Les résultats de l’OCDE aux tests sur l’IA révèlent un recul de l’apprentissage chez les élèves

Les résultats de l’OCDE aux tests sur l’IA révèlent une contradiction préoccupante : les élèves qui évitent les chatbots pour leurs devoirs surpassent souvent leurs camarades qui les utilisent. Cette observation provient de PISA 2025, l’évaluation internationale de l’OCDE menée auprès d’élèves de 15 ans.

Ce résultat remet en cause une idée répandue sur l’IA dans l’éducation. Les chatbots peuvent produire des devoirs soignés, résumer des lectures et répondre à des questions en quelques secondes. Pourtant, un travail mieux assisté ne permet pas automatiquement d’acquérir des connaissances que les élèves peuvent mobiliser de façon autonome.

Cette distinction place les chatbots généralistes d’un côté d’une fracture émergente. De l’autre se trouvent des systèmes structurés qui amènent les élèves à raisonner, s’exercer et expliquer leurs réponses. Les données ne plaident pas pour l’interdiction de l’IA dans l’éducation. Elles invitent à se demander si cette technologie aide les élèves à réfléchir ou si elle réfléchit simplement à leur place.

PISA révèle un écart de score aux tests lié à l’IA

La principale conclusion de l’OCDE est une association entre l’usage de chatbots et des performances autonomes plus faibles, et non la preuve que l’IA a causé ces scores inférieurs.

Les résultats PISA 2025 offrent l’un des aperçus les plus vastes à ce jour de l’usage de l’IA par les élèves. PISA, le Programme international pour le suivi des acquis des élèves, mesure la façon dont les jeunes de 15 ans appliquent leurs connaissances à des problèmes inconnus.

En 2025, une majorité d’élèves dans la plupart des systèmes éducatifs participants avaient utilisé des chatbots d’IA pour leurs travaux scolaires. Seuls 14 % des élèves des pays de l’OCDE ont déclaré ne presque jamais les utiliser aux fins examinées.

Ces usages comprenaient le résumé de textes imposés, la recherche préliminaire, la rédaction de travaux écrits et l’aide générale à l’apprentissage. L’assistance générale à l’apprentissage était l’usage le plus fréquemment déclaré.

L’usage presque quotidien restait moins fréquent. Dans les pays de l’OCDE, environ un élève sur cinq a déclaré une utilisation régulière. Ce point est important, car la fréquence comme l’objectif d’usage étaient associés à des profils de performance différents.

Les élèves qui déclaraient ne pas utiliser de chatbot pour certaines tâches scolaires obtenaient généralement des scores plus élevés en sciences que les utilisateurs. Cette tendance est apparue dans la plupart des pays et économies participants.

La relation n’était pas simplement linéaire. Les élèves utilisant l’IA chaque semaine pour l’apprentissage général obtenaient des résultats comparables à ceux des non-utilisateurs, après ajustement des chercheurs selon le milieu socioéconomique.

Les élèves utilisant l’IA presque tous les jours, ou seulement à l’occasion, tendaient à obtenir des scores inférieurs à ceux des non-utilisateurs. Les utilisateurs modérés surpassaient parfois les utilisateurs limités et fréquents pour résumer des textes ou rechercher de nouveaux sujets.

La rédaction constituait un cas différent. L’avantage de performance des utilisateurs modérés était moins marqué lorsque l’IA aidait à rédiger des travaux. Ce résultat correspond à la crainte que la génération de texte puisse remplacer davantage de travail cognitif que l’assistance à la recherche.

La comparaison repose sur des scores prédits en sciences, ajustés selon les profils socioéconomiques des élèves. Elle provient néanmoins de données d’usage observationnelles et autodéclarées. Les élèves n’ont pas été répartis aléatoirement entre des groupes utilisant ou non les chatbots.

Les élèves moins performants pourraient chercher plus souvent de l’aide auprès de l’IA. Les élèves confrontés à une charge de travail plus lourde, disposant de réseaux de soutien plus faibles ou ayant moins confiance en eux pourraient également adopter les chatbots différemment.

L’OCDE avertit explicitement que ses conclusions n’établissent pas d’effet causal négatif. Elles décrivent plutôt une relation influencée par les personnes qui adoptent l’IA, les raisons de leur usage et sa fréquence.

