Le frottement productif : le défi d’apprentissage que l’IA ne devrait pas supprimer

Un professeur donne une étude de cas à ses étudiants. Un étudiant ouvre ChatGPT, colle l’énoncé et, 15 secondes plus tard, obtient une analyse fluide. Il la remet, décroche un B+ et passe à autre chose. La réponse est correcte. Mais l’apprentissage, lui, n’a pas eu lieu.

C’est le paradoxe auquel l’IA générative confronte les enseignants. Il ne s’agit pas de savoir comment la démasquer, mais comment préserver l’effort cognitif qui rend l’apprentissage durable. Le concept qui résume ce défi est le frottement productif : la forme précise de difficulté qui favorise l’apprentissage, et non la frustration.

Ce que signifie le frottement productif

Le rapport de l’Ivey Business School, Du tableau noir au robot conversationnel, définit un apprentissage de qualité comme faisant appel à trois formes distinctes de travail cognitif : lutter avec les concepts pour les comprendre, répéter et corriger pour acquérir des compétences, et prendre des décisions dans l’ambiguïté pour exercer son jugement (p. 2-3). Chacune exige un effort, mais un effort différent, orienté vers un résultat distinct.

Le frottement productif naît de la rencontre entre résistance et engagement. Cette précision est importante, et la note 9 du rapport l’énonce explicitement : la résistance sans engagement n’est que de la difficulté ; l’engagement sans résistance n’est que de l’agitation stérile (p. 9). Un manuel déroutant, dépourvu d’accompagnement, crée de la résistance, mais aucun apprentissage. Un questionnaire à choix multiples bien conçu suscite de l’engagement, mais aucune difficulté durable. Le frottement productif se situe entre les deux : un effort à la portée de l’apprenant, dirigé vers le travail cognitif précis qu’exige l’objectif.

Cela ne revient pas à « rendre les choses plus difficiles ». Apprendre à calculer une valeur actuelle nette exige de s’exercer au calcul, et non de lire un manuel plus ardu. Apprendre à négocier un contrat exige de prendre des décisions sur les compromis et de les défendre, et non de mémoriser une liste plus longue de tactiques de négociation. Le frottement doit correspondre à l’objectif.

Comment l’IA générative transforme la tâche d’apprentissage

Avant l’IA générative, l’effort cognitif était une condition par défaut de la plupart des travaux universitaires. On ne pouvait pas rédiger une dissertation sans réfléchir à l’argumentation, car aucun outil ne pouvait le faire à sa place. L’IA change cette réalité structurelle. Comme le formule le rapport de l’Ivey, le frottement passe d’une condition par défaut à un choix que l’on doit faire (p. 3). L’étudiant décide désormais de réfléchir lui-même ou de déléguer cette tâche.

Ce choix crée une tension entre la performance à court terme et l’apprentissage durable. Les recherches sur les difficultés souhaitables (Bjork et Bjork, 2011) montrent que les conditions qui rendent l’apprentissage plus ardu sur le moment, comme la pratique du rappel, l’espacement et l’entrecroisement, renforcent la rétention à long terme. L’IA supprime ces conditions en donnant la réponse à l’apprenant avant qu’il ait eu à la retrouver de mémoire. L’étudiant réussit son devoir, mais n’a pas construit le modèle mental dont il aurait besoin dans un contexte sans IA.

Ce que certains observateurs appellent la paresse métacognitive n’est pas un défaut de caractère. C’est une réaction rationnelle aux outils disponibles. Quand un étudiant peut obtenir une réponse bien formulée en quelques secondes, il est moins incité à surveiller sa propre compréhension, à cerner ses lacunes et à travailler ses points faibles. Les données citées dans le rapport de l’Ivey indiquent une persévérance réduite lorsque l’IA est disponible (p. 3 ; références p. 9). Mais la paresse métacognitive désigne un comportement observé dans des conditions précises, et non un diagnostic visant des étudiants en particulier. Changez les conditions, modifiez l’évaluation, et le comportement changera.

Quatre types d’efforts qu’il vaut la peine de préserver

Tous les efforts cognitifs ne se valent pas. Dans un environnement saturé d’IA, quatre types d’efforts, chacun lié à un objectif d’apprentissage distinct, méritent d’être protégés délibérément.

