Tuteurs IA : le vieux rêve du précepteur, vraiment à portée ?

En 1984, Benjamin Bloom formulait un défi devenu célèbre : un élève suivi en tutorat individuel avec pédagogie de la maîtrise progressait d'environ deux écarts-types de plus qu'en classe ordinaire — le « problème des deux sigmas » ^[1]. Le tutorat humain marchait, mais restait économiquement impossible à généraliser. Quarante ans plus tard, les grands modèles de langage relancent cette promesse : un précepteur patient, disponible, pour chaque apprenant. Les preuves commencent à arriver, et elles sont plus nuancées que les démonstrations marketing.

Des essais contrôlés encourageants

En 2025, un essai randomisé mené à Harvard a comparé un tuteur IA conçu selon des principes pédagogiques à un cours en apprentissage actif : les étudiants avec le tuteur IA ont appris davantage, en moins de temps, et se sont dits plus engagés ^[2]. Un autre essai, en classes de secondaire au Royaume-Uni, a montré que des élèves guidés par un système fondé sur LearnLM faisaient au moins aussi bien que ceux suivis par un tuteur humain, et résolvaient un peu mieux des problèmes nouveaux ^[3].

L'IA peut aussi augmenter le tuteur humain plutôt que le remplacer. Dans l'essai Tutor CoPilot, un copilote IA soufflant des suggestions en temps réel à des tuteurs a relevé le taux de maîtrise des élèves de 4 points en moyenne, et de 9 points pour les élèves suivis par des tuteurs les moins bien notés — pour environ 20 dollars par tuteur et par an ^[4].

Mais la prudence reste de mise

Toutes les études ne concluent pas à un effet positif. Une évaluation de Khanmigo pour l'apprentissage de concepts scientifiques n'a trouvé aucune différence statistiquement significative avec une simple recherche Google, même si les étudiants percevaient l'outil positivement ^[5]. Surtout, la compétence pédagogique des modèles reste inégale : dans une tâche partagée d'évaluation, les meilleurs tuteurs IA n'atteignaient que des scores modestes pour identifier et corriger de façon fiable les erreurs des élèves ^[6].

• Halluciner une explication fausse avec assurance reste possible.
• Diagnostiquer l'origine réelle d'une erreur est plus difficile que donner la bonne réponse.
• Beaucoup d'études sont courtes et mesurent la performance immédiate, pas la rétention durable.

La donnée qui manquait : les traces de vrais tutorats

Une piste prometteuse consiste à spécialiser les modèles à partir de véritables séances de tutorat. Le projet TeachLM, entraîné sur des milliers d'heures de tutorat individuel authentique, a doublé le temps de parole de l'apprenant et augmenté le nombre d'échanges, avec un style de questionnement plus proche de celui d'un bon enseignant ^[7]. Autrement dit, un bon tuteur IA ne parle pas plus : il fait parler et réfléchir l'élève davantage.

L'objectif n'est pas un modèle qui répond bien, mais un modèle qui fait apprendre — deux compétences distinctes.

Synthèse Learnya

Pour les établissements — en particulier en Europe et en Suisse, attentifs à la confidentialité — l'enjeu dépasse la performance : un tuteur IA traite des données d'apprentissage sensibles et doit s'inscrire dans une gouvernance maîtrisée. Le rêve de Bloom devient techniquement crédible, mais il se jouera dans les détails de conception, de preuve et de confiance, pas dans la seule puissance du modèle.

Du prototype de recherche au produit de terrain

Un point mérite d'être souligné : la plupart des résultats encourageants proviennent de systèmes soigneusement conçus par des équipes de recherche, testés dans des conditions maîtrisées. Le passage à un produit déployé dans des centaines de classes, avec des enseignants non spécialistes, des connexions instables et des programmes variés, reste un saut considérable. Un tuteur qui brille en laboratoire peut décevoir en conditions réelles si son intégration au cours, sa robustesse et sa maintenance n'ont pas été pensées.

La qualité de la preuve elle-même appelle la nuance. Les tâches d'évaluation partagées montrent que les modèles peinent encore à diagnostiquer finement une erreur ou à choisir le bon indice ^[6]. Beaucoup d'études se concentrent sur une seule matière, sur une durée courte, et mesurent des gains immédiats. On manque encore de suivis longitudinaux qui vérifieraient la rétention plusieurs mois après, ou l'effet sur la motivation et l'autonomie à long terme.

Enfin, un tuteur IA n'existe jamais seul : il s'insère dans une écologie de classe. Les meilleurs résultats combinent l'IA et l'enseignant, comme le montre l'essai où le système soutient surtout les tuteurs les moins expérimentés. La bonne question n'est donc pas « l'IA fait-elle aussi bien qu'un humain ? » mais « quelle répartition des rôles maximise l'apprentissage ? ». C'est un choix de conception pédagogique et d'organisation, pas seulement de modèle.

Ce que l'on saura mieux d'ici 2027

Le champ entre dans une phase de maturité où les questions changent de nature. On ne se demande plus seulement si un tuteur IA peut faire progresser un élève, mais dans quelles conditions, pour quels profils et à quel coût pédagogique réel. Les essais à venir devront comparer non pas l'IA à rien, mais différentes conceptions de tuteurs entre elles, et suivre les effets sur plusieurs mois.

Trois chantiers domineront : la robustesse en conditions réelles, loin des laboratoires ; l'articulation avec le travail de l'enseignant, qui reste l'orchestrateur du sens ; et la maîtrise des données d'apprentissage, condition de la confiance des familles. Le tuteur idéal ne sera pas le plus bavard, mais celui qui sait quand se taire pour laisser l'élève chercher — et qui rend compte de ce qu'il fait de ses données.