En France, alors que 55% des étudiants du supérieur utilisaient l’intelligence artificielle générative en 2023 (étude Compilatio, 2023, portant sur environ 4 500 étudiants), ce chiffre est monté à 82% en 2025 (Pascal et al., 2025). L’usage de l’IA par cette population est donc passé de marginal à répandu en l’espace de 3 ans dans l’ensemble des pays de l’OCDE. Et dans le monde de la formation professionnelle, les outils d’IA s’implantent à un rythme comparable.
Derrière cette adoption massive et prévisible, une question reste largement ouverte : l’IA aide-t-elle vraiment à apprendre, et dans quelles conditions ? Ou donne-t-elle simplement l’illusion d’avoir appris ?
Le récent rapport publié par l’OECD (Digital Education Outlook 2026) apporte pour la première fois une réponse documentée à cette question. S’appuyant sur des essais randomisés contrôlés, des méta-analyses et des données de terrain à grande échelle, il dresse un portrait nuancé pour répondre à cette question centrale : oui, l’IA peut améliorer l’apprentissage, mais uniquement si elle est conçue avec une intention pédagogique claire… mais utilisée comme “raccourci”, elle risque au contraire d’affaiblir des compétences cognitives précieuses pour le mécanisme d’apprentissage.
Face à ce constat, comment offrir aux professionnels de la formation des repères concrets et clairs pour intégrer l’IA sans sacrifier ce qui fait la qualité d’un apprentissage durable ? Passons ces résultats au crible des six leviers cognitifs de l’apprentissage, le cadre que nous utilisons chez Cog’X pour analyser et concevoir des expériences de formation.
1. Le paradoxe fondamental : performer avec l’IA ne veut pas dire apprendre
Commençons par un des résultats le plus marquant du rapport. En Turquie, un essai randomisé contrôlé de grande envergure a suivi des lycéens qui utilisaient GPT-4 pour s’entraîner en mathématiques. Pendant la phase d’entraînement, les résultats étaient spectaculaires : un gain de 48% de performance avec un chatbot standard, et jusqu’à 127% de avec une version tutorat conçue pour guider l’apprentissage. De quoi conclure attentivement sur des bénéfices fous de l’IA …
Mais lors de l’examen final, cette fois-ci sans IA, les élèves qui avaient utilisé le chatbot standard ont obtenu un score de 17% en dessous du groupe qui n’avait pas utilisé d’IA du tout. Autrement dit, l’IA n’a pas simplement échoué à améliorer l’apprentissage, elle l’aurait même dégradé.
Comment expliquer cela ? Ce résultat illustre ce que les chercheurs du rapport de l’OCDE appellent le « mirage de fausse maîtrise ». Autrement dit, l’IA permet de produire des résultats de haute qualité tout en masquant des lacunes réelles dans les compétences sous-jacentes. La performance augmente, mais l’apprentissage au mieux stagne, au pire recule.
Et ce n’est pas un résultat isolé. Une méta-analyse menée par Vaccaro et collaborateurs (2024), portant sur 106 études expérimentales de collaboration humain-IA, montre qu’en moyenne, les ces combinaisons performent moins bien que le meilleur des deux acteurs seuls, en particulier sur les tâches de décision. La synergie humain-IA ne s’improvise donc pas, elle se conçoit.
Qu’est-ce que ces données apportent comment éclairages pour la fonction formation ? Qu’évaluer la qualité d’une production assistée par l’IA ne dit rien sur ce que l’apprenant a réellement appris. Les dispositifs de formation doivent pouvoir mesurer l’apprentissage indépendamment de la performance augmentée lors d’une mise en pratique assistée par l’IA.
2. L’IA passée au crible des 6 leviers cognitifs de l’apprentissage
Chez Cog’X, nous analysons toute expérience de formation à travers six leviers cognitifs, ancrés dans la littérature scientifique. Chacun représente une condition nécessaire pour qu’un apprentissage soit durable, transférable et engageant. Le rapport OCDE nous permet, pour chacun d’entre eux, de faire le point sur ce que l’IA apporte et ce qu’elle menace.
1. Maintenir l’attention
L’attention est la porte d’entrée de tout apprentissage : sans elle, l’information ne franchit même pas le seuil de la mémoire de travail. L’IA générative, par sa capacité à personnaliser le contenu en temps réel, promet de maintenir chaque apprenant dans sa zone proximale de développement, ce niveau de difficulté idéal, ni trop facile (ennui), ni trop difficile (décrochage) qui peut éviter la surcharge mentale liée à trop d’informations nouvelles à traiter en même temps.
