IA et éducation : professeurs augmentés et apprentissage personnalisé

Une classe de trente élèves, un seul professeur, et autant de rythmes d'apprentissage que de têtes. Depuis toujours, l'enseignement de masse compose avec cette tension : comment offrir à chacun l'attention d'un précepteur particulier quand la logistique impose des groupes ? L'intelligence artificielle appliquée à l'éducation propose une réponse partielle mais concrète à cette vieille équation. Tuteurs conversationnels disponibles à toute heure, générateurs de plans de cours, outils d'adaptation des supports au niveau réel de l'apprenant : les usages se multiplient dans les établissements, avec des résultats mesurés qui commencent à sortir des laboratoires. Cet article propose un tour d'horizon lucide de ce que l'IA change vraiment pour les élèves et les enseignants, des bénéfices documentés aux précautions indispensables, sans céder ni à l'emballement ni au rejet.

Une promesse pédagogique ancienne, un outil nouveau

L'idée d'un enseignement adapté à chaque élève ne date pas des réseaux de neurones. En 1984, le psychologue de l'éducation Benjamin Bloom formule ce qui restera comme le « problème des deux sigmas » : un élève accompagné individuellement par un tuteur compétent progresse en moyenne de deux écarts-types au-dessus d'un élève suivant un cours classique en groupe. Autrement dit, l'élève moyen du groupe tutoré dépasse 98 % des élèves de la classe traditionnelle. Le tutorat individuel fonctionne remarquablement bien. Le hic est économique et logistique : personne ne peut offrir un précepteur particulier à chaque enfant scolarisé sur la planète.

Ce constat a nourri des décennies de recherche sur les systèmes tutoriels intelligents, ces logiciels qui tentent de reproduire une partie de l'accompagnement individuel. Bien avant l'arrivée des grands modèles de langage, ces systèmes montraient déjà des résultats solides. Une méta-analyse portant sur cinquante évaluations contrôlées a établi que l'effet médian de ces tuteurs informatiques était de relever les scores aux tests de 0,66 écart-type, faisant passer un élève du 50^e au 75^e percentile. Un autre travail de synthèse, centré sur la compréhension écrite d'environ dix mille élèves du primaire et du secondaire, a mesuré une taille d'effet globale de 0,60. Ces chiffres situent les tuteurs numériques en dessous du tutorat humain expert, mais au-dessus de l'enseignement classique en classe et des supports informatiques passifs.

Le tutorat individuel a toujours été le meilleur dispositif pédagogique connu. La difficulté n'a jamais été son efficacité, mais son passage à l'échelle. C'est précisément sur ce point que l'IA générative apporte une inflexion.

La rupture des dernières années tient à la nature des modèles conversationnels. Les systèmes tutoriels d'hier étaient rigides : ils suivaient des arbres de décision prédéfinis, corrigeaient des exercices fermés et peinaient à dialoguer librement. Un modèle de langage moderne, lui, comprend une question formulée dans les mots de l'élève, reformule une explication de trois manières différentes, propose un exemple sur mesure et s'adapte au fil de l'échange. Cette souplesse conversationnelle transforme l'expérience : on passe d'un exerciseur à un interlocuteur patient. C'est ce saut qualitatif qui explique l'intérêt renouvelé du monde éducatif pour ces technologies, après des années d'attentes déçues à l'égard des premiers logiciels dits « adaptatifs ».

L'apprentissage personnalisé, concrètement

Que recouvre au juste l'expression « apprentissage personnalisé » ? Trois dimensions principales, qu'il est utile de distinguer pour éviter les malentendus. Trop souvent, le terme sert d'argument vague ; le préciser permet de juger sur pièces ce que tel ou tel outil apporte réellement.

