Chapitre 2 : Pourquoi l’IA semble comprendre ?

Illusion de raisonnement, dette cognitive et transformation des preuves d’apprentissage

Auteur·rice

Eloïse JOYEUX, INSA Lyon / ATENA

Date de publication

30 juin 2026

NoteTransparence éditoriale

Ce chapitre a été conçu, vérifié et éditorialisé sous la responsabilité intellectuelle de l’autrice. Des outils d’intelligence artificielle ont été mobilisés comme appui à la structuration, à la reformulation et à la mise en forme, sans se substituer aux choix scientifiques, pédagogiques et éditoriaux.

Question mobilisatrice
Pourquoi les IA génératives donnent-elles l’impression de comprendre, et comment concevoir des situations d’enseignement qui empêchent de confondre réponse plausible, performance visible et apprentissage réel ?

Mots-clés

IA générative LLM LMM Token Pattern matching IA symbolique Machine Learning Deep Learning Transformer Chain-of-Thought Raisonnement latent World Models Clever Hans Illusion de raisonnement Illusion de fluidité Anthropomorphisme Neuromythes Dette cognitive Dette épistémique Supervision critique Boîte de verre

Ce chapitre prolonge le chapitre 1 en vous aidant à :

  • passer de la question comment apprend-on ? à la question qu’est-ce qui donne l’illusion d’avoir compris ? ;
  • relier mémoire de travail, effort cognitif, prise de notes et externalisation à l’usage des IA génératives ;
  • comprendre pourquoi la fluidité d’une réponse peut désarmer la vigilance critique ;
  • distinguer fonctionnement statistique, raisonnement apparent et compréhension humaine ;
  • repérer les risques de dette cognitive et de dette épistémique ;
  • transformer les évaluations pour rendre visibles le raisonnement, la justification, la correction et le transfert.

Glossaire global du chapitre

Ce glossaire stabilise les notions centrales du chapitre 2. Il reprend les notions du chapitre 1 — activité cognitive, externalisation, désynchronisation, preuve d’apprentissage — pour les appliquer au cas spécifique des IA génératives.

Notion Définition courte Question pédagogique associée
Anthropomorphisme Attribution à l’IA de propriétés humaines : comprendre, vouloir, penser, apprendre comme un humain. Le vocabulaire utilisé brouille-t-il la différence entre machine et cognition humaine ?
Boîte de verre Évaluation qui rend visibles produit, processus, propos et transfert. Le raisonnement devient-il observable ?
Boîte noire Évaluation centrée sur le produit final, sans accès au processus. Que peut-on réellement inférer du livrable ?
Chain-of-Thought Production textuelle d’étapes de raisonnement par un modèle. Ces étapes sont-elles une preuve de raisonnement ou une rationalisation post-hoc ?
Clever Hans Effet par lequel un système semble raisonner alors qu’il réagit à des indices de surface. L’IA réussit-elle pour les bonnes raisons ?
Deep Learning Famille de modèles qui apprennent des représentations distribuées et hiérarchiques dans des espaces latents. Le modèle fonctionne-t-il sans que son cheminement soit explicable ?
Dette cognitive Coût différé d’une délégation excessive de l’effort de synthèse, de structuration ou de déduction. L’étudiant a-t-il produit vite au prix d’un apprentissage fragile ?
Dette épistémique Perte de maîtrise des raisons, sources, critères et fondements permettant de justifier une production. L’étudiant sait-il pourquoi la réponse est valide ?
Espace latent Représentation interne distribuée, abstraite et difficilement interprétable. Ce qui produit la réponse est-il visible et vérifiable ?
Expert fragile Étudiant ou professionnel capable de produire un livrable crédible mais incapable d’en justifier les fondements. Que se passe-t-il lorsque l’outil échoue ou que le contexte change ?
IA symbolique Approche historique de l’IA fondée sur des règles explicites et manipulables. Le raisonnement peut-il être retracé ?
Illusion de fluidité Confusion entre facilité de lecture, cohérence formelle et maîtrise réelle. Le texte semble-t-il fiable parce qu’il est bien formulé ?
Illusion de raisonnement Impression qu’un raisonnement valide a été produit alors que le processus peut être fragile, incomplet ou contourné. La réponse correcte masque-t-elle une fracture du raisonnement ?
Machine Learning Approche où le système apprend des régularités à partir de données plutôt que de règles programmées. La performance observable repose-t-elle sur une règle comprise ou sur une régularité apprise ?
Misconception Croyance erronée ou simplifiée, résistante à la simple correction informative. L’IA donne-t-elle une nouvelle légitimité à une idée fausse ?
Neuromythe Croyance pédagogique infondée ou simplifiée sur le cerveau et l’apprentissage. L’IA renforce-t-elle des catégories douteuses comme les styles d’apprentissage ?
Pattern matching Appariement de formes ou de régularités statistiques. La réponse vient-elle d’un raisonnement ou d’une reconnaissance de motifs ?
Raisonnement latent Hypothèse selon laquelle une partie du traitement des modèles se joue dans les états internes plutôt que dans les explications textuelles. La chaîne de pensée affichée est-elle fidèle au traitement réel ?
Supervision critique Capacité à piloter, vérifier, corriger et contextualiser une production IA. L’étudiant reprend-il la main sur le raisonnement ?
Token Unité de texte prédite par le modèle : caractère, morceau de mot, mot ou séquence. L’étudiant sait-il que le modèle prédit des formes plutôt qu’il ne comprend des concepts ?
Transformer Architecture fondée sur des mécanismes d’attention, centrale dans les grands modèles de langage contemporains. La cohérence du texte produit est-elle confondue avec une compréhension ?
World Models / JEPA Orientation de recherche visant à construire des représentations plus stables des dynamiques du réel. Le modèle dispose-t-il d’un ancrage causal ou seulement linguistique ?

