L’intelligence artificielle comme outil pédagogique

Résumé exécutif

Depuis la diffusion massive des outils d’intelligence artificielle générative à la fin de l’année 2022, l’éducation est entrée dans une période de transformation rapide. En 2026, l’IA n’est plus seulement utilisée de manière ponctuelle pour produire un texte, résumer un document ou répondre à une question. Elle tend à s’intégrer aux environnements numériques d’apprentissage, aux outils de préparation des cours, aux services de tutorat, aux plateformes d’orientation, aux systèmes de gestion scolaire et, dans certains cas, aux procédures d’évaluation.

Cette diffusion ne conduit cependant pas à un modèle universel. Les États-Unis et l’Union européenne représentent deux trajectoires distinctes. Le modèle américain privilégie généralement l’expérimentation locale, la diffusion commerciale et l’adoption rapide, dans un système éducatif très décentralisé. Le modèle européen repose davantage sur la protection des droits fondamentaux, la maîtrise des données, la classification des risques et l’encadrement réglementaire préalable.

La distinction ne doit toutefois pas être caricaturée. Les États-Unis disposent de règles relatives à la vie privée, à la protection des enfants et aux responsabilités des établissements. L’Union européenne finance également des infrastructures d’IA, soutient des modèles multilingues et encourage activement l’innovation pédagogique. La différence principale concerne moins l’opposition entre innovation et interdiction que la répartition des responsabilités : le marché, les districts scolaires et les fournisseurs jouent un rôle central aux États-Unis, tandis que l’Union européenne cherche à imposer un cadre commun de responsabilité aux concepteurs et aux utilisateurs des systèmes les plus sensibles.

Une rectification juridique importante doit être apportée au cadrage initial de cette étude. En juillet 2026, les dispositions relatives aux systèmes éducatifs d’IA « à haut risque » ne sont pas encore toutes pleinement applicables. Le Conseil de l’Union européenne a donné, le 29 juin 2026, son feu vert final à une modification fixant leur application au 2 décembre 2027 pour les systèmes autonomes relevant notamment de l’annexe III, et au 2 août 2028 pour certains systèmes intégrés à des produits réglementés. En revanche, plusieurs interdictions sont applicables depuis février 2025, les règles concernant les modèles d’IA à usage général depuis août 2025, et certaines obligations de transparence doivent s’appliquer à partir du 2 août 2026. (Consilium)

Les données disponibles montrent par ailleurs une adoption déjà très élevée. Dans l’Union européenne, 63,8 % des personnes âgées de 16 à 24 ans ont utilisé un outil d’IA générative en 2025, contre 32,7 % de l’ensemble des personnes âgées de 16 à 74 ans. Dans la population générale européenne, 9,4 % déclaraient l’avoir utilisé dans le cadre de l’éducation formelle. Aux États-Unis, une enquête RAND publiée en 2025 estimait que 54 % des élèves et 53 % des enseignants de langue, de mathématiques ou de sciences avaient utilisé l’IA dans un contexte scolaire. Ces chiffres ne sont pas parfaitement comparables, mais ils montrent que la question centrale n’est plus de savoir si l’IA entrera dans l’éducation : elle consiste désormais à déterminer dans quelles conditions elle contribuera réellement à l’apprentissage. (European Commission)

Les premiers travaux expérimentaux invitent à une conclusion nuancée. Un tuteur artificiel construit selon des principes pédagogiques précis peut améliorer l’apprentissage et l’engagement dans un contexte déterminé. En revanche, l’accès sans encadrement à un modèle qui fournit directement des réponses peut améliorer la performance immédiate tout en réduisant la capacité à résoudre ensuite les problèmes de manière autonome. L’efficacité ne dépend donc pas uniquement de la puissance du modèle : elle dépend de la conception pédagogique, de la supervision humaine, du degré de guidage, de la qualité des contenus et de la manière dont l’aide est progressivement retirée. (Nature)

À l’horizon 2030, les deux ensembles pourraient connaître une convergence partielle. Les États-Unis renforcent progressivement la formation, la protection des données et la définition de politiques locales. L’Union européenne cherche, de son côté, à simplifier la conformité et à ne pas freiner excessivement l’innovation. Cependant, la montée des agents éducatifs autonomes, capables de planifier une séquence d’apprentissage, d’observer les progrès et d’agir dans plusieurs logiciels, rendra les questions de responsabilité, d’autonomie cognitive et de contrôle humain encore plus importantes.

1. Introduction

1.1. De l’expérimentation à la normalisation

La première phase de diffusion de l’intelligence artificielle générative dans l’éducation, entre la fin de 2022 et l’année 2023, a été dominée par la surprise. Les établissements scolaires et universitaires ont découvert que les étudiants pouvaient générer en quelques secondes des dissertations, des solutions mathématiques, des programmes informatiques, des traductions et des commentaires de texte d’une qualité parfois difficile à distinguer d’un travail humain.

Les premières réactions ont souvent consisté à interdire les outils, à bloquer les sites ou à chercher des moyens de détecter les textes générés. Cette période a rapidement révélé les limites d’une politique fondée uniquement sur l’interdiction. Les élèves pouvaient utiliser leurs propres appareils, accéder à de nombreux services concurrents ou modifier les textes produits. Les détecteurs d’IA présentaient par ailleurs des risques d’erreur, de faux positifs et d’accusations injustifiées.

À partir de 2024 et surtout de 2025, l’attention s’est déplacée. Les établissements ont commencé à rédiger des chartes, à définir des usages autorisés, à former les enseignants et à repenser les évaluations. Les entreprises ont intégré des fonctions génératives aux logiciels déjà employés dans les écoles et les universités. Les gouvernements ont publié des orientations relatives à la sécurité, à la confidentialité, à la transparence et à l’apprentissage de l’IA.

L’année 2026 correspond donc moins à l’achèvement de la transformation qu’à son institutionnalisation. Les usages spontanés deviennent progressivement des pratiques organisées. L’IA est utilisée pour préparer des séquences pédagogiques, produire des exercices différenciés, simplifier des textes, générer des exemples, accompagner les élèves, traduire des communications, analyser certaines données scolaires et automatiser une partie du travail administratif.

Cette normalisation ne signifie pas que les problèmes sont résolus. Elle rend au contraire les choix plus structurants. Lorsqu’un enseignant utilise ponctuellement un chatbot, les conséquences restent limitées. Lorsqu’un district scolaire, une région ou une université adopte une plateforme pour plusieurs dizaines de milliers d’apprenants, les décisions relatives aux données, aux contenus, à l’évaluation et au contrôle humain deviennent des choix d’infrastructure.

1.2. Une transformation pédagogique et politique

L’IA éducative ne doit pas être réduite à l’IA générative. Elle comprend au moins quatre grandes catégories de systèmes.

La première rassemble les outils de génération de textes, d’images, de sons, de vidéos ou de code. La deuxième comprend les systèmes de tutorat qui adaptent les questions, les explications et les exercices aux réponses de l’apprenant. La troisième concerne les outils prédictifs qui tentent d’identifier les risques de décrochage, les besoins d’accompagnement ou les parcours susceptibles de convenir à un étudiant. La quatrième regroupe les systèmes d’évaluation, de surveillance des examens, de classement ou d’aide à la décision.

