La prochaine génération de l’apprentissage de l’IA ne vise pas de meilleurs robots conversationnels, mais de meilleures décisions

Lorsqu’un étudiant d’une école de commerce colle une étude de cas dans ChatGPT et reçoit en quinze secondes une analyse convaincante, quelque chose de concret a été perdu. Pas le résultat. Celui-ci semble impossible à distinguer de ce que l’étudiant aurait pu rédiger après deux heures de travail. Ce qui a été perdu, c’est la réflexion que ces deux heures auraient suscitée : le travail face à l’ambiguïté, l’exercice consistant à évaluer des informations incomplètes, le jugement qui découle d’une décision et de l’acceptation de ses conséquences.

Chez LiveCase, nous avons lu le rapport de l’Ivey Business School, « Du tableau noir au robot conversationnel » (août 2026), comme une démarche sérieuse et opportune visant à donner aux enseignants les mots pour décrire ce problème. Le rapport passe en revue 14 outils d’apprentissage assistés par l’IA, mais son apport le plus précieux n’est pas cette liste. C’est le principe de conception qui la sous-tend : l’IA éducative doit protéger la réflexion, la pratique et le jugement que les étudiants pourraient autrement déléguer. Ce principe déplace le débat des robots conversationnels toujours plus performants vers de meilleures décisions en matière d’apprentissage.

Le rapport pose une meilleure question

Pas « Quel modèle est le plus intelligent ? »

La plupart des discussions sur l’IA dans l’éducation commencent par la mauvaise question. Les enseignants demandent quel outil détecte le mieux la triche. Les administrateurs cherchent quelle intégration au système de gestion de l’apprentissage leur fera gagner le plus de temps. Les fournisseurs rivalisent pour savoir quel modèle obtient les meilleurs résultats aux tests de référence. Le rapport d’Ivey, rédigé par Julian Birkinshaw et Mazi Raz, part d’un tout autre point de départ. Il demande quelle partie du processus d’apprentissage un outil est conçu pour protéger.

Ce changement est important. Le rapport n’évalue pas les outils selon leur sophistication technique, mais selon leur intention pédagogique : préservent-ils la friction productive qui rend l’apprentissage durable, ou la font-ils disparaître (PDF, p. 4-5, 9) ? Ce n’est pas une norme technique, mais une norme éducative. Cette approche complète également les arguments que nous avons avancés dans des articles précédents sur l’évaluation fondée sur la prise de décision et sur le dépassement de la détection de l’IA au profit d’un véritable engagement. Le rapport apporte le cadre pédagogique qui manquait à ces arguments pratiques.

« Quelle partie de l’apprentissage la conception protège-t-elle ? »

Le rapport aborde chaque outil sous un angle unique : à quelle étape du parcours d’apprentissage intervient-il (préparation, cours, consolidation, évaluation) et que cherche-t-il à développer (connaissances conceptuelles, compétences ou jugement) ? Un outil qui retient les réponses pour obliger l’étudiant à raisonner n’est pas évalué de la même façon qu’un outil qui fournit des explications instantanées, même si les deux reposent sur le même modèle.

Cette clarté analytique aide les enseignants à dépasser l’engouement médiatique. Au lieu de demander « Cette IA est-elle bonne ou mauvaise ? », le rapport leur propose une question plus incisive : « Qu’est-ce que cette conception demande à l’étudiant de faire qu’il ne pourrait pas faire autrement, et qu’est-ce qu’elle l’empêche de déléguer ? »

La friction productive est le principal défi de conception

Pourquoi l’effort, la pratique et les conséquences comptent

L’apprentissage durable n’est pas confortable. Il exige des étudiants qu’ils se confrontent à des concepts inconnus, qu’ils s’exercent régulièrement et qu’ils exercent leur jugement dans l’ambiguïté. Ces activités créent ce que les spécialistes des sciences de l’apprentissage appellent la friction productive : l’écart entre les exigences d’une tâche et ce que l’étudiant est actuellement capable de faire. C’est dans cet écart que se produit la progression.

Le rapport d’Ivey insiste directement sur ce point. Il met en garde contre le fait que l’IA générative a rendu facultative la friction productive, en permettant aux étudiants de déléguer leurs efforts. Le résultat immédiat peut être meilleur, par exemple un rapport bien rédigé, mais le raisonnement qui aurait produit un apprentissage durable disparaît. Le rapport cite des travaux qui décrivent ce phénomène comme une « paresse métacognitive » (PDF, p. 2-3).

