Repenser la pédagogie à l'ère de l'IA

Constats sur l'impact de l'IA en développement logiciel

L'intelligence artificielle est désormais plus intelligente qu'un développeur ou un professeur.

(C'est d'ailleurs difficile à se l'avouer.)

Elle est également beaucoup plus rapide.

Dans le bon contexte, pour des tâches spécifiques, on peut aller jusqu'à 100 fois plus vite.

Cette vitesse est conditionnée par une bonne maîtrise des outils d'intelligence artificielle.

La valeur ajoutée de l'humain n'est plus dans l'exécution brute :

• C'est dans la capacité à sublimer l'automatisation, à accélérer avec un haut niveau cognitif.
• (On essaie d'approcher cette idée : l'humain devient magique avec cet outil.)

Problème

Dans des écoles à pédagogie par projets, l'ensemble des projets du cursus peut être fait en 1 semaine avec l'IA.

Cela crée une illusion de compétence pédagogique :

• Les projets sont générés automatiquement.
• Les corrections sont automatisées.
• Les étudiants peuvent les réaliser sans véritable implication.

Résultat : l'apprentissage profond disparaît

Avant l'IA, c'est le fait de devoir coder et résoudre des problèmes à la main qui favorisait la consolidation des compétences.

En termes cognitifs, on parle de charge mentale productive et de mémoire de travail engagée : c'est ce traitement actif qui forge la compétence durable (mémoire à long terme).

Aujourd'hui, cette boucle de traitement est court-circuitée par le copier-coller, ce qui empêche l'encodage profond des connaissances.

L'IA fournit des solutions immédiates, mais réduit l'effort cognitif actif nécessaire à l'apprentissage structurant.

En neurosciences, on sait que l'effort, la lutte avec le problème, la frustration même, participent à la construction des connexions durables (plasticité synaptique).

Si tout est prémâché, on obtient une illusion de compétence, mais aucun transfert possible.

C'est dans l'erreur, la répétition, l'autocorrection qu'on apprend.

L'IA ne supprime pas la pédagogie, elle rend sa structure encore plus cruciale.

Repenser le cadre pédagogique

Ce manifeste n'est pas une critique de l'IA : elle est là, elle est puissante, elle est partout.

Il s'agit d'un travail de conception pédagogique :

• Comment proposer un cadre qui exploite la puissance de l'IA sans tuer l'apprentissage ?
• Comment rendre visibles les vraies compétences ?

Avant : quelques projets, à faire seul, sur plusieurs semaines.

Maintenant : des situations nombreuses, courtes, guidées par l'IA, et validées humainement.

Clin d'œil : L'IA est déjà présente au lycée

• Elle est utilisée dans les devoirs à la maison.
• Elle est dans la cour de récréation, sur Discord, dans les téléphones.
• Les professeurs l'ignorent, mais les élèves l'ont dans la poche.

On ne peut pas ignorer l'IA — il faut la cadrer, la rendre pédagogique, en faire un levier exigeant.

Concepts pédagogiques à explorer

Nous allons maintenant explorer plusieurs concepts pédagogiques clés, chacun visant à réconcilier l'usage massif de l'IA avec une montée en compétence réelle.

Liste des concepts abordés :

1. L'IA est autorisée partout par défaut
2. Lire du code > écrire du code
3. Le dictionnaire personnel comme support principal
4. Apprendre en pratiquant l'IA
5. Maintenir un mode sans IA
6. Évaluer autrement : validation des savoirs

L'IA est autorisée partout par défaut

Principe central

• L'Intelligence Artificielle est autorisée partout par défaut.
• Elle est parfois interdite volontairement pour provoquer un effort cognitif très ciblé.

Ce cadre n'est pas permissif, il est exigeant :

• Utiliser l'IA efficacement.
• Apprendre à en voir les limites.
• Ne pas confondre vitesse et compréhension.

Il ne s'agit pas de relâcher l'exigence, mais de déplacer l'effort :
• Moins d'énergie sur l'exécution brute.
• Plus d'énergie sur la compréhension, la décision, la capacité à guider intelligemment l'IA.

