L'IA connaît une nouvelle vague, et il ne s'agit pas de chatbots. Ces derniers mois, la donne a changé. Les systèmes d'IA ne se contentent plus de répondre à des questions, ils agissent : ils rédigent des bases de code entières, gèrent des projets complexes et exécutent des tâches à étapes multiples avec une intervention humaine minimale. Des outils comme Clawdbot, un framework d'agents open source qui a connu un succès fulgurant, permettent aux utilisateurs de faire tourner l'IA localement sur leurs propres machines, connectée à leurs applications, pour agir en leur nom. Claude Code est en train de transformer la manière dont les logiciels sont conçus.
McKay Wrigley, un développeur dont je respecte le jugement, a qualifié Opus 4.5 de « point d'inflexion », comparable à ce que Sonnet 3.5 a été pour le code. METR, un organisme d'évaluation indépendant, a constaté que l'horizon temporel sur lequel l'IA peut travailler de manière autonome double tous les quatre à sept mois. Chez Brisk, les ingénieurs délèguent désormais la quasi-totalité de leur codage à l'IA pour se consacrer à la révision, à l'orientation et à la prise de décision.
Ce n'est pas du battage médiatique. Le paradigme des agents fonctionne pour le travail intellectuel et va bouleverser le fonctionnement de nombreux secteurs.
Pourquoi le paradigme des agents échoue auprès des élèves
Un journaliste m'a récemment demandé ce que cela signifiait pour l'enseignement primaire et secondaire. J'y réfléchis depuis un moment, et ma réponse honnête est : probablement beaucoup de vent. Non pas parce que les agents ne sont pas puissants, mais parce que la logique qui les rend efficaces pour l'ingénierie logicielle est quasiment la même que celle qui les rend néfastes pour l'apprentissage. Je ne pense pas que suffisamment de personnes dans le milieu éducatif fassent cette distinction clairement.
La manière la plus simple de le comprendre est de poser la question suivante : quel est l'objectif ?
Dans le logiciel, l'objectif est le résultat. Livrer la fonctionnalité, corriger le bug, déployer le système. Si un agent IA écrit le code à votre place, mieux et plus vite que vous ne l'auriez fait, c'est là tout l'intérêt. L'agent qui effectue le travail est le produit. Le rôle de l'ingénieur consiste de plus en plus à réviser, diriger et décider pendant que l'IA gère l'exécution.
À l'école, l'objectif est inverse. Le résultat (la dissertation, l'exercice, le rapport de laboratoire) est presque secondaire. Ce qui compte, c'est ce qui s'est passé dans le cerveau de l'élève pendant qu'il le produisait.
Un élève qui utilise un agent IA pour terminer un devoir n'a pas été aidé. Il a été privé de la seule chose qui comptait. Le fait que le résultat semble meilleur est, au contraire, pire : cela crée l'illusion d'un apprentissage là où rien n'a été acquis.
Nous en avons désormais la preuve irréfutable. Un essai contrôlé randomisé mené auprès de près d'un millier de lycéens en Turquie, publié dans PNAS, a testé exactement ce scénario. Les élèves ont été répartis en trois groupes : sans accès à l'IA, avec un outil standard de type ChatGPT, et avec un tuteur IA soigneusement encadré, conçu avec l'aide de leurs enseignants.
Les élèves utilisant l'outil d'IA standard ont obtenu des résultats 48 % meilleurs sur les exercices d'entraînement. Ils ont cependant obtenu des résultats 17 % moins bons à l'examen, une fois l'IA retirée. Plus inquiétant encore, ils ne s'en sont pas rendu compte.
Ils étaient convaincus d'avoir appris davantage que le groupe témoin. L'OCDE, dans son rapport « Digital Education Outlook 2026 » publié il y a quelques semaines à peine, a inventé un terme pour cela : la paresse métacognitive. Les élèves ne se déchargent pas seulement du travail, mais aussi de la conscience de leur propre apprentissage.
Le groupe utilisant le tuteur encadré a obtenu de meilleurs résultats (une amélioration de 127 % à l'entraînement), mais lors de l'examen sans assistance, ils n'ont pas fait mieux que les élèves n'ayant jamais utilisé l'IA. Même l'outil d'IA destiné aux élèves le plus soigneusement conçu n'a produit aucun gain d'apprentissage mesurable lors de l'évaluation qui comptait réellement.
Il ne s'agit pas seulement de paresse de la part des élèves. C'est une question structurelle liée à la nature des agents et à celle de l'enseignement primaire et secondaire.
