À l’université, le savoir est-il encore une conquête ?
Il aura suffi de quelques clics pour bouleverser des siècles de pratiques intellectuelles. Hier, l’étudiant passait des heures dans les bibliothèques, confrontait les auteurs, prenait des notes, construisait ses arguments et apprenait, parfois difficilement, à défendre une idée. Aujourd’hui, une intelligence artificielle peut produire en quelques secondes une dissertation structurée, une synthèse bibliographique, un commentaire de texte ou l’ébauche d’un mémoire.
La rupture est considérable. Mais le véritable problème n’est pas que la machine puisse écrire. C’est que l’être humain puisse désormais donner l’apparence du savoir sans nécessairement en avoir acquis la maîtrise.
L’intelligence artificielle générative ne constitue pas simplement un nouvel outil pédagogique. Elle bouleverse les conditions de production, d’évaluation et de validation du savoir. Elle remet en question les frontières entre assistance et substitution, entre apprentissage et délégation, entre compétence réelle et performance simulée.
Dès lors, une question fondamentale s’impose : à l’ère de l’intelligence artificielle, que signifie encore mériter un diplôme ?
I. La fin de l’effort intellectuel ou la transformation de ses exigences ?
L’un des arguments les plus fréquemment avancés en faveur de l’IA est celui de l’efficacité. Pourquoi consacrer plusieurs heures à une tâche qu’un outil peut accomplir en quelques minutes ? Pourquoi ne pas automatiser la recherche préliminaire, la structuration d’un argumentaire ou la correction linguistique afin de consacrer davantage de temps à l’analyse ?
L’argument est recevable. Refuser toute assistance technologique serait aussi peu pertinent que de condamner l’usage des calculatrices ou des logiciels de traitement de texte.
Cependant, cette comparaison a ses limites.
Une calculatrice effectue un calcul dont l’utilisateur peut vérifier le résultat. Une intelligence artificielle générative peut, quant à elle, produire une démonstration apparemment cohérente, mais comportant des erreurs factuelles, des références inexistantes ou des raisonnements fragiles. Elle ne garantit ni la vérité de ses affirmations ni la pertinence de ses conclusions.
Le danger apparaît lorsque l’étudiant confond la fluidité du discours avec la solidité de la pensée.
Car apprendre ne consiste pas seulement à obtenir une réponse. Apprendre, c’est aussi traverser l’incertitude, identifier une contradiction, reconnaître une erreur, reformuler une hypothèse et accepter de ne pas comprendre immédiatement.
Or, c’est précisément dans cet effort que se développent l’autonomie intellectuelle et l’esprit critique.
Une université qui récompense uniquement la qualité du résultat, sans examiner la manière dont il a été obtenu, risque de certifier la maîtrise d’un outil plutôt que la formation d’un esprit.
Le défi n’est donc pas de préserver artificiellement la difficulté. Il est de distinguer l’effort inutile de l’effort formateur.
II. Le plagiat change de visage : de la copie à la délégation intellectuelle
Pendant longtemps, la fraude universitaire a principalement été associée à la copie, au plagiat et à l’appropriation du travail d’autrui. L’IA introduit une difficulté supplémentaire : un texte peut être original dans sa formulation tout en étant intellectuellement étranger à celui qui le présente.
Un étudiant peut soumettre un devoir sans avoir copié une seule phrase d’un auteur identifiable, tout en ayant confié à une machine l’essentiel de la recherche, de l’argumentation et de la rédaction.
Le problème ne se réduit donc plus à la question : « Ce texte a-t-il été copié ? »
Il faut désormais demander : « Qui a réellement pensé, vérifié et assumé ce qui est écrit ? »
Cette distinction est essentielle. Toute utilisation de l’IA ne constitue pas une fraude. L’employer pour améliorer la grammaire, clarifier une formulation ou explorer différentes pistes peut parfaitement s’inscrire dans une démarche d’apprentissage. En revanche, présenter comme le fruit de son propre raisonnement un travail intellectuel largement produit par une machine, lorsque les règles de l’exercice l’interdisent, relève d’une tromperie académique.
La ligne de partage ne passe donc pas entre ceux qui utilisent l’IA et ceux qui ne l’utilisent pas. Elle passe entre l’assistance transparente et la substitution dissimulée.
Cette évolution oblige à repenser l’intégrité académique. L’honnêteté ne consiste plus seulement à citer correctement ses sources. Elle suppose également de rendre compte, lorsque cela est pertinent ou exigé, de la contribution des outils utilisés.
Mais une autre responsabilité apparaît : celle des universités. Comment exiger des étudiants qu’ils respectent des règles qui restent imprécises, variables selon les enseignants ou inexistantes dans certains établissements ?
