L’émergence de l’IAG a suscité des débats controversés quant à son impact sur les pratiques pédagogiques, les processus d’apprentissage et d’évaluation et sur l’avenir du métier d’enseignant. Certains voient en l’IA, un levier d’amélioration des apprentissages et d’inclusion tandis que d’autres expriment une inquiétude forte quant à la baisse des capacités cognitives des étudiants, à l’intégrité académique et aux questions éthiques soulevées par son utilisation. Cette situation présente des analogies avec un épisode antérieur de l’histoire des technologies éducatives : l’introduction de la calculatrice dans les années 1970 et sa généralisation dans les systèmes scolaires, avec des versions de plus en plus sophistiquées, durant les décennies suivantes. Autrefois, cette avancée provoquait des inquiétudes comparables, liées à la diminution des aptitudes en arithmétique et à la dépendance technologique (Tarr, 2000). Cependant, au fil des années, elle s’est affirmée comme un instrument devenu banal, intégré dans l’apprentissage sans générer les effets indésirables prévus.

L’analogie entre la calculatrice et l’IAG, bien que fréquemment évoquée dans les discours médiatiques et professionnels, demeure peu formalisée dans la littérature académique. Pourtant, la comparaison et la réflexion sur ces deux innovations disruptives pourrait aider à mieux comprendre le processus d’adoption et d’appropriation de l’IA et à identifier ses spécificités. L’objectif de cet article est ainsi d’examiner dans quelle mesure l’introduction de l’IA reproduit ou transforme les dynamiques observées lors de l’adoption de la calculatrice.  Cette perspective historique et comparatiste s’inscrit dans une tradition de recherche établie en sciences de gestion, qui souligne l’importance des trajectoires historiques des innovations pour comprendre les configurations contemporaines (David, 1985).

Fondements théoriques de l’adoption

Afin d’analyser les trajectoires d’adoption de la calculatrice et de l’intelligence artificielle générative, cette recherche s’appuie sur une double lecture théorique combinant la théorie de la diffusion de l’innovation de Rogers (1962) et la théorie de la charge cognitive. Le premier cadre théorique explique qu’un individu passe par cinq étapes séquentielles pour accepter ou rejeter une innovation : connaissance, persuasion, décision, mise en œuvre et confirmation. Il permet d’identifier des régularités dans les processus d’adoption en éducation, caractérisés par des phases récurrentes de controverse, d’expérimentation et de stabilisation. Dans le cadre de la théorie de la diffusion des innovations, les canaux de communication, le temps et le système social sont identifiés comme des éléments critiques qui influencent la diffusion et l’acceptation des nouvelles innovations (Guo et Huang, 2024). La seconde théorie, élaborée par Sweller (2010), distingue entre la charge intrinsèque, liée à la complexité de la tâche, la charge extrinsèque, liée à la présentation de l’information, et la charge pertinente, associée à la construction des connaissances. Cette théorie apporte un éclairage complémentaire en montrant que ces technologies ne se limitent pas à engendrer des effets organisationnels, mais transforment également les conditions cognitives de l’apprentissage. L’articulation de ces deux cadres permet ainsi de dépasser une lecture strictement historique en mettant en évidence un phénomène de répétition des dynamiques d’adoption, combiné à une intensification des impacts cognitifs dans le cas de l’IAG.

L’introduction de la calculatrice pendant les années 70 a connu trois grandes phases successives. La première phase était marquée par des controverses engendrées par l’opposition entre partisans et opposants. Les critiques soulignaient un risque de dégradation des capacités arythmiques, tandis que les défenseurs mettaient en avant une réduction de la charge cognitive permettant de se concentrer sur la résolution des problèmes (Wheatley, 1980). Les travaux empiriques (Kissane 2020, Hembree et Dessart, 1986 ; Suydam 1980) ont progressivement montré que l’usage encadré de la calculatrice n’entraine pas de baisse de compétence et peut améliorer l’attitude, l’engagement et significativement la performance sur des tâches complexes (Elligton 2003). La deuxième phase correspond à son intégration pédagogique. Les recherches ont alors porté sur les modalités d’intégration pédagogique et ont mis en évidence l’importance du contexte d’utilisation et de la formation des enseignants (Zheng 1998). Enfin, la troisième phase correspond à la banalisation de l’outil, devenu invisible et normalisé dans les pratiques pédagogiques. Les questions éthiques et épistémologiques initiales disparaissent au profit de préoccupations techniques et didactiques fines (Guin & Trouche, 1998 ; Kissane, 2017).

