En janvier 2025, les performances des meilleurs modèles d’intelligence artificielle sur un test conçu pour résister à leurs capacités étaient encore très limitées : GPT-4o scorait environ 5 % sur ARC-AGI-1, tandis qu’o3, annoncé fin décembre 2024, atteignait 75,7 % à budget standard et 87,5 % en mode haute compute sur ce même benchmark — qui était déjà largement contourné. Sur ARC-AGI-2, lancé en mars 2025, les meilleurs modèles scoraient environ 3 % ; treize mois plus tard, ce taux atteignait 83 %. Ce n’est pas une anecdote sur la vitesse du progrès technologique. C’est un problème structurel pour l’école.

L’institution scolaire fonctionne sur des cycles de cinq à dix ans : refonte des programmes, formation des enseignants, adoption des outils. Les modèles d’IA changent de génération tous les six à neuf mois. L’écart entre les deux rythmes n’est pas un retard de mise à niveau. C’est une incompatibilité de régime. Et ce qu’elle révèle dépasse la question des outils : elle force à reformuler ce que l’école est censée transmettre, et à qui elle le transmet.

L’essentiel

  • Sur ARC-AGI-2, les meilleurs modèles scoraient environ 3 % au lancement en mars 2025 ; treize mois plus tard, ce taux atteignait 83 %. Ces données sont publiées par ARC Prize (François Chollet, Mike Knoop et al.) et suivies par Epoch AI.
  • Les modèles changent de génération tous les six à neuf mois, là où les cycles pédagogiques institutionnels durent cinq à dix ans.
  • L’IA amplifie les compétences existantes : les élèves et les travailleurs qui savent déjà structurer un problème en tirent davantage que ceux qui ne le savent pas encore.
  • L’enjeu dans les deux prochaines années : définir quelle est la part de la cognition humaine que l’IA ne peut pas substituer, et organiser l’école autour de cette frontière — qui se déplace.

En quelques mois, le plafond de verre de l’IA s’est évaporé

Le benchmark dont il s’agit n’était pas un test ordinaire. Il avait été conçu précisément pour cartographier ce que les modèles ne pouvaient pas faire : des problèmes de raisonnement complexe, d’inférence à plusieurs étapes, de compréhension contextuelle profonde. Sur ARC-AGI-1, GPT-4o scorait encore ~5 % début 2024 avant qu’o3 ne le contourne massivement fin décembre 2024. Sur ARC-AGI-2, lancé en mars 2025, les meilleurs modèles repartaient de ~3 % — le benchmark remplissait à nouveau exactement sa fonction de miroir des limites.

Treize mois après le lancement d’ARC-AGI-2, ce miroir reflète autre chose : 83 % de réussite. Ce n’est pas la même technologie qui a progressé graduellement : ce sont plusieurs générations de modèles qui se sont succédé, chacune dépassant la précédente sur des capacités qui semblaient, la génération d’avant, structurellement inaccessibles. Les chercheurs qui conçoivent ces benchmarks l’ont dit eux-mêmes : ils ont du mal à construire des tests qui résistent plus de douze mois.

Ce rythme change la nature du problème. Quand une technologie progresse lentement, les institutions peuvent s’adapter par cycles. Quand elle progresse par bonds discontinus tous les six à neuf mois, les cycles d’adaptation institutionnels deviennent structurellement insuffisants. La question n’est plus “comment intégrer l’IA dans l’école ?” mais “quelle école est encore possible quand l’IA redéfinit la frontière des capacités cognitives plus vite que les programmes ne se réforment ?”

Olivier Babeau, économiste libéral, professeur en sciences de gestion et essayiste sur les transformations numériques, pose cette question dans ses termes les plus tranchants : l’IA rend obsolètes les cursus traditionnels et le rapport classique à l’effort. Il traite de l’économie de l’attention dans ses livres, sans en être un spécialiste académique au sens strict. Si l’outil peut rédiger un essai, résoudre un problème de mathématiques, générer un plan d’exposé, à quoi sert d’apprendre à le faire soi-même ? La provocation est volontaire. Mais elle pointe un vrai malaise pédagogique.

