top of page

Former à l’ère de l’IA : cinq enseignements du rapport Stanford 2026

Photo du rédacteur: Anne CASANOVA
Anne CASANOVA
31 août
8 min de lecture

L’IA ne bouleverse pas seulement les outils pédagogiques. Elle transforme la manière dont nous produisons, évaluons et développons les compétences.


Le rapport AI Index 2026 de Stanford met en lumière un paradoxe que les formateurs, concepteurs pédagogiques et fonctions académiques ne peuvent plus ignorer :

  • quatre lycéens et étudiants américains sur cinq utilisent déjà l’IA pour leurs travaux ;

  • seule la moitié des établissements secondaires disposent d’une politique dédiée ;

  • seulement 6 % des enseignants interrogés jugent ces règles claires ;

  • certaines études recensées par Stanford soulèvent la possibilité qu’un recours intensif à l’IA ralentisse le développement des compétences ;

  • sur le marché du travail américain, les premières évolutions observées se concentrent notamment sur les jeunes travailleurs exerçant des métiers fortement exposés à l’IA.


Inutile de se demander encore "faut-il autoriser l'usage de l'IA", demandons-nous plutôt :

« Que devons-nous encore demander à l’apprenant de faire lui-même pour qu’il apprenne réellement ? »

1. L’interdiction est déjà dépassée par les usages


Les étudiants utilisent l'IA massivement. Ils l’utilisent principalement pour rechercher des informations, améliorer leurs productions écrites et trouver des idées.


Pourtant, les règles institutionnelles ne suivent pas. Seule la moitié des collèges et lycées américains disposent d’une politique relative à l’IA. Plus frappant encore : seulement 6 % des enseignants interrogés considèrent ces règles comme claires.

Ces chiffres concernent les États-Unis. Ils ne doivent donc pas être transposés tels quels au système éducatif français.


Mais le décalage observé entre les usages et leur encadrement mérite notre attention.

Interdire l’IA ne la fait pas disparaître. Ne rien dire ne neutralise pas davantage ses effets. Cela laisse simplement les apprenants interpréter seuls ce qui est acceptable.


Le débat ne peut donc plus porter uniquement sur l’autorisation de l’outil.

Les concepteurs pédagogiques doivent maintenant définir :

  • les usages autorisés ;

  • les usages attendus ;

  • les usages qui doivent être déclarés ;

  • les étapes qui doivent rester sans IA ;

  • les productions qui doivent être vérifiées ;

  • les décisions que l’apprenant doit pouvoir expliquer ;

  • les travaux qui doivent être défendus oralement.

Cela suppose de passer d’une logique de contrôle à une logique d’explicitation.


De la charte au contrat pédagogique d’usage de l’IA


Une charte institutionnelle fixe un cadre général. Elle définit ce qui est autorisé, interdit ou soumis à certaines conditions.

C’est nécessaire. Mais insuffisant.

Les usages pertinents ne sont pas identiques dans un cours de langues, une formation au management, un cursus juridique ou un apprentissage technique.


Je propose donc d’y ajouter un contrat pédagogique d’usage de l’IA, adapté à chaque formation ou activité.


Ce contrat pourrait préciser :

  1. L’objectif de l’activité : Quelle compétence l’apprenant doit-il réellement développer ?

  2. Les usages autorisés : Peut-il utiliser l’IA pour rechercher des idées, reformuler, traduire, structurer ou produire une première version ?

  3. Les usages non autorisés : Quelles étapes doit-il obligatoirement réaliser lui-même ?

  4. Les obligations de transparence : Doit-il déclarer l’outil utilisé, conserver ses échanges ou expliquer les modifications apportées ?

  5. Les vérifications attendues : Comment doit-il contrôler les faits, les sources, les calculs ou la conformité du résultat ?

  6. Les critères d’évaluation : Évalue-t-on le livrable, le raisonnement, la démarche de vérification, la capacité d’adaptation ou l’ensemble de ces éléments ?


Une charte encadre l’outil. Un contrat pédagogique organise l’apprentissage.

Ce n’est pas juste une nuance de vocabulaire. C’est un changement de posture.


2. Produire avec l’IA ne signifie pas apprendre avec l’IA


Le rapport Stanford recense des gains de productivité importants dans certaines activités professionnelles structurées et mesurables. Les études citées font notamment état de gains de 14 à 15 % dans le support client, de 26 % dans le développement logiciel et de 50 % dans la production marketing. Ces chiffres ne sont pas directement comparables : ils proviennent d’études et de contextes différents. Ils montrent néanmoins que l’IA peut accélérer certaines productions. Le même chapitre signale des travaux récents faisant craindre qu’une forte dépendance à l’IA puisse entraîner des pénalités d’apprentissage à long terme et ralentir le développement des compétences.