Introduction

Le chapitre 1 a posé une distinction centrale : l’apprentissage ne se confond ni avec l’accès à une information, ni avec la production d’une trace visible. Un support clair, une prise de notes abondante, une fiche de synthèse ou un code fonctionnel ne suffisent pas à prouver que l’étudiant a réellement transformé l’information en savoir mobilisable. Ce chapitre 2 prolonge directement cette distinction en l’appliquant à l’intelligence artificielle générative.

L’IA générative amplifie en effet un problème déjà identifié : la possibilité de disposer d’une production propre, fluide et convaincante sans avoir traversé les opérations cognitives qui donnent à cette production sa valeur formative. Là où le chapitre 1 interrogeait la charge cognitive, la prise de notes, l’effet verbatim, les neuromythes et l’externalisation cognitive, ce chapitre analyse le niveau suivant : que se passe-t-il lorsque l’outil ne se contente plus de stocker ou reformuler l’information, mais produit à la place de l’étudiant les signes visibles du raisonnement ?

La difficulté ne tient pas seulement au fait que les IA puissent se tromper. Elle tient au fait qu’elles peuvent se tromper avec assurance, produire des explications plausibles, adopter les codes du discours académique, simuler des étapes logiques et donner l’impression d’une compréhension. Cette fluidité crée une tension pédagogique majeure : si la production devient facile, que reste-t-il à observer pour attester l’apprentissage ?

Centre de gravité du chapitre : comprendre pourquoi l’IA semble comprendre, puis transformer cette compréhension en critères pédagogiques : faire expliquer, justifier, corriger, transférer, superviser.

Continuité explicite avec le chapitre 1

Chapitre 1 Prolongement dans le chapitre 2
La mémoire de travail est limitée. L’IA peut réduire l’effort apparent, mais aussi supprimer des opérations utiles à l’apprentissage.
La prise de notes peut devenir verbatim. La génération IA peut devenir une forme de verbatim augmenté : une production propre sans retraitement personnel.
L’externalisation cognitive peut soutenir ou court-circuiter l’apprentissage. L’IA externalise non seulement le stockage, mais aussi la structuration, la synthèse et parfois le raisonnement apparent.
Une production visible ne prouve pas toujours une compréhension. Une réponse IA ou un devoir assisté peuvent rendre cette dissociation beaucoup plus difficile à repérer.
L’erreur est une trace de raisonnement. Les erreurs de l’IA peuvent devenir des supports d’analyse, de correction et de supervision critique.
Les neuromythes séduisent parce qu’ils simplifient l’apprentissage. Le vocabulaire de l’IA peut réactiver des conceptions erronées du cerveau, de l’intelligence et de la personnalisation.

Plan global du chapitre : trois mouvements

Mouvement Intention pédagogique Notions et sections concernées
1 : Comprendre l’illusion technique Comprendre pourquoi les modèles génératifs produisent une impression de compréhension sans fonctionner comme la cognition humaine. IA symbolique, Machine Learning, Deep Learning, Transformers, raisonnement latent, World Models.
2 : Déconstruire les illusions pédagogiques Repérer comment la fluidité, l’anthropomorphisme et les neuromythes brouillent les repères de l’apprentissage. Clever Hans, illusion de raisonnement, illusion de fluidité, misconceptions, neuromythes.
3 : Transformer les pratiques Réintroduire l’effort utile, rendre le processus visible et former à la supervision critique. Dette cognitive, dette épistémique, métacognition, boîte de verre, 3P/4P, transfert.

Carte de compréhension : du contenu disponible à la compréhension vérifiable

Mode d’emploi de la carte. Cette carte reprend le fil du chapitre 1 — disponibilité, production, apprentissage — et montre comment l’IA générative ajoute une couche d’illusion : elle peut produire les signes de la compréhension sans garantir l’activité cognitive correspondante.

flowchart TB
  A[Contenu disponible] --> B[Production visible]
  B --> C{Apprentissage construit ?}

  C -->|Oui| D[Explication]
  C -->|Oui| E[Justification]
  C -->|Oui| F[Correction]
  C -->|Oui| G[Transfert]

  C -->|Pas forcément| H[Illusion de compréhension]
  H --> I[Fluidité]
  H --> J[Cohérence apparente]
  H --> K[Ton assuré]
  H --> L[Chaîne de pensée textuelle]

  I --> M[Supervision critique]
  J --> M
  K --> M
  L --> M

  M --> N[Preuves d’apprentissage]
  N --> D
  N --> E
  N --> F
  N --> G

NoteFil directeur du chapitre

À l’ère de l’IA générative, produire ne suffit plus à prouver que l’on a compris. Il faut rendre observable le cheminement : ce que l’étudiant a vérifié, corrigé, rejeté, justifié et transféré.

Activité : Auto-test de sensibilisation

AstuceAvant de lire : vos représentations de l’IA

Pour chaque affirmation, répondez spontanément : plutôt vrai, plutôt faux, cela dépend, je ne sais pas.

Affirmation Votre réponse
Une IA qui explique clairement a probablement compris le sujet.
Une chaîne de pensée détaillée est une preuve de raisonnement.
Un devoir bien structuré atteste au moins d’une compréhension minimale.
Le risque principal de l’IA est de produire des erreurs factuelles.
L’IA peut aider les étudiants à apprendre si elle leur fait gagner du temps.
La personnalisation par IA permet naturellement de mieux respecter les profils d’apprentissage.
Un étudiant qui corrige une réponse IA apprend davantage qu’un étudiant qui l’utilise directement.
Une production IA doit être évaluée surtout sur sa qualité finale.
L’oral devient plus important pour vérifier la compréhension.
La compétence centrale est de savoir superviser l’IA plutôt que seulement l’utiliser.

À reprendre en fin de chapitre : quelles affirmations vous semblent désormais trop simples ? Pourquoi ?

1 — De l’IA symbolique à la fluidité générative : pourquoi la performance devient opaque

🟢 Essentiel 🔵 Approfondissement

Dans cette section, vous allez :

Comprendre Repérer Agir
Pourquoi l’IA est passée d’un raisonnement explicite à une performance statistique opaque. Les situations où un résultat correct ne permet plus d’inférer un raisonnement transparent. Faire expliciter aux étudiants ce qui relève du résultat, de la méthode et de la justification.

