Deux essais randomisés de 2026 obtiennent des résultats opposés pour des dispositifs d’IA éducative différents. À Taipei, 1 047 lycéens ont progressé de l’équivalent de six à huit mois de scolarité avec un tuteur piloté par IA, à condition que le parcours soit structuré. Dans le sous-échantillon de sections identiques, l’accès au VSA a été associé à une baisse de 0,37 écart-type des notes finales. Les études suggèrent que la configuration et l’intégration pédagogique peuvent compter, sans isoler causalement cette explication entre les deux essais.

L’essentiel

  • Un essai randomisé à Taipei montre un gain de 0,15 écart-type avec un tuteur IA intégré dans un parcours structuré (Academy of Management Proceedings, juillet 2026).
  • Un essai américain sur 2 379 étudiants montre une baisse de 0,37 écart-type lorsque le même type d’outil est déployé sans règles d’usage (IZA, octobre 2026).
  • L’effet mesuré à Taipei provient de l’assignation à une séquence adaptative, dans un cadre où les deux groupes avaient le même garde-fou d’effort.
  • La configuration et l’intégration pédagogique apparaissent comme des dimensions importantes de l’effet de l’outil.
  • Les élèves les moins encadrés à la maison risquent de pâtir le plus d’un déploiement non régulé, et de bénéficier le plus d’un déploiement bien conçu.

Taipei a mesuré ce qui marche, et ce qui marche est précis

Les élèves ont été répartis entre une séquence de problèmes personnalisée et une séquence fixe facile-à-difficile, avec le même tuteur IA dans les deux groupes. Le gain mesuré, 0,15 écart-type, correspond à ce que les chercheurs en éducation estiment être six à huit mois d’apprentissage supplémentaire. Ce résultat est substantiel pour une intervention d’une année scolaire.

Ce qui rend ce résultat intéressant, c’est sa condition. Le parcours taiwanais ne laissait pas les élèves naviguer librement dans le tuteur. Il définissait des séquences précises : l’élève devait d’abord répondre seul, se tromper éventuellement, puis recevoir une aide ciblée. L’IA intervenait après l’effort, non à sa place. L’essai montre que l’algorithme de séquençage adaptatif améliore les résultats par rapport à une séquence fixe, à tuteur constant.

Les évaluations standardisées à grande échelle, dont les enquêtes PISA de l’OCDE, documentent depuis des années un constat similaire pour l’enseignement assisté par ordinateur en général : le bénéfice dépend moins de l’outil que du cadre pédagogique dans lequel il s’insère. L’essai de Taipei l’établit pour les tuteurs conversationnels avec une précision nouvelle.

L’essai américain montre l’envers du même mécanisme

L’étude publiée par l’Institut für Zukunft der Arbeit (IZA) en octobre 2026 portait sur des étudiants universitaires utilisant un tuteur IA intégré à leurs cours. Le résultat : une baisse de 0,37 écart-type sur les notes finales, soit un effet négatif deux fois plus grand en valeur absolue que le gain de Taipei.

Les deux essais observent des résultats distincts. Elle tient à l’absence de protocole. Les étudiants pouvaient interroger le VSA sur des questions relevant du contenu de leur cours. Beaucoup ont demandé des réponses, non des indices. Le tuteur répondait.

L’étude suggère que l’accès au VSA a pu déplacer certaines activités d’apprentissage existantes.

Ce déplacement silencieux du travail est ce que les spécialistes de l’apprentissage appellent le contournement de la charge cognitive souhaitable. Quand l’élève bute sur un problème et cherche comment le résoudre, il construit une représentation mentale durable. Quand la machine résout à sa place, la réponse correcte passe sans laisser de trace dans le raisonnement. Les notes à court terme peuvent sembler stables ou même progresser, le vrai coût n’apparaît qu’aux évaluations finales, lorsque l’élève affronte seul des problèmes nouveau.

La gouvernance de classe décide plus que l’algorithme

Lê Nguyên Hoang, chercheur en apprentissage automatique et cofondateur de Tournesol, une plateforme qui travaille à une gouvernance pluraliste des recommandations algorithmiques -, défend l’idée que le comportement d’un système d’IA en situation réelle dépend moins de son code que des règles qui encadrent son usage. Appliquée à la salle de classe, cette thèse devient concrète : les modalités d’usage comptent, sans isoler causalement le moment ni la manière d’interroger le tuteur.

Les deux essais sont compatibles avec l’importance de la conception de l’usage, sans confirmer conjointement une même explication causale. Les résultats diffèrent entre deux dispositifs distincts, dont l’un teste le séquençage adaptatif et l’autre l’accès à un VSA de cours. Les variables expérimentales sont le séquençage adaptatif à Taipei et l’accès au VSA à Maryland.