Cette distinction est essentielle.

Un apprenant peut produire :

  • une synthèse impeccable ;

  • un scénario convaincant ;

  • une analyse apparemment structurée ;

  • une présentation professionnelle ;

  • un exercice correctement rédigé ;

…sans avoir construit toutes les compétences que ce résultat semble démontrer. Le livrable peut être réussi. L’apprentissage, beaucoup moins. Pour les formateurs, une question devient alors incontournable :

Evaluons nous la qualité du résultat ou la compétence réellement acquise ?

Ce n’est plus forcément la même chose.

L’enjeu n’est pas d’empêcher toute assistance. Dans de nombreux métiers, savoir utiliser l’IA deviendra précisément une compétence attendue. L’enjeu consiste à déterminer ce que l’outil peut prendre en charge sans supprimer l’effort cognitif nécessaire à l’apprentissage.

Par exemple, si l’objectif est d’apprendre à améliorer un raisonnement existant, comparer son propre plan avec une proposition générée par l’IA peut devenir pertinent.

Un outil peut soutenir ou affaiblir l’apprentissage. Tout dépend de la place qu’on lui donne dans la séquence.


3. Il faut enseigner la vérification, pas seulement le prompting


Les modèles d’IA progressent rapidement. Mais leurs performances restent irrégulières.

Le chapitre du rapport consacré aux performances techniques l’illustre de manière spectaculaire : en 2025, un modèle a obtenu un score correspondant à une médaille d’or aux Olympiades internationales de mathématiques. Dans le même temps, sur un test de lecture d’horloges analogiques, le meilleur modèle atteignait 50,6 % de réponses correctes, contre 90,1 % pour les humains.

Stanford utilise cet exemple pour illustrer la nature « dentelée » des capacités de l’IA.

Un système peut exceller sur une tâche extrêmement complexe et échouer sur une activité que nous pensions plus simple.


Les agents d’IA progressent également. Mais selon le rapport, ils échouent encore dans environ un cas sur trois sur certains benchmarks évaluant l’exécution de tâches informatiques structurées.


Former à l’IA ne peut donc pas se limiter à enseigner l’art de rédiger une bonne consigne.

Une consigne précise peut améliorer le résultat. Elle ne garantit ni sa véracité, ni sa pertinence, ni son adéquation avec le contexte.


Nos propres croyances peuvent également orienter la réponse. Le benchmark KaBLE, présenté dans le rapport Stanford, montre que les modèles corrigent moins bien une croyance fausse lorsqu’elle est formulée à la première personne. Les modèles récents atteignent 95 % d’exactitude face aux croyances fausses attribuées à un tiers, mais seulement 62,6 % lorsqu’elles sont présentées comme celles de l’utilisateur. L’IA ne risque donc pas seulement de produire une erreur : elle peut aussi conforter une prémisse erronée que nous lui avons nous-mêmes fournie. Former à l’esprit critique suppose alors d’apprendre à questionner la réponse de l’IA, mais aussi la croyance contenue dans notre propre question.


Les apprenants doivent aussi apprendre à :

  • contrôler les sources ;

  • retrouver l’origine d’une affirmation ;

  • repérer une réponse plausible mais fausse ;

  • distinguer un fait d’une interprétation ;

  • comparer plusieurs résultats ;

  • expliciter leurs critères de qualité ;

  • identifier les informations manquantes ;

  • justifier leur décision finale ;

  • questionner les croyances et les présupposés contenus dans leur propre demande ;

  • savoir quand ne pas utiliser l’IA.


Le prompting facilite la production. Le discernement construit la compétence.

C’est probablement l’un des changements les plus importants à intégrer dans nos référentiels. La compétence ne consiste plus seulement à obtenir une réponse. Elle inclut la capacité à l’évaluer, la corriger et en assumer l’usage.


4. L’évaluation doit davantage porter sur le processus


Lorsque l’IA peut produire une partie importante du livrable final, ce livrable ne suffit plus pour observer la maîtrise de l’apprenant. Il faut rendre le processus plus visible.

Cela ne signifie pas surveiller chaque interaction ou transformer toute évaluation en interrogatoire. Il s’agit de recueillir des preuves d’apprentissage plus pertinentes.


Nous pouvons notamment observer :

  • le raisonnement suivi ;

  • les hypothèses formulées ;

  • les choix effectués ;

  • les sources retenues ;

  • les critères utilisés ;

  • les erreurs détectées ;

  • les corrections apportées ;

  • les interactions significatives avec l’IA ;

  • la capacité à défendre le résultat ;

  • la capacité à l’adapter à une situation nouvelle.


