L’intelligence artificielle est déjà entrée dans les études, mais les règles pédagogiques n’ont pas suivi le même rythme. À Harvard, 87,5 % des répondants déclaraient utiliser l’IA en 2024, tandis qu’une enquête menée auprès de 1 054 étudiants britanniques faisait état de 95 % d’usage fin 2025. La question n’est donc plus de savoir si les étudiants s’en servent, mais ce que l’université veut encore leur apprendre à faire eux-mêmes.
Un comité du MIT propose de répondre à cette tension par une refonte des cours, des évaluations et des obligations de transparence. Son approche ne consiste pas à autoriser ou interdire l’IA partout de la même manière : chaque enseignement devrait définir ses propres règles en fonction de ses objectifs pédagogiques. Cette inflexion pourrait devenir l’un des modèles les plus influents pour l’enseignement supérieur dans les prochains mois.
Le MIT part d’un constat simple : l’usage de l’IA est déjà massif
L’IA générative n’est plus un outil marginal réservé à quelques étudiants technophiles. Les données disponibles placent son usage à des niveaux qui rendent les politiques générales difficiles à appliquer.
À Harvard, 87,5 % des répondants à une enquête menée en 2024 déclaraient utiliser l’IA. Au Royaume-Uni, une enquête publiée à partir de réponses recueillies en décembre 2025 indiquait que 95 % de 1 054 étudiants de premier cycle à temps plein avaient utilisé l’IA d’au moins une manière.
Ces chiffres ne décrivent pas nécessairement les mêmes pratiques. Utiliser un chatbot pour comprendre un concept, corriger un texte, produire un plan ou rédiger un devoir ne représente ni le même niveau d’assistance ni le même risque pour l’apprentissage. Ils établissent toutefois un fait essentiel : l’IA fait désormais partie de l’environnement de travail ordinaire des étudiants.
À retenir : une interdiction générale ne suffit plus à décrire la réalité des usages. Les établissements doivent distinguer les objectifs, les formes d’assistance et les compétences que chaque cours cherche à évaluer.
Le rapport du comité ad hoc du MIT sur l’usage de l’IA dans l’enseignement, l’apprentissage et la formation à la recherche s’inscrit dans cette réalité. Le comité recommande que chaque cours indique clairement si l’IA est interdite, autorisée ou requise, et qu’il explique la raison de cette règle.
Cette exigence de justification change la nature du débat. Une restriction ne devrait pas reposer uniquement sur la peur de la triche ou sur la difficulté de détecter un texte généré. Elle devrait être reliée à une compétence précise : mémoriser, raisonner, écrire, expérimenter, défendre une hypothèse ou collaborer.
Une politique d’IA par cours plutôt qu’une règle uniforme
Le MIT recommande de définir les objectifs d’apprentissage avant de décider de la place de l’IA. L’ordre proposé est déterminant : préciser ce que l’étudiant doit savoir, concevoir une évaluation capable de le vérifier, puis déterminer si l’IA peut intervenir.
Une même technologie peut donc recevoir des traitements différents selon la matière. Dans un cours d’écriture, un enseignant peut interdire la génération d’un premier texte afin d’observer la construction du raisonnement. Dans un cours consacré à la programmation ou à l’analyse de données, il peut autoriser l’IA comme outil d’assistance, à condition que l’étudiant comprenne, teste et explique le résultat.
Le principe proposé par le MIT peut être résumé ainsi : la règle doit protéger l’objectif pédagogique, et non défendre une forme scolaire pour elle-même.
| Objectif pédagogique | Usage possible de l’IA | Évaluation cohérente |
|---|---|---|
| Développer une argumentation personnelle | Usage limité lors de la première rédaction | Présentation orale et discussion du raisonnement |
| Apprendre à programmer | Assistance autorisée avec vérification du code | Démonstration, correction d’erreurs et explication des choix |
| Maîtriser des connaissances fondamentales | IA interdite pendant l’épreuve | Examen surveillé ou interrogation orale |
| Préparer un projet professionnel | IA autorisée avec déclaration des usages | Dossier de projet, journal de travail et soutenance |
Cette organisation évite deux écueils. Le premier consiste à bannir l’IA même lorsqu’elle fait partie des outils du métier visé. Le second revient à l’autoriser partout, y compris dans les situations où l’université cherche à mesurer une compétence individuelle sans assistance.
Le comité préconise également des cadres communs à l’échelle des départements, avec des options que les enseignants peuvent adapter à leur cours. Cette coordination peut réduire les contradictions entre matières et rendre les attentes plus lisibles pour les étudiants.
La transparence devient une règle de travail
La transparence ne concerne pas seulement les étudiants. Le MIT recommande aussi que les enseignants indiquent lorsque l’IA intervient dans la création de supports, de sujets, de corrections ou de retours pédagogiques.
Pour les étudiants, déclarer l’usage d’un outil permet de distinguer une aide à la préparation d’une délégation complète du travail. Cette déclaration peut porter sur l’outil utilisé, la tâche confiée et la manière dont la réponse a été vérifiée, sans transformer chaque devoir en rapport technique disproportionné.