Adapter le rythme

La première dimension est temporelle. Un élève à l'aise avance vite et s'attaque à des notions plus avancées ; un élève en difficulté reprend les bases autant de fois que nécessaire, sans jugement ni impatience. Un tuteur conversationnel ne se lasse pas de réexpliquer une division euclidienne pour la cinquième fois. Cette patience infinie constitue l'un des atouts les plus régulièrement cités par les enseignants et les élèves : la peur de « poser une question idiote » devant les camarades disparaît, et l'apprenant ose demander des clarifications qu'il aurait tues en classe. Pour un adolescent timide, cette dimension psychologique n'est pas anecdotique — elle peut faire la différence entre le décrochage silencieux et le raccrochage.

Adapter le contenu

La deuxième dimension concerne les supports eux-mêmes. Un même chapitre d'histoire peut être reformulé pour un niveau de lecture plus accessible, traduit dans la langue maternelle d'un élève allophone, enrichi d'analogies liées aux centres d'intérêt de l'apprenant, ou décliné en questions à choix multiples pour vérifier la compréhension. Les données de l'OCDE indiquent que 52 % des enseignants interrogés estiment que l'IA peut les aider à adapter les supports pédagogiques aux différents niveaux de leurs élèves. Cette différenciation, longtemps chronophage à produire manuellement, devient réalisable à grande échelle. Un professeur qui devait auparavant choisir entre suivre le rythme des plus rapides ou celui des plus fragiles dispose désormais d'un moyen de servir les deux.

Adapter la méthode

La troisième dimension, la plus subtile, touche à la manière d'enseigner. Certains élèves progressent mieux par l'exemple, d'autres par la règle générale, d'autres encore par l'essai-erreur guidé. Un bon tuteur conversationnel peut moduler son approche : au lieu de donner la réponse, il pose une question qui met l'apprenant sur la voie, à la façon de la maïeutique socratique. C'est précisément ce parti pris qui distingue les tuteurs éducatifs des assistants généralistes, et qui conditionne, on le verra, l'essentiel de leur valeur pédagogique.

La personnalisation n'est pas un luxe technologique : c'est le retour, à grande échelle, d'une pédagogie qui rencontre l'élève là où il se trouve plutôt que là où le programme voudrait qu'il soit.

Deux familles d'outils à ne pas confondre

Sous l'étiquette commune d'« IA éducative » cohabitent en réalité deux familles de dispositifs qu'il vaut mieux distinguer. La première regroupe les systèmes adaptatifs classiques : des plateformes d'exercices qui ajustent la difficulté en fonction des réponses, mesurent la progression et proposent le contenu suivant selon un modèle de l'élève construit au fil des séances. Ces systèmes, souvent bâtis sur des règles ou des modèles statistiques éprouvés, excellent dans les disciplines où les compétences se décomposent en étapes claires, comme les mathématiques ou les langues. Leur force est la rigueur du suivi ; leur limite, une certaine raideur dès qu'il s'agit de sortir du parcours prévu.

La seconde famille est celle des tuteurs conversationnels adossés aux grands modèles de langage. Là, l'apprenant dialogue en langage naturel, pose ses questions comme il les formulerait à un camarade, et reçoit des explications reformulées à la demande. Cette souplesse ouvre des usages que les systèmes adaptatifs ne permettaient pas — expliquer un concept sous un angle inédit, répondre à une question périphérique, accompagner la rédaction d'un raisonnement. Les deux familles ne s'opposent d'ailleurs pas : les outils les plus aboutis combinent la structure d'un parcours adaptatif et la fluidité d'un dialogue conversationnel, chacun compensant les faiblesses de l'autre.

Khanmigo, un cas d'usage à l'échelle

Pour saisir ce que produit l'IA éducative sur le terrain, l'exemple de Khanmigo, le tuteur de l'organisation à but non lucratif Khan Academy, est éclairant. Adossé à la technologie GPT-4, cet assistant a été conçu autour d'un principe pédagogique fort : il ne donne pas la réponse. Face à un exercice, il guide l'élève par des questions successives jusqu'à ce que celui-ci trouve la solution lui-même. Cette contrainte, volontairement inscrite dans son comportement, répond à l'une des critiques les plus fréquentes adressées aux assistants génériques, qui ont tendance à livrer la solution toute faite et à court-circuiter l'effort d'apprentissage.

