← Toutes les newsletters

1. France : un cadre d’usage désormais suffisamment précis pour structurer les pratiques

[POL-PUB] [OFFICIEL] — mots-clés : cadre-usage, données-personnelles, évaluation, Pix — niveau : confirmé

Le cadre français d’usage de l’intelligence artificielle en éducation fournit désormais une doctrine beaucoup plus concrète que les premières recommandations apparues après l’arrivée des IA génératives. Le principe central est clair : l’IA est autorisée en éducation, mais uniquement lorsqu’elle sert effectivement les apprentissages et les pratiques professionnelles.

Plusieurs garde-fous sont directement opérationnels : ne pas introduire de données personnelles ou confidentielles dans les IA grand public, ne pas obliger les élèves à créer un compte personnel auprès de ces services, et privilégier lorsque c’est possible des solutions libres donnant davantage de contrôle sur les corpus et les traitements.

Le texte traite aussi la question des devoirs : utiliser une IA générative sans autorisation explicite et sans travail personnel d’appropriation est assimilé à une fraude. En revanche, les détecteurs automatiques de textes générés par IA sont déconseillés, faute de fiabilité suffisante. Cela déplace clairement la réponse institutionnelle de la détection vers la transformation des modalités d’évaluation.

Au lycée, l’usage autonome d’une IA générative est possible dans un cadre d’apprentissage explicitement défini par l’enseignant. À la rentrée 2026, le parcours Pix consacré à l’IA devient obligatoire en 4e, en 2de générale et technologique et en première année de CAP.

Focus disciplinaire — toutes disciplines

Le point le plus structurant devient donc : quelles opérations l’élève peut-il déléguer à l’IA, et lesquelles doivent rester de son ressort ?

2. Un Observatoire national pour documenter les pratiques réelles

[TERRAIN] [OFFICIEL] — mots-clés : retour-terrain, formation-enseignants, esprit-critique — niveau : confirmé

Le ministère a lancé en mai 2026 un Observatoire national des pratiques pédagogiques avec l’intelligence artificielle. Il doit recueillir les projets menés dans les académies et constituer une base nationale consolidée des usages en cours.

Ce dispositif répond à un manque réel : les discussions sur l’IA éducative restent encore souvent dominées par les annonces commerciales ou les discours généraux. L’Observatoire peut au contraire devenir un point d’entrée vers des scénarios effectivement expérimentés en classe.

Son intérêt dépendra néanmoins du niveau de détail fourni : objectifs d’apprentissage, niveau, discipline, consignes, rôle exact de l’IA, productions d’élèves, difficultés rencontrées et résultats observés.

Pour une veille professionnelle, c’est probablement l’une des sources françaises à suivre le plus attentivement.

3. Lettres : Strasbourg construit déjà une véritable didactique de l’IA

[PED-FR] [TERRAIN] [OFFICIEL] — mots-clés : littérature, écriture, lecture, évaluation, retour-terrain — niveau : retour d’expérience

L’académie de Strasbourg constitue actuellement l’un des terrains français les plus intéressants pour l’enseignement des lettres avec l’IA. Une formation déployée auprès d’environ 90 enseignants a été accompagnée d’expérimentations autour de la lecture, de l’interprétation, de l’écriture, de l’image et de l’évaluation.

Le point le plus fécond est que l’IA n’est généralement pas utilisée pour produire directement à la place de l’élève. Elle intervient comme contrepoint : l’élève lit, interprète ou rédige d’abord ; la production de l’IA devient ensuite un objet à comparer, critiquer ou rectifier.

La synthèse TraAM 2026 annonce ainsi six scénarios autour de la « polyphonie interprétative à l’ère de l’IA ». Parmi eux figurent une séquence associant poésie, rêve et génération d’images, ainsi qu’un travail sur Cendrars où les élèves transposent un texte en storyboard avant de confronter leurs choix aux productions générées.

Cette logique est didactiquement forte : l’IA devient utile non parce qu’elle « sait interpréter », mais parce que ses omissions, ses simplifications et ses stéréotypes rendent visibles certaines opérations de lecture.

Focus disciplinaire — français

Une règle de conception se dégage : faire intervenir l’IA après une première activité intellectuelle autonome.

4. Histoire-géographie : utiliser l’IA pour travailler le processus plutôt que le produit

[PED-AUT] [OFFICIEL] — mots-clés : esprit-critique, retour-terrain, évaluation, autonomie — niveau : confirmé

La lettre ÉduNum Histoire-Géographie n°57, publiée en février 2026, synthétise plusieurs expérimentations issues des TraAM consacrés à l’IA générative. L’objectif explicite est de recentrer l’action pédagogique sur le processus de construction des connaissances, plutôt que sur le seul résultat final.

