Produire une bonne réponse ne prouve plus qu’un élève comprend : l’IA générative s’en charge en quelques secondes. Learning Curves, paru chez Wiley en septembre 2026, montre que les systèmes éducatifs connaissent des adaptations inégales de leurs modes d’évaluation face à cette réalité. Juan M. Lavista Ferres et Frank Nagle ont rassemblé des données sur plusieurs pays pour établir que la crise du diplôme se manifeste de manière inégale selon les contextes, et que les économies à compétences de base fragiles en subiront des effets significatifs.
L’essentiel
- L’IA générative modifie la portée des certifications fondées sur la production de réponses correctes, ce qui tend à accélérer la dévaluation du diplôme dans les pays où les acquis fondamentaux sont déjà fragiles.
- L’ouvrage de 432 pages compare les effets de l’IA sur l’enseignement scolaire, les formations courtes, la certification professionnelle et les emplois d’entrée de carrière dans plusieurs pays.
- La CEPAL documente de fortes inégalités éducatives en Amérique latine et dans les Caraïbes : ses systèmes d’évaluation reposent souvent sur la restitution de contenus, au moment même où l’IA transforme la difficulté de cette restitution.
- Deux trajectoires s’ouvrent : une possible réforme des examens centrée sur le raisonnement en situation réelle, ou une dévaluation potentielle qui pourrait aggraver les inégalités existantes.
Deux chercheurs, un diagnostic partagé
Juan M. Lavista Ferres dirige le AI for Health Institute de Microsoft. Frank Nagle est professeur à la Harvard Business School, spécialiste de l’économie des logiciels libres et de la mesure des effets de la technologie sur la productivité. Leur collaboration sur Learning Curves réunit deux angles que les débats sur l’IA en éducation dissocient habituellement : les capacités techniques des outils, d’une part, et les structures économiques et institutionnelles qui décident si ces outils servent ou désorganisent, d’autre part.
L’ouvrage est une enquête comparative sur ce qui se passe lorsqu’une technologie de production de contenus entre dans des systèmes dont le seul signal de qualité est la production de contenus. Les auteurs diagnostiquent sans prescrire. Le diagnostic est sévère pour les systèmes qui ont peu changé depuis qu’écrire un essai ou résoudre un problème à la maison constituait une preuve d’effort et de compréhension.
Une fragilité ancienne mise au jour par l’IA
Le cœur de Learning Curves tient dans une idée simple à formuler, difficile à accepter institutionnellement : l’IA générative ne crée pas un problème nouveau dans l’éducation. Elle en rend un ancien visible et urgent.
Depuis des décennies, une partie des certifications repose sur un postulat implicite : si un élève produit la bonne réponse, il a probablement compris. Ce postulat était déjà contestable avant l’IA, les études sur le bachotage et la mémorisation courte le montrent depuis les années 1980. Mais il était tolérable, parce que produire une bonne réponse demandait au moins un effort minimal. L’IA générative réduit considérablement cet effort. Elle affaiblit fortement la validité du postulat.
L’ouvrage collectif examine les différences de diffusion de l’IA entre contextes éducatifs et économiques. Les systèmes qui combinent des épreuves orales, des mises en situation, des évaluations continues fondées sur la démonstration présentent une plus grande robustesse. Les systèmes où l’évaluation finale est un examen écrit de restitution présentent des vulnérabilités structurelles. Et dans cette seconde catégorie, plusieurs économies d’Amérique latine figurent selon les auteurs.
La CEPAL a publié en juin 2026 Educación, desigualdad y desarrollo social inclusivo. Le rapport analyse les inégalités de couverture et d’apprentissage et recommande notamment de renforcer les compétences et les capacités enseignantes., précisément parce que les compétences de base y restent inégalement distribuées. Selon les auteurs, lorsqu’un élève maîtrise mal la lecture et le raisonnement formel, l’accès à un outil qui produit des textes fluides peut masquer les lacunes sans les combler. La certification qui suit ce masquage dit moins de chose utile à un employeur.
L’emploi d’entrée de carrière sous pression
Learning Curves ne s’arrête pas à la salle de classe. L’un des apports les plus concrets de l’ouvrage est son traitement des community colleges américains et de leurs équivalents dans d’autres pays, ces formations courtes de deux ans qui constituent, pour des millions de jeunes, le passage vers le marché du travail qualifié.
