Christian Urff, Université de pédagogie de Weingarten, 2026

L’utilisation de l’intelligence artificielle dans l’apprentissage ne peut faire l’objet d’une réponse catégorique. Sa valeur ajoutée dépend de son intégration au processus d’apprentissage. Un même système d’IA peut apporter un soutien efficace dans une situation et, dans une autre, entraver, voire perturber, le processus de réflexion. La question cruciale est donc la suivante : pour qui, à quel moment, dans quel but et sous quelle forme l’IA peut-elle favoriser l’apprentissage ? Le modèle SKILL offre un cadre de réflexion. Il permet de sélectionner et d’évaluer de manière critique les outils d’apprentissage assistés par l’IA et de les concevoir de façon à stimuler, structurer et approfondir la pensée, plutôt qu’à la remplacer.

La manière dont l'IA est utilisée est cruciale.

Une expérience de terrain menée par Bastani et ses collègues (2025) auprès d'un millier d'étudiants en mathématiques illustre cette différence. Les étudiants autorisés à utiliser un chatbot standard lors des exercices ont initialement résolu davantage de problèmes correctement. Cependant, sans l'assistance de l'IA, leurs performances ont ensuite été inférieures à celles des étudiants ayant travaillé sans IA. Une version pré-structurée du même modèle de langage, fournissant des indices progressifs plutôt que des solutions complètes, a permis d'éviter cet effet. Ce n'est pas le modèle sous-jacent, mais sa conception didactique qui a conduit à des résultats d'apprentissage différents.

Le débat ne doit donc pas se limiter à l'opposition entre interdiction et enthousiasme. L'élément crucial est son intégration pédagogique. Il convient de préciser dans quelles conditions l'IA soutient réellement les processus d'apprentissage.

La performance n'est pas synonyme d'apprentissage

L'amélioration des performances lors de l'utilisation de l'IA n'équivaut pas automatiquement à un meilleur apprentissage (Yan et al., 2025). Un outil peut fournir un résultat immédiat, créant ainsi l'illusion d'une réussite d'apprentissage, même en l'absence de véritable développement des compétences. Un apprentissage durable exige que les apprenants s'engagent avec un sujet, élaborent leurs propres solutions, fassent des erreurs et analysent leur raisonnement. Ceux qui délèguent ce travail cognitif à l'IA et se contentent de suivre ses résultats traitent souvent le contenu de manière superficielle. Des explications bien formulées peuvent également créer un sentiment de compréhension sans que les connaissances sous-jacentes aient été acquises de manière autonome. Les apprenants ayant des connaissances préalables limitées, en particulier, ne perçoivent souvent pas cette incohérence. Ils interrompent leur pratique trop tôt et sont ensuite incapables d'appliquer ou de transférer avec assurance ce qu'ils pensent avoir compris sans l'IA. Une pré-structuration appropriée peut remédier à cela. La seconde variante de l'expérience de Bastani et al. (2025) a encadré l'utilisation de l'IA de manière à ce qu'elle serve de partenaire de réflexion et non de raccourci. Ceci est particulièrement important si les apprenants ne sont pas encore capables de réguler eux-mêmes ce type d'utilisation.

Mettre l'accent sur les compétences

Pour que l'IA soit utilisée efficacement dans l'apprentissage, l'âge et le niveau scolaire importent moins que la capacité à l'utiliser de manière à favoriser l'apprentissage dans un contexte spécifique. Ceci s'applique aussi bien aux apprenants qu'aux enseignants. Plusieurs sous-compétences interagissent dans ce processus :

• Expertise sur le sujet abordé, afin d'évaluer la qualité technique d'une réponse d'IA.
• Compétences critiques en IA, afin de reconnaître les limites, les hallucinations et les erreurs plausiblement formulées.
• Autorégulation, afin de déterminer à quel moment l'IA est utile comme partenaire de réflexion et à quel moment elle devient une simple machine à réponses.
• Prérequis cognitifs et linguistiques, afin de formuler des demandes appropriées et de traiter les réponses.

