Björn Fasterling (EDHEC) : « Si l'IA doit améliorer l'expérience d'apprentissage, il faut d'abord l'empêcher de la compromettre »

Votre principale préoccupation concernant l'IA est la perte potentielle d'expérience d'apprentissage. Pourriez-vous nous en dire plus à ce sujet ?

Björn Fasterling: À l’EDHEC, nous avons régulièrement des discussions animées entre enseignants, étudiants et direction de l’école sur la meilleure façon d’utiliser les technologies d’IA pour améliorer l’expérience d’apprentissage des étudiants. Ce débat est indispensable. Les promesses d’une « expérience d’apprentissage personnalisée et évolutive » sont séduisantes, mais c’est précisément dans le mot « expérience » que je vois un problème majeur.

Si l’IA élargit ce que nous sommes capables de produire, elle ne contribue en rien à accroître notre capacité d’attention. L’attention humaine reste biologiquement limitée, quelle que soit l’ampleur de l’augmentation de notre rendement grâce à l’IA. Ma crainte est que ce soit l’expérience elle-même qui en fasse les frais. Si l’attention est une capacité limitée qui contribue à déterminer ce que nous traitons et ce que nous vivons, alors être capable d’« en faire plus » avec la même quantité d’attention peut signifier vivre moins intensément ce que nous faisons. Et si nous vivons moins intensément, nous avons également moins d’expérience à partager avec les autres.

L’apprentissage, cependant, repose sur un engagement actif dans son travail, sur la réflexion sur ses propres réalisations et sur la participation à un environnement propice aux échanges avec les enseignants et les pairs. De ce point de vue, l’IA semble moins ouvrir de nouvelles possibilités d’apprentissage que menacer les conditions qui rendent l’apprentissage possible.

Selon vous, même si l'on est conscient de ses effets contre-productifs, l'IA n'offre-t-elle pas de nombreuses possibilités aux élèves et aux enseignants ?

Björn Fasterling: En effet, de plus en plus d’éléments indiquent que l’IA peut avoir des effets contre-productifs sur l’apprentissage (1), ce qui signifie qu’un professeur comme moi doit faire preuve de prudence lorsqu’il l’intègre dans l’enseignement, dans les feedbacks, dans la notation et l’expérience globale en classe.

À un niveau très abstrait, la solution pour « généraliser l’apprentissage personnalisé » sans nuire à l’expérience d’apprentissage peut sembler simple.

On pourrait dire que l’IA devrait fonctionner comme un « facilitateur cognitif » plutôt que comme un outil de « décharge cognitive ». Elle devrait enrichir l’expérience en classe grâce à des simulations alimentées par l’IA plutôt que de remplacer des cours magistraux supposés ennuyeux. Elle devrait servir à générer des problèmes que les étudiants résoudraient ensuite sans son aide, plutôt que d’externaliser la résolution des problèmes elle-même. Elle devrait renforcer l’attention plutôt que de l’éroder, accroître la motivation plutôt que d’encourager la désimplication, favoriser la réflexion critique plutôt que d’inviter à l’adoption irréfléchie des résultats générés par l’IA, stimuler la créativité plutôt que de l’étouffer, et soutenir la rétention mémorielle plutôt que de l’affaiblir. Cette liste pourrait facilement être allongée.

Cependant, ce cadre de réflexion « devrait plutôt que » est trompeur. Il suggère que l’IA n’a aucune tendance inhérente dans un sens ou dans l’autre, et que tout dépend de la manière dont nous choisissons d’utiliser cet « outil ». Les données disponibles à ce jour indiquent une réalité plus complexe. 

Bien que l’IA puisse favoriser l’apprentissage dans certaines conditions, elle présente également une réelle tendance à des formes d’utilisation qui sapent l’engagement, l’attention et la réflexion critique. L’orienter dans la bonne direction nécessite donc une pédagogie réfléchie, ainsi que des ressources financières, techniques et organisationnelles, et un effort soutenu tant de la part des enseignants que des élèves. Or, tous ces éléments font cruellement défaut.

