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.