Une lecture concurrente mérite d’être examinée. Les économistes qui travaillent sur les marchés de l’éducation, dans la tradition de Philippe Aghion sur l’innovation et la croissance, font valoir que la diffusion d’un outil puissant finit par forcer les institutions à s’adapter : la pression concurrentielle entre établissements, ou entre systèmes éducatifs nationaux, sélectionne progressivement les usages qui fonctionnent. Cette dynamique schumpétérienne a sa logique. Mais elle suppose du temps, des perdants pendant la transition, et des mécanismes d’information qui permettent aux acteurs de distinguer les bons usages des mauvais. Les deux essais de 2026 montrent que ces mécanismes ne sont pas automatiques : un déploiement à large échelle sans protocole peut produire des dommages mesurables avant que la sélection s’opère.

Ce constat rejoint celui qu’illustre la surveillance algorithmique au travail dans d’autres contextes : déléguer une décision à un algorithme sans définir le périmètre de cette délégation déplace le risque vers ceux qui ont le moins les moyens de le gérer.

Les élèves les moins encadrés paient le prix fort

Le creusement des écarts n’est pas une métaphore. À Maryland, les pertes estimées étaient plus élevées chez les étudiants de première génération; Taipei rapporte surtout des effets par niveau initial et sélectivité scolaire.

Inversement, les gains estimés à Taipei étaient plus élevés chez les élèves débutants et dans les lycées moins sélectifs. Un tuteur IA bien encadré peut compenser une partie de ce manque, il est disponible à toute heure, patient, adaptatif. C’est un avantage réel pour les familles qui ne peuvent pas financer des cours particuliers. Mais un résultat négatif a été observé pour l’accès au VSA dans l’essai américain.

La géographie de l’accès aux métiers de l’IA dessine une inégalité similaire à l’échelle des marchés du travail : les gains se concentrent là où les conditions d’intégration sont déjà favorables. À l’école, le même pattern s’observe à l’échelle de la classe : l’IA amplifie ce qui existe, dans les deux sens.

Les arbitrages des prochaines années

À horizon d’une quinzaine d’années, la question n’est plus de savoir si les tuteurs conversationnels entreront dans les classes, mais dans quel état institutionnel ils les trouveront. Si les systèmes éducatifs traitent cette période comme une fenêtre d’apprentissage collectif, les arbitrages actuels sur les protocoles d’usage pourraient produire une doctrine pédagogique stabilisée, comparable à ce que les recherches sur la lecture ont progressivement imposé comme norme d’enseignement au cours des décennies précédentes. Les établissements qui auront formalisé des règles d’usage dès maintenant accumuleront une expérience et une culture professionnelle que les autres mettront des années à rattraper. Cette asymétrie d’expérience risque de reproduire, entre établissements, le même écart que l’absence de protocole produit déjà entre élèves.

Si, en revanche, les déploiements se généralisent sous la pression des budgets et de la disponibilité commerciale des outils, sans que les conditions pédagogiques soient définies, le risque n’est pas un échec visible et corrigible, mais une dégradation lente et diffuse des capacités de raisonnement autonome, invisible dans les statistiques de court terme et politiquement difficile à attribuer à une décision précise. Le moment où cette dégradation deviendrait mesurable coïnciderait avec l’arrivée sur le marché du travail d’une génération formée sans exigence cognitive explicite, soit un horizon suffisamment lointain pour que la responsabilité des choix actuels soit introuvable. C’est précisément pourquoi les signaux à suivre dès maintenant, l’écart de résultats entre élèves utilisant un tuteur avec ou sans protocole, la part des établissements ayant formalisé des règles d’usage, ont une valeur d’alerte précoce que les évaluations finales ne pourront pas remplir à temps.

Les besoins collectifs qui conditionnent la trajectoire favorable restent structurellement sous-dotés. Former les enseignants à concevoir des séquences où l’effort précède l’aide suppose une réforme de la formation initiale et continue qui ne peut pas être improvisée au moment du déploiement. Disposer de protocoles d’évaluation capables de mesurer le raisonnement indépendamment de l’assistance reçue suppose un investissement en ingénierie pédagogique que peu d’institutions ont encore budgété. Conditionner les financements publics d’outils de tutorat à la production préalable d’un protocole pédagogique validé serait une piste de progrès à portée des régulateurs actuels, sans attendre que la recherche accumule de nouveaux essais. Créer un observatoire des usages pédagogiques chargé de comparer les résultats selon les modalités d’intégration permettrait de rendre cette preuve continue, accessible et comparable entre systèmes, là où elle reste aujourd’hui fragmentée en essais isolés dont peu d’acteurs de terrain ont connaissance.