Situation ESR

En algorithmique, un étudiant obtient un code fonctionnel grâce à une IA. Le programme tourne, le résultat est conforme, le rapport est clair. Mais lorsque l’enseignant demande d’expliquer la logique de la boucle ou d’adapter le code à une contrainte légèrement différente, l’étudiant hésite. La performance existe, mais la compréhension reste incertaine.

De l’explicabilité symbolique à l’opacité statistique

Les premières approches de l’intelligence artificielle reposaient sur une idée relativement intuitive : être intelligent consistait à raisonner explicitement à partir de règles. L’IA symbolique visait à manipuler des symboles selon des règles formelles. Son avantage était l’explicabilité : on pouvait, au moins en principe, retracer le cheminement.

Cette approche s’est cependant heurtée à une limite fondamentale : le réel résiste à la formalisation exhaustive. Les situations humaines, les ambiguïtés du langage, les exceptions ordinaires et les contextes implicites sont difficiles à encoder sous forme de règles complètes. Le Machine Learning déplace alors le centre de gravité : au lieu de programmer toutes les règles, le système apprend des régularités à partir des données.

Avec le Deep Learning, cette évolution s’intensifie. Les réseaux profonds apprennent des représentations distribuées dans des espaces latents complexes. La performance augmente, mais l’explicabilité diminue. Le système fonctionne, parfois très bien, sans que le cheminement soit directement lisible. Pour les enseignants, ce déplacement est décisif : la réussite observable ne garantit plus la transparence du processus.

Les modèles génératifs : cohérence textuelle et illusion de compréhension

Les modèles génératifs contemporains, notamment ceux fondés sur l’architecture Transformer, produisent des réponses en exploitant des régularités statistiques apprises sur de vastes corpus. Leur force est de générer un langage fluide, adapté au contexte, souvent structuré et convaincant. Cette force crée aussi leur ambiguïté pédagogique.

Une réponse bien écrite active chez le lecteur des indices habituellement associés à la compréhension : précision du vocabulaire, organisation logique, ton assuré, capacité à enchaîner des arguments. Pourtant, ces indices ne suffisent pas à prouver une compréhension conceptuelle. Le modèle ne comprend pas une règle comme un sujet humain ; il estime des formes probables dans un contexte donné.

Cette distinction prolonge directement le chapitre 1 : une information disponible ou une production visible ne suffit pas à prouver l’apprentissage. L’IA rend cette dissociation plus spectaculaire, car elle produit non seulement le contenu, mais aussi les apparences du raisonnement.

🟢 Essentiel : résultat correct ≠ raisonnement transparent

Ce que l’on observe Ce que l’on ne peut pas encore conclure
Le texte est fluide. L’étudiant ou l’IA comprend le concept.
Le code fonctionne. La logique algorithmique est maîtrisée.
La démonstration semble cohérente. Le cheminement est valide.
Le plan est structuré. Les critères de hiérarchisation sont compris.
Le vocabulaire est expert. L’expertise est réellement construite.

Point de vigilance : la qualité formelle du résultat devient un indice de plus en plus faible si elle n’est pas accompagnée d’une demande d’explicitation.

Carte : évolution de l’IA et déplacement pédagogique

flowchart TD
  A[IA symbolique] --> B[Règles explicites]
  B --> C[Cheminement traçable]
  C --> D[Limite : réel difficile à formaliser]

  D --> E[Machine Learning]
  E --> F[Régularités statistiques]
  F --> G[Performance empirique]

  G --> H[Deep Learning]
  H --> I[Espaces latents opaques]
  I --> J[Résultat performant mais processus difficile à expliquer]

  J --> K[IA générative]
  K --> L[Fluidité textuelle]
  L --> M[Illusion possible de compréhension]
  M --> N[Besoin pédagogique : rendre le raisonnement observable]

🔵 Approfondissement : Chain-of-Thought et raisonnement latent

Les chaînes de pensée textuelles donnent l’impression que le raisonnement du modèle devient visible. Pourtant, les ressources mobilisées soulignent que ces traces peuvent être des rationalisations post-hoc plutôt qu’une représentation fidèle des mécanismes internes. Cette prudence est importante pédagogiquement : demander à une IA de détailler ses étapes ne suffit pas à garantir que ces étapes correspondent au processus réel ayant produit la réponse.

Les recherches sur le raisonnement latent, les dynamiques internes des modèles et les World Models rappellent que le débat scientifique reste ouvert. Il ne s’agit donc pas d’affirmer que les modèles ne font “que” répéter, ni de leur attribuer une compréhension humaine. L’enjeu pédagogique est plus précis : ne pas confondre un texte explicatif avec une preuve de compréhension.

2 — Quand l’IA brouille les repères de l’apprentissage

🟢 Essentiel 🟡 Recommandé 🔵 Approfondissement

Dans cette section, vous allez :

Comprendre Repérer Agir
Comment la performance peut masquer une fracture du raisonnement. Les indices de Clever Hans, d’illusion de fluidité et d’anthropomorphisme. Concevoir des tâches qui obligent à tester le cheminement plutôt que le résultat seul.

Situation ESR

En thermodynamique, une IA produit une démonstration étape par étape. Le texte semble cohérent et convaincant. Mais une hypothèse physique est absurde. Si les étudiants ne disposent pas des critères conceptuels pour repérer l’erreur, la fluidité du texte peut renforcer une fausse compréhension au lieu de la corriger.

Le modèle Clever Hans : réussir pour les mauvaises raisons

Le phénomène Clever Hans désigne une situation où un sujet semble manifester une compétence alors qu’il réagit en réalité à des indices superficiels. Appliqué aux IA génératives, ce modèle aide à comprendre une tension centrale : un système peut produire une réponse correcte sans avoir suivi le chemin logique attendu.

Les travaux mobilisés autour de VisAidMath et des limites de généralisation des modèles montrent que des changements de forme, de symboles ou de contexte peuvent faire chuter la performance. Ce point est pédagogiquement essentiel : si une réponse correcte dépend d’indices de surface, elle ne prouve pas un raisonnement transférable.

