#douter

Tribune : Ce que devient la #recherche quand elle doit se vendre

Ce matin, en ouvrant ma boîte mail, j’ai revu une partie de ma vie défiler. Ce qui, à mon âge, commence à prendre un certain temps et nécessite parfois une chaise. Le message m’invitait à « déposer » un projet au Fonds de la Recherche en Haute École (FRHE). Le verbe est important. On ne propose pas un projet. On ne partage pas une idée. On ne confie pas une intuition fragile à la communauté scientifique. Non : on la « dépose ». Comme on dépose un colis, une plainte, un enfant à la garderie ou un animal malade chez le vétérinaire en espérant qu’il revienne vivant.

J’ai donc relu le mail. Puis je l’ai relu encore, avec cette forme particulière d’attention que l’on réserve aux convocations administratives, aux résultats médicaux et aux messages commençant par « dans le cadre de la rationalisation de nos services ». Et là, une certitude m’est revenue : j’avais quitté la #recherche_académique il y a près de quinze ans non pas par accident, ni par paresse, ni parce que je préférais enfin dormir la nuit, mais par instinct de survie.

Car être chercheur, au départ, c’est magnifique. C’est se tenir devant le monde avec la #stupéfaction d’un enfant qui démonte un réveil pour comprendre #pourquoi le temps fait du bruit. C’est poser des #questions là où tout le monde s’est habitué à répondre par des PowerPoint. C’est observer, douter, recommencer, se tromper, lire trop, boire trop de café, puis trouver parfois une petite chose vraie au milieu d’un grand tas de choses prétentieuses.

La recherche, dans sa version primitive, presque sauvage, consiste à dire : « Je ne comprends pas, donc je vais chercher. » La recherche académique contemporaine consiste plus souvent à dire : « Je ne comprends pas encore, mais je peux déjà remplir la case 12B relative aux livrables transférables et aux indicateurs d’impact transversal. » C’est moins romantique, mais ça rentre mieux dans un tableur Excel.

Et c’est là que le #pouvoir_politique intervient. Non pas pour dire aux chercheurs : « Allez, secouez-nous cette société, critiquez-nous, montrez-nous ce qui cloche, aidez-nous à inventer autre chose. » Ce serait dangereux. Des chercheurs qui cherchent vraiment finissent toujours par poser des questions désagréables. Pourquoi les pauvres sont-ils pauvres ? Pourquoi les riches sont-ils riches ? Pourquoi l’école reproduit-elle ce qu’elle prétend combattre ? Pourquoi l’innovation ressemble-t-elle si souvent à une machine à vendre des objets inutiles avec une application mobile ?

Non. Le pouvoir politique préfère une recherche bien élevée. Une recherche coiffée, budgétée, évaluée, classée, managée. Une recherche qui dit « #impact_sociétal » avant même d’avoir eu le temps d’émettre une #pensée. Une recherche qui, comme un produit bien emballé, promet à l’avance qu’elle sera utile, rentable, transférable, valorisable, visible, durable, inclusive, innovante, interdisciplinaire et probablement biodégradable. Le tout pour une enveloppe qui permet de financer quelques projets et d’en laisser beaucoup d’autres sur le carreau.

Lors de l’appel FRHE 2024, 37 projets éligibles ont été soumis et 9 ont été sélectionnés, soit environ un projet sur quatre. C’est un système qui demande à des équipes entières de consacrer des semaines, parfois des mois, à construire une cathédrale administrative dont les trois quarts finiront au cimetière des PDF. Il faut être banquier pour y voir une #politique_scientifique. Un terme plus approprié pourrait être « machine à trier les vocations » : quelques-unes ressortent financées, les autres apprennent à appeler leur découragement « résilience ».

Le chercheur enthousiaste commence par lire le règlement. C’est son premier test. S’il survit, il découvre qu’il doit formuler une question de recherche, constituer un consortium, prévoir un calendrier, détailler les lots de travail, anticiper les résultats, décrire les risques, montrer l’impact, prouver la faisabilité, quantifier l’innovation, expliquer la dissémination, prévoir la valorisation, intégrer le genre, les objectifs de développement durable, la transition numérique, la transition écologique, la transition énergétique, la transition administrative et, si possible, la transition vers un état psychique compatible avec la poursuite de son existence.