Trois décalages structurels
Décalage 1 : Le problème de l'expert dans la boucle
Les agents sont conçus pour un type de travail spécifique. Ils excellent dans les problèmes ouverts et inédits, où l'humain dans la boucle possède les compétences nécessaires pour évaluer le résultat. Un ingénieur utilisant Claude Code peut relire une pull request, repérer l'erreur, comprendre les compromis et réorienter le tir. L'agent propose, l'expert dispose. Cela fonctionne parce que l'humain dispose des connaissances métier suffisantes pour agir comme un véritable garde-fou face au travail de l'agent.
Un élève de troisième ne peut pas faire cela. Lorsqu'un tuteur IA guide un élève à travers un problème de mathématiques ou rédige un paragraphe pour sa dissertation, l'élève manque précisément des connaissances qu'il est censé acquérir. Il est incapable de déterminer si le raisonnement de l'IA est solide, si une étape a été omise ou si l'explication, bien que fluide, est subtilement erronée.
Le modèle de l'humain dans la boucle s'effondre précisément lorsque l'humain est celui qui est censé apprendre.
Ce n'est pas un problème que de meilleurs prompts ou des garde-fous plus sophistiqués peuvent résoudre. C'est structurel. Par définition, l'élève n'est pas encore l'expert.
Décalage 2 : Travail routinier contre raisonnement inédit
Il existe un second décalage. Les agents sont conçus pour des tâches inédites et généralisables, celles qui exigent un raisonnement flexible sur un terrain inconnu. Or, l'enseignement primaire et secondaire n'a rien d'inédit. Il s'agit de 180 jours de programme structuré et séquentiel. Un professeur de CE2 à Houston et un professeur de CE2 à Memphis enseignent globalement les mêmes normes dans le même ordre. Ce travail est routinier dans le meilleur sens du terme : soigneusement conçu pour construire les connaissances progressivement, chaque leçon s'appuyant sur la précédente. Vous n'avez pas besoin d'une IA qui raisonne à partir de zéro à chaque fois. Vous avez besoin d'un outil qui s'exécute de manière fiable selon un cadre et une progression connus. Le paradigme de l'agent s'attaque au mauvais problème.
Décalage 3 : Effort productif contre effort improductif
Vient ensuite le problème le plus profond, celui que les bons enseignants comprennent intuitivement mais qui est presque totalement absent du débat sur l'IA dans l'éducation : la différence entre l'effort productif et l'effort improductif.
Toutes les difficultés ne se valent pas. Lorsqu'un élève se débat avec un problème de mathématiques complexe et ressent cette friction de ne pas tout à fait y arriver, c'est un effort productif. C'est là que l'apprentissage se produit. Mais lorsqu'un enseignant passe quarante minutes à reformater un plan de cours sur trois plateformes différentes, à différencier manuellement un texte de lecture pour cinq niveaux de compétence, ou à chercher dans un ENT la bonne norme à associer, c'est un effort improductif. Cela n'apporte aucun apprentissage à personne. C'est une pure perte de temps.
Un agent IA polyvalent ne peut pas faire la distinction entre l'effort productif et l'effort improductif. Par défaut, il a tendance à supprimer les deux.
Lorsque vous utilisez un agent avec un élève, il élimine l'effort productif — là où réside l'apprentissage — en même temps que les tâches fastidieuses. C'est ce que l'étude en Turquie a démontré. L'IA a rendu le travail plus facile. Les élèves avaient l'impression d'apprendre. Mais c'est précisément cette facilité qui posait problème.
Ce qui fonctionne réellement pour les élèves
Si les agents autonomes ne sont pas le modèle adapté aux élèves, cela signifie-t-il que l'IA ne devrait jamais interagir avec eux ? Non. Mais l'orientation de l'IA doit être radicalement différente du paradigme de l'agent, et l'enseignant doit garder le contrôle sur les objectifs poursuivis par l'IA.
Imaginons deux approches différentes pour une activité pédagogique assistée par IA. Dans la première, l'élève ouvre une IA généraliste et demande : « Aide-moi à rédiger une dissertation sur les causes de la guerre de Sécession. » L'agent s'exécute. Il rédige un plan, suggère une thèse, propose des paragraphes à retravailler. L'élève obtient une dissertation soignée, avec le vague sentiment d'y avoir participé. C'est le modèle de l'agent appliqué à l'apprentissage, celui-là même qu'a mesuré l'étude en Turquie. Cela ne fonctionne pas.
Dans la seconde approche, l'enseignant crée une activité ancrée dans le programme de la semaine. Le rôle de l'IA n'est pas d'aider l'élève à terminer la tâche, mais de le pousser à démontrer un résultat d'apprentissage précis. L'élève ne peut pas progresser en demandant à l'IA de réfléchir à sa place. L'IA pose des questions, conteste, exige que l'élève articule son raisonnement. La seule façon d'avancer est de prouver sa compréhension. L'enseignant définit l'objectif ; l'IA impose le cheminement.
