Comment gérer l'IA dans les travaux de groupe et collaboratifs ?

Traduction automatique de la page anglaise, non encore relue par une personne de langue maternelle.

Vous donnez un travail de groupe, et deux modes d'échec arrivent avec les copies : un artefact soigné et cohérent que personne dans le groupe ne peut expliquer, et une équipe où un étudiant a fait passer le travail par l'IA générative pendant que trois autres se reposaient sur la note commune. Rien dans le fichier ne vous dit de quel cas il s'agit.

Les deux sont des problèmes de notation avant d'être des problèmes d'intégrité, et des problèmes de conception avant les deux : un travail de groupe énonce deux affirmations à la fois (ce que l'équipe a produit, et ce que chaque membre a appris) et l'IA pèse sur les deux, changeant la facilité avec laquelle le travail peut être partitionné, la fluidité avec laquelle les contributions fusionnent et la difficulté de distinguer quelle pensée se trouve dans la copie.

L'essentiel : décidez la place de l'IA par tâche, et non par cours ; faites de la négociation du groupe sur l'usage de l'IA quelque chose qu'ils remettent et que vous notez ; concevez le travail de façon à ce qu'il ne puisse pas être découpé en sessions parallèles de chatbot ; et gardez au moins une composante que chaque membre assume seul. Rien de tout cela n'exige de surveiller les outils : cela exige de concevoir la tâche.

La version courte

1. Autorisez délibérément, et dites ce que l'autorisation couvre. Nommez les parties que l'IA peut toucher (génération d'idées, polissage linguistique, mise en page, écriture de scripts) et celles qui sont censées être élaborées sans elle.
2. Protégez les segments où le groupe construit une compréhension partagée, le cadrage, le désaccord, la réconciliation, parce que l'efficacité médiée par l'IA compresse exactement ces moments.
3. Exigez une brève déclaration d'usage de l'IA rédigée conjointement, et notez le raisonnement. Cela transforme une norme entre pairs en jugement examinable.
4. Rendez le processus visible : livrables intermédiaires, documents de planification partagés, réflexions de chaque membre, évaluation par les pairs de la contribution.
5. Gardez une responsabilité individuelle à côté de la note de groupe, une soutenance orale ou une explication individuelle de toute section qu'un membre n'a pas rédigée.
6. Choisissez la configuration d'accès à dessein. Une interface partagée produit un usage de l'IA négocié et visible ; une sollicitation privée produit des flux opaques et des productions dont l'origine est silencieusement effacée.
7. Lisez attentivement la retenue d'un groupe : refuser l'IA peut relever d'une autorégulation délibérée ou d'une simple méconnaissance, et les deux appellent des réponses différentes.

Décider à quoi sert l'IA dans ce travail

Le corpus ne tranche pas la question de l'autorisation en tant que question d'autorisation, et il plaide contre le fait de la traiter comme telle. Chen et Zou (2026) ont étudié des groupes de trois à cinq personnes présentant un exposé valant 30% de la note sous une politique institutionnelle d'« usage seulement avec reconnaissance explicite », l'IA générative étant explicitement autorisée pour la génération d'idées, le polissage linguistique, la mise en page visuelle et l'écriture de scripts. À l'intérieur de cette politique permissive unique, les étudiants sont parvenus à des conclusions opposées, avec un raisonnement défendable de chaque côté, et la conception a déterminé la conclusion à laquelle un groupe arrivait. Une règle au niveau du cours ne détermine pas ce que fait un groupe ; la tâche le fait.

Rédigez donc l'autorisation au niveau de l'artefact : dites quelles phases sont ouvertes à l'IA et lesquelles ne le sont pas, et expliquez aux étudiants pourquoi. La logique de conception de la revue exploratoire pointe dans la même direction : si la communication médiée par l'IA compresse la négociation et la construction collective de sens, les segments où un groupe bâtit une compréhension partagée sont ceux à protéger. Soyez toutefois honnête sur la justification : aucune des deux revues n'affirme que priver du recours à l'IA améliore les résultats d'apprentissage. Cet argument repose sur la structure du compromis, et non sur une comparaison mesurée.

