par C’est la rentrée ! L’étude la plus commentée du moment sur IA et apprentissage vient de Chine. Dans un working paper intitulé The Generative AI Learning Penalty: Evidence from Chinese Secondary Education daté de juin 2026 et posté sur SSRN en juillet, David Strömberg (Université de Stockholm), Victor Lei et Yanhui Wu (Université de Hong Kong) suivent 26 811 collégiens et lycéens pendant 30 mois. Six mois après l’adoption d’une IA générative, les notes de devoirs bondissent de 18 %, le temps de travail chute de 64 à 45 minutes, et les scores aux examens sur table s’effondrent de 20 %.
Le graphique repris par The Economist a fait le tour des réseaux (mon image d’illustration reprise ci-dessous), souvent résumé en une phrase : l’IA rend les élèves moins bons. Ce n’est pas ce que l’étude démontre. Et ce que le graphique fait croire n’est pas exactement ce que le papier mesure !
J’ai lu le papier en entier, tableaux d’annexe compris. Mon verdict tient en une phrase : l’identification statistique est parmi les plus solides jamais produites sur ce sujet, mais le mécanisme qui fait tout l’intérêt du résultat, à savoir ce que les élèves font réellement avec l’IA n’est pratiquement jamais observé. Voici ce que le papier établit, ce qu’il suggère seulement, où sa causalité reste discutable, pourquoi sa traduction médiatique dérape, et pourquoi sa vraie découverte est ailleurs que dans le -20 % !
Au sommaire
Une étude nettement plus solide que la moyenne du genre
Commençons par rendre justice au travail. Les auteurs exploitent les données administratives d’un comté du centre de la Chine (plus d’un million d’habitants, 90 % des élèves du secondaire couverts) : notes et horodatages des devoirs hebdomadaires, examens mensuels sur table, examens communs au comté, et les deux examens d’entrée à très forts enjeux, Zhongkao et Gaokao. On ne demande pas aux élèves s’ils ont l’impression d’avoir appris ; on observe ce qu’ils produisent.
Côté méthode, c’est du sérieux : différence de différences échelonnée avec l’estimateur de Callaway et Sant’Anna (2021), tendances pré-adoption plates, tests de spillovers, réplication sur les examens communs corrigés hors de la classe, et des coefficients qui bougent à peine d’une spécification à l’autre. La chute de 20 % des scores mensuels, et de 18 à 24 % sur les examens d’entrée pour les adopteurs de longue durée, n’est pas un artefact fragile.
Il faut pourtant distinguer trois propositions de statut très différent :
- Après l’adoption de l’IA, les performances divergent brutalement. C’est solidement documenté.
- Cette divergence est causée par l’adoption, crédible, sous l’hypothèse de tendances parallèles, mais observationnel.
- La baisse s’explique parce que 80 % des élèves « externalisent » leurs devoirs tandis que les autres utilisent l’IA comme tuteur et c’est là que le papier change de niveau de preuve sans toujours le signaler.
Les trois sections qui suivent examinent chacun de ces étages, dans l’ordre inverse de leur solidité.
Le paradoxe : une économétrie de pointe pour un traitement invisible
Voici ce qui m’a le plus frappé à la lecture. Le traitement étudié est en réalité « être entré dans l’état d’utilisateur d’IA« . Les auteurs connaissent la date d’adoption déclarée, les heures hebdomadaires déclarées, les matières concernées et les outils utilisés (Doubao, DeepSeek, ChatGLM, Ernie Bot, Qwen). Ils ne connaissent ni les prompts, ni le nombre d’interactions, ni si l’élève demande la solution ou une explication, ni s’il tente une réponse avant de consulter, ni s’il copie-colle. Or c’est précisément cela, le traitement pédagogique.
Dans mes propres travaux sur l’acceptation des technologies, j’ai appris à me méfier de la variable utilisateur / non-utilisateur : le TAM et ses héritiers montrent depuis longtemps que l’intention d’usage ne dit rien de l’usage durable, et encore moins de sa nature. Avec une technologie aussi polyvalente qu’une IA générative, cette variable devient presque vide. Deux élèves peuvent déclarer cinq heures par semaine et pratiquer des activités cognitives diamétralement opposées : l’un externalise la production, l’autre demande la contradiction.
Le papier mesure très bien l’entrée dans l’état « j’utilise une IA », beaucoup moins bien l’effet des différentes formes d’usage de cette IA.
