Quel avenir pour les profs, à l'ère de l'IA ?

La question revient sans cesse, dans les salles des profs comme dans les couloirs : si une IA peut expliquer, générer des exercices, corriger, réexpliquer avec une patience infinie et à trois heures du matin, à quoi sert encore l'enseignant ?

Je suis particulièrement bien placé pour me la poser. J'enseigne l'informatique en école d'ingénieurs : l'algorithmique, la programmation orientée objet, les architectures logicielles, le génie logiciel. Autrement dit, très exactement les matières que l'IA générative bouleverse le plus vite. Ce que j'apprends à mes étudiants le lundi, un modèle peut le produire pour eux le mardi, en trois secondes. Et de l'autre côté du bureau, je ne suis pas en reste : je m'appuie massivement sur l'IA pour préparer mes supports, mes exercices, mes sujets. Je vais plus vite, plus loin. Ma charge de travail n'a pourtant pas diminué, et j'ai parfois l'étrange sensation d'être devenu le contrôleur qualité d'une chaîne qui tourne sans moi.

Et pourtant, autant l'annoncer d'emblée : la question ne m'effraie pas tant que ça. J'ai sur elle un petit avantage, assez inattendu, dont peu de mes collègues disposent, et que je dévoilerai plus loin dans ce billet. Patience.

Je voudrais donc prendre la question au sérieux, sans catastrophisme ni déni. Car les deux réponses réflexes sont fausses. « Rien ne change, l'IA n'est qu'un outil de plus » : faux. Quand l'outil fait précisément ce qui constituait le cœur visible du métier, quelque chose change. « Le prof est condamné » : faux aussi, mais à condition de comprendre ce qui, dans le métier, était réellement le cœur, et ce qui n'en était que l'enveloppe.

Ce que l'IA mange réellement

Soyons lucides sur ce qui est en train de disparaître : la partie du métier qui consistait à être un canal de transmission d'information. Expliquer une notion, fournir un exemple, répondre à une question factuelle, produire un support, décliner un exercice en dix variantes : sur tout cela, un modèle est plus rapide, plus disponible, souvent plus clair, et infiniment plus patient.

Il faut avoir l'honnêteté de le reconnaître : une part de nos cours a toujours été de la transmission d'information déguisée en enseignement. Cette part-là, oui, l'IA la mange.

Et il y a un symptôme que tout enseignant reconnaîtra : le silence. Avant, les étudiants posaient des questions. C'était bruyant, désordonné, parfois à côté de la plaque, mais c'était de l'or : chaque question me disait où en était la promotion, ce qui était compris, ce qui résistait. Aujourd'hui, on ne sait plus. Le silence s'est installé, et ce n'est pas le silence de la compréhension. La question n'a pas disparu, elle a migré : pourquoi risquer de passer pour l'idiot de service devant quarante personnes, quand on peut interroger un modèle le soir, seul, sans jugement ?

J'en ai eu récemment une démonstration qui m'a, je l'avoue, passablement agacé. Je pose une question à l'oral, à la classe, pour lancer la réflexion. Je vois des étudiants la taper aussitôt dans une IA, sous mes yeux. Et quelques secondes plus tard, l'un d'eux me ressort la réponse. Enfin, non : il me la lit. La boucle était bouclée, et j'étais devenu, dans ma propre salle, l'interface vocale d'un système de question-réponse. La question que je posais n'était pourtant pas là pour obtenir une réponse : je la connais, la réponse. Elle était là pour les faire réfléchir. C'est tout le malentendu de l'époque : ils ont optimisé l'obtention de la réponse, alors que la réponse n'a jamais été le but.

Le vrai dégât est là. Le problème n'est pas que mes étudiants ne comprennent plus. Le problème est que moi, je ne sais plus ce qu'ils ne comprennent pas. Leurs questions étaient ma sonde, mon instrument de navigation. Cet instrument se débranche.

Mais un métier ne se réduit pas à sa partie automatisable. Le médecin n'a pas disparu quand l'encyclopédie médicale est devenue accessible à tous. Il s'est recentré. C'est exactement ce qui attend l'enseignant.

