Le MIT avertit que l’IA peut réaliser de manière crédible presque n’importe quel devoir de premier cycle

Le MIT appelle à d’importants changements éducatifs après avoir conclu que l’IA peut désormais produire un travail crédible dans presque toutes les catégories de devoirs de premier cycle.

L’avertissement s’est diffusé via google news comme une histoire de machines capables de réaliser des dissertations, des démonstrations, des problèmes scientifiques et des exercices de programmation. Pourtant, le véritable conflit n’oppose pas les étudiants aux logiciels de détection du plagiat. Il oppose un siècle d’évaluation fondée sur le rendu final à des outils capables de produire à la demande des résultats convaincants.

Le MIT ne propose pas d’interdire l’IA à l’échelle du campus. Son nouveau cadre demande plutôt aux enseignants de repenser les objectifs d’apprentissage, de revoir les évaluations, de préciser les usages acceptables et de protéger les relations humaines qui sous-tendent l’enseignement sur campus. Cette position met sous pression toutes les universités qui continuent de traiter l’IA comme un simple problème d’intégrité académique.

La question centrale a changé. Les établissements ne peuvent plus seulement se demander si une réponse rendue est correcte ou originale. Ils doivent déterminer si l’étudiant est capable de l’expliquer, de la défendre, de la réviser et de l’appliquer.

Le rapport du MIT sur l’éducation et l’IA remet en cause la valeur du travail finalisé

Le rapport du MIT considère les devoirs soignés comme une preuve d’apprentissage de plus en plus fragile.

Le 25 août 2026, la présidente du MIT, Sally Kornbluth, a publié les conclusions d’un comité ad hoc chargé d’examiner l’IA dans l’enseignement, l’apprentissage et la formation à la recherche. Le MIT a constitué ce comité en janvier et lui a confié trois missions initiales.

Le groupe devait évaluer la manière dont enseignants et étudiants utilisaient l’IA. Il devait également identifier des innovations en matière d’enseignement et d’évaluation, puis proposer une approche institutionnelle de l’usage de l’IA.

Son analyse finale est allée plus loin. Selon le MIT, les systèmes actuels peuvent produire des réponses raisonnables à presque n’importe quel devoir écrit de premier cycle. Les travaux concernés comprennent les dissertations, les problèmes mathématiques et scientifiques, les démonstrations et les tâches de programmation.

Cette affirmation est plus large que l’idée selon laquelle ChatGPT rédige des dissertations acceptables. Elle s’étend aux feuilles d’exercices, aux projets de programmation, aux analyses de laboratoire et aux explications techniques. Ce sont les productions que les universités considèrent depuis longtemps comme des preuves de compétence disciplinaire.

La distinction entre « crédible » et « correct » est importante. Le MIT n’a pas annoncé une expérience contrôlée démontrant qu’un modèle maîtrisait l’ensemble de son catalogue de premier cycle. Le rapport s’appuie sur les recherches du comité, les contributions de la communauté, des enquêtes et des changements observés dans l’enseignement et l’apprentissage.

Un travail crédible peut toujours contenir des erreurs cachées. Une démonstration générée peut omettre une hypothèse nécessaire. Du code peut réussir des tests courants tout en échouant dans des conditions inhabituelles. Une dissertation peut sembler cohérente sans témoigner d’une lecture attentive ou d’un jugement original.

Cependant, un devoir n’a pas besoin d’être irréprochable pour perturber l’évaluation. Il lui suffit d’être suffisamment convaincant pour qu’un enseignant ne puisse pas attribuer avec certitude le raisonnement à l’étudiant.

C’est pourquoi la position du MIT mérite davantage d’attention que ne lui en a accordé son cadrage dans google news. Le comité ne déclare pas que les machines possèdent une formation complète de premier cycle. Il soutient que le produit final a perdu une grande partie de sa valeur comme preuve d’un apprentissage humain.

La présidente du MIT, Kornbluth, a qualifié ce moment de « tournant pour le MIT » et pour l’enseignement supérieur. Son message a présenté trois grandes réponses.

