Comment faire de l’IA un outil d’apprentissage critique, et non un outil d’atrophie cognitive ? C’est la question qui a structuré la table ronde de notre Université d’été du 7 juillet, avec quatre regards complémentaires : Katia Terriot (psychologue, CNAM), Patricia Carriel (IAN Arts appliqués, Lycée La Champagne), Éric Jorand (formateur IA et cybersécurité, CLPS) et Pierre Beust (Directeur du SUPTICE, Université de Rennes). Katia Terriot a ensuite prolongé la réflexion dans un webinaire dédié, avec une synthèse de recherches scientifiques récentes. Cet article rassemble l’intégralité des deux — la table ronde en direct, puis l’appui scientifique qui vient l’étayer.
1. Pourquoi la paresse intellectuelle est normale (avant même de parler d’IA)
Le point de départ posé par Éric Jorand est utile pour ne pas moraliser le débat : notre cerveau fonctionne avec deux modes de traitement bien identifiés en psychologie cognitive, popularisés par Daniel Kahneman dans Système 1 / Système 2, les deux vitesses de la pensée (2011) ; un mode rapide, intuitif et automatique (Système 1), et un mode lent, délibératif, qui coûte cher en énergie mentale (Système 2). Éric Jorand rappelle que le Système 2 est gourmand en énergie : notre inclination à l’éviter n’est donc pas un défaut de volonté, c’est une caractéristique normale du cerveau humain — renforcée, dans le monde professionnel, par la pression d’aller vite. L’IA générative arrive précisément là où ce raccourci est le plus tentant.
Le problème, souligne Éric Jorand, c’est que l’IA donne l’impression d’une réponse organisée et cohérente sans qu’il y ait eu, derrière, un vrai raisonnement pédagogique ou une formation à l’enseignement. Cette fluidité entraîne une confiance aveugle, amplifiée par une tendance naturelle à anthropomorphiser les modèles de langage, à leur prêter une intention, une compréhension, une autorité qu’ils n’ont pas.
2. Qu’est-ce que créer, quand l’IA peut tout générer ?
C’est la question centrale posée par Patricia Carriel, et sans doute la plus philosophique de la journée, avec une référence directe à Marcel Duchamp et à la question de savoir ce qui définit un geste artistique. Sa préoccupation concrète : des élèves qui en demandent de plus en plus à l’IA, au point qu’il devient nécessaire de les confronter à la faisabilité réelle du travail pour vérifier s’ils ont vraiment compris ce qu’ils rendent.
Elle relie ce constat à un phénomène plus large : une perte de confiance des élèves qui s’est installée depuis le Covid, avec un recours massif au numérique vécu comme une béquille plutôt que comme un outil choisi. Cela nourrit une inquiétude en cascade — un élève qui délègue tout à l’IA finit par douter de sa propre capacité à produire quelque chose de satisfaisant sans elle. La question qu’elle pose alors n’est pas rhétorique : un élève sera-t-il seulement satisfait de sa propre production s’il a eu accès à une génération « parfaite » à côté ?
C’est là qu’intervient la distinction la plus citée de la journée, entre génération et création :
- La génération, c’est ce que fait l’IA : produire un contenu fluide, organisé, conforme aux attentes.
- La création, c’est ce qui reste humain : se demander pourquoi choisir tel prompt plutôt qu’un autre, questionner ses propres choix, intégrer une réflexion culturelle et conceptuelle.
La bonne question à poser à un élève, insiste Patricia Carriel, n’est donc pas « qu’est-ce que l’IA a produit ? » mais « qu’est-ce que tu as créé en l’utilisant ? », un déplacement qui change complètement la manière d’évaluer un travail.
3. Réhabiliter l’échec et remettre l’humain au centre
Pierre Beust propose de sortir du faux débat entre technobéatitude et technobashing, en revenant à un principe pédagogique de base : on apprend en faisant des erreurs. Utiliser l’IA pour « gagner du temps » sur une tâche d’apprentissage revient, très souvent, à se priver de l’occasion de se tromper, donc d’apprendre vraiment. Sa recommandation concrète : demander systématiquement à l’élève comment, pourquoi, et avec quels outils il a utilisé l’IA, sans pour autant tomber dans le technosolutionnisme qui consisterait à croire que l’outil réglera, à lui seul, la question pédagogique.
Éric Jorand prolonge cette idée en insistant sur le fait que pour juger le travail de quelqu’un, il faut remettre l’humain au centre du jugement… et non se contenter d’évaluer un résultat qui pourrait avoir été généré sans réel effort de compréhension.