Cet avertissement devrait empêcher qu’un titre facile ne se transforme en verdict erroné. PISA n’a pas prouvé que chaque élève perd des connaissances après avoir ouvert ChatGPT. Il a toutefois révélé un écart cohérent que les établissements scolaires ne peuvent écarter sans risque.

Cet écart compte aussi parce que PISA évalue l’application des connaissances sans assistance. Un chatbot peut améliorer le travail rendu à la maison tout en laissant l’élève moins préparé lorsque l’outil disparaît.

Cette différence entre travail achevé et capacité retenue crée le véritable conflit. Les systèmes éducatifs ont passé des années à évaluer des productions visibles. L’IA générative peut désormais améliorer ces productions sans améliorer de manière fiable l’apprenant.

Les résultats de l’OCDE aux tests sur l’IA révèlent le renversement des devoirs

L’IA peut améliorer l’apparence d’un devoir tout en affaiblissant le lien entre ce devoir et ce qu’un élève sait réellement.

Les précédentes perspectives de l’éducation de l’OCDE avaient identifié ce problème avant l’arrivée des nouveaux résultats PISA. L’IA généraliste peut améliorer l’exécution d’une tâche sans produire de gains d’apprentissage durables.

Un élève peut demander à un chatbot de résumer un chapitre, d’organiser une argumentation ou de rédiger une dissertation. Le rendu final peut devenir plus clair, même si l’élève lit, planifie et révise moins.

Ces étapes évitées ne sont pas de simples frictions administratives. Elles constituent souvent l’activité d’apprentissage elle-même.

Écrire oblige un élève à retrouver des informations, évaluer des preuves, organiser des idées et repérer des lacunes dans sa compréhension. Résumer exige de déterminer quels faits comptent et comment ils s’articulent.

Lorsqu’un chatbot réalise ces opérations, l’élève reçoit une réponse sans nécessairement construire la structure mentale qui la sous-tend. Le résultat immédiat semble productif, mais l’évaluation autonome révèle ce qui a été retenu.

Les chercheurs décrivent parfois ce schéma comme une externalisation cognitive. L’apprenant transfère une partie d’une tâche mentale vers un système externe, réduisant l’effort nécessaire pour l’accomplir.

Cette externalisation n’est pas automatiquement nuisible. Les calculatrices, correcteurs orthographiques, moteurs de recherche et ouvrages de référence déplacent tous une part du travail hors de l’esprit. Les élèves peuvent utiliser ces outils tout en développant des compétences plus profondes.

La différence réside dans ce qu’il reste à faire pour l’apprenant. Une calculatrice exige toujours que quelqu’un choisisse une opération et interprète le résultat. Un chatbot peut choisir l’argument, composer l’explication et fournir la conclusion.

Cette substitution plus large crée ce que les chercheurs appellent la paresse métacognitive. La métacognition consiste à surveiller sa compréhension, ses stratégies et ses erreurs pendant l’apprentissage.

Les élèves l’exercent lorsqu’ils reconnaissent leur confusion, réexaminent une réponse faible ou demandent une aide ciblée. Une réponse fluide d’un chatbot peut atténuer ces signaux en donnant l’impression qu’une compréhension incomplète est résolue.

Les résultats PISA apportent un autre indice. Les élèves qui évitaient les chatbots d’IA étaient également plus susceptibles de déclarer des comportements de recherche d’aide plus solides.

L’aide humaine implique généralement une négociation. Un enseignant, un parent ou un camarade peut demander ce que l’élève a essayé et où son raisonnement a échoué. Un chatbot généraliste répond souvent immédiatement, sauf s’il est invité à se comporter autrement.

Cette commodité modifie le coût de l’évitement de l’effort. Avant l’IA générative, externaliser une dissertation entière nécessitait de l’argent, de la coordination ou une faute évidente. Désormais, un brouillon plausible peut apparaître au cours d’une brève session de navigation.

Le renversement devient le plus évident lorsque l’outil est retiré. Les élèves peuvent rendre un travail assisté plus solide, puis rencontrer des difficultés lors d’une évaluation fermée exigeant les mêmes connaissances.