Rappeler et expliquer un concept. Comprendre un cadre, c’est pouvoir le retrouver de mémoire et l’expliquer avec ses propres mots. Lorsque l’IA effectue le rappel et le résumé à la place de l’apprenant, le processus d’encodage et de rappel qui construit la mémoire à long terme n’a jamais lieu. Pour le préserver, exigez un rappel spontané : exercices de mise en route sans documents, discussions sans appareils ou explications chronométrées avant tout accès aux outils.

Déterminer quelles informations sont nécessaires. Dans un contexte professionnel, l’étape la plus difficile consiste souvent à définir la question à poser et les données à recueillir. De nombreux travaux contournent cette étape en fournissant d’emblée tous les éléments pertinents. Pour la préserver, communiquez les informations par étapes : donnez aux apprenants des données partielles, demandez-leur de déterminer ce qui manque et ne fournissez des détails supplémentaires qu’après qu’ils les ont demandés en justifiant leur demande.

S’exercer à une compétence difficile. Les compétences s’améliorent grâce à une pratique répétée et soutenue, accompagnée de rétroaction corrective. L’IA peut passer directement au résultat final impeccable. Pour évaluer des compétences, il faut tenir compte du processus : le brouillon, la tentative, la révision, et pas seulement le produit final.

Prendre une décision et la défendre dans une situation ambiguë. C’est le type d’effort dont les enjeux sont les plus importants. Il consiste à composer avec des informations incomplètes, à peser des points de vue divergents, à prendre une décision et à en exposer le raisonnement. L’IA peut produire un jugement raisonnable, mais l’apprenant n’a pas dû se confronter aux compromis. Pour préserver cet effort, proposez des scénarios qui exigent une décision avant de révéler les résultats, puis prévoyez une réflexion et une révision.

Restaurer le frottement ou en introduire de nouveau ?

Quand une évaluation a perdu son frottement productif, les enseignants disposent de deux boîtes à outils.

Restaurer le frottement en supprimant la possibilité de déléguer le travail. Les moments sans documents, les phases sans appareils et les réponses retenues obligent l’apprenant à retrouver les informations et à réfléchir sans IA. Ces interventions simples, peu technologiques, sont efficaces lorsque l’objectif porte sur le rappel ou l’entraînement.

Introduire du frottement en ajoutant des étapes que l’IA ne peut pas facilement aplanir. Des contre-arguments auxquels l’étudiant doit répondre, des informations communiquées par étapes et seulement après une première décision, des conséquences liées aux choix et des cycles de révision qui obligent l’étudiant à améliorer son propre travail. Ces dispositifs créent un environnement structurel où l’effort est nécessaire et non facultatif.

Les deux approches peuvent coexister. Un même cours peut associer des vérifications de connaissances sans documents à une simulation en plusieurs étapes où l’IA est bienvenue, à condition que l’outil ne remplace pas la décision fondée sur le jugement. Le choix dépend de l’objectif d’apprentissage, et non de la position de l’enseignant sur l’IA.

Vérifier le frottement de n’importe quel devoir

Avant de concevoir ou de réviser un devoir, posez-vous quatre questions. Elles constituent une vérification réutilisable, applicable à toutes les disciplines et à tous les formats.

Qu’est-ce qui devrait devenir plus facile ? Les tâches administratives, la mise en forme, la gestion des références bibliographiques, les résumés de base et la recherche de données ne sont pas productifs en soi. L’IA peut les alléger et libérer des capacités cognitives pour des tâches plus exigeantes. Nommez les éléments qui n’ont véritablement pas besoin d’exiger un effort.

Qu’est-ce qui doit rester exigeant ? Déterminez le travail cognitif précis qu’exige l’objectif d’apprentissage. Si l’objectif est d’analyser un bilan, le calcul compte. S’il consiste à recommander une ligne d’action à partir de cette analyse, le raisonnement et le jugement sur les compromis comptent. Préservez l’effort nécessaire à ces tâches.

Quels éléments prouvent que l’apprenant a fait le travail ? Les preuves du processus, comme les brouillons, les annotations, les journaux de décisions, les enregistrements de raisonnements à voix haute et l’historique des révisions, en disent davantage qu’un produit final soigné. Concevez le devoir de façon à ce que ces preuves soient générées naturellement au cours du travail.

Comment la rétroaction peut-elle améliorer la tentative suivante ? Le frottement productif ne se résume pas à une expérience unique. C’est un cycle : effort, rétroaction, révision. Les meilleurs devoirs intègrent l’itération à leur structure, afin que la deuxième tentative de l’apprenant s’appuie sur la première.