Ensuite vient l’#évaluation. Là aussi, tout est prévu pour rassurer. Votre projet ne sera pas abandonné à l’arbitraire d’une seule personne mal lunée ayant mal dormi dans un hôtel Ibis avant de lire votre résumé. Non. Il sera examiné par plusieurs experts, avec des critères pondérés. Pour le FRHE 2025-2026, les critères annoncés étaient par exemple la qualité scientifique, l’impact sociétal potentiel et la qualité de mise en œuvre, respectivement pondérés à 60 %, 30 % et 10 %. C’est beau, la pondération. Ça donne à l’injustice éventuelle une allure de recette de cake. Vous avez donc deux experts scientifiques. S’ils ne sont pas d’accord, on en ajoute un troisième, ce qui rappelle cette grande vérité démocratique : quand deux personnes ne suffisent pas à produire une décision discutable, il faut en trouver une troisième.

Puis arrive le moment merveilleux de l’impact. L’impact, c’est l’avenir radieux de la recherche. Avant, on demandait à une recherche si elle était juste, rigoureuse, originale. Aujourd’hui, on lui demande si elle va avoir de l’impact, comme une campagne de publicité pour une lessive, une trottinette connectée ou une nouvelle gamme de yaourts au bifidus. Votre projet étudie les inégalités scolaires ? Très bien. Quel impact ? Votre projet analyse les violences institutionnelles ? Très bien. Quel impact ? Votre projet montre que l’obsession de l’impact détruit les conditions mêmes d’une pensée critique ? Très intéressant. Mais pourriez-vous préciser l’impact de votre critique de l’impact, idéalement sous forme d’indicateurs mesurables ?

Et puis, au bout de la chaîne, il y a le #gouvernement. C’est lui qui sélectionne finalement les projets financés. Il faut reconnaître que c’est pratique. Si votre recherche risque d’être trop critique envers le #pouvoir, elle pourra toujours produire un effet mesurable : non pas sur la société, bien sûr, ni sur les politiques publiques ou sur votre compte bancaire, mais sur votre niveau de désillusion institutionnelle. Ce n’est pas exactement un indicateur d’impact, mais il a l’avantage d’être robuste. On me dira : « Mais enfin, tu exagères. Il faut bien évaluer. Il faut bien choisir. L’argent public n’est pas infini. » Bien sûr. C’est même précisément le problème : on organise la #rareté, puis on appelle « #excellence » la capacité à survivre dedans. On affame un secteur, puis on félicite les plus musclés d’avoir réussi à ramper jusqu’à la gamelle.

Apparaît alors la figure centrale de la recherche contemporaine : celle du bon chercheur, reconnaissable à la taille de son H-index. Jadis, les savants avaient des idées, des controverses, des correspondances, parfois des barbes. Aujourd’hui, ils ont des #indicateurs. Le #H-index est cette merveilleuse invention qui permet de donner une #apparence_scientifique à une vieille passion humaine : comparer la taille de ses attributs symboliques en prétendant parler d’excellence.

La communauté scientifique elle-même sait pourtant que ces métriques posent problème. La #Déclaration_de_San_Francisco_sur_l’évaluation_de_la_recherche — #DORA — appelle à améliorer les façons d’évaluer la #production_scientifique et critique notamment l’usage abusif des #indicateurs_bibliométriques dans les décisions d’évaluation. Mais c’est comme les recommandations nutritionnelles : tout le monde sait qu’il faut manger moins gras, moins sucré, moins salé, et pourtant la frite sauce andalouse continue d’avoir un avenir institutionnel solide.

Quand un chercheur devient vraiment « bon », c’est-à-dire quand ses indicateurs atteignent une taille socialement enviable, il est promu. Et quand il est promu, souvent, il ne cherche plus. Il coordonne, pilote, supervise. Il rédige des projets permettant d’obtenir l’argent qui permettra d’engager des chercheurs précaires qui, eux, chercheront vraiment, publieront vraiment, s’épuiseront vraiment, et contribueront discrètement à l’élargissement de l’attribut du chef.