Pourriez-vous donner quelques exemples des difficultés rencontrées et des efforts nécessaires ? Par exemple, pourquoi tant de professeurs ont-ils abandonné les devoirs à faire à la maison, et qu'est-ce que cela a entraîné comme perte ?

Björn Fasterling: Presque tous les collègues enseignants avec lesquels je m’entretiens ont déjà été confrontés à des devoirs d’étudiants qui semblent avoir été rédigés en grande partie à l’aide d’outils basés sur des modèles linguistiques de grande envergure (LLM), tels que ChatGPT, Gemini, Claude ou d’autres applications. Le problème ne réside pas tant dans le fait que les étudiants trichent, mais plutôt dans le risque qu’ils subissent une perte d’expérience lorsqu’ils "sous traitent" leur travail cognitif. Ils passent peut-être moins de temps à rédiger, mais ils perdent également l’apprentissage qui découle de la réflexion sur l’argumentation, la structure et la langue.

Lorsque les étudiants réfléchissent véritablement à un problème posé dans un devoir, rédigent leurs propres solutions et me les remettent, ils partagent leurs expériences d’apprentissage avec moi. Je peux alors les évaluer, y répondre et leur proposer des commentaires en lien avec ce qu’ils ont compris. Si, au contraire, le devoir n’est qu’un collage de textes générés par une IA, l’expérience partagée est bien moindre, et j’ai beaucoup moins de possibilités d’apporter des commentaires pertinents.

De nombreux enseignants, dont je fais partie, ont donc cessé de recourir aux devoirs comme méthode d’évaluation et se sont tournés vers des alternatives telles que les examens oraux, les examens écrits en classe, l’évaluation continue et les retours d’expérience par le biais de discussions individuelles avec les élèves. Pourtant, les devoirs avaient une valeur particulière. Ils permettaient aux élèves de démontrer un large éventail de compétences et d’aptitudes qui sont plus difficiles à évaluer par le biais de ces alternatives.

Et qu'en est-il des retours d'expérience ? L'IA ne pourrait-elle pas, de manière réaliste, automatiser ce type de retours d'expérience qualitatifs et personnalisés destinés aux étudiants de vos cours d'éthique ou de droit, par exemple ?

Björn Fasterling: Si votre classe compte un grand nombre d’étudiants et que vous enseignez une matière telle que l’éthique des affaires ou le droit des droits de l’homme, où l’évaluation repose souvent sur la capacité des étudiants à mener une réflexion critique sur un problème, à l’analyser et à proposer des solutions possibles, fournir un retour personnalisé devient rapidement fastidieux et très chronophage. En conséquence, trop souvent, les enseignants ne peuvent pas fournir les retours détaillés et individuels que méritent les étudiants. C’est là que l’automatisation des retours qualitatifs apparaît comme un moyen de les rendre à la fois « personnalisés », « équitables » et « évolutifs », tout en soulageant les enseignants de semaines de notation fastidieuse.

L’idée semble simple, et elle pourrait même fonctionner dans une certaine mesure. Grâce à l’IA, il est possible de générer automatiquement une note et une justification de cette note. On pourrait alimenter une IA basée sur un modèle de langage avec les supports de cours et une analyse détaillée d’un sujet d’examen, tout en indiquant soigneusement les aspects sur lesquels les étudiants doivent être évalués et la pondération attribuée à chacun d’entre eux. Cependant…

Cependant ?

Björn Fasterling: Ce type de retour d’information automatisé n’est ni personnalisé ni équitable. Il n’est pas personnalisé car l’IA remplace en substance le retour d’information humain. D’une certaine manière, le retour de l’enseignant est en quelque sorte intégré dans les instructions données à l’IA. Cela ne change toutefois rien au fait que ce processus interrompt la communication et l’expérience d’apprentissage partagée entre l’enseignant et l’étudiant. À cet égard, le retour qualitatif automatisé s’apparente au retour automatisé plus traditionnel associé aux questionnaires à choix multiples. En tant que complément à la notation, cela ne pose pas nécessairement de problème. Mais en tant que base permettant de justifier une note globale dans un cours, c’est, je suis désolé de le dire, assez impersonnel.

