Salvatore Mosaico · 2026
Note de l’auteur
Les scènes de classe ne sont pas des transcriptions, mais des simulations montrant comment une idée pédagogique devient dialogue, découverte, erreur et argumentation.
Sommaire
- 1. La question que l’intelligence artificielle impose à l’école
- 2. Connaître n’est pas seulement obtenir une réponse
- 3. Les compétences mathématiques devenues centrales
- 4. Leçon simulée 1 : poules et lapins
- 5. Leçon simulée 2 : x² − y² = 15
- 6. Leçon simulée 3 : les douze pièces
- 7. Leçon simulée 4 : conjectures et contre-exemples
- 8. Leçon simulée 5 : interroger et contrôler l’IA
- 9. Comment changent exercices, devoirs et évaluations
- 10. Le nouveau rôle de l’enseignant
- 11. Un atelier possible en cinq rencontres
- 12. Conclusion : non moins de mathématiques, mais des mathématiques plus authentiques
1. La question que l’intelligence artificielle impose à l’école
J’ai vu une intelligence artificielle résoudre équations, problèmes de géométrie, suites, questions de logique et même des énigmes où la difficulté est de trouver l’idée plutôt que de calculer. D’où une question inévitable, volontairement provocatrice : si une machine sait faire tout cela, que devons-nous encore enseigner pour éviter que les élèves, sans elle, deviennent incapables de penser ?
Ni le refus de la technologie ni la capitulation ne répondent à cette question. Interdire l’IA comme un accident passager, c’est éduquer pour un monde disparu. Lui confier toute activité, c’est renoncer à ce que forment les mathématiques : attention, autonomie, abstraction, goût de la preuve et refus de croire la première réponse plausible.
Les calculatrices n’ont pas rendu les nombres inutiles. Elles ont déplacé la frontière entre ce qui mérite d’être fait à la main et ce qui mérite d’être compris. Le déplacement produit par l’IA est plus profond : elle automatise aussi une partie du langage qui explique le calcul. L’école ne peut donc simplement ajouter un outil à l’ancienne leçon ; elle doit redéfinir la performance mathématique.
La thèse de cet essai est simple : conserver techniques et automatismes fondamentaux, mais évaluer surtout la capacité de choisir, représenter, contrôler, argumenter et généraliser. La réponse finale reste nécessaire, sans être le centre exclusif de l’apprentissage.
Au XXe siècle, l’école a souvent récompensé ceux qui trouvaient les réponses. À l’époque de l’IA, elle devra aussi enseigner à poser de bonnes questions, juger les réponses reçues et construire des raisonnements défendables devant autrui.
2. Connaître n’est pas seulement obtenir une réponse
Un élève photographie une équation et reçoit le résultat correct en quelques secondes. Que possède-t-il ? Une sortie, pas nécessairement une connaissance. Celle-ci apparaît lorsqu’il explique les transformations licites, reconnaît les conditions d’existence, prévoit un ordre de grandeur, repère une contradiction et transfère la méthode à un autre problème.
Distinguons cinq niveaux : l’exécution d’une procédure connue ; la compréhension de son fonctionnement ; le choix d’une procédure adaptée ; le contrôle des hypothèses et du résultat ; la création, qui modifie, généralise ou invente un contre-exemple.
L’IA est souvent forte au premier niveau et peut aider aux autres. Mais la responsabilité épistémique — décider pourquoi une réponse mérite confiance — doit rester humaine. On évite ainsi deux erreurs opposées : croire toute réponse automatique fausse, ou toute réponse bien rédigée vraie.
Le calcul manuel conserve une fonction, non comme rituel punitif mais comme entraînement ciblé. Tables de multiplication, fractions, conversions, transformations algébriques fondamentales et agilité mentale permettent de voir des structures autrement opaques. Sans vocabulaire mathématique intérieur, l’élève ne contrôle même pas l’outil extérieur.
Le critère n’est donc pas « manuel ou automatique », mais : quelle partie de l’activité fait mûrir la pensée que nous voulons former ?
3. Les compétences mathématiques devenues centrales
Une pédagogie contemporaine peut s’organiser autour de huit pratiques déjà présentes dans les meilleures traditions éducatives, rendues plus urgentes par l’IA.