Premièrement, le MIT devrait créer des processus éducatifs adaptés à l’IA. Ils réexamineraient ce que les étudiants doivent apprendre et la manière dont les enseignants peuvent vérifier cet apprentissage.

Deuxièmement, l’Institut devrait renforcer les personnes, la communauté et les expériences résidentielles. Cette recommandation relie directement le problème de l’IA à la raison pour laquelle les étudiants se réunissent sur un campus physique.

Troisièmement, le MIT devrait mettre en place des processus capables d’évoluer en continu. Une politique figée, rédigée autour d’une génération de modèles, deviendra rapidement obsolète à mesure que de nouvelles capacités apparaîtront.

Ces recommandations transforment un différend de politique technologique en défi de conception pédagogique. Si un enseignant donne un problème familier et n’évalue que sa réponse finale, l’IA s’interpose désormais entre la tâche et la preuve.

Le rapport appelle donc à des révisions dans une grande partie des programmes du MIT. Il ouvre la voie aux examens oraux, aux portfolios, aux démonstrations, au travail par étapes et aux discussions sur les devoirs réalisés en dehors des cours.

Aucun de ces formats ne garantit un apprentissage authentique. Ensemble, toutefois, ils révèlent davantage du processus qui a produit une réponse. Un étudiant qui comprend une démonstration peut expliquer pourquoi chaque étape est nécessaire. Un étudiant ayant écrit un programme peut diagnostiquer une défaillance et défendre un choix de conception.

Ce changement crée la tension centrale de l’article. L’IA générative élargit ce que les étudiants peuvent produire, mais elle affaiblit le lien entre ce qu’ils rendent et ce qu’ils comprennent.

Pourquoi les devoirs de premier cycle réalisés avec l’IA mettent les enseignants sous pression

La charge immédiate repose sur les enseignants, car chaque devoir doit désormais avoir à la fois un objectif d’apprentissage et une politique sur l’IA.

Les universités répondent souvent aux nouvelles technologies par une règle centrale. Le MIT adopte une approche plus décentralisée, car les usages acceptables de l’IA varient selon la discipline, le cours et l’objectif d’apprentissage.

Un cours de programmation peut exiger que les étudiants écrivent du code fondamental sans assistance. Un cours plus avancé peut ensuite attendre d’eux qu’ils supervisent du code généré et le testent rigoureusement. Un séminaire d’écriture peut autoriser la recherche d’idées tout en interdisant la prose générée.

Les directives du MIT pour l’automne 2026 n’imposent pas une politique de classe unique à l’échelle de l’Institut. Elles demandent plutôt aux enseignants d’indiquer clairement aux étudiants quand l’IA est interdite, autorisée ou requise.

Cette flexibilité respecte les différences entre disciplines. Elle transfère aussi un travail de conception considérable aux enseignants, aux départements, aux assistants d’enseignement et aux équipes de soutien académique.

L’enseignant doit d’abord décider ce que le devoir est censé mesurer. S’agit-il de mémoire, d’aisance procédurale, de compréhension conceptuelle, de jugement, de capacité de recherche ou de communication ? La réponse détermine quels usages de l’IA soutiennent l’objectif et lesquels le contournent.

Vient ensuite l’application des règles. Les détecteurs d’IA restent peu fiables lorsqu’il s’agit d’accusations à forts enjeux, en particulier lorsqu’ils analysent des textes révisés ou le travail de rédacteurs multilingues. Les outils de surveillance peuvent également soulever des préoccupations de confidentialité et d’équité sans prouver qui a effectué le raisonnement.

Interdire l’IA dans les travaux à domicile ne supprime pas ces problèmes. Une interdiction est difficile à vérifier lorsque les étudiants ont accès à des chatbots généralistes, à des agents de programmation, à des services de réécriture et à des outils intégrés aux logiciels du quotidien.

L’alternative consiste à repenser l’évaluation. Cela peut impliquer d’exiger des brouillons, des historiques de versions, des sources annotées, des réflexions personnelles, des démonstrations ou de brèves défenses orales.

