L’IA générative ne conçoit pas un cours : elle propose des brouillons

Demander à une IA générative un « cours complet » donne souvent un résultat impressionnant à première lecture. En quelques secondes, on obtient des objectifs, un découpage en séances, des activités, parfois même une grille d’évaluation. Pour un formateur pressé, la tentation est grande de considérer que le travail de conception est fait.

Pourtant, en y regardant de près, ces productions présentent un défaut récurrent : la cohérence entre ce que l’on veut faire apprendre, ce que l’on fait faire et ce que l’on évalue est rarement tenue. C’est précisément ce que la littérature appelle l’alignement constructif (Biggs, 1996), et c’est le cœur de l’ingénierie pédagogique.

Ce que l’IA fait bien

Les grands modèles de langage excellent dans la production de variantes. Ils proposent rapidement des idées d’activités, des exemples contextualisés, des formulations alternatives de consignes. Dans un processus de conception, cela correspond à la phase de divergence, celle où l’on explore le champ des possibles avant de choisir.

Les revues de littérature récentes sur les modèles de langage en éducation soulignent ce potentiel de soutien à la préparation des enseignements, tout en insistant sur la nécessité d’une expertise humaine pour en vérifier la pertinence (Kasneci et al., 2023).

Ce qu’elle ne fait pas

Un plan de cours généré ne connaît ni le public réel, ni ses acquis, ni ses contraintes matérielles, ni le contexte institutionnel. Il repose sur une moyenne statistique de ce qui a été écrit sur des sujets voisins. Il en résulte des objectifs formulés de façon générique, des activités qui ne mobilisent pas toujours les niveaux cognitifs visés, et des évaluations qui mesurent autre chose que ce qui a été travaillé.

Le cadre de la conception à rebours proposé par Wiggins et McTighe (2005) rappelle qu’il faut partir des apprentissages attendus et des preuves que l’on acceptera de ces apprentissages, avant de choisir les activités. L’IA, interrogée de façon naïve, fait souvent l’inverse : elle part des contenus.

Un brouillon rapide n’a de valeur que si l’on garde le temps de le juger.

Repenser la place de l’IA dans la conception

Je propose de voir l’IA comme un générateur de brouillons au service d’un processus maîtrisé par le concepteur. Concrètement, cela signifie :

• définir soi-même les objectifs d’apprentissage, en s’appuyant par exemple sur une taxonomie révisée (Anderson et Krathwohl, 2001) ;
• demander à l’IA plusieurs propositions d’activités pour chaque objectif, puis choisir et adapter ;
• vérifier systématiquement que chaque objectif est évalué et que chaque activité sert un objectif ;
• tester le scénario auprès de quelques apprenants avant de le généraliser.

Dans cette perspective, le vrai gain n’est pas le temps économisé à écrire. C’est le temps libéré pour analyser le public, préciser les critères de réussite et anticiper les difficultés.

Une question de compétences professionnelles

Cette réflexion rejoint le modèle TPACK (Mishra et Koehler, 2006), selon lequel l’intégration réussie d’une technologie suppose l’articulation de connaissances technologiques, pédagogiques et disciplinaires. Savoir utiliser un outil d’IA ne suffit pas : il faut savoir juger ce qu’il produit au regard d’une discipline et d’une situation d’enseignement.

Les orientations de l’UNESCO (2023) sur l’IA générative en éducation vont dans le même sens : elles recommandent une approche centrée sur l’humain, où l’enseignant reste responsable des décisions pédagogiques.

Un exemple concret

Imaginons une formatrice qui prépare un module de français sur objectifs spécifiques pour des techniciens de maintenance. Elle demande à une IA un « cours de dix heures sur la communication professionnelle ». Le résultat est propre : des séances sur les courriels, les réunions, les appels téléphoniques, chacune avec une activité et un quiz.

En analysant ce brouillon, elle remarque pourtant que les techniciens n’écrivent presque jamais de courriels, mais remplissent des fiches d’intervention et expliquent oralement des pannes à des clients. Les objectifs générés ne correspondent pas aux situations réelles du public. Le quiz final porte sur du vocabulaire, alors que l’objectif est de savoir expliquer une procédure.

Elle garde alors certaines idées d’activités, mais reconstruit le module à partir d’une analyse des besoins : situations de communication réelles, documents authentiques, tâches finales proches du terrain. L’IA lui a fait gagner du temps sur la recherche d’idées, pas sur l’analyse.

Ce que cela change pour l’évaluation des dispositifs

Pour celui qui évalue un dispositif de formation, cette situation pose une question nouvelle : comment savoir quelle part de la conception a été produite par une IA, et avec quel contrôle ? Un dispositif conçu rapidement avec l’IA peut présenter une apparence de cohérence qui masque un défaut d’alignement.

L’évaluation devrait donc examiner plus attentivement la cohérence interne du dispositif : correspondance entre objectifs, activités et évaluations, adéquation au public, pertinence des situations proposées. Ce sont précisément les dimensions que l’IA maîtrise le moins.

En conclusion

L’IA générative est un outil puissant pour la phase exploratoire de la conception. Elle ne remplace ni l’analyse des besoins, ni le jugement pédagogique, ni la vérification de l’alignement. Utilisée comme un générateur de brouillons au service d’un concepteur exigeant, elle peut enrichir la conception ; utilisée comme un concepteur, elle risque de produire des cours bien présentés mais mal ajustés.

Et vous ? À quelle étape de la conception l’IA vous est-elle réellement utile ?

Références

1. Anderson, L. W., et Krathwohl, D. R. (dir.) (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.
2. Biggs, J. (1996). Enhancing teaching through constructive alignment. Higher Education, 32(3), 347–364.
3. Kasneci, E., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.
4. Mishra, P., et Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054.
5. UNESCO (2023). Guidance for generative AI in education and research. UNESCO.
6. Wiggins, G., et McTighe, J. (2005). Understanding by design (2e éd.). ASCD.