Et si la machine remplaçait aussi l'ingénieur ?

Avant d'en venir à ce recentrage, il faut affronter l'objection la plus radicale, celle que mes étudiants n'osent pas toujours formuler mais que je lis dans leurs yeux : à quoi bon apprendre l'informatique, si le code produit par les machines devient meilleur que le nôtre ? Si demain la machine remplace non seulement le prof, mais le métier même auquel le prof prépare ?

Je ne vais pas balayer la question, car elle est sérieuse. Le code généré s'améliore vite, et une partie de ce qui occupait les développeurs d'hier est déjà automatisée. Quiconque affirme savoir où cela s'arrêtera ment, dans un sens ou dans l'autre. Mais trois choses me semblent solides.

La première est historique. L'informatique est le métier qui n'a jamais cessé de s'automatiser lui-même. Le compilateur a remplacé l'écriture de l'assembleur ; les bibliothèques ont remplacé la réécriture perpétuelle des mêmes algorithmes ; les frameworks, les gestionnaires de paquets, l'infrastructure à la demande : chaque génération d'outils a mangé le travail de la précédente. À chaque fois, le métier n'a pas disparu, il est monté d'un cran en abstraction. L'IA générative est un cran de plus, brutal, mais un cran. Le centre de gravité se déplace de l'écriture du code vers la spécification, l'architecture, la validation : dire précisément ce qu'on veut, vérifier qu'on l'a obtenu, comprendre pourquoi quand ce n'est pas le cas.

La deuxième est une question de responsabilité. Un système produit par une machine, il faudra toujours que quelqu'un en réponde. Quand le logiciel pilote un train, un respirateur ou un réseau électrique, « c'est l'IA qui l'a écrit » ne sera jamais une défense recevable, ni devant un juge, ni devant les familles. Or on ne peut endosser la responsabilité que de ce qu'on est capable de comprendre. Mes travaux de recherche portent justement sur l'explicabilité des systèmes automatiques : rendre interprétables et vérifiables les résultats produits par des algorithmes. Plus les machines produisent, plus ce besoin grandit. L'ingénieur de demain est peut-être moins celui qui écrit le code que celui qui peut demander des comptes au code, quelle que soit sa provenance.

La troisième est presque une évidence qu'on oublie : une société dont toute l'infrastructure repose sur des systèmes que plus personne ne comprend est une société en danger. Même dans le scénario extrême où les machines écriraient tout, il faudrait former des humains capables de les surveiller, de les auditer, de les débrancher à bon escient. Ce serait toujours de l'informatique, et il faudrait toujours des profs pour l'enseigner. On ne forme pas des étudiants à concurrencer la machine sur la production. On les forme à rester au-dessus d'elle sur la compréhension.

Alors oui, je forme peut-être les derniers ingénieurs qui auront beaucoup codé à la main, comme on a formé les derniers navigateurs qui savaient faire le point au sextant. Mais on continue d'enseigner la navigation, précisément parce que le GPS tombe en panne, se trompe, ou se fait mentir. La leçon vaut pour tout le reste.

Mes collègues ne sont pas mieux lotis

On pourrait croire que c'est un problème d'informaticiens. J'ai la chance d'avoir un observatoire plus large : mon épouse est professeure d'anglais, et l'un de mes collègues enseigne les mathématiques. Nos trois matières n'ont presque rien en commun, sauf l'essentiel : chacune affronte, avec ses mots, la même question. À quoi bon apprendre X, si la machine fait X ?

Pour l'anglais, la version est presque plus brutale que la mienne. La traduction automatique est excellente, la traduction vocale en temps réel arrive dans les oreillettes, et un modèle rédige un essay dans un anglais plus propre que celui de la plupart des élèves. Le devoir écrit ne prouve plus rien : une rédaction impeccable peut sortir d'un téléphone en dix secondes, et corriger la grammaire d'un texte que l'élève n'a pas écrit n'a tout simplement plus de sens. Mon épouse voit donc son métier poussé vers ce qui ne passe pas par la machine : la conversation en direct, l'oral, l'accent, l'hésitation surmontée, le culot de parler. Car une langue n'est pas un contenu qu'on transfère, c'est une capacité qu'on incarne. L'oreillette traduira le message ; elle ne fera jamais que vous parlez anglais. Et il restera toujours cette différence entre comprendre quelqu'un à travers une machine et le comprendre soi-même : la seconde s'appelle une rencontre.