Patricia Carriel illustre cette remise au centre de l’humain par un dispositif très concret déjà en place dans sa filière : la démarche de projet, un exercice à fort coefficient (3 ou 4) où l’élève expose pendant quelques minutes devant un jury ses références et sa démarche. C’est, selon elle, une des plus-values du diplôme des métiers d’art : ce type d’oral, où l’élève doit assumer et expliquer ses choix devant des humains, est beaucoup plus difficile à « sous-traiter » à une IA qu’un simple rendu écrit.
Pierre Beust ajoute un point technique intéressant sur la fiabilité : les systèmes construits sur une architecture RAG (Retrieval-Augmented Generation, l’IA va chercher l’information dans des documents fournis plutôt que de la « deviner » à partir de ses seules données d’entraînement) sont moins sensibles aux hallucinations qu’un modèle génératif classique. C’est d’ailleurs le principe qui sous-tend RAGaRenn, l’outil d’IA développé en interne par l’Université de Rennes : en s’appuyant sur du RAG, l’établissement peut faire travailler l’IA sur des sources qu’il maîtrise, tout en protégeant les données sensibles et en limitant l’impact environnemental de l’outil. RAGaRenn est un outil d’IA générative développé en interne par l’Université de Rennes, où RAG signifie « Retrieval-Augmented Generation », soit la possibilité de donner ses propres sources à l’IA, un outil créé en mars 2024, hébergé sur un data center breton pour protéger les données sensibles et limiter l’impact environnemental.
4. Le risque d’une nouvelle fracture numérique
Un des points les plus préoccupants soulevés par Pierre Beust : si tout le monde utilise l’IA de la même façon, on risque de converger vers un même niveau de réflexion, ce qu’Éric Jorand appelle une forme de « pensée créative en entonnoir ». Mais le risque n’est pas seulement une uniformisation par le haut. Pierre Beust alerte sur une nouvelle fracture numérique : les élèves déjà à l’aise deviennent encore meilleurs grâce à l’IA, tandis que les élèves déjà fragiles risquent d’être davantage fragilisés, faute de savoir s’en servir de façon critique. Cela replace le rôle de l’enseignant au centre du dispositif : c’est lui qui peut faire la différence entre un usage qui creuse les inégalités et un usage qui les compense.
Une piste concrète évoquée par Éric Jorand pour limiter ce risque : des agents IA conçus comme des « tuteurs socratiques », qui ne donnent pas la réponse directe mais posent des questions pour amener l’élève à construire son propre raisonnement ; une manière de garder l’IA du côté de l’accompagnement plutôt que de la substitution.
5. Orthèse ou prothèse ? Et l’IA comme cheval de Troie pédagogique
La métaphore la plus mémorable de la journée vient de Pierre Beust : celle de l’orthèse et de la prothèse, pour parler de la paresse intellectuelle.
- Une orthèse soutient une capacité existante. On l’utilise consciemment, et on apprend en s’en servant : comme des béquilles après une fracture, qu’on enlève dès qu’on peut remarcher seul.
- Une prothèse remplace une capacité. On en devient dépendant, et la compétence sous-jacente s’atrophie.
L’idée défendue par Pierre Beust est d’apprendre à considérer l’IA comme une orthèse qui infuse dans tous les champs disciplinaires de la formation, plutôt que comme une prothèse. Il propose même d’utiliser l’IA comme un cheval de Troie pédagogique : par exemple, faire générer une image de couverture par une IA, puis demander à l’élève de justifier chaque choix de prompt. L’IA sert alors de déclencheur pour un travail réflexif, plutôt que de raccourci qui l’évite.
Patricia Carriel résume l’enjeu d’un point de vue plus pratique : savoir questionner l’IA, et surtout savoir quand ne pas l’utiliser lorsque ce n’est pas nécessaire.
Éric Jorand ajoute une nuance importante sur l’apprentissage à travers le prompt lui-même : bien formuler une requête à une IA suppose déjà une pensée structurée en amont. Travailler la qualité du prompt, c’est donc encore et toujours travailler la métacognition, un fil rouge qui traverse toute la journée.
6. Souveraineté numérique et cadre fermé
Pierre Beust a également évoqué un enjeu plus institutionnel : la question de la souveraineté numérique, notamment dans la perspective d’une éventuelle IA propre à l’Éducation nationale. Il cite en exemple RAGaRenn, le projet mené par l’Université de Rennes — décrit plus haut — comme une piste concrète pour reprendre la main sur ses propres données plutôt que de dépendre d’outils américains ou d’infrastructures externes.