Ces catégories n’ont ni les mêmes objectifs ni les mêmes risques. Un outil qui aide un enseignant à reformuler une consigne n’a pas les mêmes effets qu’un système qui participe à l’admission d’un étudiant. Un chatbot facultatif utilisé pour réviser ne peut pas être traité de la même manière qu’un algorithme déterminant le niveau scolaire auquel une personne sera affectée.

La comparaison entre les États-Unis et l’Union européenne est particulièrement pertinente parce qu’elle révèle deux conceptions de la gouvernance technologique. Aux États-Unis, la décision est souvent répartie entre le gouvernement fédéral, les États, les districts, les établissements, les universités et les fournisseurs privés. Dans l’Union européenne, les systèmes éducatifs restent nationaux, mais ils sont encadrés par des règles communes relatives aux données, à la sécurité des produits, à la non-discrimination et à l’intelligence artificielle.

1.3. Problématique

La question directrice de cette étude est la suivante :

Dans quelle mesure la gouvernance européenne fondée sur les droits et les risques, comparée au modèle américain plus décentralisé et orienté vers l’expérimentation, produit-elle en 2026 des environnements éducatifs différents en matière d’accès aux outils, d’autonomie enseignante, d’équité, de protection des données et d’acceptabilité sociale ?

Trois hypothèses peuvent être formulées.

Premièrement, les États-Unis disposent d’une plus grande rapidité d’adoption et d’une offre commerciale plus immédiatement accessible, mais cette rapidité accroît les différences entre établissements bien financés et établissements moins favorisés.

Deuxièmement, l’Union européenne impose davantage d’exigences aux utilisations susceptibles d’influencer fortement le parcours des élèves, ce qui peut renforcer la confiance, mais également ralentir les procédures d’achat et augmenter les coûts de conformité.

Troisièmement, la qualité pédagogique réelle dépend moins du bloc géographique que de facteurs communs : formation des enseignants, conception du tuteur, qualité des données, temps consacré à la vérification, possibilité de contester une décision et maintien d’interactions humaines significatives.

1.4. Méthodologie et limites

Cette étude repose sur des textes officiels, des statistiques institutionnelles, des rapports de recherche et plusieurs études expérimentales disponibles au 16 juillet 2026. Elle distingue les règles juridiquement applicables, les politiques annoncées, les expérimentations en cours et les résultats scientifiques déjà publiés.

Une difficulté méthodologique demeure : les enquêtes américaines et européennes ne portent pas toujours sur les mêmes populations ni sur les mêmes usages. Une enquête peut mesurer l’utilisation générale d’un chatbot, tandis qu’une autre mesure uniquement l’usage scolaire déclaré. Les données permettent donc d’identifier des tendances, mais non d’établir un classement parfaitement homogène.

Plusieurs références figurant dans la version initiale du plan n’ont pas pu être confirmées sous les titres, dates ou formes bibliographiques indiqués, notamment certains rapports supposément publiés en 2026 et plusieurs articles attribués à des auteurs connus du domaine. Elles ont été remplacées par des documents vérifiables. Cette précaution est essentielle, car l’IA générative peut produire des références académiques plausibles mais inexistantes.

2. Deux écosystèmes réglementaires et économiques divergents

2.1. Les États-Unis : une gouvernance décentralisée orientée vers l’adoption

2.1.1. L’absence d’un cadre éducatif fédéral unique

Les États-Unis ne disposent pas, en juillet 2026, d’un équivalent direct et transversal de l’AI Act européen applicable à l’ensemble des secteurs et classant systématiquement les usages selon leur niveau de risque. L’encadrement de l’IA éducative résulte plutôt d’un ensemble de règles fédérales, de lois étatiques, de politiques de districts, de règles universitaires et de contrats passés avec les fournisseurs.

Cette organisation laisse une marge importante aux autorités locales. Deux districts situés dans des États différents peuvent adopter des politiques opposées : l’un peut fournir un assistant artificiel à tous les élèves, tandis qu’un autre peut limiter son utilisation à la préparation des enseignants. Les universités disposent également d’une autonomie considérable pour définir les règles relatives à l’intégrité académique, aux évaluations et aux services numériques.

L’avantage d’un tel système est sa capacité d’expérimentation. Une école peut tester rapidement un outil, observer les résultats et modifier sa politique sans attendre l’adoption d’un cadre national. Son inconvénient est la fragmentation : la protection d’un élève, la qualité de la formation offerte aux enseignants et la transparence des fournisseurs peuvent varier fortement selon le lieu de résidence et les ressources de l’établissement.

2.1.2. L’impulsion fédérale de 2025

Un décret présidentiel du 23 avril 2025 a créé une structure fédérale chargée de promouvoir l’éducation à l’IA auprès des jeunes Américains. Il prévoyait notamment une initiative présidentielle, des partenariats public-privé, des actions de formation pour les enseignants et le développement de compétences liées à l’IA. Cette politique s’inscrit dans une logique de compétitivité nationale : la maîtrise de l’IA est présentée comme une compétence nécessaire à la future main-d’œuvre. (The White House)

En juillet 2025, le Département américain de l’Éducation a également précisé que certains financements fédéraux pouvaient être utilisés pour acquérir ou développer des ressources pédagogiques fondées sur l’IA, soutenir le tutorat à fort impact, améliorer l’orientation scolaire et professionnelle et former les enseignants et les familles. L’orientation officielle n’est donc pas l’interdiction, mais l’utilisation responsable des fonds existants pour accélérer l’intégration. (U.S. Department of Education)

Cette politique maintient néanmoins le principe selon lequel l’humain doit conserver un rôle central. Dans la pratique, la signification de ce principe varie. Une supervision humaine peut correspondre à une véritable vérification pédagogique, mais elle peut aussi devenir une validation rapide d’un contenu produit automatiquement lorsque les enseignants manquent de temps.

2.1.3. La place du secteur privé

Le système américain favorise des relations étroites entre les établissements, les entreprises technologiques, les fondations et les organisations professionnelles. Les grandes plateformes disposent d’un avantage important lorsqu’elles sont déjà présentes dans les systèmes de messagerie, de stockage, de visioconférence ou de gestion documentaire des écoles.

L’intégration d’une fonction d’IA dans un environnement existant réduit les coûts d’adoption. L’utilisateur n’a pas besoin d’apprendre un logiciel entièrement nouveau. En contrepartie, l’établissement risque de devenir dépendant d’un fournisseur pour le stockage des données, l’authentification, la génération de contenu et l’analyse des usages.

Cette influence du privé est également visible dans la formation. En 2025, l’American Federation of Teachers, Microsoft, OpenAI et Anthropic ont annoncé une National Academy for AI Instruction visant à accompagner 400 000 enseignants sur cinq ans, soit environ un enseignant américain sur dix. Cette initiative peut contribuer à combler un déficit de compétences. Elle soulève en même temps une question de gouvernance : une partie de la formation aux outils est financée par les entreprises qui ont intérêt à leur adoption. (OpenAI)

2.1.4. La fracture entre les districts

L’inégalité ne concerne plus seulement l’accès à un ordinateur ou à une connexion. Elle concerne la qualité de l’IA disponible, les garanties contractuelles, la formation et la capacité d’évaluer les fournisseurs.