Concevoir la tâche pour que le groupe ne puisse pas simplement la diviser

Wei et Perkins (2026), une revue exploratoire guidée par PRISMA de 18 études en anglais publiées entre janvier 2023 et mars 2025, analysées par analyse thématique réflexive et cartographiées selon huit thèmes, présentent les deux côtés du bilan. Les bénéfices : développement des connaissances du groupe, génération d'idées, soutien à la réflexion, efficacité de la communication, coordination des tâches et rétroaction. Les risques : interaction réduite entre pairs et engagement moindre en cas de dépendance excessive, plus des préoccupations de confidentialité, de transparence et d'exactitude. Leur évaluation est directe : les bénéfices sont empiriquement étayés, tandis que les risques liés à la confidentialité, à la transparence, aux biais et à l'exactitude sont largement discutés de façon conceptuelle, et une grande partie de la recherche est à court terme ou conceptuelle, avec peu de travaux longitudinaux sur la dynamique de groupe ou le développement cognitif.

Le compromis gouverne la conception. La revue rapporte que le travail de groupe est devenu plus efficace avec une demande réduite de communication, de négociation et de construction collective de sens (un résultat de Lin et al., cité dans la revue), de sorte que le gain d'efficacité et la perte d'interaction peuvent être le même mécanisme. Vous ne pouvez pas prendre la vitesse sans la perte, à moins de réintégrer la négociation comme travail exigé. La revue conclut que l'évaluation fondée sur le groupe devrait déplacer son attention du produit vers le processus.

Chen et Zou montrent à quel point il est difficile d'y parvenir par hasard : leurs trois schémas d'agentivité allaient dans des directions différentes en même temps. L'agentivité orientée vers la coopération (cinq groupes) intensifiait l'usage pour maintenir le travail ensemble, en nourrissant souvent les contributions des pairs vers un chatbot pour les décoder et aligner leur propre partie, un groupe reconstruisant son flux de travail en « discussion → externalisation vers l'IA générative → revue collective → nouvelle discussion ». L'agentivité normative (sept groupes) restreignait délibérément l'usage, jugeant la tâche exigeante en connaissances situées que l'IA ne pouvait pas atteindre (« l'IA ne connaît que le moment où vous tapez »), ou considérant les sections générées par l'IA comme injustes envers les camarades qui les porteraient. L'agentivité non mise en acte (trois groupes) ne changeait rien, partitionnant le travail en sous-tâches distinctes sur des « plateformes individuelles » tandis que des étudiants utilisaient l'IA générative d'une manière qu'ils ne partageaient jamais avec l'équipe.

La grille exigeait déjà l'intégration et la cohérence autour d'un thème multiculturel, une réflexion personnelle de chaque membre liée à sa propre contribution en classe, et une collaboration de groupe démontrée ; et trois groupes ont malgré tout divisé pour régner. Un critère de cohérence ne produit pas la collaboration à lui seul.

La configuration d'accès fait partie du problème. Xu et al. (2026) ont observé 18 étudiants répartis en six groupes de trois sur une seule interface partagée ChatGPT-4 pendant environ 45 minutes, et ont interrogé neuf étudiants supplémentaires sur le travail d'équipe asynchrone. Avec une interface partagée et visible, les équipes co-construisaient des « invites collectives », suivaient un cycle récurrent de surface, d'évaluation et d'intégration, traitaient la discussion comme une mémoire externe partagée et négociaient ouvertement le rôle de l'IA. Dans le travail asynchrone, la sollicitation privée et l'effacement de l'étiquette des productions produisaient des flux d'information opaques et privatisés qui augmentaient le coût du maintien d'un modèle cognitif partagé. Le rôle de l'IA générative s'est aussi déplacé, d'assistant subordonné à coéquipier contesté, et le système est cognitivement impliqué mais n'a pas conscience du contexte, notamment du déplacement de l'attention de l'équipe.

