Le programme périmé : pourquoi on ne peut pas enseigner en 2026 comme en 2025 — et ce que 1985 savait

Chaque éducateur que je connais a le classeur. Celui des plans de l’an dernier — la séquence qui a fonctionné, les activités qui ont fait mouche, les expériences d’apprentissage affinées année après année jusqu’à tourner comme une pièce bien répétée. Et chaque année, à peu près à cette date, nous ouvrons le classeur et posons la question la plus tentante de l’éducation : peut-on simplement le rejouer ?

Cette année, la réponse honnête est non. On ne peut pas enseigner en 2026 comme on a enseigné en 2025 — encore moins comme on enseignait en 2015. On ne peut pas distribuer le programme de 2025 et en attendre un apprentissage de 2026. Non pas que tout ce que nous savions soit soudain faux, mais parce que trois choses que chaque plan suppose en silence ont bougé en même temps : le contexte dans lequel vivent ceux qui apprennent, les apprenants eux-mêmes, et les outils qu’ils portent dans les mains. Un programme est un ensemble d’hypothèses posé sur un calendrier. Quand les hypothèses expirent, le calendrier est la seule chose qui tourne encore.

Sois précis avec moi sur la nature de cette affirmation. Ce n’est pas un résultat de recherche ; personne n’a mené l’étude sur la durée de vie d’un programme de cours. C’est une position de conception, énoncée depuis l’expérience — le même type de jugement qu’un architecte porte quand le sol bouge sous un bâtiment. Et elle vient avec un retournement que je trouve sincèrement porteur d’espoir : une partie de ce dont nous avons besoin pour 2026 n’est pas nouvelle du tout. C’était la pratique ordinaire de 1985, et nous l’avons perdue en chemin.

Trois hypothèses, toutes expirées

Le contexte a changé. Ce qui compte comme travail ordinaire — dans les bureaux, les studios, les cliniques, les rédactions — a été redessiné pendant que nos plans dormaient dans le classeur. Produire un premier jet, un résumé, une traduction, une image passable, un bout de code qui fonctionne : des tâches qui étaient des livrables sont devenues des points de départ. Une expérience d’apprentissage qui entraîne quelqu’un à produire ce que le monde autour traite déjà comme un point de départ le prépare à un poste de travail qui a fermé.

Ceux qui apprennent ont changé. L’apprenant qui entre cette année n’a pas découvert l’IA conversationnelle dans ta classe, et il ne te demandera pas la permission de l’utiliser. La question « vont-ils l’utiliser ? » s’est réglée ailleurs, il y a un moment, sans nous dans la pièce. La question vivante — la seule qui reste à notre portée — est de savoir s’ils vont apprendre en l’utilisant, et cela se décide presque entièrement dans la conception de l’activité qu’ils ont devant eux.

Les outils ont changé — de nature, pas seulement de degré. L’inquiétude de 2015, c’était le copier-coller : du texte statique pris sur Internet, identique pour tous, trouvable par n’importe qui. La réalité de 2026 est générative : celui qui apprend peut produire aujourd’hui, en quelques secondes, un artefact qui n’a jamais existé — personnalisé, unique, plausible. Ce qui signifie quelque chose de silencieusement énorme pour quiconque conçoit de l’apprentissage : le livrable a cessé d’être une preuve d’apprentissage. Une dissertation propre, un graphique à l’air juste, une présentation soignée — chacun prouve qu’un artefact a été produit. Aucun ne prouve que l’apprenant a rencontré le sujet en chemin.

Rien de tout cela n’est une raison de paniquer, et rien de tout cela n’est un argument pour interdire quoi que ce soit. C’est une raison de reconcevoir. Et la refonte a une boussole bien plus vieille que le Web.

Ce que 1985 savait

Dans Les cartes que nous avons copiées, j’ai raconté l’histoire du professeur de géographie qui nous envoyait recopier dans un livre la carte des chaînes de montagnes du pays. Il ne demandait pas des cartographes. La carte ne l’intéressait pas. Ce qu’il faisait — délibérément, qu’il ait eu ou non le vocabulaire pour le nommer — c’était nous faire interagir avec l’objet d’apprentissage : les sommets, les fleuves, la place de chaque chose par rapport aux autres. La carte était le médium. La géographie était la leçon.

Reste un instant avec ce devoir, parce qu’il porte trois décisions de conception que nous avons perdues sans bruit.

