Des élèves sont assis en rangées face au tableau, tandis qu’un système d’IA présente du contenu depuis la place traditionnellement occupée par l’enseignant. Notre illustration saisit une tension dans notre manière d’imaginer l’éducation : la lueur bleue évoque la modernité, mais la salle de classe conserve son agencement familier. Les élèves reçoivent du contenu, l’enseignant en contrôle la transmission et la salle dirige l’attention vers une source unique. La technologie change, tandis que l’architecture pédagogique reste en place.

Pourtant, rapport après rapport, y compris ceux d’institutions réputées, on nous sert cette belle lueur bleue de foutaises. Cette répétition importe, car les organisations qui inspirent confiance contribuent à définir ce qui constitue un progrès éducatif. Lorsque leurs images placent l’IA dans une salle de classe familière, elles inscrivent dans la promesse de changement des présupposés concernant le temps scolaire, l’évaluation et l’autorité. La technologie endosse un rôle existant, tandis que la conception de l’éducation échappe à l’examen critique. Notre illustration attire l’attention sur ce schéma ; une image ne peut établir comment une institution donnée enseigne.

L’intelligence artificielle révèle à quel point l’éducation repose sur des pratiques fragiles : des travaux qui confondent production textuelle et réflexion, des évaluations qui récompensent la répétition avant le jugement, des politiques qui délèguent la confiance aux procédures administratives et des affirmations d’innovation dont les effets sur l’expérience vécue de l’apprentissage restent incertains.

Ces dernières années, cette tension a cessé d’être abstraite. Dans les salles des professeurs, les réunions de direction, les commissions universitaires, les ministères, les services d’accréditation et les conseils d’administration, l’IA est passée du statut de curiosité technologique à celui de problème institutionnel quotidien. Les enseignants font face à des travaux étudiants dont ils peinent à déterminer qui les a produits. Les établissements réécrivent dans l’urgence leurs politiques d’intégrité académique. Les systèmes éducatifs tentent de répondre à des technologies qui évoluent plus vite que les cadres institutionnels censés les régir.

L’expansion rapide des systèmes génératifs exerce une pression compréhensible sur les organisations éducatives. Les directions d’établissement, les enseignants, les responsables institutionnels et les décideurs publics doivent répondre à des problèmes immédiats : intégrité académique, refonte des programmes, gouvernance des données et inégalités d’accès. Pourtant, lorsque la discussion reste limitée à l’adoption, au contrôle ou à la formation à l’utilisation des outils, l’intelligence artificielle se trouve réduite à une question de mise en œuvre. Ce déplacement appauvrit le débat, car choisir un outil engage les institutions dans des décisions sur la manière dont il réorganise les conditions de l’apprentissage, de l’enseignement, de l’évaluation et de la gouvernance institutionnelle.

Dans ce contexte, des organisations internationales, des ministères de l’éducation, des universités, des établissements scolaires et des entreprises technologiques ont produit des guides, des programmes de formation, des déclarations de politique et des cadres destinés à organiser l’intégration de l’intelligence artificielle dans l’éducation. Ce travail peut être utile, mais il ne suffit pas, à lui seul, à expliquer les enjeux. Il doit relier le choix des outils aux questions de savoir, d’autorité, d’évaluation et de gouvernance institutionnelle.

L’histoire des technologies éducatives montre que ce schéma n’a pas commencé avec l’intelligence artificielle (Tyack & Cuban, 1995). Les manuels scolaires, les calculatrices, les ordinateurs personnels, Internet et les téléphones mobiles ont chacun été présentés, à différents moments, comme des menaces ou des promesses de transformation. Dans chaque cas ont suivi l’urgence, la résistance, la réglementation et la modernisation.

Pourtant, de nombreux établissements ont changé leurs équipements tout en conservant leurs manières d’organiser l’enseignement et l’apprentissage. Dans Tinkering toward Utopia (titre original en anglais), Tyack et Cuban (1995) examinent comment les établissements remodèlent les réformes à travers leurs routines existantes. Leur analyse suggère qu’une institution peut adopter un nouvel outil tout en préservant les pratiques qui déterminent son rôle. Cela aide à comprendre pourquoi un changement technologique peut laisser intacte l’organisation de l’apprentissage.

