L'IA à l'école : booster d'intelligence ou béquille cognitive ?

Concrètement, les élèves utilisent ChatGPT de quatre grandes manières : générer (un devoir, un résumé, une dissertation), reformuler (rendre un texte plus clair ou plus court), expliquer (un concept mal compris en cours) et s'entraîner (poser des questions, demander des exercices, se faire corriger).

Les deux premières familles posent problème quand elles remplacent l'effort : copier-coller un résumé qu'on n'a pas lu, c'est se priver du travail mental qui transforme l'information en connaissance. Les deux autres ressemblent davantage à un tuteur particulier disponible 24h/24 : un élève qui demande « explique-moi les dérivées comme si j'avais 12 ans », puis « interroge-moi avec 5 exercices progressifs », fait travailler son cerveau — peut-être même mieux qu'en cours.

La ligne de partage n'est donc pas IA / pas IA, mais plutôt : est-ce que je délègue le résultat, ou est-ce que je délègue uniquement l'accompagnement ?

Plusieurs études commencent à cartographier ces usages. Une enquête de l'Impact Research / Walton Family Foundation (2024) indique que près de 50 % des lycéens américains utilisent l'IA pour leurs devoirs, mais avec des intentions très hétérogènes : aide à la compréhension, génération directe, vérification d'un travail déjà fait. Un papier du MIT Media Lab (Kosmyna et al., 2025) observe par EEG que les utilisateurs réguliers de LLM pour rédiger montrent une activité cérébrale et une mémorisation du contenu produit plus faibles que ceux qui écrivent sans aide — un signal, pas une preuve définitive.

On peut tenter une typologie plus fine :

• Usage génératif passif : « fais-le pour moi ». Coût cognitif quasi nul, apprentissage quasi nul.
• Usage miroir : « relis, critique, trouve mes faiblesses ». L'élève reste auteur, l'IA joue le rôle d'un pair exigeant.
• Usage socratique : « ne me donne pas la réponse, pose-moi des questions ». L'IA devient un échafaudage au sens de Vygotski — une zone proximale de développement à la demande.
• Usage vérificateur : confronter sa réponse à celle de l'IA, repérer les écarts, comprendre pourquoi.

Un point souvent oublié : ces usages ne sont pas figés. Un même élève peut osciller selon la fatigue, la matière, l'enjeu de la note. La question éducative n'est donc pas seulement quel usage est bon ?, mais quelles conditions (consignes, évaluation, métacognition) poussent vers les usages exigeants plutôt que vers la facilité. On y reviendra.

Le psychologue cognitiviste Daniel Willingham résume tout en une phrase : "La mémoire est le résidu de la pensée." On ne retient que ce sur quoi on a réellement réfléchi. Quand un élève bute sur un problème de maths pendant dix minutes avant de trouver, son cerveau active, connecte, consolide. Quand il copie une solution générée en deux secondes, il n'a rien pensé — il a juste vu. Et ce qu'on voit sans traiter s'évapore en quelques heures.

C'est aussi ce que Robert Bjork, chercheur à UCLA, appelle les "difficultés souhaitables" (desirable difficulties) : les conditions qui rendent l'apprentissage plus lent et plus pénible sur le moment produisent souvent une rétention bien meilleure à long terme. Réviser dans le désordre, s'auto-tester plutôt que relire, attendre d'avoir presque oublié avant de revoir : tout ça fait "galérer" — et c'est précisément pour ça que ça marche.

Bjork distingue deux choses qu'on confond systématiquement : la performance (ce que tu fais maintenant) et l'apprentissage (ce qui sera disponible demain). L'IA optimise la première au détriment du second. Un élève qui rend un devoir excellent grâce à ChatGPT a une performance maximale et un apprentissage proche de zéro — et le système scolaire, qui ne mesure que la performance, ne voit pas le problème.

Barbara Oakley (auteure de A Mind for Numbers) ajoute une couche : l'expertise repose sur la mémoire procédurale, ces "chunks" automatisés par la répétition active. Un mathématicien ne réfléchit pas à chaque étape d'une factorisation — il l'a internalisée. Cette automatisation libère la mémoire de travail pour les problèmes nouveaux. Si l'IA fait les étapes intermédiaires, l'élève n'automatise rien et reste cognitivement saturé dès qu'on lui demande de penser seul.

Contre-argument honnête : on a dit la même chose de la calculatrice, et les mathématiciens existent toujours. La nuance ? La calculatrice externalise un calcul, pas un raisonnement. L'IA, elle, externalise le raisonnement lui-même — y compris la formulation du problème. La frontière n'est plus la même. Reste à savoir si certaines formes d'usage préservent l'effort cognitif. C'est ce que le bloc suivant va interroger.