Le chercheur précaire devient alors une sorte de complément alimentaire pour carrière académique. On le recrute pour deux ans, parfois trois, le temps qu’il produise des données, des articles, des rapports intermédiaires, des rapports finaux, des communications, des annexes, des preuves d’impact, puis on lui explique avec beaucoup d’émotion que son contrat touche à sa fin, mais que son travail a été très apprécié. Et c’est bien vrai. Son travail a été tellement apprécié qu’il est désormais dans le CV de quelqu’un d’autre.

Je force le trait ? À peine. La #précarité académique est devenue un sujet de recherche en soi. Admirez plutôt : le système produit de la précarité, puis finance des recherches précaires sur la précarité des chercheurs. Des articles récents parlent même du #precarity_dividend (prime à la précarité), le bénéfice que certains acteurs plus stables peuvent tirer du travail des chercheurs précaires. C’est la version universitaire de la spéculation boursière : on mise sur l’#exploitation à bas coût de travailleurs précaires pour gonfler son portefeuille de publications, puis on liquide l’humain dès que le dividende est encaissé.

Et maintenant, voilà que les Hautes Écoles sont invitées à entrer pleinement dans cette grande fête. Elles aussi doivent devenir des actrices de la recherche, de l’innovation, du développement, du rayonnement, de la compétitivité, de l’écosystème. Elles aussi doivent parler la langue merveilleuse des appels à projets, des livrables, des partenariats stratégiques, de la valorisation, des objectifs transversaux et de l’impact sociétal potentiel.

Je ne nie pas qu’il existe de beaux projets, des collègues sincères, des recherches utiles, des équipes courageuses. Bien sûr qu’il y en a, et c’est même ce qui rend la situation plus triste. Ce système fonctionne parce qu’il capture des désirs authentiques : celui de découvrir, de comprendre, d’agir, de faire mieux. Mais ces désirs, au lieu d’être soutenus, sont dévoyés pour exacerber la #compétition de chacun contre tous. On ne demande pas aux chercheurs de chercher. On leur dit :

« Convainquez-nous que vous méritez peut-être d’avoir le droit de chercher, à condition de prouver avant de commencer que ce que vous n’avez pas encore trouvé produira des résultats mesurables dans les vingt-quatre mois. »

La scène est presque belle, si l’on aime l’absurde. Pour avoir le droit de chercher, il faut d’abord expliquer ce que l’on va trouver. Pour avoir le droit de découvrir, il faut prédire la découverte. Pour avoir le droit de #douter, il faut remplir une grille dans laquelle le doute n’apparaît nulle part.

Alors oui, cher·es collègues enthousiastes, déposez des projets si vous le voulez. Faites-le même, parfois, parce qu’il faut bien arracher quelques moyens là où ils se trouvent. Mais ne confondez pas le guichet avec la recherche. Ne confondez pas l’appel à projets avec l’appel du large. Ne confondez pas le formulaire avec la pensée. Le danger n’est pas seulement que quelques projets soient refusés. Le danger est plus discret, plus profond, plus quotidien : c’est que nous finissions par intérioriser cette logique. Que nous apprenions à nous vendre avant de penser. À calibrer nos questions avant de les poser. À traduire nos colères en livrables, nos doutes en indicateurs, nos intuitions en diagrammes de Gantt.

Ce matin, en refermant ce mail, je me suis souvenu de la lettre de démission d’Annick Stevens que j’avais lue à la fin de ma thèse comme on lit un avertissement. Elle y décrivait une université renonçant peu à peu à sa fonction critique, absorbée par l’économisme, la concurrence et les standards productivistes. Je croyais alors lire le témoignage d’un monde que j’étais en train de quitter. Près de quinze ans plus tard, je comprends que je lisais peut-être la brochure d’accueil du monde qui arrivait.

Les Hautes Écoles aussi ont désormais leur vocabulaire de start-up, leur arobase pour faire moderne et probablement bientôt leur baby-foot stratégique. On nous dira que c’est le progrès. Que c’est une reconnaissance. Que c’est une chance. Mais une chance de quoi ? De chercher vraiment ? Ou d’apprendre à promettre, à calibrer, à séduire, à convertir nos questions en dossiers recevables ?

Si la recherche sert encore à quelque chose, c’est peut-être d’abord à refuser les évidences trop bien emballées. Et celle-ci en particulier : ce n’est pas parce qu’un système finance quelques recherches qu’il la soutient. Parfois, il l’organise simplement de manière à ce qu’elle ne dérange pas trop.