Plusieurs modalités peuvent renforcer l’évaluation :

Le journal de conception

L’apprenant conserve les principales étapes de son travail, ses décisions et les modifications apportées.

La soutenance courte

Il explique son raisonnement, justifie ses choix et répond à une objection ou à une question imprévue.

L’analyse critique d’une réponse produite par l’IA

Il doit repérer les erreurs, les approximations, les biais ou les informations insuffisamment étayées.

La comparaison avant-après

L’apprenant produit d’abord une réponse personnelle, puis la confronte à celle de l’IA et explique ce qu’il conserve, corrige ou rejette.

La résolution commentée

Il ne présente pas seulement le résultat. Il explicite la méthode suivie et les critères mobilisés.

La modification imprévue

Après la remise du livrable, le formateur introduit une nouvelle contrainte. L’apprenant doit adapter sa proposition et justifier ses arbitrages.


Ces modalités ne cherchent pas à « piéger » l’utilisateur de l’IA.

Elles permettent de vérifier que l’apprenant reste capable de comprendre, décider et transférer ses acquis.


5. L’automatisation des tâches juniors pose un problème pédagogique


Le rapport Stanford observe qu’aux États-Unis, l’emploi des développeurs âgés de 22 à 25 ans a diminué de près de 20 % depuis 2024. Cette évolution apparaît dans des métiers fortement exposés à l’IA. Stanford relève également que les effets observés sur l’emploi restent inégaux et se concentrent notamment sur les recrutements et les travailleurs les plus jeunes.

Ce constat doit être interprété avec prudence.

Il ne prouve pas que l’IA est, à elle seule, responsable de cette baisse. Le marché de l’emploi dépend de nombreux facteurs économiques, organisationnels et sectoriels.

Mais ce signal pose une question pédagogique majeure.


Les tâches simples, répétitives et supervisées ne servent pas uniquement à produire, elles permettent aussi :

  • d’acquérir des automatismes ;

  • de comprendre les règles du métier ;

  • d’observer les conséquences d’une erreur ;

  • de recevoir des retours ;

  • de développer progressivement son jugement ;

  • de construire l’expérience nécessaire aux missions plus complexes.


Si ces tâches disparaissent ou sont confiées à l’IA, comment les débutants apprendront-ils ?

Comment devient-on expert lorsqu’on ne réalise plus les tâches qui permettaient autrefois de devenir junior compétent ?

Les fonctions académiques, les organismes de formation et les entreprises devront probablement repenser ensemble les parcours d’acquisition des compétences.

Cela suppose de :

  • déterminer les fondamentaux qui doivent rester maîtrisés sans assistance ;

  • créer des simulations lorsque les situations d’apprentissage disparaissent du travail réel ;

  • organiser une progression explicite de l’usage de l’IA ;

  • prévoir des temps de pratique sans délégation ;

  • renforcer l’analyse de cas, le mentorat et le retour d’expérience ;

  • apprendre à superviser l’IA sans renoncer à comprendre le travail supervisé.


Il est nécessaire de préserver les conditions qui permettent de construire une expertise durable.


Former avec l’IA sans déléguer l’apprentissage


Le rapport Stanford ne fournit pas une méthode pédagogique prête à appliquer. Il rassemble des données issues de nombreuses études et met en évidence plusieurs tendances.

Les propositions formulées ici, notamment le contrat pédagogique d’usage de l’IA, constituent une interprétation pédagogique de ces constats.


Mais une chose paraît claire : nous ne pouvons plus ajouter l’IA à nos formations sans revoir les activités, les consignes et les évaluations.


Chaque concepteur pédagogique devrait désormais pouvoir répondre à cinq questions :

  1. Quelle compétence cherchons-nous réellement à développer ?

  2. Quelle partie de l’activité peut être confiée à l’IA ?

  3. Quel effort l’apprenant doit-il encore fournir lui-même ?

  4. Comment devra-t-il vérifier et justifier le résultat ?

  5. Quelle preuve nous permettra d’affirmer qu’il a réellement appris ?


L’enjeu n’est pas de protéger artificiellement les anciennes pratiques. Il n’est pas davantage de confier à l’IA tout ce qu’elle sait produire. Il consiste à concevoir des apprentissages dans lesquels l’outil accélère certaines étapes sans confisquer le raisonnement, le discernement et la construction progressive de l’expertise.


Il s'agit de redéfinir ce que signifie apprendre dans un environnement où produire une réponse devient plus facile que la comprendre.


Sources

Commentaires

bottom of page