En 2024, une étude de Harvard a comparé deux groupes d'étudiants en physique : ceux qui apprenaient avec un tuteur IA spécifiquement conçu pour les guider (questions socratiques, indices progressifs, refus de donner la réponse) ont appris deux fois plus que ceux qui suivaient un cours magistral classique. Au Nigeria, une expérimentation de la Banque mondiale a montré que six semaines avec un tuteur IA équivalaient à près de deux ans de scolarisation normale sur certains apprentissages.

Mais l'histoire bascule ailleurs. En Turquie, une étude sur des lycéens ayant un accès libre à ChatGPT pour réviser les maths a observé une chute de 17 % des résultats à l'examen final par rapport au groupe sans IA. Même outil, effets inverses. La différence ? Dans un cas, l'IA est un coach qui force l'effort. Dans l'autre, une béquille qui le court-circuite.

Trois variables semblent expliquer ce grand écart.

1. Le design pédagogique de l'outil. Le tuteur de Harvard était paramétré pour ne jamais donner la réponse directement, exiger une tentative préalable, et reformuler les erreurs en pistes. ChatGPT en accès libre fait l'inverse par défaut : il optimise la satisfaction immédiate de l'utilisateur. Ethan Mollick (Wharton) parle d'IA « jagged » : ses effets ne sont pas linéaires, ils dépendent de micro-choix d'interface.

2. Le profil de l'élève. Plusieurs travaux (dont ceux de l'OCDE en 2024) suggèrent que les élèves les plus fragiles sont à la fois ceux qui pourraient le plus bénéficier d'un tutorat personnalisé... et ceux qui basculent le plus vite dans la dépendance, car ils n'ont pas encore les stratégies métacognitives pour distinguer « comprendre » de « obtenir une réponse ». L'IA pourrait ainsi creuser les écarts au lieu de les réduire — un effet Matthieu cognitif.

3. La présence d'un enseignant. Dans les expériences à fort effet positif, un humain cadre l'usage, débriefe, repère les contournements. Sans ce tiers, l'élève négocie seul avec une machine conçue pour lui plaire. La question n'est donc peut-être pas « IA ou pas IA », mais « quelle IA, pour quel élève, avec quel adulte à côté ? » — un cadrage que peu de politiques éducatives posent aujourd'hui.

Vouloir trancher entre « plus intelligents » ou « plus dépendants » nous enferme dans un faux débat. Le même ChatGPT peut servir à un élève qui copie sans lire, et à un autre qui débat avec la machine, vérifie ses sources, demande des contre-exemples. Ce ne sont pas deux IA différentes : ce sont deux postures cognitives différentes.

Ce déplacement a des conséquences très concrètes pour chacun :

• Pour les concepteurs : une IA qui donne la réponse ≠ une IA qui pose des questions en retour.
• Pour les enseignants : l'évaluation doit mesurer le raisonnement, pas seulement le produit fini.
• Pour les parents : accompagner, c'est apprendre à demander « comment tu es arrivé là ? » plutôt qu'interdire ou laisser faire.
• Pour les élèves : se demander régulièrement « qu'est-ce que j'ai vraiment fait, moi, dans ce devoir ? »

Ce déplacement rejoint ce que les chercheurs en sciences de l'éducation appellent l'agentivité épistémique : la capacité d'un apprenant à rester l'auteur de sa propre pensée, même outillé. Lev Vygotski parlait déjà des outils comme « médiateurs » du développement cognitif : ils ne remplacent pas la pensée, ils la prolongent — à condition que l'enfant soit actif dans la médiation. C'est aussi ce que la philosophe Shannon Vallor nomme l'« atrophie morale et cognitive » : non pas une fatalité technologique, mais le risque qui surgit quand on délègue sans s'en rendre compte.

Quelques pistes opérationnelles déjà testées :

• Évaluations orales de défense après un devoir écrit avec IA (l'élève doit expliquer, justifier, modifier en direct).
• Journaux de prompts : garder trace de ses échanges avec l'IA pour rendre visible le processus.
• IA tutorielles socratiques (type Khanmigo) qui refusent de donner la réponse et reformulent en questions.

Mais aucune de ces pistes ne fonctionne sans une responsabilité partagée : un élève seul ne peut pas inventer une bonne posture si l'école évalue le résultat brut, si les parents valorisent la note, si l'industrie optimise pour la rapidité.

Alors la question qui reste ouverte, et qu'on vous laisse : dans la prochaine interaction qu'aura votre enfant — ou vous-même — avec une IA, qui sera vraiment en train de penser ? Et qui décide de la réponse à cette question : l'utilisateur, le concepteur, ou personne ?