Dans cette discipline, les IA génératives posent des problèmes particulièrement sensibles : hallucinations, faux documents, simplifications causales, biais ou omissions. L’intérêt pédagogique est donc moins de leur demander une synthèse que de faire vérifier leurs affirmations, comparer des récits et interroger les choix implicites de présentation.

Focus disciplinaire — histoire-géographie / EMC / EMI

Une réponse de chatbot peut devenir un document à critiquer : quelles affirmations nécessitent une source ? Quels acteurs sont absents ? Quel récit historique est implicitement construit ?

5. Philosophie : l’IA comme objet de réflexion autant que comme outil

[PED-AUT] [OFFICIEL] — mots-clés : esprit-critique, cognition, autonomie, évaluation — niveau : confirmé

Le Cahier ÉduNum Philosophie n°19, publié en juin 2026, inaugure une série consacrée à l’IA comme objet philosophique et outil pédagogique. Il propose notamment des réflexions autour des agents conversationnels et du thème de HLP « La recherche de soi ».

Cela ouvre des questions classiques sous une forme très contemporaine : qu’est-ce qu’un interlocuteur ? Une simulation d’empathie est-elle une forme d’empathie ? Peut-on attribuer intention, conscience ou compréhension à un système probabiliste ?

Focus disciplinaire — philosophie / HLP

L’intérêt pédagogique tient précisément à l’ambiguïté : les IA conversationnelles donnent l’apparence d’une subjectivité sans que l’on puisse leur attribuer une expérience subjective démontrée.

6. EPS : l’IA confronte immédiatement pédagogie et protection des données

[PED-AUT] [OFFICIEL] — mots-clés : feedback, données-personnelles, retour-terrain, autonomie — niveau : à surveiller

Éduscol a publié en juin 2026 une page spécifiquement consacrée aux usages pédagogiques de l’IA en EPS. Plusieurs académies travaillent désormais sur cette intégration.

L’EPS est un cas particulièrement instructif : l’IA peut intervenir dans l’analyse du mouvement, la personnalisation des exercices ou le feedback, mais cela implique potentiellement vidéos d’élèves, données corporelles ou informations physiologiques.

On voit ici très clairement qu’un outil peut être pédagogiquement séduisant tout en restant juridiquement ou techniquement inadapté à un usage scolaire.

Focus disciplinaire — EPS

La question essentielle devient : où vont les images et les données produites par les élèves ?

7. Cognition : une meilleure performance n’est pas nécessairement un meilleur apprentissage

[COG-PSY] [RECHERCHE] — mots-clés : cognition, métacognition, mémoire, autonomie — niveau : confirmé pour le cadre théorique

Un article de Nature Reviews Psychology formule une distinction devenue centrale : une IA peut améliorer fortement la performance observable sans améliorer proportionnellement l’apprentissage.

Un élève peut produire un meilleur texte ou résoudre davantage d’exercices parce que l’IA prend en charge une partie de la tâche. Mais si elle réalise précisément l’opération cognitive que l’élève devait apprendre — problématiser, récupérer une information en mémoire, vérifier une hypothèse, structurer un raisonnement — le résultat final peut masquer un apprentissage moindre.

La question n’est donc plus simplement : « l’IA aide-t-elle ? », mais : à quel moment son aide soutient-elle l’apprentissage, et à quel moment le remplace-t-elle ?

Un commentaire publié en juin 2026 ajoute un autre risque : l’usage des mêmes modèles pourrait contribuer à homogénéiser les idées produites. Les auteurs insistent sur la métacognition, la confrontation des perspectives et l’humilité intellectuelle comme facteurs de résistance à cette convergence.

Conséquence pédagogique

Une règle particulièrement utile : ne pas déléguer à l’IA l’opération cognitive que l’on cherche précisément à apprendre.

8. « Your Brain on ChatGPT » : intéressant, mais loin de prouver que l’IA « abîme le cerveau »

[COG-PSY] [RECHERCHE] — mots-clés : cognition, mémoire, écriture, attention — niveau : résultat préliminaire

Le preprint du MIT Media Lab compare trois conditions d’écriture : avec LLM, avec moteur de recherche et sans outil. 54 participants ont pris part aux trois premières sessions, puis 18 à une quatrième session.

Les auteurs rapportent notamment une connectivité EEG plus faible dans certaines mesures chez les utilisateurs de LLM, des productions davantage homogénéisées et une moindre capacité de certains participants à restituer précisément ce qu’ils avaient écrit.

