Nano Banana ou comment décrocher 20/20 à votre prochain devoir de maths ?

L'image est saisissante de simplicité : un étudiant sort son smartphone, prend une photo de son examen de physique des ondes, et en une fraction de seconde, une IA développée par Google (Nano Banana), lui fournit non seulement le résultat, mais le raisonnement étape par étape et de fausses traces d'encres sur le sujet.

Ce scénario n'est plus de la science-fiction, c'est le quotidien des amphithéâtres. Pour l'enseignement supérieur et les Grandes Écoles, cela pose une question existentielle : Si la connaissance et sa résolution technique sont devenues des commodités accessibles par un simple clic, que vendons-nous encore ?

Si l'école ne sert qu'à valider une capacité à produire une réponse technique, elle est déjà obsolète. L'enjeu est désormais de transformer cette rupture technologique en opportunité pour redéfinir la valeur ajoutée humaine.

Attention : Pas de "Soft Skills" sans "Hard Skills"

Avant de développer mon propos, je pense qu'il est crucial de préciser ici un point fondamental : l'école, et a fortiori l'école d'ingénieurs, a bien d'autres vocations que la simple validation technique (socialisation, éthique, travail de groupe, maturation intellectuelle).

Cependant, il serait dangereux de tomber dans l'excès inverse en pensant que la technique est devenue optionnelle.

La capacité à produire du raisonnement technique, rigoureux et exact, reste le prérequis absolu de l'enseignement supérieur scientifique. C'est sur ce socle de compétences dures (Hard Skills) que les diplômés sont initialement recrutés et légitimés par l'industrie. Un ingénieur qui sait manager une équipe mais ne comprend pas intuitivement les ordres de grandeur de la thermodynamique parce qu'il a toujours délégué ses calculs à une IA constitue un risque industriel.

L'enjeu n'est donc pas de remplacer la compétence technique par de la "culture générale", mais de garantir que la technique est réellement acquise et comprise par le cerveau humain, et non simplement simulée par une machine. Nous ne pouvons pas nous permettre de délivrer des diplômes qui seraient des illusions de compétence.

I. Le constat : La fin du "devoir maison" traditionnel

L'arrivée massive des LLM (Large Language Models) comme GPT-4, Claude ou Gemini a brisé le contrat tacite de l'évaluation traditionnelle.

1. L'illusion de la compétence : Un étudiant peut obtenir un 20/20 à un devoir de mécanique des fluides sans avoir compris le concept de viscosité. L'outil agit comme une prothèse cognitive qui, si elle est mal utilisée, atrophie la pensée au lieu de l'augmenter.

2. La marchandisation du diplôme : Si l'école se contente de vérifier des acquis techniques que l'IA maîtrise mieux que l'humain, le diplôme perd sa valeur de signal. Pourquoi embaucher un ingénieur junior si une IA fait le même calcul technique instantanément ?

3. L'échec de la prohibition : Interdire l'IA est aussi futile qu'interdire la calculatrice dans les années 80. Les outils sont là, ils sont indétectables à l'œil nu et ils feront partie de la vie professionnelle des étudiants.

Le problème n'est pas l'outil, mais ce que nous évaluons. Un exercice demandant "Calculez l'enthalpie libre standard" est désormais une tâche pour robot.

II. L'Impératif du marché : Quand l'entreprise exige l'ingénieur "augmenté"

Il existe aujourd'hui une dissonance cognitive majeure entre le monde académique, et la réalité brutale du marché du travail.

Alors que certaines écoles cherchent encore à bannir les LLM de leurs salles de classe, les entreprises, elles, intègrent ces outils à marche forcée dans leurs processus. Pour un recruteur industriel ou un cabinet de conseil en 2025, la maîtrise de l'IA n'est plus une curiosité, c'est une attente de productivité.

A. Le nouveau standard de productivité Junior

Les entreprises attendent désormais des profils Juniors qu'ils soient opérationnels plus vite. On ne demande plus à un jeune développeur de coder chaque ligne à la main, mais de savoir orchestrer GitHub Copilot pour produire un code propre et sécurisé en deux fois moins de temps. On n'attend plus d'un ingénieur projet qu'il passe trois jours à synthétiser des normes, mais qu'il sache utiliser une IA pour extraire les contraintes réglementaires en une heure. Refuser d'enseigner ces outils, c'est envoyer les diplômés au front avec des armes du siècle dernier.

B. Le risque de l'auto-formation sauvage

Si l'école n'enseigne pas l'usage professionnel de l'IA, les étudiants l'apprennent "dans la rue" (ou plutôt sur Reddit et TikTok). Le risque ? Qu'ils développent de mauvaises habitudes : copier-coller des données confidentielles d'entreprise dans des modèles publics (faille de sécurité), confiance aveugle dans des résultats hallucinés, incapacité à "prompter" avec contexte. L'enseignement supérieur doit reprendre la main pour transformer un usage "triche" (caché et coupable) en un usage "métier" (assumé, sécurisé et performant).

