Entre les mémoires « trop parfaits » et les copies qui se ressemblent, l’intelligence artificielle s’invite partout à l’université, et avec elle une question qui divise enseignants, étudiants et responsables d’établissement. Faut-il y voir une menace pour l’évaluation, l’intégrité académique et la valeur des diplômes, ou un outil de plus dans la boîte à instruments des apprentissages modernes ? À l’heure où les campus testent détecteurs, chartes et nouveaux formats d’examens, le débat se durcit, et les chiffres commencent à dessiner une réalité plus nuancée que la panique.
Des usages massifs, souvent invisibles
La pratique a pris de vitesse les règles. En quelques mois, les grands modèles génératifs se sont glissés dans les routines étudiantes, et pas seulement pour « tricher » : reformuler un plan, clarifier une consigne, résumer un article scientifique, générer des idées de problématique ou tester des hypothèses de code. Une enquête de BestColleges publiée en 2023 aux États-Unis indiquait que 43 % des étudiants avaient déjà utilisé ChatGPT, et qu’une partie non négligeable d’entre eux l’avait fait pour des travaux notés, signe que l’outil est devenu un réflexe, parfois sans cadre explicite. En France, le sujet a émergé de façon comparable dans les amphis, au point que plusieurs universités ont rapidement publié des recommandations internes, souvent prudentes, parfois contradictoires selon les composantes et les disciplines.
A lire en complément : Sécurité d'entreprise : ce qu'il faut rechercher dans une agence
La dynamique est renforcée par un facteur simple : l’accessibilité. Les étudiants jonglent avec des budgets serrés, et l’attrait d’une IA gratuite abaisse encore la barrière d’entrée, surtout quand elle permet de gagner du temps sur des tâches jugées mécaniques. Dans le même mouvement, les usages restent largement invisibles aux équipes pédagogiques, car l’IA s’insère au cœur de processus ordinaires, comme la correction linguistique, l’amélioration d’un raisonnement ou la préparation d’une bibliographie, et non uniquement au moment de rédiger une copie « de A à Z ». Résultat : l’université se retrouve face à une diffusion rapide, difficile à mesurer finement, et à un enjeu de transparence qui dépend autant de la culture de l’établissement que de la relation de confiance dans chaque cours.
La peur de la triche, un vrai sujet
Peut-on encore évaluer ce que l’étudiant sait vraiment ? La question n’a rien d’abstrait, car l’IA générative change l’économie de l’effort : produire un texte correct, structuré, et parfois convaincant, devient plus facile, et la tentation existe d’en faire un raccourci. Dans ce contexte, les universités cherchent des repères, mais elles se heurtent à un problème technique connu : les détecteurs de texte généré ne sont pas fiables. OpenAI a d’ailleurs retiré en 2023 son propre outil de détection, en invoquant son faible taux de précision, et plusieurs études universitaires ont montré des erreurs récurrentes, avec des faux positifs pénalisant potentiellement des étudiants qui n’ont pas triché, notamment des non-anglophones ou des rédacteurs au style plus standardisé.
A découvrir également : Prospection digitale et RGPD : tout ce qu'il faut savoir pour 2023
Cette fragilité technique a des conséquences très concrètes. Accuser sans preuve solide expose à des contestations, et transforme parfois un débat pédagogique en conflit disciplinaire. Dans la pratique, beaucoup d’équipes se tournent vers des indices plus traditionnels, comme l’écart de niveau entre des devoirs successifs, l’incapacité à expliquer une démarche à l’oral, ou les incohérences dans les références et les citations. Les services anti-plagiat classiques restent utiles pour repérer du copier-coller, mais ils capturent mal la génération « originale » d’un texte, ce qui pousse certaines filières à réinventer l’évaluation : davantage d’oraux, de devoirs en temps limité, de travaux fondés sur des données locales, de journaux de bord ou de versions intermédiaires qui rendent le processus traçable. La crainte, elle, demeure légitime, car la valeur d’un diplôme repose sur une promesse implicite : ce qui est évalué correspond bien à des compétences acquises, et pas à une délégation totale à une machine.
