Andrew Ng préconise d’utiliser l’IA pour créer des exercices, pas pour fournir les réponses

Lors d’un récent épisode du podcast Silicon Valley Girl, le pionnier de l’intelligence artificielle Andrew Ng a mis en garde contre un phénomène qui prend de l’ampleur : les modèles d’IA génératifs, capables de fournir des réponses toutes faites, risquent d’altérer profondément le processus d’apprentissage en éliminant l’effort mental indispensable à la résolution de problèmes, ce qui, selon lui, compromet la consolidation des connaissances sur le long terme.

Pourquoi l’IA qui donne des réponses nuit à l’apprentissage

Ng a illustré son propos en comparant l’accès prématuré à des solutions générées par l’IA à la remise d’une calculatrice à un enfant qui n’a pas encore assimilé les tables de multiplication de base. Il a expliqué que, de la même manière que l’usage trop tôt d’une calculatrice peut freiner le développement de la fluidité arithmétique, l’IA qui fournit directement les réponses empêche les apprenants de bâtir les structures conceptuelles nécessaires à une compréhension durable.

Il a rappelé des observations empiriques montrant que les étudiants qui s’appuient régulièrement sur l’IA pour réaliser leurs devoirs constatent souvent une hausse immédiate de leurs notes, mais que, quelques mois plus tard, ils retiennent beaucoup moins de connaissances et peinent à appliquer les concepts sans assistance. Ainsi, le gain à court terme se révèle contrebalancé par une perte de capacité d’apprentissage autonome.

Expérience personnelle d’externalisation cognitive

Ng a partagé une anecdote personnelle illustrant le phénomène d’« externalisation cognitive » : il obtenait rapidement une réponse technique d’une IA, l’utilisait pour avancer dans son travail, puis se retrouvait six mois plus tard à poser la même question, car la compréhension sous‑jacente n’avait jamais été réellement construite. Cette expérience souligne le risque de dépendance à une aide instantanée sans assimilation réelle.

• Demander à l’IA de générer de nouveaux ensembles de problèmes adaptés au programme en cours
• Utiliser l’IA pour varier les paramètres d’exercices existants afin d’approfondir la pratique
• Laisser l’IA suggérer des indices plutôt que des solutions complètes
• Employer l’IA pour corriger et fournir un retour sur les tentatives des apprenants
• Intégrer les quiz créés par l’IA dans les routines quotidiennes de la classe

Recommandations pour une utilisation supervisée de l’IA

Ng insiste sur le fait que les enfants, comme les étudiants, doivent interagir avec l’IA sous la supervision et le filtrage d’un adulte. Le rôle de l’adulte consiste à vérifier que la sortie de l’IA sert d’échafaudage – un soutien qui aide à structurer la réflexion – et non de béquille qui remplace le raisonnement propre de l’apprenant, afin que ce dernier effectue lui‑même chaque étape du processus de résolution.

Il ne préconise pas d’abandonner l’IA complètement. Au contraire, il conseille aux étudiants et aux professionnels d’apprendre à la concevoir et à la manipuler, en la considérant comme un partenaire capable d’amplifier la productivité lorsqu’elle est utilisée de façon réfléchie et encadrée, plutôt que comme une source de réponses toutes faites.

Selon Ng, les ingénieurs les plus efficaces délèguent environ trente à quarante pour cent des tâches routinières à l’IA, ce qui leur permet de concentrer leur expertise humaine sur les domaines où l’IA montre encore des limites : la conception créative, le jugement éthique et la planification stratégique, où la touche humaine reste indispensable.

Barbara Oakley, experte reconnue en sciences de l’apprentissage, fait écho aux propos de Ng. Elle soutient que préserver les connaissances fondamentales tout en exploitant l’IA pour produire un volume plus important d’exercices de pratique crée un cercle vertueux de renforcement, où l’abondance d’exercices ne sacrifie pas la profondeur de la compréhension.

Ng et Oakley reconnaissent que leurs recommandations découlent d’observations personnelles et de jugements d’experts, et non d’études expérimentales contrôlées. Ainsi, leurs idées restent indicatives et ne prétendent pas être des conclusions définitives applicables à tous les contextes éducatifs.

Pour les organisations francophones, le virage pratique est clair : les outils d’IA doivent être déployés pour élargir le réservoir de matériel d’entraînement, pas pour remplacer le processus de résolution de problèmes. Les responsables peuvent instaurer des politiques exigeant que les réponses générées par l’IA soient systématiquement revues, que le mode « indice uniquement » soit activé par défaut, et que les indicateurs d’apprentissage mesurent la rétention sur le long terme plutôt que les seuls scores immédiats.

Cette approche vise à préserver la pensée critique tout en tirant parti de l’efficacité de l’IA, en garantissant que les apprenants développent des compétences de raisonnement solides, capables de résister à l’épreuve du temps et de l’absence d’assistance technologique.