L’IA amplifie ce qu’on possède déjà

La réponse instinctive de l’institution scolaire est souvent la même : la technologie aide ceux qui savent déjà, donc l’école doit d’abord transmettre les fondamentaux avant d’autoriser les outils. Ce raisonnement est juste sur un point et dangereux sur un autre.

Il est juste parce que les données confirment l’effet d’amplification. Les travailleurs et les étudiants qui maîtrisent déjà la structure d’un problème, qui savent formuler une demande précise, évaluer une réponse, identifier une erreur de raisonnement — ceux-là tirent un bénéfice substantiel de l’IA générative. Ceux qui ne maîtrisent pas ces compétences reçoivent des réponses qu’ils ne peuvent pas critiquer, et s’en trouvent plus dépendants que renforcés.

Daron Acemoglu et Simon Johnson ont documenté ce mécanisme à une autre échelle dans leurs travaux sur la technologie et le pouvoir : les gains d’une innovation ne se distribuent pas spontanément. Ils se concentrent d’abord là où les compétences complémentaires existent déjà. L’IA générative suit cette logique avec une précision presque cruelle. L’analyse qu’en font Acemoglu et Johnson suggère que cette concentration n’est pas une fatalité, mais qu’elle ne se corrige pas seule.

Le raisonnement institutionnel devient dangereux quand il en tire la conclusion inverse : puisque l’IA amplifie les compétences existantes, l’école doit d’abord ignorer l’IA et se concentrer sur les fondamentaux comme avant. Cette position confond la séquence pédagogique avec l’isolement de l’élève face à la réalité. Un élève qui sort du lycée sans avoir jamais manipulé ces outils n’est pas mieux armé pour les utiliser avec discernement. Il est juste en retard.

Quand l’école adapte ses exercices, l’IA adapte ses réponses

Le problème de fond n’est pas l’adoption des outils. C’est la vitesse à laquelle les repères s’effondrent.

Les enseignants qui ont commencé à repenser leurs évaluations en 2023, en réponse à l’apparition de ChatGPT, ont conçu des formats censés résister à l’IA : questions personnelles, exercices contextualisés, travaux oraux. Deux ans plus tard, une partie de ces formats est déjà contournée par les modèles multimodaux capables de traiter l’oral, de simuler une voix, de générer des réponses contextualisées à partir d’un profil construit sur quelques échanges précédents.

Ce n’est pas une course perdue d’avance. C’est une course dont la nature est mal comprise. L’objectif ne peut pas être de construire des exercices imperméables à l’IA. L’objectif est de construire des apprentissages qui ont de la valeur même si l’élève a accès à l’IA. Et ces deux objectifs ne se superposent pas.

L’émergence de l’IA Scientist, qui publie, expérimente et passe la revue par les pairs de façon quasi-autonome, illustre un déplacement analogue dans la recherche académique : les tâches qui semblaient définir la compétence du chercheur sont absorbées par l’outil, et la question de ce qui reste proprement humain devient urgente. L’école pose la même question, mais avec des enjeux supplémentaires : ses élèves n’ont pas encore les fondamentaux qui permettraient à cette collaboration d’être féconde plutôt que parasitaire.

L’enseignant comme coach du jugement, pas de la mémoire

Le levier que les données font apparaître n’est pas technologique. Il est pédagogique, et il concerne le rôle de l’enseignant.

Les expériences qui fonctionnent partagent une architecture commune : l’enseignant ne transmet pas un contenu que l’élève restitue, il crée les conditions dans lesquelles l’élève doit exercer un jugement que l’IA ne peut pas exercer à sa place. Formuler une intention. Évaluer la pertinence d’une réponse au regard d’un problème réel. Identifier ce que l’outil ne sait pas dire. Prendre une décision dans un contexte ambigu où les données sont incomplètes.

