Depuis plusieurs décennies, l’école occidentale est traversée par un paradoxe persistant. Jamais les discours sur l’individualisation des apprentissages, la bienveillance pédagogique et la prise en compte des rythmes n’ont été aussi présents ; jamais pourtant le sentiment d’inefficacité et de découragement n’a été aussi largement partagé par les enseignants, les élèves et les familles. Les réformes successives ont multiplié les dispositifs, modifié les formes de l’évaluation, introduit de nouveaux outils numériques, sans que soit réellement interrogée l’architecture fondamentale du système scolaire. L’une des tensions centrales demeure largement impensée : celle qui oppose la progression des savoirs, le temps nécessaire à leur répétition, et les modalités de leur évaluation. En pratique, ces trois dimensions sont confondues dans un même espace, celui de la classe synchronisée, produisant des mécanismes d’enfermement pédagogique et social (l’effet pygmalion) [1] : constitution rapide de réputations scolaires stables, intériorisation précoce de l’échec ou de l’excellence, rigidification des trajectoires d’apprentissage et réduction progressive des possibilités de mobilité cognitive au sein du groupe-classe. Les élèves sont très tôt assignés à des catégories implicites, souvent interprétées comme des traits durables, tandis que les enseignants se trouvent contraints de gérer une hétérogénéité structurelle qui excède leurs marges de manœuvre.
Dans ce contexte, l’émergence des systèmes d’intelligence artificielle relance le débat éducatif, souvent sur un mode excessif, oscillant entre promesses de transformation radicale et refus de principe. L’objectif du présent article n’est ni de céder à l’enthousiasme technologique ni de défendre un statu quo fragilisé, mais d’examiner la possibilité d’un usage circonscrit de l’IA comme agent de répétition, au service d’une dissociation plus claire entre enseignement, entraînement et certification. Il s’agit de penser une pédagogie innovante non par l’accumulation d’outils, mais par une recomposition des fonctions fondamentales de l’école.
État de l’art sur l’IA en éducation
Les travaux récents consacrés à l’intelligence artificielle en éducation convergent sur un point essentiel : l’IA ne constitue pas en elle-même un modèle pédagogique, mais un ensemble de technologies dont les effets dépendent étroitement des cadres institutionnels, didactiques et éthiques dans lesquels elles sont déployées. En France, les publications du ministère de l’Éducation nationale, de la CNIL et du Sénat insistent toutes sur la nécessité de préserver la centralité de l’enseignant, la protection des données des élèves et le caractère non automatisable des décisions certificatives.
À l’échelle internationale, les recommandations de l’UNESCO et de l’OCDE adoptent une posture similaire. Elles soulignent à la fois les potentialités de l’IA pour soutenir les apprentissages et les risques associés à une personnalisation algorithmique mal conçue, notamment : l’illusion de maîtrise, la dépendance cognitive et l’opacité des critères d’évaluation. Ces textes promeuvent une approche dite « human-centred », dans laquelle l’IA est conçue comme un outil d’assistance et non comme une instance de jugement. Parallèlement, une littérature critique, portée notamment par le Conseil de l’Europe, met en garde contre les transformations silencieuses des pratiques éducatives induites par les systèmes algorithmiques, notamment lorsque les indicateurs produits par les outils numériques finissent par orienter les comportements des élèves, des enseignants et des institutions sans véritable débat explicite sur les normes qu’ils imposent. Enfin, dans le débat public français, des voix pédagogiques contrastées expriment soit une inquiétude forte face à une possible déshumanisation de l’école, soit une critique radicale de l’IA perçue comme un facteur de nivellement par le bas. Si ces prises de position ne relèvent pas de la recherche empirique, elles constituent néanmoins un arrière-plan idéologique qu’il serait illusoire d’ignorer.
Ce bref état de l’art montre que, malgré l’abondance des cadres et des recommandations, la question structurelle de l’articulation entre progression, répétition et certification demeure largement sous-théorisée. C’est à ce niveau que se situe la contribution proposée ici.
La classe synchronisée et l’échec de la répétition
Le dispositif central de l’école contemporaine reste la classe synchronisée, organisée autour d’un groupe d’élèves d’âge comparable, progressant selon un programme et un calendrier communs. Ce dispositif repose sur une fiction opératoire, celle d’un rythme d’apprentissage suffisamment homogène pour permettre un enseignement collectif efficace. Or cette fiction se heurte à la réalité des différences cognitives, sociales et affectives, que l’enseignant est sommé de compenser en permanence.