Réinventer les examens, pas seulement interdire
Interdire peut rassurer, mais cela ne règle pas tout. D’abord parce que l’interdiction est difficile à faire respecter dans des environnements hybrides, entre cours à distance, documents partagés et travail à domicile, ensuite parce qu’une approche uniquement répressive risque de déplacer le problème sans le résoudre : les étudiants les plus à l’aise avec ces outils continueront, ceux qui respectent les règles se sentiront désavantagés, et l’écart se creusera. Plusieurs établissements, en France comme à l’étranger, explorent donc des modèles plus réalistes, qui posent des limites claires et évaluent ce que l’IA ne sait pas faire seule, comme la compréhension fine d’un cours, l’argumentation ancrée dans des lectures imposées, ou la capacité à relier une théorie à un terrain concret.
Dans les disciplines littéraires et en sciences humaines, cela peut passer par des analyses d’extraits travaillés en classe, des corpus imposés, et des questions qui exigent de mobiliser des séances précises, des discussions, des textes rarement indexés. En sciences, ingénierie et informatique, les enseignants privilégient de plus en plus des projets avec contraintes explicites, des rapports courts mais justifiés, des soutenances où l’étudiant doit défendre des choix, et des exercices où l’erreur est instructive, car l’IA a tendance à produire des réponses « plausibles » mais parfois fausses. Le cadre devient alors central : autoriser l’outil pour la recherche d’idées, la reformulation ou l’aide au code, mais exiger une déclaration d’usage, une traçabilité, et une responsabilité totale sur le résultat. L’enjeu n’est pas de nier l’existence de l’IA, mais de faire de l’évaluation un espace où l’étudiant montre sa maîtrise, et pas seulement sa capacité à déléguer.
L’université face à un enjeu d’égalité
La question n’est pas seulement morale, elle est sociale. Si certains étudiants disposent d’abonnements payants, d’ordinateurs puissants et d’une culture numérique avancée, d’autres découvrent ces outils tardivement, ou n’osent pas les utiliser, de peur de mal faire. Cette asymétrie menace un principe clé de l’enseignement supérieur : offrir un cadre de progression commun, où l’accès aux ressources ne dépend pas uniquement du milieu d’origine. Plusieurs travaux sur les inégalités numériques ont déjà montré que l’écart se joue moins sur la simple connexion que sur les compétences, la confiance et la capacité à transformer un outil en bénéfice académique; l’IA générative risque de reproduire ce schéma, à grande échelle.
D’où l’intérêt, pour les universités, de traiter l’IA comme un objet de formation, et non comme un simple danger à contenir. Apprendre à écrire des consignes efficaces, vérifier une information, repérer une hallucination, citer correctement, et comprendre les limites d’un modèle devient une compétence transversale, au même titre que la méthodologie documentaire. Les établissements qui s’en saisissent peuvent réduire la fracture, en proposant des ateliers, des ressources communes, et une politique claire sur ce qui est autorisé, ce qui doit être déclaré, et ce qui est interdit. À l’inverse, laisser chaque enseignant improviser sa règle, chaque étudiant son interprétation, et chaque filière son niveau de tolérance, revient à créer une loterie académique, où l’équité dépend du hasard du cours et de la capacité à décoder des attentes implicites.
Ce qu’il faut retenir avant la rentrée
Pour l’étudiant, la ligne est simple : vérifier les règles du cours, déclarer l’usage quand c’est demandé, et garder des traces de son travail. Pour l’université, l’investissement utile va dans des examens mieux conçus, et dans la formation à l’esprit critique. Côté budget, privilégier des outils institutionnels et des ateliers gratuits, et mobiliser, quand c’est possible, les aides au numérique déjà existantes.