L’IAG, en raison de sa diffusion récente, ne suit pas encore une trajectoire stabilisée mais peut être analysée à travers trois registres. Le premier concerne ses potentialités pédagogiques, notamment la personnalisation de l’apprentissage, l’assistance aux enseignants et son accessibilité (Kasneci et al. 2013). Le second regroupe les risques, incluant les biais algorithmiques, les problèmes d’intégrité académique et la dépendance cognitive (Cases et fournier 2025 ; Mourtajji et Chiss, 2024). Le troisième concerne les réponses institutionnelles, caractérisées par une forte hétérogénéité entre interdiction, régulation et intégration. Face à ces défis, Clausel et al. (2026) met en évidence trois niveaux d’appropriation de l’IAG: une appropriation maitrisée, une appropriation en construction et une appropriation distanciée.

Dynamiques comparées des innovations

La comparaison des deux trajectoires révèle à la fois des convergences et des divergences structurelles. Dans les deux cas, les débats opposent, d’une part, une vision de menace cognitive à une vision d’émancipation pédagogique, une tension entre proscription institutionnelle et intégration progressive et d’autre part, un glissement de la sphère éthique vers la sphère technique (de la calculatrice arithmétique au système d’algèbre informatique) au fur et à mesure de la banalisation. Ces débats traduisent une tension entre une conception techno-déterministe de la relation entre outil et cognition, qui considère que les bases doivent être acquises avant utilisation d’outil ignorant l’approche plus instrumentaliste, qui défend l’idée selon laquelle, la technologie permet d’améliorer et de soutenir l’apprentissage (Trouche, 2002).

Tableau 1. Tableau comparatif de la calculatrice et de l’IA

Transformations cognitives et pédagogiques

Ainsi, on peut identifier quatre mécanismes structurels invariants dans l’adoption de la calculatrice pouvant être mobilisés pour comprendre l’intégration de l’IA.

La peur de la paresse intellectuelle

Dans les années 1980, les opposants à la calculatrice craignaient que l’automatisation du calcul n’entraîne une dégradation des capacités arithmétiques mentales, une non-maitrise des techniques opératoires et une dépendance à l’égard de la machine. De la même manière, les débats actuels sur l’IAG s’articulent largement autour de la peur d’une « atrophie de la pensée », où les étudiants deviendraient dépendants de la génération algorithmique de contenus, perdant progressivement leurs capacités d’analyse critique et de synthèse personnelle. Toutefois, les recherches sur la calculatrice ont montré que ces effets dépendent fortement des conditions et des règles d’usage distinguant entre les usages qui encouragent le développement cognitif et les usages qui favorisent la dépendance cognitive.

La redéfinition des compétences

La calculatrice et l’IA posent toutes la question des compétences importantes et nécessaires à maitriser. Pour la calculatrice, les compétences exécutoires ont été sacrifiées au profit des compétences plus stratégiques à savoir le raisonnement mathématique (Artigue, 2002). Dans les années 70, la maitrise et la fluidité du calcul mental était une compétence valorisée. L’introduction de la calculatrice a dévalué cette compétence, obligeant le système éducatif à s’adapter et à privilégier la compréhension conceptuelle et résolution des problèmes (Wheatley, 1980). L’IA est entrain de suivre le même chemin mais à un niveau plus élevé sur les compétences de rédaction, de recherche d’information et de production des connaissances. Bloom et al. (1956) avaient distingué six niveaux cognitifs : la connaissance, la compréhension, l’application, l’analyse, la synthèse et l’évaluation. L’IAG performe aux trois premiers niveaux et progresse, déjà dans les deux suivants. La réponse pédagogique devrait recentrer l’enseignement sur les niveaux supérieurs. Elle oblige, ainsi, les enseignants à changer leurs attentes et à redéfinir les compétences à valoriser. Comme la calculatrice a rendu obsolète la virtuosité calculatoire, l’IA menace de rendre obsolète la virtuosité rédactionnelle. Cependant, une différence majeure apparaît : alors que la calculatrice exigeait encore de l’utilisateur une compréhension des opérations à effectuer, l’IA peut produire des résultats plausibles sans que l’utilisateur comprenne le processus sous-jacent. Cette « opacité cognitive » (Burrell, 2016) rend plus complexe la revalorisation des compétences « métacognitives » de vérification et d’évaluation critique (Perkins, 2023)

La reconfiguration des asymétries informationnelles

La calculatrice, même si elle a suscité des craintes quant au devenir de l’enseignant mathématiques, n’a que partiellement modifié la relation pédagogique entre enseignants et élèves (Arrow, 1963 ; Akerlof, 1970). L’IA perturbe ces asymétries ; elle reconfigure en profondeur la relation pédagogique en atténuant l’asymétrie traditionnelle d’accès à l’information entre enseignant et apprenant. Elle alimente des discours sur la « fin de l’enseignant », où elle pourrait se substituer à l’enseignant dans les tâches d’explication, de feedback et de conception pédagogique. Ces craintes méconnaissent la dimension relationnelle et contextuelle de l’enseignement, que ni la calculatrice ni l’IAG ne peuvent pleinement répliquer. Toutefois, il faut admettre que le rôle de l’enseignant a et devra évoluer. Cette crise d’expertise pédagogique, qui en découle, est plus importante et différente de celle induite par la calculatrice. La fonction de l’enseignant ne peut plus se limiter à la transmission des savoirs, mais s’oriente vers un rôle d’accompagnement dans la sélection, l’évaluation et la contextualisation des connaissances.