L'adoption de Khanmigo illustre la vitesse à laquelle ces outils se diffusent quand les barrières d'accès tombent. Sur l'année scolaire 2024-2025, son usage est passé d'environ 40 000 à plus de 700 000 élèves du primaire et du secondaire, avec un déploiement dans plusieurs centaines de circonscriptions scolaires aux États-Unis et une extension vers des classes en Inde, au Brésil et aux Philippines. Un facteur a joué un rôle décisif : en mai 2024, un partenariat avec Microsoft, qui a mis à disposition l'infrastructure Azure OpenAI, a permis de lever le coût d'accès pour les enseignants. Les outils de soutien aux enseignants sont ainsi devenus accessibles sans coût, ce qui a considérablement abaissé le seuil d'entrée. L'assistant fonctionne aujourd'hui dans plus de trente langues.

Pour l'enseignant, Khanmigo agit surtout comme un assistant de préparation : il génère des plans de leçon, des grilles d'évaluation, des stratégies de regroupement d'élèves et des synthèses de progression. Autant de tâches administratives qui grignotent le temps disponible pour l'essentiel, le contact pédagogique. Ce partage des rôles — l'IA sur la préparation et le suivi, l'humain sur la relation et le sens — dessine un modèle d'usage qui revient de façon récurrente dans les retours de terrain. Il ne s'agit pas d'un assistant qui prend la classe en main, mais d'un appui discret qui rend au professeur les heures perdues dans la logistique pédagogique.

Ce que disent les études d'efficacité

Les témoignages enthousiastes ne suffisent pas : il faut regarder les mesures. Plusieurs travaux récents, conduits selon des protocoles rigoureux, permettent d'y voir plus clair. Ils convergent vers une conclusion nuancée : l'IA éducative aide réellement quand elle est bien conçue et bien encadrée, mais elle peut aussi nuire à l'apprentissage lorsqu'elle est mal utilisée. Cette dualité est le fil rouge à garder en tête pour éviter les conclusions hâtives dans un sens comme dans l'autre.

Étude	Contexte	Résultat principal
Kestin et al. (Harvard, Scientific Reports, juin 2025)	Cours de physique universitaire, essai contrôlé randomisé	Score médian de 4,5 avec le tuteur IA contre 3,5 en classe active ; gains d'apprentissage plus du double du groupe témoin
Tutor CoPilot (Stanford, 2024)	Plus de 700 tuteurs et 1 000 élèves de milieux défavorisés	+4 points de maîtrise en mathématiques ; jusqu'à +9 points pour les tuteurs les moins expérimentés
Méta-analyse systèmes tutoriels (Kulik & Fletcher, 2016)	Cinquante évaluations contrôlées	Effet médian de +0,66 écart-type (du 50e au 75e percentile)
Essai en lycée (mathématiques, ~1 000 élèves)	Usage d'un assistant IA pendant l'entraînement	Performance assistée +48 %, mais performance sans assistance −17 % par rapport au témoin

La dernière ligne du tableau mérite qu'on s'y arrête, car elle porte l'enseignement le plus important. Dans cet essai en lycée, les élèves qui s'entraînaient avec l'assistant réussissaient bien mieux… tant que l'assistant était là. Retiré au moment de l'examen, l'effet s'inversait : leurs résultats chutaient de 17 % par rapport à ceux qui avaient travaillé sans béquille numérique. Le message est clair : un outil qui donne la réponse trop facilement crée une dépendance qui ne construit pas de savoir durable. À l'inverse, l'étude de Harvard, conçue avec un tuteur guidant l'élève vers la découverte plutôt que vers la solution, obtient des gains qui persistent. La différence ne tient pas à la technologie, mais à la conception pédagogique.