Dans ce cadre, la répétition, pourtant constitutive de tout apprentissage durable, devient problématique. Elle est socialement disqualifiée, interprétée comme un signe de retard ou d’inadaptation, et rarement reconnue comme un travail légitime. L’élève qui a besoin de temps est exposé publiquement à ses difficultés, tandis que celui qui progresse plus rapidement se voit contraint d’attendre, souvent au prix d’un désengagement progressif. L’évaluation, conçue comme un moment de vérification, tend alors à figer des positions plutôt qu’à rendre compte de dynamiques. Ces effets ne relèvent pas de dysfonctionnements marginaux, mais du fonctionnement ordinaire du système. En confondant les espaces de transmission, d’entraînement et de reconnaissance, la classe synchronisée produit mécaniquement des trajectoires d’enfermement, tant pour les élèves que pour les enseignants, réduits à gérer un rythme moyen qui ne correspond pleinement à personne.
Réhabiliter la répétition comme espace d’apprentissage
Toute pratique de maîtrise, qu’elle soit intellectuelle, artistique ou sportive, repose sur des phases longues de répétition, souvent peu spectaculaires, au cours desquelles l’erreur joue un rôle structurant. L’école, en tant qu’institution de socialisation, a progressivement rendu ces phases invisibles ou honteuses, en les subordonnant à des échéances évaluatives collectives. Réhabiliter la répétition suppose de lui reconnaître un espace propre, distinct de la scène publique de la classe et de l’évaluation certificative. Un tel espace permettrait à l’élève de s’engager dans un travail d’entraînement sans que chaque difficulté soit immédiatement interprétée comme un échec.
Il s’agirait de restaurer un droit à l’essai, au tâtonnement et à la lenteur, condition nécessaire à une progression réelle.
Cette dissociation pose toutefois un problème pratique majeur à grande échelle : comment offrir à chaque élève un accompagnement individualisé de la répétition sans alourdir démesurément la charge de travail des enseignants ? C’est dans ce contexte qu’un usage circonscrit de l’intelligence artificielle peut être envisagé. L’IA n’est pas ici pensée comme un substitut à l’enseignant, ni comme un dispositif d’évaluation autonome, mais comme un agent de répétition, strictement aligné sur les contenus et la progression définis par le professeur. Elle agit comme un support interactif permettant à l’élève de s’exercer, de recevoir un retour immédiat, et de mesurer sa progression sans exposition sociale. Dans cette configuration, la relation première est celle qui unit l’élève à l’agent de répétition. L’IA offre un espace sans jugement symbolique, où le travail en cours d’acquisition peut être valorisé pour lui-même. Elle permet également de rendre visibles des éléments généralement invisibles, tels que le temps investi, la persévérance, la nature des erreurs ou la diversité des stratégies mobilisées. Les données produites par cet espace de répétition ne valent pas verdict. Elles constituent des traces, mises à disposition de l’enseignant, qui reste seul habilité à les interpréter. L’IA éclaire le travail réel de l’élève, sans se substituer au jugement pédagogique.
Enseigner une cohorte mobile et assumer l’asynchronie
La dissociation entre enseignement et répétition transforme en profondeur le rôle de l’enseignant. Celui-ci devient pleinement responsable de la structuration du savoir, de la cohérence épistémologique des chapitres proposés, et de l’interprétation des trajectoires d’apprentissage. Il n’est plus contraint de faire avancer l’ensemble d’un groupe à un rythme artificiellement unifié. Ce modèle suppose d’accepter une forme d’asynchronie institutionnelle. Les élèves progressent selon des temporalités différentes, certains franchissant rapidement plusieurs paliers, d’autres nécessitant davantage de cycles de répétition. Cette variabilité n’est plus interprétée comme une hiérarchie ontologique, mais comme une donnée normale du processus d’apprentissage. Afin d’éviter toute dérive arbitraire, cette asynchronie doit être encadrée par des règles explicites, notamment en termes de durée maximale d’engagement dans un cycle donné. La décision de passage, ou de réorientation, demeure un arbitrage humain, assumé et discutable, éclairé mais non dicté par les données issues de la répétition. Au cœur de cette recomposition se trouve la fonction certificative de l’école et de l’université. L’institution ne se contente pas d’accompagner les élèves ; elle atteste publiquement de niveaux de maîtrise reconnus socialement. Cette fonction, souvent euphémisée, est pourtant centrale et politiquement sensible. Le modèle proposé ne remet pas en cause la certification ; il en renforce au contraire la légitimité, en distinguant clairement le temps de l’apprentissage du moment de la reconnaissance. Il oblige également à expliciter ce qui est certifié, à quel niveau, et dans quelles conditions. Ce faisant, il rend visible une question trop souvent éludée : celle de l’horizon du savoir. Décider qu’un individu a atteint un seuil pertinent de compétence n’est jamais un constat purement technique. C’est une décision normative, fondée sur des choix épistémologiques et sociaux. L’IA peut contribuer à documenter les parcours, mais elle ne saurait définir cet horizon sans se substituer indûment au jugement collectif.
