Et voilà il y a quelques mois, j’étais interviewé par ÊtreProf pour donner mon point de vue sur l’IA dans l’éducation, la vidéo est sortie 🙂

Alors le titre est un peu osé, je n’aurais pas mis ça personnellement, mais l’interview était super bien menée, vraiment.

Il y a quelque temps, je partageais ici les premiers pas d’Albert, ce « 31ème élève » virtuel qui a rejoint ma classe de 3ème. Si les premières expérimentations tournaient autour de la faisabilité technique et de l’intérêt immédiat des élèves, j’ai souhaité approfondir l’analyse de ce dispositif. Aujourd’hui, ce n’est plus seulement l’outil IA que je regarde, mais la manière dont il transforme la posture de l’élève à travers un concept clé : l’agentivité.

Mais au fait, c’est quoi l’agentivité ?

Avant de plonger dans le vif du sujet, un petit rappel théorique s’impose. L’agentivité (concept théorisé notamment par le psychologue Albert Bandura) est la capacité d’un individu à être l’agent de sa propre vie, à exercer un contrôle sur les événements qui l’affectent, en somme pour l’élève à être acteur dans ses apprentissages.

Face à une IA qui semble tout savoir, le risque est de voir l’agentivité de l’élève s’effondrer : pourquoi réfléchir si la machine le fait pour moi ?

Le dispositif « Albert » propose exactement l’inverse.

Le dispositif : L’IA comme miroir, pas comme béquille

Pour rappel, Albert est un LLM (type ChatGPT) présenté comme un camarade de classe faillible. Il réalise les mêmes exercices que les élèves, et ses productions sont projetées au tableau pour être critiquées, comme un élève peut montrer son travail au tableau.

En analysant cette expérience sous l’angle des 4 piliers de l’agentivité, on comprend mieux pourquoi les élèves reprennent le pouvoir :

1. L’Intentionnalité (Phase AMONT)
   Dès le début de l’activité, l’intention de l’élève change. Son but n’est plus d’obtenir la « bonne réponse », mais de devenir un juge. Il s’engage dans la tâche pour pouvoir confronter son résultat à celui d’Albert. Cette intentionnalité nouvelle le place d’emblée dans une posture active de recherche de la vérité.
2. La Pensée Prospective (Phase AMONT)
   L’élève apprend à anticiper les erreurs. « Je parie qu’Albert va encore mal analyser la figure, car il ne sait pas analyser une figure ». En prévoyant les failles potentielles de l’IA, l’élève mobilise ses propres connaissances de manière préventive. Il prépare son argumentation avant même que le résultat d’Albert ne soit affiché.
3. L’Autoréaction (Phase PENDANT)
   C’est le cœur du réacteur : la phase de confrontation. Quand le travail d’Albert s’affiche au tableau, l’élève n’est plus devant un corrigé type, mais face à un miroir. Il compare, ajuste et régule son propre raisonnement en temps réel, selon ce qu’il observe. C’est une phase de régulation métacognitive :
   • S’il a suivi la même démarche juste qu’Albert, sa confiance grimpe : il conforte sa logique par cette validation croisée.
   • S’il partage la même erreur que l’IA, le choc visuel et l’analyse collective l’obligent à réajuster son tir immédiatement, transformant l’erreur d’Albert en un levier de remédiation pour lui-même.
   • S’il détecte l’erreur d’Albert alors que son propre travail est exact, il consolide définitivement sa maîtrise en se plaçant en position de supériorité cognitive face à la machine.
4. L’Autoréflexion (Phase AVAL)
   C’est le bilan de l’action. En réussissant à corriger une IA, l’élève valide son propre sentiment de compétence. La conclusion est puissante pour l’estime de soi : « Si je peux identifier des erreurs d’Albert, c’est que je maîtrise le concept mathématique et les attendus. » En créant une trace écrite de cette expérience, on inscrit durablement ce sentiment et le savoir associé dans le parcours de l’élève.

Au-delà de l’agentivité : L’auto-détermination

Ce regain d’agentivité nourrit directement l’auto-détermination des élèves (théorie de Deci & Ryan). En agissant sur Albert, ils satisfont trois besoins fondamentaux :

L’appartenance : La classe fait bloc pour analyser « le travail du copain virtuel ».

L’autonomie : Ils sont critiques face à l’outil.

La compétence : Ils se sentent capables de surpasser la machine.

Conclusion : L’humain reste le maître du jeu

Le dispositif Albert montre que l’IA, loin de remplacer la réflexion, peut devenir un levier incroyable pour la renforcer. Mais cela demande un cadre strict : l’enseignant reste le médiateur exclusif et le garant de l’éthique (aucune donnée élève n’est transmise).

En transformant l’IA en un « pair faillible », nous ne formons pas seulement des élèves bons en maths, nous formons des citoyens capables de discernement critique face aux algorithmes.

