À l’université, l’IA impose un dilemme entre aide et intégrité académique

L’université a longtemps reposé sur un principe simple : un devoir rendu doit permettre d’évaluer ce qu’un étudiant a compris, recherché, écrit et raisonné. Avec les outils d’intelligence artificielle générative, ce principe ne disparaît pas, mais il devient beaucoup plus difficile à appliquer. Corriger une phrase, résumer un texte, expliquer une notion, proposer un plan ou déboguer du code : chacune de ces aides peut accélérer le travail. Chacune peut aussi déplacer une part essentielle de l’effort intellectuel vers une machine.

C’est le nœud du dilemme mis en avant par Talia Winiarsky. L’IA est déjà présente dans les pratiques étudiantes, alors que les règles qui devraient en préciser les usages restent souvent imprécises, disparates ou fondées sur l’interdiction. La discussion ne porte donc pas seulement sur ChatGPT ou sur la détection de la triche. Elle interroge ce que l’enseignement supérieur veut encore mesurer : un résultat final, ou le chemin suivi pour y parvenir.

L’IA est devenue un outil d’étude courant

Un récent sondage cité dans cette réflexion indique que 69,2 % des étudiants utilisent des outils d’IA. L’un des usages les plus fréquents consiste à repérer des erreurs typographiques et grammaticales. À première vue, cette pratique prolonge les correcteurs intégrés depuis longtemps aux logiciels de traitement de texte. Mais les assistants génératifs vont plus loin : ils peuvent reformuler un paragraphe, varier le vocabulaire, proposer une structure argumentative ou répondre à des questions sur un document.

Une étudiante évoquée par Talia Winiarsky explique ainsi que ChatGPT lui fait gagner du temps, au point de remplacer certaines visites répétées à la bibliothèque. Ce témoignage ne signifie pas que l’outil remplace à lui seul la recherche universitaire. Il montre plutôt combien l’accès immédiat à une réponse rédigée change la manière de commencer un travail. Là où l’étudiant devait d’abord chercher des ouvrages, consulter des articles, recouper les sources et élaborer ses notes, il peut désormais solliciter une première synthèse en quelques secondes.

Cette rapidité constitue un avantage réel, notamment pour lever un blocage, trouver une explication plus accessible ou améliorer une formulation. Elle comporte cependant une limite fondamentale : un modèle génératif produit des réponses plausibles, pas une garantie de vérité. Il peut simplifier abusivement un sujet, omettre une nuance, inventer une référence ou présenter une information erronée avec assurance. L’étudiant qui l’emploie doit donc conserver un rôle actif de vérification.

Pourquoi les étudiants hésitent-ils à en parler ?

Le problème ne tient pas uniquement aux capacités techniques de l’IA. Il tient aussi au silence qui l’entoure. Dans de nombreux cursus, particulièrement en sciences humaines selon la réflexion rapportée par Talia Winiarsky, les étudiants ne disposent pas toujours d’un cadre explicite pour savoir ce qui est permis, toléré ou sanctionné.

Cette incertitude favorise une forme d’ambiguïté morale. Des étudiants peuvent utiliser un assistant pour corriger leur anglais, améliorer la fluidité d’une phrase ou clarifier une consigne, tout en craignant que cette aide soit assimilée à une fraude. Un professeur de Princeton cité dans la publication d’origine souligne cette peur d’être désigné comme tricheur. Dans ces conditions, l’usage réel de l’IA est moins discuté qu’il n’est caché.

Or, une politique fondée seulement sur la prohibition rencontre rapidement une limite pratique. Même si un établissement interdit les assistants génératifs, ces outils restent accessibles hors des salles de cours, sur ordinateur comme sur téléphone. Les examens sur table peuvent réduire la possibilité d’y recourir à un instant donné, mais ils ne répondent pas à toutes les situations, notamment aux travaux de recherche de longue durée, aux dissertations ou aux projets informatiques.

