Comment êtes-vous arrivé dans cette expérimentation ?
Antoine Massé : À titre personnel, je me suis intéressé très tôt aux usages de l’IA dans ma pratique d’enseignant. Dès que les outils génératifs sont apparus, j’ai commencé à regarder ce qu’ils pouvaient nous apporter. Ce qui m’a frappé, c’est leur capacité à verbaliser rapidement des retours détaillés. Or, nous manquons souvent de temps pour fournir aux étudiants des commentaires approfondis sur leurs travaux. Pourtant, c’est précisément ce qui leur permet de comprendre leurs erreurs et de progresser. Quand le groupe de travail consacré à l’évaluation s’est constitué dans le cadre de Mistral ESR, il m’a semblé naturel de rejoindre cette réflexion.
Pourquoi avoir choisi de travailler sur l’évaluation ?
A.M. : Parce que derrière l’évaluation se cache un potentiel très large. Bien sûr, il y a l’évaluation certificative, celle qui permet d’attribuer une note. Mais il y a aussi les évaluations formatives : de petites évaluations régulières qui servent à faire un bilan et à aider l’étudiant à identifier ses lacunes. Aujourd’hui, un enseignant ne peut pas multiplier ce type de retours car il serait rapidement débordé par le nombre de copies à corriger. Si l’IA permettait d’automatiser une partie du processus, on pourrait imaginer davantage d’évaluations intermédiaires et donc davantage de feedbacks. L’idéal serait qu’à chaque évaluation, un étudiant reçoive automatiquement sa copie, le corrigé, le barème, le détail des points perdus et des conseils pour progresser. C’est quelque chose que les enseignants aimeraient souvent faire mais qu’ils n’ont pas matériellement le temps de produire.
Sur quels outils travaillez-vous aujourd’hui ?
A.M. : Pour l’instant, nous travaillons avec des agents personnalisés dans Mistral. Concrètement, un agent est un chatbot spécialisé auquel on donne de nombreuses consignes pour qu’il accomplisse une tâche précise. Nous avons par exemple conçu un agent qui se positionne comme un expert en pédagogie et qui aide les enseignants à choisir les modalités d’évaluation les plus adaptées à leurs objectifs. Nous travaillons également sur un agent dédié à la rédaction de corrigés et sur un autre destiné à construire des barèmes. Le travail sur les barèmes est particulièrement intéressant. On constate souvent qu’un même travail peut être évalué différemment selon les correcteurs. L’objectif est donc de produire des critères aussi explicites que possible afin d'améliorer la cohérence de l’évaluation.
Peut-on imaginer dès lors que l’IA rende l’évaluation plus juste ?
A.M. : On peut l’espérer, mais ce n’est pas forcément le principal intérêt. Le premier bénéfice serait surtout de pouvoir fournir davantage de détails aux étudiants et d’augmenter la fréquence des retours pédagogiques. Si l’on dispose d’un outil capable d’accélérer certaines tâches, l’enseignant peut consacrer plus de temps à l’accompagnement. Il peut également détecter plus tôt les étudiants qui décrochent.
Les limites techniques restent-elles importantes aujourd’hui ?
A.M. : Oui. La principale difficulté, ce sont les « hallucinations » de l’IA. Nous avons constaté que certains modèles produisent encore beaucoup d’erreurs. Tout le défi consiste donc à rendre les outils aussi fiables que possible grâce à des consignes très précises. Si l’enseignant passe son temps à corriger l’IA au lieu de corriger les copies, l’outil devient contre-productif. De toute façon, ces systèmes devront toujours rester sous supervision humaine. Si « l’erreur est humaine », elle est aussi IA ! L’enseignant doit rester dans la boucle et c’est très bien ainsi.
Votre groupe a récemment fait évoluer ses objectifs. Pourquoi ?
A.M. : Parce que nous avons aussi dû tenir compte des limites de l’outil dont nous disposons. L’idée initiale consistait à construire un véritable enchaînement d’agents capables d’assister l’évaluation, puis de proposer automatiquement des pistes de remédiation aux étudiants. Aujourd’hui, nous réfléchissons à des objectifs plus réalistes à court terme : aider les enseignants à construire leurs barèmes, générer des outils d’auto-évaluation ou accompagner les étudiants dans leurs révisions. Ce sont des usages plus accessibles avec les outils actuels et qui peuvent déjà apporter une réelle valeur ajoutée.
