Quand ChatGPT devient CheatGPT, qu’apprenons-nous vraiment ?

Si vous n’avez qu’une minute pour faire défiler la page, voici où nous en sommes.

• La crise de l’éducation : 90 % des étudiants et 82 % des étudiants de premier cycle admettent utiliser ChatGPT pour leurs travaux scolaires, créant une « crise de l’évaluation » où la frontière entre outil et triche est devenue complètement floue. Les établissements sont plongés dans une panique réactive, avec des réponses allant de l’interdiction pure et simple à l’obligation pour les étudiants d’utiliser l’IA — créant un patchwork de confusion où une salle de classe encourage l’IA tandis que celle d’à côté menace d’exclusion.
• Le problème de la dette cognitive : De nouvelles recherches du MIT révèlent qu’une dépendance excessive à l’IA affaiblit littéralement le cerveau. Les étudiants qui utilisaient ChatGPT présentaient une connectivité neuronale nettement plus faible et ne parvenaient pas à se souvenir de ce qu’ils venaient d’« écrire ». Lorsqu’ils ont ensuite été contraints de travailler sans IA, ils ont obtenu de moins bons résultats que ceux qui ne l’avaient jamais utilisée — preuve que se servir de l’IA comme d’une béquille crée une « dette cognitive » qui s’accumule avec le temps.
• L’expérience radicale : Alpha School, à Austin, représente l’approche diamétralement opposée : des tuteurs IA enseignent des programmes entiers en seulement 2 heures par jour, les étudiants apprenant, selon les témoignages, 2 fois plus vite que leurs camarades de l’enseignement traditionnel. Bien que ces affirmations n’aient pas été vérifiées de manière indépendante, le modèle s’étend à l’échelle nationale et représente une réinvention complète de l’éducation, où l’IA remplace entièrement les enseignants, libérant du temps pour les « compétences de vie » et les expériences concrètes.
• La science de l’apprentissage : Les recherches montrent que le problème n’est pas l’IA elle-même, mais la façon dont nous l’utilisons. Les étudiants qui recevaient des réponses directes de l’IA obtenaient des résultats inférieurs de 17 % aux examens à ceux qui ne l’avaient jamais utilisée, tandis que ceux qui utilisaient des tuteurs IA conçus pour donner des indices (et non des réponses) progressaient massivement dans leur entraînement sans nuire à leurs apprentissages réels. La différence : réfléchir avec l’IA plutôt que laisser l’IA réfléchir à votre place.

Que faire : L’avenir appartient à « l’économie du jugement », où les connaissances sont banalisées, tandis que le goût, la capacité d’agir et la vitesse d’apprentissage deviennent les nouveaux avantages compétitifs humains. Appliquez le principe « Struggle-First » : attaquez-vous aux problèmes pendant 20 à 30 minutes avant de vous tourner vers l’IA, puis utilisez-la comme partenaire d’entraînement (et non comme nègre numérique) pour approfondir votre compréhension. L’objectif n’est pas d’éviter l’IA, mais de choisir stratégiquement quand accepter les « difficultés souhaitables » qui forgent une véritable expertise et quand tirer parti de l’IA pour gagner en efficacité.

Entrons dans le vif du sujet !

Dans le gymnase bondé, sous une mer de bleu et d’or (ainsi que de toques et de robes noires), un étudiant nommé Andre Mai assistait à la cérémonie de remise des diplômes de UCLA, assis sous le Jumbotron et attendant son diplôme avec impatience. Mais contrairement à certains de ses camarades, Mai avait sorti son ordinateur portable.

Lorsque les caméras se sont braquées sur lui, Mai a retourné son ordinateur portable, révélant un écran illuminé par le mode sombre d’une conversation ChatGPT, tandis qu’il poussait des cris de joie.  

L’image est immédiatement devenue virale, symbole parfait d’une génération qui navigue dans le nouveau monde de l’IA. Et pour les centaines de milliers, voire les millions de personnes qui ont désormais vu cette vidéo devenue tristement célèbre, elle ressemblait à une véritable démonstration de plagiat par IA.

La réaction d’Internet a été rapide et cynique. Ce gars a vraiment payé 160 000 $ pour un abonnement à ChatGPT ? 

Et pourtant, comme pour la plupart des choses à l’ère de l’IA, la vérité était bien plus complexe. Mai a par la suite précisé qu’il ne trichait pas ; il utilisait l’IA pour un cours d’IA, avec, surtout, l’autorisation de son professeur. En fait, il terminait un travail qu’il devait avoir prêt avant la fin de la journée ; lorsque les caméras se sont approchées, il a simplement retourné l’ordinateur pour montrer ce qu’il était en train de faire.

‍D’une certaine manière, il travaillait donc effectivement DAVANTAGE avec l’IA. Qui d’autre dans cette foule avait son ordinateur portable avec lui, hein ??

L’histoire de Mai est un microcosme d’un système en crise. Alors que lui avait l’autorisation d’utiliser l’IA, un stupéfiant 90 % des étudiants ont admis utiliser ChatGPT pour leurs travaux dans les deux mois à peine suivant son lancement public. 

Selon un récent article d’Axios, on estime aujourd’hui qu’un adolescent sur quatre l’utilise pour ses travaux scolaires. Des données antérieures montrent que ce chiffre pourrait être bien plus élevé : 

• 82 % des étudiants de premier cycle et 72 % des élèves de la maternelle à la terminale ont utilisé l’IA pour l’école.
• 56 % l’ont utilisée pour des travaux de rédaction.
• 45 % pour réaliser d’autres types de travaux scolaires.

En bref, la technologie a connu une « adoption d’une rapidité extraordinaire ». C’est peu dire.

En conséquence, les écoles et les universités ont été plongées dans une panique réactive, peinant à élaborer des politiques pour une technologie qui évolue plus vite qu’elles ne peuvent tenir de réunions avec le corps enseignant. Le résultat ? Un patchwork de confusion. 

Dans une salle de classe, on encourage un étudiant à utiliser l’IA pour établir un plan ; dans l’amphithéâtre voisin, faire la même chose pourrait lui valoir l’exclusion.

La situation est devenue absurdement méta : des étudiants pris en train d’utiliser l’IA pour rédiger leurs travaux s’en servent désormais pour rédiger leurs e-mails d’excuses (mdr).

Cela a transformé les enseignants en « policiers de l’IA » malgré eux, armés de logiciels de détection si peu fiables qu’ils créent une nouvelle forme d’injustice académique, signalant les travaux honnêtes tout en laissant passer les tricheries sophistiquées. 

Et comme vous pouvez l’imaginer, les réactions vont dans tous les sens : certains voient l’IA comme une menace existentielle pour l’éducation, tandis que d’autres y voient l’occasion de dépasser enfin des méthodes d’évaluation dépassées qui échouaient déjà avant même l’existence de ChatGPT.

Par exemple, si l’on dresse la liste des options envisagées pour lutter contre la triche liée à l’IA, on trouve de tout :

• Interdictions pures et simples et appareils bloqués. 
• Travaux réalisés uniquement à la main ou rédaction en classe.
• Logiciels de détection de l’IA.
• Enseignants vérifiant manuellement l’historique des modifications des documents. 
• Examens oraux en présentiel, durant lesquels les étudiants sont interrogés en direct sur leurs connaissances, devant la classe.
• « Privilégier la bienveillance » lorsque les étudiants commettent des erreurs. 
• Professeurs de mathématiques autorisant les ordinateurs pendant les examens, sachant que cela n’empêchera pas les étudiants mal préparés de rater des travaux « résistants à l’IA » portant sur des expériences personnelles. 
• Des professeurs quiobligent réellement les étudiants à faire passer leurs dissertations dans ChatGPT comme premier devoir. 
• Des refontes complètes des programmes qui intègrent aussi l’IA comme une co-intelligence.

Ça fait beaucoup !

Cela fait loooongtemps que nous voulions écrire un article sur le sujet.

‍Pour tenter de rendre compte de l’ampleur et des nuances de ces initiatives, nous avons lancé un rapport Gemini Deep Research dès janvier pour découvrir ce que faisaient les enseignants afin de lutter contre la triche liée à l’IA. À l’époque, le rapport Gemini classait les réactions des enseignants en quatre catégories :

Alarme

• Concentrés uniquement sur les problèmes de triche.
• Certains enseignants reviennent à l’« ancienne école » et n’autorisent que les travaux manuscrits.
• Certains districts ont bloqué ChatGPT sur les appareils (ou les appareils entièrement ; 14 États interdisent désormais les téléphones à l’école, et environ 50 pays ont instauré des interdictions locales ou nationales des téléphones à l’école).

Adaptation

• Les enseignants donnent aux étudiants la possibilité de refaire leurs travaux lorsqu’ils sont pris à utiliser l’IA.
• Accent mis sur des travaux « résistants à l’IA » nécessitant une expérience personnelle.

Acceptation

• Plus de 70 % des enseignants de l’enseignement supérieur qui utilisent l’IA s’en servent pour noter les travaux des étudiants.
• Des enseignants utilisent l’IA pour « mettre les manuels au niveau » et gagner du temps.
• Selon l’enquête : 84 % des enseignants ayant utilisé ChatGPT ont déclaré que cela avait eu un impact positif sur leurs cours.