Deux trajectoires sont ouvertes, et les données actuelles permettent de les distinguer, sans en prévoir l’issue.

Dans la première, les établissements qui déploient des tuteurs IA formalisent progressivement des règles d’usage : l’élève doit produire une tentative de solution avant d’interroger le tuteur, les évaluations finales sont conçues pour mesurer le raisonnement indépendamment de l’aide reçue, les enseignants sont formés à concevoir des séquences où l’IA intervient après l’effort, non à sa place. Dans ce scénario, le gain de Taipei de 0,15 écart-type pourrait se généraliser, y compris dans des contextes où l’encadrement familial est plus faible. Les élèves qui bénéficient le moins d’un entourage éducatif riche gagneraient relativement le plus.

Dans la seconde, les tuteurs sont déployés comme des outils d’accès immédiat, sans protocole, parce que c’est plus rapide à mettre en place et que les effets négatifs mettent du temps à apparaître dans les statistiques. L’effet observé aux États-Unis présenterait un risque de réplication à grande échelle. Les élèves capables d’autoréguler leur usage, ceux qui comprennent intuitivement qu’interroger la machine avant d’avoir essayé affaiblit leur propre apprentissage, s’en sortent. Les autres perdent du terrain de façon invisible, jusqu’aux examens.

Ce qui permettrait de distinguer ces deux trajectoires avant qu’elles ne deviennent irréversibles : suivre l’écart de résultats aux évaluations standardisées entre élèves utilisant un tuteur avec protocole défini et ceux l’utilisant sans contrainte, mesuré chaque fin d’année. Et observer la part des établissements ayant formalisé des règles d’usage dans leur projet pédagogique, un indicateur simple qui rend la diffusion des bonnes pratiques visible avant que les résultats ne l’enregistrent.

Plusieurs besoins collectifs restent entiers dans les deux scénarios. Former les enseignants à concevoir des séquences qui définissent explicitement ce que l’élève produit seul reste une condition non remplie dans la plupart des systèmes éducatifs. Disposer de protocoles d’évaluation capables de mesurer le raisonnement de l’élève indépendamment de l’aide reçue est une exigence technique que peu d’établissements ont commencé à prendre au sérieux.

Deux pistes de progrès ressortent des données disponibles. Conditionner les financements publics d’outils de tutorat par IA à la production d’un protocole pédagogique validé forcerait les déploiements à définir les moments d’usage avant de les financer. Créer un observatoire des usages pédagogiques de l’IA chargé de comparer les résultats selon les modalités d’intégration, en s’appuyant sur les essais existants et sur ceux à venir, permettrait d’accumuler une preuve que les établissements pourraient consulter avant de choisir leur dispositif. La question de savoir qui construit ces données, et pour qui, se pose déjà ailleurs dans le déploiement de l’IA : elle se pose ici avec une acuité particulière, parce que les enfants ne peuvent pas attendre que le marché sélectionne les bons usages.

L’usage que les enseignants font de cette preuve

La charge repose en partie sur les enseignants, mais pas seulement. Concevoir une séquence pédagogique qui définit ce que l’élève doit produire seul avant d’accéder au tuteur demande une formation spécifique que la plupart des systèmes éducatifs n’ont pas encore intégrée. Dans les écoles taïwanaises qui ont produit le gain de 0,15 écart-type, ce travail de conception a été fait en amont, avec un accompagnement explicite des professeurs.

Le déploiement non régulé, lui, ne demande aucune formation. Il suffit d’ouvrir l’accès. C’est précisément pourquoi il est plus courant.

Les données de 2026 peuvent éclairer les politiques publiques d’achat et de déploiement. Elle ne dit pas quelle technologie choisir. Elle montre que l’accès au VSA sans intégration pédagogique prescrite s’est accompagné de résultats négatifs dès lors, sans établir causalement que l’absence de protocole en est la cause. Les décideurs qui déploient des tuteurs IA à l’échelle d’un district ou d’un ministère disposent désormais de deux points de comparaison clairs. Utiliser ces données ou les ignorer est, à ce stade, un choix délibéré.

Sources

  1. Academy of Management Proceedings, essai randomisé à Taipei (1 047 lycéens, juillet 2026), https://journals.aom.org/doi/10.5465/AMPROC.2026.17622abstract
  2. IZA, Institute of Labor Economics, The Effects of Course-Integrated AI Tutoring, octobre 2026 (2 379 étudiants, essai randomisé, États-Unis), IZA Discussion Papers
  3. Lê Nguyên Hoang, Tournesol, gouvernance pluraliste et participative des modèles d’IA, https://tournesol.app/