Ce point est central dans la période actuelle. Malgré des décennies d’innovation technologique, de nombreuses institutions continuent d’organiser l’apprentissage au moyen de structures rigides et de modèles fondés sur la conformité. Même lorsque les plateformes, les interfaces et le vocabulaire des politiques changent, les façons fondamentales dont les établissements gèrent le temps, définissent la performance et répartissent l’autorité peuvent demeurer inchangées. L’intelligence artificielle rend cette tension plus visible, car elle modifie les conditions d’accès, de production et de circulation des connaissances, alors que de nombreuses institutions tentent d’y répondre à partir de modèles organisationnels conçus pour une autre époque.

La crise contemporaine de l’éducation associe des insuffisances technologiques et administratives à une perte de finalité institutionnelle, à une érosion de la confiance, à une réduction de la capacité d’agir des enseignants et des apprenants et à une difficulté à imaginer d’autres façons d’organiser l’apprentissage. L’IA met ces tensions en évidence lorsque les institutions doivent décider comment réagir.

L’illusion de l’innovation

De nombreuses initiatives actuelles en matière d’IA se présentent comme une transformation éducative, alors que leurs principaux usages continuent d’automatiser des pratiques existantes : générer des exercices, corriger des textes, produire des résumés, surveiller les manquements à l’intégrité académique et accélérer les tâches administratives (Xia et al., 2024 ; Kizilcec et al., 2024). Dans ces cas, les responsables définissent l’innovation par l’intégration d’outils, laissant sans réponse les questions institutionnelles les plus difficiles.

Comment l’évaluation change-t-elle lorsque des systèmes génératifs peuvent produire des textes complexes ? Comment faut-il redistribuer le temps des enseignants lorsque les tâches administratives peuvent être automatisées ? Comment l’autorité se réorganise-t-elle lorsque les connaissances circulent dans des systèmes distribués ? Ces questions exigent une discussion institutionnelle et politique plus approfondie que la seule production de consignes d’utilisation.

Des travaux récents sur la gouvernance de l’IA avertissent que l’adoption accélérée de systèmes opaques peut renforcer l’automatisation, la surveillance et la prise de décision non transparente en l’absence d’un contrôle public effectif (Taeihagh, 2025 ; Williamson, Molnar, & Boninger, 2024). Les institutions qui utilisent ces systèmes peuvent renforcer des pratiques dont les effets sur la confiance et l’autorité méritent un examen critique.

Ces questions dépassent la salle de classe, car les fournisseurs de systèmes d’IA peuvent façonner les choix offerts aux enseignants et aux étudiants. Examiner cette influence exige de relier l’utilisation d’un outil à la question de savoir qui le contrôle.

Questions pour les responsables éducatifs

  • Quelles plateformes d’IA l’institution utilise-t-elle ?

  • Quelles données concernant les étudiants, les enseignants ou l’institution ces plateformes collectent-elles ?

  • Qui peut auditer les systèmes utilisés ?

  • Quelles décisions éducatives sont influencées par des fournisseurs externes ?

  • Quelles capacités professionnelles les équipes de direction et les équipes enseignantes doivent-elles développer ?

Plateformes, pouvoir et souveraineté éducative

Le deuxième problème concerne le rôle des grandes plateformes technologiques dans la réorganisation de l’éducation. Une grande partie de l’infrastructure d’IA qui entre dans les écoles, les universités, les systèmes de formation et les organismes publics appartient à des entreprises privées qui fonctionnent selon des modèles de développement fermés, une collecte intensive de données et des mises à jour constantes des systèmes. Les institutions éducatives intègrent des outils dont elles n’ont pas les moyens d’inspecter, de modifier ou de superviser les mécanismes internes. Cette situation dépasse l’adoption de logiciels, car elle touche aux conditions dans lesquelles les connaissances sont produites, diffusées et validées.

Les plateformes organisent les interactions, hiérarchisent les contenus, enregistrent les comportements et façonnent les formes du travail intellectuel à travers les services qu’elles fournissent. Dans les contextes éducatifs, ces décisions ont une portée pédagogique, car elles influencent les questions posées, les sources qui paraissent pertinentes, les formes de production qui deviennent suspectes et les modes de participation qui se normalisent. L’institution peut conserver la responsabilité éducative formelle, mais une partie de son autorité opérationnelle se déplace vers des systèmes conçus et gouvernés par des acteurs externes.

Ce phénomène reflète des débats plus larges sur la concentration du pouvoir technologique et l’extraction des données. Les recherches critiques sur les plateformes numériques ont montré comment les activités quotidiennes peuvent devenir des sources de données, d’influence algorithmique et de dépendance institutionnelle (Benjamin, 2019 ; Couldry & Mejías, 2019 ; van Dijck, Poell, & de Waal, 2018).