1. Partir des problèmes. Une formule répondant à un besoin a du sens ; présentée comme un ordre à imiter, elle sera vite déléguée à la machine.
2. Construire des représentations. Dessins, schémas, mots, tableaux de cas, graphiques et équations ne décorent pas : ils montrent un même objet autrement. Passer de l’un à l’autre est une compétence solide.
3. Comparer les stratégies. Deux solutions correctes ne sont pas pédagogiquement équivalentes : l’une peut être plus générale, l’autre intuitive ; l’une rapide, l’autre transparente.
4. Estimer avant de calculer. L’estimation crée un résultat attendu auquel comparer le résultat exact : un antidote à la confiance aveugle.
5. Argumenter. « Pourquoi ? » doit devenir ordinaire. Pas toujours une preuve formelle, mais toujours une raison adaptée à l’âge.
6. Chercher des contre-exemples. Les premiers cas rendent bien des affirmations séduisantes. Chercher celui qui les brise enseigne le rôle des hypothèses et la différence entre indice et preuve.
7. Modéliser. Passer du réel aux mathématiques suppose de choisir ce qu’on compte, néglige et relie. Il faut ensuite ramener le modèle au réel et le critiquer.
8. Utiliser l’IA de manière déclarée et vérifiable. L’élève doit dire ce qu’il a demandé, reçu, contrôlé et modifié. Le but n’est pas de détecter l’usage de l’outil, mais de rendre visible le travail intellectuel accompli après.
4. Leçon simulée 1 : poules et lapins
Problème : une cour contient 35 animaux, poules et lapins, totalisant 94 pattes. Combien de chaque ?
La méthode scolaire introduit deux inconnues et un système. Correcte, elle risque de cacher l’idée sous la notation pour des élèves de fin de primaire ou début de collège. Commençons par une expérience mentale.
SCÈNE DE CLASSE — DU RÉCIT AU MODÈLE
Enseignant : Imaginons que les 35 animaux soient des poules. Combien de pattes ?
Élève : Soixante-dix, deux par animal.
Enseignant : Nous en observons 94. Combien restent à expliquer ?
Classe : Vingt-quatre.
Enseignant : Transformer une poule imaginaire en lapin ajoute combien de pattes ?
Élève : Deux. Donc 24÷2=12 lapins.
Enseignant : Et les poules ?
Classe : 35−12=23.
Le pas décisif n’est pas la division : c’est l’hypothèse provisoire « toutes des poules », situation de référence. Les 24 pattes supplémentaires deviennent une information : chaque lapin en apporte deux de plus qu’une poule.
L’algèbre peut alors émerger sans être imposée. Avec p poules et c lapins : p+c=35, 2p+4c=94. Soustraire deux fois la première relation de la seconde donne 2c=24. Le système n’est plus un rituel mystérieux, mais l’écriture compacte du raisonnement.
Variantes : 40 animaux ? 95 pattes ? Ce dernier cas est impossible, car une somme de nombres pairs est paire. Une propriété permet de juger le texte avant le calcul.
On évalue non seulement 12 et 23, mais l’explication du départ à 70, de la division par 2 et du contrôle 12×4+23×2=94.
5. Leçon simulée 2 : x² − y² = 15
Déterminer tous les couples d’entiers (x,y) tels que x²−y²=15 distingue manipulation symbolique et perception d’une structure.
SCÈNE DE CLASSE — UNE TRANSFORMATION FÉCONDE
Enseignant : Nous pourrions essayer beaucoup de valeurs. Reconnaissez-vous une forme ?
Élève : Une différence de carrés : x²−y²=(x−y)(x+y).
Enseignant : Que savons-nous des facteurs ?
Élève : Ce sont des diviseurs entiers de 15 dont le produit vaut 15.
Classe : 1 et 15 ; 3 et 5 ; puis les ordres inversés et les couples négatifs.
Avec x−y=1 et x+y=15, la somme donne x=8, la différence y=7. Avec 3 et 5, on obtient x=4, y=1. Inverser les facteurs change le signe de y ; les rendre tous deux négatifs change les signes de x et y. Les huit solutions sont (8,7), (8,−7), (−8,7), (−8,−7), (4,1), (4,−1), (−4,1), (−4,−1).
