Dans une salle de cours d'une université moscovite, une étudiante de cinquième année saisit, une demi-heure avant l'échéance, une requête pour analyser une étude de cas en marketing. L'intelligence artificielle génère un texte structuré, agrémenté d'exemples et de références. La jeune femme ajuste les tournures de phrases, puis soumet son travail.
Une étude publiée dans la revue Frontiers in Education s'est penchée précisément sur ces pratiques. Les auteurs ont interrogé plus d'un millier d'étudiants de plusieurs pays afin d'analyser l'usage qu'ils font des modèles génératifs dans leur quotidien académique. Ces travaux ne décrivent pas des tendances abstraites, mais des scénarios concrets : de la préparation des séminaires à la rédaction de mémoires.
Le mécanisme se déroule comme suit. L'étudiant formule sa demande, obtient un brouillon, puis le compare avec ses propres notes et les supports de cours. L'étape déterminante n'est pas le copier-coller, mais bien le travail d'édition et la vérification des faits. Ce cycle réduit la charge cognitive et permet de passer plus vite à l'analyse plutôt qu'à la simple recherche d'informations. L'analogie est simple : l'IA agit comme un assistant qui disposerait les meubles dans une pièce, tandis que l'étudiant décide où laisser des espaces vides.
Selon les résultats de l'étude, environ 65 % des sondés ont utilisé l'IA au moins une fois pour des tâches académiques. Les bénéfices se traduisent par une rapidité de préparation accrue et une meilleure compréhension des sujets complexes. Cependant, les auteurs soulignent certaines limites : l'échantillon se composait principalement d'étudiants en filières techniques et économiques, et les données ont été collectées sur un seul semestre. On manque encore d'observations à long terme sur l'évolution de la profondeur de la pensée critique lors d'un usage régulier de ces modèles.
C'est ici que se révèle un problème plus vaste. Dès lors qu'un outil devient plus accessible que les conseils d'un enseignant, une fracture se dessine entre ceux qui maîtrisent l'art du prompt et ceux qui se contentent de réponses prêtes à l'emploi. Le système d'enseignement supérieur, fondé sur le contrôle du travail autonome, perd ses repères : faut-il évaluer le résultat final ou le processus de réflexion qui y a mené ?
La question n'est désormais plus de savoir s'il faut autoriser les réseaux de neurones, mais comment transformer les exercices pour qu'ils exigent ce que l'IA ne peut pas encore remplacer : une vision personnelle et la responsabilité de l'argumentation.
