*Si la question vous intéresse, j’aurai le plaisir d’évoquer quelques éléments de cet article lors du colloque « L’IA comme arme du capital : quelle critique? » Info et inscription (gratuite) ici.

*Pour des raisons notamment évoquées ci-dessous, cet article est entièrement rédigé SANS l’aide, même minime, d’intelligences artificielles.

*Pas la peine de commenter pour dire que vous n’aimez pas l’écriture inclusive : je le sais, et je m’en fiche 🙂 Pour les raisons évoquées ici.

La présence des IA génératives paraît déjà « inéluctable » dans l’enseignement supérieur. C’est exceptionnel pour un dispositif sociotechnique dont peu de monde avait entendu parler avant novembre 2022. Leur émergence oblige tant les institutions que les enseignante·es et les étudiant·es à se positionner, c’est-à-dire à adopter une démarche analytique et réflexive. En effet, les IA influencent tant les formations que les métiers auxquels les étudiant·es sont formé·es.

Pour ma part, je suis président d’un master en éducation aux médias, une des disciplines de l’information et de la communication. Dans ce cadre, je construis les programmes de cours, recrute les enseignant·es, dirige des mémoires, préside des jurys, prépare et dispense des unités d’enseignement, procède à des évaluations, fais de la veille sur mes sujets, etc. Or, CHACUNE de ces pratiques est touchée de près par l’arrivée des intelligences artificielles génératives. Je pourrais demander à Claude de faire des propositions stratégiques pour mon programme ; les CV des enseignant·es recruté·es sont « boostés » à l’IA ; les étudiant·es font écrire leurs mémoires par ChatGPT ; dans mes jurys, certain·es lecteurices ont fait lire ledit mémoire par la même IA pour trouver qu’en dire ; mes profs peuvent les utiliser pour construire leurs cours, etc. Je pourrais continuer longtemps.

Il m’apparaît donc essentiel de faire un point descriptif et critique sur la présence des IA dans l’enseignement supérieur et ce, à trois niveaux différents, ayant chacun leurs propres enjeux : l’échelon institutionnel, celui des enseignant ·es et, enfin, celui des étudiant·es.

L’échelon institutionnel

En m’appuyant essentiellement sur mon expérience personnelle (avec toute la prudence que cela implique en termes de généralisation, notamment parce que je travaille dans une école supérieure de taille réduite d’environ 3000 étudiant·es), il me semble avant tout que les institutions se sentent perdues tout en étant pressées par l’urgence. Les directions n’ont pas forcément le temps ni les moyens de se plonger dans la problématique « IA », comptent de ce fait sur le bon vouloir de leurs équipes tout en ayant conscience de ce que chaque jour passé sans décision présente des risques institutionnels. De leur côté, les mêmes équipes n’ont pas forcément le temps non plus. Elles ont peur de faire ou dire n’importe quoi, attendent une vision, une stratégie voire un positionnement de la part de leurs directions. Il s’ensuit que quelques personnes volontaires, sans en avoir ni le statut ni forcément les compétences, pour des raisons d’appétence personnelle, se retrouvent à infléchir la position de toute une institution. Ces « auteurs organisationnels », comme je les appelais dans ma thèse, peuvent être plusieurs et défendre des positions opposées, nourrissant le risque de conflits et/ou de position institutionnelle incohérente.

Conscient·es de l’importance de l’enjeu et sous la pression des membres du personnel (enseignant·es et middle management), une politique institutionnelle concernant l’IA et propre à l’établissement est alors perçue comme une nécessité. Qu’elle prenne la forme d’une « charte », de « lignes de conduite » ou de « principes directeurs », elle doit réussir le pari à la fois d’offrir une vision claire et structurée, à la fois de résulter de dynamiques contradictoires et parfois conflictuelles. Ce n’est pas tout : elles doivent enfin tenir compte du caractère évolutif de ces technologies. Le risque est presque toujours d’obtenir des textuels consensuels, qui illustrent la « moyenne » des tensions plutôt que leur expression. Par exemple, on ne peut pas à la fois encourager l’usage des IA et le décourager. Dès l’instant où on prévoit de l’encadrer, il est en creux supposé que leur usage est acceptable. Si on souhaite garantir l’équité entre les étudiant·es, il faut également prévoir des IA « validées » par l’institution, éventuellement opensource et gratuites. En effet, un enjeu fondamental sera de s’assurer que les étudiant·es les plus fortuné·es ne puissent se payer les derniers modèles les plus performants pour travailler à leur place tandis que les étudiant·es des classes laborieuses verront, sur ce nouveau terrain, la reproduction de leur domination. On ne peut non plus faire l’impasse sur les réalités des métiers auxquels on forme et dans lesquels les IA peuvent être (sur)utilisées ou, au contraire, bannies. Préparer les étudiant·es, c’est donc aussi s’assurer qu’iels ne soient pas perdu·es au moment d’entrer sur le terrain professionnel, notamment lorsqu’il s’agit d’aiguiser leur sens critique (par exemple en formant les futur·es travailleur·euses de l’éducation aux médias et de l’éducation permanente).