Ce que cela signifie
Prenons deux exemples, qui n’ont pas valeur de modèles prescriptifs, mais visent à rendre intelligible une architecture pédagogique vraisemblable.
1- Dans le premier cas, une cohorte suivie d’élèves ayant entre 14 et 16 ans, en mathématiques. En conservant le modèle de la classe traditionnelle mais en faisant abstraction d’un « niveau de cohorte » (seconde, première) et en évitant la logique de progression automatique par âge et par calendrier scolaire, qui conduit les élèves à avancer collectivement indépendamment du niveau réel de maîtrise des savoirs, l’enseignant reçoit 6 heures par semaine les élèves en classe pour faire cours sur le modèle du cours magistral. Le cours est entièrement débarrassé de l’exercice, il n’est question que de savoirs, de questions et de progression. Les élèves en situation d’échange travaillent à comprendre les mécanismes. Le professeur ne donne aucun devoir d’un cours à l’autre : il suit une progression, adaptée non pas au rythme des élèves, mais à celui du temps qu’il estime nécessaire pour la compréhension des concepts pour un groupe donné. Le calendrier des apprentissages obéit à un cadre commun, national qui ne s’attache ni aux âges, ni aux « niveaux de classe » mais à une progression interne à l’acquisition des savoirs. Si les élèves ont acquis et validé un niveau, que ce soit au bout d’un mois ou de deux ans : ils accèdent au palier supérieur.
La validation de la progression se fait sur le modèle de la certification par la répétition : chaque élève, chez lui, est épaulé par un agent IA lui-même entièrement piloté par l’enseignant du cours. La répétition n’est ni forcée, ni exigée; en revanche, l’agent IA est capable de construire un rapport sur l’élève évaluant non seulement sa capacité à manipuler des objets mathématiques au cours d’exercices, mais également son investissement dans la réussite, sa ténacité et son désir de réussir. Ce rapport est transmis au professeur : il fait pleinement partie de l’évaluation. La répétition par agent IA, qui ne fait que reproduire l’ancien rôle des assistants à l’université, offre la possibilité de décloisonner l’enfant des cases où la classe le contraint, lui offre la possibilité de faire valoir son travail et son investissement et de prouver – de manière quantifiable et sincère – son assiduité. La démotivation, le désintérêt doivent être interprétés pour ce qu’ils sont : une inadaptation de l’enfant pour la science qui lui est offerte.
2- Dans le second cas, une cohorte suivie d’étudiants entre 19 et 23 ans, dans un cours de littérature. Même dispositif d’épaulement : l’IA pilotée par le professeur est un « agent de répétition » qui offre des exercices à l’élève et la possibilité de s’auto-évaluer et de mesurer sa progression. Ces exercices ne relèvent pas d’une automatisation de l’interprétation littéraire, mais d’un accompagnement progressif des compétences nécessaires à celle-ci : identification des structures argumentatives, contextualisation des œuvres, comparaison de lectures critiques, entraînement à la problématisation, reformulation et construction méthodique d’un commentaire ou d’une dissertation. Le Professeur obtient un rapport de l’IA sur l’étudiant : il en mesure là encore l’investissement, l’assiduité, la ténacité et la réussite. La certification finale – qui pourrait être une dissertation, un commentaire ou un oral – se fait donc en pleine conscience de l’effort. Elle certifie un cadre, un contenu et une méthode. Le Professeur, débarrassé de l’exercice et du devoir, fait pleinement cours dans sa discipline. La classe ne s’adapte plus au plus mauvais, ce qui décourage les excellents élèves. Elle produit une progression objective : l’IA devient le moyen par lequel ceux qui le souhaitent sincèrement peuvent s’adapter. C’est aussi le moyen pour les meilleurs de prouver qu’ils le sont.
Le modèle de la répétition est de loin le plus performant pour la progression réelle des élèves et des étudiants. La preuve en est que le marché des « cours particuliers » n’a jamais aussi bien fonctionné. Or qu’est-ce qu’un cours particulier aujourd’hui si ce n’est un agent de répétition personnel ? Aujourd’hui, ce marché de l’éducation parallèle est un facteur de différenciation injuste, qui produit de l’inégalité et de l’aigreur. L’existence d’agents IA, pilotés par les enseignants et mis à disposition de chacun par l’Institution, engagerait un cercle vertueux souhaitable.
