Documentation Lille Bienvenue sur le site des professeur·es documentalistes de l'Académie de Lille !
Documentation Lille
JE

JE Infodoc 2026 : IAG et info-documentation scolaire, quels impacts sur le métier de professeur documentaliste ?

par |Publié

La journée d’études s’est tenue le jeudi 21 mai 26 à l’Atelier Canopé 59 (nouvelle adresse : 2, rue Louis Joseph Gay Lussac à Villeneuve-d’Ascq) et nous interrogeait sur : en quoi les intelligences artificielles génératives transforment-elles les missions des professeurs documentalistes ? Comment les appréhender sereinement ? Faut-il les intégrer dans nos pratiques professionnelles ? 

Ouverture de la journée par Franck Laurent, IA-IPR.

9h30 – 10h15 : Eric Kergosien et Céline Matuszak, chercheurs en SIC Laboratoire Gériico, université de Lille).

Conférence inaugurale autour des transformations des pratiques informationnelles et rédactionnelles à l’ère des IA génératives (support à retrouver ici). Dans l’enseignement supérieur, quel impact des IA génératives (IAGen) ?

Anecdotes et constats de terrain :

  • Comme dans les lycées, triche lors des examens ou usages massifs des outils pour les soutenances de stages avec des présentations très similaires,
  • Les pratiques de recherche d’information sont également profondément transformées,
  • Inquiétude grandissante face au risque d’atrophie des connaissances et des compétences, ainsi qu’une forte angoisse au sein de la communauté éducative,
  • Phénomène de « Shadow IA » (qui désigne le recours discret, voire dissimulé, aux IAGen) : ces usages cachés (y compris par les enseignants) alimentent une suspicion généralisée et rendent plus difficile l’évaluation du travail réellement produit par les élèves ou les étudiants.
  • Tendance à l’absence de lecture approfondie et de vérification des informations obtenues, avec une forte dépendance à un seul outil, ChatGPT, qui concentre l’essentiel des usages.
  • Des initiatives émergent dans le monde académique, telles que des manifestes universitaires ou des mouvements critiques, « anti-sommet de l’IA »…

1. Ressources citées : 

2. Baromètre du numérique 2026 (étude réalisée par le Crédoc pour lʼArcep, lʼArcom, le Conseil Général de l’Economie et lʼAgence Nationale de la Cohésion des Territoires) : 

Selon ce baromètre qui mesure chaque année la diffusion des équipements et des usages numériques dans la société française, 64 % vérifient souvent voire toujours les informations fournies par l’IAGen (déclaratif). 30 % des étudiants payent un abonnement à ChatGPT (quand même 20 euros par mois !). 99 % des étudiants utilisent les IAGen.

3. Prescriptions et cadre :

Ce qui observé : 

  • L’arrivée des IAGen fait apparaître un besoin croissant d’encadrement juridique, éthique et pédagogique. Les universités commencent à élaborer des chartes et des recommandations afin d’accompagner ces nouveaux usages.

Cette transformation concerne l’ensemble de la communauté universitaire :

  • Les étudiants : les IAGen peuvent constituer une aide à l’apprentissage et à la rédaction, mais elles soulèvent également des questions de plagiat, de fraude académique et d’inégalités d’accès aux outils. Certaines mesures de surveillance se renforcent lors des examens (par exemple le retrait des montres).
  • Les enseignants : ils doivent adapter leurs pratiques d’enseignement et leurs modalités d’évaluation, tout en prenant en compte les enjeux liés aux données personnelles, aux biais algorithmiques et à la fiabilité des productions. Il est nécessaire de préserver une relation de confiance et une place centrale pour l’humain, ce qui demande du temps.
  • Les personnels administratifs : les usages concernent également le traitement des candidatures, les procédures d’inscription ou certaines tâches de gestion.

Plusieurs niveaux de régulation émergent :

Toutefois, la mise en œuvre de ces recommandations reste complexe. Les positions divergent entre une logique d’interdiction, d’autorisation ou d’encadrement, et les pratiques et consignes enseignantes sont parfois hétérogènes.

