Le piège de l'éducation par l'IA : Pourquoi enseigner aux étudiants à utiliser l'IA est contre-productif

TL;DR : L'IA dans l'éducation ne crée pas une génération de super-apprenants. Elle crée deux classes : ceux qui pensent avec l'IA et ceux qui laissent l'IA penser pour eux. L'écart se creuse, et la plupart des enseignants ne sont pas préparés à ce qui arrive.

James ici, PDG de Mercury Technology Solutions. Hong Kong — Juillet 2026

J'ai suivi la conversation sur l'IA dans l'éducation avec une inquiétude croissante. Non pas parce que l'IA est mauvaise pour l'apprentissage. Mais parce que les personnes qui parlent le plus de "l'intégration de l'IA dans l'éducation" sont celles qui comprennent le moins à quoi sert réellement l'éducation.

Les optimistes — ceux qui disent que les écoles devraient apprendre à chaque élève à utiliser l'IA — sont généralement ceux qui étaient déjà bons dans les anciennes compétences. Ils pouvaient chercher, filtrer, synthétiser et créer. Pour eux, l'IA est un multiplicateur. Elle rend leur compétence existante plus rapide et plus puissante.

Mais ils ne sont pas la majorité. Ils sont la minorité. Et quand vous concevez l'éducation pour la minorité, vous abandonnez la majorité.

Le problème n'est pas l'IA. C'est la fondation.

Voici ce que je vois dans les salles de classe, du collège à l'université :

Des étudiants qui ne peuvent pas écrire un paragraphe cohérent utilisent l'IA pour générer des essais. Des étudiants qui ne peuvent pas distinguer des sources fiables des théories du complot utilisent l'IA pour "faire des recherches". Des étudiants qui ne peuvent pas effectuer des calculs de base utilisent l'IA pour résoudre des problèmes, puis présentent les réponses comme s'ils comprenaient le processus.

L'IA ne leur apprend pas à penser. Elle leur apprend à externaliser la pensée.

Et la partie la plus dangereuse ? Ils ne savent pas qu'ils le font. Ils croient sincèrement que parce qu'ils peuvent produire une réponse générée par l'IA, ils possèdent la compétence sous-jacente. Ils confondent le résultat avec la compétence.

Je connais des enseignants qui ont commencé à expérimenter avec l'IA en classe il y a deux ans. Leur objectif était noble : apprendre aux élèves à utiliser l'IA, et non à être utilisés par elle. Ils ont montré aux élèves comment rédiger des invites, comment vérifier les résultats, comment traiter l'IA comme un outil plutôt que comme un oracle.

Maintenant, deux ans plus tard, ces mêmes enseignants me racontent une histoire différente. Les élèves qui étaient déjà forts — ceux avec de bonnes compétences en lecture, écriture et raisonnement — sont devenus véritablement plus capables. Ils utilisent l'IA pour étendre leur réflexion, explorer des angles qu'ils n'auraient pas considérés, itérer plus rapidement.

Mais les élèves qui étaient déjà faibles ? Ceux qui avaient des difficultés avec la compréhension de base et la pensée critique ? Ils sont dans une situation pire. Non pas parce que l'IA les a rendus pires, mais parce que l'IA leur a donné un raccourci qui a contourné la pratique même dont ils avaient besoin pour s'améliorer. Ils n'ont jamais développé le muscle parce qu'ils n'ont jamais eu à soulever le poids.

**Le paradoxe de l'éducation par l'IA :** L'outil qui rend les forts plus forts rend les faibles dépendants.

L'illusion de compétence

Le schéma le plus troublant que je vois n'est pas dans les écoles. Il est chez les diplômés.

J'ai vu d'anciens étudiants — maintenant dans la vingtaine, quelques années après avoir intégré le marché du travail — utiliser l'IA pour générer des "démolitions" des articles d'autres personnes. Ils alimentent l'écriture de quelqu'un d'autre dans une IA, lui demandent de trouver des défauts, génèrent une réponse critique et publient le résultat avec un sentiment de triomphe.

Ils pensent qu'ils démontrent une compétence analytique. Ce n'est pas le cas. Ils démontrent de l'ingénierie de prompt. Et l'écart entre ces deux choses est la différence entre un penseur et un perroquet.