La transparence est également importante parce que les systèmes d’IA peuvent produire des erreurs, des références inexistantes ou des formulations trompeusement assurées. Une déclaration d’usage ne garantit pas la qualité d’un travail, mais elle rend le processus plus contrôlable.
Les évaluations doivent vérifier la compréhension, pas seulement le document final
Le MIT recommande de développer les examens oraux, les portfolios semestriels, les discussions en présentiel et les projets accompagnés d’échanges avec l’enseignant. L’objectif est de rendre visible le cheminement de l’étudiant, au lieu de s’appuyer uniquement sur un fichier final facilement externalisable à un outil d’IA.
Cette évolution répond à une faiblesse des devoirs isolés. Lorsque l’évaluation porte uniquement sur le produit livré, l’enseignant dispose de peu d’éléments pour savoir comment l’idée a été construite, quelles sources ont été utilisées et si l’étudiant est capable de défendre ses choix.
Un oral court après la remise d’un rapport peut apporter une information différente. L’étudiant doit expliquer sa méthode, répondre à une objection et modifier son raisonnement sous l’effet d’une question. Le document reste utile, mais il est complété par une situation où la compréhension doit être mobilisée directement.
Le portfolio semestriel poursuit la même logique sur une période plus longue. Il peut réunir des versions successives, des commentaires, des erreurs corrigées et une réflexion sur les choix effectués. L’évaluation porte alors davantage sur la progression et sur la capacité à apprendre que sur une production unique.
Pourquoi les détecteurs d’IA ne peuvent pas constituer une stratégie complète
Une politique fondée principalement sur la détection risque de déplacer le problème sans résoudre la question pédagogique. Un score fourni par un logiciel ne montre pas à lui seul si un étudiant comprend son travail, ni si une utilisation autorisée a été correctement déclarée.
Le rapport du MIT recommande donc de privilégier les formes d’évaluation qui permettent de vérifier directement les connaissances et le raisonnement. Les examens oraux, les discussions en classe, les expériences pratiques et les questions après remise d’un rapport remplissent cette fonction de manière plus concrète.
Cela ne signifie pas que les outils de détection sont inutiles dans tous les contextes. Leur résultat ne devrait toutefois pas remplacer l’examen du travail, du processus et de la capacité de l’étudiant à expliquer sa production.
À retenir : l’évaluation la plus robuste face à l’IA n’est pas nécessairement celle qui cherche à repérer une phrase générée. C’est celle qui oblige l’étudiant à démontrer ce qu’il sait faire.
Les thèses doivent documenter l’usage de l’IA sans lui attribuer la qualité d’auteur
Le comité du MIT recommande que toutes les thèses comportent une déclaration expliquant comment l’IA a été utilisée pendant leur préparation. Cette règle étend la transparence à un travail de recherche où les enjeux de traçabilité, de responsabilité et de vérification sont particulièrement élevés.
La déclaration peut permettre de distinguer plusieurs usages : recherche d’idées, aide à la reformulation, assistance au code, analyse de données ou préparation d’un plan. Chaque cas implique un niveau différent de contrôle humain et de responsabilité scientifique.
Le comité précise également que l’IA ne doit pas être mentionnée comme coauteur. La responsabilité d’une thèse repose sur les chercheurs capables d’en défendre les méthodes, les résultats et les limites. Un système génératif ne peut pas assumer cette responsabilité académique.
Les étudiants et les chercheurs doivent aussi vérifier les résultats produits par les outils. Une réponse fluide peut contenir une erreur factuelle, une référence inexacte ou une interprétation insuffisamment étayée. La transparence ne remplace donc pas la validation : elle la rend plus visible.
Cette exigence pourrait également modifier les habitudes de supervision. Les encadrants ne vérifieraient plus seulement le texte final, mais aussi la manière dont les outils ont participé à la recherche et les contrôles effectués par l’auteur.
L’IA peut réduire certains coûts, mais l’accès aux meilleurs outils crée une nouvelle inégalité
La refonte pédagogique ne peut pas être séparée de la question du coût. Parley propose 30 dollars de crédits mensuels, tandis que certaines offres premium atteignent plusieurs centaines de dollars. Cet écart peut influencer les outils disponibles pour les étudiants selon leurs moyens financiers.
Le problème ne se limite pas au prix d’un abonnement. Les offres les plus coûteuses peuvent donner accès à davantage de capacité de calcul, à des modèles plus performants ou à des fonctions avancées. Deux étudiants soumis à la même règle peuvent donc travailler avec des ressources très différentes.
