Utiliser l’IA est-il nocif pour l’apprentissage?

C’est le genre de question qu’on me pose depuis que je suis professeur en technologies éducatives.

Depuis mes débuts, j’explique que peu importe la technologie la réponse est « Ça dépend! ».

De quoi?

De la manière de l’utiliser évidemment!

Prenez un marteau. Vous pouvez l’utiliser de différentes manières. Vous pouvez d’abord casser les fenêtres de votre voisin. C’est un très mauvais usage aux conséquences négatives. Mais c’est un usage possible. Vous pouvez ensuite l’utiliser pour arracher des vis. Ça va fonctionner, mais ce sera dur et pas très efficace. Finalement, vous pouvez utiliser le marteau avec des clous pour construire les murs d’une jolie maison.

Tout est dans l’usage…

Pour l’IA, je répondais d’instinct la même chose. Cependant, il faut réaliser que l’on construit actuellement l’avion en plein vol. On intègre l’IA en éducation et ailleurs sans toujours savoir si c’est un bon usage ou si les conséquences seront positives à moyen et long termes.

Je viens cependant de croiser cette étude dans le cadre de laquelle les chercheurs ont étudié l’usage de l’IA par des développeurs informatiques. Les chercheurs poursuivaient plusieurs objectifs, mais je ne vais parler ici que des patterns d’utilisation de l’IA qu’ils ont trouvé!

Un groupe a utilisé l’IA, l’autre non.

Les conséquences de l’usage de l’IA sont très différentes selon la manière d’utiliser l’IA.

En gros, les auteurs ont identifié 6 patterns d’utilisation de l’IA.

Trois sont nocifs pour l’apprentissage:

• AI Delegation
• Generation-Then-Comprehension
• Progressive AI Reliance.

Trois sont bénéfiques pour l’apprentissage:

• Iterative AI Debugging
• Hybrid Code Explanation
• Conceptual Inquiry.

Les 3 stratégies qui ont un impact bénéfique ont en commun d’encourager ou d’impliquer un haut niveau d’engagement cognitif.

Il y a bien plus dans l’article… Je vous encourage à le lire. Voici la référence et le lien:

Shen, J. H., & Tamkin, A. (2026). How AI impacts skill formation. arXiv. https://arxiv.org/abs/2601.20245

---

Et voici, pour finir, un petit résumé des 6 patterns d’utilisation de l’IA décrit dans cet article: (Cette portion a été produite à l’aide d’une IA générative.)

🔵 1. AI Delegation (Délégation à l’IA)
Les participant·e·s confient l’ensemble de la tâche à l’IA, en demandant directement le code complet ou des solutions toutes faites.

• Très faible engagement cognitif.
• Améliore légèrement la productivité mais dégrade fortement l’apprentissage de la librairie et des concepts.
• Associé aux plus faibles scores de compréhension.

🟣 2. Generation-Then-Comprehension (Générer puis essayer de comprendre)
Les participant·e·s demandent à l’IA un code ou une solution, puis tentent ensuite de comprendre après-coup ce que l’IA a produit.

• Compréhension limitée car la démarche commence par la solution.
• Scores intermédiaires.

🟠 3. Progressive AI Reliance (Dépendance progressive)
Les participant·e·s commencent par essayer seuls, puis se tournent de plus en plus vers l’IA dès que surgit une difficulté.

• Permet de compléter la tâche.
• Conduit à une diminution importante de l’apprentissage : l’IA devient la stratégie principale.

🟡 4. Iterative AI Debugging (Débogage itératif avec l’IA)
Les participant·e·s écrivent du code eux-mêmes, rencontrent des erreurs, puis consultent l’IA de manière ciblée pour déboguer.

• Interaction plus réfléchie.
• Meilleure préservation des compétences de débogage.
• Fait partie des trois patterns les plus favorables à l’apprentissage car l’humain garde une activité cognitive élevée.

🟢 5. Hybrid Code Explanation (Hybridation code + explications)
Les participant·e·s demandent à l’IA d’expliquer des morceaux de code, des concepts, ou des sections de leur propre script.

• Favorise la compréhension conceptuelle.
• Préserve la compétence de lecture de code (code reading).
• Classé parmi les patterns compatibles avec un développement solide des compétences.

🟤 6. Conceptual Inquiry (Questions conceptuelles uniquement)
Les participant·e·s sollicitent l’IA uniquement pour des explications conceptuelles, sans lui demander de produire du code.

• Engagement cognitif maximal.
• Résultats d’apprentissage les plus élevés.
• Considéré comme le pattern idéal pour préserver la formation de compétences.