Intégration

• Le premier devoir d’un professeur consiste à demander aux étudiants de faire passer leurs dissertations dans ChatGPT pour obtenir des commentaires.
• Des enseignants de mathématiques autorisent les ordinateurs pendant les examens, sachant que « cela ne va pas les sauver ».
• Certains utilisent l’IA pour un apprentissage personnalisé et des retours en temps réel.
• Les enseignants qui utilisent l’IA à la fois pour la production ET la réflexion (réfléchir aux problèmes) en tirent davantage de valeur.

Gemini a également rendu compte des résultats pratiques de certaines tactiques : 

• Interdire ChatGPT : résultats mitigés et application difficile.
• Outils de détection de l’IA : efficacité variable et inquiétudes concernant les faux positifs.
• Politiques mises à jour : généralement positives, mais nécessitant des mises à jour continues.

Cela dit, le rapport de Gemini était quelque peu daté au moment où nous avons finalement commencé à rédiger cet article (six mois = une éternité à l’échelle de l’IA), alors nous avons aussi utilisé o3-pro pour approfondir la question. Lui aussi a divisé le paysage actuel en quatre quadrants clés, mais avec quelques mises à jour importantes. Voici ce qu’il a trouvé. 

1. Alarme et restriction (réaction de panique initiale)

• De nombreuses écoles ont d’abord totalement interdit ChatGPT (districts de New York, Los Angeles et Seattle).
• Les ventes de cahiers d’examen bleus ont bondi de 30 à 80 % lorsque les établissements sont revenus aux épreuves manuscrites.
• Les outils de détection de l’IA se sont révélés peu fiables, avec trop de faux positifs.
• La plupart des interdictions ont été levées en quelques mois – NYC a abrogé la sienne après seulement 4 mois.
• Les sanctions sévères, allant jusqu’aux menaces d’exclusion, ont poussé l’usage dans la clandestinité au lieu de l’éliminer.

2. Adaptation et atténuation (le juste milieu pragmatique)

• Les enseignants ont repensé les devoirs pour les rendre « à l’épreuve de l’IA » – en privilégiant les projets, les expériences personnelles et la résolution de problèmes complexes.
• Les évaluations axées sur le processus se sont généralisées (avec obligation de fournir des brouillons et de passer des soutenances orales).
• 75 % des étudiants ont reconnu avoir utilisé l’IA lorsqu’on leur a posé des questions bienveillantes et ouvertes.
• Les règlements scolaires ont été mis à jour pour encadrer explicitement l’usage de l’IA.
• Et pourtant, le taux global de triche est resté stable malgré la disponibilité de l’IA.

3. Acceptation et accompagnement (le virage pragmatique)

• L’IA est autorisée, à condition de la citer (comme n’importe quelle autre source).
• 48 % des districts scolaires proposaient une formation à l’IA aux enseignants à l’automne 2024 (soit deux fois plus que l’année précédente).
• Les discussions ouvertes en classe sur l’éthique de l’IA sont devenues la norme.
• Les enseignants qui ont essayé ChatGPT eux-mêmes (plus de 80 %) sont devenus moins méfiants.
• L’attention s’est déplacée de « Comment l’empêcher ? » vers « Comment l’utiliser de manière responsable ? »

4. Intégration et innovation (à la pointe)

• Singapour a déployé un apprentissage adaptatif alimenté par l’IA dans toutes ses écoles primaires.
• Certains professeurs ont créé des « jumeaux » IA d’eux-mêmes pour accompagner les étudiants 24 heures sur 24, 7 jours sur 7.
• La Chine a rendu obligatoire une éducation à l’IA adaptée à l’âge des élèves (notions de base pour les plus jeunes, compétences de conception pour les lycéens).
• Au printemps 2024, 70 % des enseignants ne bénéficiaient toujours d’aucune formation officielle à l’IA.
• Les premiers résultats montrent une personnalisation et une efficacité accrues, mais soulèvent des inquiétudes quant au maintien du lien humain.

Prenez toutefois cette partie avec des pincettes, mais o3 a conclu que «Les approches les plus efficaces combinent des directives claires et un dialogue ouvert, en considérant l’IA comme un outil qui nécessite une culture numérique plutôt qu’une menace qu’il faudrait éliminer. Les enseignants reconnaissent de plus en plus que préparer les élèves à un monde intégré à l’IA est plus utile que de tenter de créer une bulle scolaire exempte d’IA. »

Comme vous pouvez le constater, même si les positions extrêmes semblent opposer luddites et futuristes, la plupart des enseignants se retrouvent quelque part dans ce juste milieu chaotique, essayant de préserver un apprentissage authentique tout en admettant que le génie est déjà sorti de la bouteille.

Après tout, l’éducation n’est pas le seul domaine concerné : cette épidémie de « triche à l’IA » a conduit à envisager de nouveau les examens en présentielpour les entretiens d’embauche (où les CV générés par l’IA et les recruteurs utilisant l’IA ont transformé les candidatures en une guerre d’usure entre IA) et a également touchéles présentations de start-up, certains investisseurs en capital-risque refusant désormais même de prendre rendez-vous si vous ne générez pas déjà de revenus.J’ai même lu le témoignage de

programmes de stages annulés en raison de l’afflux de candidatures générées par l’IA dans le système. C’est le plus triste, et cela illustre bien le risque que l’IA fait peser sur lesemplois débutantsTout cela a donné naissance à des entreprises comme.

MeritFirst, qui remplacent le tri des CV par des tests de compétences montrant ce que les candidats savent réellement faire. Les tentatives visant à réintroduire les dissertations orales et tous les devoirs en présentiel appliquent la même idée à l’éducation.Le problème a atteint un tel point d’incandescence qu’une start-up (

Cluely) vient delever 15 millions de dollars pour son outil permettant de « tricher sur tout » (même si ce n’est pasexactement ce qu’il fait ; en fait, c’est plutôtun outil assez sympa, MAIS, comme nous le verrons plus bas, il est probablement globalement néfaste pour l’apprentissage, la présence et le fait de rester humain… l’entreprise elle-même assume d’ailleurs cette idée, en affirmant être «la fin de la pensée humaine ».“).

Si vous lisez les premières réactions deprofesseurs à la démonstration de ChatGPT d’Andre Mai,on a l’impression qu’ils sont face à un problème culturel et/ou sociétal touchant toute une génération, où les étudiants d’aujourd’hui regardent la société en général avec davantage de mépris ouvert que les générations précédentes. Ils se vantent de voler dans les magasins et d’utiliser ouvertement ChatGPT en plein cours, allant parfois jusqu’à narguer leurs enseignants avec un « ce n’est pas ce que dit ChatGPT », le téléphone directement à la main.

Le sentiment général, c’est : à quoi bon faire des efforts,quand on peut tricher pour prendre de l’avance ? Le système est de toute façon truqué, alors pourquoi NE PAS tricher ? 

Il peut aussi être utile de se mettre à la place des étudiants : D’aprèsdes témoignages personnels, les étudiants utilisent souvent l’IA quand ils sont « débordés ou manquent de confiance » et qu’ils « ne veulent pas s’exprimer comme eux-mêmes, parce qu’ils ont peur de se tromper ».

Les étudiants rapportent également que certains devoirs sont du « travail occupationnel », en disant : « Pourquoi apprenons-nous à le faire si nous pouvons l’obtenir en quelques secondes ? »

Par ailleurs, difficile de contester les résultats de l’utilisation de l’IA. Une étudiante « n’a rien appris en maths cette année. Elle s’est contentée d’obtenir les réponses », mais a tout de même décroché un B, car l’examen final ne comptait que pour 10 % de la note.

Les enseignants deviennent discrètement des utilisateurs avancés de l’IA 

Uneétude consacrée aux enseignants qui utilisent l’IA a également mis au jour des éléments intéressants. Les étudiants ne sont pas les seuls à « tirer profit » de l’IA : les enseignants aussi.

Si vous ne pouvez pas les battre, rejoignez-les ?? 

C’est ce que révèlent de nouvelles données issues d’un sondage Gallup quia livré des chiffres révélateurs : 6 enseignants américains sur 10 ont utilisé des outils d’IA durant l’année scolaire écoulée, les enseignants du secondaire et ceux en début de carrière étant les plus nombreux. Ceux qui utilisent l’IA chaque semaine économisent environ 6 heures par semaine. C’est en gros comme récupérer une journée entière.

Ce qu’ils font réellement avec l’IA :

• 37 % l’utilisent chaque mois pour préparer leurs cours.
• 80 % affirment qu’elle leur fait gagner du temps sur les fiches d’exercices et les évaluations.
• 64 % signalent une meilleure qualité lorsqu’ils adaptent les supports pédagogiques destinés aux élèves.

Ils appellent cela le « dividende de l’IA », qui représente environ six semaines supplémentaires par année scolaire. Mais seuls 32 % des enseignants en profitent chaque semaine, tandis que 40 % n’utilisent pas du tout l’IA.