Pour les étudiants, le risque est double. Ils peuvent attribuer à l’IA une compréhension qu’elle n’a pas nécessairement. Ils peuvent aussi s’approprier une réponse sans avoir construit les schèmes nécessaires pour l’expliquer, la corriger ou la transférer.

Illusion de raisonnement : quand la réponse finale fait écran

L’illusion de raisonnement apparaît lorsque la justesse apparente du résultat masque un processus incomplet, fragile ou contourné. Ma et al. distinguent l’exactitude du résultat final, la validité globale du processus et la robustesse détaillée du raisonnement. Cette distinction rejoint directement la problématique du chapitre 1 : la production visible ne suffit pas ; il faut observer le traitement cognitif.

En contexte éducatif, cette distinction transforme l’évaluation. Un étudiant peut rendre une synthèse bien structurée ou une résolution correcte sans avoir construit les connaissances correspondantes. Une IA peut produire une démonstration plausible sans suivre le chemin attendu. Dans les deux cas, le résultat final devient un écran.

Anthropomorphisme et neuromythes : l’IA comme nouveau langage d’anciennes croyances

L’IA ne crée pas seulement de nouvelles ambiguïtés. Elle peut aussi renforcer d’anciennes conceptions erronées du cerveau, de l’intelligence et de l’apprentissage. Les expressions comme “réseau de neurones”, “mémoire”, “compréhension”, “apprentissage” ou “raisonnement” peuvent favoriser une confusion entre traitement statistique et cognition humaine.

Cette confusion réactive les mécanismes déjà analysés dans le chapitre 1 à propos des neuromythes. Une technologie complexe, un vocabulaire scientifique et une promesse d’efficacité peuvent donner une apparence de légitimité à des croyances fragiles. C’est particulièrement sensible dans les discours sur la personnalisation : l’IA peut être présentée comme capable d’adapter automatiquement les contenus à des profils d’apprenants fixes, alors même que certaines catégories populaires, comme les styles d’apprentissage, relèvent de neuromythes persistants.

Le problème n’est donc pas seulement que l’IA soit mal utilisée. C’est qu’elle peut rendre plus crédibles des modèles simplistes de l’apprentissage.

🟢 Essentiel : quatre confusions à éviter

Confusion Pourquoi elle est problématique Formulation plus rigoureuse
Fluidité = vérité Un texte bien écrit peut être faux ou incomplet. La fluidité doit être vérifiée.
Chaîne de pensée = raisonnement réel Les étapes affichées peuvent être une rationalisation. Le cheminement doit être testé.
Réponse correcte = compréhension Le résultat peut masquer une démarche fragile. La compréhension se vérifie par justification et transfert.
Personnalisation IA = pédagogie adaptée L’adaptation automatique peut réactiver des neuromythes. L’adaptation doit reposer sur des besoins observables et des objectifs explicites.

Carte : de la fluidité à l’illusion de compétence

flowchart TD
  A[Réponse IA fluide] --> B[Cohérence apparente]
  B --> C[Ton assuré]
  C --> D[Vocabulaire expert]
  D --> E[Impression de compréhension]

  E --> F{Vérification du processus ?}
  F -->|Non| G[Illusion de raisonnement]
  F -->|Oui| H[Analyse critique]

  G --> I[Production acceptée trop vite]
  I --> J[Dette cognitive possible]

  H --> K[Correction]
  H --> L[Justification]
  H --> M[Transfert]
  K --> N[Apprentissage plus robuste]
  L --> N
  M --> N

🟡 Recommandé : activité “trouver le point de rupture”

AstuceActivité pédagogique

Fournissez aux étudiants une réponse IA apparemment solide, mais contenant une erreur conceptuelle, une hypothèse absurde, une généralisation abusive ou un raisonnement incomplet.

Demandez-leur de répondre à quatre questions :

Question Intention cognitive
Où le texte paraît-il crédible ? Identifier les indices de fluidité.
Où le raisonnement commence-t-il à se fragiliser ? Localiser le point de rupture.
Quelle connaissance disciplinaire permet de le voir ? Réactiver les concepts.
Comment corriger sans simplement remplacer par une autre réponse IA ? Reconstruire un raisonnement.

🔵 Approfondissement : misconceptions et post-vérité

Les misconceptions ne sont pas de simples lacunes. Elles sont souvent robustes, parce qu’elles donnent une forme simple, intuitive et disponible à des phénomènes complexes. Dans un contexte de post-vérité, où la frontière entre fait, opinion et croyance peut être brouillée, l’IA ajoute un effet d’autorité : elle produit rapidement une réponse plausible, formulée dans un style expert.

Cette situation rend nécessaire un travail explicite d’éducation à la vigilance épistémique : distinguer source, forme, preuve, raisonnement, consensus scientifique et hypothèse. L’enjeu n’est pas seulement d’apprendre à “vérifier l’IA”, mais d’apprendre à ne pas confondre crédibilité discursive et validité du savoir.

3 — Que reste-t-il à apprendre lorsque l’on peut produire sans comprendre ?

🟢 Essentiel 🟡 Recommandé 🔵 Approfondissement

Dans cette section, vous allez :

Comprendre Repérer Agir
Pourquoi l’IA peut améliorer la performance visible sans garantir l’apprentissage. Les situations de dette cognitive, de dette épistémique et d’expertise fragile. Réintroduire l’effort utile, la métacognition et l’évaluation du processus.

Situation ESR

Dans un projet Python, un étudiant utilise l’IA pour générer le code, corriger les erreurs, rédiger la documentation et expliquer le fonctionnement. Le livrable est complet. Mais lorsqu’on lui demande de modifier une contrainte, de corriger un bug ou de justifier un choix d’architecture, il ne sait pas reprendre la main. Le résultat était performant ; l’apprentissage, lui, reste fragile.

