Les élèves qui apprennent avec l’IA progressent plus vite, puis décrochent quand elle disparaît. L’OCDE le documente en 2026 : l’IA améliore le feedback pendant l’apprentissage, mais l’élève qui en dépend trop arrive à l’évaluation démuni, sans l’habitude de produire seul. Le problème touche plusieurs groupes d’élèves, notamment ceux dont les ressources éducatives hors IA sont limitées.

L’essentiel

  • Un usage non guidé de l’IA peut améliorer une performance tout en risquant de réduire l’effort cognitif et les acquis durables (OCDE Digital Education Outlook 2026).
  • Lorsque l’accès à l’IA est retiré, l’avantage de performance observé avec l’outil peut disparaître ou s’inverser.
  • Une enquête EDUCAUSE 2026 auprès de 438 enseignants confirme que les attentes évoluent, mais que mesurer les acquis réels reste difficile.
  • En Amérique latine, où l’accès aux outils numériques est profondément inégal, l’effet pourrait amplifier les écarts déjà documentés.
  • La solution n’est pas de supprimer l’outil : c’est d’enseigner à s’en détacher progressivement, avant l’examen.

Le feedback sans l’apprentissage de l’effort

Ce mécanisme de dépendance touche à la structure de l’effort cognitif que l’élève consent à fournir, pas seulement à la quantité de feedback reçu. Le point décisif est de laisser une tentative de récupération avant le feedback. Le feedback immédiat après une tentative de récupération peut améliorer la consolidation, selon la tâche et le dispositif. Le problème tient au moment du feedback, non au feedback lui-même. Le point décisif est de laisser une tentative de récupération avant le feedback, non d’éviter systématiquement le feedback immédiat.

L’élève progresse sur les exercices et ses réponses sont plus souvent correctes, mais cette performance repose sur un guidage externe plutôt que sur une connaissance intériorisée.

Un écart entre performance aux devoirs assistés et performance aux examens peut survenir, mais son caractère invisible pendant l’apprentissage n’est pas établi. L’enseignant observe des résultats satisfaisants, l’élève se sent compétent, et les conditions de cet apprentissage ne semblent pas appelées à changement. C’est seulement à l’évaluation, quand le filet disparaît, que l’écart se révèle. Le problème structurel est qu’un retrait planifié de certaines aides pédagogiques peut favoriser le transfert, sans permettre d’affirmer une dépendance progressive généralisée aux outils d’IA. Un outil pédagogique efficace à court terme peut donc être contre-productif à moyen terme si aucun protocole ne prévoit d’en réduire progressivement l’assistance.

Cette logique vaut pour tout dispositif de soutien qui n’intègre pas, dans sa conception même, une stratégie de retrait. L’IA se distingue des autres outils par l’échelle à laquelle elle opère et par la discrétion avec laquelle elle s’impose dans les habitudes de travail, ce qui rend le retrait d’autant plus difficile à organiser sans décision pédagogique explicite.

Un bon professeur corrige une erreur au moment où elle se produit. L’IA fait pareil, à grande échelle, sans se fatiguer. C’est un gain réel. L’OCDE synthétise des évaluations indiquant que des systèmes tutoriels adaptatifs peuvent soutenir l’apprentissage. Sur ce point, l’enthousiasme des promoteurs de l’EdTech repose sur quelque chose de solide.

Mais le même rapport pointe un mécanisme plus gênant. Un feedback fréquent pourrait réduire l’effort de prédiction de l’erreur par l’élève. Il pourrait produire un effort réduit de récupération, cette tentative de retrouver une réponse depuis sa mémoire sans aide, processus que les sciences cognitives identifient comme un moteur de la mémorisation durable. L’apprentissage progresse sur le plan des performances immédiates. La capacité à mobiliser seul ses connaissances, elle, stagne.

Un usage mal calibré de l’IA produit une dépendance à l’outil. Un élève qui ne fait jamais de maths sans calculatrice peut quand même apprendre les maths, à condition que son enseignant sache quand retirer la calculatrice. La même logique s’applique à l’IA : un encadrement pédagogique explicite doit définir qui réduit l’accès à l’outil, à quel moment et dans quel but.

À l’évaluation, chacun repart avec ce qu’il a apporté

Dans plusieurs systèmes scolaires, l’examen place l’élève sans accès à l’IA, créant un contraste avec les pratiques quotidiennes assistées. C’est dans cet écart entre la pratique quotidienne et les conditions d’évaluation que réside le problème décrit par l’OCDE.