Chaque ajout consomme du temps. Un professeur peut corriger une feuille d’exercices standard de manière asynchrone. Une conversation substantielle avec chaque étudiant exige de la planification, des salles, du personnel et de l’attention.

Le problème d’échelle devient évident dans un cours important. Chris Schaffer, professeur de génie biomédical à Cornell, a instauré des défenses orales de 20 minutes après les feuilles d’exercices écrites. Sa classe comptait 70 étudiants, et des assistants d’enseignement ont donc aidé à mener les sessions.

Schaffer a déclaré à l’Associated Press que les étudiants ne pourraient pas utiliser l’IA pour contourner un examen oral. Ses enseignants ont cessé de corriger les feuilles d’exercices écrites et ont évalué les défenses à la place.

Cet exemple illustre à la fois la promesse et le coût de l’orientation prise par le MIT. Les questions orales peuvent révéler si les étudiants comprennent leur travail. Elles réaffectent aussi une main-d’œuvre pédagogique rare, de l’examen des productions à l’interaction avec les personnes.

Ce changement peut très bien fonctionner lorsque les établissements le soutiennent. Sans personnel supplémentaire ni réorganisation de la charge de travail, toutefois, les enseignants risquent simplement d’ajouter des vérifications orales à leur correction existante.

Ce résultat rendrait un métier déjà exigeant encore plus difficile. Des recherches sur les orientations institutionnelles relatives à l’IA ont averti que des attentes étendues en matière de révision des cours peuvent imposer une lourde charge aux enseignants.

Les universités sont donc confrontées à un choix opérationnel. Elles peuvent investir dans des groupes plus restreints, des assistants formés, des espaces d’évaluation et un soutien à la conception des cours. Ou elles peuvent publier des orientations ambitieuses que chaque enseignant peine à mettre en œuvre de manière cohérente.

Le MIT a commencé à bâtir ce soutien par l’intermédiaire d’un AI Community Hub à l’échelle de l’Institut. Ses activités annoncées comprennent une aide à la refonte des cours, des modèles de politiques, des communautés de pratique, une formation à la recherche et une coordination autour de l’accès aux ressources informatiques.

Le AI teaching hub indique que le MIT comprend que les politiques seules ne transformeront pas les salles de classe. Les enseignants ont besoin d’exemples éprouvés, de temps et d’une autorisation institutionnelle pour remplacer les devoirs familiers.

Les étudiants ont également besoin de clarté. Un patchwork de règles non écrites peut compliquer un usage responsable, car une même activité peut être encouragée dans un cours et considérée comme une faute dans un autre.

Des politiques claires aident à distinguer l’augmentation de la substitution. L’augmentation utilise l’IA pour mettre à l’épreuve, organiser, tester ou prolonger la réflexion d’un étudiant. La substitution demande au système d’effectuer le travail intellectuel que le devoir était conçu pour développer.

La frontière n’est pas toujours évidente. Un étudiant qui demande un retour sur un argument peut s’y engager plus profondément. Un étudiant qui sollicite un argument finalisé et en modifie la formulation peut apprendre très peu.

Cette ambiguïté signifie que les enseignants ne peuvent pas résoudre le problème avec une liste d’outils interdits. Ils doivent définir l’activité humaine dont les étudiants restent responsables.

Le véritable conflit oppose l’évaluation à la compréhension

L’IA a révélé une faiblesse antérieure aux chatbots : les universités évaluent souvent le produit parce qu’observer le processus d’apprentissage coûte cher.

Les cursus traditionnels reposent sur des indicateurs indirects. Une dissertation représente la lecture et l’interprétation. Une démonstration représente le raisonnement mathématique. Un programme représente la décomposition, l’implémentation et les tests.

Ces indicateurs fonctionnaient parce que produire l’artefact exigeait généralement une grande partie de la réflexion visée. L’externalisation était possible, mais elle impliquait de trouver une autre personne, d’acheter un travail ou de copier depuis une source repérable.

L’IA générative modifie l’économie de la substitution. Un étudiant peut demander immédiatement une réponse sur mesure, la réviser par la conversation et générer des versions alternatives sans contacter qui que ce soit.

