Sur le papier, c'est sûr que l'intelligence artificielle générative peut faire rêver plus d'un étudiant ou d'une étudiante : elle permet de gagner en productivité, en temps, en clarté, en structuration… C'est sans doute l'une des raisons pour lesquelles 68 % des étudiants et étudiantes l'utilisent chaque semaine (rapport « IA et Enseignement Supérieur », 2025).

Mais un bon rendu est-il la preuve d'un bon apprentissage ? C'est l'une des questions auxquelles nous avons voulu consacrer notre dernier Bol d'inspi, notre série de webinaires dédiée à l'enseignement supérieur.

Pour nourrir la discussion, nous avons invité Sandrine Decamps, conseillère pédagogique à la Haute École Louvain en Hainaut (HELHa). Elle travaille depuis 20 ans sur les questions de numérique, et est également chargée de cours à l'Université catholique de Louvain.

Pour elle, un bon rendu n'est pas forcément la preuve d'un bon apprentissage : « L'IA peut améliorer ce qui est produit sans améliorer ce qui est appris. » Et plutôt que de se demander aujourd'hui s'il faut utiliser, ou non, l'IA, Sandrine nous invite à déplacer la question : dans quelles conditions son usage soutient-il, ou court-circuite-t-il, la construction des compétences ?

Retour sur une heure d'échanges animée par Annabelle Anquez, responsable des partenariats de l’enseignement supérieur chez Latitudes.

Dans cet article, nous parlons d'intelligence artificielle générative. Pour faciliter la lecture, nous écrivons simplement « IA ». Par ailleurs, les nombreuses sources citées lors du webinaire sont à retrouver en bas de l'article.
‍

⌛️ Un petit tour d'horizon de l'article ?

1. Comment les étudiants et étudiantes s'emparent (ou non) de l'IA générative ?
2. Performer n'est pas apprendre
3. Quand l'usage de l'IA fragilise l'apprentissage
4. Transformer les pratiques : le cadre ARIA
5. Pour agir dès demain

Comment les étudiants et étudiantes s'emparent (ou non) de l'IA générative ?
‍

Forte de ses 20 ans de travail sur le numérique, Sandrine s'intéresse depuis longtemps à l'impact que ces outils peuvent avoir, notamment sur la manière dont on construit les compétences et les apprentissages. Et pour elle, l'IA générative ne vient pas bouleverser la réflexion pédagogique « ce ne sont pas de nouvelles questions qui viennent, on repose les mêmes questions pédagogiques qui nous préoccupent depuis longtemps. »

Que ce soit à l'arrivée d'Internet, de Wikipédia, des correcteurs orthographiques ou même des calculatrices, les mêmes questions se posaient déjà « qu'est-ce que les étudiants et étudiantes vont faire avec ces outils ? Qu'est-ce qu'on va leur confier pour qu'ils et elles puissent soutenir leurs apprentissages ? »

Ce qui change aujourd'hui avec l'IA, selon Sandrine, c'est son ampleur : « Il y a une adoption massive des outils, qui sont nombreux et plus ou moins accessibles, et l'ampleur des tâches qu'elle peut prendre en charge nous interpelle » et précise « L'IA nous oblige à regarder très concrètement nos activités d'enseignement et d'apprentissage. Qu'est-ce que je veux que l'étudiant réalise par lui-même ? Quelle est la place que je vais donner à l'IA dans cette activité, pour qu'elle soutienne effectivement son activité cognitive, sans la remplacer ou sans la détériorer ? »

Ce que révèle l'enquête de Sandrine Decamps et Axelle Zanichelli

Partant du constat que l'impact réel de l'IA générative sur l'apprentissage reste largement sous-étudié, Sandrine a mené, aux côtés d'Axelle Zanichelli, une enquête auprès de 756 étudiants et étudiantes de la HELHa, en 2024 : L'intelligence artificielle en enseignement supérieur : étude exploratoire des perceptions, usages et inégalités d'adoption des étudiants et étudiantes.

L'IA générative était alors émergente, mais les étudiants et étudiantes avaient déjà suffisamment de recul pour l'avoir découverte et se l'être appropriée. L'objectif était de savoir s'il était possible d'identifier des usages chez les étudiants et étudiantes de la haute école.