Une étude RAND publiée en avril 2025 a montré qu’à l’automne 2024, 67 % des districts à faible taux de pauvreté déclaraient avoir formé leurs enseignants à l’utilisation de l’IA, contre 42 % des districts intermédiaires et 39 % des districts à taux de pauvreté élevé. L’écart s’était réduit par rapport à 2023, mais il restait important. (RAND)

Un district favorisé peut financer des licences institutionnelles, négocier des engagements relatifs à la confidentialité, recruter des spécialistes de la cybersécurité et libérer du temps pour la formation. Un district moins doté risque de dépendre d’outils gratuits, de formations informelles ou de décisions individuelles prises par les enseignants. La fracture numérique devient ainsi une fracture de gouvernance et de qualité.

Il serait toutefois excessif d’affirmer que toutes les versions gratuites sont financées par l’exploitation des données scolaires ou que toutes les versions payantes garantissent une confidentialité parfaite. La situation dépend des contrats, des paramètres, des catégories de données et des engagements de chaque fournisseur. Le véritable enjeu réside dans la capacité de l’établissement à vérifier ces éléments.

2.1.5. La protection des données aux États-Unis

L’absence d’un règlement général comparable au RGPD ne signifie pas l’absence de protection. La FERPA encadre les dossiers scolaires détenus par les établissements bénéficiant de financements fédéraux. La COPPA protège les données collectées en ligne auprès des enfants de moins de treize ans. En janvier 2025, la Federal Trade Commission a annoncé des modifications renforçant notamment le consentement parental pour certaines communications de données à des tiers et les obligations relatives à la conservation et à la sécurité. (Federal Trade Commission)

L’encadrement reste néanmoins sectoriel. Il peut être difficile pour une famille de comprendre quelles données relèvent du dossier scolaire, quelles informations sont collectées directement par un service, combien de temps elles sont conservées et si elles servent à améliorer un modèle.

La responsabilité repose donc largement sur les contrats d’achat, les politiques locales et la vigilance des établissements. Cette situation favorise l’innovation, mais exige une compétence juridique et technique que tous les districts ne possèdent pas.

2.2. L’Union européenne : une gouvernance fondée sur les risques et les droits

2.2.1. L’éducation n’est pas entièrement classée « à haut risque »

Une confusion fréquente consiste à affirmer que toute IA utilisée dans l’éducation est automatiquement « à haut risque ». Le règlement européen adopte une approche plus ciblée.

L’annexe III vise notamment les systèmes destinés à déterminer l’accès ou l’admission dans un établissement, à affecter une personne à un programme, à évaluer les acquis lorsque cette évaluation oriente le processus d’apprentissage, à déterminer le niveau d’enseignement approprié ou à surveiller et détecter des comportements interdits pendant un examen. Ces usages sont considérés comme sensibles parce qu’ils peuvent influencer durablement le parcours scolaire et professionnel d’une personne. (EUR-Lex)

À l’inverse, un outil utilisé par un enseignant pour générer des exemples, traduire une consigne ou préparer un questionnaire ne devient pas nécessairement un système à haut risque. Sa qualification dépend de sa fonction, de son contexte et de son influence réelle sur une décision importante.

Cette distinction est essentielle. L’AI Act ne vise pas à soumettre chaque application pédagogique au niveau maximal d’obligations. Il cherche à concentrer les exigences les plus fortes sur les situations où une erreur, un biais ou une absence de recours peut porter atteinte au droit à l’éducation ou à la non-discrimination.

2.2.2. Un calendrier d’application révisé

Le règlement 2024/1689 est entré en vigueur le 1er août 2024. Certaines interdictions et les dispositions relatives à la maîtrise de l’IA sont applicables depuis le 2 février 2025. Les règles de gouvernance et plusieurs obligations concernant les modèles d’IA à usage général sont applicables depuis août 2025.

Le calendrier initial prévoyait qu’une large partie du règlement deviendrait applicable le 2 août 2026. Toutefois, les retards dans l’élaboration des normes techniques et dans la préparation des autorités ont conduit à une modification. Après un accord politique en mai 2026, le Conseil a donné son feu vert final le 29 juin. Les règles relatives aux systèmes autonomes à haut risque doivent désormais s’appliquer le 2 décembre 2027, tandis que celles concernant certains systèmes intégrés à des produits réglementés sont reportées au 2 août 2028. (Consilium)

Il serait donc incorrect de présenter 2026 comme la première année de pleine application des règles relatives aux systèmes éducatifs à haut risque. L’année 2026 est plutôt une période de préparation, de mise en conformité progressive et de clarification.

Les obligations de transparence de l’article 50 conservent cependant une importance immédiate. À partir du 2 août 2026, certains systèmes interactifs doivent informer les personnes qu’elles communiquent avec une IA. Les fournisseurs de systèmes génératifs doivent aussi prendre des mesures pour rendre certains contenus générés détectables dans un format lisible par machine, sous réserve des exceptions et des limites techniques prévues. (Digital Strategy)

2.2.3. L’interdiction de la reconnaissance des émotions

Le règlement interdit l’utilisation de systèmes de reconnaissance des émotions dans les établissements d’enseignement, sauf lorsqu’ils répondent à des raisons médicales ou de sécurité. Cette disposition est particulièrement pertinente pour les systèmes prétendant déduire l’attention, la motivation, l’ennui ou le stress d’un élève à partir de son visage, de sa voix ou de données biométriques. (EUR-Lex)

Cette interdiction ne signifie pas que toute analyse de participation est illégale. Un enseignant peut observer les comportements, interroger les élèves ou analyser leurs réponses à un exercice. La limite porte sur l’inférence automatisée des émotions à partir de données biométriques dans un environnement où l’élève se trouve dans une relation de dépendance.

La surveillance automatisée des examens constitue un cas différent. Elle n’est pas globalement interdite par le règlement, mais les systèmes destinés à détecter des comportements interdits pendant une épreuve figurent parmi les usages à haut risque. Ils devront donc satisfaire aux obligations correspondantes lorsque celles-ci deviendront applicables. (EUR-Lex)

2.2.4. Les exigences de conformité

Lorsqu’un système relève effectivement de la catégorie à haut risque, le fournisseur doit notamment organiser la gestion des risques, assurer une gouvernance appropriée des données, conserver une documentation technique, permettre la journalisation des opérations, fournir des informations aux utilisateurs et concevoir un dispositif de supervision humaine.

La supervision doit permettre à des personnes compétentes de comprendre les limites du système, de détecter des anomalies, de ne pas suivre automatiquement une recommandation et, lorsque cela est nécessaire, d’interrompre ou de neutraliser le système.

Les organismes éducatifs utilisant certains systèmes peuvent aussi être tenus d’organiser une surveillance, de conserver des journaux, de respecter les instructions du fournisseur et, dans certains cas, d’évaluer les conséquences sur les droits fondamentaux.

Le marquage CE ne concerne donc pas tous les logiciels éducatifs. Il s’inscrit dans le dispositif de conformité applicable aux systèmes visés par les dispositions correspondantes. Présenter chaque application d’apprentissage comme devant obtenir un marquage CE serait juridiquement inexact.

2.2.5. Le RGPD comme fondation

L’AI Act ne remplace pas le Règlement général sur la protection des données. Lorsqu’un système traite des données personnelles, les principes du RGPD continuent de s’appliquer : finalité déterminée, minimisation des données, durée de conservation limitée, sécurité, information des personnes et base juridique du traitement.

