositifs qui donnent à voir le processus de travail : notes de lecture, versions intermédiaires, bibliographie annotée, justification des choix méthodologiques, présentation orale ou discussion avec l’enseignant. L’objectif n’est pas de transformer chaque étudiant en suspect. Il s’agit de mieux évaluer une compréhension réelle, plutôt qu’un texte isolé.

Quelques principes peuvent guider cette adaptation :

• demander une déclaration transparente lorsque l’IA a été utilisée dans un travail autorisé ;
• valoriser les sources primaires, la citation précise et l’explication de la méthode ;
• privilégier, lorsque c’est pertinent, des sujets ancrés dans les cours, les documents étudiés ou les échanges en classe ;
• évaluer la capacité à critiquer une réponse générée, y compris lorsqu’elle paraît plausible ;
• ne pas faire reposer une décision disciplinaire uniquement sur un outil de détection automatisé.

Former à l’esprit critique, pas seulement aux bons prompts

L’apprentissage de l’IA devrait comporter une dimension technique, mais aussi documentaire et éthique. Savoir formuler une demande précise est utile. Savoir repérer une information non sourcée, distinguer un résumé d’une démonstration, protéger des données sensibles et reconnaître ses propres biais l’est davantage encore.

Les enseignants peuvent faire de l’IA un objet d’étude. Par exemple, une classe peut comparer une réponse générée avec un article scientifique, un jugement, une archive ou un texte littéraire. Les étudiants peuvent identifier les erreurs, les généralisations abusives et les formulations qui donnent une illusion de certitude. Cet exercice inverse le rapport à l’outil : au lieu de consommer passivement une réponse, ils apprennent à l’évaluer.

Cette formation doit aussi rappeler que tous les usages n’ont pas les mêmes conséquences. Introduire dans un service externe des données personnelles, le contenu inédit d’un mémoire ou des informations confidentielles peut poser problème. De même, une production générée ne dispense pas de respecter les règles de citation, de propriété intellectuelle et de confidentialité fixées par l’établissement.

L’ambition universitaire ne devrait donc pas être de former des utilisateurs dociles d’outils toujours plus performants. Elle est de former des diplômés capables de s’en servir sans être guidés par eux, de reconnaître leurs limites et de défendre un jugement argumenté face à une réponse automatique.

Ce qu’il faut surveiller dans les universités

Au 17 septembre 2025, l’intelligence artificielle oblige les universités à redéfinir un équilibre délicat. Elles doivent préparer les étudiants à un monde professionnel où ces systèmes sont de plus en plus présents, sans confondre employabilité immédiate et formation intellectuelle durable.

Les prochaines décisions compteront autant que la technologie elle-même : qualité des règles internes, accompagnement des enseignants, transparence demandée aux étudiants, évolution des évaluations et place accordée aux sources originales. La bonne question n’est pas seulement « peut-on utiliser l’IA ? ». Elle est aussi : « quel apprentissage ce recours rend-il possible, et lequel risque-t-il d’empêcher ? »

Préserver l’exigence académique ne signifie pas restaurer artificiellement un monde sans outils numériques. Cela consiste à maintenir ce qui fait la valeur d’un diplôme : la capacité de comprendre avant d’affirmer, de vérifier avant de citer et de penser avant de produire.