Le travail de Stanford sur Tutor CoPilot ajoute une nuance encourageante sur le plan de l'équité. Cet outil n'était pas un tuteur destiné aux élèves, mais un assistant temps réel destiné aux tuteurs humains, leur suggérant des formulations et des relances pendant les séances. Les gains les plus marqués concernaient les tuteurs les moins expérimentés : l'IA leur transmettait, en quelque sorte, une partie de l'expertise des meilleurs. On touche là à un usage particulièrement prometteur : non pas remplacer l'enseignant, mais élever le niveau moyen de l'accompagnement, en particulier dans les contextes où l'encadrement expert est rare. C'est une manière de diffuser les bonnes pratiques qui, jusqu'ici, restaient l'apanage des tuteurs les plus chevronnés.

L'enseignant augmenté plutôt que contourné

Le débat public se focalise souvent sur les élèves, mais c'est peut-être du côté des enseignants que l'IA produit ses effets les plus immédiats. Les enquêtes de l'OCDE, menées en 2024, offrent un instantané précieux : environ 41 % des enseignants de la zone déclarent utiliser l'intelligence artificielle dans leur pratique, avec de fortes disparités — jusqu'à 75 % aux Émirats arabes unis et à Singapour, contre 14 % en France. Parmi ceux qui l'utilisent, les usages dominants sont l'apprentissage rapide d'un sujet et sa synthèse (68 %) ainsi que la génération de plans de cours et d'activités (64 %).

Ces chiffres révèlent une réalité souvent occultée : la première valeur de l'IA en éducation n'est pas de faire cours à la place du professeur, mais de lui rendre du temps. Rédiger un énoncé d'exercice, décliner un même contenu en trois niveaux de difficulté, préparer une évaluation, formuler des commentaires individualisés, remplir des documents de suivi, communiquer la progression aux familles : ces tâches, indispensables mais consommatrices d'énergie, se prêtent bien à l'assistance automatisée. Le temps ainsi libéré peut être réinvesti là où l'humain reste irremplaçable — l'attention portée à un élève en difficulté, l'animation d'un débat, l'accompagnement du projet d'un adolescent.

• Préparation : génération de plans de leçon, de séquences différenciées et de banques d'exercices adaptés à un objectif précis.
• Évaluation formative : production de quiz d'entraînement, de grilles critériées et de retours détaillés que l'enseignant relit et ajuste.
• Différenciation : reformulation d'un même document pour des niveaux de lecture variés ou pour des élèves allophones.
• Communication : rédaction de premières versions de comptes rendus aux familles, que l'enseignant personnalise ensuite.
• Veille et culture disciplinaire : exploration rapide d'un sujet neuf pour préparer une leçon en terrain moins familier.

Un exemple concret aide à saisir ce basculement. Un professeur d'histoire-géographie qui prépare une séquence sur un thème complexe peut demander à un assistant une première trame de plan, trois variantes d'un même document adaptées à des niveaux de lecture différents, et une série de questions de vérification graduées. Il ne récupère pas un cours prêt à l'emploi : il obtient une matière première qu'il trie, corrige et façonne selon ce qu'il connaît de sa classe. Le gain n'est pas la disparition du travail de conception, mais son recentrage sur les choix pédagogiques qui comptent — quel exemple parlera à ce groupe précis, quelle difficulté anticiper, quel angle privilégier. L'enseignant reste l'auteur de sa séquence ; l'IA en accélère la mise en forme.

L'OCDE résume ce positionnement par un principe qui fait consensus dans la recherche : l'IA doit venir en appui de l'enseignant, jamais s'y substituer. Les outils de tutorat et d'évaluation peuvent enrichir l'apprentissage, mais la connexion humaine, l'empathie et l'expertise pédagogique restent des éléments irremplaçables de l'éducation. Cette formule n'est pas une précaution de style : elle traduit une donnée observée. Lorsque l'évaluation est intégralement déléguée à une machine, l'enseignant perd le fil de ce que ses élèves savent réellement faire, et cette perte de lien pédagogique se paie tôt ou tard. Les enseignants eux-mêmes le pressentent, puisqu'une large part d'entre eux exprime des réserves quand il s'agit de confier la notation à un système automatisé.

Accessibilité et inclusion : un levier réel

Un domaine où l'apport de l'IA est particulièrement tangible est celui de l'éducation inclusive. Pour les élèves en situation de handicap ou confrontés à une barrière linguistique, des outils longtemps coûteux ou artisanaux deviennent courants et performants.