Mais le rapport de l’OCDE pointe un revers inattendu sur cet aspect : une étude comparant l’usage de ChatGPT à un moteur de recherche classique pour une tâche d’investigation scientifique montre que les étudiants utilisant le LLM ont ressenti une charge cognitive significativement plus basse. Bonne nouvelle ? Pas forcément. Cette facilité s’est accompagnée de raisonnements de moindre qualité et d’argumentations moins solides dans leurs recommandations finales. Or, produire un effort cognitif actif est ingrédient clé de l’apprentissage. En réduisant la charge de la recherche d’informations, l’IA risque finalement de réduire l’engagement attentionnel soutenu, nécessaire à leur compréhension.
2. Engager activement
Malheureusement, c’est probablement le pilier le plus menacé par un usage non guidé de l’IA, avec pour risque le phénomène que les chercheurs nomment la « paresse métacognitive » : quand l’IA fournit des réponses directes, les apprenants cessent de mobiliser les processus de vérification, de réflexion et d’auto-évaluation qui sont au cœur de l’apprentissage profond.
L’étude de Fan et collaborateurs (2024) est éclairante : des étudiants assistés par ChatGPT pour rédiger un essai ont obtenu de meilleures notes que le groupe sans IA. Mais lors d’un test de transfert de connaissances sur de nouveaux sujets, aucune différence n’a été observée. Autrement dit : les gains de performance sur un sujet ne se sont pas traduits en apprentissage transférable sur un nouveau sujet connexe. Plus préoccupant : les étudiants du groupe IA étaient significativement moins enclins à s’engager dans des activités métacognitives : ils sautent les étapes d’évaluation et d’itération, et de supervision pour aller directement à la solution fournie par l’IA !
Il y aurait une distinction importante à faire entre un usage dit lent de l’IA (itératif, réflexif, où l’apprenant reste maître de sa démarche et contrôle les différentes étapes de construction des savoirs) et un usage dit rapide où l’IA s’envisage comme un « distributeur de réponses ». Seul le premier favorise l’engagement actif. C’est la différence entre utiliser l’IA comme un partenaire de réflexion et l’utiliser comme un raccourci pour aller plus vite en grillant toutes les étapes essentielles à la consolidation.
3. Donner du feedback
Le feedback est un levier d’apprentissage parmi les mieux documentés en sciences cognitives. Et c’est précisément l’un des domaines où l’IA générative montre le plus de promesses, mais aussi des limites révélatrices.
Côté promesses : une étude comparative publiée en 2024 montre que GPT-4 produit un feedback plus lisible et plus structuré que celui des formateurs humains. Il est particulièrement performant sur le feedback qui porte sur les stratégies d’apprentissage plutôt que sur la seule correction d’erreurs. L’immédiateté et la disponibilité permanente sont d’autres atouts évidents, surtout dans des contextes de formation à distance ou avec des ratios formateurs / apprenants élevés.
Côté limites : le rapport révèle que les apprenants perçoivent systématiquement le feedback humain comme plus crédible, plus significatif et plus motivant. Même lorsque le feedback IA produit des résultats équivalents en termes de performance mesurée, les apprenants lui font moins confiance et agissent moins dessus. Le feedback ne se réduit pas à de l’information, il comporte une dimension relationnelle et émotionnelle clé (confiance, reconnaissance, encouragement) que l’IA ne reproduit pas.
Le consensus qui se dégage est donc celui d’une approche hybride : l’IA génère un premier feedback rapide et structuré, le formateur l’enrichit et le personnalise, le contextualise et y ajoute la dimension relationnelle humaine indispensable Cette approche libère du temps pour ce qui compte vraiment : l’accompagnement humain sur les points de blocage profonds, et le soutien social pour maintenir la motivation.
4. Favoriser la consolidation
Il est clair que sans consolidation, tout apprentissage est éphémère et voué à l’oubli. Les études sur le sujet en psychologie cognitive nous enseignent que la mémorisation durable repose sur un effort conscient de récupération de la part de l’apprenant (aussi appelé testing effect), mais aussi sur la réactivation espacée dans le temps. Or, c’est précisément ce que l’usage « raccourci » de l’IA tend à éliminer.
Le résultat le plus frappant sur ce pilier vient d’une étude du MIT. Des apprenants ayant rédigé un essai avec l’assistance d’IAC n’ont pu rappeler que 12% du contenu de leur texte, contre 89% pour ceux qui avaient écrit seuls. Les mesures d’imagerie cérébrale ont confirmé une moindre activation neuronale lors de la rédaction assistée, ce n’est pas une simple histoire moindre performance.
Ce résultat n’est pas surprenant si on se réfère aux travaux du chercheur Robert Bjork sur les « difficultés désirables » : l’effort investi dans la production d’un contenu est précisément ce qui permet son encodage en mémoire à long terme. Quand l’IA prend en charge cet effort, l’information reste en mémoire à court terme chez l’apprenant et nourrit même l’illusion que comme l’apprentissage est facile alors il porte ses fruits.
5. Stimuler la motivation intrinsèque
La motivation intrinsèque, c’est-à-dire apprendre pour le plaisir de comprendre, de progresser, de maîtriser, est le “carburant” de l’apprentissage durable. Le rapport de l’OCDE révèle une relation ambivalente entre l’IA et ce levier.