Ces compétences ne s’acquièrent pas en regardant l’IA travailler. Elles s’acquièrent en faisant, en se trompant, en recommençant sous la pression d’un interlocuteur humain qui sait où se situe la limite de l’outil. C’est le rôle que certains praticiens et chercheurs en éducation identifient comme le pivot de la transformation pédagogique : non pas le professeur comme encyclopédie vivante, ni comme gardien de la règle contre l’outil, mais comme entraîneur de l’effort cognitif et du jugement critique.

Babeau pose ici une tension réelle : si l’école ne se transforme pas assez vite, ce rôle migre vers d’autres acteurs. Les plateformes de formation, les coachs privés, les environnements professionnels. Ce n’est pas un argument contre l’école publique. C’est un argument pour prendre au sérieux la vitesse à laquelle son modèle doit évoluer. L’émancipation intellectuelle n’est pas un luxe libéral : c’est la condition pour que les élèves deviennent des utilisateurs de l’IA plutôt que des passagers.

La tension entre cette vision libérale et l’approche institutionnaliste d’un Acemoglu ne se résout pas sur le terrain pédagogique seul. L’un insiste sur la transformation des pratiques individuelles ; l’autre rappelle que sans investissement public volontariste dans la formation des enseignants et dans les infrastructures numériques, la transformation profite aux écoles qui en ont déjà les moyens. Les données donnent raison aux deux à des niveaux différents : la transformation est nécessaire, et elle sera inégalement distribuée si elle est laissée aux seules dynamiques de marché.

Le diplôme long va-t-il perdre sa valeur, ou en changer ?

La projection à dix ans ouvre une question que les économistes de l’éducation commencent à formuler sérieusement : si l’IA continue de progresser au rythme documenté depuis 2023, que vaut une formation longue dans vingt ans ?

L’argument contre les formations longues est simple : une grande partie du stock de connaissances qui justifiait cinq ou sept ans d’études devient accessible en quelques requêtes bien formulées. Le droit, la comptabilité, une partie de la médecine diagnostique, la rédaction professionnelle. Si l’outil fait le travail, pourquoi payer le temps d’apprentissage ?

L’argument pour les formations longues est différent de ce qu’il était. Il ne porte plus sur le volume de connaissances transmises, mais sur deux choses que le temps long permet et que le temps court ne permet pas. D’abord, la formation du jugement dans des situations où les données sont insuffisantes, contradictoires ou instrumentalisées. Ensuite, la capacité à travailler avec des interlocuteurs humains dans des contextes de haute incertitude, ce que les économistes appellent parfois les compétences relationnelles complexes.

Ces deux dimensions sont précisément celles que l’IA sature le moins bien, et probablement pas par hasard : elles dépendent d’une expérience vécue, accumulée dans des situations réelles avec des enjeux réels. L’IA peut simuler un client difficile, un collègue hostile, un dossier ambigu. Elle ne peut pas remplacer le fait d’y avoir été confronté et d’avoir dû tenir.

Si cette analyse est juste, la valeur des formations longues ne disparaît pas. Elle se déplace. Les cursus qui sélectionnent sur la mémoire et la restitution perdent de la valeur. Ceux qui forment au jugement, à l’argumentation, à la tenue face à l’ambiguïté en gagnent. Ce basculement redistribue les cartes entre filières, entre disciplines, entre pédagogies. Il ne se fera pas spontanément : les systèmes d’évaluation, les concours, les diplômes portent une inertie considérable.

L’enjeu générationnel est ici. Les élèves qui entrent en sixième aujourd’hui seront sur le marché du travail en 2035. Les modèles d’IA qui existeront alors n’ont pas encore été conçus. Former pour un marché du travail inconnu avec des outils dont les capacités changent tous les six mois force une conclusion qui dérange les curricula établis : la seule chose qu’on peut transmettre avec certitude, c’est la capacité à apprendre, à désapprendre et à reformuler.