Les technologies de synthèse vocale et de reconnaissance de la parole rendent les supports accessibles aux élèves présentant des troubles de la lecture ou de l'écriture : un texte se transforme en audio, une réponse orale se convertit en texte écrit. Couplée aux cadres de conception universelle des apprentissages, l'IA permet de proposer plusieurs modalités d'accès au même contenu, ce qui bénéficie non seulement aux élèves à besoins particuliers mais à l'ensemble de la classe. La recherche montre que les systèmes d'apprentissage adaptatifs personnalisent l'expérience éducative des apprenants en situation de handicap de manière plus fine que les méthodes traditionnelles.

L'apprentissage des langues offre une autre illustration parlante. Des plateformes comme Duolingo ont intégré des modèles génératifs — avec son offre Duolingo Max adossée à GPT-4 — pour proposer des exercices de conversation par appel vidéo et des jeux de rôle interactifs. L'apprenant s'exerce à parler avec un interlocuteur artificiel disponible sans contrainte d'horaire, reçoit un retour immédiat sur ses erreurs et progresse à son rythme. Pour un élève qui n'a personne autour de lui avec qui pratiquer une langue étrangère, ce type d'outil ouvre une porte qui restait fermée.

Là où l'IA aide le plus, c'est souvent là où l'accès à un accompagnement humain était le plus rare : l'élève isolé, l'apprenant à besoins particuliers, le tuteur débutant. L'enjeu d'équité est au cœur du sujet.

Les précautions : là où la lucidité s'impose

Aussi encourageants que soient ces usages, ils appellent une vigilance sérieuse. Ignorer les limites de ces outils serait rendre un mauvais service aux élèves comme aux enseignants. Plusieurs points de vigilance ressortent de la littérature, et ils méritent d'être connus avant tout déploiement à grande échelle.

Les erreurs de contenu

Les modèles de langage produisent parfois des affirmations fausses présentées avec assurance — un phénomène désigné sous le terme d'« hallucination ». En contexte scolaire, une date historique inventée, une formule mathématique erronée ou une référence inexistante peuvent induire l'élève en erreur d'autant plus efficacement que la formulation paraît crédible. D'où l'importance de deux garde-fous : des tuteurs éducatifs cadrés sur des contenus vérifiés plutôt que sur la connaissance ouverte du modèle, et le maintien d'un regard enseignant sur ce que produisent ces outils.

Les biais algorithmiques

La question de l'équité algorithmique est particulièrement sensible dans l'éducation, où les décisions engagent des trajectoires de vie. Une étude publiée en 2024 dans la revue AERA Open a montré que des algorithmes prédictifs largement utilisés par des universités tendaient à sous-estimer le potentiel de réussite des étudiants noirs et hispaniques tout en surestimant celui des étudiants blancs et asiatiques. Les biais des données d'entraînement, qui reflètent les inégalités sociales existantes, risquent de les reproduire, voire de les amplifier, si l'on confie à ces systèmes des décisions structurantes sans contrôle humain.

Les données personnelles des élèves

Un tuteur numérique collecte des informations sensibles : niveau réel, difficultés, rythme, parfois éléments personnels confiés au fil des échanges. La protection de ces données constitue un impératif que les cadres officiels placent au premier rang. Les travaux disponibles sur la question pointent régulièrement un même constat : les étudiants ont une conscience très partielle de l'usage réel fait de leurs données d'apprentissage, ce qui traduit un déficit de transparence et souligne le chemin restant à parcourir.

L'intégrité et la dépendance cognitive

Enfin, l'usage inapproprié de ces outils fragilise l'apprentissage lui-même. Environ 72 % des enseignants interrogés par l'OCDE estiment que l'IA permet aux élèves de présenter un travail qui n'est pas le leur. Au-delà de la question de l'authenticité des devoirs, l'enjeu de fond est cognitif : comme l'a montré l'essai en lycée évoqué plus haut, un outil qui livre la solution sans effort peut affaiblir la construction du savoir. La parade n'est pas d'interdire, mais de repenser les activités pour qu'elles valorisent le raisonnement et le cheminement plutôt que le seul résultat final.