Une étude de 2026 sur l’enseignement secondaire chinois offre une version plus nette de ce schéma. L’étude sur la pénalité d’apprentissage a analysé 30 mois de données concernant 26 811 élèves de la 7e à la 12e année.

Les chercheurs ont suivi les devoirs, le temps nécessaire pour les terminer, les examens mensuels à livre fermé et les examens d’entrée à fort enjeu dans neuf matières. L’adoption de l’IA était associée à une meilleure productivité pour les devoirs, mais à de moins bonnes performances sans assistance.

Cette étude exige elle aussi de la prudence. L’adoption n’a pas été attribuée aléatoirement, et les chercheurs ont déduit certains comportements d’externalisation à partir de données administratives. Elle ne peut établir une pénalité universelle pour chaque élève ou chaque classe.

Sa structure répond néanmoins à une faiblesse des analyses ordinaires des devoirs. Elle compare les travaux assistés à des évaluations dans lesquelles les élèves doivent travailler sans l’outil.

Les résultats de l’OCDE aux tests sur l’IA vont dans le même sens sur un échantillon international bien plus large. Ensemble, ces conclusions remettent en question les notes fondées principalement sur les productions réalisées à la maison.

Si les établissements continuent de considérer des devoirs soignés comme une preuve directe d’apprentissage, l’IA rendra ce signal moins fiable. Le devoir pourrait de plus en plus mesurer l’accès, la formulation de requêtes et la révision plutôt que la maîtrise autonome.

Les données ne justifient pas une simple interdiction de l’IA

Les données les plus solides distinguent la génération de réponses non guidée d’un usage de l’IA conçu autour de l’enseignement et de la participation active.

L’avertissement de l’OCDE peut facilement être réduit à l’affirmation que l’IA nuit toujours à l’apprentissage. Ses propres conclusions rejettent cette interprétation.

L’usage hebdomadaire pour l’apprentissage général était associé à des performances en sciences similaires à l’absence d’usage. Un usage modéré pour certaines tâches produisait également de meilleurs résultats qu’un usage rare ou intensif.

Ce schéma suggère que la fréquence compte, mais qu’elle ne suffit pas à elle seule. L’objectif et la conception pédagogique autour de l’outil peuvent modifier le résultat.

Un élève qui demande une réponse terminée ne vit pas la même expérience que celui qui demande un indice. Aucun des deux cas ne ressemble à un cours encadré dans lequel un enseignant remet en question un raisonnement incorrect.

Cette distinction apparaît dans des recherches contrôlées. Une étude de la Banque mondiale a testé un programme de tutorat par IA de six semaines, soutenu par des enseignants, auprès d’élèves du secondaire dans l’État d’Edo, au Nigeria.

Le programme a utilisé Microsoft Copilot pour soutenir l’apprentissage de l’anglais après les cours. Les enseignants supervisaient des activités structurées, fournissaient des requêtes et aidaient les élèves à évaluer les réponses du système.

Les élèves participant à l’intervention ont enregistré une amélioration de 0,31 écart-type à une évaluation couvrant l’anglais, les connaissances sur l’IA et les compétences numériques. L’essai de tutorat au Nigeria apporte donc des éléments montrant qu’un usage guidé peut améliorer l’apprentissage.

Ce résultat ne contredit pas l’avertissement de l’OCDE. Il en clarifie le mécanisme.

Le programme nigérian n’a pas donné aux élèves un moteur de réponses sans restriction en supposant que l’apprentissage suivrait. Il a placé le modèle dans un programme scolaire, un calendrier et un processus piloté par l’enseignant.

Le chatbot fonctionnait comme un tuteur au sein d’un système pédagogique. Il ne remplaçait pas ce système.

Des données expérimentales plus récentes compliquent également une vision purement négative. Les chercheurs Zara Contractor et Germán Reyes ont réparti aléatoirement des étudiants de premier cycle pour qu’ils apprennent un sujet inconnu avec ou sans IA générative.

Les participants ont réalisé des évaluations sans assistance immédiatement, puis une semaine plus tard. L’accès à l’IA a amélioré les scores de connaissances immédiats de 0,27 écart-type, et ces gains ont persisté une semaine plus tard.

