Étudier avec l'IA, est-ce tricher ? La réponse courte
Étudier avec l'IA n'est pas tricher. Se servir de l'IA pour produire un travail qui sera noté comme le vôtre devient de la triche dès lors que l'énoncé ne l'autorisait pas, ou que vous ne l'avez pas déclaré. Les chartes d'intégrité académique ne demandent presque jamais quel outil vous avez ouvert. Elles posent deux questions : qui a écrit le travail rendu, et avez-vous été honnête sur la manière dont il a été produit ?
Cette distinction pèse lourd, car le même outil tombe d'un côté ou de l'autre de la ligne selon la tâche. Demandez à ChatGPT de vous expliquer la dérivation des fonctions composées la veille d'un examen sans documents : vous révisez. Aucune charte courante ne l'interdit. Faites-lui écrire trois paragraphes de votre dissertation, rendez-les sans le signaler, et c'est une fraude dans à peu près tous les établissements. La correction grammaticale se situe entre les deux, et c'est précisément dans cet entre-deux que naissent presque tous les litiges réels.
La bonne question n'est donc pas « l'IA, est-ce tricher ? ». C'est plutôt : « quel niveau d'usage de l'IA cette évaluation précise autorise-t-elle, et puis-je montrer mon travail si on me le demande ? ». Le reste de cet article répond aux deux.
Combien d'étudiants utilisent l'IA, et combien se font prendre
L'ampleur du phénomène ne fait plus débat. L'enquête étudiante 2026 du Higher Education Policy Institute, menée par Savanta auprès de 1 054 étudiants britanniques à temps plein en décembre 2025, montre que 94 % d'entre eux déclarent recourir à l'IA générative pour des travaux notés. La part de ceux qui insèrent directement du texte produit par IA dans un travail noté atteint 12 %, contre 8 % l'année précédente et 3 % l'année d'avant. Près des deux tiers des étudiants, soit 65 %, estiment que les modalités d'évaluation ont nettement changé en réaction.
Comparez avec le nombre de fraudes constatées. Une enquête du Guardian, fondée sur des demandes d'accès aux documents administratifs adressées à 155 universités britanniques dont 131 ont répondu, recense près de 7 000 cas avérés de triche assistée par IA sur l'année universitaire 2023-24. Soit 5,1 cas pour 1 000 étudiants, en forte hausse par rapport aux 1,6 pour 1 000 de l'année précédente, et toujours une goutte d'eau face aux usages déclarés. Plus d'un quart des universités ayant répondu n'enregistraient même pas l'usage abusif de l'IA comme une catégorie à part entière.
| Ce que mesure la donnée | Chiffre | Source |
|---|---|---|
| Étudiants utilisant l'IA générative pour des travaux notés | 94 % | HEPI Report 199 (Savanta, déc. 2025, n=1 054) |
| Étudiants collant du texte produit par IA directement dans un travail noté | 12 % | HEPI Report 199 |
| Cas de fraude à l'IA avérés, Royaume-Uni, 2023-24 | 5,1 pour 1 000 étudiants (environ 0,5 %), contre 1,6 l'année précédente | Demandes FOI du Guardian, 131 universités répondantes |
Lisez ces lignes ensemble et le tableau devient inconfortable pour tout le monde. Ce n'est pas la détection qui maintient l'honnêteté de la plupart des étudiants, puisqu'elle ne fonctionne quasiment pas. Ce qui fait tenir le système, c'est que la majorité des usages de l'IA ne relèvent réellement pas de la triche, et que les étudiants font globalement la différence. Le chiffre qui compte, ce sont ces 12 %, et ils augmentent.
Les deux tests que toute charte d'intégrité applique à l'IA
L'usage de l'IA n'est pas du plagiat au sens classique. Pas d'auteur lésé, pas de passage volé, rien qu'un logiciel de similarité puisse mettre en correspondance. Les établissements l'ont le plus souvent rangé dans une catégorie plus large, appelée selon les cas sous-traitance de devoirs, aide non autorisée, ou simplement présentation trompeuse du travail. Derrière ces noms différents, deux tests reviennent toujours.
