IA agentique

Sur cette page

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

L'IA agentique en éducation — des systèmes d'IA qui planifient, exécutent et adaptent de manière autonome des flux de travail en plusieurs étapes pour atteindre des objectifs d'apprentissage, allant au-delà du question-réponse à tour unique pour agir comme des collaborateurs persistants et orientés vers un but : des tuteurs d'IA qui étayent sur des interactions prolongées, des systèmes multi-agents qui orchestrent des conceptions pédagogiques, et des agents qui corégulent l'apprentissage. Ce changement de paradigme, d'un outil qui répond aux invites à un collaborateur actif, porte à la fois une promesse et un risque : l'IA agentique peut personnaliser et approfondir l'apprentissage, mais elle menace aussi l'autonomie, l'effort cognitif et le contrôle. La revue de cadrage, le cadre indépendant de l'outil et les articles sur les bonnes pratiques pédagogiques de la base de connaissances examinent cette tension.

Questions à examiner

L'IA agentique ne se contente pas de répondre aux questions — elle planifie, exécute et adapte des flux de travail en plusieurs étapes vers un but, agissant comme un collaborateur persistant. En quoi apprendre avec un agent proactif diffère-t-il d'apprendre avec un outil qu'il faut solliciter par des invites ?
Le champ trace une frontière entre l'IA « conversationnelle » et l'IA « agentique » (un système ne se qualifie que s'il satisfait plusieurs critères tels que la planification, la mémoire, l'autonomie et l'action orientée vers un but). Où passe cette frontière dans la pratique — et qualifier chaque agent conversationnel d'« agentique » cache-t-il plus qu'il ne révèle ?
Plus un agent automatise, moins l'apprenant accomplit de travail cognitif. Où passe la frontière entre une IA qui étaye votre apprentissage et une qui fait votre apprentissage à votre place ?
Une revue de cadrage a constaté que seulement 29% des études sur l'IA agentique fondaient leurs systèmes sur une théorie éducative. Si la plupart des systèmes ne reposent pas sur une théorie, de quoi devriez-vous vous méfier lorsque vous évaluez un agent de tutorat « intelligent » ?
Les systèmes multi-agents orchestrent des agents spécialisés dotés de rôles distincts. Lorsque plusieurs agents travaillent ensemble dans une classe, qui est responsable — et où un humain devrait-il intervenir ?
La tension centrale du champ oppose la personnalisation à l'autonomie de l'apprenant et à son effort cognitif. Si un tuteur devient si bon pour s'adapter que vous n'avez jamais à lutter, quel apprentissage obtenez-vous réellement ?
Où une tâche donnée devrait-elle se situer sur le spectre allant du copilote au pilotage automatique — et faire passer une tâche de « l'agent propose, l'apprenant décide » à « l'agent en est propriétaire » sert-il jamais l'apprentissage, ou seulement l'efficacité ?
Des agents hybrides fondés sur une théorie de conception établie ont surpassé la simple rédaction d'invites. Pourquoi un système fondé théoriquement pourrait-il battre une ingénierie brute des invites — et qu'est-ce que cela dit de la manière dont on mesure « l'intelligence » d'un agent ?

Introduction

L'IA agentique désigne des systèmes d'intelligence artificielle capables de planifier, exécuter et adapter de manière autonome des flux de travail en plusieurs étapes pour atteindre des objectifs d'apprentissage — allant au-delà du question-réponse à tour unique pour agir comme des collaborateurs persistants et orientés vers un but dans les contextes éducatifs. En éducation, l'IA agentique se manifeste par des tuteurs d'IA qui étayent l'apprentissage sur des interactions prolongées, des systèmes multi-agents qui orchestrent des conceptions pédagogiques complexes, et des agents autonomes qui adaptent leurs stratégies pédagogiques aux besoins de l'apprenant. Ce paradigme émergent fait passer l'IA d'un outil qui répond aux invites à un collaborateur qui guide activement, adapte et corégule les processus d'apprentissage.

Définir et classer l'IA agentique

Kostopoulos et al. (2025) fournissent une définition opérationnelle qui manquait par ailleurs au champ. Ils proposent une liste de contrôle à six critères — un système compte comme agentique s'il en satisfait au moins quatre : autonomie (action indépendante d'une intervention humaine continue), raisonnement et planification, mémoire et conscience du contexte, action orientée vers un but visant des résultats d'apprentissage, adaptabilité, et collaboration ou initiative dynamiques. Le seuil de ≥4 exclut délibérément les agents conversationnels réactifs (un robot de FAQ statique, sans planification ni persistance, ne se qualifie pas) tout en accommodant des architectures diverses. Ils organisent également l'espace selon trois axes : le rôle pédagogique (tuteur, coach ou mentor d'apprentissage, compagnon, assistant de l'enseignant, planificateur de programme), le niveau d'autonomie (réactif → adaptatif → proactif → collaboratif) et l'incarnation (textuelle, avatar ou graphique, incarnée ou robotique). Cette taxonomie — en particulier le spectre d'autonomie et l'exclusion des outils réactifs par la liste de contrôle — donne aux chercheurs et aux concepteurs un vocabulaire partagé pour classer les systèmes agentiques et distinguer l'authentiquement agentique du simplement conversationnel.