Cette superposition produit un environnement plus exigeant pour les établissements européens. Avant d’adopter un outil, ils doivent se demander non seulement s’il fonctionne, mais aussi quelles données il collecte, où elles sont hébergées, si elles sont transférées hors de l’Espace économique européen, si elles servent à entraîner un modèle et comment les droits des élèves peuvent être exercés.

Cette approche peut ralentir les acquisitions. Elle peut également améliorer la qualité des contrats et éviter que des infrastructures éducatives essentielles soient adoptées sans examen préalable.

2.2.6. De la simple utilisation à la littératie de l’IA

L’approche européenne de 2026 insiste fortement sur la maîtrise critique. En juin 2026, la Commission européenne a publié une nouvelle édition de ses lignes directrices sur l’utilisation éthique de l’IA et des données dans l’enseignement et l’apprentissage. Elles visent à aider les enseignants à prendre des décisions concrètes concernant les outils, la sécurité, les droits et l’esprit critique. (European Education Area)

La Commission et l’OCDE ont également présenté en juin 2026 un cadre de littératie de l’IA destiné à l’enseignement primaire et secondaire. Il ne se limite pas à l’apprentissage des commandes ou des techniques de formulation de requêtes. Il porte sur la compréhension des systèmes, l’évaluation de leurs résultats, leur utilisation responsable et la capacité à participer aux choix sociaux qu’ils entraînent. Ce cadre est relié à DigComp 3.0 et aux travaux préparatoires de l’évaluation PISA 2029 consacrée aux médias et à l’IA. (European Education Area)

Cette orientation peut être résumée ainsi : il ne suffit pas d’apprendre avec l’IA; il faut également apprendre ce qu’elle est, ce qu’elle ne sait pas et comment elle influence l’accès à l’information.

2.2.7. L’adoption réelle dans l’Union européenne

Le cadre protecteur européen n’empêche pas une diffusion rapide. En 2025, près de deux jeunes Européens sur trois âgés de 16 à 24 ans avaient utilisé un outil génératif. L’adoption variait cependant fortement entre les pays, les catégories sociales, les niveaux de compétences numériques et les situations éducatives. (European Commission)

L’Union européenne ne constitue donc pas un bloc homogène. Certains États disposent d’infrastructures numériques avancées et d’une stratégie nationale coordonnée. D’autres connaissent encore des difficultés d’équipement, de connectivité ou de formation.

L’Estonie offre un exemple d’adoption organisée. Son programme AI Leap a commencé par la formation des enseignants et l’accès encadré d’élèves du secondaire à des outils d’IA. L’expansion annoncée pour septembre 2026 doit inclure les établissements professionnels et une nouvelle cohorte d’élèves, avec environ 38 000 élèves et 2 000 enseignants supplémentaires. (e-Estonia)

Cette expérimentation montre que la distinction entre les États-Unis et l’Europe n’est pas une opposition simple entre adoption et résistance. Un pays européen peut adopter rapidement l’IA tout en l’intégrant à une politique publique nationale, à un programme de formation et à des objectifs explicites de développement de l’esprit critique.

2.2.8. La souveraineté technologique

L’Union européenne cherche aussi à réduire sa dépendance à l’égard de fournisseurs extérieurs. OpenEuroLLM vise à développer une famille ouverte de modèles couvrant les langues officielles et futures de l’Union, entraînée en partie sur des infrastructures européennes. Les « usines d’IA » soutenues par l’Union doivent fournir des capacités de calcul, des données et des services aux chercheurs, aux administrations et aux entreprises. (Digital Strategy)

Ces initiatives ne constituent pas encore, en 2026, un service éducatif souverain unifié. Elles créent néanmoins les conditions nécessaires au développement futur de modèles multilingues pouvant être adaptés aux programmes nationaux, hébergés dans des environnements européens et soumis à des exigences publiques.

2.3. Tableau comparatif des deux modèles

Cette synthèse ne doit pas masquer les variations internes. Un district américain peut appliquer une politique plus stricte qu’un établissement européen, tandis qu’un État membre peut développer une stratégie plus ambitieuse que de nombreux États américains.

3. Pratiques pédagogiques et cas d’usage

3.1. La préparation des cours et le travail administratif

Le premier domaine d’adoption concerne les tâches réalisées hors de la présence des élèves. Les enseignants utilisent l’IA pour produire des idées d’activités, adapter un texte à différents niveaux de lecture, rédiger des questions, traduire des communications, proposer des exemples ou préparer une grille d’évaluation.

Ces usages présentent un risque généralement inférieur à celui d’une décision automatisée. L’enseignant peut examiner le résultat, le corriger et décider de ne pas l’utiliser. Ils peuvent réduire le temps nécessaire à certaines tâches répétitives, particulièrement pour les enseignants responsables de nombreux groupes ou travaillant dans des classes multilingues.

Cependant, le gain de temps n’est pas automatique. Un contenu apparemment correct peut comporter une erreur factuelle, une référence inexistante, un exemple culturellement inadapté ou une consigne incohérente. Le temps économisé lors de la rédaction peut être partiellement absorbé par la vérification.

Une autre difficulté concerne l’uniformisation. Si de nombreux enseignants utilisent les mêmes modèles et les mêmes consignes, les cours peuvent finir par adopter des structures similaires. L’outil qui devait favoriser la créativité peut alors produire une standardisation invisible.

La bonne pratique consiste à traiter l’IA comme un assistant de première version. L’enseignant conserve la responsabilité de la progression, de l’exactitude, du niveau de difficulté, de l’adaptation aux élèves et du choix des exemples.

3.2. Les tuteurs artificiels

Le tuteur artificiel représente l’une des promesses les plus importantes de l’IA éducative. Il peut être disponible à toute heure, reformuler une explication, proposer un exercice supplémentaire et adapter la difficulté.

L’étude publiée en 2025 dans Scientific Reports par Kestin et ses collègues fournit un résultat encourageant. Dans un cours universitaire de physique, un tuteur spécialement conçu selon des principes pédagogiques et adapté au contenu du cours a permis aux étudiants d’apprendre davantage en moins de temps que lors d’une séance d’apprentissage actif en classe. Les étudiants utilisant le tuteur ont également déclaré un engagement et une motivation plus élevés. (Nature)

Ce résultat ne signifie pas qu’un chatbot généraliste peut remplacer tous les cours. Le système avait été construit pour un contenu précis, avec des instructions pédagogiques et des garde-fous. La comparaison portait sur une situation particulière et non sur l’ensemble d’un programme ou sur les effets à long terme.

L’étude de Bastani et de ses collègues, publiée en 2025 dans les Proceedings of the National Academy of Sciences, montre le risque inverse. Des élèves du secondaire utilisant une version non encadrée de GPT-4 réussissaient mieux certains exercices pendant qu’ils avaient accès à l’outil, mais obtenaient ensuite de moins bons résultats lorsqu’ils devaient travailler seuls. Une version conçue comme tuteur, avec des restrictions pédagogiques, réduisait ce problème. (PNAS)

Ces études établissent une distinction fondamentale entre la performance assistée et l’apprentissage durable. Obtenir rapidement la bonne réponse n’est pas nécessairement apprendre. Un outil peut augmenter la productivité visible tout en réduisant l’effort cognitif nécessaire à la consolidation des connaissances.