En interne, apparaissent de façon plus ou moins explicite des tensions dans les personnels : entre celleux qui ont un avis fort et informé, celleux qui ont peur et pratiquent le déni, celleux qui ont adopté sans réserve la technologie mais en ont honte, d’autres qui proclament la détester mais l’utilisent secrètement, ou encore les technophiles qui l’utilisent à toutes les sauces et l’imaginent comme une solution à tous les problèmes.

Encore et toujours laissés pour compte, les enjeux éthiques liés aux IA ne font pas le poids face à la « real politik » du court-terme, de l’employabilité, de la préparation aux marchés du travail concurrentiels et au FOMO (fear of missing out, peur de « manquer quelque chose » si on ne se tient pas au courant des dernières tendances). Qu’il y ait de l’exploitation humaine abjecte lors de la phase d’apprentissage des modèles qui, du reste, présentent des risques écologiques majeurs (comme lors de la génération de vidéos par IA) et des atteintes à la propriété intellectuelle seront des éléments éventuellement soulignés en guise de précaution oratoire mais dont il ne sera pas tenu compte. Il ne s’agit pas ici de critiquer les institutions mais de souligner leur incapacité systémique à se dresser seules face au reste de la société. Si les responsabilités sont supposées être prises par chaque établissement individuellement alors qu’ils ont, individuellement toujours, intérêt à ne pas les prendre, il s’ensuit un classique dilemme du prisonnier (que j’avais déjà pu évoquer ici) dont la planète ne peut que sortir perdante.

C’est sans compter qu’il se pourrait bien que les IA deviennent aussi grandes responsables de formes d’érosion cognitive, car toutes les compétences et les connaissances qu’elles remplacent ne seront plus (ou beaucoup moins) activées. Rien d’anodin donc.

Descendons maintenant d’un échelon pour explorer les enjeux des IA à hauteur enseignante. Soulignons d’abord que tant les étudiant·es que les enseignant·es ont des usages des IA variés. On s’en sert comme correcteurs de textes, pour reformuler, pour trouver des mots à partir d’une définition, comme aide au brainstorming, pour avoir une réponse rapide à une question qu’on se pose, pour chercher des sources, pour vérifier du contenu, pour créer une première pièce « à casser » d’un travail que l’on doit fournir, pour traduire du contenu d’une langue à une autre, voire pour vulgariser (un texte difficile, une expression juridique, etc.), pour faire la synthèse d’un texte trop long, pour poser des questions à un document, etc. Avec un usage fréquent, voire intensif pour certain·es, profs comme étudiant·es finissent par développer des formes de dépendances. L’impression de n’être plus capables de faire sans.

Jamais un dispositif sociotechnique n’aura fait croire à sa propre nécessité aussi vite.

Les enseignant·es

En ce qui concerne spécifiquement les enseignant·es, la première question est double et concerne les évaluations.

