Le Paradoxe éducatif de l’IA : Volume 2 - Garder la maîtrise à l’ère de l’IA
Préface
Volume 2 - Données, infrastructures et travail : garder la maîtrise des usages de l’IA
Dans le premier volume, nous avons regardé l’intelligence artificielle générative depuis l’activité d’apprentissage. Que se passe-t-il lorsque produire devient plus facile ? Que devient l’effort nécessaire pour apprendre ?
Comment distinguer une réponse convaincante d’une compréhension réelle ? Comment préserver la mémoire, le raisonnement, la métacognition, la capacité à justifier et, plus largement, l’autonomie de celui qui apprend ? Ces questions restent ouvertes. Mais elles ne suffisent plus.
Une interaction avec une intelligence artificielle n’a jamais lieu dans le vide. Lorsque nous rédigeons une requête, transmettons un document, demandons une analyse, prescrivons un outil à des étudiants ou intégrons un assistant dans une activité professionnelle, nous ne mobilisons pas seulement un artefact cognitif.
Nous faisons circuler des informations et choisissons un environnement technique. Ces choix distribuent des responsabilités et créent certaines dépendances. Ils transforment progressivement le travail. Le changement de focale de ce deuxième volume part de là.
Le Volume 1 demandait principalement :
Que fait l’usage de l’IA à notre manière d’apprendre, de comprendre et de juger ?
Le Volume 2 ajoute une autre question :
Dans quelles conditions techniques, informationnelles, économiques et professionnelles les usages de l’IA restent-ils compatibles avec les missions de l’enseignement supérieur ?
Cette question paraît moins visible que celle du prompt, de la qualité des réponses ou des performances des modèles. Elle est pourtant décisive. Une interface peut être simple sans que l’infrastructure qui la rend possible le soit. Une réponse peut être utile tout en exigeant la transmission d’informations que nous n’aurions pas dû confier à cet environnement.
Un service peut être performant sans être soutenable pour une institution. Un outil peut être gratuit sans être sans coût. Une tâche peut être automatisée sans que le travail correspondant disparaisse.
Et la présence d’un humain dans une boucle de décision ne garantit pas, à elle seule, que le jugement demeure réellement humain. C’est ici que se situe le paradoxe exploré dans ce volume :
Plus les outils deviennent faciles à utiliser, plus les conditions réelles de leur usage risquent de devenir invisibles.
Garder la maîtrise ne consiste donc pas à tout contrôler. Cela consiste d’abord à apprendre à voir ce que la fluidité masque.
De l’externalisation cognitive aux conditions matérielles de l’usage
Le Volume 1 a montré qu’externaliser une activité vers une IA pouvait soutenir une tâche ou, au contraire, court-circuiter certaines opérations nécessaires à l’apprentissage. Mais externaliser ne signifie pas seulement déléguer une opération cognitive. C’est aussi transmettre quelque chose à un environnement technique.
Une question peut révéler un contexte. Un document peut contenir davantage que son texte visible. Une succession d’interactions peut produire des traces et permettre des inférences.
Une copie étudiante, un rapport de stage, un manuscrit, un jeu de données ou un compte rendu peuvent engager simultanément des questions de données personnelles, de confidentialité, de propriété intellectuelle, de licence ou de responsabilité professionnelle. Et lorsque l’usage se répète, une autre transformation commence.
L’outil s’intègre aux habitudes : des formations sont créées, des procédures s’adaptent et des API sont connectées. Les contenus et les compétences s’organisent autour de la plateforme. Ce qui était un service peut progressivement devenir une infrastructure. La question n’est alors plus seulement :
Puis-je utiliser cet outil ?
Elle devient :
Que rendons-nous possible en l’utilisant ainsi, et que deviendrait-il difficile de faire autrement demain ?
Ce passage de l’usage ponctuel aux conditions durables d’usage constitue le fil directeur de ce volume.
La maîtrise n’est pas le risque zéro
Une tentation serait de répondre à ces problèmes par une opposition simple. D’un côté, des outils sûrs, souverains, locaux et maîtrisés. De l’autre, des outils externes, opaques et dangereux. Cette représentation rassure davantage qu’elle n’aide à décider.
Un hébergement local peut réduire certains transferts tout en créant de nouvelles obligations de maintenance, d’audit et de sécurité. Un service externe peut présenter des garanties très différentes selon son contrat, son architecture ou ses conditions de traitement. Une donnée apparemment banale peut devenir révélatrice lorsqu’elle est rapprochée d’autres informations.