– Un lecteur

▻https://mrmondialisation.org/tribune-recherche-se-vendre
#projets #appels_à_projets #financement #ESR #université

L’#université à l’épreuve des machines

Les #IA génératives n’ouvrent pas seulement un nouveau chapitre de la #fraude_académique. Elles déstabilisent plus profondément le #régime_de_preuve sur lequel l’université s’est longtemps reposée : nous avons pris des textes finis pour des signes d’#apprentissage. Lorsque des réponses plausibles deviennent triviales à produire, l’enjeu n’est plus de protéger des devoirs, mais de former et d’éprouver le #jugement.

À l’été 1956, à Dartmouth, un petit groupe de chercheurs se réunit autour d’une hypothèse que beaucoup tenaient pour de la science-fiction : tout aspect de l’apprentissage pourrait, en principe, être décrit avec une précision suffisante pour être simulé par une machine. C’est là que fut forgée l’expression « #intelligence_artificielle ». Près de soixante-dix ans plus tard, les descendants de ce pari composent des textes, du code et des argumentaires avec une aisance qui peut passer, au premier regard, pour celle d’un esprit cultivé. La question qu’ils posent à l’université n’est pas seulement technique. Elle est institutionnelle : que certifions-nous au juste lorsque nous disons qu’un étudiant a appris ?

On affirme volontiers que l’intelligence artificielle a créé une crise de l’#éducation. C’est inexact. Elle a surtout rendu impossible à dissimuler une confusion beaucoup plus ancienne. Pendant des années, les universités ont récompensé la #fluidité plus que la #compréhension, le poli plus que la profondeur, la #performance plus que le #jugement. Tant que produire un texte cohérent demandait du #temps, de l’#effort et une #compétence relativement rare, l’illusion tenait. Elle ne tient plus. Lorsqu’un étudiant peut obtenir en quelques minutes une #dissertation propre, structurée et plausible en donnant quelques consignes à un #modèle_de_langage, la vraie question n’est plus seulement celle de la #fraude. Elle est de savoir ce que nos exercices mesuraient réellement.

J’en ai eu récemment une illustration simple. Un étudiant me présente un brouillon impeccable : phrases nettes, transitions soignées, argumentation apparemment maîtrisée. Je lui demande pourquoi une proposition découle de la précédente. Il hésite, puis se met à décrire le texte comme on décrirait un objet : ce qu’il contient, l’effet qu’il produit, l’usage qu’on peut en faire. Le #texte avait été généré avec l’aide d’un modèle, puis retouché. Il était correct. Il n’était pas habité. Ce qui frappait n’était pas l’usage de l’outil, mais la dissociation entre l’#aisance_verbale et le #travail_de_la_pensée. Le problème n’était pas seulement l’#auctorialité du texte ; c’était l’effondrement du lien entre la #production_d’un_écrit et la #preuve_d’un_apprentissage.

Produire un résultat, former un jugement

C’est ce lien que l’IA fragilise. L’université moderne a longtemps traité la #production_finie comme l’indice suffisant d’un travail intérieur : un devoir rendu, un commentaire composé, une note de synthèse, un mémoire. Or produire un résultat n’est pas former un jugement. Certaines opérations peuvent être déléguées parce qu’elles visent un objet extérieur : mettre en forme, résumer, reformuler, ordonner des matériaux. D’autres changent de nature dès qu’on prétend les déléguer : remarquer ce qui résiste, identifier une faille, peser une objection, décider qu’une conclusion ne suit pas, répondre de ce que l’on avance. Ces actes n’ont d’effet que si une personne les accomplit. Leur fin n’est pas seulement de produire un énoncé ; elle est de former celui qui l’énonce.

Formulé autrement, le problème n’est pas d’abord qu’un texte généré puisse ressembler à un texte d’étudiant. Il est que l’institution ait peu à peu cessé de distinguer entre un artefact verbal convaincant et une pensée véritablement éprouvée. Ce que l’IA met en crise, ce n’est donc pas seulement l’#authenticité des copies ; c’est le type d’épreuve à partir duquel l’université prétend reconnaître une formation.

