Rédiger ses propres énoncés

La règle d’or

Un énoncé est bien écrit quand une réponse générique d’IA est insuffisante par conception. L’IA n’est pas interdite — l’interdire est inapplicable et contredit la prémisse. On écrit des problèmes que l’IA seule ne peut pas finir.

Et le test négatif : si vous pouvez nommer la bonne réponse à votre énoncé, l’énoncé n’est pas terminé. Un bon énoncé a plusieurs espaces de solution valides.

Le moteur : les cinq mouvements

Un énoncé qui engage ne le fait pas par son thème — il le fait parce qu’il force ces mouvements, et chaque mouvement est un passage de plus sur l’objet d’apprentissage :

Mouvement	Ce qu’il force
1. Créer sa propre version	Le participant ne consomme pas l’objet d’apprentissage : il produit SA version de celui-ci — sa carte, sa frise, son écosystème, son problème. La version propre est ce qui force la compréhension.
En savoir plus La distinction qui tient tout l’énoncé : consommer l’objet d’apprentissage (le lire, le résumer, le réciter) n’est pas la même chose que produire sa propre version de celui-ci. En produisant, le participant doit décider ce qui compte, ce qui entre, ce qui reste dehors et comment chaque partie se relie — des décisions que seul peut prendre quelqu’un qui regarde vraiment l’objet d’apprentissage. C’est l’idée de Piaget (nous construisons notre version du monde) et celle de Papert (on apprend en fabriquant quelque chose qui peut être montré et discuté), transformées en règle de conception : notre position est que si l’énoncé ne force pas à produire une version à soi, c’est encore de la consommation avec des étapes en plus. Et le canon du Challenge le dit sans détour : l’énoncé d’un défi EST un Objet d’Apprentissage — avec des objectifs identifiés, pas une consigne de hackathon. Barre de qualité : la version de chaque équipe sortira-t-elle nécessairement différente ? Si toutes vont se ressembler, l’énoncé demande une reproduction, pas une version propre.
2. Itérer jusqu’à ce que ça marche	Le premier résultat de l’IA ne suffit pas (s’il suffit, l’énoncé est mal écrit). Redemander, ajuster, diriger — chaque itération est un passage de plus sur l’objet d’apprentissage.
En savoir plus La première réponse de l’IA est de la matière de travail, pas un résultat. Chaque tour — demander, examiner ce qui est sorti, ajuster l’instruction, redemander — est un passage de plus sur l’objet d’apprentissage, et c’est là que l’apprentissage s’accumule. C’est la pratique délibérée sous un habit neuf : la répétition avec effort à la limite de sa propre capacité, avec un retour qui ne flatte pas. La preuve de terrain la plus solide dont nous disposons (l’expérience des garde-fous, 2025) montre l’inverse : quand l’IA livre la réponse finie, la performance monte à l’exercice et l’apprentissage s’effondre à l’examen sans IA. L’itération protège exactement de cela. Barre de qualité : si l’énoncé peut se résoudre avec une seule requête bien écrite, augmentez son ouverture ou sa friction — c’est encore une commission.
3. Vérifier hors du modèle	Quelque chose dans l’énoncé force à sortir de l’IA : une source autorisée, une personne, une observation, une mesure. L’IA se trompe avec une assurance apparente — le découvrir, c’est apprendre.
En savoir plus À un moment de l’énoncé, l’équipe doit sortir de l’IA : une source autorisée, une personne réelle, une observation, une mesure de la classe ou du quartier. Cette sortie est le point de friction devenu activité — l’endroit où le modèle, de manière prévisible, se trompe avec une assurance apparente. Chaque erreur détectée contre une source est du savoir du domaine gagné : qui découvre que l’IA a placé le sommet dans la mauvaise fourchette vient d’apprendre où va le sommet. C’est pourquoi l’information locale est demandée à l’équipe et jamais inventée dans l’énoncé. Barre de qualité : nommez la source de vérification dans l’énoncé. Si vous ne pouvez pas nommer contre quoi il se vérifie, le mouvement n’est pas conçu.
4. Comparer	Deux sources, deux versions, deux contextes, deux récits. La comparaison force à regarder l’objet d’apprentissage deux fois et à expliquer la différence.
En savoir plus Deux sources qui ne coïncident pas, deux versions du même travail, deux contextes, deux récits du même fait. La comparaison force à regarder l’objet d’apprentissage deux fois — et à expliquer la différence, là où se montre le discernement. Une divergence réelle est de l’or de conception : des sources autorisées donnant des altitudes différentes, le manuel et une autre source racontant la période autrement. L’équipe doit décider laquelle utiliser et défendre le pourquoi — du discernement, pas de l’obéissance. Barre de qualité : la comparaison doit exiger une décision (« laquelle gardez-vous, et pourquoi ? »), pas seulement un tableau de ressemblances et de différences.
5. Réviser et critiquer	Détecter ce qui est faux dans ce qui a été produit — par soi ou par l’IA — et pouvoir dire pourquoi. La critique avec discernement est la preuve que l’apprentissage a eu lieu.
En savoir plus Détecter ce qui est faux — dans ce que l’IA a produit et dans son propre travail — et pouvoir dire pourquoi. La critique avec discernement est la preuve observable que l’apprentissage a eu lieu : personne ne peut signaler l’erreur d’une carte sans connaître la géographie. C’est aussi ce que lit la rubrique du Challenge : la direction humain-IA se juge aux décisions (ce qui a été rejeté, ce qui a été vérifié, ce qui a été transformé), jamais au volume d’usage. Et la défense sans IA est l’épreuve finale de ce mouvement : expliquer ce qui a été révisé avec l’outil éteint. Barre de qualité : l’énoncé doit produire des moments critiquables — versions intermédiaires, erreurs plausibles, décisions consignées. Un énoncé qui ne génère qu’un produit final poli ne laisse rien à réviser.

