Dans les amphithéâtres comme dans les salles virtuelles, l’arrivée de l’IA générative a révélé un contraste saisissant : d’un côté, des étudiants qui s’emparent spontanément d’assistants conversationnels pour rédiger, résumer ou expliquer ; de l’autre, des enseignants experts de leur discipline qui découvrent encore ces mêmes outils avec prudence. Ce décalage initial signale déjà un risque d’incompréhension : parler d’IA sans partager un socle commun de pratiques et de savoirs revient à multiplier les malentendus pédagogiques .

Au cœur de ce décalage se niche le « paradoxe du double ancrage » : pour qu’un apprentissage reste exigeant lorsque l’IA intervient, il faut simultanément maîtriser les codes disciplinaires qui permettent de juger la qualité d’une réponse et posséder une littératie technique éclairée pour questionner le fonctionnement et les biais des algorithmes. Le graphique des quatre quadrants, présenté dans l’article d’origine, illustre la zone étroite où ces deux formes d’expertise se croisent ; c’est là seulement que l’IA devient un véritable levier cognitif plutôt qu’une béquille aveuglante .

Lorsque cette double compétence fait défaut, l’irruption massive des modèles génératifs aggrave les fractures numériques. Les écarts ne se mesurent plus seulement en accès au matériel : ils naissent désormais de différences d’usages, de recul critique et de capacité à mobiliser l’outil pour apprendre. L’effet Matthieu joue à plein : les étudiants déjà à l’aise avec la culture numérique capitalisent encore davantage, tandis que les autres voient se creuser l’écart de réussite .

L’évaluation, souvent reléguée au rang de procédure administrative, devient alors le miroir de ces tensions. Quand plus de la moitié des enseignants reconnaissent ne plus savoir s’ils notent un étudiant ou un algorithme, l’évaluation cesse d’être une simple mesure : elle devient l’endroit où se décide la valeur que nous accordons à l’effort humain face à la puissance de génération automatique .

Ce constat est d’autant plus préoccupant que, dans les universités observées, moins de 5 % des enseignants déclarent posséder des compétences avancées en IA, alors que les étudiants délèguent déjà des tâches importantes à ces outils sans toujours comprendre leurs limites. L’asymétrie des expertises n’est donc pas seulement générationnelle ; elle touche la nature même du savoir-faire pédagogique .

Face à cette situation, deux réflexes opposés se dessinent. Le premier consiste à contourner l’IA : examens sur table, oraux improvisés, interdiction pure et simple des assistants. Cette stratégie sécurise l’authenticité, mais elle risque de rabattre l’apprentissage sur une restitution superficielle et de laisser l’étudiant désarmé dans la vie professionnelle . Le second réflexe, plus exigeant, propose d’intégrer l’IA au cœur même des épreuves : demander aux étudiants de documenter leurs requêtes, de comparer la réponse de la machine à leur analyse, de détecter les biais ou de corriger les hallucinations .

Intégrer l’IA suppose toutefois des balises précises : les consignes doivent clarifier les usages permis, la citation de l’outil et les critères d’éthique ; les évaluations doivent vérifier non la simple production finale, mais la démarche critique déployée pour l’obtenir .

Pour tenir cette ligne de crête, il faut remettre l’alignement pédagogique au centre : définir ce que l’on veut que l’étudiant conserve comme compétence proprement humaine, ce que l’on accepte de déléguer à l’IA, et comment on observe ces savoir-faire dans une tâche authentique. Autrement dit : retrouver, avant toute chose, le sens profond d’« apprendre » à l’ère des agents génératifs .

Trois chantiers émergent : former systématiquement les enseignants à la littératie en IA afin qu’ils conjuguent expertise disciplinaire et regard critique ; expérimenter puis documenter des modèles d’évaluation qui intègrent la machine sans oblitérer l’effort humain ; installer des cellules de veille agiles pour ajuster, au fil des avancées technologiques, les pratiques pédagogiques et réglementaires .

Au-delà des prescriptions techniques, il s’agit enfin de réaffirmer la finalité première de l’éducation : cultiver l’émancipation intellectuelle. Refuser que l’IA dicte ce qui est important, c’est rappeler que la conception d’objectifs, la conduite d’une réflexion complexe et la conscience éthique restent des attributs profondément humains .

En assumant ce cap, les institutions transformeront la crise d’évaluation en opportunité stratégique : la salle de classe redevient un laboratoire où l’humain apprend, avec l’IA mais jamais sous sa tutelle, à penser plus loin, plus juste et plus libre.