Le premier constat est que tous et toutes n'utilisent pas l'IA de la même façon. Deux grands profils ressortent de leur enquête :

• Les « optimisateurs » : des étudiants et étudiantes plutôt enthousiastes, qui utilisaient déjà régulièrement l'IA pour comprendre une notion, rechercher des idées, gagner du temps ou les aider à produire un travail. Ils et elles percevaient déjà que ces outils pouvaient devenir de véritables assistants dans leur parcours de formation.
• Les « prudents » : environ la moitié de l'échantillon. Des étudiants et étudiantes très prudents, réflexifs, voire critiques face aux usages de l'IA dans leur formation. Ils et elles s'interrogeaient déjà sur les inégalités qu'elle allait créer, notamment en matière d'évaluation, sur les iniquités perçues face aux travaux de très bonne qualité remis par leurs camarades, et sur le risque que l'IA réalise une partie du travail à leur place, et donc de manquer certains apprentissages.

Ces différences d'usage sont liées à la formation suivie et à la familiarité avec les outils d'IA, parfois déjà intégrés dans les cours. « Ils n'avaient pas non plus la même aisance dans la manière de dialoguer avec ces outils, ni la même capacité à juger la qualité des réponses. C'est là qu'émergeait cette fameuse notion de fracture de second degré : on la connaissait déjà avec les outils numériques de manière générale, mais elle se renforçait avec l'intelligence artificielle. »
L'enjeu ne tient plus à l'accès à l'outil, mais à la capacité de l'utiliser de manière pertinente et critique. L'égalité d'accès ne garantit donc pas l'égalité des bénéfices pédagogiques.

L'autre point que l'on retient, c'est le retour des étudiants et étudiantes sur le fait que l'IA les avait vraiment aidés. « Cela signifie peut-être qu'ils ont effectivement réalisé leur travail plus facilement, mais est-ce que cela nous dit vraiment s'ils ont appris ? C'est le point de départ qui nous a fait réfléchir à l'impact de l'IA sur les apprentissages. »

‍

Performer n'est pas apprendre

Un étudiant ou une étudiante peut rendre un excellent travail, sans avoir appris grand-chose. C'est le point de départ de la question d'Annabelle : que se passe-t-il concrètement quand on obtient un bon résultat grâce à l’IA, sans avoir vraiment appris ?

Pour Sandrine, un meilleur rendu, ce n'est pas nécessairement une meilleure compétence. La performance désigne ce qui est produit dans une situation donnée. L'apprentissage renvoie à une transformation durable des connaissances et des compétences, qui se vérifie lorsque l'outil n'est plus là.

Pour l'illustrer, elle prend l'exemple de la préparation d'une argumentation. Un ou une élève qui travaille seul(e), sans IA, va passer par différentes phases : chercher une idée, hésiter, faire des erreurs (puisque l'erreur fait partie de l'apprentissage), recommencer… et il ou elle finira par produire une argumentation correcte. Un étudiant ou une étudiante qui demande à l'IA de construire son argumentation à sa place peut obtenir, en quelques secondes, un texte beaucoup plus structuré et convaincant. Sa performance sera donc meilleure.

« Mais si je regarde uniquement les deux productions finales, je peux avoir l'impression en tant qu'évaluatrice que le deuxième étudiant a davantage appris, mais si je lui demande oralement de traiter une nouvelle situation sans l'aide dit de l'A par exemple, je vais découvrir que ce n'est pas nécessairement le cas. »

La qualité du produit final ne dit donc pas ce que l'étudiant ou l'étudiante a réellement produit. Et ce n'est pas nouveau : « on n'était jamais certain de qui était l'auteur du travail ». La question serait plutôt : qu'est-ce que l'étudiant est capable de faire seul ? Sandrine invite donc à réfléchir à des conditions pédagogiques qui pourraient justement permettre de contrer ça : creuser autre chose que le produit, et se questionner sur ce qui rend visible l'apprentissage.
‍

Déléguer, oui, mais quoi ?