La fracture d'usage

Une dernière précaution, plus discrète mais tout aussi réelle, concerne l'écart entre ceux qui savent tirer parti de ces outils et ceux qui les subissent. L'accès à un tuteur numérique ne suffit pas : encore faut-il savoir lui poser de bonnes questions, reconnaître une réponse douteuse et exploiter un retour pour progresser. Ces compétences ne sont pas également réparties. Un élève accompagné à la maison, familier du numérique, en tirera davantage qu'un élève livré à lui-même. Le risque n'est donc pas seulement technique, il est social : mal accompagnée, une technologie censée réduire les écarts pourrait au contraire les entretenir. C'est pourquoi la formation des élèves à un usage éclairé de l'IA — savoir quand s'en servir, quand s'en passer, comment vérifier — devient une compétence scolaire à part entière, au même titre que la lecture ou le calcul. Les cadres institutionnels insistent d'ailleurs sur cette dimension : l'outil ne vaut que par la culture qui l'entoure.

Un cadre réglementaire qui se structure

Face à ces enjeux, les institutions posent des repères. Deux textes structurent aujourd'hui le paysage et méritent d'être connus des équipes éducatives.

En septembre 2023, l'UNESCO a publié sa première orientation mondiale sur l'IA générative dans l'éducation et la recherche. Ancré dans une approche humaniste et prolongeant sa Recommandation de 2021 sur l'éthique de l'intelligence artificielle, ce document propose huit mesures concrètes que les institutions peuvent adopter pour garantir une éducation de qualité, l'équité sociale et l'inclusion. Parmi les recommandations phares : la protection obligatoire des données, la fixation d'un âge minimum pour l'usage autonome de ces plateformes, et la formation renforcée des enseignants. L'idée directrice est que la technologie doit servir l'agentivité humaine, et non l'inverse.

Du côté de l'Union européenne, le Règlement 2024/1689, entré en vigueur le 1^er août 2024, encadre les usages selon leur niveau de risque. Son Annexe III classe explicitement comme systèmes à haut risque ceux qui évaluent les résultats d'apprentissage, décident de l'accès à une formation ou surveillent les examens — notation automatisée de copies, algorithmes d'admission, logiciels de surveillance d'épreuves. La logique est claire : ces systèmes peuvent déterminer le parcours scolaire et professionnel d'une personne, donc sa capacité à gagner sa vie, ce qui justifie des exigences renforcées de contrôle, de documentation et de supervision humaine.

Une nuance importante ressort de ce cadre : un tuteur qui se contente de proposer des recommandations d'apprentissage que l'élève peut librement suivre ou ignorer ne relève pas nécessairement de la catégorie à haut risque. C'est l'algorithme qui décide d'une note finale ou d'une admission qui franchit ce seuil. Cette distinction aide à comprendre où placer la vigilance : moins sur l'assistant qui explique, davantage sur le système qui juge.

Repères pour un usage équilibré

Comment tirer parti de ces outils sans en subir les écueils ? Quelques principes, tirés des retours de terrain et des cadres officiels, dessinent une boussole utile pour les établissements comme pour les familles.

• Privilégier les outils qui guident plutôt que ceux qui répondent. La différence entre un tuteur qui fait découvrir et un assistant qui livre la solution détermine largement la valeur pédagogique réelle, comme l'illustrent les études d'efficacité.
• Garder l'humain dans la boucle. L'enseignant relit, ajuste et valide ce que produit l'IA ; aucune décision engageant le parcours d'un élève ne devrait reposer sur une machine sans contrôle.
• Cultiver l'esprit critique face aux réponses. Apprendre aux élèves à vérifier ce qu'affirme un modèle fait partie de la compétence à acquérir ; l'erreur d'une IA devient alors un support pédagogique.
• Protéger les données. Choisir des solutions qui limitent la collecte, informent clairement sur les usages et respectent les réglementations applicables.
• Repenser les évaluations. Valoriser le cheminement, l'oral, le travail en classe et les productions qui mobilisent le raisonnement, plutôt que le seul livrable susceptible d'être produit par un outil.
• Former les enseignants. L'appropriation professionnelle conditionne la qualité de l'usage ; c'est l'une des recommandations centrales de l'UNESCO.