Le papier mesure très bien l’entrée dans l’état « j’utilise une IA », beaucoup moins bien l’effet des différentes formes d’usage de cette IA. La distinction est majeure, parce que toutes les recommandations de politique éducative dépendent du second, pas du premier.
« Outsourcing » et « tutoring » : une médiation racontée, pas mesurée
La chaîne causale que le papier voudrait établir est une médiation classique : adoption de l’IA -> externalisation de l’effort cognitif -> moins d’apprentissage. Ce qui est réellement observé : 81 % des utilisateurs de plus de cinq mois bouclent leurs devoirs en moins de 50 minutes, plus vite que les non-utilisateurs les plus rapides, avec d’excellentes notes de devoirs et de mauvaises notes d’examens. C’est compatible avec de l’externalisation. Ce n’est pas équivalent.
Le temps de complétion est un proxy comportemental, pas une mesure d’engagement cognitif. Un élève peut apprendre énormément en 40 minutes de pratique intense assistée, et très peu en 70 minutes de relecture passive avec un chatbot ouvert. Les auteurs le reconnaissent d’ailleurs eux-mêmes : la relation entre temps de devoir et score d’examen ne doit pas, écrivent-ils, être interprétée comme causale. Le graphique sur le temps qui circule ne démontre donc pas que passer plus de temps protège l’apprentissage ; il montre qu’une variable latente (motivation, supervision parentale, métacognition) distingue deux populations. Les auteurs énumèrent eux-mêmes ces explications concurrentes en section 5.2, ce qui revient à lister les facteurs de confusion du mécanisme qu’ils cherchent à défendre.
Et puis, page 20, surgit l’explication du sous-groupe préservé : une « greater skill in using generative AI as a learning aid ». Compétence jamais définie, jamais mesurée, jamais opérationnalisée. S’agit-il de prompting élaboré ? De métacognition ? De vérification systématique ? De questionnement socratique ? Rien de tout cela n’est observé. En termes peirciens, c’est une abduction parfaitement légitime : une anomalie appelle une hypothèse explicative. Mais une abduction ouvre la prochaine question de recherche ; elle ne clôt pas celle-ci.
La comparaison avec Bastani et al. (PNAS, 2025) est cruelle sur ce point précis. Leur essai randomisé auprès d’environ 1 000 lycéens turcs trouve un effet immédiat de -17 % en mathématiques avec un GPT donnant les réponses, et pas de pénalité significative avec une version tuteur dotée de garde-fous pédagogiques. Surtout, ils ont les logs : ils voient qui demande directement la réponse et qui tente d’abord, qui sollicite une aide et qui recopie. Strömberg et ses coauteurs ont le meilleur terrain longitudinal, écologique, et massif mais Bastani a finalement le meilleur microscope. Les deux études se complètent, mais la première s’appuie un peu confortablement sur la seconde pour combler le trou mécanistique de ses propres données.
Le choc concomitant que les auteurs écartent un peu vite
Reste la question causale elle-même. La défense principale du papier est élégante : si des chocs négatifs de cette ampleur étaient fréquents, on devrait les observer aussi chez les non-utilisateurs. Or il est extrêmement rare qu’un élève sans IA perde plus de 20 % de score moyen en six mois cinq cas dans tout l’échantillon, et pratiquement aucun en 2022-2023 quand l’adoption était encore marginale. L’argument a du poids.
Mais il vise le mauvais adversaire. Le facteur de confusion dangereux n’est pas un événement exogène isolé (une maladie, un déménagement) qui ferait brutalement chuter les notes. C’est un basculement comportemental latent qui produirait simultanément l’adoption de l’IA et la baisse d’investissement scolaire. Concrètement : désengagement -> adoption de l’IA -> moindre effort général -> scores en baisse progressive. Les trajectoires observées sont compatibles avec ce scénario comme avec celui du papier (adoption -> externalisation -> baisse). Les pré-tendances plates rendent ce scénario alternatif moins trivial, puisqu’il faudrait que le basculement démarre précisément au mois d’adoption déclaré, déclaré rétrospectivement, rappelons-le. Elles ne l’éliminent pas.