Conclusion(s)
Le modèle scolaire hérité, fondé sur la synchronisation des parcours et la confusion des fonctions pédagogiques, montre aujourd’hui ses limites. Les réponses apportées jusqu’à présent oscillent entre conservatisme nostalgique et innovations de surface, sans transformation structurelle. En proposant de dissocier clairement enseignement, répétition et certification, et en envisageant l’usage de l’IA comme agent de répétition plutôt que comme instance de jugement, il devient possible de desserrer les mécanismes d’enfermement qui pèsent sur les élèves et les enseignants. Une telle transformation ne relève pas d’une solution technologique, mais d’un choix institutionnel et politique assumé. L’intelligence artificielle ne constitue ni une menace fatale ni une panacée. Elle peut, en revanche, devenir un révélateur des choix que l’école opère déjà de manière implicite. À ce titre, elle oblige à repenser ce que l’on enseigne, ce que l’on évalue, et ce que l’on certifie. C’est peut-être dans cette exigence de lucidité que réside la véritable innovation pédagogique.
Bibliographie
Cadres et rapports institutionnels – France
Ministère de l’Éducation nationale (France). 2025. « Cadre d’usage de l’IA en éducation ». Publié en juin 2025 (page de présentation).
https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647
Ministère de l’Éducation nationale (France). 2025. L’IA en éducation : cadre d’usage. Document PDF (version diffusée par l’Académie de Créteil).
https://www.ac-creteil.fr/sites/ac_creteil/files/2025-06/l-ia-en-education—cadre-d-usage-36099.pdf
CNIL (Commission nationale de l’informatique et des libertés). 2025. « Responsable de traitement : comment mettre en place des systèmes d’IA dans l’éducation ? ». 20 juin 2025.
https://www.cnil.fr/fr/education-mise-en-place-systeme-ia
CNIL (Commission nationale de l’informatique et des libertés). 2025. « Enseignant : comment utiliser un système d’IA dans le cadre scolaire ? ». 20 juin 2025.
https://www.cnil.fr/fr/enseignant-usage-systeme-ia
Sénat (Délégation sénatoriale à la prospective). 2024. IA et éducation. Rapport d’information n°101 (2024-2025), rapporteurs Christian Bruyen et Bernard Fialaire. Déposé le 30 octobre 2024.
https://www.senat.fr/rap/r24-101/r24-101_mono.html
Organisations internationales
OECD (Organisation for Economic Co-operation and Development). 2026. OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing, Paris. 19 January 2026. DOI.
https://doi.org/10.1787/062a7394-en
OECD (Organisation for Economic Co-operation and Development). 2026. OECD Digital Education Outlook 2026 – PDF.
UNESCO. 2023. « Guidance for generative AI in education and research ». Article de présentation. 7 September 2023; Last update: 16 January 2026.
https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
UNESCO. 2023. Guidance for generative AI in education and research. UNESCO (UNESDOC – notice).
https://unesdoc.unesco.org/ark:/48223/pf0000386693
UNESCO. 2023. Guidance for generative AI in education and research. PDF (UNESDOC).
https://unesdoc.unesco.org/ark:/48223/pf0000386693/pdf/386693eng.pdf.multi
Droits, gouvernance, critique fondée
Council of Europe (Conseil de l’Europe). n.d. (page éditeur). Artificial intelligence and education: A critical view through the lens of human rights, democracy and the rule of law. Council of Europe Publishing (Book.coe.int – page catalogue).
Council of Europe (site institutionnel). n.d. « Artificial intelligence and education » (présentation du rapport et cadrage par les valeurs du Conseil de l’Europe).
https://www.coe.int/en/web/education/-/artificial-intelligence-and-education-2
Ouvrages / synthèses
Holmes, Wayne; Bialik, Maya; Fadel, Charles. 2019. Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign. (Page dépôt UCL).
https://discovery.ucl.ac.uk/id/eprint/10139722
Holmes, Wayne; Bialik, Maya; Fadel, Charles. 2019. Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Extrait PDF (Center for Curriculum Redesign).
https://curriculumredesign.org/wp-content/uploads/AIED-Book-Excerpt-CCR.pdf
Contexte politique IA (France) – jalon historique
Villani, Cédric (dir.). 2018. Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne. Rapport (PDF).
Ministère de l’Enseignement supérieur et de la Recherche (France). 2018. « Rapport de Cédric Villani : donner un sens à l’intelligence artificielle (IA) ». 28 novembre 2018 (page de présentation).
[Débat public français (positions contrastées, non “preuves” mais repères)]
Meirieu, Philippe. 2025. « Avec l’IA, c’est le modèle politique de notre école qui est en jeu ». Le Monde, 16 septembre 2025. (Article).
Brighelli, Jean-Paul. 2025. « L’IA, ou la médiocrité généralisée ». Causeur, 21 juillet 2025.