Le cas français est ici instructif à condition de ne pas le mythifier. Certaines de ses formes les plus exigeantes – dissertation, khôlle, soutenance, oral de concours – ont longtemps reposé sur une intuition simple : un texte ne suffit pas, encore faut-il qu’un sujet en réponde. Mais la #massification_universitaire, la #bureaucratisation de l’#évaluation et la multiplication des #livrables ont, là aussi, restauré le règne du produit fini. L’intérêt de ces traditions n’est donc pas de fournir un refuge nostalgique. Il est de rappeler qu’une #épreuve_intellectuelle est d’abord un dispositif de mise en #responsabilité.

On aurait tort d’y voir le privilège de quelques filières d’élite. La logique qui importe n’est pas sociale ; elle est épistémique : rendre visible, dans un échange, ce qu’aucun livrable ne montre à lui seul.

L’ignorance de qualité

Ce point vaut aussi pour la recherche. Le scientifique ne travaille pas seulement avec du #savoir_établi ; il travaille avec des #problèmes. Ou, selon la formule du biologiste Stuart Firestein, avec de « l’#ignorance_de_qualité » : une conscience disciplinée de ce qui #manque, de ce qui ne tient pas encore, de la question qui n’a pas trouvé sa forme définitive. L’image est celle d’un cercle qui s’élargit : plus le savoir croît, plus sa circonférence – c’est-à-dire la frontière avec ce que nous ne comprenons pas encore – s’étend. La #découverte ne vit pas au centre du cercle, dans l’archive stabilisée de ce qui a été établi. Elle vit à la périphérie, là où les #certitudes se dissolvent et où les #questions n’ont pas encore reçu de réponse.

Je le vois au quotidien dans ma propre discipline, la biologie mathématique. Formuler une hypothèse féconde n’est pas un exercice de combinatoire sur ce qui est déjà publié. C’est un acte qui commence par une perception : quelque chose ne colle pas dans les données, un résultat établi n’est pas aussi robuste qu’on le croit, une question importante se dissimule derrière des formulations convenues. Cet acte de perception précède la méthode. Il suppose qu’un esprit ait séjourné assez longtemps dans l’#incertitude pour sentir, presque physiquement, où se trouve le problème digne d’être posé. C’est un travail de longue haleine, qui ne se transmet pas par simple énonciation.

Les grands modèles de langage opèrent avec une virtuosité remarquable dans le domaine du déjà-dit. Ils synthétisent, recombinent, prolongent l’archive. Lorsqu’ils paraissent proposer une hypothèse nouvelle, ils remontent en réalité une hypothèse connue ou oubliée depuis l’intérieur de leurs données d’entraînement. Ils ne séjournent pas dans l’incertitude comme le fait un esprit engagé dans une #enquête. Ils ne sentent pas, de l’intérieur, qu’un raisonnement est creux malgré sa correction apparente. Ils peuvent étendre le discours ; ils ne peuvent pas assumer la responsabilité de la #vérité. Former des chercheurs, c’est former des esprits capables de se tenir à la circonférence du cercle. Ce n’est pas seulement leur transmettre ce qui est su ; c’est leur apprendre à habiter ce qui ne l’est pas.

C’est pourquoi la #recherche n’est pas un supplément prestigieux à la mission pédagogique de l’université. Un enseignant qui travaille lui-même à la frontière du connu n’apporte pas seulement un stock de contenus : il introduit les étudiants à une certaine manière d’habiter l’incertitude, de formuler une objection, d’accepter qu’une bonne question vaille davantage qu’une réponse prématurée. L’université commence à perdre sa raison d’être lorsqu’elle sépare trop nettement #transmission, recherche et #jugement. Cette proximité avec la recherche n’est pas un luxe réservé à quelques-uns ; elle est la condition d’une université qui ne se contente pas d’administrer des connaissances.

Les deux fausses sorties

D’où l’insuffisance des deux réponses les plus répandues. La première est l’#interdiction : détecteurs, surveillance, inflation réglementaire. Elle est vouée à l’épuisement. Ces outils sont déjà trop présents pour être tenus durablement hors des salles de cours, et il serait absurde de former des diplômés condamnés à ignorer la technologie la plus structurante de leur époque. La seconde est la #capitulation_managériale : réduire l’université à une école d’adaptation où l’on apprend surtout à rédiger de bonnes consignes et à exploiter plus vite les outils. L’étudiant devient alors un opérateur. Dans les deux cas, on présuppose que la mission de l’université consiste avant tout à produire des réponses. C’est précisément ce que l’IA nous oblige à réexaminer.