Je dois signaler, à décharge, le second argument des auteurs, plus fort que le premier : la structure fine des effets par matière est quasi identique entre examens mensuels et examens d’entrée, alors que ces épreuves diffèrent par leur portée, leurs enjeux, leur correction et leur calendrier. Un facteur de confusion devrait répliquer cette structure précise, ce qui est difficile. Je pense donc que les résultats sont fortement suggestifs d’un effet causal et c’est déjà beaucoup (!) mais le langage de la causalité parfaitement établie, que l’abstract assume, va un cran trop loin pour une étude d’observation à date de traitement auto-déclarée… un peu de mesure aurait été la bienvenue.
« Learning efficiency » : une équation à laquelle il manque le dénominateur
Le passage qui m’a fait le plus tiquer se trouve en section 5.1. Dans la zone de recouvrement des temps de devoir (50 à 65 minutes), les élèves avec et sans IA obtiennent des scores d’examen similaires, alors que les premiers ont de meilleures notes de devoirs, preuve qu’ils utilisent bien l’outil. Les auteurs vérifient que ce sous-groupe n’est pas sélectionné sur le niveau antérieur, puis concluent que les deux groupes ont une productivité d’apprentissage à peu près égale, et que l’IA ne réduit pas ce qu’ils appellent la learning efficiency de ces élèves.
Je trouve cette formulation trop forte, pour une raison de définition. Une efficience d’apprentissage rapporte un gain d’apprentissage à un effort cognitif consenti. Ce dont disposent les auteurs, c’est un score d’examen rapporté à un intervalle d’horodatage entre ouverture et soumission du devoir. Le temps est un intrant grossier : il ne mesure ni la charge cognitive, ni l’attention, ni le degré d’autonomie, ni la qualité des stratégies mobilisées.
La littérature sur l’apprentissage distingue depuis longtemps le time on task de la qualité du traitement cognitif : 80 minutes de relecture passive apprennent moins que 35 minutes de pratique de récupération intensive. Même temps ne signifie pas même engagement ; la phrase correcte serait donc : dans ce sous-échantillon, conditionnellement à ce proxy de temps, aucune pénalité supplémentaire n’est détectable. C’est intéressant. Ce n’est pas une démonstration d’efficience égale.
L’équation implicite du papier c’est moins de temps = moins d’effort = moins d’apprentissage. Mais le point précédant montre que cela ne peut d’ailleurs pas devenir une théorie générale. L’expérience de Kestin et al. (2025), que les auteurs citent eux-mêmes, montre qu’un tuteur IA conçu selon des principes pédagogiques permet à des étudiants de physique de Harvard d’apprendre davantage en moins de temps qu’un dispositif d’apprentissage actif en classe. L’IA peut réduire le temps tout en augmentant la qualité du feedback. Ce que Strömberg montre est plus circonscrit : dans ce contexte précis, la forte réduction de temps est empiriquement associée à une forte détérioration ultérieure.
Un détail du papier renforce d’ailleurs le doute sur la stabilité de ce sous-groupe « vertueux » : les élèves qui passent plus de 65 minutes sur leurs devoirs sont tous des adopteurs de moins de cinq mois, et six mois après l’adoption, plus aucun utilisateur d’IA ne dépasse ce seuil. Le plus haut niveau d’effort est évincé chez tout le monde. Le groupe préservé ressemble moins à une population qu’à un état transitoire.
Des moyennes qui écrasent les conditions frontières
Deuxième réflexe de mon métier : un effet moyen n’est jamais universel, il faut le borner. Et les modérateurs racontent ici une histoire bien plus intéressante que le chiffre unique du graphique viral.
La dose-réponse est massive : -5 % pour les élèves déclarant moins d’une heure d’IA par semaine, -30 % au-delà de cinq heures. Les collégiens perdent plus que les lycéens (-24 % contre -17 %), les garçons plus que les filles, et, c’est une vraie surprise, le tercile initialement le plus performant perd plus que le tercile le plus faible (-24 % contre -16 %). L’IA comprime la distribution des compétences par le haut, à rebours de la littérature sur la productivité au travail, où elle aide surtout les moins qualifiés. Les sciences sociales trinquent le plus (-27 %), devant les STEM (-22 %) et loin devant le chinois (-9 %).
Deux précisions que les reprises médiatiques gomment systématiquement. Le « 1,4 écart-type » spectaculaire vient de l’agrégation entre matières, qui comprime la variance ; au niveau d’une matière, l’effet standardisé est environ deux fois plus faible (0,84 SD en mathématiques). Et l’identification des effets sur Zhongkao et Gaokao (les chiffres les plus repris) est nettement plus faible que celle des examens mensuels, ce que les auteurs admettent honnêtement : ces examens ne sont observés qu’une ou deux fois par élève, sans pré-tendance vérifiable.