Le délestage cognitif consiste à recourir à un outil externe pour réduire la charge cognitive d'une tâche. Il n'est pas problématique en soi. Pour Sandrine, il est important de parler ici de délégation : « Depuis toujours, nous déléguons aux outils, nous les transformons en instruments pour nos tâches quotidiennes. On va utiliser un GPS pour s'orienter, une liste de courses, un agenda, et tout ça est parfaitement pertinent. Ce qui compte, c'est ce qu'on va déléguer par rapport à ce qu'on cherche à apprendre. Si par exemple je dois résoudre un problème complexe et que je maîtrise déjà les calculs, utiliser une calculatrice peut me permettre de consacrer davantage d'attention au raisonnement. Mais si mon objectif est justement d'apprendre ou de faire apprendre un calcul, déléguer cette opération va changer complètement la situation. Et donc, avec l'IA, c'est pareil. »

Si on résume, déléguer n'est pas le problème, c'est ce qu'on délègue qui peut le devenir. « Si je demande à l'outil de réaliser précisément l'opération cognitive que je veux faire faire à mes étudiants, je risque de supprimer une partie de l'apprentissage. »

Sandrine préfère donc parler de conditions de fragilisation plutôt que de considérer toute délégation comme problématique, mais il est certain que l'IA peut détériorer les apprentissages.

Quand l'usage de l'IA fragilise l'apprentissage

Les conditions qui rendent l'usage de l'IA problématique

Annabelle a ensuite interrogé Sandrine sur les conditions de fragilisation, et sur la manière dont il est possible, pédagogiquement, d'y répondre. Pour Sandrine, quatre conditions rendent l'usage de l'IA problématique, et chacune appelle une réponse pédagogique.
‍

1. La délégation porte sur l'objectif même d'apprentissage
👉 Identifier les opérations non délégables de chaque tâche.
Si on reprend l'exemple de l'argumentation et que la consigne est simplement confiée à l'IA, le texte pourrait en effet être de qualité, mais est-ce que l'étudiant ou l'étudiante sera pour autant en capacité d'argumenter ? « Si on positionne l'IA au bon moment, dans la bonne tâche, alors l'IA devient un réel support de réflexion plutôt qu'un substitut à l'activité de l'étudiant. »
‍

2. L'effort de génération disparaît
👉 « Je pense d'abord, je consulte ensuite. »
On invite l'étudiant ou l'étudiante à construire d'abord sa propre argumentation, puis à la comparer avec l'IA, et à l'améliorer. Et à confronter la réponse de la machine avec d'autres humains, des pairs, mais aussi des experts, qui peuvent avoir un autre point de vue.
‍

3. La personne est trop novice pour évaluer la réponse
👉 Faire de la réponse de l'IA un objet d'analyse.
L'étudiant ou l'étudiante qui commence sa formation n'a pas encore les connaissances disciplinaires suffisantes, et peut avoir du mal à repérer les biais, les hallucinations, les réponses parfois discutables que l'IA peut générer. On peut lui proposer des réponses qu'une IA aurait générées, et lui demander de les vérifier avec des sources tangibles, avec une grille d'analyse, ou en comparant plusieurs réponses.
‍

4. L'évaluation ne valorise que le produit final
👉 Conserver une trace du processus (journal, historique commenté).
Si l'évaluation porte uniquement sur le produit final, on perd une partie de l'information importante. On peut demander à l'étudiant ou l'étudiante, tout au long du processus de construction de son travail, différentes versions, ou d'argumenter certains choix et de les justifier. Certains enseignants et enseignantes créent aussi un journal de bord, qui permet à l'étudiant ou l'étudiante de raconter les questions qui se sont posées et les choix effectués.

Quatre mécanismes et leur retournement

Dans son article à paraître, Performer sans apprendre ?, Sandrine identifie quatre mécanismes liés à la conception même des IA génératives, et qui produisent une illusion d'apprentissage.
‍

1. Des interfaces qui flattent, qui produisent une impression de maîtrise.
👉 Demander à l'IA de critiquer, puis confronter sa critique à une source.

2. Une IA perçue comme interlocuteur, qui produit une confiance excessive.
👉 Lui attribuer un rôle explicite : contradicteur, témoin, adversaire.

3. Des tâches découpées, qui donnent un produit obtenu sans vue d'ensemble.
👉 Exiger une synthèse intégrative réalisée sans l'outil.

4. Une expérience appauvrie, avec moins d'erreurs productives et d'échanges.
👉 Réintroduire de la friction : comparer, contester, chercher l'erreur.
‍

Pour Sandrine, les IA sont programmées de manière assez générale pour être plutôt favorables : « On les appelle les outils sycophantiques, c'est-à-dire qu'ils sont flatteurs. Ils vont créer un lien avec l'utilisateur pour que cet utilisateur s'attache à la conversation et reste le plus longtemps possible dans ses interactions. » Par défaut, elles ont aussi tendance à pousser l'utilisateur à découper une tâche complexe en petites sous-tâches, par de petites requêtes, et à en perdre la complexité. L'expérience d'apprentissage est alors potentiellement dénaturée, si on utilise les outils tels qu'ils sont proposés.