Avec des enseignants qui travaillent 50 heures par semaine et dont seulement 45 % sont satisfaits de leur rémunération, cela pourrait changer la donne. Comme l’a dit unenseignant de sciences sociales de Houston : « L’IA a transformé ma façon d’enseigner. Elle a aussi transformé mes week-ends et m’a offert un meilleur équilibre entre vie professionnelle et vie privée. »

Mais il faut nuancer. Environ la moitié des enseignants craignent que l’utilisation de l’IA par les élèves ne fasse chuter les capacités de réflexion critique des adolescents. C’est pourquoi ils utilisent eux-mêmes l’IA pour repérer les cas de surutilisation par les élèves. Parmi les signes révélateurs : l’absence totale de fautes de grammaire et des tournures étrangement complexes qui hurlent « c’est ChatGPT qui a écrit ça ». Les tirets cadratins et les tournures comme « ce n’est pas seulement X, c’est aussi Y » en font probablement partie.

Alors, quelle est la solution ?

Tout d’abord, surtout pas les « détecteurs d’IA ». Dans nos précédents articles, nous avons montré queles détecteurs d’IA sont fondamentalement défaillants. Par exemple, lorsque Christopher Penn a soumis la Déclaration d’indépendance des États-Unis à ZeroGPT, l’outil a estimé à 97 % la probabilité qu’elle ait été générée par une IA. Certains enseignants ont fini par comprendre que les logiciels de détectionne sont pas fiables, un responsable ayant notamment déclaré : « C’est en quelque sorte une IA qui rivalise avec une IA » (enfin, pas « en quelque sorte » : c’est exactement ça).

Ethan Mollicka identifié deux illusions fondamentales qui empêchent le système éducatif actuel de s’adapter au monde façonné par l’IA :

• Illusion de la détection : les enseignants pensent pouvoir détecter l’usage de l’IA, alors qu’ils en sont généralement incapables.
• Illusion du savoir : les étudiantspensent apprendre lorsqu’ils utilisent l’IA, mais ce n’est souvent pas le cas (nous y reviendrons plus en détail dans un instant).

Ces deux illusions expliquent pourquoi les établissements doivent rattraper leur retard en matière de politiques et de formation, avant que le fossé entre les enseignants à l’aise avec l’IA et ceux qui n’y comprennent rien ne devienne un gouffre. Le retard réglementaire est actuellement immense : seuls 19 % des enseignants travaillent dans des établissements dotés de politiques relatives à l’IA, mais ces établissements affichent un « dividende de l’IA » supérieur de 26 %. Pendant ce temps, 68 % des enseignants n’ont reçu aucune formation de leur district : ils se forment seuls.

Cette utilisation débridée de l’IA pourrait poser problème, y compris aux enseignants, car, comme nous le verrons plus bas, s’ils utilisent eux-mêmes trop l’IA, ils risquent de compromettre durablement leur capacité à enseigner.

Alors, que savons-nous jusqu’ici ? 

1. Nous savons que les étudiants utilisent l’IA.

2. Nous savons que les enseignants utilisent l’IA.

3. Et nous savons que le consensus émergent est qu’il est futile de lutter contre l’IA en général.

4. Les enseignants doivent plutôt repenser les programmespour y intégrer l’usage de l’IA tout en mettant l’accent sur la pensée critique, l’évaluation authentique et la compréhension par les élèves des situations où l’IA favorise ou entrave l’apprentissage.

L’idée générale est que « l’IA est là pour rester dans l’éducation ». La question n’est donc pas de savoir s’il faut l’autoriser, mais comment l’exploiter efficacement tout en préservant l’intégrité académique et un apprentissage véritable.

Le défi est en réalité davantagepédagogique, etphilosophique, que technologique : il exige de repenser fondamentalement ce que signifie l’éducation dans un monde façonné par l’IA.

Ce chaos dans les établissements traditionnels a ouvert la voie à de nouveaux modèles radicaux

Alors que les institutions s’efforcent de contenir l’IA, une expérience bien plus radicale est en cours à Austin, au Texas. Elle pose une question différente : Et si l’objectif n’était pas de lutter contre l’IA, mais de s’y abandonner complètement ? 

Et si nous remplacions le professeur non pas par un détecteur, mais par l’IA elle-même ?

C’est le principe d’Alpha School, une école basée à Austin où l’IA n’est pas un code de triche —c’est le professeur.

Ici, les élèves suivent l’intégralité de leur programme scolaire fondamental en seulement deux heures par jour, avec des tuteurs adaptatifs basés sur l’IA plutôt que des enseignants humains.

Les résultats ? Alpha School affirme que les enfants apprennent au moins 2 fois plus vite que dans les écoles traditionnelles. Difficile à croire, je sais. Nous allons expliquer comment cela fonctionne dans un instant.

Le programme Alpha School en bref :

• Les élèves suivent les enseignements fondamentaux en seulement 2 heures grâce à des tuteurs IA, ce qui libère plus de 4 heures pour les compétences pratiques, les projets personnels et les expériences concrètes.
• L’école affirme que les élèves apprennent au moins 2 fois plus vite que leurs camarades des écoles traditionnelles.
• Les 20 % d’élèves les plus performants affichent une progression de 6,5 fois supérieure. Les classes se classent systématiquement dans les 1 à 2 % supérieurs au niveau national.
• Ces affirmations reposent sur les évaluations deMeasures of Academic Progress de la NWEA (MAP)… avec des données accessibles uniquement à l’école. Hmm…

Austen Allred a raconté une histoire sur l’école, ce qui a attiré notre attention. Il a expliqué que son fils en cours préparatoire apprenait deux fois plus vite que ses camarades d’une école traditionnelle, passant du statut d’élève moyen au 99e percentile en lecture.

Sa fille en CM1 présentait apparemment des lacunes cachées dans ses connaissances, et l’IA a pu l’aider à rattraper son retard en lecture. Désormais, elle progresse plus vite, l’IA identifiant et corrigeant ses faiblesses spécifiques.

En 5 mois, l’enfant a parcouru à toute vitesse le reste du CP, l’intégralité du CE1 et a déjà réalisé 20 % du programme de CE2.  

Mais voici l’aspect vraiment étonnant : Le « temps libéré », comme l’appelle Allred, est le véritable produit de l’école. Selon lui, ses enfants n’ont plus cette impression que « la corvée approche » lorsqu’ils pensent à l’école. Vous voyez, cette angoisse du dimanche soir — mais chez des enfants de 7 ans qui s’apprêtent à aller en cours de maths ?

Il explique que, puisque l’IA prend en charge tous les enseignements en seulement 2 heures par jour grâce à des applications personnalisées qui s’adaptent à chaque enfant, le reste de la journée est consacré à de véritables « compétences pratiques ».

Les élèves passent leurs après-midi à apprendre la culture financière, le leadership, le travail en équipe, la prise de parole en public, la persévérance et l’entrepreneuriat. Ses enfants ont participé à des camps de survie en pleine nature, appris l’escalade, lancé un podcast et pris l’avion pour Chicago afin d’interviewer leurs idoles lors d’une conférence (parce que, bien sûr, c’est exactement ce qu’ils ont fait).

« Un élève d’Alpha construit un parc de VTT à l’extérieur d’Austin après avoir réussi à lever 400 000 dollars. Un groupe d’élèves de collège publie un livre d’auto-assistance sur la santé mentale, écrit par des enfants pour des enfants. Trois lycéennes d’Alpha fournissent des outils pédagogiques à des enfants réfugiés ukrainiens vivant dans des hébergements d’urgence. »

Une autre élève, Savannah Marrero, en cinquième, veut ouvrir un lycée à Brownsville pour poursuivre son éducation propulsée par l’IA plutôt que de passer dans un lycée traditionnel.

Allred affirme qu’il s’agit d’une redéfinition fondamentale de l’enfance, au cours de laquelle, comme il l’a observé, ses enfants « passent d’un enthousiasme à l’autre ». Et il se montre très optimiste quant à sa réussite : « Toute une génération de jeunes de 16 ans aura terminé l’intégralité du programme du lycée, avec des notes parfaites partout et des 5 à un grand nombre d’examens AP. »

‍Donc, il s’agit clairement d’une absurdité d’école privée réservée à l’élite, n’est-ce pas ? 

Un peu… ? MacKenzie Price est diplômée en psychologie de Stanford et a fondé Alpha School en 2016, après que ses filles se sont plaintes de l’ennui de l’école traditionnelle.

L’école utilise un outil appelé «2 Hour Learning pour y parvenir (une approche mise au point par MacKenzie en 2016, à l’époque où elle a fondé l’école).

Voici comment fonctionne 2 Hour Learning

2 HourLearning est la plateforme technologique éducative sous-jacente qui fait fonctionner Alpha School et plusieurs autres écoles de ce type. Alpha School utilise cette plateforme, qui regroupe des applications pilotées par l’IA appartenant à Trilogy Software. Les élèves travaillent avec des tuteurs IA dans des applications qui proposent un enseignement personnalisé, individuel, à leur rythme et à leur niveau.

Comme l’aexpliqué, le système utilise un apprentissage par maîtrise, selon lequel les élèves doivent comprendre parfaitement chaque notion avant de passer à la suivante, afin de garantir l’absence de lacunes.