La bonne réponse est plus exigeante. Elle consiste moins à inventer une mission nouvelle qu’à rendre à l’université sa tâche propre : former le jugement en mettant les esprits à l’épreuve. Cela suppose davantage d’écriture en présence, davantage de défense orale des arguments, davantage de séminaires organisés autour de questions réelles plutôt que de réponses attendues. Une conversation de dix minutes suffit souvent à distinguer une idée comprise d’une idée seulement produite. Si l’étudiant utilise l’IA, qu’il le dise, qu’il en montre les traces, qu’il explique ce qu’il a gardé, écarté, reformulé, et pourquoi. L’enjeu n’est pas la police des usages ; c’est la responsabilité de l’énonciation.

À Dartmouth, là même où l’expression « intelligence artificielle » fut inventée, nous commençons à intégrer ces outils non comme des raccourcis, mais comme des occasions de #rigueur. Dans certains séminaires d’écriture de première année, les étudiants peuvent demander à un modèle de proposer des contre-arguments ou des interprétations alternatives. Puis le vrai travail commence : annoter ce que l’outil a produit, repérer ce qui est inexact ou inventé, défendre à voix haute les choix retenus et ceux qui ont été écartés. Un étudiant est ainsi arrivé avec un paragraphe élégamment rédigé et une citation assurée. Lorsqu’on lui a demandé d’où venait la source, le silence s’est installé. Il a fallu remonter pas à pas le fil du texte généré, reconnaître que la référence n’existait pas, puis reprendre l’argument en nommant cette fois l’incertitude plutôt qu’en la recouvrant. L’outil avait accéléré la rédaction ; le séminaire a exigé le jugement.

Le principe du #tutorat

Paradoxalement, la solution la plus moderne est peut-être l’une des plus anciennes : le principe du tutorat. Il ne s’agit pas d’un artifice institutionnel hérité d’Oxford ou de Cambridge, mais d’une forme pédagogique dont la logique philosophique est beaucoup plus ancienne. La #disputatio médiévale, l’#entretien_socratique, la soutenance de thèse – toutes ces pratiques partent d’une même intuition : la pensée véritable se manifeste et se vérifie dans le #dialogue, lorsqu’un esprit doit répondre à la question qu’un autre esprit lui pose.

Ce que le tutorat met à l’épreuve n’est pas la mémoire, ni même la qualité du texte préalablement rédigé. C’est la capacité de l’étudiant à habiter son propre #argument : à en suivre les implications lorsqu’elles sont contestées, à reconnaître les points où il avait escamoté la difficulté, à reformuler en temps réel lorsqu’une objection oblige à préciser. Cette épreuve ne peut être simulée. Non parce que la machine manquerait d’intelligence, mais parce que l’acte dont il s’agit est, par sa nature même, celui d’une personne qui répond de ce qu’elle a dit.

Un étudiant écrit, puis s’assoit face à un enseignant ou à un chercheur et soutient son #argumentation dans une #conversation. Il devient alors difficile de se cacher derrière l’élégance de surface. Une machine peut fournir un texte ; elle ne peut ni répondre de ce qu’elle affirme, ni porter la responsabilité d’une idée. Ce n’est pas un archaïsme pédagogique. C’est peut-être, dans l’âge des machines à réponses, la forme la plus contemporaine de l’exigence universitaire.

Généraliser ce principe ne suppose pas de copier la forme sociale du tutorat anglais. Il s’agit d’en adopter la logique : des séminaires qui culminent dans une #défense_orale ; des laboratoires où l’étudiant doit expliquer ce qu’un résultat dit et ce qu’il ne dit pas ; une pédagogie de l’écriture qui rend visible le travail de #révision et exige que l’étudiant assume ses #choix. Dans le monde français, les traditions de la dissertation orale, de la khôlle et de la soutenance fournissent des points d’ancrage précieux. Elles ne sont pas à ranger au musée. Elles sont à réactiver.