Cette situation crée un risque d’inégalité dans les devoirs, les projets et la préparation des examens. Une politique qui autorise l’IA sans garantir un accès comparable peut transformer un outil pédagogique en avantage financier.
| Type d’accès | Coût mensuel identifié | Enjeu pédagogique |
|---|---|---|
| Crédits Parley | 30 dollars | Donner un volume d’usage défini pour les activités autorisées |
| Offre premium avancée | Plusieurs centaines de dollars | Risque d’écart entre étudiants selon les capacités financières |
Les établissements peuvent répondre à cette difficulté en définissant des outils communs ou en fournissant un accès institutionnel pour les activités obligatoires. Ils peuvent également concevoir des travaux qui évaluent la compréhension plutôt que la qualité brute d’une réponse générée par un modèle plus coûteux.
La question de l’équité concerne aussi les étudiants qui ne souhaitent pas utiliser l’IA, ceux qui ont besoin d’outils d’accessibilité et ceux qui ne peuvent pas traiter leurs données personnelles sur des services commerciaux. Une politique claire doit préciser non seulement ce qui est autorisé, mais aussi les conditions réelles d’accès à l’outil.
Le prix ne mesure pas la qualité de l’apprentissage
Un modèle plus cher peut produire une réponse plus convaincante, mais cette différence ne prouve pas que l’étudiant a mieux compris le sujet. Si la note dépend principalement de la sortie du logiciel, l’évaluation récompense en partie l’accès à une ressource extérieure.
Le rôle de l’enseignant consiste alors à déplacer la valeur vers les tâches que l’outil ne peut pas accomplir à la place de l’étudiant : expliquer une décision, comparer deux méthodes, identifier une erreur, relier une notion à une expérience et répondre à une objection.
Cette orientation ne supprime pas les écarts technologiques, mais elle réduit leur influence sur la note finale. Elle rend aussi les compétences évaluées plus proches de celles que l’étudiant devra mobiliser dans un environnement professionnel où l’IA sera souvent disponible.
La refonte concerne aussi les enseignants et l’organisation des établissements
Les nouvelles règles ne peuvent pas reposer uniquement sur chaque professeur. Le MIT recommande un cadre partagé, des politiques explicites et une adaptation continue à l’évolution des outils.
Les enseignants doivent pouvoir savoir quelles pratiques sont acceptées, comment déclarer l’usage de l’IA et quelles formes d’évaluation sont adaptées à leurs objectifs. Sans soutien institutionnel, la multiplication des règles par cours peut produire l’effet inverse de celui recherché : une accumulation de consignes difficiles à comprendre.
Les établissements doivent également former leurs équipes à l’évaluation des travaux assistés par IA. Cette formation ne consiste pas seulement à apprendre à utiliser un chatbot. Elle porte sur la conception de sujets, la vérification des réponses, la protection des données, la citation des contenus et l’identification des compétences réellement évaluées.
La transparence des enseignants constitue un autre volet important. Si un cours utilise l’IA pour générer des supports ou fournir des retours, les étudiants doivent connaître la place de cet outil et les contrôles réalisés. Cette information permet de maintenir une relation pédagogique fondée sur des attentes explicites.
Une transformation qui dépasse la simple lutte contre la fraude
Réduire la question de l’IA à la triche conduit à une réponse défensive. Or les recommandations du MIT portent sur un sujet plus large : la manière dont l’université définit l’apprentissage et prouve qu’il a eu lieu.
Un devoir généré sans compréhension pose un problème évident. Mais un devoir entièrement interdit à l’IA peut aussi manquer une compétence importante si les étudiants devront apprendre à vérifier, corriger et encadrer des systèmes génératifs dans leur futur métier.
La bonne question devient donc : quelle part du travail doit rester une démonstration autonome, et quelle part peut intégrer un outil sous contrôle ? Cette distinction doit être explicite pour chaque cours, car les objectifs varient selon les disciplines et les niveaux d’étude.
Notre avis : le MIT choisit la preuve de compétence plutôt que l’interdiction générale
La recommandation la plus solide est celle qui relie chaque règle d’IA à un objectif d’apprentissage vérifiable. L’interdiction générale est simple à annoncer, mais elle ne répond ni à l’usage massif déjà observé ni à la nécessité de former des étudiants capables de travailler avec ces outils.
La priorité devrait aller aux évaluations qui rendent la compréhension observable : oraux, portfolios, projets, discussions et démonstrations. Ces formats demandent davantage d’organisation, mais ils permettent de distinguer plus clairement une production déléguée d’un raisonnement réellement maîtrisé.
L’équité doit rester le deuxième pilier. Les établissements qui autorisent l’IA devraient encadrer l’accès aux outils et éviter que le prix d’un abonnement détermine indirectement la qualité du travail évalué. Les crédits mensuels de 30 dollars proposés par Parley et les offres premium à plusieurs centaines de dollars illustrent l’écart que les politiques devront prendre en compte.
Dans les six prochains mois, les universités qui avanceront le plus vite ne seront pas nécessairement celles qui publieront la liste d’outils la plus longue. Ce seront celles qui sauront préciser, cours par cours, ce que l’étudiant doit produire seul, ce qu’il peut déléguer, ce qu’il doit déclarer et comment il devra défendre son travail. La question centrale ne sera plus seulement de savoir si l’IA est autorisée, mais quelles compétences l’enseignement supérieur veut encore rendre visibles.