AI ∞ IA

Certains collègues enseignants affirment qu'utiliser l'intelligence artificielle ne demande aucune aptitude particulière, ni technique, ni linguistique, ni métier. Ce n'est pas une position universelle, mais c'est un argument qu'on entend parfois dans les discussions sur l'intégration de ces outils en milieu éducatif, et qui mérite qu'on s'y arrête.

Derrière cette affirmation se cache souvent une conviction légitime : ce qui compte avant tout, c'est de former les capacités intellectuelles des étudiants, leur esprit critique, leur autonomie de jugement, leur aptitude à raisonner et à transférer leurs savoir-faire d'un contexte à l'autre. Cette conviction est juste, et elle devrait traverser tous les cours de façon transversale, quels que soient les outils, les techniques ou les disciplines concernés. C'est un socle qui ne se négocie pas. Mais précisément parce que c'est un socle, il ne suffit pas. Face à un outil comme l'IA, il est nécessaire, il n'est pas suffisant.

Le storytelling des géants de la tech

Cette idée de simplicité totale est aussi celle que les entreprises ont intérêt à promouvoir, puisqu'elle favorise l'adoption massive de leurs outils. L'imaginaire visuel qui l'accompagne, étoiles scintillantes, baguettes magiques, omniprésentes dans les interfaces de Gmail, Notion, Canva ou Microsoft Copilot, entretient l'illusion d'un résultat instantané et sans effort. Pas besoin de comprendre, pas besoin d'interroger : il suffit de cliquer sur l'étincelle et le tour est joué. Cette rhétorique de l'accessibilité totale sert un objectif commercial clair : réduire la friction perçue à l'entrée pour maximiser l'adoption.

Un outil qui n'est pas neutre

Cette affirmation repose sur une double méprise. D'abord, elle suppose que l'outil est neutre. Or l'IA générative oriente subtilement les usages : elle produit des réponses au ton assuré, que l'information soit solide ou fragile, sans citer ses sources de façon fiable, parfois en les inventant. Ensuite, elle confond l'absence de barrière technique à l'entrée avec l'absence de maîtrise nécessaire à un usage éclairé. Saisir une question dans une fenêtre de dialogue est à la portée du plus grand nombre, mais cela ne dit rien sur la qualité de ce qu'on obtient, ni sur ce qu'on en fait ensuite.

Il existe bien des techniques

Il existe en effet des techniques concrètes pour utiliser l'IA de façon plus efficace, et elles ne s'improvisent pas. Du côté de la formulation, on trouve le few-shot prompting (fournir des exemples du résultat attendu), le chain-of-thought (demander au modèle de raisonner étape par étape) ou le prompt chaining (décomposer une tâche complexe en requêtes successives). Du côté de l'architecture, le RAG (Retrieval-Augmented Generation) ancre les réponses sur des documents réels et réduit les hallucinations ; le choix du bon modèle pour la bonne tâche, la gestion de la fenêtre de contexte et des tokens, ou encore le fine-tuning sur un corpus spécialisé font une différence réelle et mesurable. Aucune de ces techniques ne s'acquiert sans apprentissage.

Mais ces techniques ne flottent pas dans le vide : sans esprit critique, on applique des recettes sans évaluer ce qu'elles produisent, et on risque de faire confiance à un résultat techniquement bien obtenu mais factuellement erroné. Inversement, sans connaissance minimale de ces mécanismes, l'esprit critique s'exerce à l'aveugle sur un outil qu'on ne comprend pas suffisamment pour l'interroger avec justesse. Les deux niveaux se conditionnent mutuellement.

Ce que l'IA change vraiment

Même les capacités intellectuelles les plus solides doivent être renforcées face à l'IA, car la nature de l'objet à évaluer change profondément. Avec une source classique, on identifie un auteur, une date, un contexte de publication. Avec l'IA, rien de tout cela n'est disponible : pas de source identifiable, pas de trace de l'origine de l'information, et un ton lisse qui ne signale rien de l'incertitude réelle. Les études montrent d'ailleurs que même des utilisateurs dotés d'un bon sens critique ont tendance à accorder une confiance excessive aux réponses de l'IA en raison de leur fluidité apparente, un phénomène connu sous le nom d'automation bias. L'esprit critique reste le même dans son principe, mais il doit apprendre à s'exercer autrement. Cet apprentissage ne va pas de soi, et c'est bien pourquoi il appartient aux enseignants de le construire.

Pour aller plus loin

Cet article pose des fondations, mais trois dimensions méritent d'être prolongées dans une réflexion plus complète.

Les connaissances disciplinaires comme filtre. L'esprit critique ne s'exerce pas dans le vide : il s'appuie sur la maîtrise du domaine. Un étudiant ne peut pas repérer qu'une IA invente une formule chimique ou déforme un événement historique s'il ne connaît pas déjà son cours sur le sujet. Loin de rendre les savoirs disciplinaires obsolètes, l'IA les rend plus nécessaires : des connaissances solides constituent le premier filtre anti-hallucination.

La transformation des modalités d'évaluation. Dire que les enseignants doivent construire cet apprentissage est une direction, pas une méthode. La conséquence directe de l'IA n'est pas seulement de modifier le contenu des cours, mais de contraindre à repenser les formes d'évaluation. Évaluer le produit fini, la dissertation, le code, le rapport, devient insuffisant ; il faut désormais évaluer le processus : le journal de bord des requêtes, la confrontation critique de plusieurs versions, la soutenance orale qui oblige à s'expliquer sur ses choix.

La littératie éthique et légale. Un volet reste largement sous-estimé : celui de la conformité et de l'éthique. Utiliser l'IA dans l'enseignement supérieur suppose de savoir où vont les données (RGPD, propriété intellectuelle des travaux étudiants), de reconnaître les biais de représentativité culturelle et de genre ancrés dans les modèles, et de prendre conscience de l'empreinte environnementale de chaque requête. Ces questions ne sont pas périphériques : elles font partie intégrante d'un usage responsable et éclairé.

Sources & Ressources

• Tankelevitch, L. et al. (2024). The Metacognitive Demands and Opportunities of Generative AI. CHI Conference on Human Factors in Computing Systems. https://arxiv.org/abs/2312.10893
• Laupichler, M.C. et al. (2024). AI literacy and its implications for prompt engineering strategies. Computers and Education: Artificial Intelligence. https://www.sciencedirect.com/science/article/pii/S2666920X24000262
• Clerc, O. et al. (2026). Teaching Students to Question the Machine. arXiv. https://arxiv.org/pdf/2604.01955
• Wang, B. et al. (2024). Human-AI Collaboration and AI Literacy. arXiv. https://arxiv.org/pdf/2602.16140
• White, J. et al. (2023). A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT. arXiv. https://arxiv.org/abs/2302.11382