Le test de la paternité. Le travail intellectuel évalué est-il le vôtre ? Si l'objectif du devoir est de vérifier que vous savez construire une argumentation et que l'argumentation est arrivée toute construite, vous avez rendu la réponse de quelqu'un d'autre. Peu importe que ce quelqu'un soit un modèle. La même logique s'applique depuis des décennies aux officines qui rédigent des dissertations sur commande.
Le test de la déclaration. Votre correcteur serait-il surpris d'apprendre comment ce travail a été fabriqué ? La surprise est le signal. Si vous rechignez à écrire une ligne décrivant exactement ce à quoi vous avez employé l'IA, vous connaissez déjà la réponse. La plupart des chartes qui autorisent l'IA exigent que vous la déclariez, et une déclaration exacte constitue presque toujours une défense complète.
Il y a une troisième chose à nommer, parce qu'elle piège plus d'étudiants que n'importe quel détecteur : les références inventées. Demander des sources à un modèle et coller ce qu'il renvoie sans les ouvrir est une faute précise, prouvable et extrêmement répandue. Un correcteur qui vérifie une référence et découvre qu'elle n'existe pas détient une preuve contre laquelle aucun argument ne tient, et l'affaire est traitée comme une falsification, pas comme une question d'IA. Ouvrez chaque source que vous citez. Absolument chacune.
Les cinq niveaux de l'AI Assessment Scale
Le cadre le plus utile ici est l'AI Assessment Scale, mise au point par Mike Perkins, Jasper Roe, Leon Furze et Jason MacVaugh, aujourd'hui en version 2.1 et adoptée par un nombre croissant d'établissements. Plutôt qu'une règle uniforme, elle demande aux enseignants d'assigner un niveau à chaque évaluation. Les étudiants disposent alors d'un vocabulaire commun au lieu d'une intuition. Ses auteurs insistent : un niveau plus élevé n'est pas un niveau meilleur, les niveaux décrivent des types de tâches différents, pas une échelle de progression. La colonne « évaluation typique » ci-dessous est illustrative et ne fait pas partie de l'échelle.
| Niveau | Nom | Ce que le niveau décrit | Évaluation typique |
|---|---|---|---|
| 1 | No AI (aucune IA) | Les connaissances et les compétences sont démontrées de façon autonome, en conditions contrôlées | Examen en présentiel, oral, travaux pratiques |
| 2 | AI Planning (préparation assistée) | L'IA peut soutenir la recherche, le brainstorming et le plan ; c'est la préparation elle-même qui est évaluée | Plan de dissertation, recherche bibliographique, note d'intention |
| 3 | AI Collaboration (collaboration avec l'IA) | L'IA peut aider à réaliser la tâche, rédaction et reprises comprises, mais elle seule n'atteindra pas le niveau exigé | Devoir rendu accompagné d'une déclaration d'usage de l'IA |
| 4 | Full AI (IA à part entière) | Le recours à l'IA est attendu ; l'objectif est hors de portée de l'IA seule comme d'une personne seule dans le temps imparti, et ce qui est évalué, c'est la réflexion dont témoigne votre façon de piloter l'IA | Exercices de prompt et de critique, projets appliqués |
| 5 | AI Exploration (exploration par l'IA) | Conçu pour un usage créatif de l'IA destiné à produire des idées ou des solutions inédites | Projet de fin d'études, atelier de design, projet de recherche |
Deux remarques pratiques. D'abord, le niveau appartient au devoir, pas au cours et encore moins à l'université. Vous pouvez suivre deux modules dans le même département, l'un de niveau 1 et l'autre de niveau 4. Ensuite, si votre énoncé n'indique aucun niveau, demandez-le par écrit et conservez la réponse. Un courriel daté de votre enseignant disant « la correction grammaticale, oui ; la rédaction, non » vaut plus que n'importe quel règlement si une question se pose plus tard.