Pour les mathématiques, mon collègue pourrait presque nous regarder avec l'ironie du vétéran : sa discipline affronte « la machine fait X » depuis un demi-siècle. La calculatrice, les logiciels de calcul formel, les applications qui résolvent une équation photographiée : les maths ont eu quarante ans d'avance sur notre problème. Et leur réponse historique est éclairante pour tout le monde : on n'a jamais enseigné le calcul pour obtenir des résultats, on l'a enseigné pour structurer une pensée. Personne n'a besoin d'un humain pour multiplier deux nombres depuis 1975 ; on continue pourtant d'apprendre à le faire, parce que c'est en le faisant qu'on comprend ce qu'est un nombre. Mais l'IA générative franchit un cran que la calculatrice n'avait jamais franchi : elle ne produit plus seulement le résultat, elle rédige le raisonnement. La démonstration, dernier bastion, celle qui prouvait qu'on avait pensé, est désormais générable aussi. Le devoir à la maison est mort, et mon collègue le sait : son évaluation bascule vers le direct, le tableau, l'oral, le « montre-moi comment tu penses, ici, maintenant ».

Trois matières, trois versions du même séisme, et, si l'on y regarde bien, trois fois la même réponse qui se dessine : la production n'a jamais été le but. Le code, l'essay, le calcul n'étaient que des traces ; ce qu'on visait, c'était ce que leur fabrication construisait dans une tête. Maintenant que les traces sont générables, il ne reste qu'à évaluer, et à cultiver, la construction elle-même. D'où cette convergence remarquable : dans nos trois disciplines, l'avenir passe par le retour du direct, du présentiel, de l'oral, de la personne. Ce n'est pas un repli nostalgique. C'est un recentrage sur le seul endroit où l'apprentissage a jamais eu lieu.

La tentation de la flemme, ou : optimiser, mais pour quoi faire ?

Il reste un adversaire à nommer, et ce n'est pas la machine. C'est nous.

Car soyons honnêtes : le vrai moteur de tout ce qui précède, c'est la flemme. La nôtre, celle des enseignants : déléguer une tâche de plus, puis une autre, jusqu'à ce que la relecture devienne un rituel et qu'on se réveille contrôleur qualité de son propre cours. Je connais cette pente, je la descends comme tout le monde. Et celle des étudiants, qui est pire parce qu'elle est parfaitement rationnelle : pourquoi se débattre une heure sur un problème quand la réponse est à un prompt de distance ? Personne ne s'inflige un effort qui lui semble inutile. Le drame est précisément là : l'effort semble inutile, parce qu'on a confondu le produit de l'apprentissage avec son mécanisme.

Or l'effort n'a jamais été le prix à payer pour apprendre. Il est l'apprentissage. Se débattre avec un problème, c'est exactement l'opération par laquelle une notion s'installe dans une tête ; la difficulté n'est pas un obstacle sur le chemin, elle est le chemin. C'est pour cela qu'on n'a jamais inventé de machine qui fasse les pompes à votre place : tout le monde voit immédiatement que ce serait absurde, que le but des pompes n'est pas que les pompes soient faites. Personne, curieusement, ne voit la même absurdité quand une machine fait les exercices à la place de l'étudiant. C'est pourtant la même.

Et derrière la flemme, il y a son alibi respectable : l'optimisation. Tout notre vocabulaire actuel en vient : gagner du temps, aller plus vite, être plus productif, plus efficace. Je m'y reconnais, j'ai adopté ce vocabulaire moi-même : plus vite, plus loin, plus profond. Mais « optimiser » est un verbe transitif qui a perdu son complément. Optimiser, oui : mais pour quoi faire ? L'optimisation sait répondre à « comment aller plus vite » ; elle est structurellement incapable de répondre à « où aller » et « pourquoi ». Mes étudiants qui tapaient ma question dans un modèle avaient parfaitement optimisé l'obtention de la réponse. Ils avaient juste oublié de se demander si la réponse était le but. Elle ne l'était pas. Elle ne l'est jamais, en éducation.

