L’écart de score PISA entre un élève favorisé et un élève défavorisé atteint 113 points en France. En Allemagne, ce même écart s’établit à 86 points. La différence ne s’explique ni par le niveau moyen des enseignants, ni par le volume de dépenses publiques — la France dépense davantage par élève que la moyenne de l’OCDE. Elle s’explique par la manière dont l’institution scolaire traite l’hétérogénéité sociale dès les premières années. L’arrivée de l’intelligence artificielle dans les salles de classe ne rend pas cette question obsolète. Elle la rend urgente.

Deux lectures de ce fait coexistent aujourd’hui, chacune appuyée sur des arguments sérieux. La première défend que la personnalisation pédagogique permise par l’IA peut corriger ce que l’école uniforme n’a jamais réussi à résoudre : l’inadéquation entre un programme conçu pour un élève moyen et la réalité de chaque enfant. La seconde répond que la personnalisation technologique, laissée sans cadre institutionnel fort, ne fait qu’accélérer la fragmentation des trajectoires selon le revenu parental. Les données permettent de trancher en partie — et les résultats estoniens apportent un éclairage que ni l’un ni l’autre camp n’exploite suffisamment.

L’essentiel

  • L’écart PISA entre élèves favorisés et défavorisés est de 113 points en France, contre 86 en Allemagne ; la France prépare 73 % de son potentiel humain scolaire, l’Estonie 88 % (OCDE PISA).
  • L’Estonie n’a pas misé sur la technologie en premier : elle a universalisé la maternelle publique et formé massivement ses enseignants avant de déployer le numérique.
  • L’IA tutorielle réduit les inégalités d’apprentissage quand elle s’insère dans une école qui tient ses élèves ; elle les amplifie quand elle se substitue à cette présence.
  • Le vrai point de bascule pour la génération née après 2020 n’est pas l’outil technologique mais la décision politique sur l’encadrement précoce.

Babeau a raison sur le diagnostic, tort sur le remède

Olivier Babeau développe depuis plusieurs années une critique cohérente du modèle scolaire français : une école conçue pour la reproductibilité industrielle, qui valorise la mémorisation sur la compréhension, le conformisme sur l’initiative, et qui résiste à toute individualisation des parcours au nom d’un égalitarisme formel. L’argument mérite d’être pris au sérieux. La notation nationale, les programmes rigides, l’évaluation par la moyenne plutôt que par la progression — ces dispositifs ont été construits pour produire des cohortes homogènes, pas pour accompagner des individus.

L’IA change effectivement quelque chose à cette équation. Les systèmes tutoriels adaptatifs, dont les évaluations les plus sérieuses montrent des gains réels sur les apprentissages fondamentaux, permettent à un élève de progresser à son rythme, de répéter un exercice sans le regard d’un pair, de recevoir un retour immédiat sans attendre la correction collective. Des expériences menées en Inde avec Mindspark, évaluées en conditions contrôlées, ont montré des gains d’apprentissage de l’ordre de 0,37 écart-type en mathématiques sur quelques mois. Ce n’est pas marginal.

Mais le saut que fait Babeau — de “l’IA améliore l’apprentissage individuel” à “les cursus traditionnels sont obsolètes” — ne résiste pas aux données. Car la question décisive n’est pas : l’IA aide-t-elle un élève à apprendre ? Elle est : l’IA aide-t-elle de la même manière un élève dont les parents peuvent encadrer l’usage et un élève livré à lui-même ? La réponse est non, et les chiffres le montrent.

Ce que l’Estonie enseigne à la France

L’Estonie prépare 88 % de son potentiel humain scolaire. La France, 73 %. Cet indicateur, développé par la Banque mondiale, mesure la probabilité qu’un enfant né aujourd’hui survive jusqu’à l’âge scolaire, y soit scolarisé, et acquière les apprentissages fondamentaux. L’écart de quinze points entre les deux pays n’est pas anecdotique — il représente, à l’échelle d’une génération, une masse considérable de potentiel humain non réalisé.

L’Estonie est souvent citée comme modèle de numérisation de l’éducation. C’est vrai, mais c’est la moitié de l’histoire. Le vrai levier estonien précède le numérique. Le pays a universalisé l’accès à la maternelle dès l’âge de trois ans, investi massivement dans la formation initiale et continue des enseignants — qui figurent parmi les mieux formés d’Europe —, et réduit les inégalités de ressources entre établissements avant de déployer les outils technologiques. Le numérique est venu se greffer sur une institution solide, pas se substituer à elle.

