Dans son ouvrage La formation de l’esprit scientifique (1934), Gaston Bachelard défend l’idée qu’apprendre suppose de remettre en question ce que l’on croit savoir pour, progressivement et de façon critique, construire de nouveaux savoirs.
Si l’on admet que cela ne peut advenir quand le recours à l’intelligence artificielle générative se substitue à l’effort cognitif de l’apprenant, on a là une bonne raison de s’intéresser au souhait de Rochane Kherbouche, technopédagogue et Ambassadeur IA France Num, de refonder l’évaluation en formation. Questions/réponses pour comprendre les enjeux.
Pourquoi un livre sur le sujet de l’évaluation à l’ère de l’IA ?
Rochane Kherbouche. J’avais ce livre en tête avant même l’arrivée de ChatGPT, mais la sortie fin 2022 a agi comme un déclencheur. En mission e-learning dans le secteur médical, j’ai constaté que ChatGPT générait en quelques secondes des questions d’évaluation comparables, parfois meilleures, que celles que j’avais conçues en plusieurs heures de travail. L’IA reconfigure à la fois les productions des apprenants et les chemins cognitifs qui y mènent. Nos dispositifs actuels d’évaluation, majoritairement centrés sur le produit écrit, ne captent plus la part décisive de discernement, de choix méthodologiques et d’itérations qui structurent un travail en coproduction humain-IA.
Pourquoi maintenant ?
RK. Les usages se sont massifiés mais une majorité de formateurs n’a pas repensé ses évaluations, et l’interdiction ou l’ignorance ne sont plus des options crédibles. Il y a urgence à outiller la transition et à proposer des cadres, des outils et des repères pour évaluer autrement, sans renoncer aux exigences, mais en les redirigeant vers ce qui a réellement de la valeur. Les formateurs et institutions ont besoin de réponses opérationnelles pour préserver la qualité, l’équité et la fiabilité des certifications.
Que nous apprend l’IA sur les failles de nos méthodes d’évaluation ?
RK. Elle révèle que nos évaluations confondent souvent performance de surface et maîtrise profonde. Quand une machine « qui ne comprend rien » réussit nos épreuves, deux lectures s’imposent: soit nos tests ne mesurent pas ce qu’ils prétendent, soit la compétence évaluée n’est pas aussi spécifiquement humaine qu’on le croyait. L’IA agit comme un révélateur : elle met en lumière la standardisation et la pauvreté de nombreuses épreuves (QCM, restitution formelle, …). Ce qui était implicite devient impossible à ignorer. Elle met à nu le déficit d’outils pour interroger le processus, l’intention, les critères de choix et la robustesse argumentative, car un texte impeccable peut être produit par l’IA sans compréhension authentique.
Concrètement, où se situe la faille ?
RK. Dans le fait de noter un produit isolé, sans examiner les décisions qui l’ont engendré, la manière de mobiliser des ressources, de contrôler les biais, de valider les sources et d’itérer à bon escient. La faille principale est notre incapacité à évaluer le raisonnement, l’esprit critique et le cheminement intellectuel de l’apprenant.
Que devons-nous chercher à évaluer à l’ère de l’IA ?
RK. Le centre de gravité passe du produit fini au processus documenté et au discernement disciplinaire. Autrement dit : moins « qu’est-ce que tu as produit ? », plus « comment as-tu pensé, jugé, décidé ? » et « sur quelle base justifies-tu tes choix ? ». L’objet de l’évaluation devient la capacité à exercer un jugement éclairé, à poser les bonnes questions, à détecter les erreurs dans les réponses générées, à piloter la coproduction avec l’IA, et à en rendre compte. L’IA n’étant qu’un moyen.
Qu’est-ce qu’un « processus documenté » ?
RK. Ce sont les traces expliquant la démarche: hypothèses, itérations, arbitrages, essais/erreurs, sources, prompts utilisés, critères d’acceptation/rejet. On évalue la pensée au travail, pas seulement le résultat. On ne doit plus demander à un apprenant de restituer une information, mais de démontrer comment il l’a obtenue, vérifiée, et comment il a exercé son jugement critique pour l’utiliser à bon escient.
Et le « discernement disciplinaire » ?
RK.. C’est la capacité, ancrée dans la discipline, à valider ou rejeter une sortie de l’IA. Par exemple, un juriste qui identifie une fausse référence jurisprudentielle et la refuse. Ce n’est pas « savoir utiliser l’IA », c’est savoir reconnaître le vrai du faux dans sa matière.
