« L’IA générative nous oblige à regarder la réalité des pratiques étudiantes en face »

L’intelligence artificielle générative s’impose désormais dans les pratiques d’apprentissage et d’enseignement. À l’INSA Lyon, cette transformation est activement accompagnée. Thomas Grenier, enseignant-chercheur au département Génie électrique, spécialiste du traitement d’images médicales et du deep learning, est également chargé de mission « formation et numérique ». Il décrypte les effets de l’IA générative sur la pédagogie, l’évaluation et la formation des futurs ingénieurs.

En quoi l’IA générative change-t-elle concrètement la manière d’enseigner et d’apprendre à l’INSA Lyon ?
Les étudiants ont toujours utilisé des ressources extérieures : des cours trouvés ailleurs, des tutoriels, des comptes rendus d’anciens étudiants, etc. Ce qui change aujourd’hui, c’est l’ampleur et la facilité d’accès. Et le premier élément qui vient, ce sont les enjeux de l’évaluation. Si l’on demande un devoir maison ou un rapport sans cadre précis, il devient très raisonnable de penser qu’on n’évalue plus réellement les compétences individuelles de l’étudiant. On s’aperçoit que certains outils d’évaluation, que l’on pensait fiables, ne le sont plus forcément. Cela force à distinguer ce qui relève de l’apprentissage et ce qui relève de l’évaluation, et à accepter que le rendu écrit ne peut plus, à lui seul, servir de preuve de compétence. Cette nouvelle technologie oblige à regarder la réalité des pratiques étudiantes en face. L’accompagnement est indispensable. Une charte sur les IA génératives est d’ailleurs en cours de déploiement à l’INSA Lyon, et sera soumise au vote du conseil d’administration en mars 2026.

Quels usages observez-vous aujourd’hui chez les étudiants ?
L'usage est déjà massif. On ne peut pas ignorer que presque 100% des 13-18 ans ont déjà utilisé ces outils. À l’INSA Lyon, cette prise de conscience a été relativement précoce. Dès l’arrivée de ces outils auprès du grand public, l’équipe ATENA¹ a proposé des formations aux enseignants pour les aider à les comprendre et à les intégrer. L’enjeu n’est pas d’ignorer ou d’interdire, mais de réfléchir à ce que l’on veut réellement faire apprendre aux étudiants. Un questionnaire diffusé au printemps dernier à nos étudiants INSA Lyon montre qu’ils s'en servent pour synthétiser des rapports ou comprendre des points de cours complexes. Cette étude fait aussi état des préoccupations fortes, notamment un sentiment d’inégalité entre ceux qui utilisent ces outils et ceux qui s’y refusent, mais aussi d’une inquiétude sur l’impact environnemental et intellectuel à long terme. Certains étudiants expriment très clairement leur attachement au plaisir d’apprendre et à l’effort intellectuel. L’enjeu est donc de leur donner des clés de compréhension : comment fonctionnent ces outils, quelles sont leurs limites, leurs biais, leurs impacts environnementaux et sociétaux, et dans quels cadres leur usage est pertinent ou non. Nous devons juger la démarche scientifique, les tests effectués et la capacité de l'étudiant à critiquer sa propre solution. 

Et chez les enseignants ? 
Côté enseignants, s’il n’y a pas eu d’étude, on sent que les questionnements sont assez similaires. Certains sont réticents pour des raisons éthiques ou écologiques, d'autres l'intègrent comme un outil de brainstorming. Personnellement, je m'en sers régulièrement pour renouveler mes sujets d'examen. Après 20 ans d'enseignement, on peut tourner en rond. J'ai récemment demandé à une IA de me proposer un nouveau sujet informatique pour motiver ma classe de Génie électrique. Cela m'a permis de construire un examen de bon niveau, très factuel, sur un domaine que je n'avais jamais abordé sous cet angle. L'IA devient alors un assistant qui nous aide à produire des contenus différents et plus ambitieux. C’est un gain de temps que l’on peut réinvestir dans la séquence pédagogique et l’évaluation.

Comment l’IA générative remet-elle en question les modes d’évaluation, et comment l’établissement s’adapte-t-il ?
La question de la triche est évidemment centrale, mais elle masque un problème plus profond : celui de l’adéquation des évaluations. Pendant longtemps, on s’est reposé sur des rendus écrits, des examens moodle, des devoirs maison ou des rapports pour évaluer les étudiants. Aujourd’hui, ces formats ne permettent plus toujours de vérifier les compétences individuelles que l’on cherche à évaluer. Cela nous oblige à repenser les modalités : des écrits sur table, davantage d’oraux, d’évaluations en temps limité, de problèmes proches mais inédits, ou de mises en situation concrètes. L’idée n’est pas d’interdire le numérique ou l’IA pour les évaluations, mais de clarifier ce que l’on évalue. Si l’objectif est d’évaluer une capacité de raisonnement ou une démarche scientifique, alors il faut créer des conditions qui permettent réellement de l’observer.

Quelle est votre vision de l’évolution de l’enseignement dans les prochaines années avec l’IA générative ?
Je pense que l’enseignement devrait évoluer vers un recentrage sur les compétences fondamentales : la démarche scientifique, l’esprit critique, la capacité à formuler un problème, à analyser une réponse et à interagir efficacement avec des collaborateurs, qu’ils soient humains ou artificiels. Savoir dialoguer efficacement avec une IA, c’est savoir formuler précisément les bonnes questions, détecter ce qui est faux ou approximatif et ajuster sa demande. Ce sont des compétences très proches de celles que l’on mobilise dans le travail collectif et le management de projet. L’IA n’est pas une fin en soi, ni un substitut au raisonnement. Comme la calculatrice en son temps, c’est un outil puissant qui permet d’aller plus loin, à condition de former des ingénieurs capables de l’utiliser avec discernement. J’imagine une sorte de « permis » : une fois que l’étudiant a prouvé qu’il maîtrisait le socle fondamental, on lui donne la liberté d’utiliser l’IA sur des projets plus complexes.

[1] Appui aux Techniques de l'Enseignement, du Numérique et de l'Apprentissage