Lorsque je vérifie leurs dossiers académiques — et je le fais, parce que je suis curieux de la corrélation — le schéma est cohérent. Ceux qui sont les plus agressifs à utiliser l'IA pour "gagner" des arguments n'étaient pas les meilleurs étudiants. Ce sont ceux qui avaient des difficultés avec l'analyse indépendante. L'IA n'a pas corrigé leur pensée. Elle a masqué leur incapacité à penser.

C'est la déception de la compétence : la croyance que parce que vous pouvez produire un résultat, vous possédez la capacité sous-jacente. C'est comme croire que vous êtes un chef parce que vous pouvez commander dans un restaurant.

Ce que les optimistes se trompent

Les optimistes de l'éducation par l'IA continuent de faire la même comparaison : "C'est juste comme quand Internet est arrivé, ou les calculatrices, ou la télévision. Les gens ont aussi paniqué à l'époque."

Cette comparaison est erronée. Voici pourquoi.

Internet vous a donné accès à l'information. Mais vous deviez toujours la lire. Vous deviez toujours l'évaluer. Vous deviez toujours la synthétiser. La barrière était plus basse, mais le travail cognitif restait.

L'IA élimine complètement le travail cognitif. Elle ne se contente pas de vous donner des informations. Elle vous donne des conclusions. Elle ne se contente pas de vous montrer des données. Elle vous dit ce que signifient les données. Et pour un étudiant qui n'a pas encore développé la capacité d'évaluer les conclusions de manière indépendante, c'est catastrophique.

Les optimistes disent : "Nous devrions apprendre à tout le monde à utiliser l'IA."

Je dis : Vous ne pouvez pas apprendre à quelqu'un à utiliser un outil de réflexion s'il n'a pas appris à penser.

Un étudiant qui ne peut pas distinguer une source fiable d'une source fabriquée ne développera pas magiquement une pensée critique parce que vous lui donnez un outil plus puissant. Il produira simplement des absurdités plus sophistiquées.

Ce qui fonctionne réellement en classe

J'ai parlé à des enseignants qui se battent dans cette bataille en temps réel. Ceux qui réussissent ne sont pas ceux qui font des discours sur l'IA. Ce sont ceux qui utilisent l'IA pour enseigner ses propres limites.

Méthode un : La démonstration d'hallucination.

Un professeur de sciences que je connais commence le semestre en demandant à l'IA de répondre à des questions sur des phénomènes du monde réel. Ensuite, elle montre à la classe comment différents modèles d'IA donnent des réponses différentes. Puis elle leur montre comment certaines de ces réponses sont complètement fabriquées — des sources qui n'existent pas, des données qui ont été inventées, des conclusions qui semblent plausibles mais qui sont fausses.

L'objectif n'est pas de leur apprendre à utiliser l'IA. C'est de leur apprendre à se méfier de l'IA. D'aborder chaque sortie avec scepticisme. De vérifier avant d'accepter.

Méthode deux : L'exercice de comparaison.

Un professeur en technologie de l'information demande aux étudiants d'utiliser l'IA pour rassembler des données sur la production et la consommation d'énergie à Taïwan. Ensuite, il extrait les résultats les plus dramatiques — ceux qui montrent des tendances extrêmes ou surprenantes — et demande à la classe de trouver les sources officielles du gouvernement.

Les étudiants apprennent deux choses : l'IA fait des erreurs, et la vérification humaine est importante. Ils apprennent à formuler de meilleures requêtes, à définir des contraintes, à exiger des sources. Mais ils apprennent cela à travers l'expérience de prendre l'IA en erreur, et non à travers des cours sur "l'utilisation responsable de l'IA."

Méthode trois : Le jeu d'itération.

Certains enseignants font générer du contenu par les élèves avec l'IA, puis le critiquent, puis l'améliorent, puis le critiquent à nouveau. L'IA devient un partenaire d'entraînement, pas un remplacement. L'élève apprend à évaluer la qualité car il doit produire une qualité supérieure à celle de la référence de l'IA.

Cela fonctionne. Mais voici le point critique : cela ne fonctionne que pour les élèves qui ont déjà une compétence de base.

