La France consacre environ 6,7 à 6,8 % de son PIB à l’éducation (périmètre national complet), soit davantage que la moyenne de l’OCDE, y compris sur le périmètre restreint comparable à l’OCDE où le chiffre s’établit à 5,4 % contre 4,9 % en moyenne -, et obtient des résultats parmi les plus inégaux du monde développé. L’intelligence artificielle appliquée à l’enseignement s’annonce comme l’outil de personnalisation dont l’école manquait depuis des décennies. Mais dans un système où l’établissement de naissance reste l’un des meilleurs prédicteurs du destin scolaire, la technologie risque d’arriver là où elle est déjà le moins utile.

L’essentiel

  • La France figure parmi les pays de l’OCDE où l’origine sociale pèse le plus sur les résultats scolaires, selon l’Institut Montaigne.
  • Les outils d’IA pédagogique promettent une individualisation de l’enseignement impossible à déployer à la main pour un seul professeur face à trente élèves.
  • Les établissements les mieux dotés en équipements numériques et en enseignants formés sont aussi ceux qui accueilleront ces outils en premier.
  • Le déploiement inégal d’une technologie pensée pour réduire les écarts pourrait les creuser davantage, à moins d’une politique d’allocation volontairement inversée.
  • Des expérimentations existent, en France et à l’étranger, qui montrent ce qu’une adoption pilotée peut produire quand elle cible d’abord les publics les plus fragiles.

Le diagnostic que personne ne conteste vraiment

Le diagnostic fait l’objet d’un consensus de façade. Les acteurs institutionnels reconnaissent les inégalités, publient des rapports, commandent des études, sans que ce constat commun produise de réorientation réelle des moyens. L’urgence est admise en principe, mais les arbitrages budgétaires et les résistances internes reconduisent les équilibres existants. Les établissements défavorisés reçoivent des dispositifs supplémentaires, rarement des ressources structurelles pérennes. Le rééquilibrage bute sur l’absence de volonté de supporter le coût politique d’une allocation véritablement inversée.

L’Institut Montaigne a publié en 2024 une analyse fouillée de l’école française qui établit un constat net : les inégalités entre établissements y sont parmi les plus marquées des pays développés. Un élève scolarisé dans un lycée de centre-ville favorisé et un élève scolarisé dans un lycée de périphérie défavorisée n’étudient pas dans le même pays scolaire. Ils n’ont pas les mêmes professeurs, pas le même taux de remplacement, pas le même accès aux options qui ouvrent les portes des classes préparatoires. L’affectation géographique, largement déterminée par le lieu de résidence, fait le travail de la sélection avant même que l’élève ait ouvert un manuel.

Depuis les années 2000, les enquêtes PISA le documentent à intervalles réguliers : la France est l’un des rares pays où l’écart de performance entre le quart inférieur et le quart supérieur des élèves a tendance à se creuser plutôt qu’à se résorber. Le niveau moyen a décliné. L’écart, lui, a grandi. Ce double mouvement caractérise un système qui laisse décrocher les plus fragiles sans tirer le reste vers le haut.

Les raisons sont connues et débattues depuis longtemps : carte scolaire peu contraignante pour ceux qui savent la contourner, attractivité différenciée des postes enseignants selon les territoires, ressources parascolaires inégalement accessibles. La France a tendance à laisser les ajustements se faire par défaut plutôt que de piloter activement les rééquilibrages. L’école n’échappe pas à cette logique.

L’IA pédagogique : promesses et fondements actuels

Un professeur face à trente élèves joue en permanence sur une moyenne. Il adapte son rythme à la majorité, laisse les plus rapides s’ennuyer et les plus lents décrocher. L’IA pédagogique promet de sortir de cette contrainte structurelle en ajustant le niveau, le rythme et le type d’exercice en continu pour chaque élève. Ce que les pédagogues appellent la différenciation pédagogique, qui demande un temps considérable de préparation, deviendrait automatique.

Les systèmes qui existent déjà donnent une idée de ce que cela peut produire. Khanmigo, développé par Khan Academy, propose à l’élève un dialogue socratique plutôt qu’une correction sèche : il pose des questions pour amener l’élève à trouver lui-même son erreur. En Estonie, des outils adaptatifs sont intégrés depuis plusieurs années dans l’enseignement des mathématiques. Des études sur Mindspark, un outil utilisé en Inde, ont montré des gains d’apprentissage significatifs chez des élèves de niveaux initialement faibles, sur une durée de quelques mois seulement.

Les modèles de langage actuels permettent une interaction en langage naturel, une explication reformulée à la demande, une détection des erreurs récurrentes. La technologie est capable d’individualiser l’enseignement, imparfaitement mais réellement. La question déterminante porte sur les conditions dans lesquelles elle s’implante et les publics qu’elle atteint en premier.