Une donnée très sensible peut parfois être traitée dans un environnement spécifiquement conçu et autorisé pour cela. Aucune étiquette ne remplace donc l’analyse de la situation.
Un cadre d’arbitrage, pas une liste d’outils autorisés.
Ce volume ne cherche pas à classer les solutions d’IA entre outils « sûrs » et « dangereux ». Il propose des repères pour examiner une situation : ce que l’usage expose, les droits engagés, l’environnement mobilisé, les garanties disponibles, les dépendances créées, le travail déplacé et la capacité restante à comprendre, choisir, contester ou renoncer.
Les réponses opérationnelles dépendent ensuite du contexte, des missions, des politiques institutionnelles et des cadres applicables.
Du choix individuel à la responsabilité collective
Nous pouvons apprendre à minimiser les données transmises, à mieux paramétrer nos outils, à choisir un environnement plus approprié et à vérifier les résultats produits. Ces réflexes sont indispensables. Mais ils ne peuvent pas constituer à eux seuls une politique de l’intelligence artificielle.
Tous les utilisateurs ne disposent ni des mêmes informations, ni du même temps, ni des mêmes compétences, ni du même pouvoir de négociation face aux fournisseurs. Surtout, certaines décisions dépassent nécessairement l’utilisateur individuel. Puis-je transmettre ce document alors que je n’en suis pas l’auteur ?
Puis-je demander à mes étudiants de créer un compte auprès d’un service tiers ? Une alternative est-elle réellement libre si la refuser crée un désavantage pédagogique ? Puis-je utiliser une recommandation algorithmique pour évaluer une personne si cette recommandation influence déjà mon propre jugement ?
Qui peut décider qu’un environnement est adapté pour traiter certaines catégories de données ? Qui peut arrêter un service devenu problématique ? Qui garantit qu’une décision pourra être contestée ?
À partir de ce moment, la question n’est plus simplement celle du bon comportement individuel. Elle devient celle de la responsabilité institutionnelle. Garder la maîtrise suppose alors de construire des environnements, des règles, des alternatives et des procédures qui permettent aux individus d’exercer réellement leur jugement.
Lorsque l’outil transforme celui qui l’utilise
Ces choix techniques et institutionnels finissent aussi par modifier le travail lui-même. Le débat est souvent formulé à travers une question spectaculaire : quels métiers l’intelligence artificielle remplacera-t-elle ? Ce volume adopte une autre échelle.
Un métier n’est pas une tâche unique. Rédiger, chercher, comparer, programmer, expliquer, synthétiser, contrôler, accompagner, décider ou rendre compte ne sont pas transformés de la même manière.
L’IA peut réduire fortement le coût de certaines productions et échouer brutalement sur des tâches voisines. Elle peut accélérer une première version tout en augmentant le travail de vérification. Elle peut diminuer un effort visible et déplacer l’activité vers la supervision, la coordination ou la responsabilité.
Le temps gagné n’est donc pas nécessairement du temps libéré. Et produire plus vite ne signifie pas automatiquement mieux travailler. Une question devient alors centrale :
Si une partie de la production est déléguée, quelles compétences doivent rester suffisamment exercées pour que nous puissions encore comprendre, vérifier, contester et assumer le résultat ?
Il ne s’agit pas de dresser une liste de capacités supposées définitivement humaines. Cette frontière évoluera. Il s’agit plutôt de préserver les conditions de l’agence humaine : comprendre ce que l’on fait, disposer de critères pour juger, pouvoir contextualiser, modifier, refuser, expliquer et répondre de ses choix. Dans cette perspective, savoir utiliser l’IA ne consiste pas seulement à savoir obtenir quelque chose d’elle.
Cela inclut aussi la capacité à décider quand ne pas l’utiliser.
Deux façons d’explorer ce volume
Vous n’avez pas besoin de tout lire pour utiliser ce manuel.
Deux parcours sont possibles :
Parcours progressif
Suivre les cinq chapitres dans l’ordre permet d’élargir progressivement la focale : de ce qu’une interaction expose au choix de l’environnement, puis aux responsabilités, aux dépendances et aux transformations du travail et des compétences.
Parcours par problèmes
Si une question précise vous préoccupe dans votre enseignement, votre activité professionnelle ou vos choix institutionnels, utilisez le parcours par problèmes présenté après le parcours progressif pour accéder directement aux sections concernées.
