Le danger majeur de l’IA à l’université : l’érosion de l’apprentissage

Quand la panique masque une transformation structurelle

La panique autour des chatbots et de la « triche » occulte quelque chose de bien plus vaste : l’IA infiltre déjà toutes les coulisses de l’université. Plutôt que de se contenter de détecter des plagiats, il faut s’interroger sur ce que deviennent l’apprentissage, l’encadrement et la responsabilité académique quand des machines prennent en charge des pans entiers du travail intellectuel.

Systèmes automatisés et opacité des données

Des universités utilisent déjà l’IA pour trier les candidatures, gérer les achats, accompagner les étudiants et évaluer les risques institutionnels. Un projet conjoint entre le Applied Ethics Center de l’UMass Boston et l’Institute for Ethics and Emerging Technologies a étudié ces enjeux pendant huit ans.

Ces systèmes « non autonomes » automatisent des tâches, mais laissent un humain « dans la boucle » ; ils posent pourtant des problèmes concrets : opacité, biais, atteintes à la vie privée. Qui a accès aux données ? Sur quelle base un algorithme juge‑t‑il qu’un étudiant est « à risque » ? Les réponses ne sont ni évidentes ni neutres.

Outils hybrides : usages quotidiens et effets sur les étudiants

Par ailleurs, les outils hybrides — chatbots, tuteurs personnalisés, aides à la rédaction — transforment la pratique quotidienne. Étudiants et enseignants les utilisent pour résumer des cours, préparer des évaluations ou générer des protocoles.

Ce n’est pas que de la commodité : ces systèmes modifient la nature même du travail académique. Des recherches menées à l’Université de Pittsburgh montrent que ces interfaces suscitent incertitude, anxiété et méfiance chez les étudiants, des effets loin d’être anecdotiques.

Attribuer responsabilité et préserver la formation

La transparence et la responsabilité deviennent des questions éthiques centrales. Si un professeur fabrique un sujet avec l’aide d’un chatbot et qu’un étudiant répond en s’appuyant aussi sur l’IA, qui évalue quoi ? Qui porte le crédit intellectuel quand une machine contribue significativement à un article ? Les universités devront définir des règles d’attribution et de responsabilité claires — pour les étudiants comme pour les enseignants‑chercheurs.

Enfin, la menace la plus profonde n’est pas la fraude, mais l’érosion des voies d’apprentissage et d’entrée dans la recherche. L’IA peut supprimer des tâches répétitives et « libérer du temps », mais elle peut aussi priver les doctorants et jeunes chercheurs des expériences formatrices : écrire des brouillons, corriger ses erreurs, apprendre à formuler une idée. Des laboratoires robotisés et des agents autonomes capables d’automatiser le cycle scientifique existent déjà ; à terme, un « chercheur en boîte » pourrait remplacer des étapes entières de formation.

L’université n’est pas une usine à produire de l’information ; c’est une communauté de pratique où l’apprentissage se fait en contribuant. Si l’on délègue massivement l’enseignement et la recherche à des systèmes optimisés pour l’efficacité et l’échelle, le diplôme et la publication pourraient survivre pendant que les compétences et les carrières académiques se diluent. Les débats doivent donc dépasser la peur de la triche pour protéger ce qui fait l’essence de l’institution : transmettre, encadrer et former des penseurs, pas seulement fabriquer des outputs.