Externalisation cognitive et dette cognitive

Le chapitre 1 a montré que l’externalisation cognitive n’est pas mauvaise en soi. Un support de cours, une prise de notes, une carte mentale ou un outil numérique peuvent soutenir l’apprentissage. Mais l’IA introduit une rupture : elle ne se contente plus d’externaliser le stockage de l’information ; elle externalise aussi la structuration, la reformulation, la planification, la synthèse et parfois les signes visibles du raisonnement.

Lorsque cette délégation remplace systématiquement l’effort de traitement, elle peut produire une dette cognitive. L’étudiant gagne du temps à court terme, mais perd des occasions de construire les schèmes qui lui permettraient ensuite d’expliquer, corriger et transférer. L’aide devient problématique lorsqu’elle supprime précisément les difficultés qui avaient une valeur formative.

Performance sans effort et expertise fragile

La distinction entre performance et apprentissage devient ici centrale. Une performance est un résultat immédiat et observable. Un apprentissage est une transformation durable, qui permet de réutiliser un savoir dans un contexte nouveau. Avec l’IA générative, l’écart entre les deux peut s’élargir : l’étudiant peut produire une performance de haut niveau sans avoir construit l’apprentissage correspondant.

C’est ce qui conduit à la figure de l’expert fragile : une personne capable de présenter une solution crédible, mais dépendante de l’outil pour en reconstruire les fondements. Cette fragilité apparaît lorsque le contexte change, lorsqu’une erreur survient, lorsqu’un arbitrage est nécessaire ou lorsqu’il faut expliquer les limites du résultat.

Réintroduire l’effort utile

La réponse pédagogique ne consiste pas à interdire systématiquement l’IA. Elle consiste à réintroduire de l’effort là où cet effort est formateur. Cet effort n’est pas une difficulté punitive. Il s’agit d’une friction cognitive courte, ciblée, proportionnée et orientée vers la consolidation.

Quelques exemples : produire une première hypothèse avant d’utiliser l’IA ; comparer deux réponses ; corriger une réponse volontairement imparfaite ; expliquer ce que l’on accepte ou rejette ; transférer une solution à un cas voisin ; défendre oralement un choix.

Cette logique prolonge les notions du chapitre 1 : mémoire de travail, activité cognitive, métacognition, erreur féconde et pédagogie explicite. L’objectif n’est pas de rendre la tâche plus lourde, mais de préserver ce qui fait apprendre.

🟢 Essentiel : cerveau d’abord, IA ensuite

Séquence Consigne possible Fonction pédagogique
Avant IA Écrire une première hypothèse, même incomplète. Activer les connaissances et situer l’obstacle.
Avec IA Demander une comparaison, une objection ou une reformulation. Utiliser l’outil comme mise à l’épreuve.
Après IA Reformuler sans copier, justifier, transférer. Vérifier l’appropriation réelle.
Sans IA à nouveau Résoudre une variation courte. Tester la robustesse.

Carte : de la production assistée à l’apprentissage robuste

flowchart TD
  A[Tâche avec IA] --> B{L’étudiant produit-il d’abord ?}
  B -->|Non| C[Réponse IA directe]
  C --> D[Production fluide]
  D --> E[Apprentissage incertain]

  B -->|Oui| F[Hypothèse personnelle]
  F --> G[Comparaison avec IA]
  G --> H[Correction et justification]
  H --> I[Transfert]
  I --> J[Apprentissage plus robuste]

  E --> K{Évaluation du processus ?}
  K -->|Non| L[Boîte noire]
  K -->|Oui| M[Boîte de verre]
  M --> H

🟡 Recommandé : stratégie 3P

La stratégie Produit / Processus / Propos permet de ne plus limiter l’évaluation au livrable final.

Dimension Question Exemple de trace
Produit Qu’est-ce qui est rendu ? Rapport, code, synthèse, solution.
Processus Comment cela a-t-il été construit ? Brouillon, journal, versions, prompts, corrections.
Propos L’étudiant sait-il expliquer et justifier ? Oral court, note réflexive, défense des choix.

Extension possible : ajouter le transfert. Une compétence devient robuste lorsque l’étudiant peut adapter ce qu’il a produit à une situation nouvelle.

🔵 Approfondissement : l’IA comme miroir cognitif

L’IA peut devenir un miroir cognitif lorsqu’elle est utilisée pour faire apparaître les limites d’un raisonnement. Dans cette configuration, elle ne sert pas à fournir directement la réponse, mais à créer une situation d’analyse : réponse imparfaite à corriger, raisonnement à auditer, hypothèse à discuter, analogie à tester.

Cette posture transforme le rôle de l’étudiant. Il n’est plus seulement utilisateur ou consommateur d’une réponse. Il devient superviseur critique : il examine la validité, les limites et les conditions de production du savoir.

Carte d’aide à la décision pédagogique

🟢 Essentiel

Objectif : décider comment encadrer l’usage de l’IA selon la valeur cognitive de la tâche.

flowchart TD
  A[Une tâche peut être réalisée avec l’IA] --> B{Quelle opération cognitive vise-t-on ?}

  B --> C[Comprendre]
  B --> D[Comparer]
  B --> E[Justifier]
  B --> F[Transférer]
  B --> G[Mettre en forme]

  C --> H[Préserver une phase sans IA]
  D --> I[Autoriser IA comme ressource à discuter]
  E --> J[Exiger une trace de raisonnement]
  F --> K[Tester un cas nouveau]
  G --> L[Autoriser avec vigilance faible]

  H --> M[Évaluation du processus]
  I --> M
  J --> M
  K --> M
  L --> N[Évaluation du produit possible]

  M --> O[Boîte de verre]
  N --> P[Boîte noire acceptable seulement si l’enjeu cognitif est faible]

Règle simple : plus la tâche est proche du cœur de l’apprentissage visé, plus l’usage de l’IA doit être précédé d’un effort autonome, accompagné d’une trace de processus et suivi d’une justification.