Rendre visible la contribution de chaque membre

Korchak, Costley et Fanguy (2026) ajoutent le détail qui devrait inquiéter un évaluateur. Dans un cours de rédaction scientifique, à partir d'entretiens avec 10 étudiants de troisième cycle âgés de 23 à 39 ans (moyenne 27.7), les groupes utilisaient l'IA générative selon des stratégies planifiées à l'avance ou par des interactions ouvertes, individuellement pilotées et coordonnées dans des documents partagés ; un usage distinctif était l'IA générative comme intégrateur éditorial, fusionnant des sections parallèles en un texte cohérent. Leur observation la plus incisive : les récits des étudiants contredisaient parfois leurs propres réflexions écrites, un étudiant niant avoir eu une stratégie de groupe tout en en décrivant une par écrit. Les stratégies de groupe ne sont pas toujours également visibles pour chaque membre, donc elles ne sont pas non plus fiables pour vous.

Un usage individuel compétent de l'IA qui ne devient jamais une pratique d'équipe est le même phénomène vu de l'autre côté. Les deux études suggèrent une même contre-mesure : intégrer par conception de la visibilité dans les livrables, avec un journal de décisions, des documents partagés que vous pouvez ouvrir et une courte note de chaque membre sur ce qu'il a apporté et sur les parties qu'il ne peut toujours pas expliquer.

Évaluer le groupe sans perdre l'individu

L'argument de conception central de Chen et Zou est que la négociation d'un usage acceptable de l'IA générative devrait elle-même devenir un résultat d'apprentissage explicite et évaluable : les équipes devraient justifier et documenter collectivement comment l'IA générative sera et ne sera pas utilisée, plutôt que de laisser la norme à la pression des pairs ou au risque perçu. C'est un artefact notable qui n'existe que si le groupe a réellement discuté, et il convertit une règle inapplicable en jugement étudiant examinable.

Associez-le à une composante individuelle : une soutenance orale de leur propre compréhension, ou une explication écrite de toute section qu'ils n'ont pas rédigée. C'est aussi la réponse honnête au problème du passager clandestin : cela note la compréhension plutôt que la paternité, et la compréhension est ce dont une note de groupe a toujours été un indicateur indirect.

Martínez-Peláez et al. (2025) ont passé au crible 203 études de 2023–2024 dans la Web of Science Core Collection et en ont retenu 22 selon un protocole PRISMA 2020 enregistré dans PROSPERO. Ils rapportent que les LLM agissent comme catalyseurs de la collaboration (génération d'idées, organisation, rétroaction entre pairs, évaluations simulées fondées sur des grilles et revues d'experts, barrières à la participation plus basses) et, pour la résolution de problèmes, aident à explorer des solutions alternatives, des perspectives interdisciplinaires et des scénarios authentiques. Ils notent aussi une inversion utile : les LLM produisent souvent des réponses incomplètes ou incorrectes, ce qui pousse les étudiants à questionner, vérifier et améliorer l'information, et c'est l'usage de l'IA à rechercher dans un point de contrôle individuel.

Leurs limites accompagnent toute citation : une seule base de données, uniquement des articles de revue, aucune attention à l'éthique ou à la confidentialité, seulement les deux premières années de la technologie, et aucun instrument de risque de biais appliqué. Traitez « catalyseurs » comme une description de pratiques observées, et non comme un résultat mesuré.

Deux choses à ne pas faire. Ne recourez pas à la détection pour trier les contributions individuelles : aucune de ces six études ne teste les détecteurs en contexte de groupe, et les problèmes de détection au niveau individuel sont documentés ailleurs dans cette base de connaissances. Et ne lisez pas la retenue d'un groupe comme une approbation ou comme un problème sans vérifier de quoi il s'agit : Chen et Zou avertissent que la retenue peut refléter une méconnaissance ou une aversion au risque plutôt qu'une autorégulation délibérée.

