L'intelligence artificielle à l'université : une transformation qui dépasse la simple question de la tricherie
L'intelligence artificielle promet de « libérer du temps » et d'optimiser les processus d'apprentissage dans l'enseignement supérieur. Cependant, en déléguant aux machines des tâches qui formaient traditionnellement étudiants et jeunes chercheurs, les universités risquent d'éroder les conditions mêmes de la construction de l'expertise. Cet article, initialement publié sur The Conversation, explore les implications profondes de cette révolution technologique.
Un débat trop souvent réduit à la question de la fraude académique
Dans le débat public sur l'intelligence artificielle à l'université, une inquiétude revient constamment : la tricherie. Les étudiants vont-ils confier leurs dissertations à des chatbots ? Les enseignants sauront-ils les démasquer ? Faut-il interdire ces outils sur les campus ou, au contraire, les intégrer aux pratiques pédagogiques ?
Ces questions sont légitimes, mais elles passent à côté de l'essentiel. Une transformation beaucoup plus profonde est déjà à l'œuvre, qui dépasse largement les comportements des étudiants et même le cadre de la salle de classe. Les universités déploient désormais l'IA dans de nombreux aspects de leur fonctionnement, avec des conséquences potentiellement radicales pour l'écosystème académique.
Les multiples visages de l'IA dans l'enseignement supérieur
Les applications de l'intelligence artificielle dans les universités sont désormais omniprésentes et diversifiées :
- Systèmes invisibles : aide à la répartition des ressources, repérage des étudiants « à risque », optimisation des emplois du temps, automatisation de décisions administratives routinières
- Usages pédagogiques visibles : outils d'IA pour résumer des cours et réviser chez les étudiants, élaboration de sujets d'évaluation et préparation de syllabus chez les enseignants
- Applications en recherche : écriture de code, revue de littérature scientifique, condensation de tâches fastidieuses qui prenaient auparavant des heures
La multiplication de ces usages pose une question fondamentale : à mesure que les machines deviennent capables d'assumer une part croissante du travail de recherche et d'apprentissage, que devient l'université ? À quoi sert-elle encore ?
Trois types de systèmes d'IA et leurs impacts sur la vie universitaire
1. Systèmes non autonomes : l'humain reste dans la boucle
Ces logiciels alimentés par l'IA sont déjà utilisés pour l'examen des candidatures, les achats, l'accompagnement pédagogique ou l'évaluation des risques institutionnels. Ils automatisent certaines tâches, mais un humain reste « dans la boucle » et les utilise comme de simples outils.
Ces technologies soulèvent des questions sérieuses :
- Risques pour la vie privée et la sécurité des données des étudiants
- Biais potentiels dans les algorithmes
- Manque de transparence sur l'origine des problèmes
- Reproduction possible d'inégalités existantes
2. Systèmes hybrides : la frontière entre humain et machine s'estompe
Ces outils regroupent des bots conversationnels assistés par l'IA, des dispositifs de feedback personnalisé ou des aides automatisées à l'écriture. Ils reposent souvent sur des technologies d'IA générative et des grands modèles de langage.
Trois questions éthiques majeures émergent :
- Transparence : Les interfaces en langage naturel rendent difficile de savoir si l'on échange avec un humain ou un agent automatisé, créant incertitude, anxiété et méfiance
- Responsabilité et crédit intellectuel : Qui évalue qui lorsque l'IA contribue à la fois à la formulation des questions et des réponses ?
- Décharge cognitive : L'IA peut détourner les utilisateurs des étapes essentielles de l'apprentissage qui construisent réellement les compétences
3. Agents autonomes : vers un « chercheur en boîte » ?
Les transformations les plus profondes pourraient venir de systèmes qui ressemblent moins à des assistants qu'à de véritables agents autonomes. L'idée d'un « chercheur en boîte » – un système d'IA capable de mener des études de manière indépendante – devient de plus en plus crédible.
Ces outils dits agentiques promettent de « libérer du temps » pour des activités mobilisant davantage des capacités humaines comme l'empathie ou la résolution de problèmes complexes. Mais cette automatisation croissante risque de vider de sa substance l'écosystème d'apprentissage et de mentorat sur lequel les universités sont fondées.
L'université face à un tournant existentiel
À quoi servent les universités dans un monde où le travail intellectuel est de plus en plus automatisé ? Deux visions s'affrontent :
Vision instrumentale : L'université comme machine à produire des diplômes et des connaissances. Dans cette logique, si des systèmes autonomes peuvent générer ces résultats plus efficacement, l'institution a toutes les raisons de les adopter.
Vision écosystémique : L'université comme bien davantage qu'une simple machine à produire des résultats. Sa valeur réside dans l'écosystème lui-même : le continuum d'opportunités grâce auquel les novices deviennent experts, les structures de mentorat, et une pédagogie qui valorise l'effort et la confrontation à la difficulté.
La psychologie cognitive a montré que les étudiants progressent intellectuellement en rédigeant, en révisant, en échouant, en recommençant, en affrontant la confusion et en retravaillant des arguments faibles. C'est précisément dans cette confrontation à la difficulté que se construit une compréhension durable.
Un risque d'érosion silencieuse de l'expertise
Le principal risque lié à l'automatisation dans l'enseignement supérieur ne réside pas seulement dans le remplacement de certaines tâches par des machines, mais dans l'érosion plus profonde de l'écosystème de pratiques qui, depuis longtemps, soutient l'enseignement, la recherche et l'apprentissage.
Si des agents autonomes absorbent une part croissante des tâches « routinières » qui constituaient historiquement des portes d'entrée dans la carrière académique, l'université pourra continuer à produire des cours et des publications – tout en fragilisant silencieusement les structures d'apprentissage qui permettent, dans la durée, de former l'expertise.
Dans un monde où le travail intellectuel est lui-même de plus en plus automatisé, les universités doivent s'interroger sur ce qu'elles doivent à leurs étudiants, à leurs jeunes chercheurs et à la société qu'elles servent. Les réponses à ces questions détermineront non seulement la manière dont l'IA sera intégrée, mais aussi ce que deviendra l'université contemporaine.