Apprentissage par maîtrise contre apprentissage fondé sur le temps :

• L’apprentissage par maîtrise signifie qu’on ne passe pas au niveau suivant tant qu’on ne maîtrise pas le contenu du précédent (cette approche remonte à 1968).
• C’est l’inverse du fonctionnement actuel des écoles.
• Dans l’enseignement traditionnel, le temps est fixe (tout le monde dispose exactement d’une année scolaire pour apprendre l’algèbre), tandis que l’apprentissage est variable (certains élèves obtiennent des A, d’autres des C).
• Les élèves peuvent avancer de plusieurs niveaux s’ils sont prêts, ou combler leurs lacunes fondamentales avant de poursuivre.

Cela s’accompagne également d’une redéfinition radicale du rôle traditionnel des enseignants :

• Les enseignants du réseau Alpha cherchent à accompagner et à motiver les élèves tout en leurinculquant le sens de l’autonomie dès l’école maternelle.
• Les enseignants d’Alpha semblent davantage jouer le rôle de « personnel de soutien », chargé de donner aux élèves les moyens de devenir autonomes.
• Les adultes deviennent des « guides » qui apportent un soutien émotionnel plutôt que de transmettre des connaissances.

‍Place à la mise au point : 2 Hour Learning et Alpha School forment plus ou moins une entreprise intégrée verticalement, la famille de la fondatrice de l’école possédant la technologie. Et ce n’est pas la seule école à fonctionner ainsi. Parmi les écoles similaires, on trouve GT School, Lake Travis Sports Academy, NextGen Academy (axée sur le jeu vidéo), Novatio School et Unbound Academy.

À Unbound Academy, par exemple, les membres du conseil d’administration sont tous liés à 2 Hour Learning, Trilogy Enterprises et Crossover Markets, qui fournissent chacun des services à l’école, ce qui peut créer des conflits d’intérêts.

Et comme nous l’avons indiqué plus haut, les affirmations concernant la progression scolaire n’ont pas été vérifiées de manière indépendante et reposent sur des indicateurs internes fournis par les écoles elles-mêmes. aucune étude évaluée par des pairs ne valide l’efficacité de l’approche 2-Hour Learning.

Même ainsi, l’approche est séduisante… d’un point de vue commercial, à défaut de l’être uniquement du point de vue des parents. Alpha ouvrira sept nouveaux campus à l’automne 2025 au Texas, en Floride, en Arizona, en Californie et à New York. Les frais de scolarité varient selon le lieu, pour une moyenne d’environ 40 000 à 50 000 dollars par an.

Il faut également préciser que l’essor d’Alpha survient au moment où le choix de l’école a trouvé un défenseur dans l’administration Trump. Le président Trump vient de signer un décretchargeant le ministère de l’Éducation d’aider les États à réaffecter les fonds fédéraux consacrés à l’éducation aux programmes de choix de l’école, et vient également de signer un décret visant à intégrer l’IA dans les classes de la maternelle à la terminale à l’échelle nationale, afin de développer l’expertise technologique des générations futures.

En réalité, on peut donc considérer Alpha School comme une éventuelle preuve de concept de ce qui nous attend.

Que ce soit une bonne ou une mauvaise chose dépend des réponses à deux questions essentielles : 

1. ‍‍Ces écoles et ces programmes peuvent-ils étayer leurs affirmations par des éléments accessibles au public ? 
2. Les systèmes d’apprentissage fondés sur l’IA peuvent-ils réellement être conçus de manière à encourager et à améliorer l’apprentissage, conformément aux connaissances scientifiques ? 

Pour la première question, il faudra attendre et voir. Mais pour la seconde, nous pouvons dès maintenant approfondir largement la question.

Comme vous le voyez, ces deux mondes — le monde chaotique et réactif de « l’éducation traditionnelle » actuelle, et le monde du rêve hyper efficace et radical d’Alpha School (s’il est réel) — représentent les deux pôles de notre dilemme éducatif actuel.

D’un côté, un jeu du chat et de la souris entre la triche et sa détection fait des ravages, tandis que de l’autre, la transmission des connaissances est entièrement externalisée vers l’IA au profit du développement des compétences humaines (ce qui constitue un sous-sujet fascinant à explorer un jour ; à l’ère de l’IA omniprésente, devrions-nous simplement nous concentrer sur l’apprentissage de ce qui est humain ?)

Le débat sur la « triche avec l’IA » contre le « tutorat par l’IA » passe à côté d’un point plus fondamental et, franchement, plus inquiétant

C’est ce que cette récente étude du MIT dont nous avons parlé il y a quelques semaines appelle la « dette cognitive ». L’étude, intitulée «Your Brain on ChatGPT: Accumulation of Cognitive Debt », a conclu que s’en remettre à ChatGPT ne se contente pas de contourner le travail : cela peut littéralement affaiblir le cerveau.

Pour comprendre l’impact de l’IA sur l’apprentissage et la cognition, les chercheurs du MIT ont conçu une expérience particulièrement poussée. Ils ont réparti 54 participants en trois groupes pour une tâche de rédaction : un « groupe LLM [grand modèle de langage] » limité à ChatGPT, un « groupe moteur de recherche » autorisé à utiliser Google et un « groupe cerveau seul » privé de tout outil externe.

Pendant quatre mois et au cours de plusieurs sessions, ils ont mesuré non seulement la qualité des textes, mais aussi l’activité cérébrale des participants au moyen de l’électroencéphalographie (EEG).

Voici ce que les chercheurs ont découvert :

• Des cerveaux moins actifs : Le groupe LLM présentait une connectivité neuronale nettement plus faible que les autres groupes. Leur cerveau travaillait littéralement moins.
• • Dans toutes les bandes de fréquences mesurées (alpha, bêta, delta et thêta), associées à des fonctions comme l’attention, la mémoire et la pensée critique, les cerveaux du groupe LLM étaient tout simplement moins actifs. Ils externalisaient l’essentiel de l’effort cognitif, et leurs circuits neuronaux en portaient la trace.
• Une mémoire catastrophique : Les utilisateurs de LLM étaient étonnamment mauvais pour citer des passages des textes qu’ils venaient tout juste de terminer d’écrire. Lors de la première session, 83 % d’entre eux en étaient incapables.
• • C’était l’élément comportemental le plus accablant : l’incapacité du groupe LLM à se souvenir de ce qu’il venait d’écrire. Lors de la première session, pas moins de 83 % des utilisateurs de LLM étaient incapables de citer correctement une seule phrase de leur propre texte quelques instants après l’avoir terminé. En revanche, les groupes « cerveau seul » et « moteur de recherche » n’éprouvaient que des difficultés minimes. Cela suggère que lorsque l’IA génère le contenu, l’information n’est pas encodée dans la mémoire à long terme de l’utilisateur.‍
• Un moindre sentiment d’appropriation : Les membres du groupe LLM s’appropriaient moins leur travail final.
• • Leurs textes, bien que souvent grammaticalement parfaits, leur semblaient moins être le fruit de leur propre création.‍
• La « dette » se manifeste : Lorsque les utilisateurs de LLM ont ensuite dû écrire sans IA, leur activité cérébrale était toujours plus faible que celle du groupe qui ne l’avait jamais utilisée. Ils étaient devenus moins capables de travailler de manière autonome.
• • Cette découverte est apparue lors de la quatrième session, lorsque les groupes ont été intervertis. Quand les participants habitués aux LLM ont dû écrire sans IA (la condition « LLM vers cerveau »), leur connectivité neuronale est restée faible. Ils ne sont pas revenus à leur niveau de référence et ont obtenu de moins bons résultats que le groupe « cerveau seul », ce qui suggère que leur dépendance à l’outil les avait rendus moins capables de travailler de manière autonome. D’où la « dette cognitive ».

Les chercheurs ont découvert que la connectivité cérébrale — la communication entre différentes régions neuronales — diminuait directement à mesure que le niveau de soutien externe augmentait. Le groupe « cerveau seul » présentait les réseaux neuronaux les plus forts et les plus étendus, le groupe « moteur de recherche » affichait un engagement intermédiaire et le groupe LLM présentait l’activité cérébrale globale la plus faible.

Les résultats étaient frappants et systématiques. L’étude a montré que les étudiants qui utilisaient l’IA avaient une connectivité neuronale nettement plus faible, une moins bonne mémoire et un sentiment moindre d’être à l’origine de leur travail. Lorsqu’ils ont ensuite dû écrire sans IA, ils étaient moins capables que ceux qui ne l’avaient jamais utilisée. Voici le lien vers l’article.

Écoutez bien : Ethan Mollick, qui s’y connaît plutôt bien en recherche sur l’IA, a précisé sur X que cette étude était quelque peu mal interprétée. Les chercheurs ont demandé à des participants de rédiger des dissertations avec l’aide de ChatGPT, puis les ont testés sur ces mêmes dissertations quelques semaines plus tard. Sa conclusion ? Surprise ! Les personnes qui avaient laissé l’IA faire le plus gros du travail ne se souvenaient pas de ce qu’elles avaient « écrit ». Et seuls 9 participants ont été testés lors du suivi. Ce n’est pas vraiment une taille d’échantillon qui crie à la « science définitive ».