Éric Jorand nuance toutefois la faisabilité à court terme : l’IA grand public n’existe que depuis quelques années, ce qui laisse très peu de temps pour construire des systèmes réellement spécialisés et souverains. Patricia Carriel complète cette réflexion en insistant sur la nécessité d’un cadre fermé, avec un pré-prompt bien défini, pour toute IA destinée à un usage en Éducation nationale, une manière de contenir les usages plutôt que de laisser un modèle généraliste répondre à tout, sans garde-fou.
7. Ce qu’on risque de perdre : l’exercice technique et la cybersécurité
Éric Jorand insiste sur un point souvent minimisé dans les discours enthousiastes sur l’IA : la perte de l’exercice technique, en particulier en programmation. Un informaticien ne se résume pas à des compétences techniques pures, il doit aussi savoir se mettre à jour en continu. Mais si l’IA prend en charge une part croissante de l’écriture de code, l’exercice technique lui-même se perd, avec un risque direct sur la cybersécurité : on ne peut pas sécuriser correctement ce qu’on ne sait plus vraiment construire ou lire soi-même.
Patricia Carriel rejoint ici un point également porté par Katia Terriot sur les compétences transférables : dans le domaine des arts appliqués comme ailleurs, tout dépend en réalité du client et de la tâche, l’enjeu est de savoir faire les deux, avec et sans IA, plutôt que de choisir un seul mode de travail.
8. La conclusion du panel : la pédagogie de l’effort
Pierre Beust conclut sur un principe simple : il faut s’impliquer réellement dans l’activité pédagogique : et si l’on gagne « trop » de temps grâce à l’IA sur une tâche d’apprentissage, c’est probablement le signe qu’elle a été mal utilisée pour apprendre. Patricia Carriel referme la discussion sur la notion de pédagogie de l’effort : il faut inculquer en quoi l’effort reste nécessaire à l’acquisition d’une compétence, avec cette formule qui résume bien l’esprit de la journée, l’IA n’a pas l’intelligence de la main.
9. Ce que dit la recherche scientifique
En complément de la table ronde, Katia Terriot a produit une synthèse dédiée aux apports scientifiques récents sur l’IA générative et l’apprentissage, organisée en sept dimensions.
9.1 Les bénéfices documentés (et leurs limites)
La recherche documente des bénéfices réels, mais presque toujours conditionnés à la qualité du contrôle humain :
- Amplificateur du traitement de l’information : le cadre de l’Adaptive Cognitive Fit montre que les systèmes d’IA peuvent adapter dynamiquement la représentation de l’information aux caractéristiques des données pour améliorer la performance humaine. Dans le domaine de la santé, l’IA fournit des informations plus rapides, plus personnalisées et parfois plus précises pour soutenir les décisions cliniques. Une revue systématique utilisant ChatGPT a ainsi permis de réduire de 40% le temps de travail, de traiter 150% d’articles en plus, avec 98% de précision pour l’extraction de données, des résultats qui restent toutefois fortement dépendants de la qualité des données de départ et du contrôle humain exercé sur le processus.
- Outil de structuration cognitive : au-delà du traitement de l’information, les grands modèles de langage organisent des idées, proposent des plans, reformulent des arguments et produisent des synthèses cohérentes. Chez les enseignants-chercheurs, cela se traduit par un usage comme assistant de rédaction, source d’inspiration, ou partenaire de co-création. La limite : l’IA structure à partir de connaissances existantes, et peine à produire une véritable innovation conceptuelle.
- Soutien à la prise de décision : c’est le domaine où les bénéfices sont les mieux documentés, mais l’IA n’améliore pas nécessairement la qualité des décisions en elle-même, elle augmente surtout les capacités déjà existantes. Chez les radiologues par exemple, l’IA renforce principalement les compétences déjà maîtrisées, plutôt que d’en créer de nouvelles. Une condition ressort comme centrale : la transparence ; quand l’IA explique ses recommandations, les utilisateurs conservent davantage leur sentiment de contrôle et d’agentivité.
9.2 Les risques structurels : biais et hallucinations
Deux limites reviennent dans l’ensemble des travaux recensés :
- Les biais algorithmiques : les systèmes d’IA reproduisent les biais présents dans leurs données d’entraînement (de genre, sociaux, culturels, ethniques). Une vigilance particulière s’impose dès qu’on utilise l’IA pour interpréter des données, conseiller des parcours, analyser des profils d’élèves ou produire des recommandations individualisées.