La barre : si votre énoncé peut se résoudre avec une requête à l’IA et zéro vérification hors du modèle, c’est encore une tâche de récupération — celle qu’un moteur de recherche résout depuis trois décennies. Relevez-le avec les mouvements qui lui manquent.

Les neuf propriétés — liste de contrôle

Chaque énoncé du Challenge satisfait les neuf avant publication. Utilisez-les comme questions de conception :

#	Propriété	La question à se poser en écrivant
1	Contexte authentique	Y a-t-il une situation réelle avec des personnes réellement concernées — ou est-ce un énoncé de manuel ?
2	Information incomplète	Quelle donnée est-ce que je retiens exprès, pour que l’équipe doive aller la chercher ?
3	Valeurs en tension	Quelles deux bonnes choses ne peuvent pas être maximisées ensemble dans ce problème ?
4	Information locale ou vivante	Que doit apporter l’équipe qu’aucun modèle n’a — une interview, une observation, un fait de la classe, une mesure ?
5	Conséquences nommées	Qui paie le coût de chaque décision possible ? Puis-je les nommer ?
6	Artefact démontrable	Qu’est-ce qui peut être ESSAYÉ en direct — pas présenté, essayé ? (Tout support compte ; aucun n’est obligatoire.)
7	Perturbation	Quel changement de conditions, livré en cours de travail, met la conception sous tension sans la détruire ?
8	Registre de création	Quels moments conséquents faudra-t-il documenter — décision humaine, contribution de l’IA, ce qui a été rejeté et pourquoi ?
9	Défense	Quelles questions poserais-je, sans IA à la table, auxquelles seul peut répondre qui a vraiment fait le travail ?

Le point de friction — le champ secret

Chaque énoncé déclare (dans votre registre de rédaction, pas au participant) où l’IA échouera, de manière prévisible : la donnée qu’elle n’a pas, le détail qu’elle lissera vers la moyenne, l’opération qu’elle fera mal avec une assurance totale. Un énoncé sans point de friction déclaré n’est pas un énoncé : c’est une commission. La friction sème la propriété 4 — l’information vivante que l’équipe devra apporter.