Douze usages courants de l'IA pour étudier, classés vert, orange ou rouge
Voici les deux tests et l'échelle appliqués à ce que font réellement les étudiants. Vert signifie autorisé à peu près partout, y compris pendant la préparation d'évaluations de niveau 1 et 2. Orange dépend de l'énoncé, et vous devriez le déclarer. Rouge constitue une fraude dans presque tous les établissements, quoi que dise le reste de la charte.
| Ce que vous faites | Verdict | Pourquoi |
|---|---|---|
| Demander à l'IA d'expliquer une notion que vous n'avez pas saisie en cours | Vert | C'est vous qui apprenez ; rien de ce qui est produit n'entre dans votre copie |
| Générer des questions d'entraînement et vous interroger dessus | Vert | De la pratique de récupération, et les réponses sont les vôtres |
| Demander un retour sur un brouillon que vous avez écrit, puis le retravailler vous-même | Vert | Même catégorie qu'un rendez-vous dans un atelier d'écriture |
| Résumer une lecture dense pour décider si elle mérite une vraie lecture | Vert | Du tri, et vous lisez toujours sérieusement ce que vous finissez par utiliser |
| Corriger la grammaire et l'orthographe de vos propres phrases | Orange | Autorisé par la plupart des chartes, restreint dans certains cours de langue et d'écriture |
| Faire restructurer ou réécrire vos paragraphes par l'IA | Orange | Le texte cesse d'être le vôtre quelque part sur ce continuum ; déclarez-le |
| Traduire vos propres écrits dans la langue de rendu | Orange | Sans problème en général, sauf quand l'évaluation porte sur la compétence linguistique |
| Demander à l'IA de trouver des sources ou d'expliquer un article que vous citez | Orange | Correct comme point de départ, mais ne citez jamais une source que vous n'avez pas ouverte |
| Rendre un texte produit par IA comme s'il était de vous | Rouge | Échoue au test de la paternité, sans discussion possible |
| Citer des sources que vous n'avez jamais ouvertes | Rouge | Une falsification, et facile à prouver dès que l'une d'elles n'existe pas |
| Tout usage de l'IA dans une évaluation déclarée No AI | Rouge | Traité comme la violation d'une condition annoncée, pas comme un cas d'appréciation sur l'IA |
| Faire réaliser par l'IA l'analyse sur laquelle vous êtes noté | Rouge | Démonstration, régression ou explication de texte : c'était justement cela, l'évaluation |
C'est sur les lignes orange que les étudiants s'attirent vraiment des ennuis, et le remède est le même pour toutes : écrivez une phrase disant ce que vous avez fait. Une déclaration exacte transforme un orange en vert à peu près à chaque fois.
Pourquoi les détecteurs d'IA ne peuvent pas prouver que vous avez triché
Si la détection fonctionnait, rien de tout cela n'aurait besoin d'un cadre. Elle ne fonctionne pas, et elle échoue dans les deux sens à la fois.
Presque rien n'est repéré. Peter Scarfe, Kelly Watcham, Alasdair Clarke et Etienne Roesch ont mené un test grandeur nature à l'University of Reading, publié dans PLOS ONE en juin 2024. Ils ont injecté des réponses produites par IA dans un véritable dispositif d'examens à domicile en licence, à l'insu des correcteurs. Leur conclusion : « We found that 94% of our AI submissions were undetected. » Soit, en français : « Nous avons constaté que 94 % de nos copies produites par IA n'ont pas été détectées. » Ce chiffre mesure la détection qu'un examen réel opère effectivement, c'est-à-dire des correcteurs humains qui lisent les copies, et non le score d'un quelconque détecteur. Les correcteurs ont repéré six copies sur cent. Plus inquiétant encore pour la valeur des notes : les copies IA obtenaient en moyenne un demi-échelon de note de plus que celles des vrais étudiants, avec une probabilité de 83,4 % que les copies IA d'un module surpassent un échantillon aléatoire du même nombre de copies réelles.
Il accuse des gens qui n'ont rien fait. Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu et James Zou ont testé sept détecteurs de texte GPT très répandus dans un article paru en 2023 dans Patterns. Sur des rédactions d'élèves américains de quatrième, la justesse frôlait la perfection. Sur 91 essais TOEFL rédigés par des locuteurs non natifs de l'anglais, les mêmes détecteurs en ont classé plus de la moitié comme produits par IA, soit un taux de faux positifs moyen de 61,3 %. Le mécanisme qu'ils ont identifié est simple : un vocabulaire plus simple se lit comme une perplexité basse, et une perplexité basse se lit comme une écriture de machine.