Ces formations ont longtemps tenu leur valeur par leur proximité avec les employeurs. Elles certifiaient des compétences pratiques vérifiables, dans des secteurs, santé, logistique, comptabilité de base, service client, où la demande était stable. L’ouvrage examine les effets possibles de l’IA sur l’emploi d’entrée et souligne que les effets agrégés restent incertains. Selon l’ouvrage, la rédaction de rapports, la saisie structurée, la réponse aux requêtes standardisées ne disparaissent pas, mais évoluent. Elles tendraient à demander moins de production et davantage de supervision, de validation, de correction du jugement automatisé.
Les certifications des community colleges n’ont pas évolué au même rythme. Plusieurs continuent à attester la capacité à produire ce que l’IA peut désormais produire. L’employeur se retrouve face à un signal qui s’avère ambigu : ce diplôme peut indiquer que le candidat comprend ce qu’il fait, ou qu’il a su utiliser les outils disponibles pendant sa formation.
Cette ambiguïté touche aussi les emplois d’entrée de carrière dans les grandes entreprises technologiques, terrain de recherche direct de Nagle. Selon l’ouvrage, certains recruteurs signalent une modification des critères d’embauche pour les postes juniors : une attention moindre aux livrables du portfolio, davantage aux entretiens techniques en situation sans accès aux outils, et aux références qui témoignent d’un raisonnement autonome. Le marché tend à chercher ses propres signaux de remplacement, sans attendre que les institutions en fournissent.
Susskind, Acemoglu : deux lectures d’un même choix
La thèse de Learning Curves entre en résonance directe avec un débat théorique que l’économiste Daniel Susskind a posé dans A World Without Work : la technologie n’est pas neutre dans sa direction. Elle peut augmenter les capacités humaines ou les remplacer, et ce choix relève d’une décision institutionnelle, non d’une logique technique inévitable. Appliqué à l’école, ce cadre est éclairant : l’IA peut soit servir à évaluer ce qu’un élève comprend réellement, soit remplacer l’effort cognitif qui permettait de le mesurer. La décision appartient aux institutions, selon les priorités qu’elles se fixent.
Lavista Ferres et Nagle s’inscrivent dans cette logique sans la citer explicitement. Leur argument est que les institutions scolaires disposent de la capacité d’orienter l’IA vers l’évaluation du raisonnement, mais qu’beaucoup d’entre elles, par inertie, laissent l’outil s’insérer dans des formats conçus pour un autre temps.
Daron Acemoglu et Simon Johnson, dans leur analyse de la technologie et du pouvoir, ajoutent une tension que Learning Curves traite moins directement : qui capte les gains de productivité quand les tâches se reconfigurent. Dans l’éducation, cette question prend une forme précise. Si les grandes universités et les grandes entreprises s’adaptent rapidement, en révisant leurs processus d’évaluation et de recrutement, tandis que les community colleges et les lycées professionnels des économies émergentes n’en ont pas les moyens, l’IA recompose les inégalités sans les réduire. Les institutions les mieux dotées accèdent aux nouveaux signaux de compétence ; les autres risquent de perdre la valeur des anciens sans disposer de nouveaux.
Learning Curves est à la fois plus et moins ambitieux qu’un ouvrage de politique éducative. Plus ambitieux, parce qu’il compare des systèmes nationaux très différents et documente cette asymétrie avec rigueur. Moins ambitieux, parce que les auteurs restent prudents sur les recommandations politiques et diagnostiquent mieux qu’ils ne prescrivent.
Les décisions qui restent aux institutions
La question prospective que l’ouvrage laisse ouverte est centrale : les systèmes éducatifs disposent encore du temps nécessaire pour choisir leur trajectoire.
Deux scénarios se dessinent à partir des comparaisons de Learning Curves et des données de la CEPAL. Dans le premier, les systèmes qui réforment leurs examens pour évaluer le raisonnement en situation réelle, sans accès aux outils, dans des formats oraux ou pratiques, pourraient reconstruire un signal crédible. Le diplôme attesterait à nouveau une capacité vérifiée, distincte de ce que l’IA produit. Dans le second, les systèmes qui maintiennent des épreuves de restitution risquent de voir leur certification perdre de sa pertinence. Certains employeurs développent leurs propres filtres.