Un élève qui ne peut pas écrire une phrase cohérente ne peut pas évaluer si une phrase générée par l'IA est meilleure ou pire. Un élève qui ne peut pas effectuer de recherches de base ne peut pas vérifier si les données provenant de l'IA sont exactes. La méthode suppose une base que de nombreux élèves n'ont pas.

La réalité brutale

Les enseignants que je connais qui font cela bien le décrivent de la même manière : épuisant, douloureux et nécessitant une vigilance constante.

Ils n'enseignent pas seulement leur matière. Ils enseignent simultanément la littératie médiatique, la pensée critique et la conscience de soi. Ils luttent contre un outil qui promet des réponses sans effort dans un monde où l'effort est le seul chemin vers une compréhension véritable.

Et ils perdent les étudiants qui ont le plus besoin d'aide.

Les étudiants qui "utilisent bien l'IA" — ceux que les optimistes désignent comme des histoires de réussite — étaient déjà forts. Ce sont ceux qui auraient réussi avec ou sans IA. L'IA a simplement accéléré leur trajectoire.

Les étudiants qui "sont utilisés par l'IA" — ceux qui traitent les résultats comme des vérités, qui ne peuvent pas distinguer la génération de la compréhension — sont de plus en plus à la traîne. Pas parce qu'ils sont moins intelligents, mais parce qu'ils ont moins de pratique. L'IA fait le travail que leurs cerveaux doivent faire pour se développer.

Les Deux Chemins à Suivre

Alors, où cela nous laisse-t-il ? Je vois deux futurs possibles, et le choix ne concerne pas la technologie. Il s'agit de philosophie éducative.

Chemin un : Le modèle d'efficacité.

Nous acceptons que l'IA s'occupe du travail cognitif, et nous nous concentrons sur l'enseignement aux étudiants de l'utilisation des outils. Nous optimisons pour la production. Nous mesurons le succès par ce que les étudiants peuvent produire, et non par ce qu'ils peuvent concevoir de manière indépendante.

Ce chemin crée une génération d'opérateurs. Des personnes qui peuvent accomplir des tâches mais ne comprennent pas pourquoi les choses fonctionnent. Des personnes qui peuvent générer des réponses mais ne peuvent pas les évaluer. Des personnes qui sont très productives et fondamentalement fragiles.

Chemin deux : Le modèle fondamental.

Nous reconnaissons que l'IA est un multiplicateur, pas un remplacement. Nous nous concentrons sur les fondamentaux : la compréhension de lecture, le raisonnement logique, la fluidité mathématique, l'expression écrite. Nous utilisons l'IA comme un test de résistance pour ces compétences, pas comme un substitut.

Ce chemin est plus difficile. Il est plus lent. Il exige plus des enseignants et plus des élèves. Mais il produit des personnes qui peuvent utiliser l'IA sans en être dépendantes. Des personnes qui peuvent vérifier, critiquer et améliorer les résultats de l'IA parce qu'elles comprennent le domaine sous-jacent.

La vraie question

Le débat sur l'IA dans l'éducation ne concerne pas vraiment l'IA. Il s'agit de ce que nous croyons que l'éducation est censée être.

Si l'éducation consiste à produire des résultats — essais, rapports, projets — alors l'IA est une bénédiction. Elle rend la production plus rapide et plus facile.

Mais si l'éducation consiste à développer des esprits — la capacité à penser de manière indépendante, à évaluer des preuves, à construire des arguments, à détecter des défauts — alors l'IA est une menace. Non pas parce qu'elle est mauvaise, mais parce qu'elle offre un raccourci qui contourne le développement même que nous recherchons.

Les étudiants qui prospéreront à l'ère de l'IA ne sont pas ceux qui apprennent à utiliser l'IA le mieux. Ce sont ceux qui apprennent à penser d'abord, puis utilisent l'IA pour amplifier leur réflexion.

Les autres ? Ils seront très efficaces pour produire du contenu qu'ils ne comprennent pas, résoudre des problèmes qu'ils ne peuvent pas expliquer et gagner des arguments qu'ils ne peuvent pas défendre.

Ils ne seront pas remplacés par l'IA. Ils seront indiscernables d'elle.

Mercury Technology Solutions : Accélérez la digitalité.