La France a opéré dans l’ordre inverse. Elle a distribué des tablettes, expérimenté des plateformes adaptatives, lancé des plans numériques successifs, tout en maintenant des inégalités structurelles d’accès à la maternelle dans les territoires les plus défavorisés et une formation des enseignants notoirement insuffisante sur les pratiques pédagogiques différenciées. Le résultat est prévisible : la technologie a amplifié les écarts existants plutôt que de les réduire. Les familles qui savent l’utiliser en ont tiré profit ; les autres ont reçu un outil supplémentaire sans le mode d’emploi institutionnel.

Cette leçon rejoint ce que l’on observe plus largement sur le lien entre institutions et performances économiques : l’outil ne vaut que ce que vaut le cadre qui le porte. Les pionniers du tout-numérique qui interdisent aujourd’hui les réseaux sociaux avant quinze ans l’ont compris par leur propre expérience : la technologie non encadrée produit des effets inverses à ceux qu’on attendait.

Les 113 points PISA traduisent un choix politique, pas une fatalité

L’écart de 113 points entre élèves favorisés et défavorisés en France n’est pas une donnée naturelle. C’est le résultat d’un ensemble de choix institutionnels accumulés sur plusieurs décennies.

Le premier est la persistance du modèle de carte scolaire combiné à une ségrégation résidentielle forte. Quand les élèves les plus favorisés se concentrent dans les mêmes établissements, les effets de pairs amplifient mécaniquement les inégalités d’entrée. L’OCDE documente ce phénomène avec constance : la France est l’un des pays développés où l’origine sociale prédit le mieux les résultats scolaires, davantage que dans la plupart des pays nordiques ou que l’Allemagne post-réforme.

Le deuxième est l’insuffisance de l’encadrement précoce. Les inégalités cognitives se creusent massivement entre zéro et six ans. Les enfants qui arrivent au CP avec un vocabulaire limité, une exposition insuffisante au langage écrit, sans apprentissage de la régulation émotionnelle, accusent un retard que l’école primaire ne comble quasiment jamais. La France maintient une école maternelle théoriquement universelle mais dont la qualité varie considérablement selon les territoires, et dont les effectifs par classe restent élevés dans les zones les plus défavorisées.

Le troisième est le traitement de l’hétérogénéité en classe. Contrairement à d’autres systèmes qui forment explicitement les enseignants à la pédagogie différenciée, le modèle français repose largement sur une présentation frontale uniforme, avec une correction par la moyenne qui invisibilise les élèves les plus en difficulté autant que les plus avancés.

Ce sont ces trois choix que l’IA peut, selon les conditions, atténuer ou aggraver.

L’IA amplifie ce que l’institution choisit de faire

La question n’est pas de savoir si l’IA est bonne ou mauvaise pour l’éducation. C’est une question mal posée. L’IA amplifie les dynamiques existantes. Dans une école qui individualise déjà, qui a formé ses enseignants à accompagner des parcours différents, qui encadre l’usage des outils, la technologie peut libérer du temps pédagogique, permettre un suivi plus fin, réduire certains effets de la notation uniforme. Dans une école qui n’a pas fait ce travail préalable, elle devient un outil d’autonomisation différentielle : les élèves capables de se discipliner, soutenus par des parents qui connaissent les bons outils, progressent ; les autres décrochent plus vite, sans le filet que représentait le collectif de classe.

Cette asymétrie est documentée dans les premières données disponibles sur les tuteurs IA dans les pays à forte inégalité scolaire. Un rapport du MIT sur les déploiements de Khan Academy Khanmigo dans des écoles américaines à faible revenu a montré que l’outil réduisait les inégalités d’apprentissage quand les enseignants étaient formés à son intégration et conservaient un rôle d’encadrement actif. Dans les classes où l’outil était déployé sans formation préalable, les résultats des élèves les plus fragiles stagnaient pendant que ceux des élèves les plus autonomes progressaient.

Baptiste Larseneur formule cet enjeu avec précision : l’école institutionnelle n’est pas un obstacle à la personnalisation technologique, elle en est la condition. Ce n’est pas une position réactionnaire. C’est une lecture cohérente de ce que les données produisent quand on retire le cadre collectif d’une équation qui n’a pas encore produit d’égalité sans lui.

L’argument libéral a une limite que les marchés ne résolvent pas

L’argument de Babeau a une variante plus radicale, qu’il ne porte pas entièrement mais que d’autres défendent : si l’IA permet un apprentissage individualisé à coût marginal faible, pourquoi maintenir le monopole de l’école publique ? La diversification des parcours, la reconnaissance de compétences acquises hors du système, la validation par les employeurs plutôt que par les diplômes — autant de directions que l’économie des plateformes éducatives tend à pousser.

