« L’IA ne remplace pas l’apprentissage : elle en révèle les limites »

Un modèle d’apprentissage en décalage avec les usages

Selon une étude GoStudent sur l’éducation du futur publiée en 2025, une part importante des élèves et des parents estime que le système éducatif ne prépare pas suffisamment aux compétences nécessaires pour le futur.

Plus de 46 % des élèves français considèrent que l’école ne les prépare pas aux compétences de leur futur métier tandis que 62 % des parents souhaitent voir émerger des alternatives aux examens traditionnels.

59 % estiment que les notes ne reflètent pas fidèlement les capacités des enfants, et 58 % jugent qu’ils passent trop de temps à mémoriser des informations pour les examens.

Trop de temps passé à mémoriser des informations

Ces constats traduisent un décalage croissant entre les modes d’apprentissage et les exigences du monde réel. Aujourd’hui, de nombreuses tâches sont devenues accessibles instantanément et gratuitement grâce à l’intelligence artificielle : rédiger un texte, résumer un document, traduire ou encore générer du code à partir d’une consigne.

Ce que l’intelligence artificielle automatise… et ce qui lui résiste

Ces tâches correspondent aux niveaux d’apprentissage les plus fondamentaux de la taxonomie de Bloom, l’une des classifications les plus robustes des niveaux d’apprentissage, élaborée dans les années 1950 et continuellement validée depuis : mémoriser, reproduire, appliquer. Pendant longtemps, ces compétences ont structuré une grande partie des apprentissages scolaires. L’IA les exécute désormais avec une rapidité et une efficacité inédites.

Accorder une place centrale aux tâches cognitives de haut niveau

À l’inverse, les compétences de haut niveau — analyser une situation inédite, évaluer l’adéquation d’une solution, décider dans l’incertitude ou relier des idées — restent au cœur de la valeur humaine, hors de portée des IA génératives. L’enseignement doit donc accorder une place centrale aux tâches cognitives de haut niveau. C’est à ce niveau que se joue désormais la valeur des apprentissages.

Des fondamentaux plus essentiels que jamais

Faut-il pour autant abandonner les apprentissages fondamentaux au profit de ces compétences avancées ? L’histoire apporte un éclairage intéressant. Un même schéma se répète inlassablement : une compétence est d’abord nécessaire pour agir, puis progressivement est prise en charge par des outils. Elle cesse alors d’être mobilisée au quotidien mais reste indispensable pour comprendre et maîtriser son environnement, s’adapter aux changements à venir, et atteindre un niveau d’expertise.

Ainsi, depuis la démocratisation des voitures, la mécanique n’est plus nécessaire au quotidien mais est devenue un fondamental ; depuis le GPS, lire une carte routière en est un autre ; et avec les langages informatiques de haut niveau, programmer en assembleur relève désormais de cette même logique.

L’IA peut devenir un raccourci dangereux

Toutes ces compétences n’ont pas disparu. Elles constituent désormais des repères stables, des piliers immuables qui aident à comprendre, s’adapter et innover dans des environnements en évolution rapide, soumis aux changements technologiques. C’est précisément ce rôle qui en fait des fondamentaux : lorsque le GPS n’est pas fiable ou que la technologie évolue, la maîtrise de ces repères, comme la lecture d’une carte, favorise une meilleure compréhension, et une progression continue.

C’est là que l’IA peut devenir un raccourci dangereux si elle est mal utilisée. Déléguer certains efforts cognitifs de bas niveau revient à court-circuiter précisément le processus par lequel ces fondamentaux se construisent. Or c’est dans la confrontation active à la difficulté que se consolident les apprentissages. Nous faisons donc face à un double enjeu éducatif : maintenir l’exigence sur les fondamentaux et développer les compétences de haut niveau.

Repenser les modèles d’apprentissage

Pour répondre à ces enjeux, une révolution de l’éducation est nécessaire ! Des approches éprouvées, issues des pédagogies actives, existent déjà pour proposer de nouveaux modèles. Elles reposent sur des problèmes ouverts sans réponse unique, des projets concrets à mener, des décisions à argumenter en contexte, des productions authentiques, difficiles à déléguer.

Ces situations immersives stimulent la curiosité, la coopération et l’engagement. Elles créent un contexte social riche et motivant qui encourage les élèves à construire du sens. Les méthodes d’évaluation doivent aussi s’adapter : tant que l’on se focalise sur les restitutions (que l’IA peut produire efficacement), on mesure le mauvais étage.

L’IA agit ainsi comme un révélateur

Il faut évaluer la façon dont un élève problématise, argumente, interagit, se trompe et ajuste. Il faut évaluer le recul que l’élève a sur son travail, sa capacité à expliquer ce qu’il a produit, à en proposer des améliorations. C’est une évaluation plus difficile à standardiser, mais elle mesure ce qui compte vraiment.

L’intelligence artificielle agit ainsi comme un révélateur : elle met en lumière ce qui relève réellement de l’apprentissage… et ce qui peut être automatisé. Ce qu’elle automatise n’a jamais constitué, à lui seul, de la pensée ou de l’intelligence.

À l’inverse, ce qui lui résiste — la capacité à comprendre en profondeur, à relier des idées, à exercer un jugement — dessine les contours de ce qui reste profondément humain dans l’acte d’apprendre. L’enjeu n’est donc pas de contourner l’effort d’apprentissage, mais de mieux le cibler : consolider les fondamentaux pour accéder à des niveaux de réflexion que les machines ne peuvent pas atteindre.