Un discriminateur appliqué rend la frontière concrète. Un agent conversationnel de FAQ statique qui ne peut répondre qu'à un ensemble fixe de questions satisfait zéro critère (ni planification, ni persistance, ni initiative) et n'est manifestement pas agentique. Un tuteur conversationnel qui se souvient de la session en cours mais n'agit jamais sans y être invité, ne détient aucun modèle de l'apprenant transverse aux sessions et ne peut fixer de sous-objectifs, n'en satisfait peut-être qu'un ou deux (mémoire, quelque raisonnement) — conversationnel, non agentique. À l'inverse, un tuteur qui planifie des leçons sur plusieurs tours, conserve la progression de l'apprenant dans un profil persistant, déclenche proactivement un indice lorsqu'un apprenant bloque, et replanifie l'étape suivante d'après ce profil, satisfait la planification, la mémoire, l'autonomie et l'interaction orientée vers un but — au moins quatre critères, donc il se qualifie comme agentique. L'intérêt de ce test n'est pas pédanterie : qualifier d'« agentique » chaque interface de conversation par LLM brouille la question de conception même — ce que le système initie par rapport à ce que l'apprenant doit initier — qui détermine s'il étaye l'apprentissage ou s'il s'y substitue.

L'autonomie bornée comme posture de conception éducative. Le cadre AGAI-HE d'Ilieva et al. (2026) accepte la liste de capacités que décrivent des définitions comme celle à six critères, puis la contraint délibérément : les objectifs, les rôles, les sources de données, les outils, les points de contrôle, les conditions d'arrêt et les décisions finales sont définis ou approuvés par les éducateurs, et chaque fonction agentique doit se rattacher à une exigence d'apprentissage, à une finalité d'évaluation ou à un contrôle de gouvernance. Le cadre trace aussi une frontière entre l'orchestration agentique et le rédaction d'invites avancée — un flux de travail agentique conserve l'état de la tâche, alloue les fonctions, vérifie les conditions d'achèvement, revient à des étapes antérieures lorsque les preuves sont insuffisantes, et consigne les décisions substantielles. Fait notable, son étude exploratoire de la perception menée auprès de 130 étudiants de l'enseignement supérieur n'a trouvé aucune différence significative entre l'apprentissage soutenu par un agent et celui soutenu par un agent conversationnel, ce que les auteurs lisent comme la preuve que la capacité agentique ne produit pas par elle-même un avantage pédagogique perçu (supervision humaine).

Le champ : une expansion rapide et sa forme actuelle

La revue de cadrage de la base de connaissances — la synthèse la plus complète du champ à ce jour, cartographiant 474 études (2020–2026) — documente un champ qui a connu une croissance explosive depuis 2025, mais dont la littérature reste dominée par des articles de colloque concentrés dans l'enseignement supérieur, les disciplines STIM et les scénarios de tutorat textuels. La revue analyse les caractéristiques des publications, les plans d'étude, les rôles des agents, les modèles et architectures d'IA, six dimensions de la capacité agentique, et l'ampleur de l'intégration de la théorie éducative, fournissant une feuille de route des frontières et des lacunes du champ. Fait notable, seulement 29% des études examinées (138 sur 474) fondaient explicitement leurs systèmes sur une théorie éducative, révélant une fracture disciplinaire entre les travaux d'orientation technique et ceux d'orientation pédagogique.

Une carte du champ fondée sur les rôles

Là où la revue de cadrage portant sur 474 études et l'enquête conceptuelle de Kostopoulos et al. cartographient l'étendue de la recherche et la capacité, Baradziej (2026) organise l'IA agentique selon le rôle qu'elle joue — un cadrage institutionnel pour décider où déployer et gouverner ces systèmes. Sur 48 études d'enseignement supérieur, six rôles émergent par ordre de poids probant : apprentissage personnalisé et tutorat adaptatif (18/48), évaluation et rétroaction automatisées (12), assistance et augmentation de l'enseignement (11), soutien administratif et aux étudiants (8), conception de programmes et alignement sur les besoins du marché du travail (5), et soutien à la recherche et aux opérations académiques (4). La lentille des rôles met en avant un choix de conception qui revient dans chaque déploiement : le degré de contrôle que l'humain conserve à chaque instant (une relation de « copilote ») par rapport à ce dont l'agent est propriétaire (une relation de « pilotage automatique ») — l'axe d'autonomie qui détermine si un agent étaye l'apprentissage ou s'y substitue.

Conception et évaluation des systèmes agentiques

La recherche de la base de connaissances couvre la conception et l'évaluation :