L’argument se heurte à un problème structurel que les marchés ne résolvent pas spontanément : l’information asymétrique sur la qualité de l’apprentissage. Quand une famille choisit une plateforme éducative pour son enfant, elle ne dispose pas des instruments pour évaluer l’efficacité pédagogique réelle de l’outil. Les labels, les évaluations tierces, les certifications indépendantes sont soit inexistants soit capturés par les acteurs qu’ils sont censés noter. C’est précisément l’argument que Jean Tirole développe sur la régulation des marchés à information asymétrique : l’absence d’institution de confiance ne produit pas l’allocation optimale, elle produit le marché des citrons.

Pour la génération née après 2020, ce point sera décisif. Si la France n’investit pas maintenant dans la formation des enseignants à l’intégration pédagogique de l’IA, dans l’évaluation rigoureuse des outils déployés, et dans l’extension de l’encadrement précoce de qualité dans les territoires sous-dotés, elle risque de regarder dans dix ans un écart PISA qui sera passé de 113 à 130 points. Ce n’est pas une projection catastrophiste — c’est la trajectoire observée dans les pays qui ont déployé la technologie sans réformer l’institution. L’irréversibilité joue ici : les inégalités cognitives qui se forment entre zéro et six ans sont les plus difficiles à corriger après coup. Chaque cohorte qui passe sans encadrement précoce de qualité est une perte définitive, pas un retard rattrapable.

Le point de bascule est connu. Il n’est pas technologique. Il est budgétaire et politique : dans quelle mesure la France accepte-t-elle de concentrer ses ressources éducatives sur les premières années et sur les territoires les plus défavorisés, au lieu de les répartir également entre tous ? C’est la réforme qu’ont faite les pays nordiques dans les années 1970 et 1980, et que l’Estonie a adaptée dans les années 1990. Ce n’est pas un modèle daté — c’est une priorité qui reste entière.

Sur les liens entre choix institutionnels et performances économiques de long terme, la réflexion de Philippe Aghion sur la croissance schumpétérienne apporte un éclairage utile : l’investissement dans le capital humain est la condition de la destruction créatrice, pas son adversaire. Une économie qui automatise sans former perd la main d’oeuvre capable de gérer, améliorer et réorienter les machines. Les données de la BCE sur l’IA et l’emploi pointent dans le même sens : ce sont les travailleurs les mieux formés qui bénéficient le plus de l’IA, pas ceux qui en avaient le moins besoin.

Ce que l’Estonie devrait inspirer en France

L’Estonie ne prouve pas que la technologie sauve l’école. Elle prouve que l’institution peut être réformée sans être abandonnée, et que la technologie devient un levier quand elle arrive en deuxième.

La France dispose des ressources pour corriger les trois déficits identifiés. L’argent ne manque pas globalement — ce qui manque, c’est l’allocation. Les dépenses éducatives françaises sont concentrées sur le secondaire et le supérieur, là où les inégalités sont déjà fixées. Ramener des ressources vers le primaire et le préprimaire, former massivement les enseignants de maternelle aux pratiques de langage et de régulation émotionnelle, encadrer sérieusement le déploiement des outils numériques avec des évaluations randomisées plutôt que des expérimentations non contrôlées — aucune de ces actions ne requiert d’attendre une prochaine technologie.

Babeau pose une vraie question quand il interroge la rigidité des cursus. Mais la réponse à cette rigidité n’est pas la dissolution de l’institution scolaire au profit de l’apprentissage personnalisé non encadré. C’est une institution réformée, plus souple dans ses modalités pédagogiques, plus ferme dans ses exigences d’égalité d’accès à un encadrement de qualité. La tension entre ces deux positions n’est pas métaphysique. Elle se résout par des choix budgétaires précis, et le temps commence à manquer pour la génération qui entre à l’école maternelle cette année.

Sources

  1. Observatoire des inégalités — données PISA France
  2. OCDE, PISA 2022 Results, Programme for International Student Assessment — données sur les écarts socioéconomiques par pays
  3. Banque mondiale, Human Capital Index 2024 — indicateur de préparation du potentiel humain scolaire (France 73 %, Estonie 88 %)
  4. Muralidharan, K. & Sundararaman, V., The Impact of Diagnostic Feedback to Teachers on Student Learning, évaluation du programme Mindspark en Inde, J-PAL
  5. Institut Montaigne, Vaincre les inégalités scolaires — rapport sur la concentration des ressources éducatives françaises
  6. Khan Academy / MIT, données préliminaires sur les déploiements de Khanmigo dans les écoles à faible revenu, 2023-2024
  7. Aghion, P. & Howitt, P., The Economics of Growth, MIT Press — cadre schumpétérien appliqué à l’investissement en capital humain