Car il y a des activités qu'on n'optimise pas, parce qu'elles sont à elles-mêmes leur propre fin. On ne dit pas d'une randonnée qu'elle est inefficace parce qu'un hélicoptère irait plus vite au sommet : l'hélicoptère n'optimise pas la randonnée, il la supprime. On ne demande pas à un musicien pourquoi il n'écoute pas plutôt le disque, qui joue mieux que lui. Apprendre appartient à cette famille-là. Et enseigner aussi. On apprend par plaisir, celui de comprendre enfin, de sentir que quelque chose s'assemble ; on enseigne par plaisir, celui de montrer, de voir un visage s'éclairer. Ce plaisir n'est pas la récompense qui vient après le travail : il est ce qui rend le travail possible, son carburant. Si nous optimisons tout ce qui est lent, difficile, frottant, nous n'aurons pas rendu l'apprentissage plus efficace. Nous en aurons optimisé le plaisir hors du circuit, et avec lui l'apprentissage lui-même. C'est, je crois, l'origine exacte de cette sensation que je décrivais en ouverture : aller plus vite que jamais, et pourtant moins être là. J'ai optimisé. Et j'ai perdu quelque chose au passage, sans qu'aucune métrique ne me dise quoi.

C'est ici que je dévoile l'avantage annoncé en ouverture, et il va paraître paradoxal : je suis handicapé. Je vis avec un corps qui a ses pannes, ses lenteurs, ses jours sans, et une machine dans la tête qui compense sans effacer. Autrement dit, je sais, avec une certitude que peu de gens possèdent, que je ne serai jamais optimisé à cent pour cent. Aucun outil, aucune discipline, aucune IA ne m'y amènera. Et contre toute attente, c'est une chance folle. Ce but que tant de gens poursuivent en s'épuisant, la version pleinement efficace d'eux-mêmes, m'est interdit d'entrée de jeu : me voilà dispensé de la course. Quand les cent pour cent sont hors d'atteinte par construction, on cesse de les viser, et on se pose enfin la seule question qui vaille : que faire de bon avec ce qu'on a ? Le handicap m'a offert d'office la lucidité que ce billet essaie de construire par le raisonnement. Et il y a quelque chose de savoureux à regarder des gens parfaitement valides s'infliger volontairement une quête d'optimisation totale dont je suis, moi, exempté par nature. Je veux être celui qui reste lucide là-dessus : l'inoptimisable n'est pas un défaut du système. C'est l'endroit où l'on vit.

La bonne question, pour un enseignant comme pour un étudiant, n'est donc pas « qu'est-ce que l'IA peut faire à ma place ? ». C'est : « qu'est-ce que je perds si je ne le fais plus moi-même, et est-ce que je tiens à le garder ? ». La flemme répond toujours non. Le plaisir, lui, sait où il habite.

Ce que le prof peut faire, et que la machine ne fera pas

1. Enseigner le jugement, pas la production

Mes étudiants peuvent désormais générer une architecture logicielle complète en un prompt. Très bien. Mais savoir si c'était la bonne, repérer le plausible mais faux, le solide mais inadapté, l'élégant mais bancal, cela demande exactement ce que nous enseignons : les fondements. Un étudiant qui n'a jamais écrit une structure de données à la main ne verra pas que le modèle vient de lui en proposer une mauvaise. Le parallèle vaut ailleurs : l'élève qui n'a jamais construit une phrase en anglais ne verra pas que la traduction est fausse en nuance ; celui qui n'a jamais rédigé une démonstration ne verra pas que le raisonnement généré est troué. Paradoxe précieux : plus la production devient gratuite, plus l'évaluation de ce qui est produit prend de la valeur.

Concrètement, cela signifie déplacer le centre de gravité du cours : moins de « produisez ceci », plus de « voici une production : qu'en pensez-vous ? ». Faire critiquer un code généré, une réponse de modèle, un texte plausible. L'erreur bien choisie devient le meilleur support pédagogique de l'époque : critiquer une production anonyme est infiniment moins risqué que poser une question, et cela fait parler même les promotions les plus silencieuses.