Étude de cas : transformer une évaluation de rapport assisté par IA

Situation initiale

Les étudiants doivent produire un rapport d’analyse sur un problème technique. L’IA est autorisée, mais aucune trace d’usage n’est demandée. Les rapports sont mieux rédigés qu’auparavant, plus homogènes et plus fluides. Pourtant, l’enseignant ne sait plus ce qui relève de la compréhension réelle des étudiants.

Diagnostic

Problème Effet pédagogique
Le rapport est évalué comme produit final. Risque de boîte noire.
L’usage de l’IA est invisible. Impossible d’identifier la part de supervision.
Les étudiants ne justifient pas leurs choix. La compétence reste inférée, non observée.
Aucune variation de contexte n’est demandée. Le transfert n’est pas testé.

Transformation proposée

Avant Après
Rapport final noté seul. Rapport + note de processus + oral court.
IA autorisée sans trace. IA autorisée avec description des usages.
Correction centrée sur la forme et la complétude. Correction centrée sur validité, justification, limites.
Une seule situation traitée. Variation courte pour tester le transfert.

Consigne possible
Vous pouvez utiliser une IA pour explorer des pistes, reformuler ou comparer des solutions. Vous devez cependant produire une première hypothèse personnelle avant usage, documenter ce que l’IA a apporté, indiquer ce que vous avez vérifié, expliquer ce que vous avez rejeté et justifier votre solution finale lors d’un échange oral court.

Grille d’évaluation rapide

Critère Insuffisant Satisfaisant Très solide
Produit Livrable incomplet ou non fiable. Livrable cohérent. Livrable cohérent, situé et limité.
Processus Usage IA invisible ou non réfléchi. Usage IA déclaré. Usage IA documenté, vérifié et discuté.
Propos L’étudiant ne sait pas expliquer. Explication partielle. Justification claire des choix et limites.
Correction Accepte la sortie IA. Corrige quelques erreurs. Identifie les points de rupture et reconstruit le raisonnement.
Transfert Incapacité à adapter. Adaptation guidée. Adaptation autonome à une contrainte nouvelle.

Fiche action : ce que je peux faire dès demain

Intention Action simple Effet attendu
Préserver l’engagement initial Demander une hypothèse personnelle avant l’IA. Éviter la délégation immédiate.
Déjouer la fluidité Faire annoter une réponse IA : fiable / douteux / à vérifier. Réactiver la vigilance critique.
Rendre visible le processus Demander “ce que j’ai gardé / modifié / rejeté”. Identifier la supervision réelle.
Tester la compréhension Poser une variation courte à l’oral. Vérifier le transfert.
Utiliser l’erreur Fournir une réponse IA imparfaite à corriger. Transformer l’IA en miroir cognitif.
Lutter contre les neuromythes Interdire les justifications par “style d’apprentissage” sans preuve. Renforcer la rigueur pédagogique.
Déplacer l’évaluation Ajouter un critère de justification ou de processus. Réduire la dépendance au produit final.

Auto-positionnement final

AstuceSe situer après le chapitre

Répondez de 1 à 4 : 1 = pas du tout, 2 = rarement, 3 = souvent, 4 = systématiquement.

Question 1 2 3 4
Je distingue explicitement production visible et apprentissage réel.
J’explique aux étudiants le fonctionnement probabiliste des IA génératives.
Je limite les formulations anthropomorphiques du type “l’IA comprend”.
Je demande une trace du processus quand l’IA est autorisée.
Je prévois une phase de réflexion personnelle avant l’usage de l’IA.
J’utilise des réponses IA imparfaites comme supports d’analyse.
J’évalue la justification et le transfert, pas seulement le livrable.
Je repère les situations où l’IA peut renforcer des neuromythes.
Je transforme les erreurs en traces de raisonnement.
Je conçois mes évaluations comme des boîtes de verre plutôt que des boîtes noires.

Analyse de votre positionnement

Additionnez vos réponses pour obtenir un score global sur 40.

Score total Lecture possible Point de vigilance
10 à 18 L’usage pédagogique de l’IA reste surtout centré sur le produit ou sur l’outil. Le risque principal est de confondre une production réussie avec un apprentissage réel.
19 à 28 Vous avez déjà identifié plusieurs enjeux critiques, mais ils ne sont pas encore systématiquement traduits dans vos consignes ou évaluations. Le passage à l’action peut être consolidé par des traces de processus, des moments sans IA et des questions de justification.
29 à 35 Votre pratique commence à intégrer une logique de supervision critique. L’enjeu est maintenant de stabiliser ces pratiques dans vos scénarios, vos critères d’évaluation et vos échanges avec les étudiants.
36 à 40 Votre approche est fortement alignée avec une pédagogie de la “boîte de verre”. Le point de vigilance devient la soutenabilité : comment maintenir ces exigences sans alourdir excessivement l’évaluation ?

Lecture par dimensions

Vous pouvez aussi relire vos réponses par grands axes.

Dimension Questions concernées Ce que cela permet d’observer
Compréhension du fonctionnement de l’IA 2, 3 Votre capacité à expliciter la différence entre traitement statistique, langage fluide et compréhension humaine.
Préservation de l’effort cognitif 1, 5, 9 Votre attention aux moments où l’étudiant doit encore chercher, hésiter, formuler, corriger et structurer par lui-même.
Supervision critique de l’IA 4, 6, 10 Votre capacité à transformer l’IA en objet d’analyse plutôt qu’en simple outil de production.
Évaluation de l’apprentissage réel 7, 10 Votre manière de rendre visibles les processus cognitifs, les justifications et le transfert.
Vigilance épistémique et neuromythes 3, 8 Votre capacité à éviter les formulations ou usages qui renforcent des croyances erronées sur le cerveau, l’intelligence ou l’apprentissage.

Interprétation pédagogique

Un score élevé ne signifie pas qu’il faut complexifier toutes les activités ou tout évaluer à l’oral. Il indique plutôt que vous accordez une place importante à ce qui devient décisif avec l’IA : la capacité de l’étudiant à expliquer, vérifier, corriger, transférer et assumer une production.

