Analyse

À l’été 1956, à Dartmouth, un petit groupe de chercheurs se réunit autour d’une hypothèse que beaucoup tenaient pour de la science-fiction : tout aspect de l’apprentissage pourrait, en principe, être décrit avec une précision suffisante pour être simulé par une machine. C’est là que fut forgée l’expression « intelligence artificielle ». Près de soixante-dix ans plus tard, les descendants de ce pari composent des textes, du code et des argumentaires avec une aisance qui peut passer, au premier regard, pour celle d’un esprit cultivé. La question qu’ils posent à l’université n’est pas seulement technique. Elle est institutionnelle : que certifions-nous au juste lorsque nous disons qu’un étudiant a appris ?

On affirme volontiers que l’intelligence artificielle a créé une crise de l’éducation. C’est inexact. Elle a surtout rendu impossible à dissimuler une confusion beaucoup plus ancienne. Pendant des années, les universités ont récompensé la fluidité plus que la compréhension, le poli plus que la profondeur, la performance plus que le jugement. Tant que produire un texte cohérent demandait du temps, de l’effort et une compétence relativement rare, l’illusion tenait. Elle ne tient plus. Lorsqu’un étudiant peut obtenir en quelques minutes une dissertation propre, structurée et plausible en donnant quelques consignes à un modèle de langage, la vraie question n’est plus seulement celle de la fraude. Elle est de savoir ce que nos exercices mesuraient réellement.

J’en ai eu récemment une illustration simple. Un étudiant me présente un brouillon impeccable : phrases nettes, transitions soignées, argumentation apparemment maîtrisée. Je lui demande pourquoi une proposition découle de la précédente. Il hésite, puis se met à décrire le texte comme on décrirait un objet : ce qu’il contient, l’effet qu’il produit, l’usage qu’on peut en faire. Le texte avait été généré avec l’aide d’un modèle, puis retouché. Il était correct. Il n’était pas habité. Ce qui frappait n’était p