L’université et le jugement démocratique

Les enjeux de cette redéfinition dépassent de beaucoup les murs de l’université. L’IA amplifiera tout à la fois le savoir et le bruit, la productivité et la manipulation, la connaissance et la #désinformation. Dans un tel environnement, la compétence la plus précieuse n’est pas celle de produire rapidement des énoncés vraisemblables – les machines le feront toujours mieux que nous. C’est celle d’évaluer ce que l’on reçoit, de distinguer un argument d’une #rhétorique, de reconnaître les signes d’une fabrication, et de changer d’avis sans humiliation lorsque les preuves l’exigent.

Aucune #démocratie ne survit à long terme si ses citoyens confondent la fluidité d’un énoncé avec sa vérité. Or la fluidité, désormais, est gratuite. Dans les mois qui viennent, elle sera mise au service aussi bien du commerce que de la propagande, de la science que du charlatanisme, de la délibération publique que de l’influence algorithmique. Les institutions qui forment des esprits capables de résister à cette saturation – qui apprennent à peser, à #douter, à #réviser – jouent donc un rôle civique que l’on ne peut pas sous-traiter. L’université est la première de ces institutions, non par privilège, mais par fonction.

Cette fonction n’est pas nouvelle. Elle est consubstantielle à l’idée d’#enseignement_supérieur telle qu’elle s’est formée dans la tradition européenne : former des personnes capables de peser des #preuves, d’articuler une #conviction, et d’en porter la #responsabilité_publique. Ce que l’IA met en demeure, ce n’est pas cette tradition ; c’est la dérive qui a, dans trop d’institutions, substitué à la formation du jugement la certification de productions.

Ce qui se déplace

L’université n’aura pas à rivaliser avec les machines sur le terrain des réponses. Elle perdrait d’avance, et ce serait une erreur de terrain. Son avenir dépend d’autre chose : sa capacité à redevenir le lieu où l’on apprend non seulement à produire des énoncés plausibles, mais à en répondre. À mesure que les réponses deviennent abondantes, la rareté se déplace. Elle ne réside plus dans l’#information, mais dans la formation d’un esprit capable d’assumer un jugement, de l’exposer à la #contradiction, de le réviser et d’en porter la responsabilité.

C’est dans ce déplacement que se joue l’avenir de l’institution. Les universités qui persisteront à produire des diplômes au sens administratif – des certificats adossés à des livrables acceptables – trouveront dans l’IA un concurrent imbattable et un révélateur. Celles qui redécouvriront leur tâche propre – former des esprits capables de juger – découvriront que la technologie qui semblait les menacer avait en réalité clarifié leur mission. L’âge de la machine à réponses est peut-être, paradoxalement, celui où l’université retrouve ce pour quoi elle a été faite.

►https://aoc.media/analyse/2026/05/12/luniversite-a-lepreuve-des-machines
#AI #intelligence_artificielle #à_lire

–—

Je retiens notamment :

D’où l’insuffisance des deux réponses les plus répandues. La première est l’interdiction : détecteurs, surveillance, inflation réglementaire. Elle est vouée à l’épuisement. Ces outils sont déjà trop présents pour être tenus durablement hors des salles de cours, et il serait absurde de former des diplômés condamnés à ignorer la technologie la plus structurante de leur époque. La seconde est la capitulation managériale : réduire l’université à une école d’adaptation où l’on apprend surtout à rédiger de bonnes consignes et à exploiter plus vite les outils. L’étudiant devient alors un opérateur. Dans les deux cas, on présuppose que la mission de l’université consiste avant tout à produire des réponses. C’est précisément ce que l’IA nous oblige à réexaminer.

La bonne réponse est plus exigeante. Elle consiste moins à inventer une mission nouvelle qu’à rendre à l’université sa tâche propre : former le jugement en mettant les esprits à l’épreuve. Cela suppose davantage d’écriture en présence, davantage de défense orale des arguments, davantage de séminaires organisés autour de questions réelles plutôt que de réponses attendues. Une conversation de dix minutes suffit souvent à distinguer une idée comprise d’une idée seulement produite. Si l’étudiant utilise l’IA, qu’il le dise, qu’il en montre les traces, qu’il explique ce qu’il a gardé, écarté, reformulé, et pourquoi. L’enjeu n’est pas la police des usages ; c’est la responsabilité de l’énonciation.