Ces repères convergent vers une même conviction : l'IA en éducation n'est ni une baguette magique ni un simple gadget. C'est un outil puissant dont la valeur dépend entièrement de la manière dont on le conçoit et dont on l'intègre à une intention pédagogique. Bien employé, il rapproche l'école de la promesse ancienne de Bloom — un accompagnement adapté à chacun. Mal employé, il crée de la dépendance, reproduit des biais ou dilue le lien humain qui fait la richesse de l'enseignement.

Perspectives : vers une complémentarité assumée

Le paysage de l'IA éducative est en mouvement rapide, et il serait imprudent de figer un pronostic. Quelques tendances de fond se dégagent néanmoins. La première est la montée en puissance des outils qui assistent les enseignants et les tuteurs humains plutôt que de les remplacer : l'exemple de Tutor CoPilot, qui élève le niveau des accompagnants les moins expérimentés, montre la voie d'une IA qui démultiplie l'expertise humaine au lieu de la court-circuiter.

La deuxième tendance est celle d'une conception plus fine, adossée à la recherche pédagogique. Les premières générations d'assistants génériques, taillées pour donner des réponses, ont montré leurs limites en contexte scolaire. Les outils qui émergent intègrent davantage les acquis des sciences de l'apprentissage : espacement des révisions, récupération active, questionnement socratique, retour d'information ciblé. Cette convergence entre ingénierie et pédagogie constitue probablement le facteur le plus déterminant de leur utilité future.

La troisième tendance touche à l'équité. Le potentiel le plus enthousiasmant de ces technologies n'est pas d'offrir un tuteur supplémentaire aux élèves déjà bien entourés, mais d'apporter un accompagnement de qualité là où il manquait — écoles sous-dotées, élèves isolés, apprenants à besoins particuliers, contextes multilingues. Concrétiser cette promesse suppose de veiller à ce que l'accès à ces outils ne creuse pas de nouvelles fractures, et à ce que leur conception intègre la diversité des publics scolaires.

Reste une certitude, largement partagée par les chercheurs comme par les institutions : l'enseignant demeure au centre. L'IA peut réexpliquer une notion à minuit, générer un exercice différencié en quelques secondes ou traduire un cours pour un élève allophone. Elle ne peut pas percevoir le découragement dans le regard d'un adolescent, ajuster une explication à la sensibilité d'un enfant, ni incarner l'exemple d'un adulte qui croit en lui. La complémentarité entre la machine et l'humain n'est pas un compromis provisoire en attendant que la technologie progresse : c'est la forme même que prend une éducation à la fois efficace et profondément humaine. C'est dans cet équilibre, plus que dans la performance brute des modèles, que se joue l'avenir de l'IA à l'école.

Sources

• OCDE — Reimagining Teaching in an Accelerating World (usages et opinions des enseignants, données 2024)
• UNESCO — Guidance for generative AI in education and research (septembre 2023)
• Khan Academy — Khanmigo (tuteur et assistant pédagogique par IA)
• CBS News / 60 Minutes — AI-powered tutor tested in schools (déploiement de Khanmigo)
• Kestin et al., Scientific Reports (juin 2025) — essai randomisé sur le tutorat IA à Harvard
• Stanford — Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise (2024)
• Brookings Institution — What the research shows about generative AI in tutoring
• Kulik & Fletcher — Effectiveness of Intelligent Tutoring Systems: A Meta-Analytic Review
• EU AI Act (Règlement 2024/1689) — Annexe III : systèmes à haut risque, dont l'éducation
• Duolingo — Duolingo Max, une expérience d'apprentissage propulsée par GPT-4
• AI and Ethics (Springer) — Inclusive education with AI: supporting special needs and tackling language barriers