IA générative : pourquoi les mathématiques redeviennent une compétence décisive

L’intelligence artificielle générative peut rédiger un texte, résumer un dossier, produire du code ou proposer une analyse en quelques secondes. Cette facilité peut donner l’impression que la maîtrise des connaissances et du raisonnement compte moins. C’est l’inverse qui se joue : plus les outils automatisent certaines tâches, plus la capacité à poser le bon problème, à juger une réponse et à en comprendre les limites devient précieuse.

Les mathématiques ne sont donc pas uniquement la matière des futurs ingénieurs, chercheurs ou développeurs. Elles entraînent à décomposer une situation complexe, à manipuler des hypothèses, à distinguer une corrélation d’une preuve et à contrôler la cohérence d’un résultat. À l’heure où les réponses d’une IA peuvent sembler convaincantes tout en étant inexactes, cette discipline constitue aussi une méthode de vérification pour un public bien plus large.

Pourquoi l’IA générative remet le raisonnement au centre

Les grands modèles de langage fonctionnent en prédisant, à partir d’immenses quantités de données, les suites de mots les plus plausibles. Leur entraînement mobilise notamment des statistiques, de l’algèbre linéaire, des probabilités et des méthodes d’optimisation. Il n’est pas nécessaire de maîtriser ces domaines pour utiliser un assistant conversationnel au quotidien. En revanche, comprendre la logique générale de ces systèmes aide à ne pas leur attribuer des capacités qu’ils n’ont pas.

Une IA générative ne raisonne pas au sens humain du terme et ne garantit pas la vérité de ses réponses. Elle peut produire une explication claire, un calcul juste ou une synthèse utile, mais aussi inventer une référence, confondre deux notions ou ignorer une information décisive. Face à ce type de résultat, l’utilisateur doit pouvoir formuler des critères, repérer une incohérence et demander une correction pertinente.

C’est ici que l’habitude du raisonnement mathématique joue un rôle central. Résoudre un problème revient souvent à définir ce qui est connu, ce qui est recherché, les contraintes et la méthode permettant de parvenir à une réponse. Cette démarche est directement transférable à l’usage d’une IA : une demande vague produit fréquemment une réponse vague, alors qu’une question bornée, contextualisée et vérifiable améliore l’utilité de l’outil.

Le savoir factuel ne devient pas inutile parce qu’une machine peut restituer une information. Il demeure indispensable pour poser les bonnes questions et évaluer les réponses. Mais, dans un environnement où l’accès à l’information est instantané, il n’est plus le seul facteur de différenciation. La capacité à sélectionner, relier et mettre à l’épreuve cette information prend une importance accrue.

Le recul des mathématiques au lycée français inquiète

Cette exigence intervient au moment où l’enseignement des mathématiques connaît un recul préoccupant dans le secondaire. La réforme du baccalauréat de 2019 a profondément modifié les parcours au lycée. Dans le diagnostic établi sur ses effets, les effectifs scientifiques ont diminué de 30 % chez les garçons et de 60 % chez les filles. La proportion de bachelières scientifiques est ainsi retombée à un niveau comparable à celui des années 1960.

La situation ne se résume pas à un choix individuel d’options. Elle touche la continuité de l’apprentissage et, à terme, le vivier de personnes susceptibles de suivre des formations scientifiques, techniques ou liées aux données. En trois ans, le volume d’heures de mathématiques dispensées au lycée a baissé de près de 20 %.

Ces chiffres comptent d’autant plus que les difficultés se construisent tôt. En CM1, 15 % des élèves éprouvent des difficultés en mathématiques élémentaires, un niveau présenté comme largement supérieur à la moyenne de l’Union européenne. Dans le même temps, seuls 3 % des élèves français sont reconnus parmi les plus performants en mathématiques, contre 46 % à Singapour.

Ces écarts ne préjugent pas des capacités individuelles des élèves. Ils signalent toutefois une difficulté collective à assurer une progression solide, depuis les fondamentaux jusqu’aux notions nécessaires à l’enseignement supérieur. Or les lacunes accumulées dans cette matière sont souvent difficiles à combler : une notion mal acquise peut entraver la compréhension de celles qui suivent.

Quelles compétences mathématiques sont utiles avec une IA ?

Tout le monde n’a pas besoin de devenir spécialiste des équations différentielles pour travailler avec des outils d’IA. Il existe néanmoins un socle utile dans la plupart des métiers, de la gestion à la santé, du journalisme au commerce, en passant par l’industrie et les services publics.

Ce socle recouvre plusieurs capacités :

• traduire une question concrète en variables, contraintes et objectifs clairs ;
• lire des chiffres, des pourcentages et des ordres de grandeur sans se laisser tromper par une présentation persuasive ;
• comprendre qu’une prévision comporte une incertitude et qu’une corrélation ne prouve pas une causalité ;
• contrôler un raisonnement étape par étape, plutôt que de s’en remettre à une réponse d’apparence assurée ;
• comparer plusieurs scénarios et expliciter les critères d’une décision.

Pour les personnes qui conçoivent les systèmes d’IA, les besoins sont naturellement plus poussés. Les probabilités permettent d’appréhender l’incertitude d’un modèle, les statistiques aident à évaluer sa qualité et ses biais, tandis que l’algèbre et l’optimisation interviennent dans sa construction. Mais entre l’utilisateur occasionnel et l’expert technique, une large part des actifs devra surtout savoir collaborer avec ces systèmes sans abandonner son jugement.

Deux profils d’expertise se distinguent alors. Le premier sait exprimer un besoin de façon précise, contextualisée et exploitable par l’outil. Le second sait valider, contester ou corriger le résultat obtenu. Dans la pratique, ces deux compétences sont souvent réunies chez une même personne : bien demander et bien vérifier forment les deux faces d’un usage responsable.