L’éducation participe à cette dynamique lorsque des activités académiques ordinaires sont intégrées à des systèmes privés que les institutions éducatives ne contrôlent pas.

La réflexion, l’exploration et la production intellectuelle des étudiants et des enseignants peuvent devenir des ressources commerciales pour des plateformes externes.

Ces usages des données relient la protection de la vie privée à la gouvernance, car le contrôle du système détermine qui peut en superviser l’utilisation. Lorsque des plateformes privées contrôlent des infrastructures essentielles à l’apprentissage, les institutions perdent leur capacité pratique à déterminer le fonctionnement de leurs environnements d’apprentissage. Les mises à jour suivent les calendriers des entreprises, les critères de modération peuvent changer sans délibération éducative locale et les mécanismes de classification restent opaques pour les étudiants, les enseignants et les responsables institutionnels.

Dans ces conditions, les institutions finissent par gérer des conséquences qu’elles ne peuvent pas toujours expliquer ni corriger.

Dans Beyond the digital enclosure (Moravec, 2026a ; titre original en anglais), j’analyse cette dynamique comme une perte progressive de souveraineté éducative : des plateformes privées commencent à définir des aspects centraux de la vie institutionnelle qui relevaient auparavant du contrôle éducatif local. Les contrats et les licences constituent l’un des fondements de cette dépendance, qui s’accroît avec l’intégration d’indicateurs, d’interfaces et de critères de décision conçus en dehors des communautés éducatives.

Cette question importe dans toutes les régions, mais ses effets varient selon les contextes. Dans les pays à revenu élevé, la dépendance institutionnelle peut se développer à travers les marchés d’acquisition, l’enfermement dans une plateforme, les tableaux de bord analytiques, les systèmes d’évaluation et l’externalisation du jugement éducatif. Dans les pays à revenu faible ou intermédiaire, le problème peut se conjuguer aux inégalités d’infrastructure, aux priorités des bailleurs de fonds, à la marginalisation linguistique et à l’importation de modèles conçus dans d’autres contextes. Dans les domaines de l’éducation internationale et du développement, l’IA peut aggraver la dépendance lorsque les institutions adoptent des systèmes fermés qui organisent le savoir, l’évaluation et les interactions selon des priorités commerciales ou géopolitiques échappant au contrôle local.

Les pays du Sud présentent des vulnérabilités particulières. Les écoles et les universités peuvent intégrer des logiciels produits en Amérique du Nord, en Europe ou en Chine, tout en exposant les données des étudiants, leurs usages linguistiques et les traces de leur travail intellectuel à des systèmes servant à entraîner des modèles externes. Dans le même temps, les institutions peuvent importer des mécanismes automatisés de classification, d’évaluation et de recommandation fondés sur des présupposés culturels, linguistiques et économiques qui ne reflètent pas les réalités locales.

Pour cette raison, le débat mondial ne devrait pas rester limité à la formation technique ou à l’usage responsable. Il doit aborder la souveraineté éducative, la capacité d’audit, le contrôle démocratique des infrastructures numériques, la justice linguistique, l’obligation de rendre des comptes au public et le droit des institutions à définir leurs finalités éducatives.

L’épuisement d’un leadership de façade

De nombreuses institutions produisent des stratégies, des manuels, des déclarations de politique et des événements sur l’intelligence artificielle pour démontrer leur réactivité face au changement technologique. Cette activité remplit des fonctions institutionnelles compréhensibles : elle organise les échanges internes, manifeste publiquement une préoccupation et signale que l’organisation suit les évolutions.

Cette activité peut créer un écart considérable entre discours et pratique lorsque les documents ne modifient ni les ressources, ni les responsabilités, ni les conditions de travail nécessaires à la transformation de l’expérience éducative.

Dans de nombreux cas, ces lignes directrices servent de soupape institutionnelle. Elles permettent à l’organisation de montrer qu’elle a agi, tandis qu’une grande partie du travail émotionnel, éthique et opérationnel est reportée sur les enseignants, qui doivent décider sans soutien comment évaluer, quoi autoriser, quoi interdire et comment interpréter l’usage des outils génératifs par les étudiants.