Le risque est alors double. D’un côté, des étudiants utilisent l’IA sans accompagnement, sans apprendre à en déceler les erreurs ni à signaler leur démarche. De l’autre, ceux qui souhaitent respecter les règles peuvent être pénalisés par rapport à des camarades qui les contournent discrètement. L’enjeu n’est donc pas de normaliser aveuglément l’outil, mais de sortir d’un système dans lequel les normes sont devinées plutôt qu’enseignées.

Intégrité académique : où placer la frontière ?

L’intégrité académique ne se résume pas à la détection d’un texte écrit par une IA. Elle renvoie à une question plus profonde : l’étudiant présente-t-il comme sien un travail dont il est réellement l’auteur intellectuel ? Dans les disciplines où l’écriture, l’interprétation et la construction d’une pensée personnelle sont au centre de l’apprentissage, cette interrogation est particulièrement sensible.

Pour un étudiant qui aspire à devenir écrivain, chercheur, historien ou juriste, la productivité peut être vécue comme un signe de compétence. Obtenir rapidement un texte propre, cohérent et bien structuré est donc tentant. Mais si l’outil fournit les arguments, les formulations et les transitions, l’étudiant risque de court-circuiter précisément l’exercice qui lui permet de progresser : lire attentivement, douter, organiser ses idées, réécrire et assumer un point de vue.

Les usages ne sont pas identiques dans les filières scientifiques et techniques. En sciences, technologies, ingénierie et mathématiques, souvent regroupées sous l’acronyme STEM, l’IA peut prendre la forme d’un tuteur disponible à toute heure. Elle peut détailler une méthode, expliquer une erreur de calcul, donner un exemple de raisonnement ou aider à comprendre un message d’erreur dans un programme. Employée comme point d’appui, elle peut faciliter l’apprentissage. Employée pour livrer directement une solution incomprise, elle compromet cet apprentissage.

La bonne frontière ne peut donc pas toujours être la même d’un cours à l’autre. Elle doit être annoncée clairement par l’enseignant, puis comprise par les étudiants. Quelques questions simples permettent de guider cette réflexion :

• L’outil assiste-t-il une compétence que l’exercice doit précisément évaluer ?
• L’étudiant peut-il expliquer, justifier et reproduire ce qu’il remet ?
• Les propositions de l’IA ont-elles été vérifiées à partir de sources et de connaissances fiables ?
• L’usage de l’outil est-il déclaré lorsque le cours le demande ?

Interdire ou encadrer : deux réponses très différentes

Face à l’IA, l’interdiction offre l’avantage apparent de la simplicité. Elle exprime clairement que l’établissement refuse qu’une machine produise le travail attendu d’un étudiant. Elle ne suffit pourtant pas à décrire tous les cas réels. Un même outil peut servir à détecter une coquille dans un texte, à simuler un échange pédagogique, à rédiger un passage entier ou à fabriquer de fausses sources. Ces situations ne posent ni les mêmes risques ni les mêmes exigences.

L’encadrement demande davantage de travail, mais il correspond mieux à cette diversité. Il peut prendre la forme d’une charte commune, de consignes propres à chaque devoir et de temps de formation pour les enseignants comme pour les étudiants. Un enseignant peut, par exemple, autoriser l’IA pour générer des pistes de recherche tout en exigeant que les sources soient retrouvées et citées ; il peut permettre une correction linguistique, mais interdire la rédaction intégrale ; il peut aussi demander un court texte expliquant comment l’outil a été utilisé.

Cette transparence ne transforme pas l’IA en arbitre fiable. Les détecteurs de textes générés, en particulier, ne peuvent pas résoudre à eux seuls une question d’intégrité : ils ne démontrent pas avec certitude l’origine d’un texte et ne remplacent ni la confiance pédagogique ni l’évaluation du raisonnement. Des modalités comme l’oral, le suivi d’un brouillon, les exercices contextualisés ou la discussion sur le processus de travail peuvent aider à mieux évaluer l’appropriation réelle des connaissances.

Une technologie adoptée, mais loin de faire consensus

Le paradoxe relevé par Talia Winiarsky dépasse largement les amphithéâtres. Les étudiants peuvent recourir quotidiennement à l’IA tout en redoutant ce qu’elle annonce pour la société. Selon le sondage évoqué dans la publication d’origine, près de 40 % d’entre eux se montrent sceptiques quant aux effets bénéfiques de ces technologies.