C. L'IA comme nouveau "Hard Skill"

Savoir auditer une réponse générée par IA, comprendre les biais d'un modèle, savoir interfacer des API d'IA dans un processus industriel : ces compétences deviennent aussi critiques que l'anglais technique ou la gestion de projet. L'école ne peut pas fermer les yeux : elle a le devoir de livrer sur le marché des professionnels "IA-Fluents", capables d'apporter cette accélération technologique dès leur premier jour en poste.

III. Solutions : Repenser la valeur ajoutée

L'objectif est de passer d'une pédagogie de la restitution à une pédagogie de la structure mentale et de la critique. Selo SIRVENTIA, voici quelques éléments de réponse à l'interrogation "Comment opérer ce virage ?", du plus simple au plus structurel.

A. Les "Quick Wins" (Mise en place immédiate)

Ces solutions demandent peu de budget mais un changement de posture de l'enseignant.

• Le retour de l'Oral (La "Khôle" moderne) : C'est la barrière ultime contre la triche. Une interaction de 5 minutes permet de vérifier si l'étudiant maîtrise ce qu'il a écrit.

  Action : Remplacer un devoir écrit par une vidéo de 3 minutes où l'étudiant explique son raisonnement face caméra. L'IA peut écrire le script, mais l'étudiant doit l'incarner et le comprendre pour le présenter.

• L'évaluation en "Zone Blanche" : Pour vérifier l'acquisition des bases fondamentales (qui restent nécessaires pour juger le travail de l'IA), maintenir des examens sur table, sans connexion, papier-crayon. C'est le "sanctuaire" de la cognition humaine.

• L'IA comme adversaire (Critique de réponse) : Au lieu de demander à l'étudiant de résoudre l'équation

  Δr​G∘=−RTlnK, donnez-lui la réponse générée par une IA (volontairement imparfaite ou hallucinée) et demandez-lui de la corriger et de la noter.

  • Compétence visée : Esprit critique et expertise.

• L'évaluation du processus, pas du résultat : Ne plus noter la réponse finale, mais le "prompt engineering" et la méthodologie.

  Exercice : "Voici le problème. Utilisez une IA pour le résoudre, mais rendez-moi l'historique de votre conversation avec l'IA. Je noterai la pertinence de vos questions et votre capacité à repérer les erreurs de la machine."

B. Solutions long terme (Structurelles et Ressources)

Ces solutions visent à redéfinir l'ADN des Grandes Écoles pour justifier leur coût et leur prestige.

• L'Hybridation et le Projet Complexe (PBL - Project Based Learning) : L'IA excelle sur des tâches atomiques (résoudre une équation). Elle est médiocre sur la gestion de la complexité systémique et humaine.

  • Stratégie : Créer des projets transdisciplinaires (ex: Thermochimie + Éthique environnementale + Économie). L'étudiant doit utiliser l'IA pour la partie technique (la commodité) afin de se concentrer sur l'arbitrage complexe et la prise de décision.

• Le retour au Réel (Le "Hands-on") : Une IA ne peut pas manipuler une éprouvette, souder un circuit ou mener une enquête terrain.

  • Investissement : Augmenter massivement les heures de TP (Travaux Pratiques), de laboratoires et d'ateliers de prototypage (FabLabs). La valeur de l'école devient son infrastructure physique et l'expérience sensorielle qu'elle propose.

• L'Ingénierie du "Prompt" et l'Éthique Algorithmique : Intégrer l'IA comme matière fondamentale, non pas pour apprendre à coder (ce qui sera bientôt automatisé), mais pour apprendre à commander et auditer la machine.

  • Nouveau cursus : Apprendre à décomposer un problème complexe en sous-tâches traitables par l'IA, puis à réassembler et vérifier le tout. C'est le rôle de l'ingénieur de demain : un architecte de solutions assisté par IA.

Conclusion : Vers une intelligence augmentée

Le modèle d'IA "Nano Banana" n'est pas l'ennemie de l'enseignement, il est le révélateur de ses archaïsmes.

Si une Grande École se contente de vérifier qu'un étudiant sait faire ce qu'un téléphone fait en 3 secondes, elle est morte. La survie réside dans le déplacement du curseur : nous ne formons plus des calculateurs (les machines le font mieux), nous formons des pilotes, des critiques et des créateurs capables de donner du sens aux résultats fournis par la machine.

L'excellence académique ne se mesurera plus à la quantité de savoir stocké dans le cerveau, mais à la qualité du raisonnement utilisé pour naviguer dans un savoir infini.