Les différents textes qui paraissent convergent autour de quelques principes fondamentaux :

  • Intégrité : expliciter les sources mobilisées et les aides reçues, y compris celles apportées par une IAGen.
  • Respect : des personnes, des droits d’auteur et des données personnelles.
  • Équité : garantir des conditions d’usage justes et limiter les inégalités d’accès.
  • Responsabilité : assumer les productions réalisées avec l’assistance d’une IA.

Principes clés des chartes éthiques pour les publications scientifiques :

  • Vigilance scientifique : vérifier les contenus, les sources et les biais éventuels.
  • Transparence sur les méthodes et les outils utilisés.
  • Responsabilité dans la diffusion et l’utilisation des résultats.
  • Respect de l’intégrité académique.
  • Nécessité d’un encadrement humain des usages.

4. Expérimentations

Plusieurs dispositifs pédagogiques sont actuellement expérimentés afin d’intégrer les IAGen dans les pratiques universitaires sans renoncer aux exigences académiques.

  • Mise en place d’un journal de bord, permettant de documenter les usages de l’IA et de favoriser une démarche réflexive.
  • Évolution des critères d’évaluation des mémoires. Certains établissements précisent désormais que « lorsque l’identification de références inventées par une IA est avérée, les degrés de maîtrise de la compétence bibliographique seront systématiquement évalués avec un niveau 0 ». L’objectif n’est pas de sanctionner le recours à l’IA, mais l’absence de vérification et d’esprit critique.
  • Expérimentation pédagogique en licence et master Information-Communication, notamment auprès d’étudiants se destinant aux métiers du journalisme ou de la communication. Le dispositif consiste à produire un premier jet, à travailler ensuite avec une IAGen, puis à mener une analyse réflexive sur les écarts entre les différentes versions et c’est cette analyse qui va être intéressante. L’hypothèse défendue est que cette forme d’écriture assistée redonne une place active à l’étudiant : il ne subit pas la production de l’outil, mais devient le garant éditorial du texte final. L’humain conserve la responsabilité de la validation du contenu.

Les premières expérimentations montrent plusieurs tendances :

  • un usage principalement ciblé sur la reformulation et les ajustements stylistiques ;
  • une critique récurrente des productions générées, souvent jugées trop lisses, fades, formelles, convenues ou dithyrambiques ;
  • un nouvel enjeu pédagogique : la qualité du prompt conditionne largement la qualité du résultat obtenu ;
  • une valorisation du dialogue homme-machine, fondé sur un processus itératif de réécriture ;
  • l’importance du niveau de formation (différence importante entre les étudiants selon l’année d’étude) et de la maîtrise des genres rédactionnels : savoir ce qu’est un éditorial, un communiqué ou une brève journalistique est une condition nécessaire pour pouvoir évaluer une production générée ;
  • l’émergence de nouvelles pratiques scripturales, où le geste d’auteur se déplace vers le choix de l’outil, la formulation des prompts, le filtrage des propositions et la réécriture.

Ces expérimentations ouvrent plusieurs perspectives de réflexion :

  • une mutation de l’auctorialité, dans laquelle on écrit désormais avec un outil (co-écriture ?),
  • le développement de nouvelles compétences liées au choix des outils, au dialogue via des prompts, au filtrage et à la réécriture ;
  • une prise en compte de l’ensemble de la chaîne éditoriale, en s’intéressant d’autant plus aux opérations réalisées (les opérations réalisées, le recul pris…) qu’au produit final ;
  • la question de l’équipement des étudiants : tous ne disposent pas d’un ordinateur et travaillent souvent depuis un téléphone portable, ce qui interroge les conditions d’accès et les formes de dépendance aux outils ;
  • la nécessité de maintenir un travail collectif, afin d’éviter un face-à-face exclusif avec la machine et de favoriser la comparaison des usages, des prompts et des productions générées ;
  • enfin, le besoin de développer une véritable expertise documentaire et disciplinaire en amont du dialogue avec l’IA. La connaissance des supports, des genres et des sources demeure indispensable pour exercer un regard critique sur les contenus produits.