Il a AUSSI à juste titre souligné qu’il y a quelques années, certains craignaient que les smartphones ne nous rendent plus bêtes parce que nous n’avions plus à retenir les numéros de téléphone. Tout cela s’inscrit dans un passage de relais technologique (techno-neurologique ??), où le cerveau échange des compétences importantes comme mémoriser des cartes ou effectuer des calculs facilement pris en charge par des calculatrices — et oui, retenir les numéros de téléphone — contre de nouveaux domaines de développement. Et il considère toujours l’enseignement formel comme un lieu où l’on « force » le processus d’apprentissage.

En bref, le point de vue de Mollick pourrait se résumer ainsi : « Les LLM ne vous grillent pas le cerveau. C’est la paresse et le refus d’apprendre qui le font.“

C’est comme si l’on cherchait à déterminer si utiliser une calculatrice rend mauvais en maths en donnant une calculatrice à quelqu’un pour ses devoirs, puis en le testant sans quelques semaines plus tard. Le problème n’est pas l’outil —c’est de l’utiliser comme une béquille au lieu d’une aide à l’apprentissage. Le problème auquel les enseignants sont confrontés est le suivant : c’est en grande partie ainsi que l’IA est utilisée à l’école. Un professeur a remarqué : « Je fais échouer plus d’étudiants en dernière année qu’avant », parce que les élèves s’appuient sur l’IA sans apprendre.

Selon Mollick, le problème central n’est pas l’IA, mais le fait que « le travail scolaire est difficile et lourd de conséquences » et que « la plupart des gens n’aiment pas l’effort mental ». Internet avait déjà sapé l’efficacité des devoirs. Mollick a écrit qu’en 2017, les devoirs n’aidaient plus que 45 % des élèves (contre 86 % en 2008), parce qu’ils se contentaient de copier les réponses sur Internet. Les enseignants constatent que cette tendance s’est accélérée pendant la pandémie : « Les enfants ont un peu perdu cette ténacité, cette envie d’apprendre réellement. »

C’est ici que la façon dont nous travaillons avec l’IA compte davantage que le fait de l’utiliser ou non

Ethan a partagé un autre article de Wharton dans lequel une équipe de chercheurs vient d’achever la plus vaste étude en conditions réelles jamais menée sur le tutorat par IA.

Le dispositif : près de 1 000 lycéens turcs ont utilisé GPT-4 pour s’entraîner en mathématiques pendant quatre mois. Les chercheurs ont testé deux versions :

1. ‍« GPT Base » (en gros, ChatGPT) : les étudiants pouvaient poser n’importe quelle question et obtenir des solutions complètes.‍
2. « GPT Tutor » (avec des garde-fous) : conçu pour fournir des indices, pas des réponses.

Les résultats étaient hallucinants.

Pendant les séances d’entraînement, les deux tuteurs IA ont fait un carton. GPT Base a augmenté les performances de 48 %, tandis que GPT Tutor a produit une amélioration stupéfiante de 127 %.

Mais ils ont ensuite retiré l’IA pour les examens : les élèves utilisant GPT Base ont obtenu des résultats 17 % moins bons que ceux qui n’avaient jamais utilisé l’IA. Et les élèves utilisant GPT Tutor ? Retour au niveau de départ — ni meilleurs ni moins bons.

La preuve accablante : les élèves traitaient GPT Base comme un code de triche pour les devoirs. La question la plus fréquente ? « Quelle est la réponse ? » (Étonnant, n’est-ce pas ?)

Écoutez bien : GPT Base avait en réalité tout simplement tort 49 % du temps. Les élèves copiaient littéralement de mauvaises réponses et n’apprenaient rien.

Pendant ce temps, les utilisateurs de GPT Tutor interagissaient réellement avec le contenu, demandaient de l’aide et tentaient de résoudre les problèmes.

À retenir : l’IA ne vous grille pas le cerveau, mais l’utiliser comme une béquille le fait absolument. Lorsqu’elle est correctement conçue (comme GPT Tutor), elle peut considérablement améliorer les performances à l’entraînement sans nuire à l’apprentissage réel.

La différence entre amélioration et remplacement ? Le fait de réfléchir avec l’IA ou de la laisser réfléchir à votre place.

De son côté, Mollick fournit des conseils précis sur les cas où l’IA aide ou nuit :

• ‍Bonnes utilisations : brainstorming, traduction entre formats, déblocage, aide au codage, obtention de points de vue multiples.‍
• Mauvaises utilisations : lorsque vous devez apprendre ou synthétiser de nouvelles idées, lorsqu’une très grande précision est requise, lorsque l’effort est précisément le but (la difficulté mène à la révélation).

D’accord, mais c’est plus facile à dire qu’à faire. Après tout, de la même façon que l’on s’inquiète d’un « effondrement de l’IA », où les modèles se dégradent en s’entraînant sur des données générées par l’IA, l’intelligence humaine ne pourrait-elle pas elle aussi s’effondrer sur elle-même si nous comptons uniquement sur des systèmes auto-renforçants pour apprendre ?

Comment utiliser l’IA si l’on veut réellement progresser ?

Cela soulève la question la plus importante de toutes, qui dépasse largement le cadre de la salle de classe : quel est le véritable objectif de l’apprentissage ? S’agit-il d’accumuler des connaissances, domaine dans lequel l’IA règne désormais en maître ? Ou est-ce quelque chose de plus profond ?

Ainsi, il y a environ un mois, Simon Sinek a accordé une EXCELLENTE interview à Diary of a CEO qui constituait un rappel très, très important pour quiconque s’intéresse à l’apprentissage avec l’IA ou s’enthousiasme pour son potentiel : ne perdez pas ce qui fait de vous un être humain dans le processus.

‍En particulier, ses réflexions sur le fait que la difficulté est le but et sur ce qui le rend meilleur en résolution de problèmes, en écriture et en reconnaissance de schémas — à savoir tout le temps éprouvant qu’il a consacré à essayer d’écrire son livre.

Selon Sinek, nous sommes devenus obsédés par la destination — le produit fini — tout en oubliant la valeur du voyage. « Je suis plus intelligent, je résous mieux les problèmes, je suis plus débrouillard… non pas parce qu’un livre contenant mes idées existe, mais parce que je l’ai écrit », a-t-il déclaré. « C’est ce voyage éprouvant qui m’a fait grandir. »

C’est la difficulté qui développe les compétences humaines de résilience, de créativité et de jugement.

Et les études du MIT et de Wharton donnent raison à Sinek sur le plan neurologique. Ce « voyage éprouvant » est le travail cognitif qui construit et renforce les voies neuronales, et il porte un nom en sciences cognitives : les difficultés souhaitables.

Ce terme, forgé par les chercheurs Robert et Elizabeth Bjork, désigne les défis exigeants qui semblent plus difficiles sur le moment — comme retrouver un fait en mémoire au lieu de le chercher sur Google — mais qui sont essentiels pour construire des connaissances solides et durables.

Plus scientifiquement, les conditions d’apprentissage qui introduisent un niveau de difficulté gérable sont bien plus efficaces pour la rétention à long terme que celles qui ne demandent aucun effort.

Ainsi, lorsque nous utilisons l’IA pour contourner ces difficultés, nous ne prenons pas seulement un raccourci ; nous renonçons à une occasion de développer nos capacités cognitives.

Autrement dit : lorsque vous laissez l’IA faire le plus gros du travail, vous sautez l’entraînement mental qui développe réellement vos muscles cognitifs.

Voici 4 techniques d’apprentissage efficaces qui s’appuient sur les difficultés souhaitables

Le livre Make It Stick: The Science of Successful Learning m’a fait découvrir une série de méthodes dont la science a démontré qu’elles amélioraient l’apprentissage à long terme.

Selon ce livre, souligner, surligner, relire, bachoter et répéter de manière mécanique créent l’illusion de maîtrise, mais ces « progrès » s’estompent rapidement.

Pendant ce temps, la véritable science de l’apprentissage est contre-intuitive : c’est la récupération en mémoire, et non la relecture, qui approfondit l’apprentissage et « l’ancre ».

Une fois encore, ce sont les difficultés souhaitables qui ressemblent aux conditions du monde réel et demandent un effort pour être surmontées, qui approfondissent l’apprentissage et améliorent les performances ultérieures.

Steve Kaufmann (présenté ci-dessous) passe en revue une série de ces résultats dans une courte vidéo facile à suivre, où il les explique et montre comment les appliquer (dans son cas, il parle de l’apprentissage d’une langue, alors nous allons traduire cela ci-dessous en conseils pour mieux travailler avec l’IA).

Les méthodes sont les suivantes :

• Pratique de la récupération (test) : Essayer activement de se rappeler une information en mémoire est bien plus difficile que de la relire, mais cela renforce considérablement la trace mnésique. Le groupe LLM de l’étude du MIT, qui n’a jamais eu à récupérer la moindre information, n’a pas réussi à construire ces traces.
• Espacement : Répartir l’apprentissage dans le temps, ce qui vous oblige à oublier puis à récupérer de nouveau les informations, est plus efficace que le bachotage.
• Entrelacement : Mélanger différents sujets ou types de problèmes semble déroutant, mais cela entraîne en réalité le cerveau à reconnaître des schémas et à choisir la bonne stratégie, ce qui est essentiel pour résoudre des problèmes dans le monde réel.
• Effet de génération : Le fait d’essayer de produire soi-même une réponse — même si elle est fausse — permet de mieux apprendre le contenu que si l’on vous donne simplement la bonne réponse.