Le résultat peut aussi être individualisé. Cela rend la détection ordinaire du plagiat moins utile, car deux étudiants peuvent poser des questions similaires et recevoir un langage ou du code différents.

La réponse centrale du MIT ne consiste pas à restaurer l’ancienne rareté des réponses. Elle consiste à rendre l’apprentissage plus visible par l’interaction, l’itération et l’application.

Les défenses orales constituent une option. Un enseignant peut demander pourquoi un étudiant a choisi une méthode, ce qui a échoué pendant le développement ou comment le résultat changerait sous une nouvelle hypothèse.

Les portfolios offrent une autre voie. Un portfolio présente le travail dans le temps, y compris les brouillons, les retours, les révisions et les réflexions. Il rend la trajectoire plus importante qu’un seul rendu soigné.

Les projets pratiques peuvent relier les connaissances à des systèmes physiques ou à des conditions réelles. Les étudiants peuvent devoir configurer des équipements, recueillir des observations, collaborer avec leurs pairs ou réagir lorsque la réalité diffère d’un modèle.

L’écriture et les examens en présentiel peuvent également conserver un rôle. Ils créent un cadre contrôlé dans lequel la performance autonome de l’étudiant devient plus visible.

Pourtant, un retour complet aux évaluations sans accès aux ressources sacrifierait des formes d’apprentissage utiles. Le travail professionnel implique fréquemment des outils, des références, la collaboration et la révision. Les diplômés doivent également savoir utiliser l’IA sans accepter aveuglément ses résultats.

L’approche du MIT ressemble donc davantage à un compromis qu’à une interdiction. Les étudiants obtiennent un accès légitime à l’IA pour certaines tâches, tandis que les cours exigent ailleurs des preuves de compréhension plus solides.

Ce compromis pourrait améliorer les devoirs. Un étudiant pourrait utiliser un modèle pour générer des explications concurrentes, puis en identifier les erreurs et défendre l’interprétation qu’il privilégie. Un programmeur pourrait auditer du code généré, concevoir des tests adversariaux et documenter chaque défaillance.

Ces tâches évaluent le jugement plutôt que la simple production. Elles ressemblent aussi aux environnements de travail où les employés examinent, orientent et intègrent de plus en plus des contenus générés par des machines.

Le risque est que « conscient de l’IA » devienne une étiquette désignant l’ajout d’un chatbot à un cours inchangé. Si l’objectif d’apprentissage et l’évaluation restent identiques, l’accès aux outils peut accélérer la réalisation des tâches sans approfondir la compréhension.

Il existe également un risque de confondre la performance lors d’un questionnement avec l’apprentissage lui-même. Certains étudiants s’expriment avec assurance en direct, tandis que d’autres ont besoin de davantage de temps ou de formats accessibles. Les examens oraux doivent tenir compte du handicap, du parcours linguistique, de l’anxiété et des différents styles de communication.

Un système d’évaluation diversifié peut réduire ce problème. Les portfolios, démonstrations, réflexions écrites, entretiens et travaux supervisés peuvent fournir plusieurs formes de preuve.

La meilleure conception dépendra de la discipline. Un étudiant en chimie doit démontrer qu’il applique des pratiques de laboratoire sûres. Un historien doit évaluer les sources et défendre ses interprétations. Un informaticien doit raisonner sur le comportement d’un système au-delà de la production de code compilable.

L’exigence commune est la traçabilité. Les enseignants ont besoin de suffisamment d’éléments pour relier l’artefact remis aux décisions de l’étudiant.

Les étudiants peuvent renforcer ce lien en conservant leurs notes, pistes de sources, brouillons, prompts, expérimentations et corrections. Un système personnel de gestion des connaissances peut aider à organiser ce processus, même si la documentation ne peut pas remplacer une compréhension directe.

Cette approche modifie aussi le sens de l’intégrité académique. La question centrale porte moins sur le fait qu’un outil ait touché le travail que sur la manière dont les étudiants présentent le travail de la machine comme s’il relevait de leur propre réflexion.