Quelques outils qui permettent d’aider à la rédaction d’un mémoire universitaire :

  • Scholarcy : spécialisé dans la synthèse et l’analyse de littérature académique, très populaire sur les réseaux professionnels. 
  • SciSpace : permet d’analyser des articles, de faire des résumés, aide à la rédation…
  • Consensus,
  • Scopus AI d’Elservier,
  • Undermind (« votre co-chercheur en IA »).
  • ….

Question : pourquoi encore faire un mémoire ? Le mémoire n’a pas seulement pour fonction de produire un texte, mais de développer une démarche de recherche, une capacité d’analyse, une méthodologie et une posture réflexive que l’IA ne peut se substituer entièrement (si on adapte l’évaluation).

L’Université de Lille n’a pas fait le choix de privilégier une IAGen plutôt qu’une autre. D’autres établissements ont en revanche adopté des solutions qui soulèvent des questions éthiques : l’Université de Paris, par exemple, s’appuie sur l’écosystème Google et met à disposition des outils comme Gemini et NotebookLM. Ce dernier, malgré des phénomènes d’hallucination encore présents, produit des synthèses de premier niveau jugées « bluffantes ».

Les pratiques observées montrent également une évolution des productions universitaires. Des doctorants utilisent désormais des outils d’IA pour créer des infographies, au risque d’une certaine uniformisation des rendus graphiques. De même, si les enseignants apprécient parfois de recevoir des courriels mieux rédigés, ils constatent également un décalage entre l’écriture spontanée des étudiants et celle produite avec l’assistance d’une IA, notamment dans les copies et les travaux évalués.

5. Enjeux. Quelles pratiques étudiantes ? Pour quels accompagnements ?

Les usages étudiants des intelligences artificielles génératives restent encore difficiles à objectiver. Peu d’étudiants déclarent spontanément leur recours à ces outils, mais lorsque ces pratiques sont explicitées, elles sont souvent présentées comme faisant partie intégrante de leur méthodologie de travail.

Les IAGen peuvent par exemple être mobilisées pour élaborer des profils ou des personnages fictifs dans le cadre d’une recherche. Un mémoire consacré à Tinder mentionne ainsi leur utilisation pour construire des portraits types destinés à nourrir l’analyse. Les déclarations témoignent également d’une volonté de distinguer l’assistance technique de l’investissement personnel, comme l’illustre cette formule de l’étudiant.e : « L’usage de ChatGPT n’a pas influé sur le cœur que j’ai mis à la rédaction de ce mémoire. »

Plusieurs établissements expérimentent des dispositifs visant à rendre ces usages plus transparents :

  • Université de Genève : obligation de référencer le recours aux intelligences artificielles génératives.
  • Université Laval : trousse pour une utilisation responsable de l’IA générative dans les mémoires et les thèses.
  • Université de Lille : élaboration d’une grille de Déclaration des Usages de l’IAGen (DUIA), qui invite les étudiants à préciser leur niveau global d’utilisation, les étapes concernées (idéation, recherche documentaire, reformulation, correction, rédaction, etc.) ainsi que des exemples de prompts utilisés. Une première expérimentation de cette DUIA, menée auprès de 19 étudiants de licence 3 montre que 16 d’entre eux déclarent avoir utilisé une IAGen, principalement ChatGPT, Claude ou Gemini.

Les pratiques recensées se répartissent en quatre grandes catégories :

  • Correction syntaxique et orthographique ;
  • Posture d’auteur et professionnalisation du style, l’IAGen jouant un rôle de miroir ou de coach rédactionnel ;
  • Structuration et métacognition, pour organiser un plan, vérifier la cohérence ou respecter des normes rédactionnelles ;
  • Idéation et recherche documentaire, notamment pour dépasser la page blanche.

Les premiers retours d’expérience soulignent plusieurs points de vigilance.