« Ce qu'on peut faire aussi en tant qu'enseignant, c'est de proposer des rôles à l'intelligence artificielle. On peut créer son agent ou on peut donner des consignes à l'intelligence artificielle pour que, plutôt que de flatter l'utilisateur, il puisse prendre des rôles de contradicteur, de mentor, de tuteur. Et donc on voit maintenant émerger des agents pédagogiques, des tuteurs virtuels qui vont accompagner la réflexion de l'étudiant. »

Alors, plutôt que de laisser l'étudiant ou l'étudiante demander « est-ce que mon raisonnement est bon ? », l'IA va identifier les faiblesses dans son raisonnement et lui demander d'argumenter. « On peut vraiment lui faire jouer un rôle socratique pour pousser l'étudiant à la réflexion. »

L'IA peut aussi servir d'interlocuteur, parfois même d'interlocuteur « privilégié ». On parle ici du « piège de l'intimité », c'est-à-dire que les étudiants et étudiantes osent poser toutes les questions, à toute heure, à leur agent artificiel, et parfois s'isolent dans cette interaction. « Donc le rôle de nos formations, le rôle des enseignants, c'est de remettre cette confrontation, cette contradiction, remettre du débat dans les moments d'enseignement en classe avec les pairs, et donc alterner des moments de confrontation avec une intelligence artificielle et renvoyer ces informations pour que les étudiants puissent prendre la parole et s'exercer à argumenter. Ce sont des compétences essentielles, parce que c'est ça qu'on va évaluer finalement. ».

En résumé, voici un exemple de retournement : au lieu de demander « Écris-moi mon argumentation », demander à la place « Voici mon raisonnement, trouve trois objections sérieuses. », puis décider si elles sont valides. La scénarisation redonne une cohérence à la tâche et la confrontation redonne une place au jugement.

Transformer les pratiques : le cadre ARIA
‍

« On a beaucoup parlé du travail des enseignants, qui ont évidemment la possibilité de faire des choix dans leur propre cours, d'adapter leur scénario et leurs évaluations. Mais la question de l'IA, elle dépasse aussi largement la seule consigne pédagogique. Elle concerne aussi l'institution. »

Après l'enquête, Sandrine et Axelle Zanichelli ont commencé à réfléchir à l'élaboration d'une charte institutionnelle pour un usage raisonné. Elles ont aussi invité les enseignants et enseignantes à partager leurs réflexions, et se sont rendu compte qu'il y avait besoin d'un espace de réflexion et de dialogue avec les enseignants, qui eux-mêmes n'étaient pas tout à fait familiarisés avec l'IA. « On constatait les mêmes difficultés chez les enseignants que celles qu'on avait observées chez nos étudiants. »

La question de l'IA dépassait les questions pédagogiques, elle concernait aussi des questions éthiques, juridiques, liées aux données sensibles ou aux inégalités d'accès. Elles ont donc décidé de proposer une journée pédagogique pour permettre aux enseignants et enseignantes de partager leurs inquiétudes et leurs premières pratiques.

De cette journée, elles ont construit « une grille d'analyse ou de réflexion pour mettre en avant les quatre grandes questions qu'on peut se poser au sein d'une institution par rapport à l'intégration raisonnée et pédagogique de l'IA », qu'elles ont appelé le cadre ARIA.
‍

Le cadre ARIA propose une grille en quatre piliers pour accompagner une intégration critique à l'échelle d'un cours comme d'une institution :

• Acceptabilité : l'usage de l’IA fait-il sens et répond-il à un besoin pédagogique ? « Est-ce que je vais soutenir l'apprentissage ou est-ce que je vais le détériorer ? »
• Responsabilité : dans la formation, parle-t-on des enjeux éthiques, juridiques et informationnels ? Rappelle-t-on aux étudiants et étudiantes la responsabilité et la déontologie de leur métier au regard de ces outils ?
• Intelligence collective : comment répartir les rôles entre étudiants et étudiantes, enseignants et enseignantes, pairs et IA ? Car « la formation, sa plus-value, c'est de favoriser une rencontre et une interaction entre les humains ».
• Accessibilité : qui peut réellement accéder à l'outil et en tirer parti ? « Même si l'IA est massivement adoptée, on s'est vite rendu compte qu'il y avait des inégalités d'adoption », par exemple entre licences gratuites et payantes.