Les systèmes les plus prometteurs ne donnent donc pas immédiatement la solution. Ils posent des questions, demandent à l’élève d’expliquer son raisonnement, fournissent un indice limité, identifient une étape erronée et réduisent progressivement leur aide.

3.3. L’IA au service des tuteurs humains

Une autre approche consiste à utiliser l’IA non pour remplacer le tuteur, mais pour l’assister. Le projet Tutor CoPilot a été testé dans un essai randomisé auprès d’environ 900 tuteurs et 1 800 élèves issus de communautés historiquement moins favorisées. Les élèves accompagnés par des tuteurs ayant accès au système étaient quatre points de pourcentage plus susceptibles de maîtriser le sujet étudié. Le bénéfice atteignait neuf points pour les élèves accompagnés par les tuteurs initialement les moins bien évalués. (arXiv)

Le résultat est intéressant parce qu’il suggère que l’IA peut réduire une partie des écarts de qualité entre professionnels. Le système proposait des stratégies telles que des questions de guidage plutôt que de simples réponses.

Il convient néanmoins de rappeler que cette étude a d’abord circulé sous forme de prépublication. Les résultats doivent être reproduits dans d’autres disciplines, d’autres niveaux scolaires et d’autres contextes culturels.

Le modèle humain-IA paraît néanmoins plus robuste que le remplacement direct. Le professionnel conserve la relation, le jugement et la connaissance du contexte, tandis que le système fournit un appui en temps réel.

3.4. L’évaluation automatisée

L’évaluation automatisée peut prendre plusieurs formes : correction de questions fermées, analyse d’une réponse courte, retour sur une rédaction, classement d’un dossier ou proposition d’une note.

Les tâches fermées et fortement structurées sont les plus faciles à automatiser. Pour une réponse numérique, une syntaxe de programmation ou une question à choix multiple, l’IA peut fournir un retour immédiat. Ce retour permet aux élèves de corriger rapidement une erreur.

Les productions complexes posent davantage de problèmes. Une dissertation peut être évaluée selon la structure, le vocabulaire et certains critères explicites, mais l’outil peut mal interpréter l’originalité, l’ironie, une référence culturelle ou un raisonnement inhabituel. Il peut également reproduire les préférences présentes dans les données ou les exemples utilisés pour son développement.

Aux États-Unis, l’adoption dépend largement des décisions locales. Dans l’Union européenne, une IA utilisée pour évaluer les acquis et orienter matériellement le processus d’apprentissage peut relever de la catégorie à haut risque. Cela ne constitue pas une interdiction de la notation automatisée, mais impose à terme des exigences plus strictes.

Une utilisation raisonnable consiste à employer l’IA pour un retour formatif, sans lui confier seule la décision finale. Elle peut signaler les passages nécessitant une attention, proposer des questions ou vérifier certains critères. L’enseignant doit cependant conserver la capacité de réviser l’évaluation et l’élève doit pouvoir demander une explication humaine.

3.5. L’analyse prédictive et le décrochage

Les établissements disposent de nombreuses données : présence, résultats, retards, connexions aux plateformes et demandes d’aide. Un système prédictif peut combiner ces informations pour identifier les étudiants susceptibles d’abandonner.

L’intérêt potentiel est important. Une intervention précoce peut permettre de proposer un tutorat, un soutien financier, un accompagnement psychologique ou une adaptation de l’horaire.

Le danger est de confondre prédiction et destin. Un étudiant identifié comme « à risque » peut être orienté vers des parcours moins ambitieux, surveillé davantage ou traité comme un échec probable. Les variables utilisées peuvent refléter des inégalités antérieures plutôt qu’une capacité réelle.

La prédiction doit donc servir à offrir une possibilité supplémentaire, jamais à fermer une porte. Les données doivent être pertinentes et actualisées. Les professionnels doivent comprendre les limites du score et vérifier la situation auprès de l’étudiant.

Dans le contexte européen, la classification juridique dépendra de la finalité. Un outil interne qui suggère de contacter un étudiant ne présente pas nécessairement le même niveau de risque qu’un système déterminant automatiquement son accès à une formation.

3.6. Accessibilité et inclusion

L’IA peut améliorer l’accessibilité en générant des sous-titres, en convertissant un texte en parole, en décrivant une image, en simplifiant un document ou en proposant une traduction. Pour des élèves dyslexiques, malvoyants, allophones ou présentant certaines difficultés d’expression, ces fonctions peuvent réduire des obstacles.

Elle peut aussi aider les enseignants à produire rapidement plusieurs versions d’un même support. Cette capacité est particulièrement utile dans les classes où les niveaux sont hétérogènes.

L’inclusion exige néanmoins plus qu’une adaptation automatique. Une simplification excessive peut appauvrir le contenu. Une description d’image peut omettre une information essentielle. Une traduction peut modifier une nuance pédagogique. Les outils doivent donc compléter les compétences spécialisées plutôt que remplacer les professionnels de l’accompagnement.

3.7. La littératie de l’IA

L’enseignement de l’IA devrait inclure quatre dimensions.

La première est technique : les élèves doivent comprendre qu’un modèle linguistique produit une suite probable de mots et ne consulte pas automatiquement une base de vérité.

La deuxième est informationnelle : ils doivent vérifier les affirmations, rechercher des sources, distinguer une citation authentique d’une référence inventée et comparer plusieurs documents.

La troisième est éthique : ils doivent réfléchir à la vie privée, au droit d’auteur, aux biais, à l’impact environnemental et à la responsabilité.

La quatrième est créative et civique : les élèves doivent pouvoir utiliser l’IA pour explorer une idée, mais aussi participer aux débats concernant son déploiement.

Le cadre européen présenté en 2026 insiste particulièrement sur ces dimensions. Aux États-Unis, des initiatives fédérales, étatiques et professionnelles poursuivent des objectifs similaires, mais sans curriculum national uniforme. (European Education Area)

4. Intégrité académique et transformation de l’évaluation

4.1. Les limites des détecteurs

Les détecteurs de textes générés tentent d’identifier des régularités statistiques. Ils ne peuvent pas établir de manière certaine qui a écrit un texte, surtout lorsque celui-ci a été modifié, traduit ou partiellement produit par un humain.

Le risque de faux positif est particulièrement grave. Un étudiant peut être accusé sur la base d’un score opaque alors qu’il est l’auteur de son travail. Les personnes utilisant une langue seconde ou un style très régulier peuvent être exposées à des erreurs.

Les détecteurs peuvent constituer un indice dans une enquête, mais ils ne devraient pas être considérés comme une preuve suffisante. Une procédure équitable doit inclure une discussion avec l’étudiant, l’examen de ses brouillons et la comparaison avec ses travaux antérieurs.

4.2. De la détection à la preuve du processus

De nombreux établissements réorientent leur stratégie vers l’observation du processus d’apprentissage. L’étudiant peut être invité à remettre un plan, des notes, des versions intermédiaires, une bibliographie commentée ou un journal expliquant les transformations successives du travail.

Cette approche ne vise pas seulement à prévenir la fraude. Elle rend visible le raisonnement, ce qui permet une évaluation plus riche. Elle aide également l’étudiant à prendre conscience de ses propres choix.