  • Les déclarations peuvent parfois donner une illusion d’auctorialité : les étudiants affirment ne pas avoir réalisé de copier-coller alors que les modifications apportées au texte généré restent très limitées.
  • L’IAGen tend à être utilisée comme un « nouveau Google », révélant une confusion entre les modèles de langage et les moteurs de recherche. Cette assimilation conduit fréquemment à une absence de vérification des informations produites. Définir l’IA comme un outil de recherche d’information est un véritable problème.
  • Une forme de maturité critique semble néanmoins se développer. En master 2, les usages sont davantage documentés et réfléchis, même si la vérification du contenu est encore souvent déléguée à la machine, notamment par manque de temps. Les productions obtenues peuvent être de qualité, mais elles restent parfois peu approfondies, ce qui souligne la nécessité d’un accompagnement pédagogique renforcé.

Ces constats conduisent également à interroger les modalités d’évaluation : faut-il prendre en compte ces déclarations d’usage dans l’évaluation des travaux universitaires ?

Plusieurs leviers sont envisagés :

  • mettre en place un suivi régulier des mémoires ;
  • demander des rendus intermédiaires et des versions successives des travaux ;
  • privilégier les rencontres en présentiel, les soutenances et les visites de stage ;
  • augmenter le nombre d’examens déconnectés,
  • renforcer la place de l’oral dans les évaluations.

Ces évolutions impliquent cependant des moyens humains et financiers importants, qui font aujourd’hui défaut dans de nombreux établissements.

Place aux questions !

Les échanges ont fait émerger plusieurs défis majeurs :

  • la question de la sobriété numérique ;
  • le maintien de la responsabilité humaine ;
  • mettre l’IAGen au service de l’autonomie cognitive plutôt que de la dépendance ;
  • prévenir le risque de deskilling (atrophie des compétences) en identifiant les tâches pouvant être déléguées sans perte d’expertise ;
  • garantir une transparence totale sur les usages (avec par exemple l’usage d’un pictogramme) :
  • préserver les principes liés au droit d’auteur.

10h30 – 11h15 : intervention de Jean-Christophe Duhamel (juriste, site D-PIAV) : Éclairage sur les enjeux juridiques liés aux usages de l’IAGen (support ici).

Les questions liées au régime juridique de l’image, au droit d’auteur et aux contenus générés par intelligence artificielle constituent des entrées particulièrement riches pour mener des projets d’Éducation aux médias et à l’information avec les élèves. Parmi les ressources et partenaires mobilisables, le dispositif D-PIAV propose des interventions en établissements scolaires autour de l’éducation à l’image et aux médias. Le D-PIAV propose des activités de médiation audiovisuelle, des ateliers de création de podcasts ou de vidéos, des interventions en établissement…

Quel est le régime juridique des deepfake ?

Les deepfakes désignent des contenus audio, photographiques ou vidéo modifiés ou générés grâce à l’intelligence artificielle afin de faire croire à une situation, une parole ou un comportement qui n’ont jamais existé. Ils peuvent relever à la fois de la manipulation et de la génération de contenus.

Sur le plan pédagogique, la fiche du CLEMI « Comprendre les intentions derrière la diffusion de depepfakes » constitue une ressource intéressante pour amener les élèves à identifier les objectifs poursuivis par les auteurs de ces contenus : désinformation, manipulation de l’opinion, atteinte à la réputation, divertissement, satire ou encore escroquerie.

Pour les différents cas de deepfakes et leur diffusion les peines encourues, voir le diaporama.

Pistes d’évolutions légales pour les deepfakes : 

  • Faut-il concentrer les sanctions sur les utilisateurs qui créent ou diffusent les contenus ?
  • Faut-il également responsabiliser les acteurs qui mettent à disposition les outils de génération, en particulier ceux permettant la création de contenus pornographiques ou de nudification non consentie ?