Cette norme est plus difficile à réduire à une règle binaire. Elle est aussi plus proche de la véritable finalité éducative d’un devoir.

Le titre de google news suggère que l’IA a vaincu les devoirs de premier cycle. L’argument plus profond du MIT est que l’enseignement supérieur s’appuyait trop fortement sur les devoirs comme preuve dès le départ.

Ce que l’avertissement du MIT ne prouve pas

Le rapport établit un problème urgent d’évaluation, mais il ne prouve pas que l’IA maîtrise toutes les disciplines de premier cycle.

Les versions les plus fortes de cette histoire confondent plusieurs affirmations distinctes. Produire une réponse crédible n’est pas la même chose que parvenir à une réponse correcte. Réussir un devoir n’est pas la même chose que comprendre un cours.

Un système d’IA peut générer une explication convaincante tout en inventant une citation. Il peut résoudre un problème standard, mais échouer lorsque le cadrage change. Il peut produire du code qui fonctionne avec des entrées courantes tout en dissimulant des défauts de sécurité ou de fiabilité.

Les modèles bénéficient aussi de schémas de devoirs familiers. Les universités réutilisent des exercices de manuels, des sujets de dissertation conventionnels et des ressources de cours publiques. Les données d’entraînement et l’accès au web peuvent exposer un modèle à un vaste ensemble de solutions apparentées.

Cela rend certains devoirs plus faciles à automatiser que la discipline sous-jacente. Reconnaître et reproduire un schéma de démonstration connu diffère du choix d’une approche dans le cadre d’une recherche inconnue.

L’affirmation du comité du MIT doit donc être lue comme un avertissement sur les résultats crédibles, et non comme un référentiel universel de compétence machine.

Cette limite n’affaiblit pas la préoccupation éducative. Les enseignants ne peuvent généralement pas mener une enquête médico-légale sur chaque phrase ou ligne de code. Une réponse plausible peut compromettre l’évaluation, même si des experts finiraient par en déceler les défauts.

Le rapport ne montre pas non plus que chaque étudiant délègue des devoirs entiers. L’usage de l’IA couvre un large éventail de comportements, de la vérification de la grammaire à la génération d’une remise complète.

Les enquêtes nationales et institutionnelles constatent régulièrement une forte adoption, mais les pourcentages déclarés dépendent des définitions, des populations et de la formulation des questions. Le seul usage d’un outil dit peu de chose sur une éventuelle hausse ou baisse de l’apprentissage.

Une enquête Coursera de 2026 a porté sur plus de 4 200 étudiants et enseignants dans cinq pays. Elle a signalé un usage généralisé de l’IA, tandis que seuls 26 pour cent des enseignants interrogés ont indiqué que leur établissement disposait d’une politique formelle sur l’IA.

Ces résultats apportent un contexte sectoriel, mais ils proviennent d’une entreprise d’apprentissage en ligne ayant des intérêts commerciaux dans l’éducation assistée par l’IA. Ils ne doivent pas être considérés comme une mesure neutre de chaque campus.

Un projet distinct d’EDUCAUSE a interrogé 438 enseignants et membres du personnel sur l’évaluation. Son existence montre que la refonte des cours est désormais une préoccupation à l’échelle du secteur, et non une réaction isolée du MIT.

Les preuves indépendantes les plus solides proviennent de changements observables en classe. Les universités expérimentent les évaluations orales, l’écriture supervisée, les présentations et les projets par étapes, car les enseignants ne font plus confiance aux seuls artefacts finaux.

L’évolution vers les examens oraux inclut des approches contrastées. Cornell utilise un questionnement humain après les séries de problèmes. New York University a testé un agent vocal d’IA qui interroge les étudiants sur leurs projets de groupe.

L’expérience de NYU illustre le paradoxe auquel fait face l’enseignement supérieur. Un système d’IA aide à vérifier si un étudiant s’est trop appuyé sur un autre.

Les étudiants ont rapporté des expériences mitigées avec cet agent. Certains ont trouvé la conversation maladroite ou déroutante. Ces réactions montrent que l’évolutivité technique ne peut pas être la seule mesure d’une bonne évaluation.