À l’inverse, un score faible ne signifie pas que vos pratiques sont inadaptées. Il signale surtout que certaines dimensions restent probablement implicites. Or, avec l’IA générative, ce qui reste implicite devient fragile : l’effort cognitif peut être contourné, le raisonnement peut être masqué par la fluidité du rendu, et la compétence peut être confondue avec la qualité apparente du livrable.

L’objectif n’est donc pas d’interdire l’IA, mais de mieux organiser les conditions dans lesquelles elle peut soutenir l’apprentissage sans remplacer les opérations mentales formatrices.

Pour passer à l’action

Choisissez une seule question pour laquelle vous avez répondu 1 ou 2.

Transformez-la en micro-ajustement pédagogique pour votre prochain cours.

Si votre point faible est… Ajustement simple possible
La distinction entre production et apprentissage Ajouter une question : “Qu’avez-vous compris que vous ne saviez pas faire avant ?”
L’explication du fonctionnement des IA Prévoir cinq minutes pour rappeler qu’un LLM prédit des formes linguistiques probables, sans comprendre comme un humain.
La trace du processus Demander une courte note : “ce que j’ai demandé à l’IA / ce que j’ai gardé / ce que j’ai rejeté / ce que j’ai vérifié”.
La réflexion avant IA Imposer un brouillon individuel ou une hypothèse initiale avant toute consultation de l’outil.
L’analyse critique de réponses IA Donner une réponse générée volontairement imparfaite et demander aux étudiants d’identifier le point de rupture.
L’évaluation du transfert Modifier une variable du problème et demander à l’étudiant d’adapter sa réponse.
La vigilance sur les neuromythes Repérer une formulation du type “l’IA comprend”, “l’IA apprend comme un cerveau”, “adapté au profil visuel/auditif” et la reformuler.
La boîte de verre Ajouter un critère d’évaluation sur la justification, le processus ou la reprise critique.

À retenir

Ce positionnement ne mesure pas votre niveau de maîtrise technique de l’IA. Il mesure plutôt votre capacité à maintenir visibles les conditions de l’apprentissage : effort utile, raisonnement, explicitation, vérification, transfert et responsabilité.

Dans un contexte où l’IA peut produire vite et bien, la question centrale devient : qu’est-ce que l’étudiant a réellement construit, compris et rendu transférable ?

Conclusion

L’IA générative ne rend pas l’apprentissage obsolète. Elle rend au contraire plus visible ce qui ne peut pas être réduit à la simple production de réponses plausibles : comprendre, justifier, corriger, transférer, arbitrer et assumer.

Le chapitre 1 montrait que l’apprentissage suppose un traitement actif, une gestion de la charge cognitive, une consolidation et une métacognition. Le chapitre 2 montre que l’IA peut brouiller ces repères en produisant des traces de raisonnement sans garantir le raisonnement lui-même. La réponse pédagogique n’est donc pas d’opposer usage et non-usage de l’IA, mais d’organiser les conditions d’un usage qui maintient l’activité cognitive.

Dans un monde où produire devient facile, l’enseignement supérieur ne peut plus s’appuyer uniquement sur le livrable final. Il doit rendre visible le processus, interroger les critères de validité, réintroduire l’effort utile, former à la vigilance épistémique et évaluer la robustesse.

Former à l’ère de l’IA, ce n’est pas seulement apprendre à mieux utiliser un outil. C’est apprendre à ne pas confondre fluidité et compréhension, performance et apprentissage, réponse plausible et savoir construit.

Bibliographie indicative

Cette bibliographie reprend exclusivement les références présentes dans les ressources fournies pour le chapitre 2 et les références de continuité mobilisées dans le chapitre 1 lorsque les notions sont explicitement prolongées.

Continuité avec le chapitre 1 : apprentissage, charge cognitive, prise de notes, métacognition

  • Baddeley, A. D. (1996). Exploring the central executive. Quarterly Journal of Experimental Psychology, 49A(1), 5–28.
  • Baddeley, A. D. (2000). The episodic buffer: A new component of working memory? Trends in Cognitive Sciences, 4(11), 417–423.
  • Beveridge, L., & Scott, G. G. (2025). AI for good in HE? Leveraging AI and GenAI for note-taking. Journal of Inclusive Practice in Further and Higher Education.
  • Mueller, P. A., & Oppenheimer, D. M. (2014). The pen is mightier than the keyboard: Advantages of longhand over laptop note taking. Psychological Science, 25(6), 1159–1168.
  • Piolat, A., Olive, T., & Kellogg, R. T. (2005). Cognitive effort during note taking. Applied Cognitive Psychology, 19(3), 291–312.
  • Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
  • Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70.

