1. Le constat : l'IA est partout, et son usage est très inégal
Depuis la démocratisation de ChatGPT, l'IA générative est devenue un réflexe pour la majorité des étudiants. Ce n'est pas un scoop. Ce qui est plus intéressant, c'est la diversité des usages.
Certains étudiants utilisent l'IA comme un véritable outil de travail : ils s'en servent pour structurer leur pensée, challenger leurs idées, explorer un sujet sous un angle qu'ils n'auraient pas envisagé seuls. Ceux-là ont compris que l'IA est un sparring partner, pas un rédacteur.
D'autres — et ils sont nombreux — promptent avant de réfléchir. Ils tapent leur sujet de devoir dans ChatGPT, récupèrent le résultat, changent trois mots et rendent. Ils confondent "avoir une réponse" et "avoir appris quelque chose". Le livrable est produit, mais la compétence n'est pas développée.
Le problème n'est pas l'outil. C'est l'écart de maturité dans son usage. Et cet écart, c'est à nous — concepteurs de dispositifs pédagogiques — de le réduire.
Les étudiants qui utilisent le mieux l'IA sont souvent ceux qui maîtrisent déjà le sujet. L'IA amplifie les compétences existantes — elle ne les crée pas. Un étudiant qui ne sait pas structurer un raisonnement ne produira pas un bon prompt. C'est la même logique qu'avec Google : il faut savoir quoi chercher pour trouver.
2. La tentation du verrouillage
Face à l'usage massif de l'IA, la première réaction de beaucoup d'écoles est le verrouillage. Interdire ChatGPT en examen. Revenir aux copies papier. Installer des logiciels de détection d'IA sur les plateformes de rendu. Surveiller les écrans.
On comprend le réflexe. Quand un enseignant reçoit 30 copies qui se ressemblent étrangement, avec le même style, les mêmes tournures, les mêmes exemples un peu trop parfaits, la frustration est légitime. L'évaluation perd son sens si elle ne mesure plus le travail de l'étudiant.
Mais le verrouillage pose deux problèmes fondamentaux.
Premier problème : c'est une course perdue d'avance. Les outils d'IA évoluent plus vite que les interdictions. Les logiciels de détection d'IA sont de plus en plus contournables. Et les étudiants, natifs du numérique, trouveront toujours un moyen. Construire une stratégie d'évaluation sur l'interdiction, c'est construire sur du sable.
Deuxième problème : ça prépare les étudiants à un monde qui n'existe plus. Dans leur vie professionnelle, ces étudiants utiliseront l'IA au quotidien. Leur interdire de l'utiliser pendant leurs études, c'est comme si on avait interdit la calculatrice en cours de finance. La question n'est pas "est-ce qu'ils vont l'utiliser ?" — c'est "est-ce qu'ils sauront l'utiliser intelligemment ?".
3. Éduquer avant d'évaluer
Avant de se demander "comment empêcher la triche", il faut se poser une question plus fondamentale : est-ce qu'on a appris aux étudiants à utiliser l'IA correctement ?
Dans la plupart des écoles, la réponse est non. On leur dit "ne l'utilisez pas" ou "utilisez-la de manière responsable" — sans jamais définir ce que "responsable" veut dire concrètement. C'est comme leur dire "soyez créatifs" sans leur donner de méthodologie de créativité.
L'éducation à l'IA devrait être un préalable à toute évaluation. Et cette éducation commence par un message simple mais essentiel : il est indispensable d'apprendre à écrire avant d'apprendre à prompter.
Un bon prompt, c'est un bon brief. Et un bon brief, ça demande de savoir structurer sa pensée, formuler un problème, identifier ce qu'on cherche vraiment. Toutes des compétences qui s'acquièrent... en écrivant soi-même. Sans IA. L'IA n'est pas un raccourci vers la compétence — c'est un accélérateur pour ceux qui l'ont déjà.
C'est exactement la même logique qu'avec n'importe quel outil puissant. Vous ne donnez pas les clés d'une voiture à quelqu'un qui n'a pas appris à conduire. Vous ne donnez pas un scalpel à quelqu'un qui n'a pas étudié l'anatomie. L'outil amplifie — le meilleur comme le pire.
Dans nos hackathons IA, on commence toujours par une phase d'éducation. Les étudiants apprennent ce que l'IA fait bien, ce qu'elle fait mal, ses biais, ses limites. Ils doivent d'abord distinguer un contenu généré par l'IA d'un contenu humain. C'est seulement après cette phase qu'ils utilisent l'IA comme outil de production — avec un regard critique.
4. Repenser les formats d'évaluation
Soyons honnêtes : le devoir maison individuel rédigé seul chez soi est mort. Pas parce que les étudiants trichent — mais parce que ce format n'a plus aucun moyen de garantir qu'il mesure le travail réel de l'étudiant. Et aucun logiciel de détection ne changera ça.
La bonne nouvelle, c'est que ce format n'était déjà pas terrible avant l'IA. Il évaluait surtout la capacité à produire du texte — pas à penser, argumenter, collaborer ou résoudre un problème.