Or, il est difficile de considérer ce type de retour qualitatif automatisé comme véritablement équitable, tout d’abord parce que les systèmes basés sur des LLM ne produisent pas toujours des évaluations stables. Par conséquent, un même travail peut très bien recevoir des appréciations différentes, voire des notes différentes. Dans un contexte éducatif, une telle variabilité pose problème, car l’équité présuppose un degré suffisant de cohérence dans le traitement de cas comparables. Bien sûr, des variations peuvent également survenir – et surviennent trop souvent – chez les évaluateurs humains.

Cependant, j’émettrais l’hypothèse que le jugement d’un enseignant expérimenté, disposant de suffisamment de temps pour apprécier le travail des élèves, est susceptible d’être plus cohérent que celui d’un système d’IA. Quoi qu’il en soit, la cohérence et la variation ne constituent peut-être même pas l’essentiel en matière d’équité. Un problème potentiellement plus grave réside dans le fait que, même avec les meilleures consignes et une conception optimale des prompts, de nombreux aspects subtils mais décisifs de l’écriture et des performances des élèves risquent de passer inaperçus. Par exemple, il m’est arrivé de temps à autre de voir des étudiants proposer des idées auxquelles je n’avais pas pensé au préalable, mais qui s’avèrent convaincantes et révèlent parfois même des capacités extraordinaires. Un système d’IA pénaliserait probablement l’écart de l’étudiant par rapport aux consignes de notation prédéfinies, alors que moi, en tant que professeur, je le récompenserais pour son originalité.

De plus, je pense que le retour d’information automatisé ne fait que répondre à un problème qui ne devrait pas se poser en premier lieu. Le problème n’est peut-être pas que fournir un retour d’information soit trop fastidieux ou chronophage pour les professeurs. Il se peut plutôt que les classes soient tout simplement trop nombreuses et qu’un retour d’information personnalisé, équitable et qualitatif ne puisse pas être facilement adapté à une telle échelle.

Nous aimerions revenir sur les effets positifs de l'IA. En se chargeant de tâches fastidieuses et gourmandes en données, ne permet-elle pas de libérer du temps pour des activités véritablement humaines ?

Björn Fasterling: J'ai souvent entendu l'argument selon lequel l'IA ne ferait « que » automatiser des tâches cognitives fastidieuses et nécessitant un traitement intensif de données. Dans cette optique, l'automatisation « libérerait » les humains pour leur permettre de se consacrer à des tâches plus adaptées au contexte, plus critiques et plus stratégiques, et renforcerait également l'importance de qualités proprement humaines telles que l'empathie, l'amour et les liens sociaux. 

L'invention de l'écriture constitue un parallèle historique illustrant comment une technologie peut réduire l'importance d'une capacité cognitive tout en « libérant » de nombreuses autres. L'écriture a réduit le besoin de mémoriser, mais elle a fait progresser la civilisation en permettant le stockage et la transmission de l'information, de sorte que l'effort cognitif humain a pu être réorienté vers d'autres activités.

L’analogie avec l’écriture est intéressante, mais elle a ses limites. On peut soutenir que l’écriture a rendu une expérience cognitive (la rétention de la mémoire) moins pertinente, mais qu’elle en a enrichi beaucoup d’autres. Les outils contemporains d’IA, en revanche, risquent de supplanter simultanément un éventail de plus en plus large d’expériences cognitives : l’écriture, la synthèse, la traduction, la rédaction, et bien d’autres encore, au point qu’il ne reste plus beaucoup de types d’expériences cognitives susceptibles d’être enrichies. De plus, l’affirmation selon laquelle l’IA amènera les humains à cultiver l’empathie et l’amour ne me semble pas très convaincante, du moins pas pour l’instant. Il n’est pas évident que les progrès de l’automatisation s’accompagnent de progrès en matière d’empathie et d’amour. Dans certains contextes, la tendance va clairement dans le sens inverse, comme l’illustre la perspective d’une guerre moins coûteuse rendue possible par les drones pilotés par l’IA.

D'accord, mais au moins, l'IA ne laisse-t-elle pas davantage de place à la réflexion critique ? Ne pourrait-on pas en tirer parti en classe ?