L’adoption suit toujours la même géographie

Les technologies éducatives ont une histoire. Elle est rarement flatteuse du point de vue de l’équité. Le tableau blanc interactif est arrivé en priorité dans les établissements dont les parents d’élèves finançaient des associations actives. Les ENT, environnements numériques de travail, ont mis une décennie à s’homogénéiser entre académies. L’accès aux ressources en ligne pendant la crise sanitaire de 2020 a été massivement conditionné par l’équipement des familles : l’enquête de la DEPP publiée en 2021 montrait qu’une part significative des élèves de milieu défavorisé n’avait pas accès à un ordinateur personnel pendant les périodes de fermeture des établissements.

L’IA pédagogique va suivre la même logique si rien ne l’en empêche. Les établissements dotés d’une direction stable, d’enseignants expérimentés et d’un tissu de partenariats avec des acteurs technologiques seront les premiers à expérimenter, à former leurs équipes, à ajuster les pratiques. Les établissements en tension permanente de recrutement, avec des professeurs souvent néo-titulaires et un turnover élevé, n’auront ni le temps ni les ressources d’absorber un changement pédagogique supplémentaire.

Ce mécanisme est bien documenté dans la littérature économique sur les innovations de santé ou d’infrastructure. Comme pour l’automatisation dans l’industrie, les gains de productivité d’une technologie nouvelle bénéficient en premier aux acteurs déjà en position de force. En éducation, cela signifie que l’IA pédagogique pourrait accélérer les progrès des élèves qui en avaient déjà le moins besoin, et laisser intacte la situation de ceux pour qui elle aurait été le plus utile.

Les expérimentations qui montrent qu’un autre chemin existe

Plusieurs pays ont fait le choix inverse : déployer les outils en priorité là où les besoins sont les plus aigus, avec un accompagnement proportionné.

Au Royaume-Uni, la Education Endowment Foundation, créée en 2011 pour financer des programmes en faveur des élèves défavorisés, a engagé des travaux récents sur l’IA dans les établissements classifiés comme défavorisés, en imposant une évaluation rigoureuse des effets avant tout passage à l’échelle. Les programmes spécifiques sur l’IA sont très récents, postérieurs à 2022. Les résultats sont inégaux selon les outils, mais la méthode est saine : tester d’abord là où l’impact serait le plus fort, mesurer, ajuster.

En France, le ministère de l’Éducation nationale a engagé depuis 2023 une réflexion sur l’IA à l’école, avec des expérimentations dans plusieurs académies. Parmi les dispositifs existants, MIA, pour Modules Interactifs Adaptatifs, est un outil de remédiation destiné aux lycéens de seconde en français et en mathématiques, développé par EvidenceB pour le ministère. C’est un début. Mais les académies pilotes ne sont pas nécessairement celles où l’enjeu d’équité est le plus fort : les académies volontaires ont tendance à être celles qui ont déjà une culture de l’innovation pédagogique.

Des acteurs privés commencent également à cibler explicitement les publics vulnérables. L’association Vikidia, les plateformes de soutien scolaire comme Schoolmouv ou Lagonav, et des startups comme Lalilo pour la lecture en CP intègrent progressivement des composantes adaptatives. Lalilo, déployé dans plusieurs milliers de classes françaises dont beaucoup en éducation prioritaire, ajuste en temps réel les exercices de décodage selon les lacunes détectées pour chaque élève. Les retours des enseignants sont encourageants, même si les évaluations indépendantes restent peu nombreuses.

Former les enseignants avant de déployer les outils

Cette asymétrie d’usage entre établissements ne se corrige pas spontanément avec le temps. Plus un outil est utilisé dans un contexte favorable, plus les pratiques qui l’entourent se sophistiquent, creusant l’écart avec les contextes où l’usage reste superficiel. La formation continue doit donc précéder le déploiement et non l’accompagner à la marge. Conditionner l’accès à un outil à un seuil minimal de préparation des équipes n’est pas une contrainte bureaucratique supplémentaire : c’est la seule façon d’éviter que l’outil devienne un marqueur d’établissement plutôt qu’un levier d’équité.

La technologie ne résout rien par elle-même. Un outil adaptatif mal intégré dans une pratique enseignante devient une distraction supplémentaire. Pire, il peut renforcer la tendance à déléguer le suivi des élèves les plus difficiles à la machine, au moment précis où ces élèves ont besoin de la présence et du jugement d’un adulte formé.

La formation initiale et continue des enseignants est le vrai point de blocage. En pratique, les enseignants français suivent en moyenne un nombre limité de jours de formation par an, un retard documenté par le rapport du Sénat de 2022. L’obligation réglementaire du premier degré atteint pourtant 18 heures par an, comme en Finlande, tandis que Singapour offre plus de 100 heures annuelles. Le retard français tient donc à la formation réellement suivie. L’intégration réussie de l’IA pédagogique dans une classe suppose que l’enseignant comprenne ce que l’outil fait, ses limites, la manière d’interpréter les données produites et l’articulation avec ses propres interventions.

Sans cette couche de formation, le risque est réel de créer deux usages parallèles : dans les établissements bien dotés, un usage réfléchi où l’IA augmente le professeur ; dans les établissements en tension, un usage par défaut où l’IA se substitue à une présence enseignante insuffisante. La gratuité d’accès à un outil ne suffit pas à garantir l’équité de son usage : c’est une leçon que l’enseignement supérieur a déjà apprise à ses dépens.