Pourquoi les facteurs ont-ils même parité ? Leur somme vaut 2x et leur différence 2y. Comme 15 est impair, chaque paire de facteurs est impaire et donne des entiers. Avec u=x−y et v=x+y, x=(u+v)/2 et y=(v−u)/2. Les paires ordonnées de diviseurs épuisent les cas : la liste est complète.
Changer de domaine change le problème : les solutions entières sont finies ; dans les réels, l’équation décrit une hyperbole et possède une infinité de solutions. « Quels nombres sont admis ? » détermine la nature de la réponse.
L’IA peut lister les couples. L’élève doit expliquer la complétude. Le mot tous exige une preuve, pas une collection d’exemples.
6. Leçon simulée 3 : les douze pièces
Douze pièces semblent identiques ; une pèse différemment, sans qu’on sache si elle est plus lourde ou légère. Il faut l’identifier en trois pesées avec une balance à plateaux.
Avant l’ingénieux arbre de décisions, demandons combien d’information donne une pesée. Trois résultats : gauche plus lourde, équilibre, droite plus lourde.
Trois pesées distinguent au maximum 3³=27 suites de résultats. Il y a 24 cas : chaque pièce peut être lourde ou légère. L’inégalité 27≥24 n’exclut pas une solution, mais ne démontre pas à elle seule qu’une stratégie réalisable existe. Deux pesées ne donnent que 3²=9 suites et ne suffisent pas.
SCÈNE DE CLASSE — LA STRATÉGIE AVANT LES MOUVEMENTS
Enseignant : Si je pèse six contre six et que la balance penche ?
Élève : La pièce anormale pourrait être chacune des douze ; nous ignorons encore laquelle et dans quel sens.
Enseignant : Avons-nous bien réparti les cas ?
Classe : Non. Quatre contre quatre laisse des groupes plus gérables et, en cas de déséquilibre, des pièces certainement normales parmi les quatre écartées.
Cette leçon anticipe la théorie de l’information : une bonne question divise les possibilités de façon équilibrée. On comprend pourquoi certains premiers choix sont pauvres et d’autres productifs, au lieu de mémoriser une astuce.
L’IA peut générer ou vérifier l’arbre. L’élève formule l’invariant : après chaque pesée, les cas restants doivent être assez peu nombreux pour les séparer avec les pesées restantes. Plus de neuf après la première interdit une distinction complète en deux pesées. Cette borne est nécessaire ; encore faut-il réaliser chaque branche par des pesées légales.
L’évaluation peut comparer trois premières pesées plutôt qu’exiger l’algorithme complet. Pour six contre six, chaque déséquilibre laisse douze explications, plus que neuf. Quatre contre quatre laisse huit cas dans chacune des trois branches. Il faut justifier informativement le choix.
7. Leçon simulée 4 : conjectures et contre-exemples
Une formule produit beaucoup de nombres premiers au début : on conjecture naturellement qu’elle le fait toujours. Mais « cent réussites » ne signifie pas « pour tout entier naturel ». L’IA facilite des milliers de calculs ; d’où la nécessité de distinguer vérification numérique et démonstration.
SCÈNE DE CLASSE — BRISER UNE RÈGLE SÉDUISANTE
Enseignant : n²+n+41 donne beaucoup de nombres premiers pour n=0,1,2,… Peut-on proclamer une loi ?
Élève : Elle paraît vraie dans les cas testés.
Enseignant : Essayez une valeur liée à 41.
Élève : n=41 donne 41²+41+41=41×43, non premier.
Enseignant : Un contre-exemple suffit à réfuter une affirmation universelle.
Trois colonnes conceptuelles, même sans tableau : calculer fournit des cas ; conjecturer formule une règle suggérée par eux ; démontrer établit sa validité pour tous les cas admis. Le contre-exemple suffit, lui, à montrer qu’une règle universelle est fausse.
L’erreur devient matériau pédagogique, non tache à effacer. Où est le premier pas injustifié ? Quelle hypothèse manquait ? Le résultat reste-t-il vrai sur une classe plus petite ?
Cette habitude sert au-delà des mathématiques. Beaucoup de données peuvent soutenir une prévision sans prouver une nécessité logique. La distinction prépare à lire lucidement statistiques, graphiques et affirmations algorithmiques.