Ainsi, lorsque nous nous tournons vers ChatGPT pour obtenir une solution instantanée, nous nous livrons à l’équivalent cognitif d’une relecture : cela semble fluide et facile, mais crée une « illusion de savoir », dont Ethan a parlé, sans développer une véritable expertise durable. Nous évitons précisément les difficultés dont notre cerveau a besoin pour apprendre.

P.-S. : Une autre bonne ressource courte pour expliquer ces idées est la vidéo « Learn ANYTHING quickly » de Python Programmer. Il compare Make it Stick à Uncommon Sense Teaching, qui vise à combler l’immense fossé entre ce que les neuroscientifiques savent de l’apprentissage et ce qui se passe réellement dans les salles de classe.

Les auteurs expliquent pourquoi certains élèves apprennent comme des « voitures de course » (rapides, mais sujets aux erreurs) tandis que d’autres sont des apprenants « randonneurs » (plus lents, mais plus approfondis), et montre à quel point la mémoire de travail — cet espace de stockage temporaire pour les idées nouvelles — varie d’un étudiant à l’autre. Le livre explique aux enseignants comment maintenir la motivation des élèves, les aider à retenir les informations à long terme plutôt qu’à les oublier après les examens, et enseigner de manière inclusive lorsque les élèves ont des capacités très différentes.

Les deux livres mettent en évidence la même idée essentielle :Les stratégies qui semblent devoir fonctionner (surligner, relire, s’exercer facilement) sont précisément celles qui ne s’ancrent pas. À l’inverse, les approches qui paraissent plus difficiles et plus désordonnées — comme se tester avant de se sentir prêt — sont celles qui inscrivent réellement les connaissances dans notre cerveau de façon durable.

Alors, me dis-je, si nous parvenons à utiliser les systèmes d’IA d’une manière qui s’appuie sur ces concepts clés et les renforce, peut-être pourrons-nous ENFIN créer une éducation assistée par l’IA qui permette réellement d’acquérir de nouvelles connaissances au lieu de nous laisser sur le bord du chemin.

Alors, comment construire un cadre de travail avec l’IA pour développer les compétences dont nous aurons besoin dans ce nouveau monde ?

Je propose quelques idées pour commencer. Elles ne constituent en aucun cas une destination, mais un point de départ, dont l’objectif est de nous battre pour avancer vers quelque chose d’encore plus grand. :) 

Voici un processus en 4 étapes pour apprendre une nouvelle compétence avec l’IA

Ce processus montre comment appliquer ces principes lorsqu’on veut apprendre quelque chose de nouveau et de difficile, en intégrant les enseignements de Make It Stick d’une manière où l’humain garde la main.

Étape 1 : S’engager (la page blanche)

• Objectif : Activer votre cerveau et définir « la difficulté » (qu’essayez-vous de faire ?).
• • C’est l’étape la plus importante, et elle se déroule sans l’IA.
  • Avant d’écrire un seul prompt, vous devez d’abord vous confronter au problème en vous appuyant uniquement sur votre propre esprit.
• Commencez par le plus difficile (la génération) : Passez au moins 20 à 30 minutes à vous débattre avec le concept, le problème ou la compétence.
• • Essayez d’écrire le code. Ébauchez l’argumentation. Esquissez le modèle. Échouez. Restez bloqué.
  • Cet effort initial, sans aide, échauffe les réseaux neuronaux concernés et crée un « crochet mental » auquel les nouvelles informations peuvent s’accrocher.
• Formulez ce que vous ignorez : Écrivez clairement ce que vous savez, ce que vous pensez savoir et l’endroit précis où vous êtes bloqué.
• • Le fait de formuler tout cela constitue en soi un puissant outil d’apprentissage.
  • Et devinez quoi ? Une fois cette étape terminée, cela devient votre prompt.

La tactique ci-dessus est une manière de mettre en pratique l’« ingénierie du contexte » : vous fournissez à l’IA tout le contexte, toute votre réflexion, tout ce que vous savez et ignorez, afin de résoudre le problème précis. Idéalement, vous avez tout ce dont vous avez besoin sous les yeux, et l’IA peut vous faire franchir le cap.

Étape 2 : Jouter (le dialogue)

• Objectif : Utiliser l’IA pour obtenir des conseils, pas des réponses.
• • Vous présentez maintenant votre difficulté clairement définie (votre prompt) à l’IA.
  • Vous ne lui demandez pas de faire le travail ; vous lui demandez d’être votre partenaire de réflexion.
  • Vous dirigez la conversation à partir de la difficulté à laquelle vous vous êtes initialement heurté.
• Jouez différents rôles : Au lieu de vous contenter de poser des questions, attribuez à l’IA un rôle qui l’oblige à atteindre un niveau de réflexion plus approfondi.
• • Le tuteur socratique : « Ne me donne pas la solution. Pose-moi des questions qui me permettront de la trouver. »
  • L’avocat du diable : « Voici mon argument. Remets-le vigoureusement en question et révèle ses points faibles. »
  • Le détecteur de structures : « Je travaille sur les problèmes A, B et C. Quel est le principe sous-jacent qui les relie ? »

Dans un environnement professionnel concret, vous n’avez pas le temps de faire cela à chaque fois ; souvent, vous avez simplement besoin de la réponse. Mais même si vous devez rapidement mettre quelque chose en production, prenez tout de même le temps, à la fin de votre journée de travail, de revenir à ce processus et d’échanger avec l’IA pour mieux comprendre comment elle a résolu le problème.

Étape 3 : Synthétiser (la forge)

• Objectif : Vous approprier les connaissances.
• • C’est ici que vous transformez les idées tirées de votre dialogue avec l’IA en connaissances personnelles et durables.
  • Cette étape consiste à faire activement de ces informations les vôtres.
• Fermez la boîte et reconstruisez (récupération) : Après votre session avec l’IA, fermez l’onglet.
• • Dans un document vierge ou sur une feuille de papier, résumez les idées essentielles avec vos propres mots.
  • Si vous ne pouvez pas le faire de mémoire, c’est que vous ne l’avez pas appris.
• Appliquez et modifiez : Revenez à votre travail initial de l’étape 1 et appliquez ce que vous avez appris.
• • Ne faites pas de copier-coller. Réécrivez le code, remaniez l’argumentation.
  • C’est VOUS qui devez intégrer les nouvelles connaissances.

Encore une fois, si vous voulez améliorer vos compétences au travail (ou à l’école), ou guider vos élèves pour qu’ils fassent de même, cette étape DOIT faire partie du processus. Le physicien Richard Feynman disait : « Ce que je ne peux pas créer, je ne le comprends pas. » Dans le même esprit, ce que vous ne pouvez pas expliquer, vous ne le comprenez pas.

Étape 4 : Architecturer (le système)

• Objectif : Concevoir votre propre plan d’apprentissage à long terme.
• • Vous devez devenir l’architecte de votre propre calendrier d’apprentissage.
  • Utilisez l’IA comme consultante pour vous aider à concevoir ce système.
• Organisez vos révisions espacées : Demandez à l’IA : « À partir de notre conversation, quels sont les 3 à 5 concepts fondamentaux que je devrais revoir ? Aide-moi à formuler une question exigeante pour chacun d’eux, que je pourrai inscrire dans mon calendrier afin de les revoir dans 3 jours, 1 semaine et 1 mois. »
• • Vous inscrivez ensuite ces questions dans votre véritable calendrier. C’est une répétition espacée où l’humain garde la main.
• Organisez l’entrelacement : Demandez à l’IA : « J’apprends actuellement [Skill X], [Skill Y] et [Skill Z]. Aide-moi à concevoir un mini-projet pour la fin de la semaine qui m’obligera à combiner les trois d’une manière originale. » Vous utilisez la créativité de l’IA pour structurer un exercice que vous réaliserez ensuite.

La règle de la « propriété cognitive »

Si vous voulez VRAIMENT améliorer votre apprentissage assisté par l’IA, voici une tactique que vous pourriez employer : 

• Ne copiez-collez jamais les réponses de l’IA. Réécrivez-les toujours avec vos propres mots après les avoir assimilées.
• Le « test de la citation » : après tout travail assisté par l’IA, fermez la conversation et vérifiez si vous pouvez citer ou résumer de mémoire les idées essentielles. Si vous n’y arrivez pas, c’est que vous ne les avez pas assimilées.
• Le « test de l’enseignement » : Vous voulez apprendre quelque chose ? Essayez de l’enseigner ! Expliquez ce que vous avez appris à quelqu’un d’autre (ou écrivez-le) sans consulter vos conversations. C’est ma stratégie, et c’est pourquoi j’aime apprendre et transformer les contenus que j’apprends en contenus que d’autres peuvent comprendre et apprécier.

Le prompt de méta-apprentissage

Même si cela va quelque peu à l’encontre de ce que nous disions sur le fait de donner trop de pouvoir à l’IA, vous pouvez bien sûr toujours demander à l’IA comment collaborer au mieux avec elle.

