À la fin d’une formation, une participante remet une analyse de cas claire, structurée et complète. Elle a utilisé une IA pour vérifier ses réponses, reformuler ses arguments et repérer une notion oubliée. Le résultat est meilleur que ses premiers essais. Une semaine plus tard, face à une situation proche mais sans l’outil, elle hésite sur le premier critère à examiner. Avait-elle appris, ou avait-elle surtout réussi l’exercice avec une aide efficace ?
La question ne concerne pas seulement les étudiants. Elle se pose chaque fois qu’un professionnel utilise l’IA pour apprendre une procédure, préparer un entretien, comprendre un texte ou résoudre un problème nouveau. Une production assistée peut être excellente sans montrer ce que la personne saura reprendre ensuite. Deux études publiées en 2025 éclairent ce décalage. Elles n’aboutissent pas à une condamnation de l’IA, mais à une distinction décisive : fournir une réponse et soutenir un apprentissage ne sont pas la même fonction.
Un bon résultat peut cacher deux apprentissages très différents
Lorsqu’une IA intervient pendant une tâche, nous voyons d’abord le résultat : la réponse est plus juste, le raisonnement mieux présenté, le document terminé plus vite. Ces indicateurs mesurent une performance assistée. Ils ne disent pas automatiquement ce qui restera disponible lorsque l’aide sera retirée.
Apprendre suppose aussi de pouvoir reconnaître une situation voisine, choisir une méthode, détecter une erreur, expliquer une étape et transférer ce qui a été compris. L’outil peut soutenir ces opérations. Il peut également les réaliser avant que l’utilisateur les ait exercées. La même technologie peut donc agir comme un raccourci vers la solution ou comme un dispositif qui fait travailler.
Cette distinction prolonge une question déjà abordée dans ce que nous voulons continuer à savoir faire sans intelligence artificielle. Ici, le point de départ n’est pas la préservation générale des compétences, mais un écart mesurable : la réussite pendant l’assistance et la reprise après l’assistance.
Quand l’accès à la réponse améliore l’exercice mais fragilise la reprise
Hamsa Bastani et ses collègues ont conduit un essai contrôlé randomisé dans un grand lycée turc, auprès de près de mille élèves de mathématiques. Pendant quatre séances de 90 minutes, des classes ont travaillé avec leurs ressources habituelles, avec une interface proche d’un chat généraliste fondée sur GPT-4, ou avec un tutorat fondé sur le même modèle mais doté de garde-fous conçus avec des enseignants.
Les deux formes d’assistance ont fortement amélioré les résultats pendant les exercices : par rapport au groupe sans IA, les notes ont augmenté de 48 % avec l’interface générale et de 127 % avec le tutorat guidé. Mais lors d’un examen réalisé ensuite sans ressources, les élèves du groupe ayant utilisé l’interface générale ont obtenu des résultats inférieurs de 17 % à ceux du groupe témoin. Dans le groupe « tutorat », cette baisse était presque entièrement supprimée, sans pour autant produire un gain significatif à l’examen sans aide.
L’analyse des échanges aide à comprendre ce contraste. Avec l’interface générale, beaucoup d’élèves demandaient directement la réponse. Le tutorat guidé donnait plutôt des indices, encourageait une tentative et s’appuyait sur des solutions préparées par les enseignants. Les auteurs ont aussi observé que les élèves évaluaient trop favorablement ce qu’ils avaient appris. La fluidité de l’aide pouvait donc améliorer le sentiment de maîtrise en même temps que le résultat du moment.
Cette étude publiée dans PNAS est robuste pour le contexte étudié, mais ses limites comptent : un seul établissement, des mathématiques au lycée, quatre séances et un examen portant sur des problèmes proches. Elle ne démontre ni un affaiblissement durable des capacités, ni un effet identique dans la formation professionnelle. Elle montre plus précisément qu’une amélioration sous assistance peut coexister avec une moins bonne performance juste après, lorsque l’assistance disparaît.
Quand un tutorat structuré soutient réellement l’activité d’apprendre
Une seconde étude invite à ne pas transformer le résultat précédent en règle générale. Greg Kestin et ses collègues ont comparé, dans un cours universitaire de physique, deux leçons suivies soit en classe active, soit à domicile avec un tuteur fondé sur une IA générative. Le dispositif suivait un plan précis : progression séquentielle, charge cognitive maîtrisée, retour ciblé, rythme individuel et solutions détaillées fournies au système pour limiter les erreurs.
Parmi les 194 étudiants retenus dans l’analyse, le tutorat par IA a produit des gains immédiats supérieurs à ceux de la classe active, avec un temps médian consacré à la leçon de 49 minutes contre 60 minutes en classe. Les étudiants ont également déclaré davantage d’engagement et de motivation.
Là encore, il faut regarder ce qui a réellement été testé. Le protocole publié dans Scientific Reports portait sur deux leçons de physique dans une université, avec des tests immédiatement avant et après. Il compare un dispositif pédagogique spécialement construit à un enseignement actif en classe ; il ne mesure pas une rétention à plusieurs mois et ne permet pas d’affirmer qu’une conversation libre avec n’importe quelle IA aurait le même effet.