Quels formats résistent à l'IA ? Ceux qui obligent l'étudiant à démontrer en live qu'il a compris.
Les oraux et soutenances. Un étudiant qui a utilisé l'IA pour rédiger un rapport mais qui ne comprend pas ce qu'il a écrit se fait repérer en 30 secondes face à un jury qui pose des questions. L'oral est le format anti-triche par excellence — et c'est aussi le format le plus formateur.
Les pitchs collectifs. En équipe, devant un jury, avec des questions. Ici, on évalue non seulement la compréhension mais aussi la capacité à défendre une position, à répondre aux objections, à répartir la parole dans l'équipe.
Le prototypage en live. Demander aux étudiants de construire quelque chose — une maquette, un prototype, une démonstration — en temps réel, en salle. L'IA peut aider, mais elle ne peut pas se substituer à la compréhension du processus.
La documentation de processus. Plutôt qu'évaluer le livrable final, évaluez le journal de bord : comment l'étudiant a-t-il abordé le problème ? Quelles pistes a-t-il explorées ? Où s'est-il trompé ? Qu'a-t-il appris ? L'IA peut produire un résultat — elle ne peut pas simuler un processus d'apprentissage authentique.
5. Évaluer les compétences, pas le livrable
C'est le point central, et il rejoint directement l'approche par compétences. Si on évalue un PDF, l'IA gagne — elle produit des PDF impeccables. Mais si on évalue la capacité à défendre une idée, à répondre à des objections, à collaborer en équipe, à itérer sur un feedback — l'IA ne peut rien faire à la place de l'étudiant.
L'évaluation par compétences déplace le regard. On ne regarde plus ce que l'étudiant a produit — on regarde ce qu'il sait faire. Et "savoir faire", ça s'observe en situation, pas sur un document.
Un étudiant qui pilote son équipe pendant un design sprint développe des compétences de leadership observables. Un étudiant qui négocie avec un partenaire entreprise démontre des compétences de communication. Un étudiant qui pivote son projet après un feedback négatif montre sa capacité d'adaptation. Aucune de ces compétences ne peut être simulée par l'IA.
Le changement est radical mais libérateur : au lieu de concevoir des évaluations "IA-proof" (une bataille perdue d'avance), on conçoit des évaluations "humain-only" — des situations où seul l'humain peut performer.
6. Ce qu'on fait concrètement chez 361°
Dans nos dispositifs, l'évaluation est pensée dès la conception — pas ajoutée à la fin. Et elle repose sur un principe simple : évaluer en situation, pas après coup.
Chaque facilitateur est formé à observer les compétences en action. Pas à corriger des copies — à regarder comment les étudiants travaillent, communiquent, décident, rebondissent. Des grilles d'observation structurées garantissent la cohérence entre les 40 facilitateurs qui encadrent le même dispositif.
L'évaluation par les pairs complète le regard du facilitateur. Les coéquipiers évaluent la contribution de chacun — qui a porté le groupe, qui a écouté, qui a pris des initiatives. C'est une évaluation que l'IA ne peut pas simuler, parce qu'elle porte sur des comportements vécus ensemble.
L'auto-évaluation, enfin, développe la métacognition. L'étudiant évalue son propre niveau sur les compétences travaillées. L'écart entre son auto-évaluation et l'évaluation du facilitateur est en soi un indicateur précieux — et un point de départ pour le feedback individuel.
Est-ce que ça règle tout ? Non. Certains livrables intermédiaires sont probablement assistés par l'IA, et c'est difficile à détecter. Mais le livrable n'est pas l'évaluation — c'est le support de l'évaluation. Ce qui compte, c'est ce que l'étudiant démontre quand il le présente, le défend, et répond aux questions.
On n'a pas de solution miracle. Personne n'en a. Mais on a une certitude : les formats d'évaluation les plus résistants à l'IA sont ceux qui existaient avant l'IA — l'oral, la mise en situation, l'observation en live. L'IA n'a pas créé un nouveau problème — elle a rendu visible un problème ancien : on évaluait trop souvent des livrables plutôt que des compétences.
Conclusion
La réponse à l'IA dans l'évaluation n'est pas technologique — elle est pédagogique. Ce n'est pas un problème de détection ou d'interdiction. C'est un problème de conception.
Il faut éduquer les étudiants à l'IA avant de les évaluer avec ou sans elle. Il faut concevoir des évaluations où l'IA ne peut pas se substituer à l'étudiant. Et il faut accepter qu'apprendre à écrire, à penser, à structurer un raisonnement reste un préalable indispensable — avec ou sans intelligence artificielle.
L'IA ne remplace pas la compétence. Elle la révèle — ou elle révèle son absence.
Vous repensez vos formats d'évaluation ?
Nous concevons des dispositifs pédagogiques où l'évaluation par compétences est intégrée dès la conception — en situation, en équipe, en live.
Échanger sur votre projet →