L’interaction humaine est au cœur des recommandations du MIT, car l’éducation implique le mentorat, le sentiment d’appartenance, le défi intellectuel et le développement de l’identité. Automatiser l’examen oral pourrait préserver la vérification tout en affaiblissant ces relations.

La même préoccupation s’applique au tutorat par IA. Des explications immédiates et une pratique personnalisée peuvent soutenir les étudiants qui hésitent à demander de l’aide. Elles peuvent aussi réduire les contacts avec les enseignants et les pairs si les établissements considèrent le logiciel comme un substitut au travail d’enseignement.

Le principal adversaire du MIT n’est donc pas l’IA elle-même. C’est un modèle éducatif qui traite le travail achevé comme une mesure fiable de la compréhension tout en minimisant les interactions humaines coûteuses qui révèlent l’apprentissage.

Ce cadrage laisse de la place à un usage productif de l’IA. Un étudiant peut demander des explications alternatives, des questions d’entraînement, des retours ou des contre-arguments. La valeur dépend de la capacité de l’outil à susciter davantage de réflexion ou à la supprimer.

L’incertitude est importante. Les chercheurs ont encore besoin de preuves longitudinales montrant comment différents modes d’usage de l’IA affectent la rétention, le raisonnement, la créativité et les performances ultérieures.

Les universités doivent également surveiller les inégalités d’accès. Les étudiants disposant d’outils payants, de meilleurs modèles ou de compétences avancées en rédaction de prompts peuvent recevoir une aide plus forte que leurs camarades utilisant des systèmes limités.

Des règles claires n’élimineront pas cette différence. Les établissements pourraient devoir fournir des outils approuvés et expliquer leurs limites si l’IA devient une infrastructure obligatoire des cours.

La confidentialité constitue un autre enjeu non résolu. Les prompts des étudiants peuvent contenir des informations personnelles, des recherches non publiées, des contenus protégés par le droit d’auteur ou des données institutionnelles sensibles. Les politiques de cours doivent préciser où vont ces informations.

Ces limites plaident en faveur d’une mise en œuvre prudente, et non d’un report. Le rapport du MIT décrit explicitement ce travail comme non facultatif, car les capacités de l’IA et les pratiques des étudiants continueront d’évoluer pendant que les universités délibèrent.

Ce qu’il faut surveiller après la fin du cycle Google News

L’avertissement du MIT ne deviendra conséquent que si les politiques, les budgets et la conception des cours changent une fois le titre oublié.

Le premier signal sera de savoir si les départements publient des règles claires, propres à chaque cours, pendant le trimestre d’automne 2026. Le MIT a encouragé des orientations explicites, mais n’a pas imposé une politique uniforme.

Des règles efficaces doivent expliquer pourquoi l’IA est autorisée ou restreinte, et non simplement nommer les outils approuvés. Elles doivent relier chaque limite à un objectif d’apprentissage et décrire comment les étudiants doivent déclarer l’aide reçue.

La cohérence compte également. Les étudiants peuvent gérer des règles différentes d’un cours à l’autre lorsque celles-ci sont visibles et justifiées. Les attentes implicites créent de la confusion et affaiblissent l’application des règles.

Si la plupart des cours adoptent des politiques claires, la stratégie décentralisée du MIT gagnera en crédibilité. Si les orientations restent inégales, le rapport aura identifié un problème sans en résoudre les conséquences quotidiennes.

Le deuxième signal sera l’ampleur de la refonte des évaluations. Les universités devraient suivre le nombre de cours qui remplacent ou complètent les travaux à réaliser chez soi par des défenses orales, portfolios, démonstrations, travaux supervisés ou remises par étapes.

L’indicateur pertinent n’est pas le nombre d’ateliers sur l’IA proposés. C’est le nombre de cours qui modifient ce qui compte comme preuve.