D’un côté, l’essai contrôlé de Harvard montre qu’un tuteur IA conçu avec des principes pédagogiques solides (tel que l’étayage progressif) peut générer une motivation et un engagement supérieurs à ceux d’une formation en salle, avec une amplitude forte. L’explication : l’IA maintenait les apprenant dans leur zone proximale de développement, créant un sentiment de compétence et de progression qui alimentait l’envie de continuer d’apprendre.
De l’autre côté, les données montrent que l’IA peut avoir un effet positif pour les apprenants modérément motivés, mais qu’elle atteint ses limites face à une motivation faible couplée à un challenge trop élevé. L’absence d’encouragements personnalisés, de renforcement positif et d’interaction sociale humaine peut créer un vide motivationnel que la technologie ne comblera pas.
Par ailleurs, le rapport note une tendance préoccupante : sous pression académique ou professionnelle, les apprenants se tournent vers l’IA non pas pour apprendre mais pour « survivre », soit une utilisation corrélée à davantage de procrastination, une moindre réussite dans l’utilisation des savoirs, et même un sentiment de “perte de mémoire”.
6. Nourrir les échanges entre pairs
L’apprentissage est fondamentalement social. À ce titre, l’IA générative pourrait jouer plusieurs rôles dans l’apprentissage collaboratif : être un “hub” d’informations partagé, générer des matériaux personnalisés pour le travail de groupe, et encore accélérer la production de contenus issus de l’intelligence collective pour avoir une synthèse tangible des nouvelles idées.
Par exemple, une récente étude a montré que des apprenants utilisant un outil IA de mind mapping collaboratif ont non seulement surpassé le groupe contrôle en performance, mais ont aussi démontré un processus de construction de connaissances plus sophistiqué, progressant de la simple juxtaposition d’idées individuelles vers une véritable synthèse collective (An et al. 2025).
Mais les preuves restent encore limitées, même si cela est trivial : le risque majeur est celui d’un remplacement des interactions humaines par des interactions humain-machine. La motivation, les relations inter-personnelles et l’apprentissage socio-émotionnel restent inhérents à l’espère humaine. L’IA ne remplacera pas un débriefing personnalisé entre pairs après une mise en situation, ni des sessions de co-développement, ou encore un mentorat en phase d’on-boarding.
En conclusion : L’IA dans la formation : ni totem, ni tabou. Un outil à concevoir
- L’IA remplace-t-elle ici un effort cognitif que l’apprenant devrait fournir ?
- Préserve-t-elle l’engagement actif ou l’esquive-t-elle ?
- Complète-t-elle le feedback humain ou s’y substitue-t-elle ?
Le défi que pose l’OCDE est finalement celui que nous portons chez Cog’X depuis le début : s’assurer que la technologie serve le fonctionnement cognitif humain, et non l’inverse.
En résumé : les 6 leviers cognitifs face à l’IA
| Levier cognitif | Ce que l’IA peut apporter | Ce que l’IA peut menacer |
|---|---|---|
|
Maintenir l’attention |
Personnalisation en temps réel, zone proximale |
Réduction de l’effort cognitif bénéfique |
|
Engager activement |
Usage « lent » et itératif, questionnement socratique |
Paresse métacognitive, usage « rapide » |
|
Donner du feedback |
Feedback immédiat, structuré, niveau processus (97%) |
Manque de crédibilité perçue, dimension relationnelle absente |
|
Favoriser la consolidation |
Espacement, entraînement ciblé |
12% vs 89% de rappel, fausse maîtrise |
|
Stimuler la motivation |
Zone proximale, sentiment de compétence |
Limites si motivation faible, usage instrumental |
|
Nourrir les échanges |
Préparation des temps collectifs, synthèse |
Risque de remplacement des interactions humaines |
Pour en discuter avec l’un de nos experts, c’est ici :
Références
Rapport principal :
OECD. (2026). OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing.
Études citées :
An, S., Zhang, S., Lu, W., Zhang, Z., & Cai, Z. (2025). Impacts of generative AI on student’s task performance and collaborative knowledge construction process in mind mapping-based collaborative environment. Computers & Education, 227, 105-227.
Cukurova, M. (2026). A conceptual framework for teacher-AI teaming in education: Harnessing GenAI to enhance teacher agency. In OECD (Ed.), OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing.
Darvishi, A., Khosravi, H., Sadiq, S., Gašević, D., & Siemens, G. (2024). Impact of AI assistance on student agency. Computers & Education, 210, 104967.
Fan, Y., Tang, H., Le, K., Shen, S., Tan, Y., Zhao, Y., Shen, X., Li, & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489-530.
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), 17458.
Kosmyna, N., Hauptmann, E., Yuan, Y.T., Situ, J., Liao, X.-H., Beresnitzky, A.V., Braunstein, I., & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT.
Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293-2303.