L’expérience randomisée a constaté des bénéfices différés plus importants chez les utilisateurs qui augmentaient leurs capacités. Ces étudiants demandaient à l’IA d’expliquer des concepts plutôt que de générer du texte à leur place.

Les utilisateurs de l’automatisation suivaient le schéma inverse. Leurs améliorations à court terme de la qualité des productions disparaissaient une fois l’accès à l’IA retiré.

Ce contraste offre un cadre pratique pour interpréter les résultats de l’OCDE aux tests sur l’IA. La question pertinente n’est pas de savoir si un chatbot a été utilisé pendant les études.

La question est de savoir quelles étapes cognitives sont restées à la charge de l’élève. L’explication, la récupération d’informations, la comparaison et l’autocorrection peuvent favoriser l’apprentissage. La production automatique peut les contourner.

L’âge et le contexte limitent également les comparaisons directes. L’expérience randomisée portait sur des étudiants de premier cycle, tandis que PISA examine des jeunes de 15 ans. L’intervention de la Banque mondiale s’est déroulée dans un contexte nigérian spécifique.

Un programme structuré après l’école ne peut pas prédire ce qui se passe lorsque des millions d’élèves utilisent différents chatbots en privé. Une petite expérience ne peut pas résoudre les effets à long terme dans toutes les matières.

Même ainsi, les études positives révèlent la faiblesse d’une interdiction générale. Retirer l’IA supprimerait également des options de tutorat capables d’élargir le feedback et l’entraînement.

Le choix de politique n’oppose donc pas un usage illimité à une exclusion totale. Les écoles ont besoin de règles qui distinguent une assistance productive d’un effort remplacé.

Un chatbot pourrait être autorisé à poser des questions socratiques, générer des exercices d’entraînement ou expliquer pourquoi une réponse est erronée. Il pourrait être limité dans la production d’un texte final pour un travail évalué.

Les élèves peuvent aussi documenter l’historique de leurs interactions et expliquer quelles suggestions ils ont retenues. Ce processus rend le raisonnement visible au lieu de traiter le document final comme seule preuve.

Les outils destinés aux élèves devraient soutenir la recherche d’informations, la réflexion et la comparaison des sources. Un espace de travail pour étudiants personnel peut aider à organiser les ressources, mais l’apprenant doit toujours les évaluer et les relier.

Le rapport de l’OCDE fait de la conception pédagogique la ligne de partage. La disponibilité d’outils généralistes n’est pas une stratégie d’apprentissage. Les écoles doivent décider quels usages préservent l’effort et lesquels l’effacent.

Les écoles font désormais face à un problème d’évaluation

Les chatbots exercent la plus forte pression sur les écoles qui assimilent encore une production non supervisée à une compréhension individuelle.

L’IA générative n’a pas créé toutes les faiblesses des devoirs et travaux scolaires. Elle a rendu les faiblesses existantes plus faciles à exploiter et plus difficiles à ignorer.

Les enseignants savent depuis longtemps que les travaux à réaliser à la maison reflètent des niveaux d’aide inégaux. Certains élèves bénéficient d’une aide familiale importante, de cours particuliers ou de retours éditoriaux. D’autres travaillent seuls.

L’IA ajoute un collaborateur toujours disponible, capable de générer le contenu même d’une réponse. Le texte final peut alors rester difficile à distinguer d’un travail légitime d’élève.

Les logiciels de détection ne résolvent pas ce problème de manière fiable. Les faux positifs peuvent pénaliser une écriture originale, tandis qu’un texte produit par IA puis révisé peut échapper à la détection. Les écoles ont besoin de modalités d’évaluation qui révèlent le processus de l’élève.

La pression dépasse la triche délibérée. Un élève peut utiliser un chatbot conformément à une politique permissive tout en évitant l’entraînement nécessaire à ses performances ultérieures.

Cela fait de l’intention un critère incomplet. Un apprenant de bonne foi peut demander à répétition des explications bien formulées, avoir l’impression d’être productif, puis ne découvrir ses lacunes que lors d’un examen.

L’autorité britannique de régulation des qualifications a directement abordé la question de l’intégrité. Ses directives 2026 sur les travaux scolaires indiquent que présenter un travail généré par IA comme le sien constitue une triche.