Ce scepticisme se comprend d’abord à l’échelle du marché du travail. Les futurs diplômés se préparent à intégrer des entreprises qui automatisent déjà certaines tâches, de la rédaction de documents au traitement de données, en passant par le service client et le développement logiciel. Les opérations d’Amazon mises en avant autour de l’IA participent à cette perception d’une transformation rapide des métiers. La crainte n’est pas seulement celle de voir des postes disparaître. C’est aussi de ne pas savoir quelles compétences resteront distinctives lorsque les outils produiront de plus en plus de contenu et d’analyses à bas coût.

L’université a ici un rôle qui va au-delà de l’apprentissage d’une interface. Elle doit aider les étudiants à développer ce que l’automatisation ne remplace pas mécaniquement : l’esprit critique, la capacité à formuler un problème, la maîtrise d’un domaine, l’évaluation de la fiabilité d’une information, la coopération et la responsabilité face aux conséquences d’une décision. Savoir utiliser une IA devient une compétence ; savoir quand ne pas lui déléguer une tâche en est une autre.

Le coût environnemental, un enjeu souvent invisible

L’usage universitaire de l’IA donne facilement l’impression d’être immatériel. Une requête est saisie sur un écran, une réponse apparaît, puis la conversation est fermée. Pourtant, derrière cette interaction se trouvent des centres de données, des serveurs spécialisés, des réseaux et des systèmes de refroidissement qui consomment de l’électricité et, selon les infrastructures, de l’eau.

Une étude de 2024 mentionnée dans la publication d’origine alerte sur l’impact environnemental significatif des technologies d’IA, y compris pour la production de contenus apparemment légers comme un courriel. Il faut éviter d’en tirer une équation simpliste : l’empreinte exacte d’une requête dépend du modèle utilisé, de la longueur de la réponse, du matériel, de l’efficacité du centre de données et du mix électrique. Mais le principe demeure : multiplier des usages automatisés, surtout lorsqu’ils sont peu nécessaires, a un coût collectif.

Cette dimension complique encore le débat. L’étudiant ne décide pas seul de l’architecture technique des services qu’il utilise, ni de l’énergie qui les alimente. Il peut néanmoins adopter un usage proportionné : éviter les demandes répétitives sans valeur pédagogique, privilégier une consigne précise plutôt qu’une longue série d’essais, et réserver l’outil aux moments où il apporte réellement une aide. Les établissements et les fournisseurs ont, de leur côté, une responsabilité bien plus large en matière de transparence, d’efficacité énergétique et de choix d’infrastructures.

Ce qu’il faut surveiller dans l’enseignement supérieur

Le dilemme décrit par Talia Winiarsky ne sera pas résolu par une réponse unique. Les assistants génératifs peuvent élargir l’accès à l’explication, alléger certaines difficultés de rédaction et soutenir l’apprentissage de notions complexes. Ils peuvent aussi banaliser la délégation de tâches que l’université cherche précisément à enseigner, de l’analyse d’une source à la formulation d’un raisonnement original.

La priorité est donc de rendre les règles lisibles. Chaque cours devrait préciser ce qui est autorisé, interdit ou soumis à déclaration, sans laisser les étudiants deviner les attentes. Cette clarté doit s’accompagner d’une éducation aux limites des modèles : erreurs factuelles, biais, références inventées, confidentialité des données saisies et coût matériel des usages numériques.

Le débat gagnerait enfin à être mené ouvertement. Considérer les étudiants uniquement comme des fraudeurs potentiels ne rendra pas l’IA moins présente. Les considérer comme des utilisateurs capables de jugement, à condition d’être formés et responsabilisés, permettrait de transformer une culture de la dissimulation en apprentissage collectif. C’est à cette condition que l’université pourra préserver ce qui fait sa valeur : non pas la production rapide d’une réponse, mais la formation d’esprits capables de la questionner.