L’intelligence artificielle générative place l’éducation devant un paradoxe. Elle peut reformuler une notion, créer des exemples, proposer une rétroaction et adapter un exercice en quelques secondes. Elle peut aussi produire le résultat qu’un élève devait apprendre à construire. Dans le premier cas, elle soutient l’apprentissage; dans le second, elle risque de le contourner.
La question décisive n’est donc pas de savoir si l’IA doit entrer en classe. Elle y est déjà, directement ou dans les outils numériques employés par les élèves et les enseignants. Il faut plutôt déterminer à quel moment l’utiliser, dans quel rôle et avec quelle preuve d’apprentissage.
L’approche STEAM — sciences, technologie, ingénierie, arts et mathématiques — offre un cadre particulièrement utile pour répondre à cette question. Non parce que les arts protégeraient magiquement les humains de l’automatisation, mais parce qu’un projet STEAM oblige à relier exactitude technique, intention, contexte, création, critique et conséquences humaines.
Une bonne production n’est pas encore un apprentissage
L’IA rend très visible une distinction que l’école a parfois laissée dans l’ombre : réussir une tâche avec une aide n’est pas nécessairement acquérir la capacité de la refaire seul.
Une vaste expérience menée auprès d’élèves du secondaire en mathématiques a comparé un groupe sans IA, un groupe utilisant une interface proche d’un assistant généraliste et un groupe utilisant un tuteur muni de garde-fous pédagogiques. Pendant la pratique, les deux systèmes ont amélioré les résultats. Lorsque l’accès à l’outil a été retiré, les élèves ayant utilisé l’assistant sans garde-fous ont obtenu des notes inférieures à celles du groupe témoin.
| Situation observée | Résultat pendant la pratique | Résultat sans l’outil |
|---|---|---|
| Assistant généraliste | Performance supérieure de 48 % au groupe témoin | Notes inférieures de 17 % |
| Tuteur avec garde-fous | Performance supérieure de 127 % au groupe témoin | Pas de baisse statistiquement significative rapportée |
Ces résultats, publiés dans les Proceedings of the National Academy of Sciences, ne prouvent pas que toute IA nuit à tout apprentissage. Ils montrent quelque chose de plus utile : la conception de l’aide compte autant que sa puissance. Le tuteur encadré orientait l’élève sans simplement livrer la solution, alors que l’assistant généraliste pouvait devenir une béquille. (PNAS)
Le piège de la fluidité
Une réponse claire et convaincante procure rapidement un sentiment de compréhension. Pourtant, reconnaître une explication n’est pas la même chose que rappeler une notion, choisir une stratégie, détecter une erreur ou transférer un raisonnement dans une situation nouvelle.
L’IA peut ainsi réduire deux charges très différentes :
- la charge inutile, par exemple une consigne confuse ou un texte inaccessible;
- l’effort productif nécessaire pour organiser une idée, formuler une hypothèse, tester une solution et corriger son raisonnement.
Réduire la première favorise l’apprentissage. Supprimer la seconde peut empêcher sa consolidation. Le Digital Education Outlook 2026 de l’OCDE formule le même principe général : l’IA générative doit être utilisée de manière sélective pour enrichir l’apprentissage, sans remplacer l’effort cognitif ni affaiblir les relations humaines au cœur de l’éducation.
STEAM ne remplace pas STEM : il lui donne une direction
Présenter l’IA comme la preuve que les compétences scientifiques et techniques sont devenues obsolètes serait une erreur. Pour vérifier un calcul, juger un code, comprendre un modèle ou contester une conclusion, il faut précisément posséder des connaissances disciplinaires solides.
L’apport de STEAM consiste à élargir la définition d’un problème réussi. Une solution ne doit pas seulement fonctionner. Elle doit aussi être compréhensible, pertinente, utilisable, défendable et attentive à ses effets.
| Dans un projet surtout technique | Dans un projet STEAM abouti |
|---|---|
| Le système produit-il le résultat attendu? | Pour qui le résultat est-il utile, et qui pourrait-il exclure? |
| Le code est-il performant? | Le choix technique est-il explicable et proportionné au besoin? |
| Les données permettent-elles une prédiction? | Leur collecte est-elle légitime et leur interprétation prudente? |
| Le prototype fonctionne-t-il? | Son usage réel est-il accessible, soutenable et souhaitable? |
| La réponse est-elle exacte? | L’argument est-il juste, situé et communicable? |
Le « A » ne désigne donc pas une décoration ajoutée à la fin d’un projet scientifique. Il mobilise le design, les arts, les langues, l’histoire, la philosophie, l’éthique et les sciences sociales pour poser des questions que l’optimisation seule ne tranche pas.