Pour en savoir plus sur l’apprentissage par la friction productive, consultez Friction productive : l’effort d’apprentissage que l’IA ne devrait pas supprimer.

Comment enseigner avec des robots conversationnels d’IA ? traite plus en détail de l’apprentissage immersif par l’IA.

Comment l’IA transforme une friction par défaut en choix facultatif

Avant l’IA générative, la friction était la norme. Un étudiant qui n’avait pas lu l’étude de cas ne pouvait pas faire semblant de participer à la discussion. Un étudiant qui n’avait pas pratiqué le cadre d’analyse ne pouvait pas produire une analyse acceptable. L’IA change la donne. Elle permet à quiconque dispose d’une consigne de produire un résultat convaincant.

Le rapport souligne que ce phénomène n’est pas mauvais en soi. La question est de savoir si la friction supprimée était productive ou simplement administrative. Résumer un long texte relève du travail de routine. Déterminer quelles informations sont pertinentes dans une situation ambiguë constitue un apprentissage. Selon le rapport, les bons outils d’IA éliminent la première forme de friction et préservent, ou créent, la seconde.

Ce que les meilleurs modèles de conception ont en commun

L’équipe d’Ivey a relevé des tendances récurrentes parmi les sept outils accessibles au public et les sept projets pilotes étudiés. Les outils à forte valeur pédagogique partagent cinq principes de conception :

Retenir plutôt que fournir. Les meilleurs outils ne répondent pas immédiatement aux questions des étudiants. Ils les obligent à raisonner, à chercher et à poser de meilleures questions avant d’obtenir des informations. Cette approche rappelle les meilleures pratiques de l’enseignement socratique.

Présenter des contre-arguments plutôt que donner raison. Les outils qui introduisent des points de vue opposés, des dilemmes stratégiques ou des conflits entre parties prenantes obligent les étudiants à gérer des compromis. L’accord est confortable. Le contre-argument est formateur.

Faire rechercher des informations plutôt que fournir instantanément le contexte. Les outils qui présentent des informations partielles et demandent aux étudiants de déterminer ce qu’ils doivent encore savoir développent les compétences de recherche et le jugement. Ceux qui livrent d’emblée tout le contexte ne développent ni l’un ni l’autre.

Permettre de s’exercer et de recevoir des commentaires plutôt que de miser sur une performance unique. Les outils les plus précieux sur le plan éducatif permettent de répéter les exercices avec des commentaires structurés. Une seule discussion de cas est utile. Pouvoir rejouer le même scénario en faisant des choix différents et en observer les conséquences est transformateur.

Rendre visible le processus plutôt que le seul résultat final. Les outils qui consignent la manière dont les étudiants sont parvenus à leurs décisions, leur recherche d’informations, leurs révisions et la répartition de leur temps donnent aux enseignants quelque chose que la réponse finale ne peut jamais fournir : une visibilité sur le raisonnement lui-même.

Le rapport souligne que ces principes correspondent directement à deux rôles pédagogiques de l’IA : celui de régulateur du parcours, qui organise les activités d’apprentissage, et celui de partenaire d’entraînement, qui met la réflexion des étudiants à l’épreuve (PDF, p. 5). Dans les deux cas, l’étudiant, et non l’IA, reste l’acteur principal.

Nous avons déjà parlé de la différence entre robots conversationnels et simulations et de l’utilisation des robots conversationnels d’IA pour donner vie aux études de cas. Le cadre du rapport nous donne un vocabulaire plus précis pour expliquer l’importance de cette distinction : une approche fait de l’IA un fournisseur de réponses, l’autre en fait un environnement décisionnel. C’est la différence entre un raccourci et un échafaudage pédagogique.

Pourquoi « de meilleures décisions » est une catégorie plus utile que « un meilleur robot conversationnel »

De la génération de contenu aux environnements décisionnels

Les outils présentés dans le rapport ne sont pas tous conçus de la même façon. Certains fonctionnent comme des tuteurs conversationnels qui répondent aux questions des étudiants. D’autres font office d’environnements décisionnels où les étudiants doivent choisir, affronter les conséquences et réviser leur approche. Le rapport ne classe pas une catégorie au-dessus de l’autre : il évalue l’adéquation pédagogique de chaque outil. Toutefois, ses conclusions indiquent clairement une tendance : les outils qui font de l’IA une partie prenante, un coach ou un évaluateur exigent systématiquement un engagement cognitif plus important que ceux qui en font un fournisseur de réponses.