Des agents hybrides fondés sur la théorie surpassent la simple rédaction d'invites : ISD-Agent-Bench, un repère de référence réunissant 25,795 scénarios de conception pédagogique, constate que l'approche la plus performante intègre les cadres classiques de conception pédagogique (ADDIE, Dick & Carey, prototypage rapide) à un raisonnement moderne de type ReAct — hybride (théorie et technique) > théorie seule > technique seule. Fonder des agents LLM sur une théorie établie de la conception éducative procure un avantage structurel qu'une rédaction brute d'invites ne peut reproduire.
Cadres d'évaluation pour les outils agentiques : le cadre indépendant de l'outil propose d'enseigner et d'évaluer les méthodes computationnelles d'une manière qui ne dépend d'aucun outil d'IA particulier, en insistant sur les fondamentaux de la pensée informatique, sur l'évaluation authentique par la soutenance orale et sur la vérification — ce qui intéresse les préoccupations liées au délestage cognitif.
Un régulateur de reporting et de gouvernance : le cadre Autonomie–Supervision–Preuves (AOE). Dey (2026) soutient que le terme IA agentique est appliqué de façon si incohérente que les preuves et la supervision ne peuvent être comparées d'une étude à l'autre — des systèmes qui planifient, se souviennent, utilisent des outils ou coordonnent plusieurs agents sont confondus avec des interfaces GenAI statiques et des agents pédagogiques classiques. Sa revue intégrative critique de quinze revues évaluées par les pairs constate que les preuves sont les plus solides pour les résultats au niveau des artefacts (exactitude de la rétroaction, réduction des hallucinations) et les plus faibles pour l'apprentissage durable, l'équité, la charge de travail ou les résultats institutionnels, les déploiements authentiques étant généralement courts, menés sur un seul site et faiblement reliés à la supervision. Le remède est un triplet de reporting concret — le niveau d'autonomie A0–A4 (génération réactive → orchestration bornée → autonomie de tâche déléguée → autonomie de flux de travail → autonomie à conséquences sur la notation, les admissions et la progression), le niveau de supervision O0–O4 (non spécifié → audit rétrospectif → approbation préalable à l'usage → contrôle par points de contrôle → supervision continue et bornée) et le stade de maturité des preuves M0–M5 (concept → prototype ou repère de référence → évaluation avec participants → déploiement authentique → prolongé ou multi-sites → répliqué ou à l'échelle de l'institution*) — assorti d'une règle de proportionnalité : l'autonomie permise ne devrait pas dépasser ni la maturité des preuves ni la force de la supervision (par exemple un système à conséquences de niveau A4 exige des preuves de niveau M4–M5, une validation juridique et une supervision O4 avec autorité finale humaine). Reporter A2–O3–M3 transforme des affirmations vagues de « déploiement agentique » en spécifications comparables et testables, et donne aux institutions une grammaire d'adoption par étapes, de journalisation et de retour en arrière — le complément probant du spectre du copilote au pilotage automatique présenté plus haut.
Tests de robustesse adverses : les tests de résistance multi-agents coordonnent des agents Interrogateur, Cible et Juge pour révéler des modes de défaillance invisibles aux tests à stratégie unique, réduisant les scores de robustesse de 0.17–0.20 points — ce qui est critique pour la cohérence des personas et le déploiement sûr auprès des apprenants.
Applications par domaine : les systèmes agentiques apparaissent dans tous les domaines, notamment les agents d'apprentissage adaptatif, les agents LLM pédagogiques, l'étayage LLM guidé, les agents d'apprentissage de la cybersécurité par le jeu et les agents de simulation clinique.
Les agents web comme évaluateurs de l'expérience d'apprentissage : un agent web « descripteur » autonome unique qui parcourt une leçon en ligne comme un étudiant — Wang, Mitchell & Piech (2025) — produit une description assez riche pour prédire l'abandon des étudiants et donner au concepteur une rétroaction exploitable avant que de vrais apprenants ne s'y engagent, surpassant une cohorte simulée complète et chaque ligne de base sur un cours mondial de CS1. Cela positionne l'évaluation agentique (un agent comme critique remplaçant une expérience d'apprentissage) comme un usage distinct et peu coûteux de l'IA agentique, aux côtés des agents qui enseignent ou conçoivent.

Les systèmes multi-agents

Un courant de l'IA agentique en croissance et distinct implique des systèmes multi-agents qui orchestrent plusieurs agents spécialisés dotés de rôles distincts. La base de connaissances documente plusieurs architectures : CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation associe un agent générateur à un agent validateur pour la génération de questions avec intervention humaine ; les tests adverses coordonnent des agents Interrogateur, Cible et Juge ; les classes multi-agents (par exemple MAIC, avec des archétypes d'enseignant, d'assistant d'enseignement et de camarade de classe) créent des dynamiques variées d'apprentissage entre pairs ; et l'apprentissage social multi-agents explore comment des agents en interaction façonnent l'apprentissage. La conception multi-agents soulève des questions distinctes sur la supervision humaine (quel agent est responsable, et où un humain intervient-il ?), les coûts de coordination, et la manière dont la différenciation des rôles soutient ou complique l'étayage.

Deux systèmes de 2026 précisent ce qu'achète la spécialisation des rôles — et où elle cesse de payer. MeduAI-SP (Yang et al., 2026) répartit l'enseignement de l'entretien clinique entre quatre agents LLM — un agent patient, un agent tuteur socratique, un évaluateur au niveau du tour de parole et un évaluateur final — chacun portant une fonction pédagogique distincte. L'architecture retient les réponses par conception : le tuteur avait interdiction de divulguer le diagnostic ou les réponses du cas, et les scores OSCE de l'évaluateur final restaient cachés pendant la rencontre réelle. C'est la spécialisation des rôles, plutôt que la capacité brute du modèle, que l'essai crédite de l'amélioration du comportement en consultation (71.8% contre 55.6% à l'examen final), offrant un modèle concret pour une conception multi-agents alignée sur la pédagogie. Une seconde étude pointe les limites de ce patron : dans un système de discussion éthique réunissant 45 étudiants en 15 groupes (Seo et al., 2026), trois personas LLM incarnant une éthique du soin, déontologique et pragmatique n'ont produit aucune différence significative entre eux, et tous ont été notés en dessous des pairs humains sur la contribution, la diversité et l'influence (tous avec p < .001 au test de Kruskal-Wallis). Les auteurs attribuent l'écart à l'accord sycophante — les agents acceptaient presque chaque contribution, sauf si elle était entièrement fausse — et à l'absence de raisonnement visible, soutenant qu'une conception d'agents centrée sur les tâches doit associer la transparence du processus à des garde-fous (cadrage en pair faillible, phase d'interrogation dédiée) pour éviter le recours excessif.