L’European Network for Academic Integrity a notamment promu en 2025 des démarches d’évaluation graduée de l’usage de l’IA, destinées à dépasser une stratégie fondée principalement sur la détection. (Academic Integrity)

4.3. Le retour des oraux et des évaluations authentiques

Les examens oraux, les démonstrations pratiques, les études de cas réalisées en classe et les soutenances permettent de vérifier si l’étudiant comprend réellement le travail remis.

Cela ne signifie pas qu’il faut abandonner l’écrit. L’écriture demeure une forme centrale de pensée. Mais un devoir produit entièrement à domicile ne peut plus toujours être interprété comme la mesure directe des compétences individuelles.

Une évaluation adaptée à l’ère de l’IA peut combiner un travail assisté autorisé, une déclaration des outils utilisés et une phase non assistée. Par exemple, l’étudiant peut utiliser l’IA pour explorer plusieurs hypothèses, puis défendre oralement la solution choisie.

4.4. Une politique graduée

Une politique d’intégrité efficace ne devrait pas opposer seulement « autorisé » et « interdit ». Elle peut distinguer plusieurs niveaux :

1. aucune IA autorisée, lorsque l’objectif consiste à mesurer une compétence autonome fondamentale;
2. IA autorisée pour la préparation, mais non pour la production finale;
3. IA autorisée pour certaines fonctions, avec déclaration;
4. IA intégrée à l’exercice et faisant elle-même l’objet d’une analyse critique.

Cette gradation réduit l’ambiguïté. Elle permet aussi d’enseigner un usage responsable au lieu de supposer que les étudiants n’utiliseront pas les outils.

5. Réception sociale, confiance et autonomie professionnelle

5.1. Les enseignants américains

Les enseignants américains perçoivent plusieurs avantages immédiats : création d’activités, différenciation, rédaction de communications, production de questions et soutien aux élèves. La diffusion est déjà importante, mais la formation reste inégale.

La crainte du remplacement direct n’est pas le seul enjeu. Une déprofessionnalisation peut également se produire lorsque les enseignants conservent officiellement leur poste, mais perdent progressivement la capacité de choisir les contenus, les critères d’évaluation ou les parcours d’apprentissage.

À l’inverse, l’IA peut renforcer la profession lorsqu’elle libère du temps et fournit un appui sans imposer une décision. Le facteur décisif est la capacité des enseignants à participer au choix, à l’évaluation et à la configuration des outils.

Les partenariats syndicaux lancés en 2025 cherchent précisément à placer les enseignants dans un rôle de coconcepteurs. Leur financement par des entreprises technologiques exige cependant une transparence sur les programmes, les intérêts commerciaux et l’utilisation des retours fournis par les participants.

5.2. Les enseignants européens

En Europe, la protection juridique ne garantit pas automatiquement la confiance. Un enseignant peut savoir qu’un outil respecte certains critères réglementaires sans savoir comment l’intégrer à une séquence pédagogique.

Les orientations européennes de 2026 reconnaissent ce problème. Elles proposent des scénarios concrets et insistent sur le jugement professionnel. Une enquête citée par la Commission indique que 81 % des citoyens européens considèrent que les enseignants devraient disposer des compétences nécessaires pour utiliser et comprendre l’IA, tandis qu’une très large majorité estime qu’ils doivent aider les élèves à reconnaître la désinformation. (European Education Area)

La confiance ne peut donc pas reposer uniquement sur un label. Elle dépend également de la formation, de la possibilité de refuser un outil inadapté et de la présence de ressources dans les différentes langues.

5.3. Les étudiants

Les étudiants apprécient généralement la disponibilité permanente, la rapidité du retour et la possibilité de poser une question sans craindre le jugement d’un adulte ou d’un groupe.

Cette facilité peut toutefois créer une dépendance. Lorsque le système devient le premier interlocuteur pour chaque difficulté, l’étudiant peut perdre l’habitude de chercher, de tolérer l’incertitude ou de construire une solution par étapes.

Le risque est particulièrement élevé lorsque l’outil adopte un ton confiant. Une réponse fluide peut être perçue comme correcte même lorsqu’elle est fausse. La compétence centrale devient alors la capacité de résister à la persuasion de la forme.

5.4. Les familles

Les familles ne disposent pas toutes du même niveau de compréhension. Certaines voient l’IA comme une occasion d’offrir à leur enfant un tutorat autrefois réservé aux ménages capables de payer des cours privés. D’autres craignent la collecte de données, la dépendance cognitive et la diminution des interactions humaines.

Les établissements devraient fournir une information claire : nom du service, finalité, données traitées, durée de conservation, présence d’une supervision humaine et procédure de contestation. Une autorisation générale pour « utiliser des technologies éducatives » n’est pas toujours suffisante lorsque le système entretient une conversation détaillée avec un enfant ou construit un profil d’apprentissage.

5.5. L’autonomie enseignante

L’autonomie ne signifie pas que chaque enseignant doit choisir seul n’importe quel outil. Une telle liberté pourrait exposer les élèves à des pratiques incohérentes ou à des services insuffisamment protégés.

Une gouvernance équilibrée combine une liste institutionnelle d’outils approuvés et une marge pédagogique réelle. L’établissement fixe les exigences minimales de sécurité et de confidentialité. L’enseignant choisit ensuite si l’outil sert l’objectif de son cours.

Le risque américain est que le choix soit déterminé par le fournisseur déjà dominant. Le risque européen est que la complexité administrative conduise à un catalogue trop restreint ou à une interdiction de fait. Dans les deux cas, les enseignants doivent participer aux décisions.

6. L’éthique : frein à l’innovation ou condition de sa durabilité ?

6.1. Le coût de la conformité

Les exigences européennes peuvent imposer des coûts importants aux fournisseurs qui développent des systèmes utilisés pour l’admission, la notation déterminante ou la surveillance d’examens. Les petites entreprises peuvent avoir plus de difficulté à financer la documentation, les tests, la gouvernance des données et le suivi.

Ce coût peut favoriser les grands acteurs capables de disposer d’équipes juridiques et techniques importantes. Une réglementation destinée à limiter le pouvoir des grandes plateformes pourrait donc, sans soutien adapté, renforcer leur avantage.

Les dispositifs d’accompagnement, les normes harmonisées, les bacs à sable réglementaires et les infrastructures publiques sont essentiels pour éviter cet effet. Le report adopté en 2026 vise précisément à permettre la disponibilité de davantage d’outils de conformité avant l’application des règles à haut risque. (Consilium)

6.2. L’« effet Bruxelles »

L’Union européenne possède un marché suffisamment important pour influencer les pratiques internationales. Un fournisseur peut décider d’appliquer certains standards européens à l’ensemble de ses produits plutôt que de maintenir plusieurs versions.

Cet « effet Bruxelles » n’est cependant pas automatique. Les entreprises peuvent limiter certains services en Europe, différer leur lancement ou proposer des fonctions différentes selon les régions. L’influence dépendra de la clarté des règles, de leur application cohérente et de la capacité de l’Europe à soutenir ses propres innovations.

Dans l’éducation, l’effet pourrait être particulièrement important pour la documentation, la transparence, la supervision humaine et les procédures de recours.

6.3. L’innovation responsable comme avantage

La conformité peut devenir un avantage lorsqu’elle réduit l’incertitude. Une école hésitera moins à adopter un système si elle dispose d’informations standardisées sur ses performances, ses limites et ses données.