Dernier signal que je trouve fascinant : l’effet à cinq mois d’exposition passe de -25 % début 2023 à -16 % en juin 2025, y compris sur une cohorte fixe d’adopteurs précoces. Quelque chose s’adapte. Mais quoi ? Meilleurs modèles, meilleurs usages, enseignants qui changent leurs devoirs, supervision accrue ? Le papier ne peut pas trancher, toujours pour la même raison : l’usage n’est pas observé.
La vraie découverte : le devoir ne prouve plus l’apprentissage
Si je devais ne retenir qu’un résultat, ce ne serait pas le -20 %. Ce serait celui-ci : chez les utilisateurs d’IA, au-dessus de la moyenne, plus la note de devoir monte, plus la note d’examen descend. La corrélation qui fondait un siècle de pédagogie : bon devoir -> travail fourni -> compétence probable, s’inverse, littéralement.
C’est exactement la tension que je documente dans mes propres réflexions sur la légitimité de l’IA générative dans l’enseignement supérieur : la fluidité de l’outil crée une dette cognitive, un écart croissant entre la performance immédiate de l’artefact et l’apprentissage durable de la personne. Le papier chinois en apporte la démonstration la plus massive à ce jour, avec un détail qui devrait obséder tout responsable pédagogique : la réduction du temps de devoir ne représente que 5 à 6 % du temps d’étude hebdomadaire total, pour 20 % de chute aux examens.
Le devoir du week-end n’est probablement pas le mécanisme ; il est l’indicateur visible d’un régime cognitif entier qui bascule : l’élève qui externalise le devoir du samedi externalise vraisemblablement aussi les exercices, les révisions, la préparation. Cela doit pousser à guider les élèves au bon usage de cette technologie.
Autrement dit, ce que l’étude révèle n’est pas seulement une pénalité d’apprentissage liée à l’IA. C’est une pénalité de design pédagogique que l’IA expose brutalement : si un devoir peut être réussi à 120 % de la moyenne en vingt minutes par un outil, sans que personne ne sache si l’élève a pensé, c’est l’activité elle-même qu’il faut interroger, autant que l’élève.
Le graphique de The Economist : efficace, et trompeur trois fois
Un mot maintenant sur la traduction médiatique, parce qu’elle conditionne ce que décideurs et parents retiendront. Soyons juste : l’article de The Economist est plus nuancé que la circulation de son graphique. Le texte dit explicitement que l’interdiction scolaire n’est pas la conclusion qui s’impose, que l’essentiel se joue dans la manière dont les élèves utilisent l’outil, et il cite d’autres travaux comme l’étude de Contractor et Reyes notamment où certains usages de l’IA produisent au contraire des gains d’apprentissage. Trois problèmes demeurent, et ils sont instructifs pour quiconque vulgarise de la recherche.
Premier problème, un mot : les 20 % de non-utilisateurs y sont décrits comme le groupe de contrôle. Techniquement, c’est le groupe de comparaison d’une différence de différences, des élèves qui ont choisi de ne pas adopter. Pour un lecteur grand public, « groupe de contrôle » évoque une assignation aléatoire, donc un essai clinique. Ce n’en est pas un, et toute la discussion sur les chocs concomitants ci-dessus n’existe que pour cette raison. J’aurais écrit : groupe de comparaison d’élèves n’ayant pas adopté l’IA.
Deuxième problème, plus subtil : le grand graphique repris partout superpose trois distributions entre jamais utilisé, avant utilisation, pendant utilisation. Ce sont, pour l’essentiel, les histogrammes descriptifs de la figure 2 du papier. Or l’identification causale ne vient pas de ces histogrammes ; elle vient de l’étude d’événement et de l’estimateur DID. Les auteurs le disent eux-mêmes : le tracé des moyennes sert à visualiser, l’identification vient de l’estimateur.
Dans la traduction médiatique, cet avertissement disparaît, et la juxtaposition avant/après produit naturellement une impression de causalité évidente. S’y ajoute un piège de lecture : les scores sont des indices normalisés où 100 représente la moyenne des observations pré-adoption. Le graphique n’affiche pas des notes sur 100, ce que rien ne signale au lecteur pressé.