Faut-il des nouveaux critères d’évaluation ?
RK. Oui : critère de justification (pourquoi ce choix), de contrôle (comment j’ai vérifié), d’itération (comment j’ai amélioré), de limitation (ce que je décide de ne pas faire), et d’appropriation (ce que je comprends et peux expliquer).
Peut-on voir une analogie entre le processus d’évaluation VAE et l’évaluation à l’ère de l’IA ?
RK. Oui, absolument. La VAE évalue un parcours documenté et la capacité à expliciter et défendre ses choix devant un jury ; elle s’oppose à l’épreuve ponctuelle décontextualisée. Elle repose sur la documentation de l’expérience et la réflexivité. C’est exactement le déplacement que l’IA impose : valoriser le récit de pratique, la preuve, l’argumentation. Comme en VAE, il s’agit d’attester la compétence par des preuves hétérogènes et un récit argumenté du faire. On valorise un “portefeuille de preuves » et une soutenance qui établissent l’auctorialité. D’ailleurs, je propose dans mon livre un dispositif d’auto-évaluation justifiée, applicable notamment en VAE.
Si évaluer un processus cognitif documenté n’est pas la même chose qu’évaluer un produit, faut-il continuer à noter l’écrit ou tout miser sur l’oral ?
RK. Ni tout-écrit, ni tout-oral. Il faut un couple écrit+oral. L’écrit est une preuve, il maintient des livrables mais enrichis de traces du processus (journaux de bord, prompts, versions, sources, critères). On peut imaginer des écrits qui demandent une analyse critique ou une comparaison de sources. L’oral, quant à lui, devient crucial pour sonder en direct le raisonnement de l’apprenant et distinguer l’assimilation de la délégation, avec des questions imprévues qui font sortir du script. C’est là que l’on voit si l’appropriation est réelle. Le bon modèle est bipartite : produit + processus défendu à l’oral.
Doit-on cesser de noter les travaux écrits ?
RK. Oui, si l’écrit devient support probatoire du processus et que la note se joue à l’oral et sur les traces. On peut aussi répartir : une part pour le produit, une part pour le processus, une part pour la défense. Le tout explicité dès le départ.
N’y a-t-il pas un risque de centrer à l’excès les évaluations sur l’usage de l’IA plutôt que sur le disciplinaire ?
RK. Oui, c’est un risque réel si l’on évalue l’IA pour elle-même. L’outil ne doit pas devenir le contenu. L’objectif n’est pas de former des experts en « prompts », mais des professionnels qui utilisent l’IA pour être meilleurs dans leur domaine. Il faut donc évaluer prioritairement le raisonnement disciplinaire, les preuves, l’argumentation, l’éthique, et voir comment l’IA a été mobilisée comme révélateur du discernement. L’IA est un contexte d’exercice, pas un objectif en soi. Si l’on ne garde pas ce cap, on fabrique des « pilotes d’outil » sans colonne vertébrale disciplinaire.
Comment prévenir ce biais ?
RK. En structurant des grilles où l’IA n’est qu’un moyen : critères centrés sur la compréhension du sujet, la rigueur méthodologique, la qualité des sources, la cohérence des arguments et les limites reconnues.
Pourquoi affirmez-vous dans votre livre que la séparation traditionnelle entre savoir numérique et compétence métier s’effondre ?
RK. Parce que l’IA devient une couche instrumentale de chaque métier. Le « numérique » n’est plus un à-côté, il est intriqué dans la pratique professionnelle. La compétence numérique n’est plus un “plus », elle est intrinsèquement liée à la compétence métier. Un professionnel qui maîtrise son domaine mais ignore comment interroger, paramétrer et auditer des outils assistés par IA est désormais moins compétent qu’un pair capable de combiner expertise disciplinaire et intelligence algorithmique. L’impact de l’IA, c’est que l’on ne peut plus dissocier « savoir outiller » et « savoir faire métier » : la compétence est socio-technique.
Un exemple ?
RK. Un juriste qui connaît la jurisprudence mais ne sait pas interroger une base assistée par IA sera moins performant qu’un juriste qui sait articuler sa doctrine avec des requêtes, des filtres et des validations assistées.
Vous expliquez dans votre livre que l’équité de traitement exigée par la certification Qualiopi est un frein à l’usage de l’IA. Pourquoi ?