À cet égard, vous pourriez essayer un prompt comme celui-ci :

« Je veux développer une expertise plus approfondie dans [domain]. Au lieu de me donner des réponses, aide-moi à concevoir un défi d’apprentissage d’une difficulté appropriée — suffisamment difficile pour que je doive lutter et progresser, mais pas au point d’abandonner. Base-toi sur mon niveau actuel : [describe your understanding]. »

Même s’il ne s’agit pas d’un système déterministe qui suit vos progrès de bout en bout, c’est une tactique que vous pourriez employer pour chaque nouvelle compétence que vous souhaitez acquérir. Vous devrez suivre votre apprentissage, et peut-être même que le fait de « prompter » l’IA en lui indiquant votre niveau actuel de compréhension pourrait contribuer à déclencher certaines des tactiques de récupération et de génération mentionnées plus haut.

Vers quoi tout cela nous mène-t-il ? De l’« économie de la connaissance » à l’« économie du jugement »

À l’heure actuelle, nous sommes pris entre deux forces puissantes : la tentation, disons « économique », d’utiliser l’IA pour gagner en productivité sans effort (avec les agents d’IA, ou même l’interface de « triche » par IA de Cluely, qui en est l’expression ultime), et la nécessité biologique des « difficultés souhaitables » pour développer notre esprit.

La manière dont nous gérerons ce paradoxe définira l’avenir du travail, de l’expertise et du potentiel humain.

La tentation de l’IA consiste à tout court-circuiter, à accélérer pour atteindre plus vite la destination. Mais comme nous le savons désormais, à l’instar de l’étude récente du MIT sur les effets de ChatGPT sur le cerveau et de bien d’autres éléments de preuve qui l’ont démontré, nous avons besoin d’un certain niveau de « difficulté souhaitable » pour apprendre.

Cela nous oblige à nous demander : à une époque où les connaissances sont une marchandise, qu’est-ce qui nous rend intrinsèquement humains, et comment construire un système éducatif — ainsi qu’une vie professionnelle — qui cultive cette spécificité, afin que la prochaine génération apprenne plus intelligemment, et pas seulement plus vite ?

Il ne s’agit pas seulement d’un problème d’apprentissage individuel ou d’un problème du système éducatif ; cela a aussi de profondes implications pour ceux d’entre nous qui sont déjà bien avancés dans leur carrière. Le futurologue Nate B. Jones soutient que nous assistons à l’effondrement de l’« économie de la connaissance » et à l’essor de l’« économie du jugement ». L’IA a déclenché une « hyperinflation des connaissances » (j’adore cette expression), dans laquelle les informations doublent à un rythme vertigineux, ce qui les rend bon marché et omniprésentes.

Dans cette nouvelle réalité, les titres et diplômes traditionnels (comme les diplômes universitaires), qui témoignent de l’accumulation de connaissances, sont en train de perdre toute valeur. Un diplôme universitaire perd sa capacité à signaler les compétences lorsque l’IA peut produire (ou simuler) les mêmes connaissances. Un CV devient obsolète lorsque, comme le dit Jones, il n’est plus qu’à « un prompt de chatbot de la perfection ».

L’avenir ne paiera donc pas pour les connaissances qu’une machine peut fournir. Il paiera pour le jugement : la capacité proprement humaine à prendre de bonnes décisions avec des informations incomplètes, à avoir du goût, à discerner le contexte et à naviguer dans l’ambiguïté. Les compétences qui comptent sont ce que Jones appelle des « douves humaines » — des qualités comme une capacité d’action extrême, une grande vitesse d’apprentissage et une intention à long terme. Ce sont précisément les compétences que l’on affûte dans la difficulté, et non en externalisant notre réflexion.

Selon Nate, voici ce que l’économie du jugement récompense réellement :

1. ‍Le goût = ce n’est pas seulement savoir comment construire quelque chose, mais savoir quoi construire. Lorsque l’IA vous propose 50 options pour votre campagne marketing, le goût consiste à choisir celle qui établit réellement un lien avec les êtres humains. C’est la différence entre un logo techniquement parfait et un logo qui fait s’arrêter les gens dans leur défilement.
2. 1. ‍En pratique : Commencez à dire non plus souvent. Entraînez-vous à choisir la meilleure option parmi les suggestions infinies de l’IA au lieu de vous contenter de la première qui semble convenable.‍
2. Autonomie extrême = la capacité à fonctionner sans avoir un manager constamment sur le dos. Si l’IA excelle dans l’exécution, les humains doivent devenir redoutablement bons pour fixer des objectifs et corriger le cap.
3. 1. ‍En pratique : Prenez en charge des projets entiers, pas seulement des tâches. Quand quelque chose tombe en panne, n’attendez pas d’instructions — réparez-le. Concevez des systèmes qui fonctionnent sans que vous ayez à les surveiller en permanence.
3. Vitesse d’apprentissage = il ne s’agit pas d’accumuler des connaissances (l’IA remporte cette partie). Il s’agit de s’adapter plus vite que le monde ne change.
4. 1. ‍En pratique : Lorsqu’un nouvel outil sort, soyez la personne qui le maîtrise en quelques jours, pas en quelques mois. Considérez chaque compétence comme temporaire et chaque défi comme une occasion de prouver que vous savez surfer sur la vague de l’obsolescence.
4. Horizon des intentions = la capacité à conserver des objectifs cohérents sur plusieurs mois et plusieurs années, et pas seulement jusqu’à la prochaine session de chat. L’IA est fondamentalement amnésique : chaque conversation repart de zéro.
5. 1. ‍En pratique : Soyez la personne qui se souvient de la raison pour laquelle le projet a été lancé, de ce à quoi ressemble la réussite au prochain trimestre et de la manière dont les décisions d’aujourd’hui s’inscrivent dans la vision à long terme.
5. Interruptibilité =les humains peuvent être interrompus, changer de contexte et reprendre là où ils s’étaient arrêtés. L’IA déteste ça.
6. 1. ‍En pratique : Apprenez à être à l’aise dans le chaos. Soyez la personne capable de gérer trois messages Slack urgents, un appel client et une crise budgétaire avant même le déjeuner — tout en se souvenant de ce sur quoi elle travaillait.

Comment développer son discernement plutôt que sa dette

La solution n’est pas d’abandonner l’IA, mais de l’utiliser avec discernement — pour la transformer d’une béquille en partenaire d’entraînement cognitif. Toute votre interaction avec l’IA devrait être guidée par les engagements suivants :

• C’est moi l’agent, l’IA est l’outil. Mes objectifs orientent le processus. Je suis responsable de l’apprentissage, de la réflexion et du résultat. L’IA est une assistante puissante, mais subordonnée.
• L’effort est l’objectif, pas l’obstacle. Le sentiment de confusion ou de difficulté n’est pas un signal indiquant qu’il faut immédiatement demander la réponse à l’IA. C’est le signe que votre cerveau construit les circuits neuronaux nécessaires à une compréhension véritable — ces « difficultés souhaitables » essentielles à la progression. Quand vous ressentez cet effort, plongez-vous-y. C’est la partie la plus importante du processus.
• Le processus plutôt que le produit. L’essai terminé, le code fonctionnel ou la bonne réponse ne sont que des artefacts. Le véritable produit, c’est l’esprit plus solide et plus capable que vous développez en les créant. Le « voyage éprouvant », comme le dit Simon Sinek, est ce qui vous rend plus intelligent. Ne sacrifiez jamais le voyage à la destination.

Le dilemme du professionnel moderne

Essayons donc de rassembler tout cela : l’étude du MIT nous met en garde contre l’atrophie cognitive, mais nous ne pouvons pas non plus ignorer que l’IA transforme fondamentalement ce que signifie être compétent. La nouvelle méta-compétence consiste à savoir diriger efficacement l’IA tout en préservant les capacités cognitives qui vous rendent irremplaçable.

Le compromis: utilisez l’IA pour élargir votre champ de compétences (ce que vous pouvez faire), tout en veillant soigneusement à approfondir votre socle cognitif (la manière dont vous réfléchissez).

Vous ne pouvez pas tout apprendre à la dure, mais vous devez apprendre vos compétences les plus importantes à la dure.

La question devient donc : Dans quels 2 ou 3 domaines accepterez-vous la « difficulté souhaitable » afin de développer une expertise véritable, et dans quels domaines tirerez-vous stratégiquement parti de l’IA pour rester compétitif ?

Une matrice de décision pour savoir quand et comment utiliser l’IA pour apprendre

Il y aura un temps pour apprendre et un temps pour automatiser. Dans l’esprit d’un bon discernement, vous devrez savoir quand faire l’un ou l’autre.

Avant d’utiliser l’IA, posez-vous une question : « Est-ce une compétence fondamentale que je dois maîtriser pour atteindre mes objectifs à long terme ? »

Vous pouvez répartir l’éventail des réponses à cette question en trois modes. Votre réponse détermine le mode dans lequel vous devez fonctionner.