D’abord, l’artefact n’a jamais été l’enjeu, et tout le monde le savait. Personne ne nous notait sur la beauté de la carte ; la copie existait pour tenir notre attention sur la chose apprise, heure après heure. Ensuite, l’outil était déclaré et ne choquait personne. L’atlas était ouvert sur le pupitre, bien en vue, et personne n’a parlé de triche — parce que le devoir était conçu pour que l’usage de l’outil exige encore de rencontrer le sujet. Enfin, la répétition n’était pas une insulte. Tracer, redessiner, corriger, légender encore : le devoir laissait de la place aux passages sans gloire dans la matière, ceux qui transforment le connu de vue en connaissance.

Et 1985 avait un second devoir, qui paraît encore pire aux yeux d’aujourd’hui : les cent problèmes d’algèbre laissés en devoirs pour le week-end. Ce n’était ni un manque de créativité, ni un culte de l’ennui par répétition naïve — l’argument complet de ce que ce volume faisait réellement est dans La pratique délibérée à grande échelle. C’était la manière du professeur de nous faire passer un temps significatif avec l’objet d’apprentissage — les équations : assez de temps pour apprendre. Les réponses étaient de toute façon imprimées à la fin du livre, et le professeur s’en moquait complètement. Ce qu’on attendait de nous, c’était le raisonnement — travailler la démarche et l’écrire, étape par étape, jusqu’à ce qu’arriver à la réponse soit la partie la moins intéressante de la page. Le processus avant le produit, déjà noté ainsi en 1985.

Un devoir conçu pour que produire la chose t’oblige à continuer de regarder la chose ; un outil visible plutôt que surveillé ; du temps — réel, répété — avec l’objet d’apprentissage. Voilà 1985. Chacune de ces décisions est exactement ce dont 2026 a besoin, et chacune nous a échappé au fil des décennies où le livrable est devenu facile.

Le principe de la refonte : du temps avec l’objet d’apprentissage

Voici donc le principe en entier, et je n’ai pas trouvé de question de refonte qui survive sans lui : reconstruis chaque activité d’apprentissage pour que celui qui apprend passe un temps significatif à interagir avec l’objet d’apprentissage.

Fais passer n’importe quelle activité de ton classeur par un seul test : pendant que le travail se fait, où vit réellement l’attention de l’apprenant — sur l’objet d’apprentissage, ou sur l’emballage du livrable ? En 2015, une dissertation sur les causes d’une guerre forçait l’attention à traverser la guerre : impossible d’écrire la dissertation sans passer par le sujet. En 2026, la même dissertation peut être produite sans que l’attention touche jamais le sujet. L’activité n’a pas empiré. Son hypothèse centrale — que fabriquer l’artefact exige de rencontrer l’objet — a expiré. La consigne de dissertation du classeur de 2025 n’est ni paresseuse ni cassée ; c’est simplement une clé pour une serrure qu’on a changée.

Une fois le principe accepté, chaque activité que tu reconçois tombe dans l’une de quatre familles. La plupart des institutions, d’après mon expérience, ne saisissent que la première et se demandent pourquoi leurs apprenants s’ennuient, ou que la seconde et se demandent pourquoi rien ne reste — pendant que la troisième et la quatrième, où les limites de la machine font elles-mêmes le travail pédagogique, restent inutilisées. Cet ensemble est le cœur de la façon dont nous travaillons avec les éducateurs sur la refonte, et chaque famille fait un travail que les autres ne peuvent pas faire.

Famille un : les activités que l’IA ne peut pas faire

Pas « à l’épreuve de l’IA » par surveillance — des activités dont la substance est simplement hors de portée de la machine, parce qu’elles se passent dans la pièce, dans le corps, dans l’instant. Expliquer ton raisonnement à voix haute devant quelqu’un qui peut t’interrompre et demander pourquoi. Défendre une décision que tu as prise et l’entendre contestée. Construire, mesurer, cultiver, observer quelque chose de physique et consigner ce qui s’est vraiment passé, pas ce qui aurait dû se passer. Un débat où le prochain coup de ton adversaire est inconnaissable. Placer les cinq plus hauts sommets sur un fond de carte vierge, de mémoire, tous les outils fermés. Interviewer une personne réelle et ressortir changé par une réponse que tu n’attendais pas.