Ce que l’IA déplace réellement
Lorsque produire une première version devient facile, la valeur pédagogique se déplace vers des opérations plus exigeantes : définir le problème, comparer des hypothèses, justifier des choix, vérifier des sources, reconnaître l’incertitude, écouter les personnes concernées et améliorer le résultat.
Ces capacités ne sont pas hors d’atteinte de toute automatisation. Les modèles peuvent déjà simuler une critique, suggérer des variantes ou produire une argumentation morale. Mais ils ne portent ni la responsabilité institutionnelle d’une décision, ni l’expérience vécue des personnes touchées, ni les conséquences d’un mauvais choix. L’élève doit apprendre à utiliser cette contribution sans lui abandonner son jugement.
Les pédagogies convergent vers un usage plus structuré
Le débat oppose parfois un Occident constructiviste, axé sur la découverte, à une Asie centrée sur la mémorisation et l’autorité. Cette opposition peut éclairer certaines traditions, mais elle devient vite caricaturale. Les pratiques varient davantage entre classes, programmes et niveaux d’expertise qu’entre deux blocs homogènes.
Face à l’IA, plusieurs systèmes rencontrent surtout le même problème. Une exploration trop ouverte peut laisser un novice accepter la première réponse générée. Une pédagogie réduite à la restitution peut, de son côté, évaluer une production que la machine sait facilement imiter.
Une convergence plus féconde apparaît :
- construire des connaissances de base par un enseignement explicite et une pratique réelle;
- faire appliquer ces connaissances dans des projets, des débats et des créations;
- utiliser l’IA comme source d’indices, de variations et de rétroaction;
- retirer l’aide pour vérifier ce que l’apprenant maîtrise effectivement;
- remettre l’enseignant au centre du choix des objectifs, des contraintes et des critères.
L’enjeu n’est pas de choisir entre transmission et exploration. Il consiste à organiser leur alternance selon l’expertise de l’élève et la nature de la compétence visée.
Trois cadres pour une littératie de l’IA centrée sur l’humain
Les orientations publiées par l’UNESCO, l’OCDE et le Québec ne réduisent pas la littératie de l’IA à la maîtrise des requêtes ou du code. Elles y associent compréhension technique, pensée critique, créativité, éthique et responsabilité.
UNESCO : comprendre, juger, créer et agir
Le cadre de compétences en IA pour les élèves de l’UNESCO réunit douze compétences dans quatre dimensions : une approche centrée sur l’humain, l’éthique de l’IA, les techniques et applications de l’IA, et la conception de systèmes d’IA. Il propose une progression qui va de la compréhension à la création.
Cette architecture confirme qu’un élève compétent ne se contente pas d’obtenir une sortie. Il doit savoir quand utiliser l’IA, examiner ses effets et participer à la définition de ses règles.
OCDE : préserver l’objectif pédagogique
Le rapport 2026 de l’OCDE distingue clairement la productivité de l’apprentissage. Un outil peut faire gagner du temps à l’enseignant ou à l’élève sans développer la compétence recherchée. Le point de départ doit donc rester l’objectif pédagogique, suivi du choix de l’aide, et non l’inverse.
Québec : une compétence numérique en douze dimensions
Le Cadre de référence de la compétence numérique du Québec a été actualisé pour tenir compte des évolutions récentes, dont l’intelligence artificielle. Ses douze dimensions relient citoyenneté éthique, habiletés technologiques, culture informationnelle, collaboration, production de contenu, pensée critique, créativité et innovation.
Ce cadre se prête bien aux projets STEAM parce qu’il évite de placer la technique seule au sommet. Il demande de mobiliser plusieurs dimensions dans une situation authentique.
Une séquence en six temps pour utiliser l’IA sans court-circuiter l’élève
Une intégration responsable ne repose pas sur une liste permanente d’outils autorisés. Elle repose sur une séquence où le rôle de l’IA change en fonction du travail cognitif attendu.
- Amorcer. L’enseignant active les connaissances antérieures. L’IA peut proposer des analogies, des exemples proches du contexte ou un court questionnaire que l’enseignant valide.
- Chercher avant de demander. L’élève formule seul une hypothèse, un croquis, une procédure ou un premier argument. L’IA reste absente afin de rendre visible le raisonnement initial.