Toutefois, la sanction ne traite qu’une partie du problème d’apprentissage. Les élèves peuvent respecter les règles de divulgation tout en dépendant trop fortement des réponses générées.

Les écoles doivent observer les compétences à travers plusieurs formats. De brèves défenses orales, des rédactions supervisées, des brouillons itératifs, des démonstrations pratiques et la résolution de problèmes en direct peuvent fournir des preuves plus solides.

Ces formats ne sont pas à l’abri de l’accompagnement. Ils rendent toutefois plus difficile qu’un artefact final produit par IA se substitue à la compréhension de l’élève.

La refonte de l’évaluation entraîne aussi des coûts. Les examens oraux exigent du temps de personnel. Le travail supervisé réduit la flexibilité. L’évaluation par projet peut introduire une notation subjective et des contraintes de coordination.

Ces coûts ne seront pas répartis uniformément. Les écoles bien financées peuvent former les enseignants et créer des groupes d’évaluation plus petits. Les systèmes confrontés à des pénuries de personnel risquent de s’appuyer davantage sur des devoirs écrits facilement extensibles.

Les fournisseurs d’IA subissent également une pression. Les produits généralistes sont généralement optimisés pour fournir des réponses utiles et complètes. Cet objectif peut entrer en conflit avec l’enseignement, qui exige parfois de ne pas donner la réponse.

Un mode éducatif efficace pourrait demander à l’apprenant d’essayer d’abord de résoudre le problème. Il pourrait fournir des indices de plus en plus explicites, identifier les idées fausses et exiger une explication avant de poursuivre.

Le système devrait également intégrer des protections de la vie privée adaptées à l’âge et des pratiques transparentes en matière de données. Les conversations d’élèves peuvent contenir des dossiers scolaires, des préoccupations personnelles et des signaux comportementaux sensibles.

Les enseignants ont besoin de contrôler l’alignement avec le programme. Un chatbot qui propose des méthodes correctes mais hors programme peut troubler les élèves ou compromettre une leçon soigneusement séquencée.

Les hallucinations restent un autre problème. Une explication erronée formulée avec assurance peut transmettre une idée fausse, surtout lorsque l’apprenant ne possède pas suffisamment de connaissances pour la contester.

L’OCDE indique qu’environ six élèves sur dix avaient été invités, pendant les cours, à évaluer des informations générées par IA. Parmi eux, 46 % le faisaient parfois, 33 % souvent et 22 % très souvent.

Ces chiffres montrent que les compétences d’évaluation ont fait leur entrée dans de nombreuses salles de classe. Ils laissent aussi une part importante d’élèves sans pratique régulière de vérification des productions de l’IA.

Les préoccupations relatives à l’intégrité académique sont déjà largement répandues chez les éducateurs. Dans l’OCDE Digital Education Outlook, 72 % des enseignants du premier cycle du secondaire estimaient que l’IA pouvait permettre aux élèves de remettre un travail généré comme s’il était le leur.

Dans le même temps, 37 % des enseignants du premier cycle du secondaire ont déclaré utiliser l’IA dans le cadre de leur travail en 2024. Par ailleurs, 57 % ont convenu que l’IA aide à rédiger ou améliorer les plans de cours.

Cette combinaison résume la tension institutionnelle. Les écoles voient des applications utiles pour les enseignants tout en craignant que les élèves puissent contourner l’apprentissage.

Les politiques doivent tenir compte des deux aspects. Les enseignants peuvent utiliser l’IA pour créer des exercices différenciés, préparer des retours ou simuler des conversations de tutorat. Les élèves ont néanmoins besoin d’occasions protégées de rencontrer une difficulté productive.

La difficulté productive ne consiste pas à supprimer toute aide. Elle consiste à apporter un soutien suffisant pour progresser sans retirer le raisonnement qui construit la maîtrise.

Le rapport de l’OCDE sur l’IA dans l’éducation déplace donc la responsabilité vers les institutions et les concepteurs de produits. Dire aux élèves d’« utiliser l’IA de manière responsable » est trop vague pour guider les comportements.

Les règles devraient identifier les actions autorisées, les divulgations requises et les compétences à maîtriser sans aide. Elles devraient aussi expliquer pourquoi une certaine friction reste pédagogiquement nécessaire.