Le dilemme éthique va à l’intérieur, pas collé dessus

L’énoncé porte une décision éthique à laquelle l’équipe ne peut pas échapper — et elle est structurelle : qui l’ignore doit finir avec une solution visiblement pire, pas avec un paragraphe manquant. Des patrons qui fonctionnent : la solution technique facile est celle qui pose problème pour la vie privée · l’aide la plus personnalisée exige les données les plus intimes · l’accessibilité augmente le coût, et le coût exclut quelqu’un · la campagne persuasive risque de caricaturer la communauté qu’elle sert.

Anti-patrons — ce qui n’est PAS un énoncé

L’échec du rédacteur est pire que celui de l’équipe : n’écrivez pas une « tâche d’IA avec un chronomètre ». Formes rejetées, textuellement depuis le canon :

« Demandez à l’IA un plan d’affaires. »
« Créez la meilleure image générée sur le changement climatique. »
« Utilisez un chatbot pour écrire une dissertation. »
« Faites un site web sur l’alimentation saine. »
« Créez le meilleur prompt. »

Aussi : aucun support n’est obligatoire (exiger du code fonctionnel est un échec d’équité) · pas de gabarits cérémoniels que les équipes doivent « jouer » · rien qui récompense le nombre de prompts, le nombre d’outils ou le modèle le plus récent · jamais de données personnelles identifiables dans des systèmes d’IA — les scénarios se construisent avec de l’information publique, fictive ou autorisée.

Feuille de travail — écrivez votre énoncé

Le format d’un énoncé de répétition, à remplir à la main ou en équipe. (La section de l’équipe d’accompagnement n’est pas montrée aux participants.)

Titre de l’énoncé

Matière / niveau · Objet d’apprentissage réel (ce que vous voulez qu’ils apprennent — pas l’artefact)

Objectifs d’apprentissage / du programme (ce que le participant saura et saura faire à la fin ; ancrés au programme quand cela s’applique — si l’énoncé peut se résoudre sans les toucher, l’énoncé est mal conçu)

Contexte authentique (la situation réelle, les personnes concernées)

L’énoncé (quelle version propre de l’objet d’apprentissage ils créeront avec l’IA — et ce qui le rend impossible à résoudre avec une réponse générique)

Information locale ou vivante que l’équipe doit apporter (propriété 4)

La tension impossible à esquiver (les deux biens en conflit, et qui paie le coût)

Formats de sortie possibles (2–4 options ; l’équipe en choisit UN et le déclare au point de passage de la divergence — aucun n’est obligatoire, le déclarer, si)

Ce que le livrable doit contenir, quel que soit le format (3–5 éléments concrets)

Ce qui se démontre à la défense (démontrable en direct, sur tout support)

Quelles étapes du savoir l’énoncé force, et où (recherche · validation des sources · préparation des données · insight · validation de l’insight · présentation · audit de l’IA)

Les rondes que l’énoncé force (qu’exige-t-il d’anticiper ? contre quoi s’audite-t-il ? qu’est-ce qui rend le refaire inévitable ?)

— Équipe d’accompagnement seulement — Point de friction : où l’IA échouera-t-elle, de manière prévisible ?

— Équipe d’accompagnement seulement — Perturbation (en cours de travail ; met sous tension sans détruire ; la même pour tous)

Test de qualité en une poignée de questions : l’IA seule peut-elle le finir ? (si oui, il manque de la friction) · puis-je nommer LA réponse ? (si oui, il manque de l’ouverture) · combien des cinq mouvements force-t-il ? (moins de trois : relevez-le) · le dilemme éthique change-t-il la conception ou est-il décoratif ? · l’équipe saura-t-elle, en passant le point de passage, CE QUI existera à la fin — pas seulement le concept, le format ? · l’énoncé peut-il se résoudre SANS toucher l’objectif d’apprentissage ? (si oui, reconcevez-le) · l’énoncé force-t-il à traverser les étapes du savoir — recherche, validation des sources, préparation des données, génération et validation de l’insight, présentation, audit de l’IA — d’une manière qui peut se désigner ? · laisse-t-il de la place pour que l’équipe imprime sa propre pertinence — sa classe, son quartier, son expérience ?

← Retour à la répétition Organisation et validation →

Cadre dérivé de la spécification de rédaction d’énoncés de l’aiLearning Challenge (canon Smoother). Version pour éducateurs préparée pour la répétition.