La volonté de Sandrine et d'Axelle, c'était avant tout de créer un espace de discussion. « On a des nouveaux outils qui émergent, on ne sait pas très bien comment ils vont évoluer, et donc il faut définir un code de la route pour que les étudiants et les enseignants se sentent en sécurité dans l'usage qu'ils en font. »

Pour agir dès demain

Le conseil final de Sandrine Decamps est de prendre une activité existante et de se poser trois questions :

1. Qu'est-ce que je veux faire apprendre ?

2. Qu'est-ce que l'IA pourrait faire à la place de l'étudiante ou de l'étudiant ?

3. Qu'est-ce que je vais demander pour rendre l'apprentissage observable ?

Et enfin, de garder cette question en tête : que voulons-nous absolument continuer à faire faire aux étudiants et étudiantes pour qu'ils et elles apprennent ?

‍

Avec Latitudes

‍

Pour que tous les citoyens et citoyennes puissent se forger une opinion éclairée sur le numérique, Latitudes crée des ressources pédagogiques qui permettent de développer son esprit critique et d'agir avec éthique face aux systèmes numériques. Notre catalogue s'adresse à tous les publics, et à tous les stades de la vie : les jeunes de collège et de lycée, les étudiants et étudiantes de l'enseignement supérieur, les professionnels et professionnelles, les associations, le grand public, etc. Depuis 2017, nos ressources ont permis de former 80 000 personnes !
‍

C'est pour ça que chez Latitudes, on vous propose d'aller plus loin, en découvrant ces ressources et programmes qui permettent à vos étudiants et étudiantes de cultiver et d'exercer leur esprit critique. Comment faire ?

→ En vous inscrivant à une session mensuelle de prise en main de nos ressources. Elle dure 1h, se fait en petit groupe d'établissements et vous donnera une vue à 360° de nos outils ;

→ En contactant Annabelle, par e-mail à annabelle@latitudes.cc ou via son agenda en ligne.

‍

‍

🎨 Illustration réalisée par Carole Flamion

Références et liens

Travaux de l'intervenante

Decamps, S. et Zanichelli, A. (2025). L'intelligence artificielle en enseignement supérieur : étude exploratoire des perceptions, usages et inégalités d'adoption des étudiants et étudiantes. Revue internationale des technologies en pédagogie universitaire, 22(3). https://doi.org/10.18162/ritpu-2025-v22n3-01

Le cadre ARIA : accompagner l'intégration critique des intelligences artificielles génératives en enseignement supérieur. Médiations et médiatisations. https://revue-mediations.teluq.ca/index.php/Distances/article/view/533

Le guide pédagogique du cadre ARIA : https://canva.link/um9xn2vfpuk20im

Ouvrage de référence

Chardonnens, S. (2026). Intelligence artificielle et apprentissage. Fondements, concepts et applications. De Boeck Supérieur. https://www.deboecksuperieur.com/livre/9782807371880-intelligence-artificielle-et-apprentissage

Études et outils cités

Bastani, H. et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26). Accès libre : https://pmc.ncbi.nlm.nih.gov/articles/PMC12232635/

Elkhodr, M., Gide, E., Wu, R. et Darwish, O. (2023). ICT students' perceptions towards ChatGPT: An experimental reflective lab analysis. STEM Education, 3(2), 70‑88. https://doi.org/10.3934/steme.2023006

Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006

Hargittai, E. (2002). Second-level digital divide: Differences in people's online skills. First Monday, 7(4). https://doi.org/10.5210/fm.v7i4.942

Kosmyna, N. et al. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [prépublication]. https://doi.org/10.48550/arXiv.2506.08872

Perkins, M., Roe, J. et Furze, L. (2025). Reimagining the Artificial Intelligence Assessment Scale: A refined framework for educational assessment. Journal of University Teaching and Learning Practice, 22(7). https://doi.org/10.53761/rrm4y757 ; site de ressources : https://aiassessmentscale.com/

Pôle Léonard de Vinci, RM conseil et Talan (2024). L'impact des IA génératives sur les étudiants. https://open.devinci.fr/ressource/etude-2024-impact-ia-generatives-etudiants/

Risko, E. F. et Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676‑688. https://doi.org/10.1016/j.tics.2016.07.002

Soderstrom, N. C. et Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176‑199. https://doi.org/10.1177/1745691615569000

‍