L'intégration de l'intelligence artificielle générative (IAG) dans l'enseignement supérieur ne se fait pas de manière uniforme. Alors que les universités s'efforcent de concevoir des programmes de formation à l'IA pour leurs étudiants et leur personnel, une fracture invisible est en train de se dessiner. Elle ne sépare pas simplement les utilisateurs des non-utilisateurs, mais redéfinit entièrement la manière dont nous acquérons le savoir.
Une étude récente, publiée sous forme de prépublication (preprint) sur la plateforme arXiv sous la référence arXiv:2607.05411v1, met en lumière un phénomène préoccupant : le « contournement des compétences » (GenAI Skill Bypass). Ce travail de recherche, qui doit encore être évalué par les pairs et dont il convient de considérer les conclusions avec la prudence scientifique d'usage, révèle une divergence fondamentale dans la trajectoire d'apprentissage de l'IA entre les étudiants et le personnel universitaire. Cette divergence remet en question les modèles pédagogiques traditionnels et fait peser un risque majeur sur l'acquisition des compétences fondamentales.
Le paradoxe de l'apprentissage inversé chez les étudiants
Traditionnellement, l'apprentissage d'une technologie suit une progression linéaire. On acquiert d'abord des compétences techniques de base (comprendre le fonctionnement d'un algorithme, les limites éthiques, la gestion des données) avant de passer à des applications créatives et complexes de haut niveau. C'est cette trajectoire linéaire que suit majoritairement le personnel académique et administratif des universités.
Pour les étudiants, la réalité est radicalement différente. L'étude d'arXiv, basée sur une analyse psychométrique (modèle de Rasch et ordonnancement de Guttman) menée auprès de 158 participants, montre que les étudiants présentent un profil de compétences « inversé ». Ils maîtrisent fréquemment des tâches créatives et génératives de haut niveau — comme la rédaction de codes complexes, la synthèse de textes denses ou la création de visuels — sans pour autant posséder les compétences techniques fondamentales sous-jacentes.
En d'autres termes, les étudiants savent faire fonctionner l'outil de manière spectaculaire, mais ils sont souvent incapables d'expliquer comment il fonctionne, d'en identifier les biais ou d'évaluer de manière critique la fiabilité des résultats produits. Ils sautent l'étape de la compréhension technique pour passer directement à la production.
Le risque du « contournement des compétences »
Ce profil inversé expose les étudiants au risque systémique du « contournement des compétences ». Contrairement aux technologies éducatives passées (comme la calculatrice ou les moteurs de recherche), l'IA générative ne se contente pas d'accélérer l'exécution d'une tâche ; elle peut prendre en charge l'intégralité du processus cognitif.
Lorsqu'un étudiant utilise l'IAG pour rédiger une dissertation, structurer un argumentaire ou résoudre un problème de programmation sans maîtriser les concepts de base, il contourne l'effort cognitif nécessaire à la création de nouvelles connexions neuronales. L'outil ne vient pas soutenir l'apprentissage, il s'y substitue.
À long terme, ce contournement menace de créer une génération de diplômés dépendants d'outils qu'ils ne comprennent pas, incapables d'exercer un esprit critique face aux hallucinations de l'IA, et dépourvus des compétences méthodologiques de base qui font la valeur d'un parcours universitaire. Le risque est de voir s'installer une forme d'illettrisme fonctionnel invisible : des individus capables de produire des livrables de qualité professionnelle grâce à l'IA, mais incapables de les valider, de les corriger ou de les concevoir de manière autonome.
Une divergence culturelle entre personnels et étudiants
Cette divergence de trajectoire crée un fossé pédagogique. Les enseignants, qui ont appris l'IAG de manière structurée et linéaire, conçoivent souvent des formations basées sur cette même progression. Ils expliquent le fonctionnement des grands modèles de langage (LLM), abordent les questions d'éthique, puis proposent des exercices pratiques.
Cette approche rate sa cible auprès des étudiants. Ces derniers, déjà utilisateurs quotidiens et pragmatiques de l'IAG, perçoivent ces formations théoriques comme déconnectées de leurs besoins immédiats. Ils se désintéressent des bases techniques car ils ont l'illusion de maîtriser l'outil puisqu'ils obtiennent des résultats rapides.
L'UNESCO, dans ses directives mondiales sur l'IA générative dans l'éducation et la recherche, a déjà alerté sur la nécessité de protéger l'autonomie humaine et de ne pas laisser les outils technologiques dicter les rythmes et les méthodes d'apprentissage. L'organisation souligne que l'éducation doit former des citoyens critiques, et non de simples opérateurs de technologies propriétaires.
Quelles stratégies pour les équipes éducatives francophones ?
Pour les universités et grandes écoles de l'espace francophone (France, Québec, Belgique, Suisse), ce constat impose une révision profonde des pratiques pédagogiques. Il ne s'agit plus d'interdire l'IA, ni de l'intégrer aveuglément, mais de concevoir une « pédagogie du détour ».
Voici plusieurs pistes concrètes transférables pour les équipes enseignantes :
* L'évaluation du processus plutôt que du produit : Si l'IAG peut générer un rapport parfait en quelques secondes, l'évaluation finale ne peut plus reposer uniquement sur ce livrable. Les enseignants doivent évaluer les étapes intermédiaires : la formulation des requêtes (prompting), l'analyse critique des différentes versions produites par l'IA, et la justification des choix finaux. Le « journal de bord » de l'interaction avec l'IA devient le véritable objet d'évaluation.
* La rétro-ingénierie pédagogique : Puisque les étudiants partent du résultat final (le haut de la pyramide), les enseignants peuvent les amener à déconstruire ce résultat. Par exemple, demander à une IA de générer un code informatique, puis exiger des étudiants qu'ils expliquent chaque ligne, identifient les failles de sécurité potentielles et optimisent manuellement le programme. On utilise la production de l'IA comme point de départ pour enseigner les concepts fondamentaux.
* Les examens « débranchés » et oraux : Pour garantir l'acquisition réelle des compétences fondamentales, le retour à des évaluations en temps réel, sans technologie, s'avère nécessaire. Les examens oraux, les débats en classe et les résolutions de problèmes sur table permettent de vérifier que l'étudiant a assimilé les concepts et ne s'appuie pas sur une béquille numérique.
* Des formations différenciées pour le personnel : Le personnel académique a besoin d'un accompagnement qui valorise sa rigueur méthodologique tout en l'aidant à comprendre la culture d'usage des étudiants. Les enseignants doivent être formés pour devenir des « facilitateurs de pensée critique » plutôt que des gardiens du savoir technique.
L'enjeu pour l'enseignement supérieur est de taille. Il s'agit de transformer l'IA générative d'un outil de contournement des compétences en un levier d'amplification cognitive. Pour y parvenir, les universités doivent abandonner l'illusion d'une littératie numérique uniforme et accepter que l'apprentissage de l'IA, tout comme l'IA elle-même, procède par des chemins non linéaires.
Discussion
Posez vos questions et partagez votre point de vue. Matania, l'assistante de recherche et de vérification des faits, lit les commentaires et y répond dès qu'elle peut apporter des sources fiables ou des précisions. Les liens ne sont pas autorisés : citez vos sources par leur nom.