La corrélation est l’incertitude centrale

La comparaison PISA est importante en raison de son ampleur, mais sa conception ne permet pas de déterminer si l’usage des chatbots a causé une baisse des performances en sciences.

Les élèves abordent l’IA avec des capacités, motivations et ressources différentes. Ces différences peuvent influencer à la fois l’adoption et les résultats aux tests.

Un élève en difficulté peut davantage utiliser un chatbot parce que l’enseignement existant a échoué à répondre à ses besoins. Ses performances plus faibles précéderaient alors l’usage de l’IA, plutôt que d’en résulter.

Les élèves très performants peuvent éviter les chatbots parce qu’ils disposent déjà de solides habitudes de travail. Leurs résultats plus élevés pourraient refléter ces habitudes, et non l’absence d’IA.

La fréquence auto-déclarée ajoute une autre limite. Les élèves peuvent interpréter différemment l’expression « m’aider à apprendre », oublier un usage occasionnel ou sous-déclarer un comportement qui semble interdit.

Les catégories regroupent également de nombreux styles d’interaction. Un utilisateur hebdomadaire peut demander des questions d’entraînement. Un autre peut générer un devoir entier à la même fréquence déclarée.

PISA a ajusté les comparaisons en sciences en fonction du contexte socioéconomique. Cela améliore l’analyse, mais ne peut pas contrôler toutes les différences entre utilisateurs et non-utilisateurs.

L’OCDE le reconnaît directement. Son rapport indique que ces relations pourraient refléter une combinaison complexe de profils d’adoption de l’IA et de manières de l’utiliser.

Le langage des titres doit donc rester prudent. « Les élèves utilisant l’IA ont obtenu des scores plus faibles » décrit une association observée. « L’IA a fait baisser les scores des élèves » formule une affirmation causale que les données PISA ne peuvent pas étayer.

L’étude de panel chinoise offre des comparaisons temporelles et de résultats plus solides, mais elle reste également observationnelle. Les chercheurs n’ont pas attribué aléatoirement un accès à long terme aux chatbots à des milliers d’enfants.

Les essais contrôlés résolvent certains problèmes de sélection. Toutefois, ils couvrent généralement des échantillons plus restreints, des périodes plus courtes ou des interventions très structurées.

L’essai mené au Nigeria montre qu’un tutorat par IA guidé peut aider dans des conditions précises. Il ne démontre pas qu’un usage non supervisé de chatbots produira le même résultat.

L’expérience auprès d’étudiants de premier cycle a constaté des gains d’apprentissage lorsque l’IA enrichissait l’explication. Ses participants, sa matière et son environnement contrôlé diffèrent de l’usage quotidien dans l’enseignement secondaire.

Ces limites n’annulent pas l’avertissement. Elles définissent ce que les écoles devraient étudier ensuite.

Si différentes sources de données montrent à répétition des devoirs plus solides mais des performances sans aide plus faibles, les éducateurs disposent d’une raison crédible de repenser l’évaluation. Ils n’ont pas besoin d’attendre une estimation causale universelle.

Dans le même temps, une certitude prématurée peut conduire à de mauvaises politiques. Une interdiction complète pourrait pousser l’usage dans la clandestinité, bloquer un tutorat bénéfique et empêcher les écoles d’enseigner la culture de l’IA.

La réponse la plus défendable est une adoption contrôlée. Les écoles peuvent comparer des classes, des matières et des conceptions d’outils tout en mesurant à la fois les productions assistées et les performances ultérieures sans aide.

Elles devraient également surveiller les différences entre groupes d’élèves. L’IA peut aider les apprenants ayant un accès limité au tutorat tout en nuisant à ceux qui l’utilisent principalement pour éviter l’effort.

Les besoins d’accessibilité exigent une attention particulière. Certains élèves utilisent l’IA pour un soutien linguistique, une aide à la lecture ou l’organisation de leurs idées. Les restrictions ne devraient pas supprimer des aménagements sans alternatives équivalentes.

Les différences entre matières comptent aussi. Générer une dissertation d’histoire remplace un travail mental différent de celui remplacé par un retour sur une démonstration mathématique.

