Un enseignant responsable dans une université britannique a donné les mêmes deux modules de premier cycle en économie et en gestion pendant trois années universitaires : l’un avant ChatGPT, l’autre avec des étudiants utilisant l’IA de leur propre initiative, le dernier avec l’IA intégrée aux travaux dirigés et aux ateliers. Une étude de 2026 publiée dans Education and Information Technologies a suivi les notes, l’assiduité et les heures d’étude autonome durant les trois années. C’est l’une des comparaisons les plus nettes à ce jour sur l’IA dans l’enseignement supérieur.

L’accès à l’IA a peu changé les choses à lui seul. La conception du cours a modifié ce que les étudiants en ont fait. Quatre autres études récentes, venues d’Irlande et de Chine, une revue de la littérature sur les bibliothèques universitaires et un article conceptuel sur l’intégrité académique, montrent où se situent les variables décisives.

Ce que révèlent les modules britanniques sur l’IA dans l’enseignement supérieur

Dans le plus petit module, qui a fourni 31 observations au niveau des étudiants, la note globale moyenne est passée de 18 l’année précédant l’IA à 14 l’année sans encadrement, puis à 16 l’année encadrée. Cette remontée n’était pas statistiquement significative. Les heures d’étude autonome sont passées de 23 à 26, puis à 57, et ce bond était significatif.

Le plus grand module, avec 103 observations, a montré le gain le plus net. Les notes globales sont restées à 16 pendant les deux premières années et ont atteint 18 l’année encadrée, un changement statistiquement significatif, tandis que les heures d’étude sont passées de 19 et 20 à 44. Il s’agit de trois cohortes, non d’une expérience contrôlée.

Les résultats par compétence ont varié. Dans le plus petit module, la mesure de l’esprit critique (la dissertation du cours) est passée de 20 à 17 l’année sans encadrement, puis est remontée à 19 l’année encadrée, un changement à la limite de la significativité (p = 0,056). La note de présentation orale dans le plus grand module, que l’étude utilise comme indicateur des compétences de communication, n’a progressé que de 17 à 18, ce qui n’était pas significatif. Les gains ont été plus importants pour les travaux écrits et analytiques que pour les présentations.

Les 27 étudiants qui ont répondu à l’enquête de fin d’année se sont montrés positifs. Parmi eux, 72,2 % ont jugé l’IA utile ou extrêmement utile dans les ateliers de conception d’arbres de décision, et 66,6 % l’ont estimée efficace ou très efficace pour résoudre des problèmes en travaux dirigés. Les déclarations d’un petit groupe montrent une perception, non une performance, mais elles vont dans le même sens que les notes. Trois cohortes ne suffisent pas à trancher la question pour l’IA dans l’enseignement supérieur en général, c’est pourquoi les quatre autres études comptent.

Ce que font les étudiants lorsque l’IA arrive sans règles

Violeta Morari et ses collègues ont interrogé 608 étudiants d’une université irlandaise durant le premier semestre 2023-2024 et ont constaté que les étudiants attendent des consignes sur l’IA dans l’enseignement supérieur. Seuls 43 % se disaient familiers des politiques d’intégrité de l’établissement. Lorsqu’on leur demandait si utiliser l’IA générative pour les travaux revient à tricher, 43,9 % répondaient oui et 32 % restaient neutres.

Les étudiants disaient aussi en entendre peu parler. Alors que 71,6 % affirmaient que les enseignants abordaient souvent le plagiat, seuls 23,1 % en disaient autant des agents conversationnels comme ChatGPT. Les enseignants traitaient les problèmes d’intégrité qu’ils savaient déjà nommer. Seuls 22,1 % jugeaient que l’IA générative améliore l’apprentissage, bien que beaucoup soient restés neutres, et l’adhésion augmentait avec le niveau d’études.

Les signaux concernant l’application des règles étaient contrastés. Une majorité, 352 contre 251, souhaitait un outil officiel de signalement, et 58 % en étaient partisans. Pourtant, seuls 28 % disaient qu’ils signaleraient un camarade, tandis que 258 affirmaient qu’ils ne le feraient pas et que 176 étaient indécis. Les étudiants veulent que les règles soient appliquées et refusent d’en être l’instrument. Une politique qui repose sur le signalement entre pairs exige une conduite que la cohorte dit ne pas vouloir adopter.

L’histoire des technologies éducatives explique pourquoi une adoption sans structure déçoit. Dans Failure to Disrupt, Justin Reich a passé en revue les MOOC, les correcteurs automatiques et les tuteurs informatisés. Il en a conclu que les technologies conçues pour l’apprentissage à grande échelle n’avaient pas tenu leurs promesses, que leurs bénéfices avaient surtout profité aux étudiants disposant de ressources, et qu’une réforme réussie dépend d’un changement institutionnel progressif. L’IA générative ajoute une complication : les anciens outils notaient et assuraient du tutorat, alors que celui-ci peut produire le devoir lui-même.