Les personnes ayant des compétences limitées dans un ou plusieurs de ces domaines nécessitent une structuration préalable plus poussée. Une tâche imprécise, une compréhension inadéquate des rôles ou un manque de contexte spécifique au sujet peuvent être particulièrement préjudiciables aux débutants. Parallèlement, on ne peut attendre des apprenants qu'ils conçoivent eux-mêmes la structure nécessaire, par exemple grâce à des indications sur les rôles ou à la fourniture ciblée de connaissances contextuelles. À mesure que les compétences se développent, les exigences évoluent : un encadrement trop rapproché, bénéfique aux débutants, peut freiner les apprenants avancés. Cet effet d'inversion de l'expertise plaide contre un concept d'usage uniforme. La conception et la mise en œuvre doivent donc être liées aux niveaux de compétence, tels que la progression « Comprendre, Appliquer, Créer » de l'UNESCO (2024) ou les six niveaux de DigCompEdu (Redecker, 2017).

Le modèle SKILL résume cette relation. Il sert de guide pour la conception, l'évaluation et la sélection d'outils d'intelligence artificielle dans les processus éducatifs.

Le spectre de compétences à tester

Le spectre suivant peut être exploré de manière interactive. Déplacez le point le long de la diagonale ou utilisez le curseur. L'affichage indique les conditions-cadres et le rôle de l'IA adaptés aux différents niveaux de compétence.

Implications pour l'intégration dans les processus d'apprentissage

On est souvent novice dans ce qu'on apprend. L'éducation part du principe que les apprenants ne savent pas encore tout et ne peuvent pas évaluer la situation avec certitude. Par conséquent, l'utilisation libre et non réglementée de chatbots en accès libre ne devrait pas devenir la norme. Pour de nombreuses situations d'apprentissage, des outils pré-structurés, intégrés à l'application et accessibles sont plus adaptés. L'IA opère en arrière-plan d'un environnement d'apprentissage didactiquement conçu ; le contexte et les mesures de sécurité spécifiques à la discipline sont déjà intégrés. C'est aussi une question d'équité éducative. Si un apprentissage efficace requiert des connaissances préalables approfondies, une compréhension technique, une aisance linguistique et une contextualisation précise, ce sont les personnes déjà compétentes qui en tirent le plus grand profit. Les structures intégrées abaissent ces barrières et peuvent être progressivement levées à mesure que les compétences se développent. Cela vaut également pour les enseignants. Ceux qui possèdent une expérience de la discipline et de l'IA peuvent utiliser les chatbots ouverts de manière productive pour l'enseignement et l'organisation. D'autres enseignants ont besoin d'outils accessibles sans nécessiter de compétences particulières en matière de guidage. Un outil de planification assisté par l'IA pourrait combiner des suggestions intégrées, des modules pré-établis, des questions de suivi ciblées et des bases de connaissances disciplinaires. Avec une souveraineté croissante, elle pourrait s'ouvrir de plus en plus, par exemple grâce à ses propres extensions rapides.

Outil pédagogique ou compensation des désavantages ?

L'usage prévu détermine également le degré de structuration de l'environnement d'apprentissage et la possibilité de raccourcir certaines étapes. La question centrale est la suivante : la tâche externalisée est-elle elle-même destinée à être apprise ? Si, par exemple, l'accent est mis sur l'arithmétique en début de primaire, le processus de résolution de problèmes doit être protégé afin d'éviter de révéler prématurément la réponse. En revanche, si la tâche externalisée ne fait pas partie de l'objectif d'apprentissage, l'IA peut la prendre en charge. Pour les apprenants en situation de handicap, l'IA peut donc être non seulement un outil d'apprentissage, mais aussi un moyen de participation. Par exemple, dans le cadre de l'objectif d'apprentissage de la compréhension de texte, une fonction de synthèse vocale peut lever un obstacle sans pour autant contourner l'objectif d'apprentissage lui-même. Dans de tels cas, l'assistance peut rester disponible en permanence.

