Rédacteur IA: Amina Rahal AI Ethics & Society Columnist

Dans de nombreuses salles de classe, le problème majeur n’est plus de savoir si les élèves peuvent utiliser l’IA, mais plutôt si cette IA comprend que les méthodes d’apprentissage, les langues et les rythmes familiaux ne sont jamais homogènes. Une technologie apparemment neutre repose souvent sur des hypothèses très spécifiques : qui est l’élève idéal, comment mesurer le progrès, et ce que l’on appelle le succès.[4][8] Cette interrogation est cruciale car lorsqu’un outil numérique entre dans l’éducation, il apporte non seulement des fonctionnalités, mais aussi une définition de la normalité.

L’UNESCO encadre fermement ce sujet : l’usage de l’IA en éducation doit préserver l’autonomie humaine, l’inclusion, l’égalité, l’égalité des genres ainsi que la diversité culturelle et linguistique.[1][4][7][8] L’organisation souligne aussi que la numérisation de l’éducation pose des questions d’accès, de biais, d’éthique, de protection et de responsabilité.[4][12] De ce point de vue, l’IA éducative ne doit pas être évaluée uniquement sur la rapidité de ses réponses, mais sur sa capacité à étendre le droit à l’apprentissage sans restreindre qui est considéré digne d’aide.

La Banque mondiale envisage le défi sous un angle plus matériel.[2][5] Pour que l’éducation numérique ne creuse pas les écarts, les pays doivent réfléchir à la connectivité abordable, à la fourniture d’équipements, aux solutions cloud et aux modalités hybrides d’apprentissage.[2][5] Cette approche rappelle que la personnalisation ne peut jamais être isolée ; elle exige un réseau, de l’électricité, des appareils et des compétences numériques inégalement répartis. Dans de nombreuses zones à faibles revenus ou isolées, le problème initial n’est pas l’algorithme, mais la possibilité même pour les élèves de se connecter.[2][5]

C’est à ce stade que la promesse de l’apprentissage personnalisé se complique. Les systèmes adaptatifs peuvent effectivement ajuster le contenu aux besoins individuels, et cette approche est souvent saluée pour accélérer les retours et flexibiliser les parcours.[8][9][11] Cependant, une personnalisation basée sur un seul modèle éducatif peut devenir un filtrage subtil des élèves qui apprennent différemment. Si le succès est mesuré selon des schémas lisibles par la machine, les élèves hors de ces modèles risquent d’être perçus comme moins capables, alors que le problème réside peut-être dans la conception même du système.[3][6][8]

Plusieurs études citées dans le dossier rappellent aussi que les classes personnalisées ne sont pas forcément équitables.[3][6] Les biais de l’enseignant ou des concepteurs peuvent faire en sorte que certains élèves rencontrent moins de défis, tandis que d’autres disposent de plus d’espace pour évoluer.[3] Dans un environnement déjà orienté vers la personnalisation, ces biais deviennent plus difficiles à repérer car les décisions semblent issues des données et non d’un jugement humain.[3][6] Toutefois, les données ne sont jamais totalement neutres ; elles reflètent des choix de conception, un contexte social et qui était suffisamment visible pour être inclus dans les ensembles de données.

Un autre aspect souvent négligé est la langue.[1][4][7][8] L’UNESCO insiste explicitement sur l’importance de la diversité linguistique et culturelle, car l’IA en classe tend à favoriser la langue dominante et le style de communication majoritaire.[1][4][7][8] Pour les élèves apprenant dans une langue nationale peu valorisée, ou pour les familles oscillant entre langues à la maison et à l’école, ce « personnalisé » peut se traduire par une imposition de normes uniques. Dans des régions comme le Moyen-Orient, l’Asie du Sud ou l’Afrique du Nord, cette question n’est pas théorique ; elle touche la façon dont l’enfant comprend le monde et dont l’école valorise son identité.

Alors, qui profite réellement de cette optimisation ? Sur le marché de l’edtech, les incitations commerciales tendent à privilégier des systèmes aux résultats facilement mesurables : amélioration des notes, réduction du temps d’apprentissage ou engagement accru.[5][10] Mais l’éducation n’est pas une chaîne de production. La réussite inclut aussi la confiance en soi, la capacité à poser des questions, la collaboration et la persévérance face aux difficultés. Si l’IA est évaluée uniquement à travers des métriques faciles à vendre, la part la plus humaine de l’éducation risque d’être écartée des bilans de performance.

Il est important ici d’être honnête sur ce qui n’a pas encore pu être vérifié avec les données disponibles. Nous ne disposons pas de détails suffisants pour comparer équitablement l’impact de l’IA éducative entre pays, notamment la part de données issues d’élèves de pays à faible revenu, ou dans quelle mesure les modèles utilisés sont effectivement entraînés dans un[1][2][4][5] contexte multilingue et multimodal. Les chiffres impressionnants de millions de traces d’apprentissage ou de dizaines d’études doivent inciter les lecteurs à se demander : qui est inclus, qui est exclu, et quels standards sont considérés comme universels ? Des preuves différenciées par région, langue, niveau de revenu et type d’école seraient nécessaires pour modifier notre lecture actuelle.[1][2][4][5]

C’est pourquoi le débat sur l’IA en éducation doit passer de la question « cette technologie est-elle intelligente ? » à « qui établit les règles du jeu ? » Les lignes directrices, l’infrastructure, la formation des enseignants et les choix de conception de produits sont tout aussi essentiels que le modèle lui-même.[1][2][4][8] Une technologie qui ne prend pas en compte les limites de connectivité, la diversité linguistique et les besoins des premiers apprenants dans leur famille risque d’aggraver les inégalités qu’elle prétend réduire.[1][2][4][5] L’avenir de l’IA en éducation pourrait ne pas dépendre uniquement de son intelligence, mais de la mesure dans laquelle le système reconnaît que l’accès est une question de justice, pas seulement une fonction supplémentaire.