- Guider sans résoudre. L’outil pose des questions, signale une incohérence ou donne un indice gradué. Il ne produit pas immédiatement la réponse finale.
- Comparer et critiquer. L’élève confronte sa solution à une ou plusieurs propositions générées, vérifie les faits et explique ce qu’il conserve ou rejette.
- Créer et documenter. L’IA peut accélérer certaines opérations, mais l’élève consigne ses décisions, ses sources, ses essais et les modifications apportées.
- Démontrer sans assistance. Une explication orale, une résolution en classe, une démonstration pratique ou une question de transfert vérifie la maîtrise personnelle.
Cette séquence ne demande pas de bannir l’IA pendant tout le cours. Elle crée des zones sans assistance là où l’effort est l’objet même de l’apprentissage, puis des zones accompagnées lorsque l’élève possède assez de repères pour évaluer l’aide reçue.
Repenser l’évaluation autour des traces de décision
Un texte final ou un programme fonctionnel ne suffit plus toujours à certifier une compétence. Cela ne signifie pas qu’il faut évaluer chaque requête ni transformer la classe en dispositif de surveillance.
Une évaluation robuste peut combiner quatre types de preuves :
- le produit, pour apprécier sa qualité, son exactitude et son utilité;
- le processus, au moyen de brouillons, d’essais, d’un journal de décisions ou d’un historique choisi;
- la justification, par une courte soutenance où l’élève explique ses choix et ses vérifications;
- le transfert, avec une tâche nouvelle ou une étape sans IA.
Dans un projet STEAM, les critères devraient aussi couvrir la formulation du problème, la qualité des sources, l’attention portée aux personnes concernées, l’explicabilité, la créativité, les compromis techniques et la capacité à réviser sa position.
Déclarer l’usage plutôt que prétendre le détecter
Les politiques pédagogiques gagnent à préciser les usages permis pour chaque activité : idéation, reformulation, recherche de contre-arguments, génération de code, correction linguistique ou production finale. Demander une déclaration simple de l’aide reçue est plus éducatif que s’appuyer aveuglément sur un détecteur de texte généré.
L’objectif est de rendre l’usage discutable et vérifiable. L’élève doit pouvoir répondre à trois questions : qu’ai-je demandé, qu’ai-je vérifié et qu’ai-je décidé moi-même?
Une feuille de route pour les établissements
Avant d’acheter une plateforme ou d’imposer une politique générale, une école, un cégep ou une université peut avancer en sept décisions.
- Définir les apprentissages non délégables. Identifier ce que l’élève doit savoir expliquer, produire ou exécuter sans assistance.
- Écrire des règles par activité. Remplacer le simple « IA permise ou interdite » par des attentes liées à chaque étape du travail.
- Former les enseignants avant de mesurer les élèves. Donner du temps pour tester les outils, comparer leurs réponses et concevoir des garde-fous.
- Protéger les données. Éviter l’envoi de renseignements personnels ou de travaux sensibles dans un service non approuvé; documenter la conservation et l’usage des données.
- Préserver l’équité d’accès. Ne pas construire une évaluation qui avantage les élèves disposant d’un abonnement, d’un appareil ou d’un accompagnement privé.
- Évaluer les outils par leurs effets. Mesurer la maîtrise après retrait de l’aide, et non seulement la satisfaction ou la rapidité de production.
- Associer les élèves aux règles. Leur apprendre à reconnaître la dépendance, les erreurs, les biais et les situations où l’outil doit être refusé.
Former des personnes capables de diriger l’outil
L’IA ne rend ni les sciences moins importantes, ni les arts automatiquement supérieurs. Elle rend insuffisante une pédagogie qui mesure seulement la vitesse d’exécution ou la qualité apparente d’un résultat.
La force de STEAM est d’obliger les disciplines à se rencontrer. La science apporte les preuves; la technologie rend l’action possible; l’ingénierie organise les contraintes; les arts et les humanités interrogent l’intention, l’expérience et les conséquences; les mathématiques donnent une structure à la mesure et au raisonnement.
Une pédagogie adaptée à l’IA ne cherche donc pas à faire concourir l’élève contre la machine. Elle lui apprend à définir le problème, à préserver l’effort qui construit ses compétences, à vérifier ce qui lui est proposé et à assumer la décision finale.
Pour approfondir l’adoption, les risques et la gouvernance des outils éducatifs, consultez L’intelligence artificielle comme outil pédagogique. Pour replacer ces transformations dans l’évolution générale des outils, poursuivez avec Évolution et tendances de l’IA en 2026.