Certains juristes défendent l’idée que le droit gagnerait à mieux protéger la dignité humaine en sanctionnant certains usages dès leur création, sans attendre leur diffusion publique. Aujourd’hui, dans de nombreuses situations, la diffusion du contenu demeure un élément déterminant pour caractériser l’infraction.

L’exemple britannique a été évoqué : le droit anglais permet déjà, dans certains cas, d’incriminer la création de deepfakes sexuels ou particulièrement préjudiciables, indépendamment de leur diffusion effective. Une telle évolution soulève néanmoins des difficultés importantes. Comment démontrer l’existence de contenus non diffusés ? Comment concilier protection des victimes et respect de la vie privée ? Ces questions impliquent souvent des investigations techniques complexes, pouvant aller jusqu’à l’examen de disques durs…

Le 26 mars 2026, le Parlement européen a adopté de nouvelles mesures visant notamment à interdire les services d’intelligence artificielle dédiés à la nudification de personnes ou à la création d’images sexuellement explicites. Ces dispositions ciblent directement les fournisseurs de services et les plateformes proposant ce type d’outils.

Plus largement, ces évolutions s’inscrivent dans un mouvement de responsabilisation croissante des acteurs du numérique. Le Digital Services Act (DSA) renforce les obligations des plateformes numériques en matière de modération et de gestion des contenus illicites.

Le texte prévoit notamment :

  • des procédures de signalement plus accessibles ;
  • le recours à des signaleurs de confiance…

À ce jour, les plateformes ne sont généralement pas responsables a priori des contenus publiés par leurs utilisateurs. En revanche, leur responsabilité peut être engagée lorsqu’elles sont informées de la présence d’un contenu manifestement illicite et qu’elles ne prennent pas les mesures nécessaires pour le retirer ou en limiter l’accès.

11h30 – 12h30 : Anne Cordier, professeure des universités en SIC. L’IA générative en info-documentation (support ici).

L’intelligence artificielle générative interroge directement les finalités et les contenus de la formation à l’information-documentation. Pour penser son intégration dans les apprentissages, il peut être intéressant de s’appuyer sur un cadre proposé par Alexandre Serres : initialement conçu pour analyser la place des outils techniques dans les formations à l’information-documentation et aujourd’hui largement transposable aux IAGen.

1. Apprendre à réaliser : formation procédurale aux outils. 

Il ne suffit pas de parler des intelligences artificielles génératives ; il est nécessaire de les expérimenter, de comprendre leur fonctionnement, leurs possibilités et leurs limites à travers des situations de production réelles. Il s’agit de réaliser avec l’IAGen pour mieux la comprendre.

Cette réflexion renvoie également à une distinction fondamentale entre donnée, information et connaissance :

  • Une donnée correspond à un élément brut auquel aucun sens particulier n’est encore attribué, ça ne fait pas sens pour moi.
  • Une information émerge lorsque cette donnée prend sens pour un individu dans un contexte donné.
  • Une connaissance se construit lorsque cette information est comprise, intégrée aux savoirs déjà acquis et peut être réutilisée ultérieurement.

Dans cette perspective, accéder à une réponse générée par une IA ou à un contenu disponible sur Wikipédia ne signifie pas nécessairement apprendre. Tant que l’utilisateur ne s’approprie pas l’information, ne la relie pas à ses connaissances antérieures et ne l’interroge pas de manière critique, il demeure au stade de la simple exposition à des données. Cette distinction est particulièrement importante à l’heure où les IAGen donnent l’illusion d’un accès immédiat au savoir. Elles facilitent l’accès à des contenus, mais ne garantissent en rien leur compréhension ou leur appropriation.

Il est nécessaire de dépasser certains mythes persistants autour des compétences numériques des jeunes. L’idée selon laquelle les nouvelles générations seraient spontanément expertes des technologies numériques parce qu’elles sont nées avec elles (le mythe des digital natives) est largement remise en cause par la recherche. Les travaux de Cédric Fluckiger montrent notamment que la culture informatique et numérique est très inégalement répartie parmi les jeunes. Les usages quotidiens des outils numériques ne se traduisent pas automatiquement par une compréhension de leur fonctionnement, de leurs enjeux ou de leurs limites. Cette réalité renforce la nécessité d’une formation explicite aux outils numériques et aux intelligences artificielles génératives.

