L’université à l’épreuve des machines
Les IA génératives n’ouvrent pas seulement un nouveau chapitre de la fraude académique. Elles déstabilisent plus profondément le régime de preuve sur lequel l’université s’est longtemps reposée : nous avons pris des textes finis pour des signes d’apprentissage.
En 1956, à Dartmouth (États-Unis), un groupe de chercheurs a formulé l’hypothèse selon laquelle l’intelligence artificielle (IA) pourrait simuler tout aspect de l’apprentissage humain. Cette réunion marque la naissance officielle du terme intelligence artificielle, aujourd’hui défini comme la capacité d’une machine à imiter des comportements intelligents, comme la compréhension, le raisonnement ou la création de contenus. Près de soixante-dix ans plus tard, les avancées technologiques permettent aux modèles d’IA générative de produire des textes, des codes ou des argumentaires avec une fluidité comparable à celle d’une personne cultivée. Cette évolution interroge directement le rôle des universités, institutions chargées de certifier les connaissances et les compétences des étudiants.
L’article souligne que l’IA ne crée pas une crise de l’éducation, mais révèle une confusion ancienne dans l’évaluation des apprentissages. Pendant des années, les universités ont valorisé la fluidité (capacité à produire un texte cohérent et poli) et la performance (résultats obtenus) plutôt que la compréhension profonde ou le jugement critique. Tant que rédiger un texte exigeait du temps et des compétences rares, cette confusion restait masquée. Désormais, avec les modèles de langage (programmes capables de générer du texte à partir de consignes), un étudiant peut obtenir en quelques minutes une dissertation structurée et plausible. Cette facilité rend visible l’écart entre ce qui est produit et ce qui est compris.
Un étudiant a présenté à l’auteur un brouillon de texte impeccable : phrases fluides, transitions logiques, argumentation apparemment solide. En questionnant l’étudiant sur les liens entre les idées, l’auteur a découvert que ce dernier décrivait le texte comme un objet extérieur, sans en saisir la logique interne. Le texte, généré avec l’aide d’un modèle de langage, était correct sur la forme mais dépourvu de substance. Cet exemple illustre que les universités ont longtemps récompensé la capacité à produire des textes plausibles (qui semblent convaincants) plutôt que des textes habités (portés par une véritable compréhension).
L’université s’est construite sur un régime de preuve (système d’évaluation) basé sur la production de textes finis, considérés comme des preuves d’apprentissage. Or, les IA génératives brouillent ce système en rendant trivial le fait de produire des réponses plausibles. La question n’est plus seulement celle de la fraude académique (tricher en utilisant des outils interdits), mais celle de la validité des certifications (diplômes, évaluations). Si un étudiant peut obtenir une note élevée sans avoir compris le sujet, que certifie réellement le diplôme ? L’enjeu devient alors de repenser les méthodes d’évaluation pour mesurer non plus la production, mais la capacité à juger, analyser et créer de manière autonome.
L’auteur, Santiago Schnell, mathématicien et recteur académique du Dartmouth College (États-Unis), souligne que l’université doit désormais former et éprouver le *jugement* des étudiants plutôt que leur capacité à reproduire des connaissances. Il ne s’agit pas de rejeter les outils technologiques, mais de les intégrer de manière à renforcer l’apprentissage critique. Par exemple, les exercices pourraient évoluer vers des travaux collaboratifs, des débats ou des projets où l’étudiant doit justifier ses choix et défendre ses idées, plutôt que de simplement soumettre un texte généré par une IA. L’objectif est de préserver l’essence de l’éducation : former des esprits capables de penser par eux-mêmes.
