Comment évaluer les apprenants à l’ère de ChatGPT et de l’IA générative

Le problème du faux positif mérite d’être pris au sérieux : accuser à tort un apprenant, sur la base d’un score produit par un outil dont personne ne peut expliquer le fonctionnement, cause un dommage réel et difficile à réparer. Un formateur ne peut pas assumer une sanction sur cette base.

Reste que la question est légitime. Si un travail rendu peut être produit intégralement par un assistant en deux minutes, il n’évaluait probablement pas une compétence professionnelle mais une capacité de restitution. C’est ce constat qu’il faut exploiter, plutôt que de tenter de restaurer l’étanchéité d’un dispositif qui ne le sera plus.

La question utile n’est plus « comment empêcher l’usage de l’IA ? » mais « qu’est-ce que je cherche à vérifier, et cette modalité le vérifie-t-elle encore ? ».

Trois familles de compétences résistent naturellement. Ce qui se démontre en situation : réaliser un geste, conduire un entretien, animer une réunion, manipuler un outil devant un observateur. Ce qui se justifie : expliquer un choix, défendre une décision, réagir à une objection sur son propre travail. Ce qui s’adapte : traiter une variante inattendue d’un cas connu, réagir à un changement de contrainte en cours d’exercice.

À l’inverse, deux modalités ont perdu leur validité : la restitution de connaissances rédigée hors surveillance, et le devoir long produit à distance sans aucun point de contrôle intermédiaire.

Aucune de ces modalités n’est nouvelle. Ce qui change, c’est qu’elles cessent d’être des options coûteuses pour devenir la norme de ce qui reste évaluable.

Si vous ne changez qu’une seule chose, changez celle-là. Le travail est rendu comme avant, mais il est suivi de trois questions courtes, posées à l’oral, portant sur des choix précis : pourquoi avoir retenu cette approche, qu’auriez-vous fait si telle contrainte avait changé, quelle partie vous a posé le plus de difficulté et pourquoi.

Une personne qui a travaillé son sujet répond immédiatement, y compris si elle s’est fait aider. Une personne qui a récupéré une production sans se l’approprier bute dès la deuxième question. La différence est visible en trois minutes, sans outil, sans accusation et sans suspicion généralisée.

L’effet le plus intéressant est en amont : dès que les apprenants savent que le rendu sera suivi de questions, leur façon de travailler change. Ils utilisent l’IA autrement — pour comprendre plutôt que pour produire. C’est exactement le comportement que vous cherchez à installer.

Dans un contexte professionnel, savoir utiliser l’IA correctement est une compétence en soi. Plutôt que de l’interdire, faites-en un objet d’évaluation : l’apprenant rend son travail accompagné d’un court document décrivant ce qu’il a demandé, ce qu’il a obtenu, ce qu’il a vérifié, ce qu’il a corrigé et pourquoi.

Ce document en dit long. Un apprenant qui n’a rien vérifié et rien corrigé le montre immédiatement, sans qu’aucun détecteur soit nécessaire. À l’inverse, celui qui explique avoir repéré une erreur factuelle et l’avoir corrigée démontre exactement la compétence attendue en situation professionnelle.

La grille d’évaluation associée est simple : pertinence de ce qui a été délégué, qualité des vérifications, capacité à identifier les limites de la réponse obtenue, valeur ajoutée personnelle dans le rendu final. Ce sont les mêmes critères qu’en entreprise.

Une grande partie des difficultés vient d’une consigne qui n’a jamais précisé ce qui était autorisé. Un apprenant qui utilise un assistant sans savoir s’il en avait le droit n’est pas dans la même situation que celui qui contourne une règle explicite.

Écrivez donc la règle dans la consigne, en trois niveaux possibles : usage libre et déclaré, usage limité à certaines étapes — recherche et structuration, mais pas rédaction finale —, ou production en salle sans aucune aide. Chacun est défendable, à condition d’être annoncé et justifié.

Expliquez également le pourquoi. « L’objectif de cet exercice est de vérifier que vous savez construire ce raisonnement vous-même, parce que c’est ce que vous devrez faire devant un client » obtient une adhésion que « l’IA est interdite » n’obtiendra jamais.

Trois ajustements suffisent dans la plupart des dispositifs de formation professionnelle.

Premièrement, déplacez le poids de l’évaluation vers la session elle-même : production en temps limité, mise en situation, oral. Ce qui est fait en salle est vérifiable ; ce qui est fait à distance ne l’est plus complètement.

Deuxièmement, ancrez les sujets dans un contexte que seul l’apprenant connaît — son entreprise, son poste, ses dossiers. Un cas générique se traite par n’importe quel assistant ; un cas rattaché à une situation réelle exige une matière que le modèle n’a pas.

Troisièmement, ajoutez systématiquement une étape de justification. C’est la modification la moins coûteuse et la plus efficace, et elle améliore la qualité pédagogique du dispositif indépendamment de la question de l’IA.

Ces choix se répercutent en amont, sur la formulation des objectifs et sur la conception des activités — un enchaînement détaillé dans IA pour formateur : concevoir et animer de meilleures formations.

Pour un organisme certifié, l’évaluation des acquis fait l’objet d’exigences précises du référentiel national qualité, et l’arrivée de l’IA ne les modifie pas : il faut toujours pouvoir démontrer que les acquis sont évalués et que les résultats sont exploités.

En pratique, les modalités décrites ici documentent mieux cette exigence qu’un questionnaire à choix multiples : une grille d’observation remplie lors d’une mise en situation, un journal d’usage évalué et des questions de suivi tracées constituent des preuves plus solides qu’un score obtenu hors surveillance.

Dernier point, souvent oublié : si vous utilisez un outil d’analyse automatique sur des productions d’apprenants, vous traitez des données qui les concernent. Informez, limitez la conservation et vérifiez le cadre applicable avant de mettre le dispositif en place.