- Les hallucinations : les grands modèles de langage peuvent inventer des références, créer des statistiques fictives, attribuer de faux résultats à des auteurs réels, et produire des explications erronées mais convaincantes. Aucune méthode actuelle ne permet de supprimer totalement ce phénomène. La conclusion pratique : une IA ne doit jamais être considérée comme une source documentaire fiable en elle-même, c’est un générateur d’hypothèses, un assistant de rédaction, un outil d’exploration, jamais une autorité scientifique.
9.3 La théorie des trois systèmes et le « cognitive surrender »
Le raisonnement humain repose classiquement sur deux systèmes, popularisés par Daniel Kahneman (2011) : le Système 1 (rapide, intuitif, heuristique) et le Système 2 (lent, délibératif, activé en cas de conflit ou d’incertitude). Des chercheurs de la Wharton School, Steven Shaw et Gideon Nave, proposent d’ajouter un troisième système : une cognition externe artificielle, fondée sur l’IA, automatisée, dynamique, interactive, qui fonctionne comme un véritable agent cognitif, et non comme un simple outil. Leur théorie, baptisée Tri-System Theory, étend les modèles classiques du double-processus en posant l’existence d’un Système 3 : une cognition artificielle qui opère en dehors du cerveau et qui peut venir compléter (ou remplacer) les processus internes, introduisant de nouvelles voies cognitives.
Pour tester cette théorie, Shaw et Nave ont mené trois études préenregistrées utilisant une version adaptée du Cognitive Reflection Test (CRT ; Frederick, 2005) — un petit test de logique conçu pour révéler les moments où l’on privilégie une réponse intuitive plutôt qu’une réflexion posée (le plus connu de ces problèmes : « Une batte et une balle coûtent 1,10 € au total. La batte coûte 1 € de plus que la balle. Combien coûte la balle ? » — l’intuition répond 10 centimes, la bonne réponse est 5 centimes). Sur près de 1 372 participants et 9 593 essais, avec une fiabilité de l’IA manipulée expérimentalement, les participants ont choisi de consulter l’IA sur la majorité des essais (plus de 50%). Par rapport à une condition sans accès à l’IA, la précision a significativement augmenté quand l’IA était fiable et chuté quand elle se trompait (+25/-15 points de pourcentage). Plus frappant encore : la confiance des participants augmentait avec l’accès à l’IA, indépendamment du fait que la réponse fournie soit juste ou fausse.
C’est ce que Shaw et Nave appellent le « cognitive surrender » (l’abandon cognitif) — une notion qu’ils distinguent explicitement du simple cognitive offloading (la délégation cognitive classique, comme utiliser une calculatrice pour une opération, où l’humain reste aux commandes du raisonnement). Le cognitive offloading allège une charge que l’on continue de comprendre ; l’abandon cognitif remplace la compréhension elle-même ; on ne teste plus le jugement de l’IA contre le sien propre, on le substitue purement et simplement.
9.4 L’agentivisme : une nouvelle théorie de l’apprentissage
Face à ce constat, deux chercheurs, Lixiang Yan et Dragan Gašević proposent une théorie qu’ils appellent l’agentivisme. Leur argument de départ : le béhaviorisme, le cognitivisme, le constructivisme et le connectivisme restent importants, mais aucune de ces théories n’explique directement à quel moment une performance assistée par l’IA devient une capacité humaine durable. Le problème qu’ils posent est simple à énoncer et redoutable dans ses implications : une performance réussie ne peut plus être automatiquement considérée comme la preuve d’un apprentissage, un apprenant peut accomplir une tâche efficacement avec le soutien de l’IA tout en développant une compréhension plus faible, un jugement moins sûr, et une capacité de transfert limitée.
L’agentivisme repose sur l’idée d’une délégation sélective, organisée en quatre mécanismes :
- Agence déléguée : cadrer le problème, définir ses propres critères de réussite, justifier ses décisions.
- Surveillance épistémique : vérifier la véracité de ce que produit l’IA, évaluer sa pertinence, exercer son jugement.
- Internalisation reconstructive : être capable d’expliquer son raisonnement, d’identifier les limites de la réponse obtenue, de s’approprier réellement le contenu.
- Transfert sous support réduit : pouvoir expliquer et adapter sans l’IA : c’est le critère ultime pour vérifier qu’un apprentissage a vraiment eu lieu.
Sur le terrain, cette théorie se traduit par des recommandations concrètes : cadrer explicitement le problème avant de solliciter l’IA, évaluer le processus de révision plutôt que le seul produit final, et introduire des « frictions désirables », des micro-interruptions volontaires qui rompent la fluidité trompeuse de l’IA et forcent un temps de réflexion avant d’accepter une réponse.