Le Community Hub du MIT a annoncé un soutien initial pour les équipes pédagogiques qui révisent les devoirs et les objectifs d’apprentissage. L’ampleur, la durée et l’adoption de ce soutien montreront si la refonte constitue un investissement central ou un projet pilote limité.

D’autres universités offrent un premier point de comparaison. Cornell a intégré une formation à l’évaluation orale dans son accompagnement des enseignants. L’University of Pennsylvania a fait état d’un recours accru à l’évaluation orale et en présentiel.

Ces expérimentations révéleront des contraintes pratiques. Les grands cours d’introduction, les enseignants à temps partiel, les exigences d’accessibilité et le manque d’espace en salle peuvent rendre les évaluations exigeantes en main-d’œuvre difficiles à mettre en œuvre.

Si les établissements financent des capacités d’enseignement supplémentaires, le modèle centré sur l’humain du MIT deviendra plus réaliste. S’ils s’appuient sur le personnel existant, la refonte pourrait rester concentrée dans des cours de petite taille ou bien dotés.

Le troisième signal sera la preuve concernant les résultats d’apprentissage. Les universités doivent comparer la rétention, le transfert, le raisonnement et la confiance des étudiants selon les différents modes d’usage de l’IA.

Un cours peut devenir plus difficile à tricher sans devenir plus éducatif. Davantage de surveillance, davantage d’examens et davantage d’anxiété ne produiraient pas automatiquement une compréhension plus profonde.

Les chercheurs devraient distinguer l’IA comme tuteur, l’IA comme critique, l’IA comme assistant de production et l’IA comme substitut. Réunir ces comportements dans une seule catégorie d’« usage de l’IA » masque le mécanisme qui compte.

Des résultats longitudinaux pourraient renforcer le jugement du MIT si les évaluations riches en processus améliorent la capacité des étudiants à expliquer et à appliquer leurs connaissances. Ils pourraient l’affaiblir si les cours repensés ajoutent du travail sans améliorer l’apprentissage.

L’avenir de l’enseignement en résidence pourrait dépendre de ces résultats. Si la diffusion de contenu et le retour de routine deviennent peu coûteux, les universités doivent justifier la valeur des campus par les relations, les laboratoires, la collaboration, le mentorat et une vie intellectuelle partagée.

Le langage du MIT pointe directement vers cette défense. Sa direction souhaite une éducation menée par des humains, pour des humains, tout en utilisant l’IA là où elle renforce les capacités humaines.

C’est une position plus exigeante que l’interdiction ou l’adoption sans restriction. Elle exige des enseignants qu’ils rendent explicite l’objectif de chaque devoir. Elle exige des étudiants qu’ils restent responsables de leur jugement même lorsque des machines contribuent à produire l’artefact.

Elle exige aussi des dirigeants universitaires qu’ils financent le contact humain plutôt que de traiter l’IA comme un raccourci vers des classes plus grandes et des coûts d’enseignement réduits.

L’article original de google news avait raison de souligner l’ampleur des devoirs de premier cycle réalisés avec l’IA. Toutefois, cette affirmation sur les devoirs n’est que le fait d’ouverture.

L’enjeu plus large est que les universités ne peuvent plus assimiler un travail crédible à une personne instruite. Elles doivent observer le raisonnement, créer des occasions de confrontation intellectuelle et apprendre aux étudiants à reconnaître le moment où la délégation devient une forme d’effacement de soi.

Les étudiants et les travailleurs du savoir peuvent appliquer le même test dès maintenant. Lorsqu’une IA produit une réponse, conservez les sources, les hypothèses, les brouillons et les corrections qui font que le raisonnement vous appartient. Demandez-vous ensuite si vous pouvez défendre le résultat sans l’outil.

Cette habitude compte au-delà de l’université. Les employeurs auront eux aussi besoin de preuves que les travailleurs comprennent les résultats produits avec l’assistance des machines, en particulier lorsque les décisions concernent les clients, la sécurité, l’argent ou la confiance du public. Une fois le cycle médiatique de google passé, les institutions repenseront-elles l’apprentissage autour de cette responsabilité, ou continueront-elles à évaluer des productions auxquelles elles ne font plus confiance ?