Comment les simulations structurées donnent un but à l’effort

Les simulations structurées illustrent concrètement le frottement productif. Une simulation bien conçue présente aux apprenants des informations incomplètes, expose des points de vue de parties prenantes aux objectifs divergents, crée des moments de décision impliquant des compromis, associe des conséquences aux choix et prévoit des séances de bilan et des boucles de rétroaction.

Sur la plateforme LiveCase, les apprenants suivent des scénarios évolutifs dans une interface de clavardage, prennent des décisions avec des informations partielles et en observent les conséquences. Le frottement est délibéré : l’apprenant doit décider quelle question poser ensuite, à quelle partie prenante faire confiance et quel compromis accepter. L’effort correspond à l’objectif d’apprentissage, à savoir exercer son jugement dans l’ambiguïté, et non à une difficulté arbitraire.

Cependant, toutes les simulations ne génèrent pas automatiquement un frottement productif. Une simulation qui réduit les choix à des parcours évidents ou récompense les réponses superficielles crée de l’agitation stérile, pas un véritable défi. La qualité dépend des objectifs d’apprentissage et des choix de conception qui les mettent en œuvre. Le même principe s’applique : la résistance sans engagement n’est que de la difficulté.

Pour approfondir la façon dont l’IA transforme la maîtrise cognitive des devoirs, lisez Reconstruire la maîtrise cognitive. Pour découvrir le passage plus général d’un contenu passif à un apprentissage actif, Que signifie réellement l’apprentissage expérientiel ? propose un cadre de référence.

Téléchargez le guide d’une page sur le frottement productif. Appliquez-le à un devoir que vous donnez actuellement et repérez les aspects du frottement à repenser. Découvrez ensuite comment l’Atelier gratuit de création avec l’IA de LiveCase vous permet de concevoir des simulations structurées qui préservent le bon type d’effort cognitif, sans écrire de code.

À lire également sur les expériences d’apprentissage interactives et immersives faisant appel à l’IA : 3 changements de conception qui rendent la triche avec l’IA sans importance (en repensant l’expérience plutôt qu’en surveillant les élèves).

FAQ

Qu’est-ce que le frottement productif dans l’apprentissage ?

Le frottement productif désigne la forme précise d’effort cognitif qui favorise l’apprentissage : se confronter aux concepts, s’exercer à des compétences avec des corrections et prendre des décisions dans l’ambiguïté. Il exige à la fois de la résistance et de l’engagement, et varie selon l’objectif d’apprentissage.

Le frottement productif est-il la même chose qu’une difficulté souhaitable ?

Le frottement productif est un concept plus large qui englobe les difficultés souhaitables, dont les recherches montrent qu’elles améliorent la rétention à long terme. La difficulté souhaitable est l’un des mécanismes du frottement productif. Toutes les difficultés souhaitables créent du frottement productif, mais celui-ci ne prend pas toujours la forme d’une difficulté souhaitable.

Qu’est-ce que la paresse métacognitive ?

La paresse métacognitive désigne une baisse de l’autosurveillance et de la persévérance lorsque l’IA fournit rapidement des réponses fluides. Il s’agit d’un comportement observé dans des conditions précises, et non d’un diagnostic visant des étudiants en particulier. Modifiez les conditions d’évaluation et le comportement changera.

Comment l’IA peut-elle favoriser l’apprentissage sans réfléchir à la place de l’apprenant ?

L’IA est surtout utile lorsqu’elle explique au lieu de résoudre, organise les informations au lieu de les retrouver ou propose des options que l’apprenant doit évaluer. Le principe de conception essentiel est le suivant : l’IA devrait alléger les tâches administratives, mais jamais remplacer le rappel, l’entraînement ou le jugement qu’exige l’objectif d’apprentissage.

Les simulations peuvent-elles susciter un effort productif ?

Oui, à condition d’être conçues en fonction des bons objectifs d’apprentissage. Une simulation qui demande aux apprenants de peser des informations incomplètes, d’effectuer des compromis et d’assumer les conséquences de leurs choix peut créer un frottement productif. Une simulation qui réduit les choix à des parcours évidents ou récompense les réponses superficielles crée de l’agitation stérile, pas un véritable défi.

Vous souhaitez en discuter ? Réservez un entretien exploratoire gratuit de 15 minutes