La mesure à long terme est essentielle. Un outil peut améliorer un quiz après une semaine mais affaiblir la rétention après un semestre. Un autre peut ralentir initialement le travail tout en développant des compétences de raisonnement durables.

L’incertitude centrale ne porte donc pas sur le fait que l’IA transforme l’apprentissage. Elle modifie déjà la séquence, l’effort et les preuves qui entourent l’apprentissage.

L’incertitude concerne les conceptions qui produisent des connaissances durables, pour quels élèves et dans quelles conditions. Les conclusions de l’OCDE fournissent une base de référence, pas une réponse définitive.

Trois signaux montreront ce qui se passera ensuite

La prochaine phase devrait être jugée à l’aune des performances indépendantes, de la conception pédagogique des produits et de la réforme de l’évaluation, plutôt que de la seule adoption des chatbots.

Le premier signal sera la manière dont les chercheurs analyseront la base de données PISA 2025. Des études par pays pourront déterminer si l’association persiste selon les matières, les politiques scolaires et les profils des élèves.

Un écart constant après des contrôles plus rigoureux renforcerait l’avertissement de l’OCDE. De fortes variations selon l’objectif d’usage ou les pratiques scolaires renforceraient l’argument en faveur de règles ciblées plutôt que de restrictions générales.

Les chercheurs devraient distinguer la rédaction, la synthèse, la recherche, le feedback et le tutorat. Les regrouper sous l’usage général de l’IA masque les mécanismes que les écoles doivent le plus comprendre.

Le deuxième signal sera de savoir si les principaux fournisseurs de chatbots modifient leurs modes éducatifs. Une évolution significative du produit maintiendrait les élèves actifs au lieu d’optimiser chaque interaction pour une réalisation immédiate.

Parmi les indicateurs utiles figurent des indices différés, l’obligation de tenter une réponse, des contrôles pour les enseignants, l’alignement avec le programme et des explications adaptées aux idées fausses diagnostiquées. Des essais indépendants devraient vérifier si ces fonctionnalités améliorent la rétention sans aide.

Les affirmations marketing ne trancheront pas la question. Les fournisseurs doivent proposer des comparaisons qui retirent l’outil après l’enseignement et mesurent si les élèves peuvent transférer leurs connaissances à de nouveaux problèmes.

Le troisième signal sera la refonte de l’évaluation au cours du prochain cycle scolaire. Les écoles et organismes d’examen révéleront leurs priorités à travers les règles de notation, les tâches supervisées et les exigences de divulgation.

Davantage de soutenances orales, de brouillons élaborés par étapes et de démonstrations en classe montreraient que les établissements ne font plus confiance aux seuls travaux finaux réalisés à domicile. Continuer à dépendre de textes produits sans supervision maintiendrait le décalage actuel.

Les établissements devraient publier des données issues de ces changements lorsque les règles de confidentialité le permettent. Les enseignants doivent savoir si des évaluations repensées améliorent la validité sans créer une charge de travail déraisonnable.

Les parents et les élèves ont également besoin d’attentes plus claires. Une règle qui se contente d’autoriser ou d’interdire « l’IA » ne peut pas distinguer le tutorat de la réalisation automatique d’un devoir.

La norme la plus utile pose une question directe : l’élève peut-il encore expliquer, reproduire et appliquer le travail sans le chatbot ?

Les scores des tests d’IA de l’OCDE ont fait de cette question un enjeu de politique publique international. Ils ne justifient pas la panique, pas plus qu’ils ne permettent la complaisance.

Les élèves devraient examiner la manière dont ils utilisent actuellement les chatbots. Demandez des explications, des contre-arguments, des questions d’entraînement et un retour sur une première tentative personnelle. Évitez de laisser le système remplacer la première ébauche de la réflexion.

Les enseignants devraient tester les apprentissages une fois l’outil retiré. Les équipes produit devraient mesurer les compétences réellement conservées, et non seulement l’achèvement plus rapide des tâches ou une satisfaction accrue.

La prochaine série de données montrera si les établissements peuvent préserver la valeur tutorale de l’IA sans externaliser l’effort de l’apprenant. Ce résultat dépend des choix de conception effectués dès maintenant.