Björn Fasterling: Dans un contexte éducatif, on pourrait supposer que les étudiants peuvent confier à l’IA les tâches fastidieuses que sont la mémorisation, la rédaction et la collecte de données, ce qui leur permettrait de se concentrer davantage sur des tâches qualitatives, notamment la réflexion critique. Je dirais toutefois qu’il peut être difficile d’atteindre le stade où l’on peut développer une réflexion critique si l’on s’est habitué à confier à l’IA les tâches cognitives peu attrayantes.

Pourtant, même si ce n’était pas le cas, j’ai tout de même du mal à accepter cette « logique de libération ». Les gains d’efficacité en termes de production ne s’accompagnent pas nécessairement, et peut-être même que rarement, d’une plus grande disposition à réfléchir de manière critique à un problème, à analyser les pistes d’action possibles et à en examiner les conséquences. Étant donné que les étudiants, tout comme les professeurs, ont tendance à optimiser leur temps, la pensée critique peut être sacrifiée afin de « libérer » davantage de temps pour ce qui semble plus pertinent, urgent ou agréable. 

En ce sens, l’IA ne « libère » pas la pensée critique. Au contraire, l’utilisation accrue de l’IA exige des enseignants qu’ils déploient un effort proactif pour préserver la pensée critique, ce qui peut en effet, dans une certaine mesure, passer par l’intégration de l’IA en classe. Par exemple, je demande parfois aux étudiants de mener des dialogues contradictoires avec l’IA, ou je demande à l’IA de générer un problème que les étudiants doivent résoudre sans son aide, ou encore de rédiger une proposition de norme juridique que les étudiants doivent ensuite évaluer (2). Tout cela est peut-être très bien, mais cela n’élargit pas vraiment, et encore moins « libère », la pensée critique dans l’environnement d’apprentissage. Je pourrais parfaitement réaliser des exercices intéressants de pensée critique sans l’IA.

Merci, Björn. Nous pourrons reprendre cette discussion dans quelques mois ! Mais pour l'heure, quelle serait votre conclusion ? 

Björn Fasterling: Oui, je suis d’accord, il faut poursuivre cette discussion. Les nouvelles perspectives émergeant à un rythme aussi rapide, il n’est pas exclu que je change d’avis sur certains des points dont nous avons parlé. Pour l’instant, je dirais que si l’IA doit améliorer l’expérience d’apprentissage, il faut d’abord l’empêcher de la compromettre. Contrer ses effets négatifs demande du temps, des efforts et des ressources. C’est pourquoi il convient d’accueillir avec prudence la promesse de gains d’efficacité dans l’éducation. L’IA pourrait ne pas générer de réels gains d’efficacité dans l’expérience d’apprentissage, mais simplement déplacer l’effort requis vers d’autres domaines.

Références

(1) Il existe de nombreuses études sur ce sujet. En voici quelques-unes récentes :

Kosmyna, N. et al. (2025), “Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task”, at: https://doi.org/10.48550/arXiv.2506.08872

Moșoi, A.A. et al. (2025). “Do students need to think hard? The interplay of AI and cognitive abilities in solving problems.” Educ Inf Technol 30, 24337–24364 (2025). https://doi.org/10.1007/s10639-025-13738-8

Martínez-Gordon, A. et al. (2026). “Evaluando la deuda cognitiva en la educación asistida con IA.” Advances in Building Education, 9(3), 33-43. https://doi.org/10.20868/abe.2025.3.5649

Krsmanovié, Gala, and Fadi P. Deek. (2025).  "Self-reported cognitive effects of AI applications on learning." Journal of Higher Education Theory and Practice 25 (1): 55-62. https://articlegateway.com/journals/index.php/JHETP/article/view/7563

For an overview over further studies: Jose B. et al. (2025) The cognitive paradox of AI in education: between enhancement and erosion. Front. Psychol. 16:1550621. https://doi.org/10.3389/fpsyg.2025.1550621 

(2) Certains cas d'application et problèmes liés à l'IA et à la pensée critique dans la formation en gestion sont abordés par Larson, B.Z. et al. (2024). “Critical Thinking in the Age of Generative AI”. Academy of Management Learning & Education 23 (3), https://doi.org/10.5465/amle.2024.0338