8. Leçon simulée 5 : interroger et contrôler l’IA
L’usage pédagogique le plus pauvre consiste à demander la solution et la copier ; le plus riche transforme la réponse en objet d’analyse.
SCÈNE DE CLASSE — L’IA À L’EXAMEN
Consigne : résoudre 2ˣ+x=5, puis évaluer une réponse simulée affirmant x=2 parce que 2²+2=6.
Première observation : la substitution montre aussitôt que 2 n’est pas solution.
Deuxième observation : f(x)=2ˣ+x−5 est strictement croissante puisque 2ˣ et x croissent. Au plus une solution réelle existe.
Recherche : f(1)=−2 et f(2)=1. La continuité assure une solution entre 1 et 2 ; la croissance stricte assure son unicité. On peut ensuite l’approcher numériquement.
Question finale : qu’a-t-on démontré exactement, qu’a-t-on seulement approché ?
Répartissons les rôles : un groupe formule la demande, un contrôle chaque étape, un cherche une autre solution, un modifie les données pour éprouver la méthode. Le rendu final sépare contribution de l’outil et décisions des élèves.
Une réponse correcte peut aussi être critiquée : théorème trop avancé, cas exclu caché, notation inutile ? Correction et qualité diffèrent. Une bonne solution est correcte, complète, compréhensible, proportionnée au problème et au public.
L’enseignant peut faire améliorer les requêtes : plutôt que « résous », demander deux méthodes, toutes les conditions, une erreur plausible à repérer, un simple indice ou un problème analogue mais différent. Formuler la demande devient métacognition : savoir de quelle aide on a besoin.
9. Comment changent exercices, devoirs et évaluations
Si le devoir reste une série d’exercices standard identiques, l’IA rend l’apprentissage difficile à identifier. La réponse n’est pas plus de surveillance, mais des prestations rendant le processus visible.
Quatre moments possibles : prévision initiale sans outils ; solution éventuellement assistée ; contrôle indépendant ; réflexion sur les choix. Quelle méthode et pourquoi ? Quelle étape était fragile ? Comment garantir l’absence de solutions oubliées ? Que change une donnée modifiée ?
Une évaluation mixte garde une courte partie sans outils pour les fondamentaux et une partie avec outils déclarés. Celle-ci évalue le jugement plutôt que la vitesse.
EXEMPLE D’ÉPREUVE AUTHENTIQUE
Partie A — Fondamentaux : exécuter et expliquer deux transformations essentielles sans outils.
Partie B — Choix : résoudre par une méthode arithmétique, algébrique ou graphique en justifiant.
Partie C — Critique : trouver la première erreur d’une solution automatique et ne corriger que ses conséquences.
Partie D — Transfert : changer une donnée pour supprimer la solution ou en obtenir plusieurs, en justifiant.
Partie E — Transparence : déclarer outils et contrôles personnels.
La notation doit aussi changer. Une grille peut pondérer compréhension du texte et des hypothèses, stratégie, correction, argumentation et contrôle, capacité de révision. Une erreur de calcul n’efface pas un raisonnement valable ; un nombre juste sans justification ne mérite pas automatiquement le maximum.
Un bref oral prend de la valeur : « pourquoi ce passage ? », « que prévois-tu si je double cette donnée ? », « donne un cas qui ne fonctionne pas ». Qui comprend s’adapte ; qui copie perd souvent le fil dès que le problème change.
10. Le nouveau rôle de l’enseignant
Une machine qui explique ne rend pas l’enseignant moins important. Moins central comme distributeur exclusif de procédures, il devient davantage metteur en scène d’expériences cognitives. Il choisit des problèmes féconds, écoute des stratégies incomplètes, décide de ne pas intervenir, relie les idées et instaure les critères de validité.
Une bonne question vaut souvent une longue explication : « que sais-tu déjà ? », « peux-tu représenter ? », « quel cas simple essayer ? », « comment réfuter ton idée ? », « où utilises-tu cette hypothèse ? ». Elle offre un appui sans retirer le problème à l’élève.
L’IA allège la préparation : variantes, niveaux linguistiques, exemples, solutions volontairement défectueuses. Mais la pertinence pédagogique reste située : classe, erreurs observées, temps et connaissances réelles.