L’esprit critique détermine qui tire profit de l’IA

Une étude auprès de 744 étudiants universitaires de toute la Chine continentale, publiée par Yingchun Wang dans Frontiers in Psychology, a testé ce qui distingue les étudiants qui profitent de l’IA de ceux qui n’en profitent pas. Les étudiants ont évalué leur littératie en IA selon quatre dimensions : la conscience, l’usage, l’évaluation et l’éthique. Une littératie plus élevée allait de pair avec une auto-efficacité académique plus forte, c’est-à-dire la confiance en sa capacité à réussir ses cours.

Pour l’IA dans l’enseignement supérieur, le mécanisme compte. L’auto-efficacité expliquait entre 26 et 29 % du lien entre la littératie en IA et la réussite, selon la dimension. L’esprit critique modifiait ensuite le résultat. Chez les étudiants situés un écart-type au-dessus de la moyenne en esprit critique, la conscience de l’IA prédisait l’auto-efficacité avec un coefficient de 0,50. Chez ceux situés un écart-type en dessous, le coefficient était de 0,09, statistiquement indiscernable de zéro.

Les trois autres dimensions se répartissaient de la même façon : de 0,47 à 0,51 pour le groupe élevé et de 0,11 à 0,15 pour le groupe faible. La littératie n’augmentait la confiance que lorsque les étudiants pouvaient juger ce que la machine produisait. Un outil amplifie le jugement de celui qui le manie.

Un outil amplifie le jugement de celui qui le manie.

Les données proviennent d’un seul moment et de déclarations des étudiants, et la mesure de la réussite est une évaluation en six items de la mesure dans laquelle les étudiants mènent à bien leurs travaux, de sorte que l’ordre causal reste ouvert.

Cela dit, le résultat suggère qu’apprendre aux étudiants à utiliser l’IA ne suffit pas à développer la confiance, car le gain dépendait d’une capacité distincte.

Un jugement de cette nature se construit lentement et n’arrive pas avec le résultat produit. La compréhension fondée sur l’expérience que les chercheurs appellent connaissance tacite appartient à celui qui a fait le travail, ce qui explique pourquoi un étudiant de première année et un doctorant peuvent lire le même paragraphe généré par un modèle et en faire des usages entièrement différents. Apprendre aux étudiants à évaluer les productions de l’IA vient avant de leur apprendre à s’y fier.

Pourquoi la conception de l’évaluation l’emporte sur la détection

Les logiciels de détection ne peuvent pas porter le poids que les universités leur confient lorsqu’elles encadrent l’IA dans l’enseignement supérieur. L’article conceptuel d’Alireza Maleki dans Discover Artificial Intelligence soutient que la détection du plagiat devient insuffisante, car le contenu généré par l’IA est souvent original par conception. La gouvernance doit passer de la question de savoir si l’étudiant a produit un texte à celle de savoir comment il l’a produit et avec quels outils.

Maleki organise l’intégrité académique en quatre couches interdépendantes : gouvernance et politiques, conception de l’évaluation, normes institutionnelles et culturelles, et agentivité morale individuelle. L’article ne présente aucune donnée. Sa valeur tient à la séquence qu’il décrit, dans laquelle la politique façonne l’évaluation, l’évaluation façonne les normes culturelles et les normes façonnent les choix moraux de chaque étudiant.

Les modules britanniques illustrent le même point. Dans le plus petit module, une régression contrôlant l’assiduité a donné à l’usage non encadré de l’IA un coefficient négatif significatif sur les notes globales et aux heures d’étude autonome un coefficient positif significatif. Dans le plus grand module, l’effet de l’usage non encadré était faible et variait selon la méthode d’estimation. Lorsque le cours donnait aux étudiants une raison structurée d’étudier, les heures et les notes augmentaient.

L’alternative pratique à la détection consiste à évaluer le processus. Un devoir en plusieurs étapes, avec une proposition, un brouillon, des commentaires des pairs et une version finale, donne à l’étudiant une raison de réfléchir à chaque étape. Une brève soutenance orale confirme que l’auteur comprend l’argument. Une déclaration écrite précisant quels outils ont été utilisés, pour quoi et pourquoi laisse une trace que l’enseignant peut lire.