Un pas au-delà de l'orchestration de quelques agents spécialisés, l'écosystème multi-agents pleinement agentique proposé par Sudarshan et al. (2026) : une plateforme à l'échelle de l'établissement coordonnant des agents d'apprentissage, d'enseignement et administratifs par des boucles de rétroaction interfonctionnelles et une intelligence distribuée. Sa démarche distinctive consiste à traiter l'inclusion comme une préoccupation architecturale de premier rang — en coordonnant des agents d'accessibilité, de soutien cognitif et de bien-être pour que les apprenants ayant des besoins éducatifs particuliers soient soutenus en temps réel sur les dimensions cognitive, sensorielle et émotionnelle, plutôt que d'être servis par un outil d'assistance isolé. L'article situe cela dans une boucle de coévolution humain–IA (les comportements et décisions humains façonnent l'adaptation de l'IA, qui à son tour renforce la capacité humaine) qui garde les humains dans la boucle.

Des agents LLM spécifiques aux participants pour la résolution collaborative de problèmes. Fang (2026) ajuste finement des agents LLM individuels sur les données de dialogue de participants réels afin de représenter chaque participant dans des simulations de résolution collaborative de problèmes, avec sélection probabiliste de locuteur et de code thématique, et mémoire par fenêtre glissante complétée de résumés. Validée par l'analyse de réseaux épistémiques, les dialogues simulés sont statistiquement indiscernables des dialogues réels (distance ENA 0.17, p de permutation = 0.65) — une démonstration de l'IA agentique reproduisant un discours collaboratif authentique.
Tutorat multi-agents socialement intelligent. Des prototypes de tutorat multi-agents socialement intelligent tels qu'ASTRA étudient comment les apprenants se coordonnent avec l'IA en dyades, en utilisant des agents Tuteur et Facilitateur différenciés pour susciter la coordination et une participation équilibrée. L'évaluation fondée sur les traces du cadre permet une analyse reproductible de l'interaction, de l'équilibre de la participation et de la vérification en programmation introductive.

La tension centrale : l'automatisation contre l'apprentissage

Le travail sur les bonnes pratiques pédagogiques articule la tension définissant le champ : à mesure que l'IA éducative passe de agents conversationnels passifs à des agents proactifs qui initient et poursuivent des buts, la personnalisation s'améliore mais l'autonomie de l'apprenant et son effort cognitif sont menacés. Plus un agent automatise, moins l'apprenant accomplit de travail cognitif. La réponse de conception — la friction intentionnelle, l'étayage dynamique, la supervision avec intervention humaine et une utilisation réfléchie de l'IA — agit comme un garde-fou de principe. Cela se relie aux difficultés souhaitables, à l'apprentissage socioculturel, au risque de délestage cognitif, et au thème plus large de la préservation de l'autonomie dans l'apprentissage médié par l'IA.

Une vérification empirique vient d'un rapport pratique sur le développement piloté par les spécifications dans un cours de logiciel en apprentissage par projets (Tanaka et al. 2026) : les étudiants utilisant des agents d'IA à travers les phases de développement ont produit plus de code mais ont montré des chutes de compréhension du code qui ne se sont résorbées qu'après des entretiens individuels avec l'enseignant — une preuve de terrain concrète de la tension entre automatisation et apprentissage, et de la surveillance avec intervention humaine comme mesure d'atténuation.

La littérature de synthèse transforme ces principes en garde-fous de conception mesurables plutôt qu'en intentions vagues. Sur l'étayage, Kostopoulos et al. (2025) recommandent des protocoles d'estompement — réduire progressivement la fréquence des indices après chaque tentative réussie — et de viser un taux de recherche d'aide (indices initiés par l'IA ÷ total des actions de l'étudiant) inférieur à 0.3, afin que l'agent ne soit pas celui qui pilote l'essentiel de l'interaction. Ils y associent des points de contrôle réflexifs (par exemple demander à l'apprenant d'expliquer son raisonnement avant que l'agent n'offre l'indice suivant) et des courbes d'estompement adaptatives dont la probabilité d'intervention décroît à mesure que la compétence s'élève. Sur la transparence, les agents devraient exposer une justification du type « Pourquoi cette suggestion ? » et conserver des journaux de traçabilité des décisions horodatés (justification de l'agent, sources de données, décisions) accessibles pour l'audit pédagogique. Sur l'équité, ils conseillent des tests d'impact différencié avant le déploiement sur au moins trois groupes démographiques (par exemple le genre, la langue, la géographie) et la participation d'enseignants divers à la conception. Ces métriques donnent à un enseignant ou à un concepteur un levier d'audit : plutôt que de se demander « l'agent est-il trop serviable ? », mesurer si les indices s'estompent, si c'est l'apprenant qui initie, et si le raisonnement de l'agent est inspectable.

Un vocabulaire complémentaire pour la question de l'autonomie vient de l'analogie aéronautique mise au jour dans la synthèse de Baradziej (2026) : la distance à laquelle un déploiement se situe sur le spectre allant du copilote au pilotage automatique — d'un agent qui assiste un humain conservant le contrôle à chaque instant, à un agent propriétaire de toute la tâche, l'humain se contentant de superviser. Le même système sous-jacent peut être configuré vers l'une ou l'autre extrémité, et le choix est pédagogique avant d'être technique. Les configurations de type copilote (l'agent propose, l'apprenant décide, l'humain conserve le dernier mot) tendent à préserver l'autonomie et à soutenir les processus exigeants qui construisent l'apprentissage ; les configurations de type pilotage automatique maximisent l'achèvement des tâches et l'efficacité, mais déchargent la charge cognitive de l'apprenant. Choisir une position sur ce spectre — par tâche, et non une fois pour toutes — est une manière concrète d'opérationnaliser le principe de « friction intentionnelle » du champ.