Ces activités n’exigent presque rien : une pièce, une voix, une page blanche. Ce n’est pas une faiblesse ; c’est leur équité et leur force. La réponse parlée et la page blanche sont une technologie très ancienne, et elles font encore la seule chose qu’aucun outil génératif ne peut faire pour celui qui apprend — révéler, à l’apprenant et à tous les présents, ce qu’il y a réellement dans sa tête. Quand l’artefact ne peut plus prouver l’apprentissage, c’est dans ces activités que vit la preuve.

Famille deux : les activités qui exigent l’IA

La seconde famille est l’image dans le miroir, et c’est par elle qu’entre la joie : des activités impossibles — ou sans intérêt — sans IA. Bien conçues, elles utilisent la machine exactement pour ce qu’elle sait vraiment faire : produire des réponses personnalisées et uniques, si bien que deux apprenants ne tiennent jamais le même artefact ; permettre à celui qui apprend de tenter des choses qui étaient simplement hors de portée — plus ambitieuses, plus variées, plus siennes ; et rendre le travail honnêtement excitant, parce que voir ton idée prendre une forme que tu n’aurais jamais pu produire seul est excitant, et prétendre le contraire ne nous rapporte rien.

La contrainte de conception qui garde cette famille honnête est celle-là même du professeur de la carte : la consigne doit exiger un engagement avec l’objet d’apprentissage, et une réponse générique doit être insuffisante par conception. L’IA génère ; l’apprenant audite le résultat contre des sources, attrape le plausible-mais-faux, le corrige, et itère jusqu’à ce que le résultat satisfasse les preuves — pas le modèle. Chaque « non, c’est faux, corrige » est un passage de plus dans le sujet. L’outil amplifie ce que celui qui apprend peut tenter ; la conception garantit qu’il rencontre le sujet en chemin.

Famille trois : les activités où l’IA va probablement échouer — et l’apprenant intervient

Voici la partie qu’il faut dire avec un sourire : en 2026, nous avons encore de la chance, parce qu’il y a énormément de choses que l’IA fait mal. Elle hallucine, elle échoue à représenter les choses adéquatement, elle échoue à accomplir efficacement ce qu’on lui a demandé — et chacun de ces défauts est un cadeau pour qui conçoit des expériences d’apprentissage. La troisième famille se construit exactement sur cette chance — des activités pointées délibérément sur ce que la machine ne fait pas encore bien, de sorte que l’apprenant n’ait plus le choix : il doit intervenir directement — identifier la limite, l’adresser, la résoudre , valider le résultat contre quelque chose de réel, et itérer jusqu’à un résultat réellement bon. La faiblesse de la machine devient le travail de l’apprenant, et ce travail est exactement là où vit l’apprentissage.

Reprends le devoir du selfie de l’essai des cartes et lis-le comme une chasse aux défauts : crée un selfie de toi au sommet de chacun des dix plus hauts pics du pays. Pas difficile à première vue — un prompt, dix images, fini avant la récréation. Mais exige maintenant que chaque photo tienne : une végétation adéquate à cette altitude, un horizon correct, la mer ou la vallée ou la ville qu’on voit vraiment de là-haut effectivement visible en bas, des vêtements adaptés à la température réelle du vrai sommet. Soudain, dix images faciles deviennent dix audits — et l’auditeur doit connaître la géographie. L’IA fait le rendu ; l’apprenant apporte tout ce qu’on ne peut pas confier à l’IA. C’est le gabarit de toute la famille.

Un catalogue de travail des défauts utiles

Voici les défauts, imprécisions et limites vers lesquels je me tourne d’abord quand je conçois une tâche autour de l’IA — chacun présent de façon fiable aujourd’hui, et chacun convertible en travail que l’apprenant doit faire en personne. (Le catalogue est périssable par nature : les modèles s’améliorent, et des défauts précis disparaîtront. Le geste de conception, lui, ne périme pas — trouve où le modèle échoue sur ton sujet cette année, et construis l’activité sur ce point exact.)