Un élève qui a appris à travailler avec un outil constant de correction arrive à l’examen avec une compétence réelle, mais aussi avec une habitude de dépendance. Si cette habitude n’a pas été travaillée, si personne ne lui a appris à fonctionner sans filet, l’écart entre ses performances en apprentissage et ses résultats à l’évaluation se creuse.

L’enquête EDUCAUSE 2026, menée auprès de 438 enseignants, éclaire la face institutionnelle du problème. Les enseignants constatent que les attentes des élèves ont changé : ils attendent plus de guidage, plus de retours, plus d’interactivité. Mais mesurer si ces élèves ont vraiment acquis les compétences visées reste difficile. Les instruments d’évaluation n’ont pas évolué au même rythme que les pratiques d’apprentissage. L’écart entre les deux crée une zone d’incertitude que personne, pour l’instant, ne sait vraiment combler.

L’Amérique latine comme cas limite

Ce décalage entre apprentissage assisté et évaluation solitaire existe partout. En Amérique latine, il prend une forme particulièrement aiguë, pour une raison simple : l’accès aux outils n’est pas uniforme.

Certains établissements, notamment privés ou situés en zones urbaines bien dotées, utilisent l’IA depuis un certain temps. Ils développent des usages, des stratégies, des habitudes. Dans les établissements moins bien dotés, l’outil arrive tard, sporadiquement, ou pas du tout. Ces élèves n’ont pas le problème de l’overreliance, ils n’ont tout simplement pas l’outil.

Cette fracture opère selon des axes distincts. Certains élèves ont appris à dépendre d’un outil absent le jour de l’examen. D’autres ont travaillé sans bénéficier du retour accéléré que l’IA procure. Ces groupes font face à des défis différents. Un feedback de qualité peut améliorer l’apprentissage dans certains contextes, mais son effet sur les inégalités de ressources doit être établi séparément.

C’est un scénario que l’automation du marché du travail reproduit à une autre échelle : la technologie améliore les conditions des mieux positionnés, sans atteindre ceux qui en auraient le plus besoin. Le mécanisme est différent ; la direction des inégalités, la même.

La Banque interaméricaine de développement a documenté ces dynamiques dans ses travaux sur l’EdTech en Amérique latine. Ses analyses soulignent que l’adoption inégale des outils d’IA scolaire, en l’absence de déploiement intentionnel dans les établissements défavorisés, pourrait amplifier les écarts de résultats entre zones urbaines et rurales, entre secteur privé et public.

Déclarations des enseignants et limites des outils de mesure

La difficulté de mesure que signalent les enseignants interrogés renvoie à un problème qui dépasse la seule question des instruments disponibles. Les outils actuels posent des défis pour distinguer performance assistée et compétence, mais certaines évaluations sont conçues pour mesurer aussi les processus d’apprentissage. Un élève peut produire un travail de qualité dans un environnement assisté sans que cette qualité soit transférable à un contexte différent.

Les instruments conçus avant la généralisation de l’IA pédagogique n’ont pas été pensés pour établir cette distinction. Les adapter supposerait de clarifier au préalable ce que l’on cherche à évaluer, soit la capacité à mobiliser des connaissances sans assistance, ce qui implique de repenser la finalité de l’apprentissage assisté lui-même. Cette circularité explique pourquoi les systèmes éducatifs hésitent à réformer les modalités d’évaluation en même temps qu’ils déploient de nouveaux outils.

Modifier les deux simultanément exige une cohérence institutionnelle que la plupart des systèmes ne sont pas organisés pour produire. Les enseignants se trouvent donc dans une position inconfortable : ils utilisent des outils dont ils perçoivent le bénéfice sans pouvoir en vérifier l’effet réel sur les acquis durables, et ils continuent à évaluer avec des instruments qui ne leur donnent pas l’information dont ils auraient besoin pour ajuster leurs pratiques. Cette incertitude n’est pas sans conséquence sur les décisions pédagogiques quotidiennes. Faute de données fiables, certains enseignants maintiennent un niveau d’assistance élevé pour préserver les performances visibles. L’OCDE recommande un usage sélectif et pédagogique de l’IA afin qu’elle ne remplace pas l’effort cognitif.