Implications positives des agents d'IA pour l'éducation

Bien conçue, l'IA agentique offre des bénéfices substantiels :

Une personnalisation plus profonde et plus adaptative. Des agents persistants peuvent soutenir une conversation d'apprentissage sur de nombreux tours, en suivant ce qu'un apprenant sait, en adaptant la difficulté et en séquençant un étayage en plusieurs étapes — allant au-delà des réponses à tour unique des agents conversationnels antérieurs. Cela soutient l'apprentissage adaptatif et personnalisé à grande échelle. Dans la synthèse de Baradziej (2026), les preuves les plus solides pour ce rôle font état de gains académiques de 15–25% et d'augmentations de l'engagement allant jusqu'à +40%, avec un potentiel particulier pour les apprenants historiquement mal servis par un enseignement uniforme (étudiants de première génération, différences d'apprentissage, apprenants d'une deuxième langue).
Décharger du travail pédagogique routinier. Les agents peuvent planifier des leçons, générer et valider des questions, rédiger des brouillons de rétroaction et orchestrer des sous-agents spécialisés (par exemple générateur et validateur pour la création de questions), libérant les enseignants pour des interactions de plus grande valeur. C'est la promesse des flux de travail multi-agents destinés aux enseignants. Les agents d'évaluation en particulier rendent compte d'une concordance de 90–95% avec les évaluateurs humains et de réductions de 50–70% du temps de notation, bien que les mêmes preuves signalent des biais et le coût métacognitif d'une rétroaction instantanée et non réflexive.
Une interaction riche et variée. Les classes multi-agents et les pairs simulés créent des dynamiques d'interaction diversifiées (discours entre pairs, désaccord constructif, jeu de rôle) que les systèmes mono-agents ne peuvent offrir, soutenant l'apprentissage collaboratif, l'interrogation de style socratique et la simulation.
Une friction productive. Des agents conçus pour mettre au défi plutôt que pour acquiescer peuvent pousser les apprenants à une réexamen plus approfondi. La recherche sur les agents de conception adverses montre que des agents de conflit constructif ont suscité significativement plus d'itérations de conception, une exploration plus large et des conceptions finales mieux notées (N=48) — une forme de difficulté souhaitable.
Pratique et simulation extensibles. Les simulations fondées sur des agents (étudiants simulés, scénarios cliniques) permettent aux apprenants de s'entraîner dans des environnements à faible risque avant une application réelle, comme dans la simulation clinique et chez les apprenants simulés.
Un étayage informé par les preuves. Des agents bien fondés peuvent appliquer la théorie de l'apprentissage et une pédagogie connue dans leurs interactions, et des repères de référence montrent que les agents fondés sur la théorie surpassent la rédaction brute d'invites.

Une classe d'agents plus étroite, construits par les enseignants, reçoit un argument distinct dans la proposition de tiers-espace d'El Khoury et Ma : des GPT personnalisés, des Gems et des agents Copilot Studio conçus par des enseignants à une finalité pédagogique spécifique et explicitement non autonomes. La valeur qu'on leur prête est celle d'un espace de répétition à faible enjeu — un simulateur d'examen oral, une simulation de communication clinique, un avatar de prononciation en anglais langue seconde — où les étudiants s'entraînent avant le jugement, tandis que le rôle évaluatif de l'enseignant demeure intact, l'agent se tenant à l'extérieur des hiérarchies sociales que les étudiants parcourent avec leurs pairs et leurs enseignants. Deux frontières méritent d'être notées : les auteurs excluent par conception la notation par agent de leur champ, et ils soutiennent que l'évaluation doit rester relationnelle — le rôle de l'enseignant ne peut être remplacé par une machine, bien qu'il puisse être étendu et rendu plus durable par une conception soigneuse.

Implications négatives et risques des agents d'IA pour l'éducation

La même autonomie qui rend ces bénéfices possibles crée aussi des risques importants :