• L’hallucination assurée de faits. Dates, noms, chiffres et événements inventés, livrés avec une assurance totale. Elle force la vérification contre des sources que l’apprenant doit nommer — et chaque erreur attrapée contre une source est du savoir du domaine gagné.
• Les citations et références inventées. Des livres, articles et études qui n’existent pas, ou qui existent et disent autre chose. Elles forcent le détour par le catalogue, la bibliothèque ou le texte original.
• L’arithmétique plausible mais fausse. Des calculs en plusieurs étapes avec des erreurs fluides et intermittentes. Elle force la vérification à la main — le calcul comme discernement, pas comme foi.
• Le lissage de sources en conflit en une seule histoire propre. Là où les récits divergent, le modèle les moyenne en une « vérité » unique et sans friction. Il force à lire les vraies sources côte à côte et à arbitrer le désaccord.
• Aucune connaissance locale ou vivante. Le modèle n’a jamais mis les pieds dans ta classe, au marché de ton quartier ni dans le salon de la personne que tu interviewes. Il force à recueillir de l’information réelle — prix, mesures, témoignages — qu’aucun prompt ne peut remplacer.
• Le remplissage stéréotypé des vides. Ce que le modèle ne sait pas, il le comble avec la moyenne plausible — le quartier générique, l’école générique, la famille générique. Il force à confronter le résultat avec la réalité que l’apprenant, lui, peut observer.
• Les anachronismes et le détail inventé dans le matériel historique. Des costumes, objets et scènes qui ont l’air justes et sont faux. Ils forcent la vérification date par date, image par image, contre des sources d’époque.
• Les images géographiquement invraisemblables. Une végétation qui ne correspond pas à l’altitude, de la neige sur des pics tropicaux, des horizons et des côtes impossibles depuis ce point de vue. Elles forcent à connaître le lieu réel assez bien pour attraper le faux — l’audit du selfie ci-dessus.
• Les espèces, lieux et détails inventés. Des écosystèmes peuplés d’organismes qui n’y vivent pas, ou n’existent pas. Ils forcent la vérification espèce par espèce contre une source autorisée.
• Les consignes ignorées ou réinterprétées. Demande cinq choses et reçois-en quatre, dont une changée. Elles forcent à auditer le résultat contre l’instruction elle-même — lire sa propre spécification assez attentivement pour la faire respecter.
• L’incohérence entre itérations. Des détails qui dérivent silencieusement d’une version à l’autre — le visage d’un personnage, une valeur, une prémisse. Elle force l’apprenant à tenir le canon de son propre travail et à le défendre face à l’outil.
• Donner raison à une prémisse fausse. Nourris le modèle d’un présupposé erroné et il construira souvent serviablement par-dessus. Il force à mettre les affirmations à l’épreuve plutôt qu’à collectionner des confirmations — y compris semer des erreurs délibérées et voir qui les attrape.

Remarque ce que chaque entrée a en commun : le défaut ne fait rien tout seul. Il ne devient pédagogie que lorsque la consigne exige que le résultat survive à un audit que l’IA ne peut pas réaliser — c’est pourquoi, dans le cadre de rédaction du Challenge, chaque énoncé doit déclarer son point de friction : l’endroit où l’IA échouera, de manière prévisible, avant même que la première équipe s’asseye. Le point de friction n’est pas un obstacle dans le plan de cours. Il est le plan de cours.

Et un tampon de date, parce que cet essai doit pratiquer ce qu’il prêche : ce catalogue est celui de 2026. En 2027, il faudra le revisiter — beaucoup de ces défauts auront très probablement été corrigés, et il nous faudra trouver de nouvelles manières de garantir que l’IA soit utilisée de sorte que l’apprenant s’engage toujours avec l’objet d’apprentissage, et que sa créativité continue de se développer. La péremption qui a ouvert cet essai s’applique aussi à l’essai.

Famille quatre : les activités post-IA — traiter le résultat, l’IA éteinte

La quatrième famille commence là où la génération s’arrête. L’IA a produit son texte, son image, son plan — et maintenant les écrans se ferment. Ce qui suit est un travail délibérément sans IA sur le résultat de l’IA, parce que c’est ici que ce que la machine a produit devient ce que l’apprenant sait. Sans cette famille, les trois autres fuient : l’artefact reste dans la session de chat et ne passe jamais dans la personne.

Des consignes précises qui fonctionnent — toutes avec l’outil éteint :

• Imprime-le et annote-le à la main. Chaque affirmation reçoit une marque : vérifiée (contre quelle source ?), non vérifiée, ou fausse — avec la correction écrite en marge.
• Classe trois résultats et défends le classement. Génère trois réponses candidates à l’avance ; le travail post-IA consiste à choisir la meilleure et à écrire pourquoi — les critères d’abord, le verdict ensuite.
• Réécris-le avec tes mots pour un public nommé. Le registre de l’IA n’est celui de personne ; le traduire pour ta petite sœur, ton maire ou tes camarades force à s’approprier chaque idée.
• Reconstruis le raisonnement. Prends la réponse et remonte sur papier : que faudrait-il pour que ce soit juste ? Quelles étapes peux-tu vraiment justifier, et lesquelles acceptes-tu de confiance ?
• Localise-le. Le résultat décrit le cas générique ; adapte-le, sur papier, à ta classe, ton quartier, tes données — et note chaque endroit où la version générique aurait échoué.
• Explique-le à voix haute et prends les questions. Le plus vieux post-traitement qui soit — et le pont de retour vers la famille un : si tu ne peux pas le défendre sans l’outil, le travail n’est pas encore le tien.