La connaissance est l’indépendance : Le mirage du « Vibe-Coding » en éducation

L’intelligence artificielle est en train de redéfinir nos usages numériques à une vitesse vertigineuse. Pour beaucoup, c’est une promesse de libération. On voit éclore, notamment dans le monde de l’éducation, une multitude de programmes informatiques conçus par des personnes qui ne connaissent absolument rien à la programmation. C’est ce qu’on appelle désormais le vibe-coding : on ne code pas avec de la logique, on code au « feeling », en discutant avec une machine.

Au premier abord, le côté positif est indéniable : c’est un débridage complet de la créativité. Un enseignant qui a une idée géniale pour sa classe n’est plus freiné par la barrière technique. Il demande, l’IA génère, et l’idée prend vie. C’est, a priori, une excellente chose.

L’émancipation vraiment?

Prenons l’exemple de Julien (il me pardonnera ce petit « torpillage » amical). Il y a dix ans, Julien dépendait de moi. Il me demandait un programme par-ci, un outil par-là. Je répondais selon mon temps, mon envie, ma disponibilité. Aujourd’hui, grâce à l’IA, Julien s’est émancipé. Il est devenu indépendant de l’expert humain. Il teste, il expérimente, il produit. C’est un gain réel pour son autonomie immédiate.

Mais grattons un peu le vernis. En réalité, Julien a simplement changé de maître. Il n’est plus dépendant de moi, il est dépendant de l’IA. Et les entreprises derrière ces modèles l’ont parfaitement compris : rendez la création simple, rendez l’utilisateur accro à cette facilité, puis montez les prix. Nous le voyons déjà avec les hausses tarifaires des abonnements « Pro ». Sans expertise, on ne possède rien, on loue une capacité de faire.

Le code « spaghetti » et la pollution des communs

Le problème devient concret quand le programme, qui fonctionnait « globalement », commence à bugger. Pour un non-expert, corriger un bug via une IA est une épreuve de force. L’IA, n’ayant pas de vision d’ensemble, peut tout planter en voulant réparer une ligne. On se retrouve avec des programmes aux fonctions doublées, aux styles CSS indigestes et non optimisés. C’est propre en apparence (bien indenté), mais c’est un gros fouillis technique à l’intérieur.

Mon inquiétude actuelle : la Forge Éducation, cet outil formidable de partage, risque de devenir un cimetière de programmes jetables. Un lieu où pullulent des milliers d’outils qui se ressemblent, pas toujours fiables, mal codés et, surtout, impossibles à maintenir par la communauté. Partager une application « vibe-codée » sans savoir lire le code, c’est comme distribuer un médicament dont on ne connaîtrait pas la composition exacte : c’est risqué et, avouons-le, un peu malhonnête vis-à-vis des collègues.

Il peut y avoir un vrai risque de crise confiance dans les programmes fournis…

Alors je ne dis pas non plus qu’un programme créé sans IA est forcément bien fait … le risque est ailleurs.

Le risque sécuritaire : au-delà de l’exerciseur

Tant qu’on produit des petits visualiseurs ou des exerciseurs de calcul mental, le risque est limité. Mais que se passera-t-il quand des enseignants « vibe-coderont » des passerelles vers des plateformes institutionnelles ou des outils manipulant des données élèves ?

Mais quand je vois ce genre d’article, je me dis que le risque est réel.

Sans expertise, on ne voit pas les failles de sécurité. On livre un programme poreux, prêt à générer des fuites de données, simplement parce qu’on a fait confiance à une machine qui « avait l’air de savoir ». On ne peut pas transiger avec la sécurité au nom de la simplicité.

La connaissance : la seule boussole

Est-ce qu’il faut arrêter d’utiliser l’IA ? Certainement pas. Je l’utilise moi-même pour les corvées de CSS ou pour dégrossir des structures complexes. Mais il y a une différence majeure : je sais lire ce qu’elle écrit. Je sais valider, corriger, et surtout, refuser une proposition absurde.

Il faut un certain degré d’expertise!! Pour utiliser l’IA de manière responsable dans n’importe quel domaine, il faut posséder un socle de connaissances minimum.

Chez collègues, demandez à une IA de générer une séquence pédagogique : un prof expérimenté verra tout de suite que c’est souvent basique, voire médiocre. En programmation, c’est identique.

Nous avons une responsabilité d’éducateurs. Nous exigeons de l’honnêteté intellectuelle de la part de nos élèves vis-à-vis de l’IA ; nous devons nous appliquer la même rigueur. Faire croire qu’on sait coder parce qu’on a su prompter est un mensonge qui dessert la profession.

Le message est simple :l’IA doit être un levier pour apprendre, pas une béquille pour produire aveuglément. On parle de fact-checking pour l’information, il est temps d’imposer le code-checking pour l’informatique pédagogique.

Utilisez l’IA pour aller plus loin que nos connaissances, mais s’assurer que nos connaissances nous permettent toujours de comprendre où nous allons. Car en fin de compte, la connaissance est la seule véritable indépendance.

Et l’école est le lieu principal où l’on apprend!