Selon l’OCDE Digital Education Outlook 2026, les étudiants ayant accès à un outil d’IA généraliste améliorent leurs performances de 48 % à court terme, mais après retrait de GPT Base, les élèves ont obtenu 17 % de moins que le groupe témoin sans IA. L’accès demeure un facteur d’inégalité, auquel s’ajoutent les écarts d’encadrement et d’apprentissage critique de l’IA.

L’essentiel

  • L’IA en classe améliore les résultats à court terme de 48 %, mais produit une dépendance : sans accès à l’outil lors de l’examen, le groupe GPT Base a obtenu des résultats 17 % inférieurs à ceux du groupe témoin sans IA.
  • L’accès demeure un facteur différenciant ; la qualité de l’encadrement pédagogique et la conception de l’outil influencent les risques de substitution cognitive.
  • Dans plusieurs systèmes éducatifs, l’équipement précède la formation, risquant une adoption par substitution plutôt que par augmentation.
  • Deux trajectoires possibles se dessinent pour 2040 : une génération performante avec l’outil mais fragile sans lui, ou une pédagogie augmentée qui renforce les fondations cognitives, selon les choix structurels faits maintenant.
  • Les systèmes qui mesurent séparément la performance avec et sans l’IA, et qui forment avant de déployer, semblent distinguer des trajectoires différentes.

Le gain est réel, le piège aussi

Quarante-huit pour cent de progression à court terme : le chiffre est frappant. Il a alimenté des décisions budgétaires dans plusieurs États australiens et néo-zélandais, accéléré des appels d’offres, et fourni aux promoteurs de ces outils un argument difficile à contester. L’OCDE 2026 relaie ce résultat de recherche issu de Bastani et al. Elle mesure ensuite ce qui se passe après le retrait.

Ce qui se passe après est le problème. Lors de l’examen fermé immédiatement après les exercices, sans accès à l’outil ni autres ressources, le groupe GPT Base a obtenu 17 % de moins que le groupe témoin. Ce recul est cohérent avec une acquisition de compétences réduite dans cette configuration.

Le mécanisme est connu en sciences cognitives sous le nom de déchargement cognitif. Quand un outil accomplit une partie du travail mental à la place de l’apprenant, le cerveau ne mobilise pas les mêmes ressources. La performance observable augmente ; la compétence intégrable, elle, ne suit pas. Les calculatrices ont posé la même question dans les années 1980, et les réponses éducatives ont été très différentes selon les pays. L’IA pose la même question à une échelle et une vitesse sans commune mesure.

L’essai à l’origine de ces données a été réalisé dans un lycée turc ; l’OCDE 2026 en rapporte les résultats, qui illustrent un risque documenté dans cette configuration de déploiement, sans établir une trajectoire par défaut universelle. L’outil est disponible, les élèves l’utilisent, les résultats progressent, et rien ne mesure ce qui s’efface pendant ce temps.

L’enseignant comme variable décisive

PISA 2025 observe des associations entre usages déclarés, occasions d’évaluer l’IA et résultats, sans classer directement les classes selon apprentissage durable ou dépendance. La variable testée dans l’essai est la conception de l’outil et de ses garde-fous.

L’étude compare deux conceptions distinctes d’outil : GPT Base et GPT Tutor, dont les consignes et garde-fous diffèrent. Le premier usage consiste à utiliser GPT Base comme une interface de chat standard qui fournit à l’élève des réponses et des solutions complètes, sans les garde-fous pédagogiques du second outil. Le second consiste à utiliser l’IA pour poser des questions que l’enseignant ne pourrait pas poser à trente élèves simultanément, pour personnaliser le rythme sans externaliser le raisonnement, pour rendre visible une erreur de compréhension et forcer l’élève à l’expliquer lui-même.

Ces deux approches reposent sur des conceptions et des garde-fous distincts intégrés dans l’outil, alimentés notamment par des apports d’enseignants. Ce choix pédagogique suppose une formation que beaucoup d’enseignants déployant ces outils n’ont pas reçue.