La rigueur éthique ne peut pas reposer uniquement sur la conscience individuelle. Elle exige des règles explicites, compréhensibles et équitables.
III. L’université face à une crise de l’évaluation
L’IA révèle une faiblesse ancienne du système universitaire : la tendance à confondre la production d’un devoir avec la démonstration d’une compétence.
Une dissertation bien rédigée prouve-t-elle nécessairement que son auteur maîtrise le sujet ? Un mémoire cohérent garantit-il que son rédacteur sait défendre ses hypothèses ? Une bibliographie impressionnante témoigne-t-elle d’une lecture réelle des ouvrages cités ?
Ces questions existaient avant l’IA. Mais celle-ci leur donne une ampleur nouvelle.
Lorsque des outils peuvent produire des réponses conformes aux attentes formelles d’un exercice, l’évaluation fondée exclusivement sur le produit final perd une partie de sa valeur diagnostique.
La réponse ne peut pas être de multiplier les détecteurs automatiques de textes générés. Ces systèmes peuvent produire des faux positifs et des faux négatifs ; leur résultat ne constitue pas, à lui seul, une preuve fiable de fraude.
Accuser un étudiant sur la seule base d’un score algorithmique reviendrait à substituer une incertitude technique à une procédure universitaire équitable.
Il devient nécessaire de diversifier les méthodes d’évaluation :
– Évaluer le processus, en demandant des étapes intermédiaires, des plans commentés, des notes de recherche ou des versions successives du travail.
– Évaluer la compréhension, grâce à des soutenances, des questions orales et des exercices de justification des choix méthodologiques.
– Évaluer l’application, en proposant des études de cas inédites, des problèmes contextualisés et des situations exigeant un jugement personnel.
– Évaluer la capacité critique, en demandant à l’étudiant de repérer les erreurs, les biais et les limites d’une réponse produite par l’IA.
– Clarifier les règles, en précisant les usages autorisés, les obligations de déclaration et les conséquences d’une utilisation frauduleuse.
L’enjeu n’est pas de surveiller chaque clic. Il est de concevoir des évaluations qui rendent visible ce que l’étudiant comprend réellement.
L’université doit ainsi passer d’une logique de contrôle principalement centrée sur le document rendu à une logique de vérification plus exigeante des compétences acquises.
IV. Le paradoxe de l’IA : démocratisation du savoir ou industrialisation de la superficialité ?
L’intelligence artificielle offre des possibilités considérables de démocratisation. Elle peut aider un étudiant éloigné des grandes bibliothèques à comprendre un concept complexe, accompagner une personne rencontrant des difficultés linguistiques, proposer des exercices adaptés ou faciliter l’accès à des explications complémentaires.
Dans des contextes où les ressources documentaires, l’encadrement pédagogique et les moyens financiers sont limités, ces possibilités sont particulièrement importantes.
Mais l’accès à un outil performant ne garantit pas l’acquisition d’un savoir fiable.
L’IA peut également amplifier les inégalités. Certains étudiants disposent d’outils plus performants, de formations adaptées et d’un meilleur accompagnement pour les utiliser. D’autres doivent se contenter de solutions limitées, parfois peu fiables, sans disposer des connaissances nécessaires pour en évaluer les résultats.
À cela s’ajoute une menace plus discrète : l’uniformisation de la pensée.
Lorsqu’une génération entière demande aux mêmes outils de rédiger ses introductions, de structurer ses arguments et de proposer ses conclusions, les productions risquent de devenir plus homogènes. Les raisonnements conventionnels peuvent être privilégiés au détriment des intuitions originales, des interrogations dérangeantes et des perspectives minoritaires.
L’étudiant peut alors devenir performant dans la restitution de formulations plausibles, mais moins apte à produire une réflexion véritablement personnelle.
Le paradoxe est saisissant : jamais l’accès à la production de textes n’a été aussi facile, mais cette abondance ne signifie pas que nous produisons davantage de connaissances nouvelles.
La démocratisation du savoir ne se mesure pas au nombre de réponses accessibles, mais au nombre de personnes capables de les comprendre, de les discuter et de les dépasser.
V. La responsabilité ne peut pas être celle des seuls étudiants
Il serait trop commode de faire de l’étudiant le principal responsable des dérives de l’IA.
Que penser d’un enseignant qui interdit l’utilisation de ces outils tout en maintenant des évaluations facilement automatisables ? D’un établissement qui exige des compétences numériques sans former ni ses étudiants ni son personnel ? D’une institution qui valorise la quantité de publications davantage que leur qualité scientifique ?
L’éthique universitaire concerne l’ensemble de la communauté académique.