Quelle est la place accordée aux questions de souveraineté numérique et d’éthique dans vos réflexions ?
A.M. : Elles sont centrales. Nous avons observé que certains outils étrangers sont aujourd’hui plus performants sur certaines tâches. Mais ils posent d’autres problèmes : les données quittent le territoire national, les contraintes d’anonymisation deviennent plus importantes et la question de la dépendance technologique se pose. Disposer d’un outil souverain, hébergé dans un cadre maîtrisé et respectueux du RGPD, constitue donc un enjeu majeur pour l’enseignement supérieur. À cela s’ajoutent évidemment les questions environnementales et éthiques qui accompagnent le développement de ces technologies.
Vous utilisez vous-même l’IA depuis longtemps. Quel regard portez-vous aujourd’hui sur son arrivée dans l’enseignement supérieur ?
A.M. : J’essaie d’avoir une approche nuancée. J’y vois des choses extrêmement positives et d’autres beaucoup plus inquiétantes. L’IA permet par exemple de faire énormément de différenciation pédagogique. Je peux personnaliser des sujets, produire différentes versions d’un même devoir ou adapter les supports à différents profils d’apprentissage. Mais en parallèle, je constate aussi des effets moins favorables. Certains étudiants ont l’impression de savoir parce qu’ils disposent d’une sorte d’« extension de cerveau ». Ils délèguent une partie de leur réflexion à l’outil et progressent moins.
Vous observez déjà des effets très différents chez les étudiants ?
A.M. : Très clairement. Il y a des étudiants qui utilisent l’IA comme un accélérateur d’apprentissage. Ceux-là développent souvent un excellent esprit critique et tirent pleinement profit de l’outil. Et puis il y a ceux qui délèguent tout à l’IA et qui finissent par s’embourber. L’un des phénomènes qui m’interpellent le plus est que l’IA tend aussi à renforcer certaines inégalités. Les étudiants qui possèdent déjà les compétences nécessaires pour utiliser ces outils en retirent énormément de bénéfices. À l’inverse, ceux qui sont plus fragiles peuvent avoir tendance à s’y perdre.
Finalement, êtes-vous optimiste ou inquiet ?
A.M. : Je me souviens que lorsque j’ai vu apparaître les premiers outils de génération d’images, j’ai été extrêmement impressionné. Mais très vite, je me suis aussi dit que cela allait poser d’immenses questions de société. Ma position n’a pas changé depuis : il ne s’agit pas d’être pour ou contre. Ces outils vont s’insérer durablement dans notre société. La vraie question est donc de savoir comment en tirer le meilleur parti tout en limitant les dérives.
Mistral ESR : six laboratoires d’idées pour imaginer l’université de demain
L’expérimentation Mistral ESR s’inscrit dans une démarche nationale portée par l’Agence de mutualisation des universités et établissements (AMUE). L’objectif est de permettre à des établissements d’enseignement supérieur de tester concrètement les usages de l’intelligence artificielle afin d’éclairer les futurs choix technologiques du secteur.
À l’université de Bordeaux, six groupes de travail ont été constitués autour de thématiques liées à la transformation pédagogique : ludopédagogie, évaluation, gestion des grandes cohortes, différenciation pédagogique, génération d’études de cas et développement des compétences transversales.
Lancée le 24 février 2026, l’expérimentation mobilise enseignants, ingénieurs pédagogiques, personnels administratifs et étudiants. Ces derniers sont pleinement associés aux travaux : trois étudiants du CPES participent notamment au groupe « évaluation » auquel appartient Antoine Massé et contribuent aux réflexions comme aux futurs tests utilisateurs.
Les résultats de cette phase d’expérimentation doivent être consolidés d’ici la fin de l’année 2026.
Les groupes de travail explorent des usages très différents, mais ils poursuivent tous le même objectif : mieux accompagner les apprentissages des étudiants, que ce soit par la différenciation pédagogique, l'évaluation formative, le développement des compétences transversales ou la personnalisation des parcours.
L’expérimentation nous permet d’explorer les potentialités de l’IA générative, combinée à un esprit critique et à des enjeux éthiques. Elle ne porte d'ailleurs pas seulement sur l’outil, mais nous oblige à réfléchir à nos pratiques pédagogiques en matière d’évaluation, de scénarisation ou de ressources à destination des enseignants et étudiants.