Au cours des dernières décennies, le secteur de l’éducation a produit une abondante littérature institutionnelle sur l’innovation technologique. Une grande partie de cette littérature partage un vocabulaire prévisible : formation des enseignants, équité, usage éthique, programmes pilotes et apprentissage personnalisé. Ces éléments peuvent avoir de la valeur, mais ils perdent leur portée lorsqu’ils ne sont pas reliés à des décisions concernant le budget, le temps de travail, l’évaluation, les infrastructures, la propriété des données et la participation des enseignants et des étudiants à la gouvernance technologique.

Les institutions créent un écart entre politique et pratique lorsqu’elles considèrent la production d’un cadre comme la preuve qu’elles ont modifié les conditions de l’apprentissage. Lorsque les politiques réglementent les comportements individuels sans résoudre la question de la gouvernance des systèmes, la responsabilité se déplace vers les enseignants et les étudiants, tandis que les systèmes technologiques qui génèrent de nouveaux risques restent opaques. En conséquence, les personnes qui travaillent et apprennent au sein des institutions absorbent des coûts dont les documents de politique doivent tenir compte : refondre les évaluations, examiner les travaux suspects, s’adapter à des plateformes changeantes et répondre à des attentes contradictoires.

Ces coûts relient les politiques aux conditions de travail des enseignants. Les institutions doivent en tenir compte lorsqu’elles attribuent des responsabilités, établissent les budgets et décident qui peut remettre un système en question. Le tableau ci-dessous montre à quels niveaux ces décisions peuvent modifier le travail sous-jacent à une politique en matière d’IA.

Tableau 1
Réponses institutionnelles à l’IA : conformité ou transformation

Dimension de gestionRéponse de façade (conformité)Transformation institutionnelle (souveraineté)
Politique institutionnellePublication rapide de consignes d’utilisation et de sanctionsRéexamen des modalités d’évaluation et de la charge de travail
Développement des équipesFormation technique ponctuelle à l’utilisation des requêtesDéveloppement durable des capacités et de l’imagination institutionnelles
Climat institutionnelDéploiement d’outils de détection et de surveillanceCréation d’environnements fondés sur la confiance, la réflexion et le jugement
Processus internesAutomatisation administrative orientée vers le contrôleRéexamen des finalités éducatives que l’institution est conçue pour servir

Au-delà de la conformité

Ces choix exigent des institutions qu’elles développent la capacité à juger comment les nouveaux outils servent les finalités éducatives dans un contexte de changement accéléré. De nombreuses organisations répondent à l’intelligence artificielle à travers des catégories administratives conçues pour gérer la stabilité, le contrôle et la prévisibilité.

Les systèmes génératifs soulèvent des questions d’évaluation, d’autorité et d’apprentissage qui exigent un jugement éducatif en complément des règles techniques. Ils obligent les institutions à reconsidérer le sens de l’évaluation, la répartition de l’autorité éducative, les capacités humaines qui gagnent en valeur et les formes d’expérience éducative qui méritent d’être protégées.

Le débat sur l’intelligence artificielle peut se cantonner à une adoption sans esprit critique ou à un rejet défensif. Ces deux positions maintiennent l’attention sur l’outil, laissant inexplorées les conditions institutionnelles qui lui donnent son sens. Les débats récents sur la littératie en IA suggèrent une autre voie : les institutions doivent aider les personnes à utiliser les systèmes génératifs et à comprendre comment ces systèmes produisent leurs réponses, quels présupposés ils véhiculent, quels risques ils introduisent et comment ils affectent l’autonomie des enseignants et des apprenants (Mills et al., 2024 ; Conrad & Kamperman, 2025).

Les institutions peuvent s’appuyer sur cette compréhension pour définir les conditions pédagogiques, politiques et organisationnelles de l’adoption de l’IA. Ces conditions déterminent à l’autorité de qui les systèmes se substituent et quelles capacités ils contribuent à développer.

Répondre à ces questions exige des institutions qu’elles réexaminent certains des présupposés qui ont structuré une grande partie de la scolarité contemporaine : un enseignement centré sur la transmission, une évaluation standardisée, une gestion rigide du temps et une séparation entre conception des politiques, enseignement et apprentissage. De nombreux systèmes fonctionnent selon des modèles conçus pour gérer la stabilité, la rareté de l’information et des parcours prévisibles. L’expansion des systèmes algorithmiques, de l’automatisation et de la production distribuée des connaissances modifie ces conditions et rend insuffisantes nombre de réponses institutionnelles héritées du passé.

L’évaluation en offre un exemple clair. Lorsque des outils génératifs peuvent produire des textes cohérents en quelques secondes, les mécanismes qui considèrent la reproduction individuelle d’informations comme une preuve d’apprentissage deviennent insuffisants.