Ce constat de biais a depuis été contesté. En février 2026, Adnan Al Ali, Jindřich Helcl et Jindřich Libovický ont repris la question en tchèque sans retrouver le même schéma : les textes des non-natifs n'avaient pas une perplexité plus basse, trois familles de détecteurs ne montraient aucun biais systématique à leur encontre, et les détecteurs modernes ne s'appuient plus sur la perplexité comme le faisait la génération de 2023. Ce biais particulier est peut-être en train de s'estomper. Le problème de preuve, lui, reste entier.
La véritable objection aux détecteurs n'a jamais été le seul biais. C'est aussi qu'un score en pourcentage n'est pas quelque chose qu'un étudiant puisse contester. Vanderbilt University a désactivé le détecteur d'IA de Turnitin en août 2023 et a posé le calcul publiquement : l'université avait soumis 75 000 copies en 2022, si bien que même le taux de faux positifs de 1 % revendiqué par l'éditeur aurait signifié environ 750 copies signalées à tort en une seule année. Dès qu'un score apparaît, la charge de la preuve s'inverse en silence. Au lieu qu'un établissement prouve la fraude, on vous demande de prouver que vous avez écrit votre propre travail.
Comment lire le règlement qui s'applique réellement à vous
Les règles s'empilent, et c'est la plus spécifique qui l'emporte. Descendez cette liste et arrêtez-vous au premier document qui traite directement de votre situation :
- L'énoncé du devoir. S'il indique un niveau, une règle ou une déclaration obligatoire, c'est lui qui fait loi, et rien de plus bas dans cette liste ne peut l'assouplir.
- Le livret du module ou du cours. C'est en général là que se niche le « l'IA est autorisée pour X mais pas pour Y ».
- Les consignes du département. Fréquentes en langues, en droit, en médecine et en informatique, où la profession a son propre point de vue.
- La charte de l'établissement. La couche la plus large et la plus vague. Traitez-la comme un plancher, pas comme une réponse.
Répondez à trois questions avant de commencer, pas après avoir rendu :
- Un niveau d'IA est-il annoncé pour cette tâche ?
- Une déclaration est-elle exigée, et sous quelle forme ?
- Des outils ou des usages sont-ils nommés explicitement, en particulier autour de la traduction et de la grammaire ?
Si quelque part la réponse est « ce n'est pas précisé », écrivez à votre enseignant avec une proposition précise plutôt qu'avec une question ouverte. « Je compte discuter de la structure de mon argumentation avec ChatGPT avant de rédiger, puis vérifier la grammaire à la fin. Aucun texte généré dans le rendu. Est-ce acceptable ? » obtient une réponse nette. « Puis-je utiliser l'IA ? » obtient une non-réponse sur laquelle vous ne pourrez pas vous appuyer.
Quand une déclaration est exigée sans qu'aucun modèle ne soit fourni, cette forme fonctionne à peu près partout :
Déclaration d'usage de l'IA. J'ai utilisé ChatGPT pour générer des questions d'entraînement sur les chapitres 4 à 6 et pour vérifier la grammaire de ma version finale. L'ensemble des arguments, des sources et de la rédaction est de moi. Aucun texte produit par IA ne figure dans ce rendu.
Précis, vérifiable et un peu ennuyeux, ce qui est exactement ce qui le rend solide.
Comment constituer une trace qui prouve que le travail est le vôtre
La meilleure protection contre une accusation d'usage d'IA n'est pas d'éviter l'IA. C'est de pouvoir montrer comment le travail s'est construit. Les étudiants qui sont blanchis rapidement sont presque toujours ceux qui peuvent produire des traces datées, brouillonnes, manifestement humaines : des sources annotées, des notes de départ qui contredisent l'argumentation finale, un brouillon avec un mauvais paragraphe dedans.
Cette trace est facile à constituer si vous capturez vos lectures au fil de l'eau plutôt que de les reconstituer après coup. Quand vous surlignez un passage avec le surligneur web de Glasp, la citation, l'URL de la source et la date d'enregistrement restent attachées les unes aux autres. Des mois plus tard, vous disposez d'un relevé de ce que vous avez lu et de la date à laquelle vous l'avez lu, soit exactement ce qu'un score de détecteur ne pourra jamais être. Cela rend aussi vos citations honnêtes par défaut, puisque vous citez quelque chose que vous avez réellement ouvert.