Les candidats des pays à compétences de base fragiles risquent de perdre un accès formalisé clé au marché du travail qualifié.
Ces deux scénarios ne sont pas symétriques. Le premier demande une réforme active, coûteuse en formation d’enseignants et en révision des programmes, précisément le type d’investissement que l’université française peine déjà à financer dans un contexte budgétaire contraint. Le second pourrait se produire par défaut, sans décision visible, par accumulation de micro-adaptations individuelles qui contournent les certifications sans les réformer.
Les signaux à surveiller sont concrets. La part des examens nationaux intégrant des épreuves de raisonnement sans accès aux outils d’IA, par pays et par niveau, dira dans deux ou trois ans quelle trajectoire les systèmes ont effectivement choisie. L’évolution du taux d’emploi d’entrée de carrière pour les diplômés des formations courtes dans les pays couverts par l’ouvrage dira si le marché a devancé ou suivi les institutions.
La CEPAL souligne un besoin collectif que Learning Curves formule sans l’épuiser : La CEPAL recommande des interventions ciblées pour les groupes défavorisés et le développement de compétences cognitives, socioémotionnelles et numériques., avant que la dévaluation des certifications ne s’accélère. Ces dispositifs existent dans certains pays scandinaves sous forme de systèmes de tutorat continu appuyés sur la donnée. Leur extension aux contextes à faibles ressources est une question d’investissement public, pas de technologie disponible.
Les angles que le livre n’explore pas
Deux limites méritent d’être nommées. La première : Learning Curves est écrit depuis une perspective nord-américaine et anglo-saxonne, même lorsqu’il regarde l’Amérique latine. Les systèmes d’évaluation qu’il prend comme références implicites de bonne pratique, entretiens techniques, portfolios documentés, évaluations continues, sont des formats qui supposent des classes de taille réduite, des enseignants formés à l’évaluation formative, et des institutions qui ont les moyens de les mettre en œuvre. Dans un lycée de São Paulo ou de Mexico City avec 40 élèves par classe, la transposition directe est illusoire.
La seconde : le livre traite peu la question des enseignants eux-mêmes. Si les certifications doivent évoluer, les professeurs doivent pouvoir évaluer autrement. Or la formation continue des enseignants est précisément le point de blocage que plusieurs systèmes éducatifs de l’OCDE n’ont pas résolu, indépendamment de l’IA. Lavista Ferres et Nagle notent la difficulté sans s’y attarder. C’est un angle mort qui affaiblit la portée opérationnelle de leur diagnostic.
Raisons de lire cet ouvrage
Learning Curves est l’un des rares ouvrages sur l’IA en éducation qui écarte deux positions symétriques : celle de l’enthousiaste qui voit dans l’IA un tuteur universel, et celle du critique qui n’y voit qu’une menace pour la pensée critique. Lavista Ferres et Nagle partent des données, comparent des systèmes et posent une question inconfortable pour les administrations scolaires : si une évaluation peut être réussie par une machine, sa valeur comme certificat de compréhension s’affaiblit.
Pour un lecteur intéressé par l’éducation comparée, par l’économie du travail ou par les politiques publiques en Amérique latine, le livre est une entrée sérieuse dans un débat que les institutions tardent à formaliser. Il ne donne pas de réponse définitive sur ce que l’école doit transmettre à l’ère des machines savantes. Mais il rend plus difficile de continuer à éviter la question.
Informations bibliographiques Learning Curves: Rethinking Education from Classrooms to Careers in an AI-driven World Juan M. Lavista Ferres et Frank Nagle (avec contributeurs) Wiley, septembre 2026, 432 pages
Sources
- Juan M. Lavista Ferres et Frank Nagle, Learning Curves: Rethinking Education from Classrooms to Careers in an AI-driven World, Wiley, septembre 2026, https://www.wiley.com/en-sg/learning-curves-rethinking-education-from-classrooms-to-careers-in-an-ai-driven-world-p-9781394452477
- CEPAL, Education, inequality and inclusive social development, août 2026, Commission économique des Nations Unies pour l’Amérique latine et les Caraïbes
- Daniel Susskind, A World Without Work: Technology, Automation, and How We Should Respond, Macmillan, 2020, https://us.macmillan.com/books/9781250243089/aworldwithoutwork/
- Daron Acemoglu et Simon Johnson, Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity, PublicAffairs, 2023



