Gap analysis — capacité humaine × capacité IA

Bernard Stiegler × Tutorat adaptatif personnalisé (EdTech IA)

Externalisation technique des savoirs et personnalisation de l'apprentissage

Remplaçable avec supervision humaineConfiance élevéedocumentéVérifié le 07/09/2026

Bernard StieglerCapacité humaine · Philosophique Tutorat adaptatif personnalisé (EdTech IA)Capacité IA · Sectoriel

Apport de l'IA

Le tutorat adaptatif illustre le pharmakon stieglérien : il apporte une rétroaction immédiate et personnalisée sans enseignant humain, et la fiche IA documente des effets convergents — effet médian de 0,66 sur les tests locaux dans la méta-analyse de Kulik et Fletcher (2015), absence de différence statistique entre un tuteur humain expert et un système pas à pas selon VanLehn (2011), élèves dépassant les classes conventionnelles dans 46 des 50 évaluations contrôlées recensées. Ce qu'il ne peut structurellement pas apporter, c'est la transmission comme relation — mais il faut noter que rien dans les deux fiches ne l'établit : la fiche IA place au contraire la réserve ailleurs, sur la chute du même effet à 0,13 aux tests standardisés.

Mécanisme

Suivi des connaissances de l'élève (knowledge tracing) couplé à des grands modèles de langage, adaptant en continu la difficulté, le contenu et le rythme, avec génération d'exercices et de rétroaction à la volée plutôt qu'à partir d'un contenu figé. La mémoire de l'apprentissage est externalisée dans ce modèle de l'apprenant : mémoire tertiaire au sens de Stiegler, qui façonne l'attention en même temps qu'elle la soutient.

Comment faire mieux

Concevoir les systèmes pour soutenir la lutte productive plutôt que la court-circuiter. La réserve que porte réellement la fiche IA donne le point d'application : l'effet médian tombe de 0,66 sur les tests locaux à 0,13 sur les tests standardisés, ce qui suggère un gain localisé sur l'exercice plutôt qu'un transfert de compétence. Doter le suivi de critères distinguant difficulté féconde et blocage stérile, et articuler l'outil à une pratique enseignante plutôt que de le substituer, répondrait directement au risque de prolétarisation des savoirs. S'y ajoute la collecte de données comportementales détaillées sur des élèves mineurs, que la fiche IA signale comme non traitée par ses sources.

Mode d'interaction recommandé

Co-pilotage pédagogique : l'outil prend en charge l'exercice et la rétroaction immédiate, l'enseignant conserve le diagnostic, la relation et la conduite du parcours.

Substituabilité

Remplaçable avec supervision humaine

Scénarios temporels

Présent

En 2026, la fiche IA documente un déploiement de masse en éducation (TRL 9 : le Cognitive Tutor « incorporated into mathematics curricula in a substantial number of United States high schools », avec de meilleurs résultats aux examens finaux et aux tests standardisés) et une pratique installée en formation professionnelle continue, sans niveau de maturité chiffré. La source ne date pas ce déploiement.

+5 ans

Si l'intégration de grands modèles de langage réduit le coût de production des contenus adaptatifs, la couverture disciplinaire pourrait s'élargir nettement, ce qui rendrait la question de l'atrophie des savoirs plus aiguë et non moins.

+15/20 ans

Spéculatif : sous l'hypothèse d'une généralisation de l'apprentissage médié par ces systèmes, les compétences d'étude autonome pourraient se recomposer autour de l'outil — évolution qui peut être lue comme prolétarisation ou comme nouvelle littératie, sans arbitrage disponible aujourd'hui.

Axes possibles (perspectives, pas des prédictions tranchées)

Baisse du coût de production

Hypothèse prospective

L'IA générative réduit le coût de création des contenus adaptatifs et élargit la couverture disciplinaire.

Écart entre effet local et effet transféré

Consensus scientifique

Le gain reste concentré sur les tests locaux (effet 0,66) et se réduit fortement sur les tests standardisés (0,13), ce qui limite la portée du dispositif hors de l'exercice qu'il pilote.

Recomposition des capacités d'étude