Depuis l’arrivée des outils d’IA générative, fin 2022, je les utilise, comme beaucoup d’entre nous, dans mon quotidien de conception pédagogique. Progressivement, leur place s’est installée, jusqu’à devenir un appui presque systématique dans certaines étapes du travail.
Mais en parallèle, on entend de plus en plus parler de l’impact de l’IA : consommation d’énergie, infrastructures, data centers… Pourtant, quand on cherche à comprendre concrètement ce que cela représente dans nos usages en conception pédagogique, les repères sont encore très flous.
Alors, je me suis posé quelques questions : concrètement, comment je travaille avec l’IA ?
Qu’est-ce que je lui délègue, et qu’est-ce que j’utilise vraiment ? Comment ajuster ma manière de travailler pour utiliser l’IA de façon plus sobre et responsable ?
C’est à partir de là que j’ai commencé à regarder mes pratiques de plus près, pour essayer de comprendre ce qui se joue réellement dans la conception pédagogique assistée par l’IA.
Quelles tâches délègue-t-on à l’IA en conception pédagogique ?
Aujourd’hui, en conception pédagogique, l’IA générative s’intègre à de nombreuses étapes du travail.
Elle peut être mobilisée pour la production de contenu : rédiger une première version de cours, reformuler un passage, mais aussi pour soutenir la réflexion pédagogique, en proposant des activités, des quiz ou des structurations de séquences.
Elle peut également intervenir sur des aspects plus techniques (adaptation de code, par exemple) et, dans certains cas, sur des éléments visuels ou multimédias.
Une fois ces usages identifiés, un autre point mérite d’être regardé de plus près : la manière dont on interagit avec l’IA, car toutes les interactions ne se valent pas. Certaines demandes peuvent être formulées de manière très précise dès le départ, ce qui permet d’obtenir rapidement un résultat exploitable. D’autres nécessitent plusieurs ajustements : reformulations, précisions, changements d’angle.
L’enjeu est donc lié à la mesure d’une accumulation d’interactions : reformuler, ajuster, tester, itérer. Cela permet de poser quelques questions utiles :
Le besoin était-il clairement défini dès le départ ?
La demande formulée était-elle suffisamment précise ?
Les ajustements étaient-ils nécessaires… ou liés à un manque de cadrage initial ?
Par où commencer ?
Pour entrer concrètement dans cette réflexion, une approche simple consiste à partir d’un cas réel : un e-learning que vous avez récemment conçu, ou une activité que vous avez développée avec l’IA.
Posez-vous quelques questions : à quels moments l’IA a été sollicitée, pour quelles tâches, et avec quelle intensité. Autrement dit, s’agit-il d’un appui ponctuel… ou d’une série d’allers-retours pour ajuster progressivement le résultat ?
À partir de là, quelques repères simples peuvent aider à objectiver la pratique. Par exemple, regardez le volume de contenu produit : combien de texte a été généré, combien d’activités ont été créées. Puis, observez le nombre de sollicitations de l’IA : combien de requêtes, combien de messages échangés. Enfin, intéressez-vous au nombre d’itérations nécessaires pour obtenir un résultat satisfaisant.
Ces éléments, pris séparément, donnent déjà une première lecture, et c’est en les croisant que la réflexion devient intéressante. On peut alors commencer à faire émerger quelques ratios simples :
le rapport entre le contenu initial et le contenu produit,
le nombre d’itérations par activité ou par livrable,
ou encore le nombre d’ajustements nécessaires pour aboutir à une version satisfaisante.
L’objectif est de faire apparaître des tendances.
Regarder ce qui est réellement utilisé
Une autre piste de réflexion consiste à observer non pas seulement ce qui est généré, mais ce qui est effectivement utilisé.
Est-ce que les contenus produits par l’IA sont utilisés tels quels, légèrement ajustés ou retravaillés en profondeur par vous-mêmes, ou finalement abandonnés ?
Ce décalage entre ce qui est produit et ce qui est réellement utilisé mérite d’être regardé de plus près. Il permet de mieux comprendre quelle part des contenus générés est vraiment pertinente, à quel moment une production demande un retravail important, et dans quels cas l’IA apporte un réel gain.
Prendre en compte les données fournies à l’IA
Un autre aspect, plus discret mais tout aussi important, concerne les données que l’on fournit à l’IA. Selon les situations, il peut s’agir d’un simple texte copié-collé, d’extraits ciblés, mais aussi de documents complets (PDF, PPT) ou d’images et captures d’écran.
Ces choix ne sont pas anodins. Plus l’information que vous donnez est volumineuse ou complexe, plus elle demande de traitement. De la même manière, travailler à partir d’un simple texte ne mobilise pas les mêmes ressources que d’analyser une image ou un document visuel.
J’applique !
À partir de cette réflexion, je me suis livrée moi-même à l’exercice. J’ai donc analysé mon usage de l’IA générative sur mon dernier module e-learning. Le point de départ : environ 600 mots de texte fournis par l’expert métier. À partir de cette base, le contenu a été enrichi, structuré et décliné en activités pédagogiques.
À noter aussi un point important dans ce cas précis : je n’ai pas utilisé l’IA pour générer des images, des vidéos ou de la voix. Le contenu de départ était essentiellement textuel, avec seulement quelques schémas et captures d’écran.
L’usage est resté très centré sur le texte et la structuration, avec un prompt que j’ai construit au fil du temps, que j’enrichis et que j’adapte en fonction du contexte.
Ce point est intéressant, car il renvoie directement à une logique de sobriété. Aujourd’hui, on sait que ce sont surtout les générations de visuels, et plus encore de vidéos, qui sont les plus énergivores. Ce travail s’inscrit donc dans un usage relativement sobre de l’IA, basé sur des sollicitations textuelles, généralement moins coûteuses en ressources.
Concrètement, l’IA m’a permis de produire un contenu développé (5 300 mots) et 20 activités pédagogiques. Le taux d’amplification atteint x8,8, ce qui illustre bien la capacité de transformation de l’IA à produire un contenu de qualité (le contenu a été relu et validé par l’expert métier, garantissant sa fiabilité).
Deuxième point intéressant : le nombre d’itérations reste maîtrisé : 0,96 itération par livrable. Concrètement, cela signifie qu’il y a eu très peu d’itérations. Les productions n’ont pas été utilisées telles quelles dans tous les cas, mais elles étaient globalement suffisamment proches du résultat attendu pour éviter une succession d’allers-retours.
Ce que cela met surtout en évidence, c’est le rôle déterminant du travail en amont. L’IA ne part pas de rien. Elle s’appuie sur une réflexion pédagogique déjà construite par l’intelligence humaine : progression, choix des activités, pertinence des contenus, compréhension des besoins et des prérequis des apprenants. Ces éléments sont contextualisés et précisés dans le prompt, ce qui permet une production fluide, limite les allers-retours et favorise des usages plus sobres de l’IA.
Pour finir…
Ces premiers repères ne constituent pas une méthode, mais offrent plutôt une manière de mettre en lumière des pratiques en conception pédagogique assistée par l’IA, souvent implicites.
En les rendant visibles, nous pouvons :
mieux comprendre comment l’IA s’intègre dans notre processus de conception
savoir si ce que l’on produit est vraiment utile
mesurer le rapport entre l’effort engagé et le résultat obtenu
identifier des leviers d’ajustement
et, plus largement, adopter une approche plus consciente de ces outils