La politique publique doit précéder le marché

La France a une chance que peu de pays ont : un service public d’éducation unifié, avec une capacité réglementaire réelle sur les outils déployés dans les classes. Elle peut imposer des standards de protection des données des élèves, des exigences d’évaluation indépendante des outils avant adoption, et surtout une logique d’allocation inversée des ressources : les établissements REP et REP+ en priorité, avec les moyens de formation associés.

Quelques conditions rendent cela possible. La première est une cartographie fine des usages actuels : qui utilise quoi, où, avec quels effets mesurés. La DEPP dispose des outils statistiques pour conduire ce travail. La seconde est un mécanisme de labellisation des outils d’IA pédagogique, à l’image de ce que l’Éducation nationale a commencé à structurer pour les manuels numériques, qui conditionne l’entrée dans les classes à une évaluation d’impact sur des populations hétérogènes. La troisième est un investissement délibéré dans la formation des enseignants des établissements les plus fragiles, non comme une mesure d’urgence mais comme une priorité structurelle.

L’IA pédagogique peut réduire les inégalités scolaires françaises. Elle peut aussi les aggraver. La différence entre ces deux scénarios ne tient pas à la technologie elle-même : elle tient aux choix que la puissance publique fera dans les deux ou trois prochaines années, avant que les habitudes d’adoption ne soient prises et que les écarts d’usage ne deviennent aussi difficiles à résorber que les écarts de résultats qu’ils alimenteront.

Sources

  1. Institut Montaigne, École : où concentrer nos efforts, https://www.institutmontaigne.org/publications/ecole-ou-concentrer-nos-efforts
  2. OCDE, Regards sur l’éducation 2023, https://www.oecd.org/fr/education/regards-sur-l-education.htm
  3. DEPP, Enquête sur les conditions de scolarisation pendant la crise sanitaire, 2021, Direction de l’évaluation, de la prospective et de la performance, ministère de l’Éducation nationale
  4. Muralidharan, K. Et al., Disrupting Education ? Experimental Evidence on Technology-Aided Instruction in India, American Economic Review, 2019, étude Mindspark
  5. Education Endowment Foundation, programmes d’IA en milieux défavorisés au Royaume-Uni, https://educationendowmentfoundation.org.uk/impact-report
  6. Ministère de l’Éducation nationale, MIA Seconde – Modules Interactifs Adaptatifs, https://eduscol.education.gouv.fr/6693/mia-seconde-une-approche-personnalisee-de-la-remediation-en-francais-et-en-mathematiques
  7. DEPP – Dépenses d’éducation 2024 (6,8 % du PIB), https://www.education.gouv.fr/depp/en-2024-1971-milliards-d-euros-consacres-l-education-soit-68-du-pib-452853
  8. DEPP – Périmètre OCDE 2021 (5,4 % vs 4,9 % moyenne OCDE), https://www.education.gouv.fr/le-financement-de-l-education-en-2023-415375
  9. Observatoire des inégalités – PISA 2022 et inégalités sociales, https://www.inegalites.fr/pisa
  10. PISA 2022 – Café Pédagogique / OCDE, https://www.cafepedagogique.net/2023/12/05/pisa-2022-la-chute/
  11. Site officiel Khanmigo – Khan Academy, https://www.khanmigo.ai/
  12. Ei Mindspark – site officiel Inde, https://mindspark.in/
  13. Sénat – Rapport formation continue des enseignants (2022), https://www.senat.fr/rap/r22-869/r22-869_mono.html
  14. DEPP – Dépense intérieure d’éducation 2023 (189,9 Md€, 6,7 % PIB), https://www.education.gouv.fr/en-2023-1899-milliards-d-euros-consacres-l-education-soit-67-du-pib-415774
  15. OCDE Regards sur l’éducation 2023 – Note pays France, https://gpseducation.oecd.org/Content/EAGCountryNotes/EAG2023_CN_FRA_pdf.pdf
  16. CAE – Note sur la dépense publique d’éducation, https://cae-eco.fr/education-comment-mieux-orienter-la-depense-publique-communique-de-presse
  17. Institut Montaigne – Inégalités scolaires : agir à la racine, https://www.institutmontaigne.org/publications/inegalites-scolaires-agir-la-racine
  18. American Economic Review – Muralidharan et al. (2019) – Mindspark, https://www.aeaweb.org/articles?id=10.1257%2Faer.20171112
  19. Légifrance – Décret n°2008-775 / n°2017-444 (obligations de service 1er degré), https://www.legifrance.gouv.fr/loda/id/JORFTEXT000019278548
  20. Sénat – Rapport n°869 (2022-2023) – Formation continue enseignants, https://www.senat.fr/notice-rapport/2022/r22-869-notice.html
  21. Wikipedia / EEF – Education Endowment Foundation, https://en.wikipedia.org/wiki/Education_Endowment_Foundation
  22. DEPP – Numérique éducatif et données confinement (2021), https://www.education.gouv.fr/la-depp-et-l-impact-de-la-crise-sanitaire-305177