En novembre 2025, treize classes d’un cours d’introduction au management de la Bocconi, à Milan, ont planché sur le même exercice : rédiger des recommandations marketing pour la boutique de l’université, en 180 mots maximum. Deux des quatre groupes constitués par tirage au sort travaillaient avec GPT-4o, le modèle d’OpenAI, ouvert à côté de la copie. Ces copies-là sont revenues avec près d’un point de plus sur une échelle de 1 à 5.
Ce point supplémentaire renseigne au moins autant sur la grille qui a servi à corriger que sur les capacités du modèle.
Quatre groupes, une seule consigne
L’expérience porte sur 1 053 étudiants de première année, tirés au sort entre quatre groupes : un groupe témoin ; un groupe formé au raisonnement causal (apprendre à formuler par quel mécanisme une action produit l’effet attendu), sans aucune IA ; un groupe avec accès libre à GPT-4o ; un dernier cumulant les deux. Les copies ont été corrigées à l’aveugle par des correcteurs humains, sur une grille qui sépare la qualité de la rédaction de l’originalité des idées. L’étude a été relayée fin août 2026 par OpenAI.
Les copies assistées contiennent environ deux idées de plus, s’enchaînent de façon plus cohérente et collent davantage aux recommandations de trois experts du domaine. Les auteurs ont ensuite neutralisé dans leurs calculs la qualité d’argumentation, le nombre d’idées, leur diversité et les propriétés du texte : un avantage mesurable subsiste. Leur interprétation reste prudente : ce supplément tient à la qualité du contenu remis, sans qu’on puisse y lire un gain de connaissance chez l’étudiant.
Expliquer pourquoi une idée devrait marcher fait perdre des points
Le deuxième groupe est le plus instructif. Les étudiants passés par le module de raisonnement causal, sans IA, n’ont pas vu leur note grimper ; elle baisse même légèrement en moyenne. Leurs copies font pourtant autre chose : elles expliquent plus souvent pourquoi une action devrait produire l’effet attendu, et dans quelles conditions elle échouerait. Leurs propositions s’écartent davantage de celles de leurs camarades.
Le détail des corrélations, à l’intérieur même de la grille, montre où va la note. Plus d’idées, une argumentation cohérente, une variété d’angles dans une même réponse : elle monte. Une falsifiabilité plus nette (la capacité à dire ce qui invaliderait la proposition), un mécanisme d’action détaillé, un écart marqué avec ce qu’ont écrit les autres : elle descend. L’exercice récompense la réponse bien construite qui reste dans le champ des solutions attendues. Les auteurs en tirent une recommandation explicite : si l’originalité doit compter, il faut l’inscrire noir sur blanc dans les critères de correction.
Une note qui mesure la finition
Le constat est posé sans détour dans l’étude : les systèmes de notation en place mesurent la propreté, la structure et la complétude, pas l’apprentissage ni la compréhension. Un modèle de langage excelle exactement sur ces trois dimensions. Il ne contourne pas la grille, il la remplit mieux que l’étudiant.
Les concurrents d’OpenAI prennent le problème par l’autre bout : Anthropic a ouvert cette année à tous les utilisateurs de Claude un mode Learning qui répond par des questions plutôt que par une solution, et Google pousse dans Gemini un mode Guided Learning qui découpe l’exercice au lieu de livrer la réponse. Aucun des deux ne s’attaque au barème lui-même. Ces modes agissent sur la façon dont l’étudiant obtient sa réponse, en laissant intacts les critères qui la noteront.
L’expérience a ses limites, que les auteurs signalent eux-mêmes. Aucun test de suivi sans assistance n’a été administré : impossible, donc, de savoir si l’avantage tient à des connaissances réellement acquises ou seulement à une production mieux finie. Le périmètre reste étroit : un devoir de 180 mots, des étudiants de première année, un seul cas marketing. En conclure que « l’IA abîme les compétences » dépasse de loin ce que ce travail permet d’affirmer.
Deux rentrées avant que le devoir maison perde son coefficient
Réécrire un barème coûte peu sur le papier : il suffit d’y ajouter la divergence, la falsifiabilité, le mécanisme d’action. Le coût réel se situe ailleurs. Noter la structure d’un texte est reproductible d’un correcteur à l’autre ; noter l’originalité l’est beaucoup moins. Une école qui ajoute ces critères accepte de voir sa fiabilité de correction se dégrader et ses recours sur notes augmenter.
Pour les rentrées 2027 et 2028, très peu d’établissements paieront ce prix. La sortie la moins chère consiste à déplacer l’épreuve plutôt qu’à refaire la grille : oral, présentation défendue en classe, écrit sur table, soutenance de dix minutes où l’on demande à l’étudiant dans quelles conditions sa recommandation échouerait. Le devoir rendu à distance ne sera pas interdit, il sera dévalué, avec un coefficient qui fond d’une année sur l’autre, sans annonce.
Deux conditions décideront de la vitesse. La première tient aux heures d’enseignant disponibles pour les évaluations orales, facteur limitant très concret sur des promotions de plus de mille étudiants. La seconde tient à l’arrivée de grilles partagées entre établissements, dont on aura vérifié que deux correcteurs différents y notent l’originalité de la même façon. Sans elle, chaque école bricolera la sienne et deux diplômes de même intitulé cesseront de mesurer la même chose.
Vos tests de recrutement reposent sur la même grille
L’université n’est pas seule concernée. Un exercice de synthèse envoyé à un candidat, un cas pratique dans un processus d’embauche, une certification interne notée sur un livrable écrit : tous s’appuient sur des critères qui valorisent la structure et la complétude, parce que ce sont les seules dimensions que l’on peut noter vite et de façon reproductible. Ce sont aussi celles qu’un modèle produit le mieux.
Si vous concevez ces épreuves, l’expérience fournit un test simple à ajouter : demandez au candidat dans quelles conditions sa proposition échouerait, et pourquoi elle devrait fonctionner. GPT-4o rédige très bien la recommandation ; l’explication du mécanisme et des conditions d’échec reste l’endroit où l’écart entre deux personnes se voit encore. Prévoyez la contrepartie mesurée à la Bocconi : ces réponses paraîtront moins soignées que les autres, et votre grille actuelle les classera plus bas.
Les étudiants passés par le module causal ont fourni le travail le plus exigeant, et leur note en a légèrement souffert. Tant qu’un barème paie la finition, l’outil qui finit le mieux gagnera, et aucune charte d’usage de l’IA n’y changera rien. La Bocconi a mesuré ce que ses correcteurs récompensent réellement. Peu d’établissements auront envie de faire tourner le même protocole chez eux ; ceux qui le feront sauront, avant les autres, quelle part de leurs notes un modèle peut déjà produire à leur place.