Les enseignants doivent apprendre à intégrer l’IA sans abandonner leur responsabilité pédagogique. Les universités doivent adopter des politiques transparentes, former leurs personnels et protéger les droits des étudiants. Les chercheurs doivent vérifier leurs sources, préserver la confidentialité des données et assumer la responsabilité de leurs publications.
Les éditeurs scientifiques et les organismes de financement ont également un rôle à jouer dans la définition de standards adaptés.
Une vigilance particulière s’impose dans les travaux de recherche. Une référence bibliographique inventée, une donnée non vérifiée ou une analyse fabriquée peuvent contaminer une publication, orienter de mauvaises décisions et affaiblir la confiance accordée à la science.
La responsabilité scientifique ne peut pas être transférée à un système algorithmique. Un outil peut contribuer à une recherche ; il ne peut pas devenir le responsable moral de ses erreurs.
En définitive, la question centrale n’est pas de savoir si l’IA a participé à un travail, mais si les personnes qui le signent en comprennent les méthodes, en ont vérifié les résultats et en assument les conclusions.
VI. Quelle université voulons-nous construire à l’ère de l’intelligence artificielle ?
Face à cette transformation, deux attitudes sont également insuffisantes : interdire systématiquement l’IA ou l’adopter sans conditions.
La première risque d’ignorer une technologie appelée à transformer durablement les pratiques professionnelles et scientifiques. La seconde risque de confondre modernisation et abdication pédagogique.
Une troisième voie est nécessaire : celle d’une intégration maîtrisée, fondée sur la transparence, la responsabilité et l’exigence intellectuelle.
Elle pourrait reposer sur cinq engagements fondamentaux.
Premier engagement : enseigner l’IA plutôt que faire semblant de l’ignorer. Les étudiants doivent comprendre ses mécanismes généraux, ses limites, ses biais et les risques liés à ses réponses.
Deuxième engagement : rendre les règles d’utilisation explicites. Chaque exercice doit préciser ce qui est autorisé, ce qui doit être déclaré et ce qui constitue une substitution frauduleuse.
Troisième engagement : placer la vérification au cœur de l’apprentissage. Toute affirmation importante, toute référence et toute donnée doivent être examinées à partir de sources fiables.
Quatrième engagement : réhabiliter le raisonnement. L’université doit accorder une place plus importante à la discussion, à l’oral, à la démonstration, à la résolution de problèmes et à la justification des décisions.
Cinquième engagement : préserver l’autonomie intellectuelle. L’IA doit aider l’étudiant à mieux penser, et non lui permettre d’éviter de penser.
Ces principes supposent également une réflexion sur l’équité. Les étudiants doivent avoir accès à une formation comparable, les données personnelles doivent être protégées et les décisions disciplinaires doivent respecter des procédures contradictoires.
L’université de demain ne sera pas nécessairement celle qui utilise le plus l’intelligence artificielle. Ce sera celle qui saura le mieux déterminer quand l’utiliser, comment en vérifier les résultats et quand s’en passer.
Conclusion — Le véritable examen est celui de notre intégrité
L’intelligence artificielle ne signe pas la fin de l’université. Elle l’oblige à justifier plus clairement sa raison d’être.
Si sa mission se limite à transmettre des informations et à valider des productions écrites, les machines pourront progressivement prendre en charge une part croissante de ses activités. Mais si elle demeure un lieu de formation du jugement, de confrontation des idées, de recherche de la vérité et de responsabilité intellectuelle, elle conservera une fonction irremplaçable.
Le danger ne réside donc pas dans le clic lui-même. Il réside dans la tentation de lui abandonner ce qui fait la valeur de l’apprentissage : l’effort de comprendre, la discipline de vérifier et le courage de penser par soi-même.
Il faut cesser d’opposer mécaniquement l’intelligence humaine à l’intelligence artificielle. La véritable opposition se situe ailleurs : entre l’usage qui émancipe et celui qui rend dépendant, entre l’assistance qui développe les capacités et la délégation qui les atrophie, entre la connaissance assimilée et le savoir simplement mis en scène.
À l’heure où une machine peut rédiger une dissertation, le défi de l’université n’est plus seulement d’apprendre à écrire. Il est d’apprendre à juger ce qui mérite d’être écrit, à vérifier ce qui prétend être vrai et à assumer ce que l’on affirme.
Car, au fond, la question n’est pas de savoir si l’intelligence artificielle peut réussir un examen à notre place. La question est de savoir si, en lui confiant notre travail intellectuel, nous ne risquons pas de perdre précisément ce que cet examen était censé mesurer : notre capacité à penser.
Fatou.bagayogo@mail.mcgill.ca