Neil Selwyn avait formulé cette idée de fond dans Should Robots Replace Teachers? avant que ChatGPT n’existe. Après avoir examiné les robots en classe, les systèmes de tutorat intelligents, l’analytique de l’apprentissage et la prise de décision automatisée, il a soutenu que l’introduction de l’IA dans l’enseignement est un choix qui relève des débats sur les valeurs, le jugement et la politique. L’évaluation fondée sur le processus est ce choix rendu concret.

Les écarts de capacité déterminent qui reçoit un accompagnement

La structure coûte du temps de personnel, et le temps de personnel coûte de l’argent. Le financement devient ainsi une question centrale pour l’IA dans l’enseignement supérieur. Une revue systématique de Lateef Ayinde, Raphael Ebiefung et Bolaji David Oladokun publiée dans The Journal of Academic Librarianship a examiné 29 études de 2020 à 2024 sur l’IA dans les bibliothèques universitaires. Le financement était l’obstacle le plus fréquemment cité, présent dans 14 des 29 études, soit 48 %.

Le reste de la liste se lit comme une carte des inégalités de capacité. Huit études signalaient des compétences informatiques limitées chez les bibliothécaires, six une infrastructure inadéquate, trois une alimentation électrique peu fiable et quatre la crainte de perdre leur emploi. Les auteurs notent que les établissements des pays en développement ont particulièrement du mal à allouer des fonds dédiés à l’IA. La revue ne couvre que des études en anglais ; la recherche publiée dans d’autres langues est donc absente du tableau.

Une politique rédigée dans une université de recherche bien financée ne se transposera pas à un établissement qui ne peut pas payer la formation. L’accès à un usage encadré de l’IA dépend alors d’une décision budgétaire. Les établissements adoptent l’IA dans l’enseignement supérieur dans un contexte de mutations plus larges des usages et de la gouvernance de l’IA, et l’écart de capacité détermine quels étudiants en bénéficient.

Une politique réalisable pour l’IA dans l’enseignement supérieur

Pris ensemble, les cinq études étayent quatre engagements pour les établissements. Ils forment une proposition tirée des données, et aucun article ne teste l’ensemble. Chaque engagement répond à une lacune que révèlent les études : des règles floues, un processus inobservable, un jugement inégal et une capacité inégale.

• Rédigez une règle pour chaque devoir. Indiquez quels usages de l’IA sont autorisés, lesquels sont interdits et pourquoi, dans la consigne du devoir elle-même plutôt que dans un document valable pour toute l’université.
• Évaluez le processus. Recourez à des remises par étapes, à de brèves soutenances orales et à de courtes déclarations d’usage de l’IA afin que le cheminement vers le texte final soit visible.
• Enseignez l’évaluation avant l’usage. Wang propose un modèle dans lequel les étudiants génèrent du contenu avec l’IA, remettent ensuite un rapport d’analyse critique qui examine l’exactitude factuelle, la logique argumentative, les biais potentiels et la fiabilité des sources, puis réécrivent enfin le travail en distinguant leur propre contribution de celle de la machine. Faire de ce rapport une compétence notée en première année place l’évaluation avant la dépendance.
• Financez le personnel. Un usage structuré exige que quelqu’un le structure, ce qui suppose du temps de formation, de la capacité en bibliothèque et des heures d’enseignement.

Deux objections à un usage structuré de l’IA

L’objection la plus forte est que la structure pourrait faire tout le travail. Dans les modules britanniques, l’année encadrée a aussi apporté une assiduité plus élevée et beaucoup plus d’étude autonome, de sorte que les données ne permettent pas de séparer l’effet de l’IA de celui de n’importe quelle refonte exigeante. Cette lecture est juste, et elle étaye l’argument : si un cours bien structuré sans IA produisait le même résultat, la conception resterait ce qui détermine les résultats.

Une seconde objection vient des enseignants favorables à l’interdiction : tout usage d’un modèle supprime l’effort laborieux qui produit l’apprentissage. L’année sans encadrement confirme en partie cette crainte : les moyennes à l’examen final dans le plus petit module sont passées de 22 à 14. Une interdiction exige un moyen de la faire respecter, et la détection échoue lorsque le texte est original par conception. L’interdiction ne lie alors que les étudiants qui choisissent de la respecter.

La résistance du public à l’IA s’étend désormais au-delà des débats techniques sur la régulation, et l’on demandera aux universités ce que leurs étudiants y gagnent réellement. Les données nécessaires pour guider l’IA dans l’enseignement supérieur sont déjà à portée de main : des devoirs échelonnés, un suivi du temps d’étude et des groupes de comparaison à charge de travail constante. Les établissements qui feront ces comparaisons sauront ce que l’IA apporte à l’apprentissage. Les autres continueront de débattre d’un outil dont ils ne voient pas l’usage.