Les expériences qui fonctionnent ne viennent pas des ministères

Les exemples concrets existent, mais ils sont dispersés. En Finlande, des lycées ont intégré l’IA dans les exercices de lecture critique : les élèves reçoivent une réponse générée par un modèle sur un texte littéraire et doivent évaluer sa pertinence, identifier ses angles morts, la corriger. L’outil n’est pas banni, il devient l’objet de l’apprentissage. En France, des enseignants isolés construisent des séquences similaires sans attendre les instructions officielles, souvent en utilisant des ressources partagées sur des réseaux informels.

Ces expériences ont en commun d’inverser le rapport à l’outil : plutôt que de protéger l’élève de l’IA, elles lui demandent de l’examiner. Cette inversion est pédagogiquement exigeante. Elle suppose un enseignant capable de distinguer une bonne réponse d’une réponse plausible, un jugement sur le contenu et non seulement sur la méthode. C’est précisément ce qui fait de la formation des enseignants le levier le moins spectaculaire et le plus décisif.

Le problème de l’équité restitue toute sa force ici. Les écoles qui ont les moyens de former leurs enseignants à cette pédagogie, d’investir dans des dispositifs d’expérimentation, de recruter des profils hybrides entre pédagogie et compétence numérique sont, pour l’essentiel, les mêmes qui produisaient déjà les meilleurs résultats. L’effet d’amplification que l’IA exerce sur les individus se reproduit au niveau des institutions. Sans politique volontariste de diffusion de ces pratiques dans les établissements les plus fragiles, l’innovation pédagogique creuse l’écart qu’elle prétend réduire.

Ce qui reste à trancher

La question n’est pas résolue. Les données sur l’impact de l’IA sur les apprentissages scolaires à long terme n’existent pas encore — les outils sont trop récents, les cohortes trop courtes. Ce qu’on observe, c’est une série de signaux qui convergent : l’IA progresse plus vite que les institutions ne s’adaptent, elle amplifie les inégalités cognitives préexistantes, et le levier de correction est humain plutôt que technique.

La question ouverte est celle du point de bascule. À quel moment une école qui n’a pas intégré l’IA dans ses pratiques pédagogiques devient-elle une école qui prépare ses élèves à un monde qui n’existe plus ? Ce point n’est pas fixé. Il se déplace avec chaque génération de modèles. Et c’est peut-être la donnée la plus inconfortable du problème : pour la première fois depuis longtemps, l’école doit s’adapter à un rythme qu’elle ne contrôle pas.

Sources

  1. Olivier Babeau, “L’école face au déluge de l’intelligence artificielle”, Le Journal du Dimanche — Institut Sapiens : https://www.lejdd.fr/Societe/olivier-babeau-lecole-face-au-deluge-de-lintelligence-artificielle-171174
  2. Daron Acemoglu et Simon Johnson, Power and Progress, Basic Books, 2023 — analyse des mécanismes de captation des gains technologiques
  3. Données sur les benchmarks IA : Scale AI / Epoch AI — suivi des performances des modèles sur tâches de raisonnement complexe (sans URL — données accessibles via le suivi public des benchmarks MMLU, GPQA et ARC-AGI)
  4. Travaux sur l’économie des compétences et la valeur des formations longues : OCDE, Education at a Glance 2024 (sans URL directe — rapport annuel disponible sur le site de l’OCDE)
  5. ARC Prize Technical Reports (2024 & 2025)
  6. ARC Prize - o3 Breakthrough (arcprize.org)
  7. Power and Progress - Basic Books 2023
  8. Olivier Babeau - Wikipédia
  9. AI Scientist - Nature (2026)
  10. Epoch AI Benchmarks Hub
  11. ARC-AGI-2 Paper (Chollet et al., mai 2025)