L’équité doit être protégée. Tous n’ont pas les mêmes outils, connexion ou capacité de requête. Les activités essentielles doivent être accessibles à l’école, les règles explicites ; les données personnelles ne doivent pas devenir le prix de l’apprentissage.
Les références internationales citées défendent une approche humaine et responsable : confidentialité, âge, inclusion, transparence, jugement éducatif irremplaçable. L’IA n’est ni oracle ni simple ennemi, mais un nouvel environnement d’éducation.
11. Un atelier possible en cinq rencontres
Il n’est pas nécessaire de refaire tout le programme : un petit atelier intégré aux leçons ordinaires suffit pour commencer.
Première rencontre — La réponse plausible. Trois solutions : correcte, erreur de calcul, hypothèse illégitime. Trouver le premier point où chaque raisonnement gagne ou perd la confiance.
Deuxième rencontre — Plusieurs méthodes, un problème. Poules et lapins par dessin, pattes supplémentaires, tableau d’essais et système. Comparer accessibilité, rapidité et généralité.
Troisième rencontre — De l’exemple à la preuve. Tester une formule avec tableur ou IA, puis chercher un contre-exemple et distinguer explicitement conjecture et preuve.
Quatrième rencontre — Information et stratégie. Avec pièces, balance simulée ou questions à trois réponses, concevoir des décisions répartissant bien les cas.
Cinquième rencontre — L’IA réviseur et accusé. Chaque groupe propose un problème, obtient une réponse automatique, l’annote, la corrige et présente un verdict motivé. L’évaluation porte surtout sur les contrôles.
Enfin, chacun tient un bref « journal de pensée » : qu’avais-je prévu ? Où ai-je changé d’avis ? Quel contrôle m’a convaincu ? Que saurais-je refaire seul ? L’apprentissage devient observable sans bureaucratie.
12. Conclusion : non moins de mathématiques, mais des mathématiques plus authentiques
Craindre que l’IA nous rende moins intelligents contient une vérité conditionnelle : cela arrivera si elle sert à éviter tout effort cognitif. Ce n’est pas une fatalité. Une technologie de réponses peut nous obliger à valoriser questions, preuves, contrôles et discussion des méthodes.
Les élèves doivent encore calculer : sans bases, tout contrôle est fragile. Mais surtout savoir quand calculer, ce que représente le calcul, quelles conditions le rendent valide et comment reconnaître un résultat absurde. Passer du concret au modèle et revenir au réel ; distinguer exemple et preuve, phrase convaincante et argument correct.
L’école ne rivalise pas en exercices résolus par minute. Elle forme des personnes capables de s’orienter parmi des réponses abondantes et de demander devant une solution élégante : « Pourquoi ? Toujours ? Sous quelles conditions ? Puis-je vérifier autrement ? »
L’IA n’annonce pas la fin de l’éducation mathématique, mais peut-être celle d’une version trop mécanique. Saisir l’occasion, c’est retrouver le cœur de la discipline : non le calcul comme obéissance, mais le raisonnement comme liberté.
La question décisive n’est pas d’obtenir une réponse sans nous, mais de reconnaître une bonne réponse, la défendre par des raisons et oser la rejeter lorsqu’elle est fausse.
Références essentielles
- G. Pólya, How to Solve It, Princeton University Press — Comprendre, planifier, exécuter et réexaminer.
- H. Freudenthal, Mathematics as an Educational Task — Activité humaine et réinvention guidée.
- A. H. Schoenfeld, Mathematical Problem Solving — Stratégies, contrôle métacognitif et croyances.
- UNESCO, Guidance for Generative AI in Education and Research (2023) — Usage humain, sûr, équitable et significatif de l’IA.
- European Commission, Ethical Guidelines on the Use of Artificial Intelligence and Data in Teaching and Learning for Educators (2022) — Transparence, responsabilité, inclusion et protection des données.
- National Council of Teachers of Mathematics: problem solving, reasoning, representation and communication — Résolution de problèmes, raisonnement, représentation et communication.
Texte destiné à la publication en ligne. De courts extraits peuvent être cités en indiquant l’auteur et le titre.