Une étude ethnographique de Stanford sur le programme Tutor CoPilot documente ce fossé dans des classes américaines, mais le pattern se retrouve dans les données océaniennes. Dans l’essai, le groupe utilisant GPT Tutor a obtenu une progression, tandis que le groupe utilisant GPT Base a connu une régression au retrait. Ces résultats établissent l’effet de la conception de l’outil ; l’effet de la formation enseignante doit être testé séparément. Le profil gain immédiat puis baisse au test autonome concerne le groupe utilisant GPT Base sans garde-fous.

Le fossé éducatif s’est donc déplacé. Pendant dix ans, le débat portait sur l’accès : les élèves défavorisés n’avaient pas les équipements, les connexions, les outils. Ce fossé existe encore. Dans les systèmes qui ont équipé largement, et l’Australie et la Nouvelle-Zélande figurent parmi les plus avancés en Océanie sur ce point, la compétence pédagogique, la conception des outils et l’encadrement influencent les résultats. Un article précédent du journal explorait comment l’IA à l’école peut équiper les élèves face à des enseignants dépassés : les données OCDE 2026 suggèrent qu’une préparation enseignante et une conception adaptée influencent les effets pédagogiques.

Les systèmes éducatifs équipent avant de former

Le problème structurel est documenté dans plusieurs systèmes. Les décisions budgétaires font souvent précéder l’équipement à la formation.

En Australie, plusieurs États ont annoncé des déploiements d’outils IA dans les classes primaires et secondaires entre 2024 et 2026. Dans certains cas, les appels d’offres ont précédé les programmes de formation certifiante pour les enseignants. En Nouvelle-Zélande, le Ministry of Education a publié des orientations générales sur l’usage de l’IA, mais sans rendre obligatoire une formation préalable au déploiement. Le risque documenté est celui d’enseignants qui improvisent un usage tendant vers la substitution cognitive faute de formation préalable.

Ce séquençage s’observe dans plusieurs systèmes éducatifs. Les fournisseurs d’outils poussent à l’adoption rapide, les directions d’établissements mesurent les résultats immédiats, et les enseignants reçoivent un outil assorti d’une consigne vague de l’intégrer dans leur pratique. La formation approfondie à la distinction entre augmentation et substitution cognitive est peu fréquente avant le déploiement.

Le coût de cet ordre des choses n’est pas visible à court terme. Les résultats montent, comme l’OCDE 2026 le documente avec le gain de 48 % pendant la période d’accès.

Dans cet essai, l’écart défavorable de GPT Base est observé lors de l’examen autonome sans outil, une configuration que peu de systèmes éducatifs mesurent systématiquement.

Les limites actuelles des évaluations

Un angle mort du débat actuel sur l’IA en éducation tient à l’outillage de mesure. Les normes PISA 2025 ne prévoient pas de protocole standard comparant séparément les performances avec et sans accès à une IA.

Cette absence limite l’observation de l’écart entre performance assistée et examen autonome documenté dans certains essais. L’absence de telles mesures nationales rend l’identification des effets plus difficile. Certains systèmes voient des résultats en hausse et considèrent que le déploiement fonctionne.

Ce problème de mesure a une conséquence directe. L’équipement produit des résultats mesurables à court terme et canalise les financements vers lui. La formation enseignante, dont les effets se mesurent plus difficilement à court terme, obtient moins de financements. Le cercle se referme.

Quelques systèmes éducatifs commencent à sortir de cette logique. En Estonie, reconnue comme l’un des systèmes les plus avancés sur l’intégration numérique en Europe, le principe de former avant de déployer est formalisé. Cette approche exige une certification préalable des enseignants pour accéder aux financements d’équipement. C’est un modèle coûteux à court terme, et dont les effets à long terme justifient précisément l’investissement.

Deux trajectoires pour les années 2040

La question que pose l’OCDE 2026 dépasse le cycle scolaire actuel. Elle porte sur ce que produit une génération entière éduquée dans un rapport non médiatisé à l’IA générative.