Le résultat intéressant concerne donc l’appropriation cognitive : une production de bonne qualité peut correspondre à une activité mentale moins riche ou moins mémorisée.

Mais cette étude reste un preprint, avec un effectif modeste et une dernière session très réduite. Les mesures EEG sont par ailleurs complexes à interpréter. Il serait donc excessif d’en déduire un effet général et durable sur le cerveau.

La conclusion raisonnable est plus limitée : les modalités d’usage de l’IA pendant l’écriture peuvent modifier la nature de l’activité cognitive.

9. Français, mathématiques, langues : les expérimentations publiques d’IA adaptative se poursuivent

[PED-AUT] [POL-PUB] [OFFICIEL] — mots-clés : différenciation, feedback, autonomie, évaluation — niveau : expérimentation en cours

Le Partenariat d’innovation en intelligence artificielle pour le cycle 3 expérimente depuis janvier 2026 six services dans trois domaines : français, mathématiques et langues vivantes.

En mathématiques, Mathia-C3 associe manipulation, visualisation 3D et feedback immédiat ; Origamia combine activités sur papier et plateforme adaptative. D’autres dispositifs concernent le français et les langues.

Ces systèmes relèvent d’une autre famille que les chatbots génératifs : ils utilisent surtout des mécanismes de recommandation et d’adaptation pour modifier les exercices en fonction des réponses de l’élève.

Dans la même logique, M.I.A. Seconde propose plus de 20 000 exercices en français et mathématiques répartis en 24 modules adaptatifs. Le dispositif est issu d’une commande publique et fait l’objet d’une démarche d’évaluation pédagogique et scientifique.

Focus disciplinaire — mathématiques / français / langues

La question à surveiller n’est pas seulement celle de la personnalisation : il faudra regarder les effets réellement mesurés sur les apprentissages.

10. Open source : AnythingLLM illustre la possibilité d’un assistant scolaire fondé sur un corpus maîtrisé

[OSS] [OPEN-SOURCE] — mots-clés : RAG, local, open-source, données-personnelles — niveau : à surveiller

AnythingLLM est l’un des projets open source les plus visibles pour créer un assistant documentaire local ou auto-hébergé. Son principe est celui du RAG : le système recherche d’abord dans un corpus fourni par l’utilisateur, puis génère sa réponse à partir des passages retrouvés.

Le projet est sous licence MIT et reste activement développé en 2026. Ses versions et dépôts sont toujours mis à jour, avec prise en charge de différents fournisseurs de modèles et d’environnements locaux.

Pour l’éducation, l’intérêt est évident : un établissement ou un enseignant pourrait créer un assistant limité à un corpus validé — œuvres, archives, ressources institutionnelles, cours ou documents scientifiques — au lieu de recourir systématiquement à un chatbot généraliste.

Cela ne signifie pas qu’un tel système soit automatiquement sécurisé ou conforme au RGPD. Il faut encore examiner l’hébergement, l’authentification, les journaux, les modèles utilisés et les éventuelles API externes.

Exemple

En lettres, on peut imaginer un assistant limité à une œuvre et à quelques ressources critiques ; en histoire, à un dossier documentaire ; en sciences, à un corpus de protocoles validés.

À retenir aujourd’hui

1. Le cadre français ne cherche plus à interdire l’IA : il demande aux enseignants de scénariser précisément son usage.
2. Les expérimentations les plus intéressantes utilisent l’IA pour faire réfléchir sur un processus, et non seulement pour produire un résultat.
3. La distinction entre performance assistée et apprentissage réel devient centrale.
4. La réflexion est déjà réellement pluridisciplinaire : lettres, histoire-géographie, philosophie, maths, langues et EPS développent des usages très différents.
5. Les systèmes RAG locaux pourraient offrir une alternative intéressante aux chatbots généralistes.

À tester en classe

Réponse humaine d’abord, réponse IA ensuite. Dans n’importe quelle discipline, faire traiter une tâche sans IA, puis générer une réponse à la même consigne et demander aux élèves de comparer : ce que l’IA améliore, simplifie, oublie ou affirme sans preuve.

Audit de fiabilité. Donner une réponse générée comportant plusieurs affirmations vérifiables. Les élèves doivent les classer : vérifiée / discutable / fausse / impossible à vérifier sans source.

À surveiller

• Premières publications détaillées de l’Observatoire national.
• Résultats scientifiques des dispositifs M.I.A. et P2IA.
• Réplications des études sur écriture, mémoire et cognition.
• Application concrète de l’AI Act aux systèmes éducatifs.
• Nouveaux scénarios TraAM disciplinaires.
• Outils open source réellement déployables dans un établissement.