Comprendre les IA sans écran

Un groupe d’élèves reçoit une pile de cartes représentant des animaux. La consigne paraît simple : inventer une règle pour les classer. Certains choisissent le nombre de pattes, d’autres le milieu de vie ou la taille. Puis arrive une carte plus difficile à placer : la chauve-souris. Où faut-il la ranger ? La discussion commence.

Cette situation ne ressemble pas à un cours d’informatique. Pourtant, elle touche déjà à plusieurs questions centrales de l’intelligence artificielle : quelles données utilise-t-on ? Quels critères choisit-on ? Que fait-on des cas qui entrent mal dans les catégories ? Que se passe-t-il lorsque la règle de départ est imparfaite ?

C’est tout l’intérêt des activités dites « débranchées » : travailler des notions liées à l’IA sans ordinateur, à partir de cartes, de jetons, de jeux de rôle, de classements ou de déplacements.

Comprendre avant d’utiliser

La revue publiée en 2025 par Zhang, Ganapathy Prasad et Schroeder dans le Journal of Educational Computing Research cherche à clarifier ce que recouvre l’AI literacy, que l’on peut traduire par culture ou compréhension de l’intelligence artificielle. Les travaux examinés convergent sur un point : comprendre l’IA ne consiste pas seulement à savoir utiliser un outil. Cela suppose aussi de saisir le rôle des données, le fonctionnement général des modèles, leurs limites, leurs biais et leurs effets sociaux.

Cette synthèse ne désigne cependant pas une méthode pédagogique qui serait meilleure que toutes les autres. Les cadres étudiés et les instruments d’évaluation restent très hétérogènes. On s’accorde donc de mieux en mieux sur les connaissances importantes, mais beaucoup moins sur la manière d’évaluer leur acquisition selon l’âge des élèves.

Le rapport de synthèse de Hillman pour la Royal Society aboutit à une conclusion proche : les notions importantes sont de savoir ce qu’est une IA, comprendre ce qu’elle n’est pas, identifier le rôle des données, repérer ses limites et ses biais, puis réfléchir aux conséquences de ses usages. Ca tombe bien, c’est tout ce que je traite dans les modules de formation à l’IA disponibles dans la pédagothèque.

Ce rapport est surtout un document de cadrage. Il aide à définir des objectifs de formation, mais il ne mesure pas directement l’efficacité d’une activité précise. Il conforte néanmoins une idée désormais bien installée : apprendre à utiliser un générateur de texte ou d’images ne suffit pas à construire une véritable compréhension de l’IA.

Ce que l’on peut apprendre autour d’une table

Imaginons maintenant qu’un élève joue le rôle d’une « machine ». Il doit deviner un objet à partir d’indices donnés par le groupe. Plus certains indices apparaissent souvent, plus certaines réponses deviennent probables. La machine ne connaît pas réellement l’objet : elle suit les informations reçues et les régularités qu’elle peut en tirer.

Ce jeu très simplifié peut faire émerger une distinction importante : Une réponse plausible n’est pas nécessairement une réponse vraie. Un système peut produire un résultat convaincant sans comprendre la situation comme le ferait une personne.

D’autres activités peuvent porter sur la classification. On confie à plusieurs groupes les mêmes cartes, mais pas les mêmes exemples de départ. Les classements obtenus diffèrent alors parfois fortement. La discussion peut porter sur l’influence des données choisies : que se passe-t-il lorsque certaines catégories sont peu représentées ? Une règle élaborée à partir d’exemples incomplets reste-t-elle valable dans tous les cas ?

Une revue de cadrage publiée en 2024 sur l’AI literacy dans l’enseignement scolaire et supérieur présente les activités débranchées comme un pont possible entre l’intuition concrète et des concepts plus formels. Cette publication indique que la classification, les probabilités, les recommandations ou les biais peuvent être abordés sans commencer par la programmation.

Une expérimentation plus concrète est décrite par Reddig, Moon, Crutcher et MacLellan dans AI Unplugged: Embodied Interactions for AI Literacy in Higher Education, présenté en 2026 à la conférence AAAI sur l’intelligence artificielle : Les auteurs utilisent des jeux physiques et collaboratifs pour introduire des algorithmes de recherche, des modèles probabilistes et certaines formes d’apprentissage automatique. Leur travail suggère que manipuler, se déplacer et décider collectivement peut aider les participants à construire une première intuition du fonctionnement de ces systèmes.

Cette étude ne suffit pas à établir une efficacité générale. Elle est récente et concerne l’enseignement supérieur. Mais j’ai envie de croire que les adolescents seront aussi sensible à cette façon de faire. Si vous voulez essayer, il y a d’ailleurs les modules disponibles dans la pédagothèque.

Des modèles simplifiés, pas des IA miniatures

Une activité débranchée ne montre pas réellement « l’intérieur » d’une intelligence artificielle complexe. Elle simplifie volontairement une notion pour la rendre visible et manipulable : des cartes peuvent représenter des données, des jetons peuvent matérialiser des fréquences ou des probabilités, une suite de choix peut évoquer un système de recommandation.

Bien sûr, ces analogies ont leurs limites : un élève qui classe dix cartes ne reproduit pas le fonctionnement d’un modèle entraîné sur des milliards de données. L’objectif est plus modeste : isoler un mécanisme, faire apparaître une difficulté et donner quelques repères avant de rencontrer les systèmes réels.

Comprendre les IA sans écran peut donc commencer par quelques cartes et une règle de classement imparfaite. L’écran viendra ensuite, avec déjà de bonnes questions à lui poser.

Sources

1. Learning About AI: A Systematic Review of Reviews on AI Literacy — Zhang, Ganapathy Prasad, Schroeder — 2025 — Journal of Educational Computing Research — DOI : 10.1177/07356331251342081.
   
2. A Rapid Review of AI Literacy Frameworks — Hillman et al. — Royal Society — rapport de synthèse.
   
3. AI Literacy in K-12 and Higher Education in the Wake of … — synthèse 2024 — prépublication / revue de cadrage.
   
4. AI Unplugged: Embodied Interactions for AI Literacy in Higher Education — Reddig, Moon, Crutcher, MacLellan — 2026 — AAAI Conference on Artificial Intelligence — arXiv / conférence.
   
5. Unplugged Activities on Machine Learning and Their Evaluation … — 2026 — article de conférence / prépublication.