L’accès à GPT Base a dégradé la performance à l’examen autonome ; les analyses suggèrent que l’usage consistant à demander et copier des solutions en est un mécanisme principal. Une assistance qui remplace l’effort cognitif peut nuire à l’acquisition de certaines compétences, selon l’outil et le contexte. Elles s’acquièrent par l’exercice répété, souvent inconfortable, de les mobiliser soi-même.

Ce scénario n’est pas inéluctable. Il est conditionnel à des choix que les systèmes éducatifs font, ou ne font pas, maintenant. L’autre trajectoire possible repose sur un postulat inverse : l’IA peut mieux soutenir l’apprentissage lorsque l’outil comporte des garde-fous pédagogiques ; l’effet propre de la formation enseignante reste à établir. Dans cette trajectoire, l’IA personnalise le rythme d’apprentissage, détecte les incompréhensions, génère des exercices adaptés, et l’enseignant s’assure que l’élève fait le travail mental que l’outil aurait pu faire à sa place.

Ce qui distingue les deux trajectoires relève d’abord de la conception de l’outil. Le même modèle de base peut produire des effets différents selon la conception de l’interface et ses garde-fous. La conception et les garde-fous de l’outil constituent un facteur déterminant dans cet essai ; l’effet de la formation des enseignants n’a pas été testé dans cet essai et nécessiterait une évaluation distincte. Un financement public conditionné à une formation préalable des enseignants changerait l’ordre des priorités. L’OCDE 2026 appelle à une intégration pédagogique et évaluée rigoureusement de l’IA, sans formuler cette condition de financement comme une exigence.

La question sur la formation enseignante rejoint d’ailleurs des débats plus larges sur la gouvernance des outils d’IA dans des secteurs à fort enjeu public. La robotique autonome attend son cadre de responsabilité civile, et l’IA pédagogique attend son cadre de responsabilité cognitive.

Les signaux qui permettent de distinguer les systèmes qui réussissent

Deux indicateurs permettent d’identifier quelle trajectoire un système éducatif emprunte.

Le premier indicateur utile est l’écart de performance entre élèves avec et sans accès à l’IA lors d’évaluations standardisées. Lorsque cet écart est mesuré, publié et intégré aux décisions budgétaires, le système dispose des moyens de corriger sa trajectoire. En l’absence de cette mesure à l’échelle d’un système, la distinction est plus difficile, mais elle n’est pas impossible.

Le second : la part des enseignants ayant reçu une formation préalable au déploiement des outils dans leur établissement. Cette donnée est rarement publié. Les ministères communiquent sur le nombre d’établissements équipés ; ils communiquent rarement sur le taux de formation préalable des enseignants. L’absence de cet indicateur dans les rapports officiels est elle-même un signal.

Les systèmes qui publient ces deux mesures et les utilisent pour orienter leurs financements sont peu nombreux. Ils montrent que la pédagogie augmentée maîtrisée est praticable : elle n’exige pas une technologie différente, mais un séquençage différent et une volonté politique de mesurer ce qui est inconfortable à mesurer. Les pays qui ont réussi à éviter la polarisation par les robots dans l’industrie ont en commun d’avoir anticipé les effets de substitution avant de les subir. La même logique s’applique à l’éducation.

La prochaine édition du programme PISA intégrera des éléments d’évaluation de la littératie IA. Si elle distingue performance avec et sans accès à l’outil, elle fournira une mesure comparative internationale du fossé cognitif. Ce sera le premier signal clair sur l’ampleur réelle du problème, et le premier levier pour convaincre les systèmes qui n’ont pas encore changé de séquençage que le coût de l’inaction se mesurera dans une décennie, pas l’année prochaine.

Sources

  1. OCDE Digital Education Outlook 2026
  2. Stanford Tutor CoPilot ethnographic study (Stanford University, sans URL garantie)
  3. PISA comparative assessment frameworks (OCDE, sans URL garantie pour l’édition en cours)