• Mode délégation : Pour les tâches qui ne relèvent pas de vos compétences clés (par exemple, vous êtes développeur et avez besoin de textes marketing).
• • Est-ce un moyen d’atteindre une fin ? → Mode délégation.
• Mode apprentissage : Pour les compétences qui définissent votre carrière (par exemple, vous apprenez à coder).
• • Est-ce une compétence fondamentale que je dois maîtriser ? → Mode apprentissage.
• Mode amorçage : Le juste équilibre hybride pour entrer dans de nouveaux domaines.
• • Cela pourrait-il devenir important plus tard ? → Mode amorçage.

1. Mode délégation (l’IA fait le travail.)

• Quand l’utiliser : Lorsque vous devez obtenir des résultats dans des domaines que vous n’êtes pas en train d’apprendre.‍
• Exemples : Créer une application quand le code n’est pas votre compétence fondamentale. Rédiger des textes marketing quand vous êtes un fondateur technique. Automatiser les tâches répétitives pour vous concentrer sur un travail à plus forte valeur ajoutée.‍
• Comment cela fonctionne : Vous demandez à l’IA d’effectuer l’essentiel du travail. Votre rôle n’est pas d’apprendre la tâche, mais de conserver la maîtrise en donnant des directives claires, en critiquant le résultat et en prenant les décisions finales.‍
• L’objectif : Libérer des ressources cognitives pour vous concentrer sur vos compétences clés.‍
• Appliquez la règle de la « compréhension stratégique » : comprenez suffisamment pour diriger, déboguer et itérer, mais ne vous préoccupez pas des détails d’implémentation.

2. Mode apprentissage (vous faites le travail, l’IA vous aide.)

• Quand l’utiliser : Pour les compétences centrales à votre carrière et à votre identité. C’est ici que vous devez bâtir une expertise approfondie et durable.
• • Si vous aspirez à devenir un excellent programmeur, un rédacteur compétent ou un penseur stratégique, vous devez accepter l’effort.
• Exemples : Un développeur junior qui apprend un nouveau langage de programmation ; un stratège qui perfectionne ses compétences en rédaction analytique ; un étudiant qui maîtrise un concept académique fondamental.
• Comment cela fonctionne : Ici, le principe « l’effort d’abord » est primordial. Passez 20 à 30 minutes à vous débattre seul avec le problème. Écrivez le code, rédigez l’argumentation, construisez le modèle financier (ou du moins esquissez-le !). Ce n’est qu’après cet effort initial que vous devez vous tourner vers l’IA, non pas pour obtenir la réponse, mais pour être guidé.
• Utilisez des invites telles que :‍
• • « J’essaie de résoudre [problème] et voici mon approche. Je suis bloqué à [étape précise]. Quel autre modèle mental pourrais-je utiliser pour réfléchir à cela ? »
  • « Ne le résous pas à ma place, mais aide-moi à comprendre quelles questions je devrais poser et que je ne vois pas. »
• L’objectif : Développer une expertise véritable et durable, ainsi que les compétences propres à l’économie du discernement.

3. Mode amorçage (l’IA accélère le développement des compétences.)

• Quand l’utiliser : Lorsque vous entrez dans un domaine nouveau et complexe où vous devez obtenir rapidement des résultats tout en développant vos compétences.
• Exemples : Une personne qui ne sait pas coder et construit sa première application web fonctionnelle ; un spécialiste du marketing chargé de créer pour la première fois un modèle de science des données.
• Comment cela fonctionne : Il s’agit d’un puissant hybride en plusieurs étapes des deux autres modes.
• • Étape 1 (générer) : Demandez à l’IA d’écrire le code fonctionnel initial. Vous pouvez livrer un prototype.
  • Étape 2 (rétro-ingénierie) : Votre rôle consiste maintenant à comprendre ce que l’IA a fait. Demandez-lui : « Explique ce bloc de code ligne par ligne. Quels sont les compromis de cette approche ? »
  • Étape 3 (modifier et itérer) : Apportez vous-même des modifications au code. Commencez petit. « Je veux changer la couleur du bouton. Quelle partie du CSS dois-je modifier ? »
  • Étape 4 (s’exercer) : Demandez à l’IA de vous proposer un problème similaire, mais différent, qui utilise les mêmes concepts, et essayez de le résoudre à partir de zéro.
• L’objectif : Développer rapidement des compétences pratiques dans un nouveau domaine sans tomber dans le piège de la dépendance.

Voici une possibilité d’appliquer ces stratégies sur une période de quatre semaines.

• Semaine 1 : L’IA le construit d’abord, puis vous plongez dans le sujet pour en comprendre l’architecture.
• Semaine 2 : Vous commencez à modifier vous-même le code produit par l’IA, avec l’aide de celle-ci.
• Semaine 3 : Vous essayez d’écrire une fonctionnalité similaire entièrement à partir de zéro.
• Semaine 4 : Vous développez de nouvelles fonctionnalités de manière autonome.

Cela vous permet de livrer rapidement tout en développant vos compétences, en évitant à la fois la dette cognitive et le désavantage concurrentiel. Cela applique également la « méthode de maîtrise » utilisée plus haut par Alpha School. Vous ne passez pas à la création d’une nouvelle fonctionnalité tant que vous ne maîtrisez pas parfaitement la première.

Pour l’instant, l’économie de la connaissance est en panne.

C’est une évidence. Comme l’a dit Nate (et je suis d’accord), dans un monde noyé sous les contenus générés par l’IA, la nouvelle monnaie est le discernement. Et on ne développe pas son discernement en demandant simplement la réponse à une IA.

‍On le développe en se colletant soi-même au problème — et en apprenant à utiliser l’IA comme partenaire d’entraînement, pas comme nègre littéraire.

Au lieu d’utiliser l’IA aveuglément, adoptez un cadre stratégique qui impose des difficultés souhaitables.

Ce ne doit pas nécessairement être l’un de ceux-ci, mais il devrait intégrer les connaissances scientifiques dont nous disposons sur ce qui fonctionne pour apprendre et AUSSI être utile à votre épanouissement personnel, au-delà de la simple automatisation de tout votre travail.

Quant à Cluely, l’IA qui vous permet de tricher en toute circonstance ? Même si elle pourrait constituer le prototype ultime de ce à quoi pourrait ressembler l’éventuelle expérience utilisateur d’une interface informatique cerveau humain, comme le soutient Simon Sinek, l’authenticité et les liens humains naissent de notre imperfection, pas de la perfection… cette forme d’imperfection proprement humaine (appelez ça le chaos ? le rizz de clown ? ce petit je-ne-sais-quoi ?) que l’IA ne pourra jamais reproduire (même si l’IA a ses propres imperfections, et pas des moindres).

Ce n’est pas seulement une formule réconfortante ; nos imperfections nous rendent humains, certes, mais ce que je veux dire en écrivant tout ceci, c’est qu’elles aussi nous aider à apprendre et à progresser. On pourrait considérer notre dépendance nouvelle à l’IA comme notre besoin de réussir ou, autrement dit, notre peur de l’échec. Cette peur de l’échec ressemble alors en quelque sorte à la peur d’apprendre. Même si tous les échecs ne sont pas bénéfiques, ce n’est pas pour rien que les entreprises qui réussissent vous disent de «échouer vite » ou «avancer vite et casser des choses ». C’est parce que l’échec intelligent peut constituer une part importante de la réussite.

Mais encore une fois, l’échec comporte des risques, un coût et une certaine gêne, autant de choses que nous aimerions tous éviter. Comme l’a dit Ethan Mollick, apprendre véritablement est un travail difficile. Il faut faire des efforts pour que les choses s’ancrent. C’est ce qui fait de ChatGPT, et plus encore de Cluely (et des technologies de type Cluely), une pente glissante tentante vers une dépendance excessive à l’IA et la perte de la difficulté dont nous avons besoin pour vraiment apprendre (et qui constitue une part essentielle de notre humanité). Pour savoir comment notre accès à ce type de technologie se concrétisera, il nous faudra simplement attendre et voir.

Dans l’économie du jugement, le savoir est gratuit et présent partout, mais la capacité à prendre de bonnes décisions, à avoir du goût et à apprendre rapidement constitue la nouvelle forteresse humaine. Utiliser l’IA pour éviter les difficultés est un piège ; apprendre à se débattre avec l’IA est un superpouvoir.

Dans ce même esprit, je vous mets tous au défi de faire ce qui suit cette semaine : essayez d’utiliser l’IA, non pas simplement pour faire le travail À VOTRE place, mais pour élargir vos compétences au-delà du travail que vous savez déjà faire aujourd’hui.

Demandez-vous : Qu’est-ce que je peux apprendre avec l’IA que je ne savais pas faire auparavant ou que je n’avais jamais essayé auparavant ? Pensez à quelque chose que vous voulez apprendre, n’importe quoi, mais à quelque chose qui vous semble difficile tout en restant à votre portée.

Affrontez la difficulté. Battez-vous avec elle. Essayez de la comprendre. Et poussez-vous à traverser cette difficulté.

Car en réalité, à quoi bon disposer d’une technologie aux capacités aussi extraordinaires si nous n’élargissons pas en même temps nos propres capacités ?

Note de la rédaction : Ce contenu a d’abord été publié dans notre publication sœur, The Neuron. Pour découvrir davantage de contenus de The Neuron, inscrivez-vous ici à sa newsletter.