Gérer les désaccords sur l'IA au sein de l'équipe

La divulgation n'est pas seulement une question que vous posez à la fin ; c'est une norme que le groupe doit trancher, et c'est dans ce règlement que vivent les échecs intéressants. Chen et Zou ont identifié deux justifications à l'intensification de l'usage. La performance : les étudiants lisaient les critères et les repères de leurs pairs et utilisaient l'IA pour protéger leur part d'une note commune, une réponse rationnelle à une note partagée. La sécurité perçue par les normes : un climat collectif permissif abaissait le risque de mésusage ressenti, de sorte que les groupes utilisaient l'outil plus ouvertement et, dans le cas orienté vers la coopération, plus dépendamment. Si vous voulez de la transparence, une norme de classe énoncée est plus efficace qu'un avertissement.

Un groupe qui vous apporte un désaccord sur l'usage de l'IA a généralement fait la partie difficile. Donnez-lui une structure : exigez que la déclaration d'usage de l'IA consigne ce que le groupe a décidé de ne pas faire autant que ce qu'il a fait, et notez la justification. C'est ici que se loge le point de Chen et Zou sur l'agentivité collective : la capacité individuelle ne devient pas collective d'elle-même, c'est pourquoi la négociation doit être exigée plutôt qu'espérée.

Les trois objections que vous entendrez réellement

« Le travail de groupe est déjà injuste, l'IA ne fait qu'empirer les choses. » L'IA change la forme du problème, pas son existence. La plainte sur l'équité est déjà à l'intérieur du groupe : les étudiants réservés de Chen et Zou considéraient que générer leur propre section par l'IA était injuste envers les camarades qui la porteraient, et la justification par la performance montre des étudiants protégeant leur part d'une note commune. Aucune étude ici ne montre que l'IA a aggravé le passager clandestin, ni qu'une intervention le réduise. La responsabilité individuelle et la visibilité du processus sont défendables par l'argument de conception, et non comme des correctifs démontrés.

« L'IA améliore la collaboration, je devrais donc l'encourager. » En partie, et le « en partie » compte. Martínez-Peláez et al. décrivent de véritables appuis à la collaboration (génération d'idées, organisation, rétroaction entre pairs, évaluations simulées fondées sur des grilles, barrières à la participation plus basses), mais c'est une revue de pratiques observées avec les limites ci-dessus, et Wei et Perkins ont trouvé les bénéfices empiriquement étayés tandis que le versant des risques est largement conceptuel. Les preuves randomisées qu'ils citent sont la mise en garde la plus nette : l'IA produisait des suggestions plus innovantes sans augmenter significativement l'innovativité globale des participants, et pouvait homogénéiser les idées et inviter à la décharge cognitive. Le travail de simulation ne comble pas l'écart. Fang (2026) a affiné des agents LLM sur du dialogue réel de participants (adaptateurs LoRA/QLoRA sur LLaMA 3.2–3B) pour modéliser 48 participants sur 3,824 tours et six codes thématiques, puis a comparé les discours réels et simulés par analyse de réseau épistémique ; le réseau simulé atteignait une distance de 0.17 par rapport au réseau empirique, sous le seuil de 0.30 et avec une valeur p de permutation de 0.65, statistiquement indiscernable, bien que la simulation surestime légèrement les liens Contraintes techniques-Conception et sous-représente les Paramètres de données et de performance. C'est un article de cadre conceptuel à confiance moyenne : il étaye une seule affirmation, à savoir que des agents propres à des participants peuvent reproduire un discours collaboratif réaliste, et il ne montre pas que les étudiants apprennent davantage avec des coéquipiers simulés.

« Je ne peux pas noter le processus. » Vous notez déjà un indicateur indirect du processus et vous l'appelez qualité du produit. Le geste n'est pas de noter davantage ; il est de noter l'artefact qui n'existe que si le processus a eu lieu : la déclaration négociée d'usage de l'IA, le journal de décisions, la soutenance individuelle. Tous trois sont délimités et vérifiables. Ce que vous ne devriez pas affirmer, c'est que tout cela est validé : les schémas d'agentivité proviennent d'une seule étude qualitative, 52 futurs enseignants dans un cours, et les auteurs disent de les lire comme des réponses possibles à la conception, et non comme une distribution que vous pouvez attendre dans votre classe. Les 10 participants de l'étude sur l'écriture étaient des étudiants de troisième cycle experts en IA, et ses auteurs qualifient les résultats de dépendants du contexte plutôt que de taxonomie.