Les réflexions autour des IAGen invitent également à dépasser une vision homogène des pratiques numériques des jeunes. Les travaux de Sylvie Octobre évoquent des fractures techno-culturelles :

  • La fracture de l’accès, qui concerne les équipements, la qualité de la connexion, les abonnements payants ou encore les inégalités territoriales.
  • La fracture des usages, également appelée fracture numérique de second niveau. Décrite notamment par Eszter Hargittai en 2001, elle renvoie aux différences de compétences, de maîtrise et de capacité à tirer profit des outils numériques. Ces écarts sont souvent liés aux milieux sociaux, aux parcours scolaires ou encore aux générations.
  • La fracture des réinvestissements, qui concerne la capacité à transférer les compétences acquises dans un contexte vers d’autres situations,
  • La fracture des capacités réflexives, c’est-à-dire la capacité à prendre du recul sur ses usages.

Cette approche invite à se méfier d’une représentation simplificatrice souvent résumée par l’idée que : « les jeunes utilisent les outils numériques, les apprécient et savent naturellement s’en servir ».

Bibliographie :

Serres, Alexandre. Trois dimensions de l’éducation à l’information. Séminaire national ”De l’information à la connaissance”„ Aug 2006, Poitiers, France. pp. 37-44. ⟨hal-02346192⟩. Disponible sur :  https://hal.science/hal-02346192/document

2. Apprendre à réfléchir. 

Au-delà de la maîtrise technique des outils, l’enjeu est de permettre aux élèves et aux étudiants de développer une compréhension critique des intelligences artificielles génératives et de leurs usages.

Lorsque l’IAGen tend à remplacer le moteur de recherche, c’est tout un imaginaire technique qui se met en place : l’outil est perçu comme capable de fournir directement la réponse attendue, sans nécessiter les étapes traditionnelles de recherche, de sélection et d’évaluation de l’information. Les usages observés sont aujourd’hui principalement scolaires et informationnels, mais ils restent encore peu documentés par la recherche.

Parmi les études récentes :

  • L’étude JAMES focus 2025 montre que les jeunes portent un regard globalement positif sur l’IAGen, tout en conservant une certaine prudence. Les résultats décrivent une attitude relativement équilibrée, loin des discours alarmistes comme des enthousiasmes excessifs.
  • Le Reuters Institute Digital News Report 2025 

L’IAGen n’est pas un régime documentaire : Perret (2025). Elle ne résume pas véritablement les documents : elle produit plutôt des raccourcis à partir de probabilités linguistiques. Résumer reste une vraie compétence intellectuelle.

Il est essentiel de rester attentif aux termes utilisés pour parler des IA. L’histoire des techniques montre que les sociétés ont fréquemment tendance à humaniser les machines, en leur attribuant des intentions, une compréhension ou une forme d’intelligence comparable à celle des humains. Cette personnification peut entretenir des malentendus sur leur fonctionnement réel.

L’un des enjeux majeurs concerne la manière dont les élèves évaluent les contenus générés et accordent leur confiance aux réponses produites.

Plusieurs pistes de réflexion ont été évoquées :

  • distinguer la vraisemblance de la vérité : une réponse peut sembler crédible sans être exacte ;
  • distinguer la fiabilité, la validité et la pertinence d’une information ;
  • comprendre que les IAGen produisent avant tout un discours cohérent, sans intention de vérité, elles communiquent pour communiquer ;
  • interroger le principe du « garbage in, garbage out » : les résultats dépendent à la fois de la qualité des consignes fournies et des données sur lesquelles les modèles ont été entraînés.

Cette réflexion conduit à redonner une place centrale à ce qu’André Tricot qualifiait de « compétence fantôme » : la définition du besoin d’information. Avec les IAGen, cette compétence devient au contraire une compétence essentielle. Savoir ce que l’on cherche, pourquoi on le cherche et comment formuler sa demande conditionne largement la qualité des résultats obtenus.