De l’IA comme substitut à l’IA comme partie prenante, coach ou évaluateur

Lorsque l’IA joue le rôle d’une partie prenante, les étudiants doivent la questionner, la persuader et tenir compte de ses intérêts. Lorsqu’elle joue le rôle d’un coach, elle remet en question leur raisonnement au lieu de fournir des conclusions. Lorsqu’elle joue le rôle d’un évaluateur, elle juge la qualité de leurs décisions, et non l’élégance de leur prose.

Ce sont les rôles vers lesquels tendent les meilleurs outils recensés dans le rapport. Ce sont aussi des rôles que les robots conversationnels génériques ne peuvent pas facilement reproduire. Un étudiant ne peut pas coller une simulation de négociation dans ChatGPT et vivre la même expérience. La structure du scénario, les conséquences liées aux différents choix et la visibilité pour l’enseignant sont intégrées à la conception, et non à la consigne.

Il convient de noter que le rapport considère explicitement l’évaluation comme importante, tout en précisant qu’elle ne constitue pas son principal sujet (PDF, p. 9, note 10). Notre lecture étend les principes du rapport au domaine de l’évaluation, où nous voyons la plus forte convergence avec les évaluations axées sur des scénarios et la prise de décision.

Ce que LiveCase peut apporter à cette réflexion

Structurer les scénarios autour des interactions avec l’IA

Les conclusions du rapport correspondent étroitement aux principes de conception que nous avons intégrés aux scénarios LiveCase. Chaque scénario plonge les étudiants dans une situation en évolution où ils interagissent avec des personnages pilotés par l’IA, recueillent des informations partielles et prennent des décisions aux conséquences visibles. L’IA ne répond pas à leurs questions. Elle joue le rôle d’un membre sceptique du conseil d’administration, d’un client inquiet ou d’un informateur réticent. C’est le rôle de partenaire d’entraînement décrit dans le rapport, mis en œuvre à l’échelle d’un cours.

Points de décision, conséquences et bilan

Chaque scénario LiveCase s’articule autour de points de décision distincts, chacun menant à des résultats différents. Les étudiants subissent les conséquences de leurs choix et voient ce qui se serait passé en suivant d’autres voies. Le bilan fait ressortir non seulement les décisions prises, mais aussi leurs raisons et le moment où elles ont été prises. Il produit ainsi les traces du processus que le rapport considère comme un principe de conception essentiel.

Visibilité pour les enseignants et conception de l’évaluation

Le rapport souligne que les enseignants doivent pouvoir voir comment les étudiants réfléchissent, et pas seulement ce qu’ils produisent. LiveCase rend cela possible grâce à des outils d’analyse qui suivent la recherche d’informations, le moment des décisions, les habitudes de révision et les justifications que les étudiants fournissent à l’appui de leurs choix. Ces traces de données donnent aux enseignants un aperçu du processus d’apprentissage qu’un essai final, surtout s’il a pu être généré par l’IA, ne peut pas offrir.

Les questions de recherche que LiveCase devrait aider les établissements à étudier

Aucune plateforme ne devrait prétendre détenir des réponses définitives sur ce qui fonctionne dans tous les contextes. Le rapport appelle à établir des « mesures communes convenues à l’avance afin de permettre une comparaison substantielle des outils » et à consigner systématiquement ce qui a été testé, auprès de qui et avec quels résultats. Nous prenons cet appel au sérieux. Voici les questions de recherche que nous souhaitons aider les établissements à explorer : les évaluations fondées sur des scénarios prédisent-elles mieux la prise de décision dans le monde réel que les examens traditionnels ? Quelles conditions rendent le coaching par l’IA le plus efficace auprès de différentes populations étudiantes ? Et quel degré de friction productive est optimal ? Peut-on mesurer le moment où le défi devient décourageant ?

Ce sont des questions empiriques, pas des arguments commerciaux. Nous menons des expériences avec nos établissements partenaires et en publions les résultats. Nous invitons toutes les écoles de commerce qui souhaitent participer à ces travaux à se joindre à nous.