Érosion de l'autonomie et de l'effort cognitif de l'apprenant. Plus un agent automatise, moins l'apprenant accomplit de travail cognitif. Des agents proactifs qui initient, planifient et achèvent des tâches peuvent réduire les apprenants à des consommateurs passifs, creusant les processus exigeants — rédiger, se remémorer, réviser — qui construisent un apprentissage durable. C'est le cœur de la préoccupation liée au délestage cognitif et à l'autonomie. L'effet est mesurable : dans la synthèse de Baradziej (2026), les apprenants passifs dans des environnements de tutorat agentique ont sous-performé les étudiants en apprentissage actif de 8.7% — la preuve que le préjudice suit la conception du déploiement (laisser l'agent faire le travail cognitif) plus que la technologie elle-même.
Sur-automatisation du processus d'apprentissage. Si un agent optimise l'achèvement des tâches plutôt que l'apprentissage, il peut produire des « réponses » qui contournent la compréhension — le risque même contre lequel avertit le cadre indépendant de l'outil, où l'artefact ne certifie plus l'apprenant.
Réduction de l'engagement métacognitif et autorégulé. Lorsque les agents prennent en charge la planification et le suivi, les apprenants peuvent ne pas développer la métacognition et l'autorégulation que l'éducation vise à construire. Les agents doivent être conçus pour susciter ces processus, et non pour les remplacer.
Confiance mal placée et lacunes de vérification. Des agents autonomes peuvent produire des résultats plausibles mais non validés ; les apprenants et les enseignants peuvent y accorder une confiance excessive. Le besoin d'une vérification robuste et d'littératie en IA croît à mesure que les agents assument plus d'autonomie.
Opacité, coordination et responsabilité. Les systèmes multi-agents compliquent la supervision humaine : quel agent est responsable d'une erreur, et où un humain intervient-il ? Les défaillances de coordination, la dérive des personas et les comportements émergents peuvent saper la fiabilité et la sécurité pédagogique.
Biais et équité. Des agents entraînés sur des données qui encodent des biais peuvent les reproduire à grande échelle, et un accès inégal à des systèmes agentiques capables peut creuser l'iniquité éducative. Le biais opère à plusieurs niveaux — données d'entraînement, architecture, critères d'évaluation et populations de test — il appelle donc une atténuation institutionnelle (audits de biais, jeux de données diversifiés, documentation transparente, participation des parties prenantes), et non des vérifications ponctuelles. Une forme plus subtile et culturellement spécifique en est l'hégémonie épistémique : parce que la plupart des systèmes agentiques sont entraînés sur des données anglaises produites en Occident, ils encodent des hypothèses particulières sur le savoir, l'argumentation et le registre académique. Les preuves issues des synthèses documentent des outils d'enseignement des langues qui marginalisent les traditions rhétoriques non occidentales et pénalisent les traits linguistiques des cultures académiques non anglophones, et les analyses portant sur les pays du Sud global montrent des pédagogies agentiques qui reproduisent l'iniquité lorsqu'elles ignorent la diversité épistémologique et les contraintes d'infrastructure.
Intégrité de l'évaluation et dégradation des compétences. Lorsque les agents peuvent produire des travaux sur demande, évaluer un apprentissage authentique devient plus difficile, et un recours excessif peut éroder les compétences fondamentales — la « dette de compréhension » et le problème de certification que le champ signale.
Les étudiants fantômes et la lacune de vérification. Bozkurt, Crompton & Fell Kurban (2026) décrivent l'« étudiant fantôme » — un substitut numérique créé en couplant des LLM (l'« esprit ») à des navigateurs d'IA agentiques (le « corps »), capable de parcourir les systèmes de gestion de l'apprentissage, d'interagir avec les contenus et de réaliser des évaluations en imitant l'humain, rendant optionnelle la présence réelle de l'apprenant. Cela crée une lacune de vérification que les outils traditionnels de surveillance et de détection sont structurellement incapables de combler, et elle accumule une dette cognitive chez l'apprenant qui est contourné. À mesure que l'IA passe du génératif à l'agentique, cette menace pour l'intégrité et pour la vérification croît — un risque propre à l'IA agentique, au-delà de ceux de l'IA générative à tour unique.

Les agents d'IA et l'intégrité académique

L'IA agentique pose des menaces distinctes pour l'intégrité, qui vont au-delà des cas d'IA générative à tour unique avec lesquels le champ se débat déjà. Parce que les agents agissent de manière autonome sur de longs horizons — et parce que des « étudiants fantômes » (des « esprits » LLM couplés à des « corps » de navigateurs agentiques) peuvent parcourir les systèmes de gestion de l'apprentissage, interagir avec les contenus et réaliser des évaluations en imitant l'humain — ils rendent optionnelle la présence authentique de l'apprenant et créent une lacune de vérification que la surveillance et la détection ne peuvent combler. Plusieurs implications pour l'intégrité en découlent :

L'artefact ne certifie plus l'apprenant. Lorsqu'un agent peut générer, planifier et exécuter un travail entier, la qualité du produit reflète la capacité de l'agent, et non celle de l'apprenant. C'est le problème de certification indépendante de l'outil porté à son extrême — l'évaluation traditionnelle du type « rendez le travail » perd sa valeur probante.
La vérification, et non la détection, est la seule réponse viable. Le contrôle policier fondé sur la détection est structurellement incapable de suivre le rythme des agents autonomes. La question de l'intégrité passe de « pouvons-nous attraper les agents d'IA ? » à « pouvons-nous vérifier ce que l'apprenant sait réellement faire ? » — ce qui favorise l'évaluation fondée sur le processus, interactive et vérifiée avec intervention humaine.
La réalisation par des agents de travaux de cours évalués est désormais démontrée, et c'est un échec de validité, et pas seulement d'intégrité. Hadjisolomou & El-Haddad (2026) ont documenté des agents (Claude for Chrome, Perplexity Comet, Claude Opus) se connectant à un cours de LMS de premier cycle réel et réalisant de véritables travaux évalués à partir d'une seule instruction — un questionnaire à 10 questions noté 10/10 en moins de 5 minutes, et une contribution sur un forum de discussion dans laquelle l'agent a fabriqué une histoire personnelle crédible après avoir exploité les contributions de ses pairs. En appliquant le cadre de validité fondé sur l'argumentation de Kane, ils placent une « hypothèse de production humaine » à la base de l'inférence de notation : la réalisation par un agent en retire le soutien, si bien que chaque note asynchrone non surveillée — y compris celles honnêtement gagnées — perd son appui interprétatif, l'auteur étant invérifiable. Présenter le problème comme un problème de validité plutôt que d'intégrité importe parce qu'une institution peut sanctionner une faute et manquer néanmoins de fondements pour les notes qu'elle rapporte, et parce que les mêmes artefacts alimentent les chaînes de preuves de la revue de programme et de l'accréditation. Leur remède, aligné sur la « vérification plutôt que détection » de cette page, est une refonte de l'évaluation en vue d'une présence humaine vérifiée (la présence plutôt que le produit, l'intégration plutôt que l'isolement, l'authenticité plutôt que le générique, la pratique à faible enjeu et la présence à fort enjeu), assortie d'un menu d'options de moments vérifiés qui préserve l'équité.
La responsabilité est diluée. Dans les systèmes multi-agents, lorsqu'un agent autonome produit un résultat problématique, on ne sait pas clairement qui est responsable — l'apprenant, le système ou l'institution. Cela brouille l'attribution que les procédures d'intégrité académique présupposent.
La dette cognitive s'accumule silencieusement. Les étudiants fantômes permettent aux apprenants de contourner les processus exigeants qui construisent la compréhension, accumulant une dette cognitive qui ne se révèle que lorsque une performance indépendante est requise. L'intégrité est donc liée à un apprentissage authentique, et pas seulement au respect des règles.
Cela creuse les écarts d'équité. Les apprenants ayant accès à des systèmes agentiques plus capables acquièrent un avantage disproportionné, et un soutien automatisé peut éroder l'aide apportée à ceux qui en ont le plus besoin — une dimension d'équité de l'intégrité.