1. Comment évaluer des travaux dont il est manifeste (ou au contraire dont il n’est PAS manifeste) que l’IA a été utilisée pour leur production ? Sur ce premier point, je pense que nous allons redonner une importance de plus en plus grande au présentiel. Revaloriser le moment de soutenance orale d’un mémoire de fin d’études, revaloriser le moment d’un examen écrit sur table apparaissent comme des solutions évidentes pour s’assurer de l’acquisition des apprentissages par les étudiant·es. En effet, comment juger l’acquisition de connaissances et de compétences si l’IA a été sollicitée pour accomplir ce que ces dernières devaient permettre de réaliser ? Si la triche a, dès le début, obsédé les enseignant·es par rapport à l’IA, c’est précisément pour cette question. Lorsque je transmets des savoirs à mes étudiant·es, je veux pouvoir évaluer la part de ceux-ci qu’iels auront retenus, intégrés, qu’iels maîtrisent. Je veux pouvoir me dire qu’iels aborderont le « monde réel » avec ces savoirs ancrés, inscrits.
2. Certains·es enseignant·es soutiennent dorénavant qu’il serait légitime de déléguer aux IA l’évaluation des travaux des étudiant·es et/ou de leurs examens. La proposition apparaît notamment comme pertinente dans le cas de grandes cohortes. Outre qu’il s’agit encore d’une réponse conjoncturelle à un problème structurel (la massification de l’enseignement supérieur d’une part, le manque de financement pour recruter suffisamment de personnel académique d’autre part), l’idée que l’on puisse confier à des algorithmes une évaluation invisibilise le fait qu’une cote devrait être la synthèse chiffrée de l’avis argumenté d’un·e enseignant·e sur une copie. Dès l’instant où cette tâche est confiée à l’IA, le·la prof ne peut que déléguer aussi à cette dernière les raisons de son évaluation, rendant caduque sa responsabilité d’évaluteur·ice. Pire encore : il sera toujours possible pour un·e prof de justifier a posteriori une évaluation non prise en charge a priori, se faisant la marionnette humaine d’un marionettiste machinique avec lequel iel n’aurait peut-être pas été d’accord s’iel avait réalisé le travail seul·e.

L’évaluation n’est pas le seul moment lors duquel un·e enseignant·e est amen·é à prendre en main l’IA. Même si c’est parfois en secret, certain·es enseignant·es l’utilisent pour créer, mettre à jour et préparer leurs cours. Une pratique vis-à-vis de laquelle les étudiant·es peuvent d’ailleurs se trouver mal à l’aise (à raison, me semble-t-il) puisque le propre même de l’expertise est de détenir un savoir qui excède le moment de son partage. Qui permet par conséquent de répondre aux questions posées, de nuancer des propos, de faire voir d’autres perspectives. Autant de compétences qui participent de la qualité d’un enseignement et qui sont rendues difficiles (voire impossibles) lorsqu’un contenu généré commence à la requête et s’arrête à la réponse.

Bien sûr, il existe les modes « tuteur » des IA, lesquels pousseraient l’enseignant·e ou l’étudiant·e à se poser des questions et faire les recherches – mais j’ai bien peur que si l’intention d’en user est bien présente, la pratique quotidienne en soit loin.

Un autre problème des contenus de cours générés par l’IA renvoie évidemment à la validité des sources. Les IA ne sont pas capables de citer leurs sources de manière rigoureuse. Si elles en inventent moins qu’aux premières versions de ChatGPT, ce n’est pas pour autant qu’on est sûr qu’elles les ont comprises, qu’elles ont sélectionné les sources prioritaires et centrales à une question, qu’elles en ont fait une lecture pertinente (elles ont notamment des soucis de catégorisation), qu’elles n’ont pas halluciné, qu’elles n’ont pas intégré à leurs synthèses des éléments provenant plutôt de leurs données d’entraînement, qu’elles n’ont pas fusionné plusieurs sources sans que l’on sache à quels éléments correspondent quelles parties, etc. Autrement dit, la seule façon de s’assurer que tout est correct et pertinent, c’est de consulter et lire tout ce qu’elles proposent (et, au contraire, ce qu’elles ne proposent pas), ce qui revient…à faire le travail deux fois (et donc à s’en passer à l’avenir).

Notons, en plus, que même les étapes qui semblent les plus légitimes pour l’usage des IA sont en fait des pierres angulaires du processus réflexif : brainstormer, réaliser des cartes mentales, construire un plan, élaborer de premières questions de recherche, chercher les formulations les plus adaptées, réaliser un support de cours, etc. Autant d’étapes qui obligent un·e enseignant·e à se poser la question du but poursuivi à travers son cours, des moyens de l’adapter à son public, des liens de causalité qui lient les parties entre elles, de la précision des exemples pour vulgariser, de son positionnement propre vis-à-vis de la thématique, de la possibilité d’expliciter les biais parce qu’un·e auteurice est redevable de son contenu face à ses étudiant·es, etc.