9.5 La paresse métacognitive
Un autre travail cité par Katia Terriot, celui de Fan et ses collègues (2024), a testé expérimentalement l’effet de l’IA sur l’apprentissage autorégulé, sur 117 étudiants universitaires répartis en quatre groupes lors d’une tâche de lecture-rédaction en anglais : un groupe assisté par ChatGPT-4, un groupe accompagné par un expert humain, un groupe avec une simple checklist, et un groupe contrôle sans soutien.
Résultat, résumé sous le terme de « paresse métacognitive », la tendance de l’apprenant à décharger sur l’IA l’effort de réflexion et de contrôle nécessaire à l’intégration réelle des connaissances : le groupe IA a montré moins de processus métacognitifs (orientation, évaluation) que les groupes accompagnés par un humain ou une checklist, et s’est davantage enfermé dans une boucle d’interaction avec l’outil plutôt que dans une lecture approfondie des sources. Fait notable : l’étude ne relève aucune différence de motivation intrinsèque entre les quatre groupes : l’IA n’a pas rendu la tâche plus intéressante ou plus plaisante que les autres formes de soutien.
Le paradoxe de la performance qui en résulte est saisissant : le groupe IA a obtenu la meilleure progression en rédaction, supérieure même à celle du groupe accompagné par un expert humain… mais sans aucune différence sur le gain de connaissances réelles ni sur la capacité à transférer ces acquis dans un nouveau contexte. L’hypothèse avancée par les auteurs : les étudiants ont utilisé l’IA pour optimiser leur production selon la grille d’évaluation, sans nécessairement comprendre ou mémoriser le contenu produit.
9.6 Le modèle SYNC : viser la maîtrise synergique
Ce même courant de recherche distingue quatre façons d’interagir avec l’IA, selon deux axes : le niveau d’apprentissage réel et le niveau de soutien apporté par l’IA :
- Errance : faible apprentissage, faible soutien — l’élève est seul, souvent surchargé cognitivement.
- Apprentissage laborieux : haut apprentissage, faible soutien — l’effort produit une expertise solide, mais au prix d’un travail plus long.
- Autopilote : haute performance grâce à l’IA, mais apprentissage durable faible — compétent avec l’IA, incompétent sans elle.
- Maîtrise synergique (l’état recherché) : l’IA booste la performance pendant que des étayages maintiennent l’élève métacognitivement actif.
Les auteurs identifient au passage quatre « pièges » spécifiques induits par la fluidité de l’IA, le piège de la fluence (la fluidité crée une illusion de compréhension), le piège de la complaisance (l’IA a tendance à abonder dans le sens de l’utilisateur, un effet chambre d’écho), le piège de la cohérence (un texte bien structuré semble vrai même s’il contient des erreurs), et le piège de la transparence (des explications pas-à-pas peuvent paradoxalement renforcer une confiance aveugle). Pour chacun, une contre-stratégie est proposée : frictions désirables, « dissentiment artificiel » (demander explicitement à l’IA de générer des contre-arguments), aide minimale, ou vérification par une première tentative sans IA suivie d’un contrôle par des sources externes.
9.7 Dépendance et deskilling : le risque à long terme
La dernière dimension de la synthèse porte sur le risque le plus préoccupant à long terme : la transformation progressive des compétences, liée à une externalisation excessive de fonctions cognitives. Trois mécanismes sont identifiés, une réduction potentielle de l’effort cognitif et de la pensée critique, un moindre effort d’apprentissage associé, paradoxalement, à une amélioration des productions immédiates, et une tendance à déléguer des fonctions qui fondent justement l’expertise professionnelle, avec un risque de perte progressive de compétences spécialisées. C’est très exactement l’écho, côté recherche, de ce qu’Éric Jorand pointait sur la perte de l’exercice technique en programmation.
Ce qu’on en retient
- L’IA booste des performances réelles et mesurables, ce n’est pas une opinion mais un phénomène documenté.
- Ces bénéfices dépendent presque toujours du jugement humain resté aux commandes du processus.
- Déléguer trop, ce n’est pas seulement un risque pour les élèves : c’est un risque pour n’importe quel professionnel qui cesse de vérifier ce qu’une IA lui propose.
- L’enjeu n’est pas « utiliser l’IA » contre « ne pas l’utiliser » : c’est apprendre à garder l’IA du côté de l’orthèse (un soutien qu’on comprend et qu’on maîtrise) plutôt que de la prothèse (une dépendance qui atrophie la compétence).
Vous voulez creuser le sujet ou échanger sur vos propres pratiques ? Abonnez-vous à notre newsletter et suivez nos prochains événements sur www.edtechgrandouest.fr.