Les contenus signalés comme Essentiel constituent le fil principal. Les contenus Recommandé et Approfondissement permettent d’aller plus loin selon vos besoins, votre fonction et votre contexte.
Parcours progressif
De la donnée à la capacité d’agir : cinq dimensions d’un même paradoxe
| Chapitre et focale explorée | Fil directeur | Question qui guide le chapitre | Écho à la Charte IA de l’INSA Lyon |
|---|---|---|---|
| 1 - Données et vie privée : comprendre ce que l’usage expose Focale : l’information | Rendre visible l’exposition : passer du contenu volontairement saisi aux traces, métadonnées, inférences et profils susceptibles d’être produits par l’usage. | Qu’est-ce que l’usage expose réellement ? | L’usage de l’IAG suppose d’identifier les données transmises, de limiter leur exposition et d’utiliser des environnements compatibles avec leur niveau de protection. |
| 2 - Données sensibles et environnements : choisir des compromis explicites Focale : l’environnement | Rendre visible l’infrastructure : relier la situation, la finalité et les données aux garanties techniques, contractuelles et organisationnelles de l’environnement. | Dans quel environnement cet usage peut-il être réalisé et sous quelles garanties ? | Les outils et environnements doivent être choisis en fonction des données traitées, des usages autorisés, de la sécurité et des responsabilités associées. |
| 3 - Droits, prescription et décision : assumer la responsabilité des usages Focale : autrui et l’institution | Rendre visible la responsabilité : distinguer ce que l’on peut techniquement faire de ce que l’on est légitime à transmettre, prescrire ou déléguer lorsque l’usage engage d’autres personnes. | À partir de quand un usage individuel engage-t-il les droits d’autrui ou une responsabilité institutionnelle ? | Les usages doivent préserver les droits, l’équité d’accès, la décision humaine, la transparence et la possibilité de contestation. |
| 4 - Plateformes et dépendances : préserver les missions de l’université Focale : l’infrastructure dans la durée | Rendre visible la dépendance : comprendre comment un service devient progressivement une infrastructure et comment les coûts, intégrations et routines peuvent réduire la capacité future de choix. | Que devient notre capacité de choix lorsque l’outil devient infrastructure ? | La gouvernance des usages suppose de préserver la réversibilité, la documentation et une capacité institutionnelle d’arbitrage. |
| 5 - Travail et compétences : préserver la capacité d’agir Focale : l’activité professionnelle | Rendre visible le travail déplacé : distinguer automatisation, supervision, intensification et appropriation pour identifier les compétences qui permettent de rester responsable de son activité. | Quelles compétences devons-nous préserver pour comprendre, superviser et répondre de notre travail ? | L’IAG reste un outil d’assistance : les résultats doivent pouvoir être compris, vérifiés et assumés par une personne compétente. |
Dans ce deuxième volume, la Charte de l’INSA Lyon n’est donc pas abordée comme une simple liste d’interdictions ou d’autorisations. Elle constitue un point d’ancrage institutionnel pour une question plus large :
Que faut-il préserver pour que l’usage de l’IA reste maîtrisable, réversible et compatible avec les missions de l’enseignement supérieur ?
Le déplacement par rapport au Volume 1 est important. Le premier volume montrait que la supervision humaine n’est solide que si les humains conservent les compétences nécessaires pour superviser réellement. Le deuxième ajoute que cette compétence individuelle ne suffit pas.
Encore faut-il disposer d’environnements appropriés, de règles compréhensibles, d’alternatives réelles, de capacités de sortie, de responsabilités identifiées et de conditions de travail permettant effectivement d’exercer ce jugement. La maîtrise est donc à la fois individuelle, professionnelle et institutionnelle.
Parcours par problèmes
Ce manuel ne prétend pas dresser un inventaire exhaustif des situations rencontrées dans l’enseignement supérieur, ni fournir une réponse juridique ou technique universelle. Il part plutôt de questions concrètes d’usage et mobilise, pour chacune, des concepts permettant de mieux les analyser. Le parcours suivant permet ainsi d’entrer dans le volume par un problème, sans nécessairement suivre une lecture linéaire.