Enfin, il reste un usage quotidien par les enseignant·es, pour tout ce qui relève de démarches administratives mais aussi de rédaction de rapports, de procès-verbaux de réunion, de réponses à des appels à projet, etc. Cet usage-là est-il plus valide que les autres ? On pourrait arguer qu’il permettrait ici de gagner du temps sur les tâches les plus rébarbatives. Pourtant, rappelons que l’objectif de hausse de la productivité (souvent caché derrière l’idée d’efficacité) est vain en ce qui concerne l’enseignement universitaire non destiné à faire des bénéfices mais qu’ici encore, il implique de masquer les vrais problèmes comme la surcharge enseignante, la difficulté pour les institutions à tenir leur budget, le sous-financement de l’enseignement. Pire : réelle ou fantasmée, la hausse promise de la productivité des enseignant·es sera parfaite pour constituer un argument supplémentaire pour le politique dans son intention de ne pas renflouer les caisses. Hé oui, pour quoi faire ? Maintenant qu’on a les IA, on travaille mieux et plus vite ! Je voudrais enfin insister sur l’intérêt qu’il y a à rédiger soi-même des rapports de réunions, des appels à projet, des procès-verbaux et ses mails. N’importe quel·le chercheur·e le sait : c’est en mettant les mains dans le cambouis de ses données qu’on construit un savoir solide sur ces dernières. Par exemple, comme responsable de formation, c’est notamment à travers la rédaction, la relecture, la correction et la modification de PV de bureau de section que j’obtiens une vue globale des problèmes urgents auxquels je suis confronté. C’est en prenant le temps de rédiger un appel à projet que je prends conscience de l’adéquation de celui-ci avec les objectifs de mon département ou avec mes recherches. Comprendre prend du temps. Si la machine comprend à ma place, moi, je ne comprends plus.

Les étudiant·es

Comme pour les profs, l’usage des IA par les étudiant·es est, en réalité, très variable. Certain·es les utilisent et profitent de ses effets positifs : des étudiant·es avec un TDAH en usent pour diversifier leurs façons d’étudier, pour produire des relances attentionnelles, pour pratiquer des formes de ludification ; des étudiant·es avec des troubles comme la dyslexie ou la dysorthographie voient là, enfin, une possibilité de rendre des travaux qui ne les déforceront pas a priori.

Certain·es ne l’utilisent pas mais se sentent lésé·es de voir que d’autres auront de meilleures notes en ayant moins travaillé. Les étudiant·es ne sont pas bêtes et sont conscient·es qu’iels prennent le risque de déléguer à la machine des compétences qu’iels sont supposé·es acquérir pendant leur formation. La peur de perdre des compétences cognitives est par conséquent bien présente. Certain·es s’en préservent en réinvestissant, par exemple, dans l’écriture. Iels peuvent aussi se forcer à travailler par elleux-mêmes avant de demander l’aide de la machine ou encore faire usage de modes spécifiques, comme le mode « tuteur ».

Parfois, pourtant, la tension s’avère immense : lorsqu’on travaille pour payer ses études (ou payer sa vie tout court), l’IA apparaît indispensable comme moyen de survie. Lorsqu’on connaît le taux d’échec des étudiant·es de première année supérieure et la réduction des cohortes en seconde, on en vient à espérer que l’usage des IA soit à même de réduire, ne fût-ce qu’un peu, ces inégalités. Un objectif de réussite à court terme est valide. Une motivation extrinsèque comme celle constituant à obtenir son diplôme pour pouvoir gagner de l’argent n’est pas en elle-même illégitime, bien au contraire. Mais lorsqu’elle prend le pas sur les objectifs à long terme et donc sur une motivation intrinsèque (gagner en connaissance), elle risque de reporter le problème. D’une façon ou d’une autre, un·e diplômé·e ayant réellement acquis des compétences s’en sortira toujours mieux que quelqu’un·e qui paraîtra seulement les avoir acquises. Le couperet tombera peut-être plus tard : lors de l’entretien d’embauche, lors d’une période d’essai. Il n’en tombera pas moins. Du reste, la stratégie du court terme n’empêche pas la culpabilité, la perte de confiance en ses propres aptitudes, la perte de confiance mutuelle à l’intérieur de groupes de travail et les éventuelles tensions qui peuvent en résulter (« on avait dit qu’on n’utilisait pas les IA »).