Il y aussi une autre compétence qui est encore plus importante : la maitrise du vocabulaire. Les IAGen mobilisent fréquemment un lexique académique, institutionnel ou professionnel particulièrement valorisé dans les contextes scolaires et universitaires. Les élèves disposant déjà d’un capital lexical important sont davantage en mesure d’exploiter ces outils, de comprendre les formulations proposées et de dialoguer efficacement avec eux. À l’inverse, les élèves les plus fragiles sur le plan langagier peuvent se trouver en difficulté. Le risque est alors de renforcer certaines inégalités déjà existantes : ceux qui maîtrisent les codes linguistiques bénéficient davantage de l’outil que ceux qui en auraient le plus besoin. Cette question est particulièrement sensible car elle peut diminuer directement le pouvoir d’agir des élèves. Lorsque l’IAGen produit à leur place un discours utilisant les codes attendus par l’institution, les apprenants peuvent avoir le sentiment de réussir sans réellement développer les compétences langagières qui leur permettraient de s’exprimer eux-mêmes.

3 types d’expertise sont complémentaires :

  • L’expertise des systèmes : connaître les outils disponibles, comprendre leur fonctionnement, identifier les ressources mobilisables, qu’il s’agisse d’outils numériques, de personnes ressources ou de lieux d’information.
  • L’expertise informationnelle : savoir définir un besoin d’information, rechercher, sélectionner, évaluer et mobiliser des informations pour résoudre un problème. Cette expertise repose sur des démarches intellectuelles transversales mobilisables dans de nombreux contextes.
  • L’expertise du domaine : plus un individu maîtrise un champ de connaissances, plus il est capable d’évaluer la pertinence, la validité et la qualité des informations produites dans ce domaine. Les connaissances disciplinaires demeurent donc essentielles pour exercer un regard critique sur les contenus générés par l’IA.

Ces trois formes d’expertise sont complémentaires et constituent un rempart contre une confiance excessive accordée aux réponses automatisées.

3. Apprendre à résister

Former aux intelligences artificielles génératives ne consiste pas seulement à apprendre à les utiliser. Il s’agit également d’apprendre à en identifier les limites, les mythes, les fantasmes…

Cette idée rejoint une formule d’Alexandre Serres : « S’il faut former aux outils, il faut aussi former contre. »

Plusieurs points de vigilance :

  • les modèles d’IA ne sont jamais neutres et véhiculent des représentations du monde, des valeurs et des choix de conception. Les débats autour de « WokeGPT », de Grok ou d’autres modèles illustrent la diversité des positionnements idéologiques qui peuvent être perçus ou revendiqués ;
  • les inquiétudes concernant une éventuelle menace sur l’intelligence humaine sont nombreuses, même si les recherches disponibles ne permettent pas, à ce jour, d’établir de manière probante un effet direct de diminution des capacités cognitives ;
  • l’uniformisation des productions constitue un risque réel. Lorsque les mêmes outils sont utilisés par un grand nombre d’utilisateurs, les textes, les images ou les présentations tendent à adopter des formes similaires, ce qui peut appauvrir la diversité des productions ;
  • absence du sentiment de fierté ou d’accomplissement dans les productions fortement assistées par l’IA.

Conclusion : à l’heure de l’IAGen, retour aux sources !

L’après-midi, 6 ateliers ont été proposés aux collègues :

  • Une progression EMI-IA au collège ? par Claire Chaumette (support à retrouver ici),
  • IAG et SNT, scénarios pédagogiques,
  • IAG, esprit critique et EAC, par Nadège Wauquier (faisant écho notamment à cet article),
  • L’IA en classe puzzle, par Aurélien Dufromont (basé sur cet article),
  • IA comme assistant, exemple de séance en SNT (basé sur cet article),
  • Liberté d’expression avec l’IA ? par Céline Domin (support à retrouver ici).