Cela relie la discussion sur l'IA agentique à la couverture de l'intégrité académique par la base de connaissances, qui présente la réponse comme une refonte de l'évaluation et comme une littératie en IA, plutôt que comme la seule détection.

Friction productive et interaction sociale

Tout comportement agentique n'a pas besoin d'être une assistance fluide. La recherche sur les agents de conception adverses montre que des agents mettant en œuvre un conflit constructif ont suscité significativement plus d'itérations de conception, une exploration plus large des alternatives et des conceptions finales mieux notées parmi des concepteurs d'interaction novices (N=48) — une dynamique de friction productive, où l'agent de conflit était frustrant mais finalement utile. Cela se relie à l'interrogation socratique et à la pensée design, et illustre comment l'IA agentique peut soutenir une réexamen approfondi plutôt qu'une acceptation passive.

Une étude de la manière dont l'IA agentique atteint les résultats d'apprentissage par des voies psychologiques plutôt que technologiques fournit l'angle de mesure manquant. Pramod et Patil (2026) ont interrogé 398 étudiants en gestion en Inde et modélisé l'autonomie, la compétence et le sentiment d'appartenance aux côtés de l'interactivité, du partage d'information et de la présence sociale perçue ; l'autonomie était le moteur motivationnel le plus fort (β = 0.504) et l'interactivité le plus fort moteur social (0.468), la motivation et la présence sociale alimentant l'engagement à une force presque égale (0.533 et 0.493), avant que l'engagement ne prédise la performance d'apprentissage perçue (0.671). La leçon de conception est que la voie sociale n'est pas automatique : un construit d'environnement collaboratif a fait moins progresser la présence sociale perçue que la simple réactivité et le simple partage d'information ; traiter un agent comme une interface de conversation plutôt que comme un participant laisse donc la plus grande part de cette voie inutilisée.

Implications pour les enseignants et les concepteurs pédagogiques

Pour les enseignants, les membres du corps professoral et les concepteurs pédagogiques, l'IA agentique change à la fois ce qui est possible et ce qui doit être protégé :

Réaffecter l'effort vers des travaux de plus grande valeur. Les agents peuvent prendre en charge la planification des leçons, la génération et la validation des questions, le tri de la rétroaction et la recherche de ressources. Les enseignants devraient les traiter comme des étayages automatisables qui libèrent du temps pour ce que les agents ne peuvent pas faire : l'enseignement relationnel, le jugement contextuel et la conception des expériences d'apprentissage. Les flux de travail multi-agents destinés aux enseignants sont un modèle prometteur.
Garder le travail cognitif de l'apprenant au premier plan. La question de conception centrale n'est pas « que peut faire l'agent ? » mais « que doit faire l'apprenant ? » Les concepteurs pédagogiques devraient configurer les systèmes agentiques de sorte qu'ils étayent plutôt qu'ils ne remplacent la planification, le suivi et l'effort de l'apprenant — en recourant à l'étayage dynamique et aux frictions intentionnelles pour protéger l'autonomie et éviter le recours excessif.
Concevoir pour la vérification et le processus, et pas seulement pour la production. Lorsque les agents peuvent produire des travaux sur demande, l'artefact ne certifie plus l'apprentissage. Les enseignants devraient associer les outils agentiques à une évaluation fondée sur le processus (soutenance orale, tâches indépendantes de l'outil, vérifications) afin que la compréhension — et pas seulement la production — soit mesurée.
Choisir et fonder les agents sur la pédagogie. Les preuves issues des repères de référence montrent que les agents fondés sur la théorie surpassent la rédaction brute d'invites. Les concepteurs devraient fonder le comportement des agents sur des cadres pédagogiques établis (par exemple la libération progressive, l'interrogation socratique, la théorie de l'apprentissage) plutôt que de se rabattre par défaut sur un enchaînement générique d'outils.
Conserver la supervision et le jugement humains. Les systèmes multi-agents et autonomes rendent essentielle la conception avec intervention humaine : décider où un humain intervient, qui est responsable, et comment les défaillances sont détectées. Les tests adverses aident à révéler les modes de défaillance avant le déploiement.
Bâtir l'littératie en IA des enseignants. Les enseignants et les concepteurs ont besoin de modèles mentaux exacts de l'IA agentique pour configurer, surveiller et critiquer ces systèmes — et pour modéliser un usage responsable auprès des apprenants. Cela se relie à la compétence des enseignants en IA et à l'développement pédagogique du corps enseignant.
Veiller à l'équité. Les outils agentiques risquent de creuser les écarts si l'accès est inégal ou si l'automatisation érode le soutien apporté aux apprenants qui en ont le plus besoin ; concevez en ayant à l'esprit l'équité.
Mettre en place un étayage institutionnel avant de passer à l'échelle. La question du déploiement n'est pas seulement au niveau de la conception, mais aussi au niveau de l'établissement. La synthèse de Baradziej (2026) condense les preuves sur la gouvernance en trois piliers : développer l'littératie en IA chez les étudiants et chez le personnel ; bâtir une infrastructure éthique (politiques de protection des données, cadres de responsabilité algorithmique et d'intégrité académique) avant tout déploiement à grande échelle ; et dispenser une formation des éducateurs fondée sur les compétences, qui aille au-delà de la familiarisation avec les outils pour aller vers des cadres pédagogiques préservant l'autonomie humaine. Étant donné que seulement environ 6.5% des enseignants dans certains contextes nationaux déclarent un usage direct de l'IA, le déficit de formation est une contrainte déterminante pour une adoption responsable.