Le compte Instagram D’où a récemment fait appel à sa communauté pour rassembler des retours étudiants sur l’usage des IA. Cette récolte de données, tout à fait passionnante, mérite qu’on en reprenne pour les commenter les éléments retenus. Son autrice, Barbara Dupont, relève, elle aussi, le rapport ambivalent qu’entretiennent les étudiant·es à la confiance en matière d’intelligences artificielles. Les étudiant·es se servent des IA parce qu’iels n’ont pas confiance en leurs propres aptitudes mais iels perdent aussi confiance en leurs propres aptitudes à force de faire usage de l’IA. L’usage des IA est donc à la fois la conséquence d’un manque de confiance et la cause d’une perte de confiance. D’ailleurs, cette double relation à la confiance vaut aussi pour certain·es enseignant·es…

Un autre risque concerne l’utilisation de l’IA pour se rassurer. Il ne s’agit bien sûr pas que des étudiant·es. Combien de fois n’ai-je pas introduit dans mon IA locale des textes que j’avais écrits uniquement pour qu’elle me dise combien c’était excellent ? Ce qui par ailleurs ne remplit pas son office, parce que comme elle dit toujours que c’est très bien, on en vient nécessairement à ne plus la croire. Ainsi, l’IA répond à un besoin de validation chez les étudiant·es.  Plutôt que poser la question au prof (qui pourrait, en plus, être jugeant·e) on pose la question à l’IA. L’IA qui en profitera pour dispenser ses conseils, proposer des pistes d’améliorations. Sans même le vouloir, le doigt est pris dans l’engrenage et sera bien difficile à enlever car si l’IA répond bien volontiers aux requêtes, elle n’arrive pas à clore d’elle-même une conversation. Pratiquant sans cesse les relances et les suggestions, elle peut se rendre responsable d’une perte de temps manifeste en poussant toujours à d’ultimes changements.

Il est très clair que l’IA est aussi utilisée par les étudiant·es sans motifs « impérieux », juste parce que c’est plus simple, plus confortable, plus rapide. L’étudiant·e versera le syllabus d’un·e prof dans son IA préférée, sans considération de droits d’auteur, et lui demandera des synthèses en dix points ou lui fera faire le travail à sa place en quelques secondes.

Cet aspect peu « digne » cache cependant d’éventuels mouvements de fonds qui mériteraient une approche plus approfondie. Par exemple, les capacités attentionnelles peuvent être réduites ou « de plus en plus réduites » ou « perçues comme étant de plus en plus réduites ». En l’absence d’études (consultées), il est difficile d’affirmer quoi que ce soit, mais il est clair que déléguer du travail aux IA peut compenser une difficulté à conserver son attention longtemps sur une tâche ressentie comme ennuyeuse. Mais à force d’utiliser l’IA, on s’habitue à la facilité. Suivre une activité exigeante cognitivement, comme un cours, devient dès lors d’autant plus compliqué, ce qui implique à nouveau l’usage de l’IA pour s’en sortir quand on y est confronté inéluctablement, par ex. pour se préparer à l’évaluation. En somme, un énième cercle vicieux.

La relation aux enseignant·es mérite un point particulier. D’abord, les profs qui l’utilisent font sans doute moins illusion que ce qu’iels croient auprès des étudiant·es, ce qui nourrit un sentiment très légitime d’hypocrisie et d’injustice. Ensuite, certain·es enseignant·es, parce qu’iels anticipent l’emploi de l’IA, peuvent rendre plus difficile son non-usage, par exemple en prévoyant des exercices difficilement réalisables sans son concours. Raison pour laquelle dans les principes d’utilisation de l’IA que nous rédigeons pour notre institution, nous prévoyons l’obligation pour un·e enseignant·e de définir des modalités de travail ou d’évaluation sans IA pour les personnes objecteurices de conscience. De surcroît, certain·es enseignant·es peuvent augmenter leurs exigences ou laisser entendre qu’elles seront relevées. Et même lorsque ce n’est pas le cas, le simple fait de le craindre de la part des étudiant·es aura déjà des effets sur leurs comportements.

Les étudiant·es qui ont répondu à la demande du compte « D’où » révèlent, a contrario, qu’iels ont moins envie de faire appel aux IA quand existe déjà une relation de confiance avec l’enseignant·e, ce qui donne envie de s’investir « pour de vrai ». Cette relation peut notamment s’appuyer sur l’absence de jugement quand des questions sont posées en classe ou encore par l’organisation d’évaluations formatives et la multiplication des feedbacks en cours d’année. Institutionnaliser le « droit à l’erreur » pour contourner la tentation d’avoir « tout de suite tout bon » grâce à l’IA est une piste sérieuse à emprunter. L’objectif est donc de « ré-engager » les étudiant·es dans la relation pédagogique, notamment par un enseignement plus « créatif ». Pour ma part, j’ai notamment utilisé le « jeu de rôle » dans le cadre d’un cours portant sur les structures économiques des inégalités. Ces propositions se heurtent toutefois aux réalités de terrain où les enseignant·es sont déjà largement sous pression.