Il en va de même pour les sources qui ne sont pas du texte. Si votre séminaire s'appuie sur des cours filmés ou des conférences, les résumés de vidéos YouTube vous donnent des passages horodatés que vous pouvez citer et référencer correctement, au lieu de vous souvenir à moitié d'un raisonnement. Pour les livres, les surlignages Kindle importent les passages marqués pendant votre lecture, emplacements compris.
Une différence de nature compte ici plus que toutes les autres, et elle sépare deux choses que l'on appelle pareillement « utiliser l'IA ». Un modèle qui produit des affirmations à partir de ses données d'entraînement fabrique du texte dont personne ne se porte garant. Un modèle qui travaille sur des sources que vous avez vous-même choisies et surlignées fait quelque chose de bien plus proche du travail d'un assistant de recherche. Le chat IA de Glasp fonctionne sur vos propres surlignages enregistrés, si bien que les réponses renvoient aux passages que vous avez lus. C'est une méthode de travail défendable sous à peu près n'importe quelle charte, et c'en est une meilleure : vous pouvez vérifier chaque affirmation dans la source dont elle provient.
Rien de tout cela n'est purement défensif. Noter ce que vous lisez avec vos propres mots, c'est l'habitude même qui produit la compréhension, comme le détaille comment retenir ce que vous lisez. C'est aussi pourquoi lire correctement des articles universitaires vaut toujours mieux que de survoler le résumé qu'une IA en donne.
Le coût d'apprentissage de l'IA, même quand elle est autorisée
Supposons que votre devoir relève du niveau 4 et que l'usage de l'IA soit pleinement autorisé. Il vous reste une décision à prendre, car autorisé ne veut pas dire sans coût.
Nataliya Kosmyna et ses collègues du MIT Media Lab ont fait passer à 54 participants trois séances de rédaction sous EEG, 18 d'entre eux revenant pour une quatrième séance où les outils étaient échangés. Un groupe utilisait un LLM, un autre un moteur de recherche, le troisième écrivait sans aide (le groupe cerveau seul). Ce dernier a montré la connectivité neuronale la plus forte et la plus distribuée ; le groupe moteur de recherche se situait au milieu ; le groupe LLM était le plus faible. Plus frappant encore que l'EEG : le résultat comportemental. Les utilisateurs de LLM peinaient régulièrement à citer les textes qu'ils venaient tout juste d'écrire, et deux professeurs d'anglais, corrigeant à l'aveugle et sans savoir que des groupes existaient, ont décrit les copies qu'ils supposaient assistées par IA comme « sans âme ». Les auteurs ont baptisé ce schéma la dette cognitive.
Gardez devant cette étude le scepticisme qui convient. C'est une prépublication, l'échantillon est petit, et une seconde équipe de chercheurs a publié un commentaire détaillé contestant sa taille d'échantillon, sa méthodologie EEG, sa reproductibilité et la façon dont elle rend compte de ses résultats. Mais elle pointe une chose que les étudiants reconnaissent immédiatement : la sensation d'avoir compris quelque chose que vous avez en réalité seulement regardé se faire. Cet écart entre l'aisance et la compétence est bien documenté en dehors de la littérature sur l'IA, et c'est pourquoi l'illusion de compétence piège des gens capables à chaque session d'examens.
La règle pratique qui en découle est assez étroite pour être suivie. Laissez l'IA faire le travail que vous savez déjà faire, et faites vous-même celui que vous cherchez à apprendre. Si vous savez rédiger une synthèse bibliographique correcte et qu'elle ne vous apprend plus rien, la déléguer ne vous coûte pas grand-chose. Si vous ne savez pas encore construire une argumentation, en faire construire une par un modèle ne vous apprendra pas à en construire, quelle que soit la qualité apparente du résultat. Le piège de la pensée IA détaille ce compromis, et si vous préférez un outil conçu pour vous faire travailler, le comparatif des modes d'étude IA examine ce que ChatGPT, Gemini et Claude font réellement de différent quand vous leur demandez d'enseigner plutôt que de donner la réponse.
Questions fréquentes
Utiliser ChatGPT pour réviser, est-ce tricher ?
Non. Se servir de ChatGPT pour comprendre un contenu, s'interroger ou obtenir un retour sur son propre travail, c'est réviser, et aucune charte académique courante ne l'interdit. Cela devient de la triche quand la production est rendue comme votre propre travail, ou quand l'évaluation annonçait qu'aucune IA n'était autorisée et que vous l'avez utilisée quand même.