L’enquête EDUCAUSE pointe une tension que les chiffres d’adoption masquent volontiers. Les 438 enseignants interrogés notent que leurs pratiques ont changé, plus de feedback, plus de personnalisation, des séquences plus interactives. Ils observent aussi que leurs élèves s’engagent différemment, parfois plus, parfois de façon plus passive.

L’enquête EDUCAUSE met en évidence des incertitudes persistantes sur l’évaluation des apprentissages avec l’IA dans l’enseignement supérieur. Les évaluations sans IA peuvent mesurer la capacité à exceller sans IA, même si elles ne couvrent pas toutes les compétences complexes. Certaines évaluations peuvent être réalisées avec IA, ce qui complique l’interprétation de la performance. Il s’agit d’un problème de conception pédagogique. Certains systèmes intègrent l’IA avec des adaptations de gouvernance, de suivi ou d’évaluation, mais les pratiques restent hétérogènes.

L’école peut exploiter les mutations démographiques et technologiques à condition de les anticiper plutôt que de les subir. Sur l’IA, plusieurs systèmes scolaires d’Amérique latine subissent encore une articulation insuffisante entre usage pédagogique et préparation à l’autonomie évaluative.

Les pistes qui émergent, prudemment

Quelques établissements en Amérique latine testent une approche de retrait progressif. L’IA est disponible au début d’une unité d’apprentissage, puis son assistance est progressivement réduite. À l’approche de l’évaluation, l’élève travaille sans assistance. L’idée : faire du sevrage une compétence en soi, pas un choc subi le jour de l’examen.

Les résultats sont préliminaires et les échantillons petits. Mais la logique est cohérente avec ce que les sciences cognitives documentent depuis longtemps sur la pratique de récupération. L’OCDE recommande un usage sélectif de l’IA qui préserve la pensée indépendante et les compétences fondamentales.

Un enseignant peut décider seul de réduire l’accès à l’IA dans les semaines précédant une évaluation, indépendamment du budget disponible. La formation nécessaire pour agir avec intention et la volonté institutionnelle de reconnaître l’enjeu font défaut. Dans la région, plusieurs politiques éducatives privilégient le déploiement des outils. La réflexion sur le bon usage, y compris le non-usage au bon moment, intervient après.

Mesures à la portée des décideurs

La fenêtre pour corriger le tir est ouverte. L’IA scolaire en est encore à ses premières années de déploiement en Amérique latine. Les habitudes ne sont pas figées. Les systèmes qui agissent maintenant peuvent concevoir dès le départ une architecture pédagogique qui intègre à la fois l’assistance et l’autonomie.

Trois leviers semblent concrets. D’abord, former les enseignants à calibrer l’usage de l’IA selon la phase d’apprentissage, pas seulement à utiliser les outils. Ensuite, réviser les instruments d’évaluation pour qu’ils mesurent des compétences que l’IA ne peut pas substituer : le raisonnement sous contrainte, la mobilisation sans guidage, l’argumentation orale. Enfin, concentrer le déploiement des outils en priorité dans les établissements défavorisés, là où le feedback de l’IA comble un vide réel plutôt que de s’ajouter à des ressources déjà abondantes.

Ces orientations ne sont pas nouvelles dans le débat pédagogique. Ce qui est nouveau, c’est la pression des données OCDE pour les prendre au sérieux avant que l’écart ne soit installé. Un système scolaire qui attend que les inégalités soient documentées à grande échelle pour agir les a déjà produites. Le moment propice, c’est maintenant, pendant que les usages se cherchent encore.

L’IA améliore l’apprentissage dans les conditions qui permettent un usage réfléchi : ce point est établi. L’enjeu pour les décideurs latino-américains est de déterminer si les systèmes éducatifs de la région formeront leurs enseignants à gérer cette nuance, ou se limiteront à équiper leurs salles de classe.

Sources

  1. OCDE, Digital Education Outlook 2026, janvier 2026, https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/01/oecd-digital-education-outlook-2026_940e0dd8/062a7394-en.pdf
  2. EDUCAUSE, Assessment Study 2026 (438 enseignants interrogés), cité dans le Digital Education Outlook 2026 ; URL directe non disponible, consultable sur educause.edu
  3. Banque interaméricaine de développement, travaux sur l’EdTech en Amérique latine, consultables sur iadb.org