En résumé, à l’image de leurs enseignant·es vis-à-vis de leur institution, les étudiant·es auraient bien besoin de lignes de conduite. L’émergence des IA les inquiètent. Comprendre quand l’usage de l’IA est découragé, conseillé, déconseillé et selon quels critères leur est devenu essentiel. Mais, bien souvent, iels se trouvent face à des enseignant·es aussi perdu·es qu’elleux et qui, de surcroît, peuvent défendre des positions parfois opposées.

Conclusions

Quel est l’objectif poursuivi par une formation supérieure ? Quelles sont les connaissances et les compétences que l’on souhaite que nos diplômé·es aient acquises au terme de leur formation ? En quoi l’usage des IA contribue-t-il à cette acquisition ? En quoi au contraire en constituent-elles un obstacle ? Quelle différence cela fait-il si on considère que l’objectif de l’enseignement supérieur n’est pas l’acquisition de connaissances per se mais l’acquisition de compétences en vue de l’employabilité des diplômé·es ? Où se trouve la responsabilité sociale des institutions d’enseignement supérieur ? Ne devraient-elles pas souligner que former des jeunes à la maîtrise d’outils qui les remplacent est une vision à court terme ? Ne devraient-elles pas être capables de faire voir aux employeur·euses de leurs réseaux professionnels que la maîtrise d’un outil est préférablement subordonnée à la polyvalence de cellui qui l’utilise, notamment parce que comprendre les processus de création (d’un texte, d’un programme, d’une image, etc.), c’est exercer non seulement des aptitudes mais surtout une démarche réflexive. Il est plus facile de se former à un nouvel outil par un tutoriel que de se former à l’esprit critique et à la recherche. Et quand, pour une raison ou une autre, l’outil n’est pas disponible ou ne convient pas, l’employé·e réflexif·ve s’en sortira toujours – au contraire des autres.

Il semble qu’il ne soit pas seulement nécessaire de donner des cours pour former les étudiant·es à un (bon) usage des IA mais qu’il soit nécessaire de donner des cours qui prennent les IA comme objet d’étude et ce afin de favoriser une véritable littératie des IA.  Cette littératie peut être entendue comme l’ensemble des compétences qui caractérisent un individu capable d’évoluer de façon critique dans l’environnement des intelligences artificielles. Ceci comprend l’aptitude à les utiliser autant qu’à les comprendre ; la dimension critique embrasserait alors aussi la capacité à justifier le refus de les utiliser ainsi que les comprendre pour mieux les combattre.

L’acquisition de ces compétences constitue un programme de cours à part entière qui nécessite du temps et des enseignant·es informé·es. Ce n’est pas en lisant un article de quelques pages qu’il est possible de faire sens des subtilités du machine learning et des différences ontologiques qui le séparent des programmes informatiques fonctionnant selon des règles logiques et dont le comportement sera prédictible. La compréhension fine de la dimension sociotechnique est un préalable à des prises de décisions éclairées pour soi-même, pour sa future entreprise, pour la société. Les capacités des IA à raisonner, tricher, mentir, adopter des stratégies ; leurs limites comme leurs biais de genre ou leurs biais raciaux, leurs évolutions paradigmatiques ; leurs hallucinations ; leurs problèmes d’alignement autant que les freins à leur interprétabilité…chacun de ces sujets mériterait qu’on s’y attarde. Il n’est pas concevable que toustes les prochain·es diplômé·es ne soient pas au clair sur ces notions. Encore moins, bien sûr, dans le cadre d’un master comme celui que je préside en éducation aux médias.