La confiance est particulièrement importante dans un secteur concernant des mineurs et des décisions susceptibles d’influencer une vie entière. Une innovation rapide mais suivie d’un scandale de données ou d’une discrimination peut entraîner un rejet durable.

L’éthique ne doit donc pas être conçue uniquement comme un ralentissement. Elle peut constituer une infrastructure de confiance. Elle devient toutefois contre-productive lorsqu’elle se limite à des formulaires sans améliorer les pratiques réelles.

7. Une divergence réelle, mais une convergence progressive

7.1. Les différences structurelles

Les États-Unis conservent un avantage en matière de rapidité, d’offre commerciale et de capacité à tester plusieurs solutions. Leurs établissements peuvent tirer parti d’un écosystème technologique dynamique et d’importants investissements privés.

L’Union européenne dispose d’un avantage en matière de cadre commun, de protection des données et de qualification explicite des usages sensibles. Elle tente de faire porter une plus grande part de la responsabilité sur les fournisseurs et les organismes qui déploient les systèmes.

Les conséquences sont visibles. Une innovation peut atteindre rapidement un grand nombre d’élèves américains, mais sa qualité et sa protection peuvent varier selon le district. En Europe, le déploiement peut être plus lent, mais les usages déterminants sont soumis à un vocabulaire commun de risques, de transparence et de droits.

7.2. Des évolutions convergentes

Les États-Unis développent davantage de politiques institutionnelles, de formations et de règles relatives à la confidentialité. Les États et les districts produisent des modèles de politiques afin de réduire l’incertitude. La Californie a, par exemple, publié en 2026 un modèle destiné à aider les organismes éducatifs locaux à encadrer l’IA. (California Department of Education)

L’Union européenne, de son côté, cherche à simplifier l’AI Act et à repousser certaines obligations afin de ne pas imposer des règles impossibles à appliquer en l’absence de normes et d’orientations suffisamment précises.

Les deux modèles convergent donc vers une position intermédiaire : permettre l’usage, mais exiger un contrôle plus clair lorsque l’IA influence une décision importante.

7.3. Le véritable clivage

Le clivage le plus profond ne sépare peut-être pas les États-Unis de l’Europe. Il oppose deux conceptions de l’apprentissage.

Dans la première, l’IA sert à maximiser la vitesse, la production et la réussite immédiate. L’élève obtient une réponse, termine plus rapidement et produit davantage.

Dans la seconde, l’IA sert à organiser un effort cognitif. Elle pose une question, signale une contradiction, propose un indice et oblige l’élève à expliquer.

La première conception peut améliorer les indicateurs de productivité tout en réduisant l’apprentissage. La seconde exige une ingénierie pédagogique plus complexe, mais elle correspond mieux aux résultats expérimentaux disponibles.

8. Recommandations pour les établissements et les pouvoirs publics

8.1. Définir les usages avant de choisir les outils

Un établissement ne devrait pas commencer par demander quelle plateforme acheter. Il devrait déterminer le problème pédagogique : manque de retour individualisé, besoin de traduction, surcharge administrative, difficulté d’accès au tutorat ou nécessité d’enseigner la littératie de l’IA.

Le choix technologique vient ensuite. Cette méthode évite qu’une fonction disponible soit transformée artificiellement en besoin.

8.2. Maintenir une responsabilité humaine identifiable

Chaque usage important doit avoir un responsable humain clairement désigné. Une note, une orientation, une alerte de décrochage ou une décision d’admission ne doit pas devenir incontestable parce qu’elle a été produite par un système.

L’élève doit pouvoir savoir qu’une IA a participé à la décision, obtenir une explication compréhensible et demander une révision humaine.

8.3. Évaluer l’apprentissage, pas seulement la satisfaction

Les utilisateurs peuvent aimer un outil parce qu’il est rapide et agréable. Cette satisfaction ne prouve pas qu’il améliore les connaissances.

Les évaluations devraient mesurer la capacité à résoudre un nouveau problème sans assistance, la rétention après plusieurs semaines, le transfert des connaissances et les effets sur différents groupes d’élèves.

8.4. Privilégier le guidage plutôt que la réponse

Les tuteurs devraient être conçus pour poser des questions, fournir des indices, demander des justifications et retirer progressivement l’aide.

Un bouton permettant d’obtenir immédiatement la solution peut être utile dans certains contextes, mais il ne devrait pas constituer le fonctionnement par défaut d’un système présenté comme pédagogique.

8.5. Former les enseignants sur du temps rémunéré

La formation ne doit pas reposer uniquement sur la motivation individuelle. Elle devrait être intégrée au temps de travail et adaptée aux disciplines.

Un enseignant de littérature, un professeur de mathématiques, un conseiller d’orientation et un spécialiste de l’éducation adaptée n’ont pas les mêmes besoins.

8.6. Réduire les inégalités de capacité institutionnelle

Les autorités publiques devraient proposer des contrats types, des critères d’achat, des analyses de risques, des ressources juridiques et des évaluations indépendantes accessibles aux établissements moins dotés.

Sans cette mutualisation, les écoles favorisées seront les seules capables d’acheter une IA de qualité et d’en contrôler les risques.

8.7. Limiter les données collectées

Une plateforme ne devrait pas collecter davantage de données simplement parce que cela est techniquement possible. Les établissements doivent examiner les conversations enregistrées, les métadonnées, les profils, les durées de conservation et les possibilités d’entraînement des modèles.

Les données des mineurs devraient bénéficier d’une vigilance particulière.

8.8. Repenser l’évaluation

Les établissements devraient identifier les compétences qui doivent être maîtrisées sans assistance et celles pour lesquelles l’usage critique d’une IA constitue une compétence pertinente.

Les évaluations peuvent combiner productions écrites, oraux, démonstrations, travaux en classe, journaux de processus et déclarations d’usage.

8.9. Assurer la transparence des partenariats

Lorsqu’une entreprise finance une formation, fournit des licences expérimentales ou participe à la conception d’un programme, les conditions doivent être publiques.

La transparence ne rend pas le partenariat illégitime. Elle permet d’en évaluer les bénéfices et les conflits d’intérêts.

8.10. Développer des infrastructures publiques ou interopérables

Les pouvoirs publics devraient éviter qu’un établissement soit enfermé dans un fournisseur unique. Les contenus, les profils et les données devraient pouvoir être exportés dans des formats utilisables.

L’Europe peut soutenir des modèles multilingues et des capacités de calcul publiques. Les États-Unis peuvent développer des ressources ouvertes et des mécanismes d’achat collectif.

9. Perspectives à l’horizon 2030

9.1. Le passage du chatbot à l’agent éducatif

Le chatbot répond à une demande. L’agent peut poursuivre un objectif pendant une période plus longue. Il peut planifier une séquence, sélectionner des ressources, générer des exercices, observer les réponses, modifier la difficulté, envoyer des rappels et produire un rapport pour l’enseignant.

Cette capacité augmente l’utilité, mais aussi le risque. Une erreur isolée dans une réponse est différente d’une stratégie pédagogique erronée appliquée pendant plusieurs mois.

La supervision devra donc porter sur le comportement global de l’agent, et non uniquement sur chaque phrase produite.

9.2. La mémoire et le profil permanent

Les futurs systèmes pourront conserver une mémoire détaillée des difficultés, des intérêts et des habitudes de l’élève. Cette mémoire permettra une personnalisation plus fine.