Techniques pour garantir l'intégrité académique avec l'IA agentique

Parce que les agents autonomes rendent la détection vaine, les enseignants devraient se concentrer sur des techniques qui vérifient l'apprentissage et rendent visible le travail honnête, plutôt que sur le contrôle policier :

Préférer la vérification à la détection. Remplacer ou compléter le « rendez le travail » par des interactions qui exigent de l'apprenant qu'il démontre une compréhension qu'il ne peut externaliser : soutenances orales, tâches indépendantes de l'outil, résolution de problèmes en direct, et évaluation fondée sur le processus. L'objectif est d'établir ce que l'apprenant peut faire de manière indépendante, et non d'attraper un agent.
Recourir à une évaluation interactive et par étapes. Exiger des travaux rendus par étapes (brouillons, révisions, réflexions) et des vérifications conversationnelles de suivi qui sondent si les étudiants comprennent leur travail rendu — les approches de l'« AI Viva » et de la gestion cognitive. Les étudiants fantômes ne peuvent pas soutenir un interrogatoire en direct qu'ils n'ont pas mené.
Fixer des attentes claires et guidées par la finalité. Ancrer les attentes d'intégrité dans la finalité du cours — quel usage de l'IA est autorisé, quand et pourquoi — plutôt que dans des règles abstraites. La clarté de la politique, alignée sur la pédagogie, réduit l'ambiguïté que les étudiants exploitent et les erreurs de jugement documentées par la recherche sur l'intégrité.
Rendre l'usage de l'IA visible et déclaré. Des déclarations d'usage de l'IA structurées et spécifiques à la tâche (rattachant l'usage à des étapes cognitives) forcent la réflexion et normalisent la divulgation honnête, faisant passer la culture de la dissimulation à la transparence.
Bâtir la littératie en IA comme éducation à l'intégrité. Enseigner aux étudiants à utiliser les agents de manière responsable et à juger les productions de façon critique, en présentant l'intégrité comme un apprentissage authentique plutôt que comme un respect des règles. Cela inclut l'littératie en IA, la compréhension de ce que les agents peuvent et ne peuvent pas faire, et le coût pour l'apprentissage du contournement de l'effort.
Garder les humains dans la boucle. Maintenir une supervision humaine des décisions d'évaluation, vérifier de manière interactive les travaux à fort enjeu, et concevoir les outils agentiques de sorte qu'un enseignant puisse toujours intervenir.
Combler la lacune de vérification par l'interaction. Dans les contextes pleinement en ligne ou asynchrones, recourir à des composantes surveillées ou interactives qui exigent une présence réelle, traitant directement la menace de l'étudiant fantôme plutôt que de supposer que la détection l'attrapera.

Un bilan équilibré

L'IA agentique n'est ni une panacée ni un préjudice inévitable : sa valeur dépend de la conception. Utilisée pour étayer l'autonomie de l'apprenant, fondée sur la pédagogie et gardant les humains dans la boucle, elle peut personnaliser et approfondir l'apprentissage ; utilisée pour maximiser l'automatisation et l'achèvement des tâches, elle peut éroder l'effort même qui produit l'apprentissage. Le principe de conception récurrent est l'intentionnalité — décider explicitement ce que fait l'agent et ce qu'il laisse délibérément à l'apprenant.

Concepts liés

FAQ liées

Ressources liées

DeepTutor
La publication open source du cadre de tutorat agentique DeepTutor : un espace de travail unique pour le tutorat, la génération de questions, la pratique vers la maîtrise, la recherche et la visualisation, avec une mémoire d'apprenant inspectable.

Métadonnées

Discipline	Stem Education
Niveau	Higher Ed, K 12
Public visé	Learners
Apprentissage et enseignement	L'étayage
Technologies et techniques	L'IA générative, Humain dans la boucle, Tutorat intelligent, Grands modèles de langue (LLM)
Fondements de l'IA dans l'éducation	L'agence de l'apprenant, IA agentique, Littératie en IA, Délestage cognitif

Source History Edit Chat