Lorsque l’accès au savoir ne dépend plus de la mémorisation, les capacités que l’éducation doit valoriser commencent à changer.

Cette évolution exige des institutions qu’elles reconsidèrent :

  • la répartition de l’autorité dans les environnements d’apprentissage ;

  • la reconnaissance de nouvelles formes de travail intellectuel ;

  • le développement du jugement dans des contextes saturés d’informations ;

  • la place de la créativité, de la collaboration et de l’interprétation dans l’expérience éducative ;

  • la protection de la pensée autonome au sein des systèmes automatisés.

Dans cette perspective, les responsables éducatifs doivent relier les choix technologiques à la gouvernance, à la finalité institutionnelle et à un travail collectif sur les solutions de remplacement. Pour les dirigeants d’institution, cela suppose de créer les conditions du jugement professionnel, de l’expérimentation responsable et de la confiance pédagogique. Les modèles organisationnels façonnent la manière dont les institutions répondent au changement technologique ; les dirigeants doivent donc les examiner dans le cadre de leur travail.

Ces conditions soumettent l’imagination institutionnelle à une épreuve pratique : les enseignants et les apprenants peuvent-ils contribuer à changer les dispositifs qui régissent leur travail ? Leur participation relie la finalité d’une politique à ses effets sur l’apprentissage et la confiance.

Pour de nombreuses institutions, ce travail peut commencer par des décisions concernant l’évaluation, le temps de travail, la confiance pédagogique et la gouvernance technologique. La capacité à exercer son jugement sur l’intelligence artificielle dépendra du soutien que les institutions apporteront au jugement, à la délibération collective et à l’autonomie professionnelle à mesure que les technologies évolueront.

Couverture du livre Build a Positive Rebellion (en anglais)

L’essentiel est de déterminer quels aspects de l’apprentissage humain doivent rester au cœur de l’expérience éducative.

J’examine ces questions dans Build a Positive Rebellion: Create New Education Futures (Moravec, 2026b ; ouvrage en anglais), à travers les relations entre la capacité d’agir, la confiance et les conditions qui permettent aux personnes de façonner leur éducation.

Lectures recommandées

Les références bibliographiques ci-dessous sont conservées dans leur langue originale, l’anglais.

Benjamin, R. (2019). Race after technology: Abolitionist tools for the new Jim code. Polity.

Conrad, K., & Kamperman, S. (2025). Building critical AI literacy: An approach to generative AI. Thresholds in Education, 48(2), 142–158. https://eric.ed.gov/?id=EJ1483967

Couldry, N., & Mejías, U. A. (2019). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press.

Kizilcec, R. F., Huber, E., Papanastasiou, E. C., Cram, A., Makridis, C. A., Smolansky, A., Zeivots, S., & Raduescu, C. (2024). Perceived impact of generative AI on assessments: Comparing educator and student perspectives in Australia, Cyprus, and the United States. Computers and Education: Artificial Intelligence, 7, 100269. https://doi.org/10.1016/j.caeai.2024.100269

Mills, K., Ruiz, P., Lee, K. W., Coenraad, M., Fusco, J., Roschelle, J., & Weisgrau, J. (2024). AI literacy: A framework to understand, evaluate, and use emerging technology. Digital Promise.

Moravec, J. W. (2026a). Beyond the digital enclosure: AI, coloniality, and the pursuit of educational sovereignty. Learning Futures and Emerging Technologies, 34(3). https://doi.org/10.1108/LFET-01-2026-0004

Moravec, J. W. (2026b). Build a positive rebellion: Create new education futures. Education Futures. https://positiverebellion.org/

Taeihagh, A. (2025). Governance of generative AI. Policy and Society, 44(1), 1–22. https://doi.org/10.1093/polsoc/puaf001

Tyack, D., & Cuban, L. (1995). Tinkering toward utopia: A century of public school reform. Harvard University Press.

van Dijck, J., Poell, T., & de Waal, M. (2018). The platform society: Public values in a connective world. Oxford University Press.

Williamson, B., Molnar, A., & Boninger, F. (2024). Time for a pause: Without effective public oversight, AI in schools will do more harm than good. National Education Policy Center. https://nepc.colorado.edu/publication/ai

Xia, Q., Weng, X., Ouyang, F., Lin, T. J., & Chiu, T. K. F. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21(1), 40. https://doi.org/10.1186/s41239-024-00468-z