Troisième problème, le plus révélateur : le dernier paragraphe de l’article affirme que les élèves qui conservent de bons résultats utilisaient plus vraisemblablement les chatbots comme un tuteur, pour se faire expliquer des concepts. C’est plausible. Mais ce n’est pas observé, c’est exactement la même extrapolation que la « greater skill » de la page 20, reprise cette fois sans le conditionnel.
Et la maxime finale (l’IA dope la productivité d’apprentissage de ceux qui l’utilisent intelligemment) condense en une phrase des résultats de statuts très différents : une association longitudinale (Strömberg), une corrélation de sous-groupes (le temps maintenu), un effet de design d’outil (Bastani). Journalistiquement, la phrase est excellente. Scientifiquement, « intelligemment » n’est pas un concept opérationnalisé ; c’est précisément la variable que personne n’a encore mesurée en conditions réelles.
Le faisceau de preuves pointe bien vers « la manière d’utiliser compte énormément ». Mais la question scientifique qui reste ouverte est autrement plus exigeante : quelles séquences d’interaction humain-IA produisent de l’apprentissage, pour quels apprenants, sur quelles tâches, à quel moment ? Cela reste à étudier de manière plus formelle à mon sens !
Les limites qui empêchent de généraliser
Avant d’en tirer des politiques, cinq réserves changent la portée des conclusions. L’adoption est auto-sélectionnée et sa date auto-déclarée rétrospectivement, même si l’absence de pré-tendances rassure. Le terrain est une unique province chinoise, dans un système scolaire extrêmement structuré et piloté par des examens à très forts enjeux ; la transposition au contexte français, où le poids du contrôle continu et la nature des devoirs diffèrent, demande de la prudence. Le temps de complétion est l’intervalle entre ouverture et soumission du devoir, pas une mesure d’attention. Les effets sur les examens d’entrée reposent sur une identification plus faible. Et le mécanisme central reste inféré, faute de logs.
Voici où je place le curseur de confiance, proposition par proposition :
| Proposition | Niveau de preuve |
|---|---|
| L’adoption de l’IA coïncide avec une rupture devoirs / examens | Très convaincant |
| Cette rupture est causalement liée à l’adoption | Convaincant, non définitif |
| La réduction de l’effort sur les devoirs est le mécanisme principal | Plausible, non identifié |
| Les élèves préservés utilisent l’IA de façon tutorielle | Suggestif |
| Une « compétence d’usage de l’IA » explique la différence | Non démontré |
| L’IA ne réduit pas la learning efficiency du sous-groupe préservé | Formulation trop forte pour les mesures disponibles |
Cette hiérarchie n’enlève rien à l’étude. Elle empêche simplement de lui faire dire ce qu’elle ne dit pas.
Ce qu’il faut en faire
Sûrement pas interdire l’IA : les élèves à usage modéré ne présentent presque aucune pénalité détectable, et l’expérience de Bastani montre qu’un même modèle produit des effets opposés selon le design d’interaction. Le facteur causal intéressant n’est pas l’IA, c’est le produit IA × forme d’usage × conception de la tâche.
Trois leviers concrets se dégagent, que je reformule pour un contexte français :
- réaugmenter le poids des évaluations sur table, en présentiel, pour restaurer le lien entre effort et résultat.
- déplacer le monitoring des parents et des enseignants des outputs (la note du devoir, devenue signal inversé) vers les inputs (le temps, le processus, la démarche).
- reconcevoir les devoirs eux-mêmes pour que le raisonnement soit observable, nécessaire et valorisé avec brouillons exigés, explicitation orale, tâches où l’IA est un point de départ à critiquer plutôt qu’une machine à réponses.
J’y ajoute deux demandes.
À la recherche : la prochaine étude qui comptera sera celle qui mesurera les séquences d’interaction avec logs, classification des prompts, tentative avant consultation, demande de solution contre demande d’explication, puis testera la médiation complète, de l’adoption à l’apprentissage en passant par la stratégie d’usage.
À ceux qui vulgarisent : distinguer le groupe de comparaison du groupe de contrôle, l’histogramme descriptif de l’estimation causale, et l’hypothèse abductive du résultat établi. C’est exactement à ce moment là que ce papier, assez remarquable dans la méthodologie, a été transformé en slogan… même si on a envie d’y croire !