Les deux études ne se contredisent donc pas. Elles examinent des interactions différentes. Dans l’une, l’accès facile à la solution permet souvent de contourner l’effort central. Dans l’autre, l’interface organise une progression, sollicite l’étudiant et fournit un retour individualisé. Ce n’est pas seulement la présence de l’IA qui change l’apprentissage ; c’est le rôle qu’on lui fait jouer.
L’ordre de l’aide compte autant que sa qualité
Dans l’ouvrage de Frédéric HATLAS, l’antériorité de l’assistance désigne le moment où la production de l’IA devient le premier cadre disponible avant notre propre formulation. Il s’agit d’une proposition conceptuelle de l’auteur, pas d’un concept scientifiquement validé. Elle aide néanmoins à lire les situations d’apprentissage : une solution reçue avant toute tentative n’occupe pas la même place qu’un indice demandé après un premier raisonnement.
Le premier scénario peut être utile lorsqu’une personne manque complètement de repères, qu’un exemple est nécessaire ou que l’objectif porte seulement sur le résultat. Mais si l’objectif est d’apprendre à analyser, choisir ou expliquer, une réponse achevée arrive parfois trop tôt. Elle réduit l’espace dans lequel l’apprenant aurait pu formuler une hypothèse, rencontrer une erreur et la corriger.
Dans le second scénario, l’utilisateur produit quelque chose, même incomplet, avant de solliciter l’outil. L’IA peut alors signaler une incohérence, poser une question, proposer un contre-exemple ou comparer deux méthodes. La production humaine devient un point de comparaison. Cette logique ne demande pas de tout faire seul ; elle consiste à conserver l’opération que l’on veut précisément exercer.
C’est pourquoi il est utile de nommer la fonction réellement déléguée. La grille « ce que je garde, ce que je délègue, ce que je vérifie » peut être appliquée à une séquence d’apprentissage : garder la première hypothèse, déléguer la recherche de variantes, vérifier les explications, puis refaire une étape sans assistance.
Un exercice en quatre temps : essai, indice, explication, reprise
Pour une notion, une procédure ou un cas professionnel que vous voulez réellement apprendre, réservez douze à vingt minutes et suivez quatre temps.
- Essai. Travaillez trois à cinq minutes sans IA. Notez votre première démarche, le point où vous bloquez et ce dont vous êtes certain. L’objectif n’est pas de réussir immédiatement, mais de rendre votre raisonnement visible.
- Indice. Demandez une question, un indice ou un contre-exemple, pas la solution complète. Par exemple : « Pose-moi une question qui m’aide à repérer l’étape manquante, sans résoudre le cas à ma place. »
- Explication. Fermez la réponse et reformulez avec vos propres mots ce que vous avez compris. Appliquez ensuite la méthode à un exemple légèrement différent. Si vous ne pouvez qu’imiter la formulation reçue, l’apprentissage reste fragile.
- Reprise. Plus tard dans la journée ou le lendemain, refaites une étape essentielle sans consulter l’échange. Comparez cette performance non assistée avec le résultat obtenu pendant l’aide.
Observez trois éléments : avez-vous choisi vous-même le premier critère ? Pouvez-vous expliquer pourquoi la méthode fonctionne ? Savez-vous repérer une situation dans laquelle elle ne s’applique pas ? Ces questions ne constituent pas un test scientifique. Elles rendent simplement visible la différence entre reconnaître une bonne réponse et pouvoir reconstruire le raisonnement.
Utiliser l’IA pour faire travailler, pas seulement pour fournir
Dans une formation ou un parcours d’intégration, cette distinction change la conception des activités. On peut demander à l’IA de questionner une première analyse, de varier les cas, de simuler une objection, de donner un retour ciblé ou d’adapter le rythme. On peut aussi prévoir explicitement un temps de reprise sans assistance. Le livrable assisté reste utile, mais il n’est plus le seul indicateur.
Dans le travail quotidien, l’objectif n’est pas toujours d’apprendre. Pour une mise en forme ponctuelle, recevoir directement une version terminée peut être parfaitement raisonnable. En revanche, lorsqu’une tâche doit développer le jugement d’un nouveau collègue, consolider une procédure ou préparer une décision future, la rapidité de la première réponse ne suffit plus. Il faut regarder ce que l’interaction permet encore d’exercer.
Les études disponibles restent localisées et ne permettent pas de conclure à un effet unique de l’IA sur l’apprentissage. Elles invitent à une question plus précise : après une production réussie avec l’outil, que savons-nous expliquer, transférer et reprendre sans lui ?
Pour aller plus loin
Cet article prolonge une réflexion développée dans Ce que l’intelligence artificielle change en nous — Quand les réponses de l’IA arrivent avant notre pensée, de Frédéric HATLAS.
L’ouvrage explore la manière dont l’intelligence artificielle peut progressivement modifier notre façon de commencer une réflexion, accorder notre confiance, vérifier une information, déléguer une tâche et conserver notre autonomie.
Découvrir le livre :
https://sociaform.fr/ce-que-l-intelligence-artificielle-change-en-nous/