Elle peut également créer un profil permanent qui enferme l’apprenant dans ses performances passées. Un élève considéré comme faible dans une discipline pourrait recevoir systématiquement des exercices plus simples et perdre l’occasion de progresser.

Les établissements devront prévoir des mécanismes de correction, d’effacement et de remise à zéro. La personnalisation ne doit pas devenir une assignation.

9.3. La transformation du métier enseignant

L’enseignant pourrait consacrer moins de temps à la production de supports standards et davantage à l’accompagnement, à la discussion, au diagnostic et à la conception des activités.

Cette évolution positive suppose que les gains de temps soient réellement réinvestis dans la relation pédagogique. Si l’IA sert uniquement à augmenter le nombre d’élèves par enseignant ou à réduire les effectifs, elle risque au contraire de diminuer la qualité.

Le futur du métier dépendra donc de décisions budgétaires et organisationnelles, pas seulement des capacités techniques.

9.4. La convergence réglementaire

Les fournisseurs opérant mondialement auront intérêt à développer des systèmes répondant à plusieurs cadres. Des principes communs pourraient émerger : information de l’utilisateur, protection renforcée des mineurs, contrôle humain, tests de biais, documentation et possibilité de recours.

Les États-Unis pourraient conserver une gouvernance plus sectorielle, tandis que l’Union européenne maintiendrait une réglementation horizontale. Les pratiques concrètes pourraient néanmoins se rapprocher.

9.5. La souveraineté cognitive

La question la plus profonde concerne la capacité de l’élève à penser sans assistance. Une société peut posséder des infrastructures souveraines et héberger ses données localement, tout en devenant cognitivement dépendante de systèmes automatisés.

La souveraineté cognitive signifie savoir quand utiliser l’IA, quand la contester et quand travailler sans elle. Elle implique la maîtrise des connaissances fondamentales, car une personne qui ne connaît rien à un sujet ne peut pas vérifier efficacement une réponse.

L’éducation à l’ère de l’IA ne doit donc pas abandonner la mémorisation, l’écriture, le calcul ou la lecture approfondie. Elle doit déterminer quelles bases sont nécessaires pour utiliser les outils avec discernement.

Conclusion générale

En 2026, l’intelligence artificielle est devenue une composante durable du paysage éducatif, mais non une infrastructure uniforme ni pleinement stabilisée. Les États-Unis et l’Union européenne illustrent deux manières de gérer la même transformation.

Le modèle américain favorise l’expérimentation, les partenariats et la diffusion rapide. Il permet à certains établissements d’innover à grande échelle et de tester des formes avancées de tutorat. Sa faiblesse principale réside dans la fragmentation. La qualité de l’accès, la protection des données et la formation dépendent fortement des ressources locales.

Le modèle européen cherche à garantir que les systèmes influençant l’admission, l’évaluation ou le parcours scolaire soient soumis à des obligations proportionnées à leurs risques. Il interdit certains usages biométriques particulièrement intrusifs et renforce la maîtrise critique. Sa faiblesse réside dans la complexité de la conformité, le risque de lenteur et les différences persistantes entre États membres.

Le calendrier européen doit être présenté avec précision. En juillet 2026, les règles concernant les systèmes éducatifs à haut risque ne sont pas encore toutes pleinement applicables. La période actuelle est celle de la préparation, de la transparence et de la mise en place des capacités de contrôle.

Les recherches disponibles ne permettent ni de proclamer que l’IA révolutionne automatiquement l’apprentissage, ni de conclure qu’elle lui nuit nécessairement. Elles montrent plutôt que la conception pédagogique est décisive. Un tuteur guidé, limité à un contenu validé et conçu pour faire raisonner peut améliorer certains apprentissages. Un outil sans garde-fous, utilisé comme machine à réponses, peut affaiblir la performance autonome.

Le principal enjeu n’est donc pas de choisir entre l’adoption et l’interdiction. Il consiste à déterminer qui contrôle l’outil, quelles données il utilise, quels objectifs il poursuit, comment ses résultats sont évalués et dans quelles situations l’humain doit reprendre la décision.

À l’horizon 2030, les agents autonomes rendront ces choix encore plus urgents. Les systèmes seront capables d’accompagner un élève pendant une longue période et d’intervenir dans plusieurs dimensions de son parcours. Les établissements devront protéger non seulement les données et les droits, mais aussi la capacité d’apprendre, de douter et de penser sans assistance permanente.

La réussite de l’IA éducative ne se mesurera pas au nombre de réponses générées ni au nombre de licences distribuées. Elle se mesurera à la capacité des élèves à comprendre davantage, à exercer leur jugement, à devenir plus autonomes et à participer lucidement à une société dans laquelle les systèmes artificiels occupent une place croissante.

Bibliographie

American Federation of Teachers, Microsoft, OpenAI et Anthropic. (2025). National Academy for AI Instruction. Initiative de formation visant 400 000 enseignants américains sur cinq ans. (OpenAI)

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. et Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences. (PNAS)

Commission européenne. (2026). Guidelines on the ethical use of artificial intelligence and data in teaching and learning for educators. Nouvelle édition publiée en juin 2026. (European Education Area)

Commission européenne et OCDE. (2026). AI Literacy Framework for Primary and Secondary Education. Cadre présenté en juin 2026 et relié à DigComp 3.0 ainsi qu’aux travaux concernant PISA 2029. (European Education Area)

Conseil de l’Union européenne. (2026, 29 juin). Artificial intelligence: Council gives final green light to simplify and streamline rules. Modification du calendrier d’application des dispositions relatives aux systèmes à haut risque. (Consilium)

Estonie — AI Leap. (2025-2026). Programme national d’intégration pédagogique de l’IA et de formation des enseignants. (e-Estonia)

Eurostat. (2025). 32.7% of EU people used generative AI tools in 2025. Données concernant les personnes âgées de 16 à 74 ans. (European Commission)

Eurostat. (2026). 64% of 16-24-year-olds used AI in 2025. Données relatives à l’adoption de l’IA générative par les jeunes Européens. (European Commission)

Federal Trade Commission. (2025). Modifications de la règle d’application de la Children’s Online Privacy Protection Act. (Federal Trade Commission)

Kestin, G., Miller, K., Klales, A., Milbourne, T. et Ponti, G. (2025). AI tutoring outperforms in-class active learning. Scientific Reports. (Nature)

Parlement européen et Conseil de l’Union européenne. (2024). Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle. (EUR-Lex)

RAND. (2025). More Districts Are Training Teachers on Artificial Intelligence. Analyse des disparités de formation selon le niveau de pauvreté des districts américains. (RAND)

UNESCO. (2023, mise à jour en 2026). Guidance for Generative AI in Education and Research. Approche centrée sur l’humain, la protection des données et le renforcement des capacités. (UNESCO)

U.S. Department of Education. (2025). Guidance on Artificial Intelligence Use in Schools. Orientations concernant l’utilisation de financements fédéraux pour les ressources pédagogiques, le tutorat et l’orientation fondés sur l’IA. (U.S. Department of Education)

Wang, R. E., Ribeiro, A. T., Robinson, C. D., Loeb, S. et Demszky, D. (2024). Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise. Étude randomisée sur l’assistance artificielle aux tuteurs humains. (arXiv)