Les enseignants peuvent-ils voir que vous avez utilisé ChatGPT ?
En général, pas à partir du texte lui-même. Dans l'expérience de l'University of Reading publiée dans PLOS ONE en 2024, 94 % des copies d'examen écrites par IA sont passées inaperçues auprès des correcteurs. Ce qui se remarque est indirect : des références qui n'existent pas, un style qui ne correspond pas à vos travaux précédents, des réponses qui renvoient à des contenus jamais abordés dans le cours, ou un oral où vous ne savez pas expliquer votre propre argumentation.
Utiliser l'IA pour ses devoirs, est-ce tricher ?
Tout dépend d'une chose : le devoir est-il noté ? S'il compte dans la note et que les réponses sont censées être les vôtres, les faire produire par l'IA échoue au même test de paternité qu'une dissertation rendue. S'il s'agit d'un entraînement non noté, se servir de l'IA pour vérifier vos réponses ou vous expliquer vos erreurs relève de la révision, et c'est l'un des meilleurs usages de l'outil. Dans le doute, demandez si le travail compte dans votre moyenne.
Utiliser l'IA pour corriger ma grammaire, est-ce tricher ?
Cela dépend de l'évaluation, réponse peu satisfaisante mais exacte. La plupart des établissements l'autorisent et traitent cela comme une visite à l'atelier d'écriture. Les cours de langue, de traduction et d'écriture académique, en revanche, l'interdisent souvent, parce que c'est précisément la mécanique de la langue qui est évaluée. Vérifiez l'énoncé, et déclarez-le si une déclaration est exigée.
Suis-je obligé de déclarer que j'ai utilisé l'IA ?
Si l'énoncé ou le livret demande une déclaration, oui, et une déclaration exacte constitue presque toujours une défense complète. Si rien ne l'exige, une ligne ne vous coûte rien et fait disparaître la question tout entière. C'est le flou qui crée les problèmes, alors nommez l'outil et la tâche précise.
Comment prouver que je n'ai pas utilisé l'IA ?
Ne discutez pas le score du détecteur, c'est impossible. Produisez plutôt des preuves de processus. Des notes datées, des sources surlignées, l'historique des versions de votre traitement de texte, vos relevés de recherche et d'emprunts en bibliothèque, tout ce qui est horodaté. Demandez quelles preuves précises existent au-delà du résultat du détecteur, et réclamez le taux de faux positifs documenté de ce détecteur. Plusieurs universités, dont Vanderbilt, ont désactivé ces outils précisément parce que les scores ne survivent pas à cette question.
Utiliser l'IA pour résumer un article, est-ce tricher ?
Presque toujours non, quand vous résumez pour décider ce que vous lirez de près ou pour rafraîchir un contenu que vous avez déjà travaillé. Cela devient risqué dans deux cas : quand c'est la compréhension de ce texte précis qui est évaluée, et quand vous citez une source que vous n'avez jamais connue autrement que par un résumé. Lisez tout ce que vous comptez citer.
Ce qu'il faut en retenir
La règle qui compte est plus petite que le débat qui l'entoure. Faites le travail de réflexion sur lequel vous êtes évalué, dites ce que vous avez utilisé, et soyez en mesure de montrer votre cheminement. Respectez ces trois points et vous resterez à l'écart de la fraude sous à peu près n'importe quelle charte, y compris celles qui n'ont pas encore été écrites.
La détection ne réglera pas la question. La correction humaine laisse passer presque tout, les scores des détecteurs accusent des gens qui n'ont rien fait, et les établissements les plus attentifs les désactivent plutôt que de s'y appuyer davantage. Ce qui la remplace, ce sont les preuves de processus, ce qui signifie que les étudiants les mieux protégés sont ceux qui tenaient déjà le compte de leurs lectures et de ce qu'ils en pensaient.
Cette habitude mérite d'être prise pour elle-même. Commencez à surligner vos lectures pour que sources, citations et dates restent ensemble, et allez voir ce que d'autres lecteurs ont marqué dans les mêmes contenus sur la communauté Glasp. La trace prouve que le travail est le vôtre, et c'est la part qui vous reste une fois la note publiée.