Redéfinition des conditions d’évaluation.

L’intégration de la calculatrice a nécessité une redéfinition complète des conditions d’évaluations en distinguant les compétences calculatoires des compétences conceptuelles. Cela a entrainé l’émergence de nouvelles formes d’évaluation (épreuves avec calculatrice autorisée vs. Interdite, évaluation des processus de résolution plutôt que des résultats (Hembree & Dessart, 1992). Ce processus a pris plus d’une décennie et a impliqué des conflits institutionnels importants. L’IAG pose des défis encore plus fondamentaux liés à l’authenticité des productions évaluées, rendant difficile la distinction entre travail original et contenu généré algorithmiquement remettant en question les systèmes d’évaluation traditionnels.

Au-delà de ces convergences, la différence principale réside dans le degré d’opacité et de variabilité de l’IAG. La calculatrice repose sur des algorithmes explicites et enseignables, alors que l’IAG fonctionne avec des modèles, considérés comme des boites noires et dont les mécanismes internes échappent à l’utilisateur. Cette opacité modifie donc la relation cognitive à l’outil, constitue une rupture majeure dans le processus d’apprentissage et rend complexe son adoption.

Apports théoriques et managériaux

Cette analyse comparative suggère que les résistances à l’IAG ne sont pas simplement des réactions conservatrices mais s’inscrivent dans un héritage historique structuré de réponse aux différentes innovations technologiques éducatives. Cet héritage obéit, au début, à une logique de peur réactive où la technologie est perçue comme une menace avant d’être progressivement adoptée. La théorie de la diffusion de l’innovation de Rogers, permet de comprendre la dynamique actuelle de l’IAG caractérisée par une phase de connaissance instantanée et par des phases de persuasion et d’expérimentation superposées. La théorie de la charge cognitive permet de saisir la gestion des ressources cognitive des deux technologies. Tandis que la calculatrice allège la charge extrinsèque sans compromettre les schémas conceptuels, la seconde risque d’entamer la charge essentielle elle-même, qui permet l’acquisition de ces dits schémas. En automatisant des tâches complexes, l’IAG dilue les frontières entre exécution et compréhension, diminuant l’effort cognitif investi. Elle peut de surcroît créer une illusion de maîtrise, soulevant des défis pédagogiques majeurs pour l’apprentissage en profondeur.

Sur le plan managérial et pédagogique, ce parallélisme souligne l’importance des conditions d’intégration. L’efficacité de ces technologies dépend moins de leurs caractéristiques que des cadres institutionnels et pédagogiques dans lesquels elles sont utilisées. La formation des enseignants apparait comme un facteur déterminent McCauliff (2003), tout comme la définition de nouvelles modalités d’évaluations adaptées.

Enfin cette recherche met en évidence la nécessité d’une intégration progressive et encadrée de l’IAG. Comme pour la calculatrice, les effets sur les apprentissages dépendent fortement du contexte d’usage. Une utilisation précoce et non encadrée peut renforcer la dépendant cognitive, tandis qu’un usage réfléchi peut soutenir le développement de compétences avancées.

Conclusion

L’analyse comparative entre la calculatrice et l’IAG permet de mieux comprendre les dynamiques d’adoption des technologies éducatives. Elle montre que l’adoption de l’IA reproduit les dynamiques observées lors de l’introduction de la calculatrice, mais avec une intensité accrue liée à ses effets cognitifs, à sa rapidité de diffusion et son périmètre d’application. La maximisation des avantages de l’IAG dépend d’un accès équitable, d’un alignement des cadres pédagogiques, des modalités d’évaluation et des politiques institutionnelles et une formation accrue des enseignants. L’enjeu principal réside dans la capacité à encadrer son usage afin de soutenir les apprentissages sans compromettre le développement des compétences fondamentales.

Cette analyse comparative de l’adoption de la calculatrice et de l’IAG, bien qu’éclairante, comporte, au-delà des spécificités de chaque technologie, un risque de simplification théorique. Elle ne peut être appréhendée uniquement à travers des analogies historiques. Une modélisation mathématique des processus d’adoption de l’IAG en s’appuyant sur les données historiques de diffusion de la calculatrice, pourrait peut-être mieux prédire les trajectoires futures et identifier les leviers optimaux. N’était-ce pas le rôle de l’IA ?