Lire du code devient plus important qu'écrire du code

L'IA écrit du code rapidement, souvent mieux qu'un humain moyen.

Le vrai enjeu devient la compréhension : que fait ce code ? pourquoi ?

Lire du code, c'est détecter :

• Erreurs
• Incohérences
• Failles logiques

L'IA peut produire du code faux mais convaincant → il faut savoir valider.

Lecture = esprit critique + compréhension de l'architecture.

C'est par la lecture qu'on assimile les patterns, styles, décisions de conception.

Lire rend autonome face au code généré par l'IA.

Écrire est devenu facile, comprendre est devenu vital.

Comment stimuler cette compétence ? Des QCM de compréhension, des exercices de debugging, des audits de code de l'ordre de 3h par jour.

Le dictionnaire personnel

On abandonne le cours classique, le polycopié, la vérité descendante.

À la place, chaque étudiant construit son propre dictionnaire personnel :

• Une base de connaissances écrite avec ses mots, structurée, vivante.
• Il y consigne définitions, concepts, exemples, erreurs, contre-exemples.
• C'est un outil d'apprentissage actif, pas un simple support.

Ce dictionnaire devient le cœur de la pédagogie :

• L'élève ne consomme plus du savoir, il le reformule et l'organise.
• Il apprend en structurant sa pensée, pas en recopiant des diapos.

Ce qu'on évalue :

• Sa compréhension, sa capacité à expliquer, relier, comparer.
• La cohérence, la précision, la capacité à réutiliser le savoir.

L'IA peut générer du contenu, mais ne remplace pas ce travail réflexif. Le dictionnaire devient une preuve d'appropriation du savoir.

Apprendre en pratiquant l'IA

On apprend en manipulant l'IA, pas en en parlant abstraitement.

Le prompt engineering devient une compétence centrale.

La pédagogie consiste à plonger l'élève dans des situations concrètes, et à le faire interagir avec l'IA comme outil de travail.

Exemples de situations pédagogiques :

1. Réalisation de projets : guidés ou autonomes, avec prompts réfléchis.
2. Debugging ciblé : détection et correction d'erreurs, appuyées par l'IA.
3. Audit de code : analyse critique, repérage des failles.
4. Refactoring : amélioration de code, test de plusieurs variantes IA.
5. Documentation intelligente : génération, enrichissement, validation.

L'objectif est de former des pilotes de l'IA, pas des exécutants passifs.

Maintenir un mode sans IA

Il est essentiel de préserver certains espaces sans IA, pour muscler l'autonomie technique brute.

Objectif : réancrer l'apprentissage dans la documentation native.

Exemples :

• Lire une page man (Shell, Linux).
• Comprendre une commande complexe (ex : find, awk, sed, rsync).
• Résoudre un problème de scripting sans aucune aide externe.

On forme des développeurs capables de travailler en environnement nu, comme sur des serveurs distants, des systèmes embarqués, des environnements critiques.

Évaluer autrement — validation des savoirs

L'évaluation doit refléter la réalité du travail assisté par IA.

L'écrit (code, rapport) ne suffit plus — il est trop facilement automatisé.

Ce qu'on met en place :

1. Oral systématique : chaque projet est défendu à l'oral. On évalue :

• Compréhension profonde
• Capacité à corriger, expliquer, improviser

2. Suivi de l'exécution : traçabilité, interaction continue

3. Volumes d'exercices massifs (x100) : l'IA permet de générer, corriger et personnaliser des exercices à grande échelle.

• Avant : 10 exercices par semaine, corrigés manuellement.
• Maintenant : 100+ exercices, feedback instantané, progression adaptative.

L'IA devient un cadre pédagogique intégré :

• Génération d'exercices ciblés selon les lacunes détectées.
• Correction automatique avec explication des erreurs.
• Répétition espacée, montée en difficulté progressive.

Faire x100 exercices permet de créer un cadre d'utilisation à charge cognitive élevée — condition nécessaire pour stimuler l'apprentissage profond.