2. Créer de la friction productive

Un modèle est complaisant par construction : il donne la réponse. L'enseignant, lui, peut la refuser. C'est bien pour cela que mon anecdote de tout à l'heure m'a agacé : mes questions ne sont pas des requêtes en attente de réponse, ce sont des résistances posées exprès sur le chemin. Poser la question qui dérange, laisser un étudiant se débattre juste le temps qu'il faut, ni trop peu ni trop longtemps. En TP, c'est un art que je pratique quotidiennement : voir un binôme bloqué, savoir que je pourrais débloquer en dix secondes, et choisir de poser une question à la place. L'apprentissage passe par cet inconfort dosé, et le doser est un métier. C'est peut-être même la définition la plus courte du métier : l'IA optimise le confort de celui qui demande ; le prof optimise sa progression. Ce sont deux fonctions objectif différentes, et la seconde exige quelqu'un qui ne cherche pas à vous satisfaire.

3. Faire du cours un événement collectif

Le tutorat individualisé est le terrain où la machine a l'avantage structurel : disponibilité totale, patience infinie, adaptation instantanée. Jouer la survie du métier sur ce terrain-là, c'est choisir le match perdu d'avance. Ce que la machine ne fournira pas, c'est le collectif incarné : le moment où toute une salle découvre quelque chose ensemble, où la question de l'un débloque les cinq autres, où une démonstration qui tourne mal fait rire la promo entière, et lui apprend plus que le support ne l'aurait fait.

Quiconque a assisté à un de mes cours sait que je cultive ce registre : les formules rituelles, les « ça marchait en local », le petit théâtre du prof qui n'a plus d'arguments. Ce n'est pas de la décoration. C'est ce qui fait qu'un cours est un lieu où l'on est ensemble, et pas un flux qu'on pourrait regarder en accéléré. L'avenir du cours en présentiel n'est pas la conférence (elle est remplaçable) mais l'événement : ce qui ne vaut que vécu ensemble, en direct, avec quelqu'un qui orchestre.

4. Exploiter le verrou qui vient de sauter

L'IA rend enfin possible ce qui a toujours été impossible : le cours à plusieurs vitesses. Le verrou historique était simple : un prof, un rythme. Impossible d'expliquer trois choses à trois groupes en même temps ; tout le monde subissait la moyenne, les rapides s'ennuyaient, les fragiles décrochaient, et l'enseignant parlait au fantôme statistique du milieu. Je l'ai vécu chaque année : des séances calibrées pour un étudiant médian qui n'existe pas.

Si l'explication devient self-service, l'enseignant n'a plus besoin d'être devant à dérouler. Il peut construire des parcours en paliers (un socle obligatoire, des extensions en escalier, un défi ouvert pour ceux qui finissent toujours en avance) et devenir celui qui circule. Cinq minutes d'un enseignant assis à côté d'un étudiant bloqué pèsent plus lourd que trente minutes de tuteur artificiel : non parce qu'elles sont plus intelligentes, mais parce qu'elles sont rares, et qu'elles viennent de quelqu'un pour qui ça compte.

Mieux : la différenciation peut devenir invisible. Dans un projet collectif où chaque groupe possède un composant différent d'un système commun, on peut distribuer les composants selon les niveaux sans jamais l'annoncer. Personne n'est dans le « groupe des faibles » : chacun tient une pièce nécessaire à l'ensemble.

5. Rester celui qui sait ce qui se passe dans les têtes

Il y a un risque réel, et il faut le nommer : la boucle fermée. Une IA produit le support, une IA fait l'exercice, une IA l'évalue, et plus personne n'apprend rien, dans un système qui tourne pourtant à plein régime. Mon anecdote de la question lue à voix haute en est la version miniature : j'y étais moi-même un maillon. Je vois cette boucle se dessiner de mes deux fenêtres à la fois : côté prof, quand je génère mes contenus ; côté étudiants, quand leurs rendus portent la trace évidente du même outil. Le rôle irréductible de l'enseignant est d'empêcher cette boucle de se refermer : rester celui qui sait où en est la promotion, ce qui est compris, ce qui résiste, et qui ajuste.