Trois questions pratiques pour les enseignants

Le rapport propose aux enseignants un point de départ concret. Pour toute activité de cours susceptible de faire intervenir l’IA, posez-vous trois questions :

Qu’est-ce qui est court-circuité ?

Repérez l’activité d’apprentissage précise pour laquelle les étudiants risquent de déléguer leurs efforts à l’IA. S’agit-il de la lecture ? De l’analyse ? De la pratique ? Déterminez précisément la forme que prend le raccourci et ce qu’il leur évite d’apprendre.

Quelle friction rétablissons-nous ou créons-nous ?

Déterminez si votre intervention rétablit une friction productive supprimée par l’IA, par exemple une partie sans documents ou une discussion sans appareils, ou si elle crée de nouvelles formes de friction productive qui n’existaient pas auparavant, comme une simulation interactive qui oblige les étudiants à déterminer de quelles informations ils ont besoin. Les deux approches sont valables. L’erreur serait de ne faire ni l’une ni l’autre.

Quels éléments prouveraient l’apprentissage au-delà de la satisfaction ?

Le rapport met en garde contre le fait que l’adoption et la satisfaction des étudiants sont des indicateurs peu fiables. Un outil apprécié des étudiants peut être un outil qui leur permet de prendre des raccourcis. Un meilleur indicateur consiste à vérifier s’ils s’engagent dans la friction ou cherchent à la contourner. Les traces de données des outils modernes permettent de le voir directement. Servez-vous-en.

---

Consultez le guide complet de LiveCase sur l’évaluation à l’épreuve de l’IA ou participez à une table ronde d’enseignants sur la mesure d’un apprentissage authentique dans un monde où l’IA est omniprésente sur livecase.com.

Foire aux questions

Qu’est-ce que le rapport d’Ivey « Du tableau noir au robot conversationnel » ?

Il s’agit d’un livre blanc publié en août 2026 par les professeurs de l’Ivey Business School Julian Birkinshaw et Mazi Raz. Il passe en revue 14 outils d’apprentissage assistés par l’IA destinés aux écoles de commerce. Le rapport évalue les outils selon leur intention pédagogique plutôt que leur sophistication technique et soutient que l’IA doit préserver la friction productive dans l’apprentissage.

Quels outils d’apprentissage de l’IA le rapport a-t-il étudiés ?

Le rapport a étudié sept outils éducatifs technologiques accessibles au public et sept projets pilotes créés par le corps enseignant et le personnel d’Ivey. Ces outils vont des tuteurs conversationnels et systèmes de coaching par l’IA aux simulations et études de cas interactives.

Que signifie la friction productive dans l’éducation ?

La friction productive est l’écart entre les exigences d’une tâche d’apprentissage et ce qu’un étudiant est actuellement capable de faire. Elle désigne l’effort, la pratique et le jugement qui produisent un apprentissage durable. Lorsque l’IA élimine complètement cette friction, les étudiants gagnent en efficacité, mais perdent l’occasion de progresser.

Pourquoi le rapport privilégie-t-il les outils d’apprentissage ciblés ?

Le rapport a constaté que les outils conçus pour couvrir l’ensemble du parcours d’apprentissage réussissent rarement à bien remplir toutes les fonctions. Les outils les plus utiles ciblent une activité d’apprentissage clairement définie et poursuivent un objectif pédagogique précis.

L’IA remplacera-t-elle l’enseignement en classe ?

Le rapport conclut que les outils d’IA ne remplaceront pas l’enseignement en personne. Aucun des outils étudiés ne reproduisait une discussion bien menée, dans laquelle les étudiants doivent exposer leur raisonnement, répondre à des désaccords et apprendre les uns des autres en temps réel. La méthode des cas pourrait gagner en valeur plutôt qu’en perdre.

Que peuvent apprendre les concepteurs de simulations à la lecture du rapport ?

Le rapport relève cinq modèles de conception communs aux outils à forte valeur pédagogique : retenir les réponses au lieu de les fournir, présenter des contre-arguments, exiger la recherche d’informations, permettre une pratique répétée avec des commentaires et révéler le processus de réflexion des étudiants plutôt que le seul résultat final.

---

Vous souhaitez en discuter ? Réservez un appel découverte gratuit de 15 minutes