Le bilan des compétences : sélection et évaluation des outils

Les cinq lettres de SKILL représentent également cinq questions directrices pour la sélection et l'évaluation des outils d'apprentissage assistés par l'IA :

• S – Échafaudage : Le niveau de préstructuration et de soutien correspond-il au niveau de compétence, et peut-il être réduit progressivement ?
• K – Activation cognitive : La personne doit-elle penser et agir de manière indépendante ?
• I – Intégration : L’utilisation du matériel est-elle liée à un objectif d’apprentissage et à une tâche réalisable, et l’enseignant conserve-t-il une vue d’ensemble du travail effectué ?
• L – Processus d’apprentissage : Les erreurs sont-elles considérées comme des occasions d'apprentissage, et quelles stratégies métacognitives sont stimulées ?
• L – Développement à long terme : L’autocontrôle ou la dépendance augmentent-ils ?

Importance pour la conception et le développement d'applications basées sur l'IA

Le modèle SKILL permet de structurer la conception et le développement d'applications d'apprentissage s'appuyant sur l'IA. Il positionne une application entre l'IA intégrée et les chatbots ouverts, en tenant compte du public cible et du niveau de compétence attendu. Ceci conduit à des décisions de conception concrètes. Les premiers résultats empiriques peuvent être résumés en quatre principes : Fondation (Sur quelle base professionnelle le feedback est-il généré ?), dosage („ d'abord toi, ensuite moi “), activation (encourager la participation active plutôt que de promouvoir la consommation passive) et Intégration (Lien vers des dispositifs d'apprentissage hybrides viables). Plus d'informations sur ces principes de conception.

Conclusion

L'IA générative ne déploie tout son potentiel pédagogique que lorsqu'elle est adaptée à la tâche, à l'individu et à l'environnement d'apprentissage. Il est donc crucial de déterminer pour qui, quand et dans quelle mesure son utilisation favorise l'apprentissage. Les chatbots en accès libre sont souvent insuffisants à cet égard. Ils exigent des connaissances préalables, des compétences linguistiques et une capacité d'autorégulation élevées, et peuvent, dans certains cas, nuire aux processus d'apprentissage. Des outils accessibles, préstructurés et intégrant des thématiques spécifiques, dont l'accès est progressivement facilité au fur et à mesure que les compétences se développent, sont plus appropriés. L'efficacité de l'apprentissage résulte de l'interaction entre la tâche, la préstructuration et le soutien pédagogique. La règle d'or est la suivante : L'IA peut soutenir la pensée, pas la remplacer.

littérature

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). L'IA générative sans garde-fous peut nuire à l'apprentissage : preuves tirées des mathématiques du secondaire. Actes de l'Académie nationale des sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
• Yan, L., Greiff, S., Lodge, JM et Gašević, D. (2025). Distinguer les gains de performance de l'apprentissage lors de l'utilisation de l'IA générative. Nature Reviews Psychology, 4(7), 435–436. https://doi.org/10.1038/s44159-025-00467-5
• Kalyuga, S. (2007). L'effet d'inversion de l'expertise et ses implications pour l'enseignement adapté à l'apprenant. Revue de psychologie de l'éducation, 19(4), 509–539. https://doi.org/10.1007/s10648-007-9054-3
• Ng, DTK, Leung, JKL, Chu, SKW et Qiao, MS (2021). Conceptualisation de la culture en IA : une revue exploratoire. Informatique et éducation : Intelligence artificielle, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
• UNESCO. (2024). Cadre de compétences en IA pour les étudiants. https://doi.org/10.54675/JKJB9835
• Redecker, C. (2017). Cadre européen pour la compétence numérique des éducateurs : DigCompEdu (Y. Punie, éd.). Office des publications de l'Union européenne. https://doi.org/10.2760/159770