Dans le premier modèle, l'IA est focalisée sur la tâche, et son indicateur de réussite est l'achèvement de celle-ci. Dans le second, l'IA est focalisée sur l'élève, et son indicateur de réussite est la démonstration de la compréhension par l'élève.
Cette distinction semble minime, mais elle change tout. L'un est un agent. L'autre est un instrument au service de la pédagogie de l'enseignant. C'est ce que nous avons construit avec Brisk Boost: des activités pédagogiques où l'enseignant fixe l'objectif d'apprentissage, où l'IA est ancrée dans le programme réel, et où l'élève doit fournir l'effort intellectuel. Le rôle de l'IA est de rendre l'effort productif inévitable, et non de l'éliminer.
La question n'a jamais été de savoir si l'IA devait interagir avec les élèves. La vraie question est : qui garde le contrôle et quel est l'objectif de l'IA ? Un agent généraliste optimisé pour l'achèvement d'une tâche aura toujours tendance à faire le travail à la place de l'élève. C'est pour cela que les agents sont conçus. Lorsque l'enseignant définit l'objectif pédagogique et que l'IA est contrainte de s'y tenir, la dynamique s'inverse. L'IA devient un outil pour renforcer la rigueur, et non pour la contourner.
Où les agents ont leur place : le flux de travail des enseignants
Le volet enseignant est tout aussi important, et c'est là que le paradigme de l'agent trouve réellement sa place.
Les enseignants sont submergés, non pas par l'enseignement lui-même, mais par tout ce qui l'entoure. Un enseignant utilise quotidiennement une demi-douzaine de plateformes : ENT, logiciel de vie scolaire, portail pédagogique, Google Docs, e-mails, outils de notation. La charge mentale liée à la navigation entre ces systèmes, à la conversion des formats et à l'adaptation manuelle des supports aux besoins des élèves est colossale. Les données montrent que les enseignants utilisant l'IA chaque semaine gagnent en moyenne près de six heures par semaine. Sur une année scolaire, cela représente six semaines complètes de temps récupéré.
Les tâches qui épuisent les enseignants sont précisément celles que les agents maîtrisent : différencier ce chapitre pour trois niveaux de lecture, aligner cette évaluation sur les standards du district, rédiger une communication aux parents sur les objectifs de la semaine, concevoir une activité en petits groupes basée sur la progression du cours. Ce sont des flux de travail contraints, répétables et vérifiables. Ils ne sont ni ouverts, ni inédits. Ce sont les mêmes types de tâches, exécutées des centaines de fois par an, sur la base d'un programme connu.
Et l'enseignant reste l'expert aux commandes. Il examine le résultat de l'IA avant qu'il n'atteigne l'élève. Il corrige l'erreur, ajuste le ton, réoriente l'approche. Le modèle « humain dans la boucle » fonctionne ici car l'humain possède l'expertise métier nécessaire pour évaluer ce que l'agent produit.
C'est ce type d'IA dont l'enseignement primaire et secondaire a réellement besoin : non pas un agent autonome qui raisonne à partir de principes généraux sur ce qu'un élève devrait apprendre ensuite, mais un système qui s'exécute de manière fiable en fonction du programme réel du district: sa progression, ses supports adoptés, ses standards et ses guides de rythme. L'intelligence ne réside pas dans le raisonnement général, mais dans la recherche d'informations, l'ancrage et la fidélité à ce que ce district, dans ce niveau et ce chapitre, enseigne réellement cette semaine.
Le fait que les agents IA transforment l'ingénierie logicielle ne signifie pas qu'ils transformeront tout. La logique du code n'est pas celle de l'apprentissage. Dans le code, vous voulez que l'IA fasse le travail. À l'école, le but même est que l'élève fasse le travail. Traiter l'apprentissage comme une simple tâche de gestion des connaissances à automatiser est une erreur qui pourrait freiner toute une génération d'élèves, tout en donnant l'illusion que des progrès sont accomplis.
La technologie est puissante. La question est de savoir si nous l'orientons vers le travail lui-même, ou vers les personnes censées apprendre grâce à ce travail.
L'opportunité dans l'enseignement primaire et secondaire est réelle et significative, mais elle réside dans le fait de donner le contrôle aux enseignants. Sur le programme scolaire dont s'inspire l'IA. Sur les objectifs d'apprentissage qu'elle vise. Sur les flux de travail qu'elle exécute pour eux. Et non en remettant aux élèves un agent polyvalent en espérant que tout se passe bien.
.webp)