Fonctionnement des modèles, opacité et illusion de compréhension

  • Arcuschin, I., Janiak, J., et al. (2025). Chain-of-thought reasoning in the wild is not always faithful. arXiv preprint arXiv:2503.08679.
  • Beger, C., Yi, R., et al., & Mitchell, M. (2026). Do AI models perform human-like abstract reasoning across modalities? arXiv preprint arXiv:2510.02125v4.
  • Belcamino, V., Attolino, N., Capitanelli, A., & Mastrogiovanni, F. (2025). On the generalization gap in LLM planning: Tests and verifier-reward RL. arXiv preprint arXiv:2601.14456v1.
  • Bender, E. M., Gebru, T., et al. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT), 610–623.
  • Bricken, T., Templeton, A., et al. (2023). Towards monosemanticity: Decomposing language models with dictionary learning. Transformer Circuits Thread.
  • Chollet, F. (2019). On the measure of intelligence. arXiv preprint arXiv:1911.01547.
  • Chollet, F., Knoop, M., et al. (2026). ARC Prize 2025: Technical Report. arXiv preprint arXiv:2601.10904.
  • Havlík, V. (2025). Why are LLMs’ abilities emergent? arXiv preprint arXiv:2508.04401.
  • Helff, L., Härle, R., et al. (2026). ActivationReasoning: Logical reasoning in latent activation spaces. arXiv preprint arXiv:2510.18184v3.
  • Ma, J., Zhan, R., Li, Y., Sun, D., Chan, H. P., Chao, L. S., & Wong, D. F. (2025). VisAidMath: Benchmarking visual-aided mathematical reasoning. Proceedings of the 39th Conference on Neural Information Processing Systems (NeurIPS 2025, Workshop VLM4RWD). arXiv:2410.22995v2.
  • Mallat, S. (2016). Understanding deep convolutional networks. Philosophical Transactions of the Royal Society A, 374(2071).
  • Maes, L., Le Lidec, Q., et al., & LeCun, Y. (2026). LeWorldModel: Stable end-to-end joint-embedding predictive architecture from pixels. arXiv preprint arXiv:2603.19312.
  • Mitchell, M., & Krakauer, D. C. (2023). The debate over understanding in AI’s large language models. Proceedings of the National Academy of Sciences (PNAS), 120(13).
  • Shanahan, M., McDonell, K., & Reynolds, L. (2023). Role play with large language models. Nature, 623(7987), 493–498.
  • Stevenson, C. E., Pafford, A., et al., & Mitchell, M. (2026). Can large language models generalize analogy solving like children can? Transactions of the Association for Computational Linguistics (TACL), 14, 612–626.
  • Su, Z., Xia, P., Guo, H., Liu, Z., Ma, Y., Qu, X., Liu, J., Li, Y., Zeng, K., Yang, Z., et al. (2025). Thinking with images for multimodal reasoning: Foundations, methods, and future frontiers. arXiv preprint arXiv:2506.23918.
  • Tudor, A. R., Zeng, Y., Wang, H., Arias, J., & Gupta, G. (2025). Building trustworthy AI by addressing its 16+2 desiderata with goal-directed commonsense reasoning. arXiv preprint arXiv:2506.12667v2.
  • Vaswani, A., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems.
  • Wang, W. (2026). LLM reasoning is latent, not the chain of thought. arXiv preprint arXiv:2604.15726.

Anthropomorphisme, misconceptions et neuromythes

  • Aktaş, B. E., Temel, Z., & Kumova, F. (2025). The factual and ontological roots of psychological misconceptions: A study on university students in İstanbul.
  • Corbett, B., & Tangen, J. M. (2025). AI tutors vs. tenacious myths: Evidence from personalised dialogue interventions in education. Computers in Human Behavior.
  • Korkos, Y. O. (2023). Post-truth era in the modern world: Origins and causes [ЕПОХА ПОСТПРАВДИ У СУЧАСНОМУ СВІТІ: ВИТОКИ ТА ПРИЧИНИ].
  • Liang, Y., Wilson, C., & Yuile, A. L. (2025). Folk theories of language and the brain: Public beliefs about speech, bilingualism, and neural function. Preprint.
  • Lilienfeld, S. O., Lynn, S. J., Ruscio, J., & Beyerstein, B. L. (2010). 50 great myths of popular psychology: Shattering widespread myths and misconceptions about human behavior. Wiley-Blackwell.
  • Tunga, Y., Celik, B., & Cagiltay, K. (2025). Educational myths among teachers: Prevalence and refutational intervention for belief change. Humanities and Social Sciences Communications, 12(1). https://doi.org/10.1057/s41599-025-05470-y

Dette cognitive, apprentissage, évaluation et supervision critique

  • Achuthan, K. (2025). Artificial intelligence and learner autonomy: A meta-analysis of self-regulated and self-directed learning. Frontiers in Education, 10, 1738751. https://doi.org/10.3389/feduc.2025.1738751
  • Codère, M., & Erny, E. (2025). L’évaluation des compétences avec l’IA. Communication présentée au colloque ROC 2025.
  • Djieufack, E. B., & Paquelin, D. (2025). Agentivité étudiante à l’ère des outils d’IA générative : nouvelles perspectives d’autonomisation aux cycles supérieurs. Actes du colloque ROC 2025, 71–74.
  • Duplice, J. (2025). Generation and L2 vocabulary learning: A classroom action study on the efficacy of the generation desirable difficulty in learning L2 vocabulary. Vocabulary Learning and Instruction, 14(1), 102482.
  • Fan, Y., et al. (2024). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530.
  • Goldmeier, G., & Mota, R. (2026). Metacognition and pedagogy in the era of artificial intelligence. Qeios.
  • Hadwin, A. F., Järvelä, S., & Miller, M. (2023). Self-regulated learning in the digital era. Computers in Human Behavior, 142, 107678.
  • Kosmyna, N., Hauptmann, E., et al., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv preprint arXiv:2506.08872.
  • Kumar, S., et al. (2026). Fluency illusion: A review on influence of ChatGPT in classroom settings. Information, 17(3), 299.
  • Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education. University of Technology Sydney.
  • Maynard, A. D. (2026). The AI Cognitive Trojan Horse: How large language models may bypass human epistemic vigilance. arXiv preprint arXiv:2601.07085.
  • Nathaniel, J., et al. (2026). An experimental study of structured generative AI integration to mitigate pedagogical, cognitive, and ethical barriers in programming education. Frontiers in Computer Science, 8, 1789829.
  • Roediger, H. L., & Butler, A. C. (2011). The critical role of retrieval practice in long-term retention. Trends in Cognitive Sciences, 15(1), 20–27.
  • Sankaranarayanan, S. (2026). Mitigating “epistemic debt” in generative AI-scaffolded novice programming using metacognitive scripts. In Proceedings of the 13th ACM Conference on Learning at Scale (L@S ’26). ACM.
  • Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199.
  • Tomisu, H., et al. (2025). The cognitive mirror: A framework for AI-powered metacognition and self-regulated learning. Frontiers in Education, 10, 1697554.
  • Viana, et al. (2026). Fluency illusion in AI-mediated learning. Information, 17(3), 299.
  • Yan, L., et al. (2025). Distinguishing performance gains from learning when using generative AI. Nature Reviews Psychology, 4(7), 435–436.
  • Webjeje (2025). L’intelligence artificielle dans l’éducation : État des lieux technique, éthique et pédagogique à l’horizon 2026. https://webjeje.eu/