Ce que les preuves n'étayent pas

L'IA générative n'améliore pas la collaboration sans aide : les bénéfices de la revue exploratoire concernent le processus et le produit, elle appelle explicitement à des travaux longitudinaux sur la dynamique de groupe et le développement cognitif, et les gains mesurés pendant un travail de groupe soutenu par l'IA n'ont pas été montrés comme se transférant à la collaboration sans l'outil. La détection ne trie pas les contributions de groupe. Et aucune étude ici ne compare une tâche de groupe avec l'IA à la même tâche sans elle, de sorte que « le travail de groupe sans IA produit plus d'apprentissage » est un argument de conception, et non un résultat que vous pouvez citer.

À faire cette semaine

En dix minutes, avant que le prochain travail soit distribué : exigez une demi-page rédigée conjointement indiquant comment cette équipe utilisera et n'utilisera pas l'IA générative, et pourquoi, et ajoutez une composante individuelle à la grille.

En une séance de cours : soumettez la tâche au test de Xu et al. : le travail peut-il être découpé en pièces indépendantes puis réassemblé ? Si oui, changez l'ordonnancement pour qu'au moins une étape exige toute l'équipe, et placez au centre une interface ou un document partagé. Dites à la classe quels segments sont censés être sans IA, et pourquoi.

Ce semestre : décidez l'autorisation d'usage de l'IA par tâche, protégez les étapes de cadrage et de réconciliation, et lisez la retenue d'un groupe comme un signal à interpréter plutôt qu'une position à corriger.

Une liste de contrôle pratique pour les travaux de groupe

• Inscrivez la négociation dans la tâche. Exigez de chaque équipe qu'elle remette une courte déclaration rédigée conjointement sur la façon dont l'IA générative sera et ne sera pas utilisée, et notez le raisonnement.
• Rendez le processus visible, pas seulement le produit. Des livrables intermédiaires, une évaluation par les pairs de la contribution, des documents de planification partagés et des contributions réflexives créent les interactions par lesquelles les normes se négocient.
• Protégez la responsabilité individuelle à côté de la note de groupe. Gardez une composante que chaque membre doit assumer seul : une soutenance orale de sa propre compréhension, ou une explication individuelle de toute section qu'il n'a pas rédigée.
• Choisissez délibérément la configuration d'accès. Une interface partagée produit des invites collectives, une mémoire partagée et des rôles négociés ; une sollicitation privée produit des flux opaques et des productions dont l'origine est effacée.
• Concevez la tâche de façon à ce qu'elle ne puisse pas être partitionnée. Une ligne de grille sur la cohérence ne produit pas la collaboration à elle seule ; le flux de travail doit exiger un travail conjoint.
• Dites quelles parties sont sans IA. Si la négociation et la construction collective de sens sont l'enjeu, nommez les segments où le groupe travaille sans l'outil, et expliquez aux étudiants pourquoi.
• Attribuez des rôles, en particulier aux apprenants qui en ont besoin. Des définitions de rôles explicites, des affectations structurées et de petites équipes stables sont des exigences que les outils de collaboration par IA échouent régulièrement à prendre en compte.
• Lisez la retenue avec attention. Un groupe qui décline l'IA générative peut exercer une autorégulation délibérée ou se prémunir contre la méconnaissance et le risque ; les deux appellent des réponses différentes.
• Gardez une norme de preuve honnête. L'engagement, le plaisir et la satisfaction sont de faibles indicateurs ; un usage de l'IA générative en groupe sous une politique permissive avec une interaction réduite entre pairs n'est pas une preuve d'apprentissage.

Les preuves sous-jacentes se trouvent dans les pages de concepts Group Work et Collaborative Learning.