RK. C’est un point de friction majeur. L’équité procédurale standardisée prônée par Qualiopi (mêmes épreuves, mêmes critères) peut entrer en tension avec des évaluations contextualisées et adaptatives intégrant l’IA, qui nécessitent de tenir compte des parcours et usages variés. L’IA pousse à la personnalisation extrême. Certains organismes de formation renoncent à innover par crainte de l’audit. Des risques apparaissent : d’une part, la traçabilité de la comparabilité est difficile avec des IA différentes, d’autre part, l’accès inégal aux outils crée de nouvelles fractures. La solution n’est pas d’opposer Qualiopi et IA, mais d’actualiser les référentiels en clarifiant les règles d’usage et en explicitant les critères d’équivalence pour des voies distinctes mais de même niveau.
Pourquoi l’interdiction du recours à l’IA n’est selon vous pas la solution ?
RK. Parce qu’elle est inefficace, inapplicable, et contre-productive. Elle est contournable et pénalise des publics pour qui l’IA est un soutien. L’histoire (Google, Wikipédia) montre que l’interdiction produit surtout du contournement et des retards d’apprentissage. Surtout, elle est déconnectée du réel : le monde du travail attend une maîtrise responsable de l’IA. Interdire, c’est refuser de préparer les étudiants à la réalité de demain et perdre l’occasion d’évaluer le jugement et la traçabilité. Mieux vaut cadrer les usages, expliciter les attentes et demander de la documentation.
Comment passe-t-on de l’interdiction au cadrage ?
RK. Par l’autorisation encadrée : déclarez vos usages, documentez vos prompts, justifiez vos choix, indiquez vos vérifications, et préparez un oral court sur vos décisions clés.
Comment éviter de se faire « duper » par la perfection formelle des sorties IA ?
RK. En instaurant des garde-fous : des checklists disciplinaires de validation (preuves, références), des évaluations orales imprévues pour tester la compréhension hors-script, l’exigence de traces (prompts, sources, versions) et la confrontation entre pairs pour débusquer les raisonnements circulaires.
Vous êtes sur le point de sortir en prolongement de votre livre un outil de cadrage opérationnel, baptisé Diptyque, qui repose sur la notion d’ “auctorialité ». Pouvez-vous expliquez ?
RK. L’auctorialité est la capacité d’un apprenant à assumer la paternité intellectuelle de son travail malgré l’usage d’outils, notamment en coproduction humain-IA. Concrètement : savoir expliciter ses choix, défendre ses méthodes, distinguer ce qui vient de lui et de l’IA, et prendre responsabilité du résultat. C’est la contribution intellectuelle propre, la singularité.
Que propose Diptyque ?
RK. Diptyque est un cadre d’évaluation, centré sur l’oral, qui aligne le produit et le processus documenté en deux volets. D’abord, on évalue la capacité de l’apprenant à produire un résultat sans l’IA pour vérifier les fondamentaux. Ensuite, on évalue sa capacité à améliorer ce même résultat avec l’IA. On vérifie que l’apprenant “habite » ce qu’il signe en le questionnant sur ses décisions : pourquoi ce choix, pourquoi ce rejet, comment a-t-il vérifié et itéré.
Une image pour comprendre ?
RK. Le gâteau : on ne juge pas seulement si le produit est bon, on questionne l’auteur sur ses choix d’ingrédients et de méthode, surtout quand une machine a suggéré des options.
Vous-même documentez votre propre recours à l’IA pour l’écriture de votre livre. En quoi ce livre aurait-il été différent si vous n’aviez pas utilisé l’IA ?
RK. J’aurais mis plus de temps et j’aurais couvert moins de cas d’usage. Il aurait été plus pauvre en croisement de sources et probablement plus théorique. L’IA m’a aidé à explorer des variantes de scénarios, à générer des ébauches à critiquer, à tester la robustesse d’exemples, et à organiser près de 300 sources via des outils comme NotebookLM et des agents de veille automatisés. J’ai tenu à être transparent sur cet usage pour montrer une collaboration éthique et efficace. Sans IA, l’architecture générale serait restée, mais la dimension opérationnelle (formats d’oral, grilles, dispositifs) aurait été moins riche et moins ancrée dans des expérimentations rapides.
Finalement, au vu des nombreux défis posés par l’IA, préfèreriez-vous un monde sans IA ?
RK. Pour moi, non : l’IA m’a permis de faire en peu de temps ce que je n’aurais pas pu produire autrement. Pour la société, je suis partagé : le risque de fracture culturelle est réel. La réponse passe par l’éducation au jugement et des cadres d’usage responsables.
.