Cela suppose de préserver délibérément des canaux de signal, maintenant que les canaux traditionnels s'assèchent : des moments d'oral, des restitutions en direct, des travaux faits en présence, du regard porté sur le processus et non plus seulement sur le produit final, car le produit final, désormais, ne prouve plus grand-chose. C'est, on l'a vu, la conclusion à laquelle arrivent aussi la prof d'anglais et le prof de maths, chacun par son propre chemin. Quand trois disciplines aussi différentes convergent vers la même solution, c'est probablement qu'elle est structurelle.

6. Incarner l'enthousiasme

Enfin, le plus important, et le moins mesurable. Quand on me demande ce qui me plaît encore dans ce métier, ma réponse n'a pas changé : découvrir un truc nouveau et avoir hâte de le montrer à mes étudiants. Ce plaisir-là, je ne l'ai jamais délégué à la machine, et je remarque que je n'y ai même jamais songé. La flemme dont je parlais plus haut est donc mieux ciblée qu'il n'y paraît : elle porte sur ce qui était mécanisable, et épargne spontanément ce qui ne l'est pas. C'est peut-être le meilleur test dont nous disposions : ce qu'on n'a jamais eu envie de déléguer, c'est le cœur du métier.

Car ce qu'un enseignant transmet de plus précieux n'est pas une information : la machine en fournit de meilleures, plus vite. C'est la preuve vivante qu'après des années de métier, on peut encore trouver son domaine merveilleux. Un prof d'anglais qui aime cette langue transmet d'abord cet amour ; un prof de maths qui trouve une démonstration belle enseigne d'abord qu'une démonstration peut être belle. L'enthousiasme d'un modèle ne coûte rien, donc il ne prouve rien. Celui d'un enseignant coûte ses soirées, sa fatigue, ses années : c'est pour cela qu'il est contagieux.

Je parle d'incarnation en connaissance de cause. La machine dans ma tête, celle que j'évoquais plus haut, est une stimulation cérébrale profonde, que je porte depuis 2025 : je suis, au sens propre, un humain qui fonctionne avec une machine. J'ai déjà écrit ici ce que cela change dans la relation pédagogique. Elle m'a au moins appris une chose : elle m'aide à être là, elle ne me remplace pas. C'est une assez bonne définition de ce que l'IA devrait être pour un enseignant. Et il y a une seconde asymétrie, plus profonde encore : une machine s'adapte à vous, mais elle n'attend rien de vous. Elle n'est pas déçue si vous lâchez. Vous ne lui devez rien. La relation pédagogique, elle, engage : quelqu'un devant qui on n'a pas envie de rendre un travail bâclé, quelqu'un qui se souviendra de vous dans deux ans. C'est précisément cet engagement qui fait apprendre.

Conclusion : un recentrage, pas une disparition

Le prof qui est menacé, qu'il enseigne le code, l'anglais ou les mathématiques, ce n'est pas celui qui utilise l'IA, ni même celui qui lui délègue beaucoup. C'est celui dont le cours n'est qu'un flux de contenu, car un flux de contenu, une IA le remplace demain matin.

Celui qui reste, et qui restera longtemps, c'est celui qui fait de sa salle un endroit où il se passe quelque chose : où l'on juge, où l'on se confronte, où l'on découvre ensemble, et où quelqu'un, un humain fatigué, enthousiaste et faillible, a encore envie de montrer un truc. Et cela vaut même dans le monde où les machines écriraient tout le code, traduiraient toutes les langues et rédigeraient toutes les démonstrations : il faudra toujours des humains qui comprennent, donc des humains qui apprennent, donc des humains qui enseignent.

L'IA nous libère du temps et fait sauter de vieux verrous. La question n'est pas de savoir si le métier survivra. C'est de savoir si nous dépenserons ce temps dans une tâche de plus, au nom d'une optimisation qui ne sait pas dire vers quoi elle optimise, ou dans le seul plateau de la balance que la machine ne peut pas remplir : celui où l'on apprend, et où l'on enseigne, par plaisir.