Comme diffuseur, compilateur voire producteur d’informations et de connaissances, l’IA doit être remise dans le contexte de notre « dépendance épistémique », c’est-à-dire notre obligation à faire confiance, à déléguer constamment nos croyances. Face à cette dépendance, il nous faut réaffirmer des formes « d’autonomie épistémique », c’est-à-dire notre capacité à opérer une série de choix (d’usage ou de non-usage, de logiciels propriétaires ou opensource, de rapidité ou de vérifiabilité, etc.). Reconnaître les critères d’une connaissance établie et ceux du consensus scientifique devient aussi essentiel, car les IA, par le mélange de leur facilité d’utilisation et leur indifférence à la vérité, ont une propension au bullshit, à l’hallucination, au discours creux, à l’aversion pour les pensées hétérodoxes, etc. Nous n’avons pas besoin de moins de science, de moins d’exigence intellectuelle mais, au contraire, nous avons besoin d’une réaffirmation de la nécessité absolue de garder le contrôle sur le savoir. Ce qui ne sera possible qu’avec des moyens financiers suffisants accordés par le politique. En ce sens, les manifestations étudiantes en Belgique et en France sont particulièrement bienvenues.

Les IA génératives sont nées en tant que « compléteurs de texte ». Ce premier objectif est dorénavant loin. À la plus grande surprise de ses propres concepteur·ices, elles sont devenues des machines capables de nous remplacer sur l’ensemble de nos compétences cognitives – même les plus sombres sur le plan de l’éthique. Apprendre à bien les utiliser est insuffisant, et peut-être même contestable. Renforcer leur maîtrise fait courir le risque d’insidieusement renforcer leur usage (avec cette idée erronée que « moi je ne tomberai pas dans le panneau ! »)

On peut également ré-apprendre à faire sans elles. Tant des enseignant·es que des étudiant·es, prenant conscience des risques auxquels iels s’exposent se forcent à cesser ou diminuer leur usage. Ou à sélectionner l’usage en fonction de ce qu’iels perçoivent comme essentiels dans leur travail et dans leur vie, et en fonction des aptitudes qu’iels ne veulent surtout pas perdre. En ce qui me concerne, je refuse catégoriquement d’utiliser les IA pour rédiger à ma place quoi que ce soit. Je refuse aussi de les utiliser pour toute recherche dont je suis amené à transmettre les résultats. Je refuse de les utiliser comme outil de brainstorming. Je refuse de les utiliser comme…je refuse de les utiliser. Point. Ce texte est humain, trop humain. Il charrie les imperfections dues à ma fatigue, mon esprit étroit, mes tics de langage ; il subit l’emphase de mes peurs, la structure de mes priorités et donne une idée de mes valeurs. Il est une part de moi qu’égoïstement, peut-être, je ne partage pas. Et c’est parce que j’en suis l’auteur qu’auprès de vous, il m’oblige.

La peur de « devenir bête » est, quant à elle, présente tant chez les profs que chez les étudiant·es. À force de déléguer des compétences cognitives à la machine, les chemins neuronaux sont moins empruntés…et nous courons le risque de perdre (une partie de) ces facultés. Ce n’est pas nouveau dans l’histoire des technologies. On s’inquiétait déjà de perdre la « mémoire » avec l’écriture, et plus encore avec l’imprimerie. Jusqu’ici, chaque compétence « perdue » faisait de la place à l’exercice d’une autre compétence cognitive plus complexe avec laquelle la machine n’était pas en mesure de rivaliser. Par exemple, l’articulation d’idées entre elles apparemment éloignées. Le problème qui me semble insoluble ici est que les IA paraissent pouvoir remplacer l’humain·e dans TOUTES ses facultés cognitives : mémoire, perception, compréhension, représentation du monde, etc. La crainte de l’abêtissement vient de là : qu’en ne déléguant plus seulement l’ennuyeux ou le routinier au profit de l’intellectuellement complexe, nous ne fassions d’usage de notre attention que pour les activités les moins émancipatoires.

Bien entendu, beaucoup des éléments évoqués dans le cadre de l’enseignement supérieur et, plus précisément, dans le cadre de mon master en éducation aux médias, trouvent leur pendant dans le monde du travail. Chaque secteur doit impérativement amorcer une réflexion profonde sur les effets à long terme des IA sur ses activités. Simultanément, il est de notre devoir de citoyen·ne d’exiger des comptes du grand absent de cet article , le pouvoir politique. Les yeux rivés sur la dette financière qu’il a lui-même contractée par ses cadeaux aux plus riches, il pousse la population à en contracter une autre, bien plus insidieuse : une dette cognitive auprès d’une machine dont on ne mesure pas encore le pouvoir de nuisance.