| Vous vous demandez… | Aller directement au contenu |
|---|---|
| Qu’est-ce qu’une requête ou un document permet réellement de révéler au-delà de ce que je saisis explicitement ? | Chapitre 1 : Données visibles, traces et inférences |
| Pourquoi « je n’ai rien à cacher » ne suffit-il pas pour penser la vie privée dans l’enseignement supérieur ? | Chapitre 1 : Vie privée, profilage et liberté académique |
| Comment réduire ce que j’expose sans renoncer systématiquement à l’usage de l’IA ? | Chapitre 1 : Sobriété et souveraineté informationnelle |
| Un outil local est-il nécessairement plus sûr qu’un service cloud ? | Chapitre 2 : Le mythe de l’outil « 100 % sécurisé » |
| Comment choisir un environnement lorsque les données, les usages et les garanties diffèrent ? | Chapitre 2 : Intégrité contextuelle ; Chapitre 2 : Choisir ses compromis |
| Puis-je transmettre à une IA un document auquel j’ai pourtant légitimement accès ? | Chapitre 3 : Données, droits et responsabilités |
| Peut-on demander aux étudiants d’utiliser une IA précise dans une activité obligatoire ? | Chapitre 3 : Prescription d’une IA aux étudiants |
| La présence d’un humain suffit-elle à garantir qu’une décision reste réellement humaine ? | Chapitre 3 : Délégation de décision et contrôle humain |
| À partir de quand un outil devient-il une dépendance institutionnelle ? | Chapitre 4 : Quand l’IA devient infrastructure |
| Un service gratuit est-il réellement sans coût pour l’université ? | Chapitre 4 : Le gratuit est-il vraiment gratuit ? |
| Comment évaluer un outil autrement que par ses seules performances ? | Chapitre 4 : De la performance à la soutenabilité |
| L’IA supprime-t-elle réellement du travail ou déplace-t-elle une partie de l’activité vers la vérification et la supervision ? | Chapitre 5 : Comment l’IA transforme déjà le travail ; Chapitre 5 : Le mythe de la libération automatique du travail |
| Quelles compétences deviennent stratégiques lorsque l’IA peut produire une partie du résultat ? | Chapitre 5 : Compétences stratégiques |
Cette entrée par problèmes reprend un principe déjà posé dans le premier volume : un concept n’est pas présenté pour lui-même, mais parce qu’il aide à comprendre une difficulté, à interpréter une situation ou à éclairer une décision.
Garder la maîtrise sans chercher l’illusion du contrôle
L’IA générative nous oblige finalement à prolonger la question posée dans le Volume 1. Le premier volume demandait :
Qu’est-ce qu’apprendre, comprendre et devenir autonome lorsque des machines peuvent produire une partie croissante des résultats que nous associons habituellement à la compétence ?
Ce deuxième volume ajoute :
Dans quelles conditions pouvons-nous utiliser ces systèmes sans perdre progressivement la capacité de comprendre ce que nous exposons, de choisir nos environnements, de changer de trajectoire, d’exercer notre jugement et de répondre de nos décisions ?
Les réponses ne seront ni uniformes ni définitives. Les modèles évoluent. Les infrastructures changent. Les contrats sont renégociés. Les réglementations s’appliquent à des situations différentes. Les capacités techniques progressent. Les usages se transforment. C’est précisément pourquoi l’objectif n’est pas de mémoriser une liste de solutions autorisées ou interdites.
Il est de développer une capacité collective de discernement suffisamment robuste pour continuer à décider lorsque les outils changent. À chaque étape, quelques questions peuvent servir de boussole :
- Qu’est-ce que cet usage expose ?
- Que peut-on en déduire ?
- Ai-je le droit et la légitimité de transmettre ce contenu ?
- Cet environnement est-il adapté à cette situation ?
- Quelles garanties sont réelles, et quel risque reste-t-il ?
- Quelle dépendance ce choix crée-t-il ?
- Pourrons-nous encore changer de solution ?
- Quel travail l’automatisation déplace-t-elle ?
- Quelles compétences faut-il préserver pour superviser réellement ?
- Qui peut expliquer, contester ou modifier une décision ?
- Et pouvons-nous encore décider de ne pas automatiser ?
Garder la maîtrise ne signifie donc ni supprimer toute dépendance, ni éliminer tout risque, ni conserver chaque tâche humaine à l’identique. Cela signifie préserver une possibilité effective de comprendre, arbitrer, contester, modifier et renoncer. Une IA peut assister, accélérer, synthétiser, suggérer et produire.
Mais déterminer ce que nous acceptons d’exposer, les infrastructures dont nous voulons dépendre, les jugements que nous refusons de déléguer et les compétences que nous voulons continuer à exercer relève encore de choix humains et collectifs. C’est dans cet espace que se poursuit le Paradoxe éducatif de l’IA.