Bien prompter ne consiste pas à trouver une formule magique

Le mot « prompt » désigne l’instruction donnée à une IA. Il peut s’agir d’une simple question, mais devient rapidement plus élaboré dans un contexte professionnel. Pour obtenir une analyse de marché, préparer une note de synthèse ou générer un premier brouillon de code, l’utilisateur doit préciser le public visé, les informations disponibles, les contraintes, le format attendu et les critères de qualité.

Un prompt efficace suit souvent une démarche proche de la résolution d’un problème. Il commence par définir l’objectif. Il apporte ensuite les données pertinentes. Il indique enfin le résultat souhaité et les limites à respecter. Par exemple, demander à une IA de « résumer un rapport » n’a pas la même portée que lui demander de présenter les trois décisions prioritaires d’un document, pour des lecteurs non spécialistes, en distinguant les faits des recommandations.

La qualité de l’instruction influence donc fortement l’utilité de la réponse. Elle ne transforme pas pour autant l’IA en outil infaillible. Même avec une demande très détaillée, une information sensible, chiffrée, juridique, médicale ou scientifique doit être contrôlée. L’utilisateur doit notamment vérifier les calculs, l’existence des références citéées et l’adéquation entre la réponse et la question posée.

Cette vigilance est une compétence professionnelle, pas un frein à l’innovation. L’enjeu n’est pas de tout faire sans machine, mais de savoir à quel moment déléguer une tâche, quand demander des précisions et dans quels cas une validation humaine reste impérative.

Le marché du travail valorise l’analyse autant que la technique

L’essor de l’IA transforme les besoins des entreprises. Entre 2018 et 2023, les offres d’emploi demandant des compétences en intelligence artificielle ont été multipliées par sept. Cette progression ne concerne pas seulement les postes consacrés au développement de modèles. Elle traduit un besoin plus large de professionnels capables de travailler avec des données, d’interpréter des résultats et de piloter des outils automatisés.

Dans une entreprise, l’IA peut accélérer la préparation d’un document, aider à trier des informations ou suggérer des scénarios. Mais elle ne remplace pas la responsabilité de la décision. Un responsable doit encore déterminer quelles données sont pertinentes, quel indicateur mérite d’être suivi et quel niveau de risque est acceptable. Ces questions demandent une culture du raisonnement, de la mesure et de l’incertitude.

Pour la France, la question est également celle de l’autonomie technologique. Un pays qui forme peu d’élèves aux sciences et aux mathématiques risque de dépendre davantage de technologies conçues ailleurs, tout en disposant de moins de personnes capables d’en évaluer les résultats, d’en encadrer les usages ou d’en développer des alternatives. La souveraineté ne se limite pas aux infrastructures et aux logiciels : elle repose aussi sur les compétences de la population.

Repenser l’enseignement sans réserver les maths à une élite

Répondre à cet enjeu ne signifie pas demander à tous les élèves de suivre un parcours identique ou de viser les mêmes métiers. L’objectif est de garantir que chacun possède les outils fondamentaux pour comprendre un monde où les chiffres, les algorithmes et les systèmes automatisés interviennent dans un nombre croissant de décisions.

La réintégration des mathématiques dans un tronc commun solide apparaît, dans cette perspective, comme une priorité. Elle devrait s’accompagner d’un temps d’apprentissage suffisant, de programmes cohérents et d’une attention particulière aux élèves qui rencontrent des difficultés dès le primaire. La baisse très marquée des effectifs scientifiques chez les filles impose aussi de s’interroger sur les mécanismes scolaires et sociaux qui éloignent une partie d’entre elles de ces parcours.

Les outils numériques peuvent soutenir cet enseignement, à condition de ne pas se substituer à l’apprentissage. Une IA peut proposer des exercices adaptés, reformuler une explication ou aider un élève à identifier une erreur. Elle ne dispense ni de comprendre une démonstration, ni de pratiquer, ni de construire progressivement des automatismes. Sans bases solides, l’outil risque surtout de fournir des réponses prêtes à l’emploi qui masquent les lacunes.

La revalorisation du métier d’enseignant est tout aussi déterminante. Former durablement aux mathématiques demande du temps, une expertise disciplinaire et la possibilité d’accompagner les écarts de niveau. Moderniser les programmes implique donc de relier davantage les notions à des situations concrètes, y compris aux données et aux algorithmes, sans sacrifier la rigueur qui fait la force de la discipline.

Ce qu’il faut surveiller

L’IA générative va continuer à s’installer dans les études et dans le travail. Son développement rendra probablement plus visibles deux écarts : celui qui sépare les personnes capables d’utiliser ces outils avec discernement de celles qui s’en remettent entièrement à leurs réponses, et celui qui oppose les économies dotées de solides compétences scientifiques à celles qui les ont laissées s’éroder.

Trois priorités se dégagent : consolider les fondamentaux dès l’école primaire, assurer une continuité de l’enseignement mathématique au lycée et diffuser une culture de vérification dans tous les cursus. Les compétences attendues ne sont pas uniquement techniques. Elles relèvent aussi de l’esprit critique, de l’analyse et de la capacité à transformer une question imprécise en problème clairement posé.

Dans un monde riche en outils capables de générer instantanément du contenu, la valeur humaine résidera moins dans la production automatique d’une réponse que dans la capacité à en apprécier la pertinence. Les mathématiques ne sont pas une survivance d’un enseignement ancien : elles peuvent devenir l’un des meilleurs moyens de ne pas rester un utilisateur passif de l’intelligence artificielle.