Quatre familles, un seul test : un temps significatif avec l’objet d’apprentissage. La première famille protège le temps ; la deuxième le rend irrésistible ; la troisième fait des faiblesses de la machine le programme ; la quatrième garantit que ce que la machine a produit devienne ce que l’apprenant sait.

À quoi ça ressemble quand ça tourne

Ce n’est pas une expérience de pensée pour nous. Le aiLearning Challenge est cet argument construit en événement, sur notre méthodologie Smoother, et ses décisions de conception se lisent comme la liste de contrôle de tout ce qui précède. Les consignes sont écrites pour qu’une réponse générique d’IA soit insuffisante par conception — une solution qui se lirait à l’identique dans n’importe quel pays se retrouve au bas de l’échelle, parce qu’elle ne prouve aucun contact avec le contexte réel. L’évaluation pèse le processus plus lourd que le produit, parce qu’un bel artefact peut cacher un processus d’apprentissage vide. L’itération se lit comme une preuve au lieu de se cacher comme une honte — la trace des versions, les échecs, les adaptations font partie de ce que les juges regardent. Et la porte finale est une défense en direct, sans IA dans la pièce : la famille un, refermant ce que la famille deux a ouvert.

Remarque comment l’événement parcourt les quatre familles : il exige l’IA pour un travail ambitieux, créatif et personnalisé qu’aucun participant ne pourrait produire seul (famille deux) ; ses énoncés portent un point de friction déclaré où l’IA échouera de manière prévisible et où l’équipe doit intervenir et valider (famille trois) ; les audits, le registre de création et la trace des versions sont du post-traitement du résultat de la machine, propriété de l’équipe (famille quatre) ; et il se termine par la seule chose que l’IA ne peut pas faire — une personne, debout dans une salle, qui explique et défend ce qu’elle sait désormais (famille un). Aucune des quatre ne fonctionne sans les autres. Ce n’est pas un compromis entre enthousiasme et prudence. C’est la conception.

Change le classeur, pas tout

Je ne demande à personne de brûler le classeur. L’essentiel de ce qu’il contient — les relations, l’instinct des séquences, le flair durement gagné sur les endroits où l’apprenant bute — est exactement l’expertise dont la refonte a besoin. La demande est plus petite et plus tranchante : cette année, refuse de rejouer le plan de 2025 par inertie. Prends les activités où, si tu es honnête, l’attention de celui qui apprend n’a plus à passer par l’objet d’apprentissage — et déplace chacune vers une famille : quelque chose que l’IA ne peut pas faire ; quelque chose qui exige l’IA, conçu pour que la réponse générique échoue ; quelque chose pointé sur un défaut où l’IA va trébucher et où l’apprenant doit intervenir et valider ; ou quelque chose de post-IA, où le résultat est traité, corrigé et approprié avec l’outil éteint. Une activité à la fois suffit ; le classeur se compose.

Et ce n’est pas seulement une conversation d’éducateurs. Les familles affrontent les mêmes hypothèses expirées à la maison, et j’ai fait le même argument aux parents — en espagnol — sur Papás Academy : No prepares 2026 como preparaste 2025. Même thèse, de l’autre côté de la table de la cuisine.

Le classeur de 2025 n’est pas faux. Il est périmé. Et la solution n’est pas une technologie plus récente — c’est une question plus ancienne, celle à laquelle le professeur de la carte a répondu en 1985 sans qu’on la lui pose jamais : d’où viendra le temps de l’apprenant avec l’objet d’apprentissage ? Conçois chaque activité autour de cette réponse, et l’année se charge du reste.

Cet essai énonce ma position de conception et ma conviction professionnelle, présentées comme les miennes — le cadre de la péremption annuelle et la taxonomie des quatre familles sont des jugements issus de la pratique, pas des résultats de recherche. Le devoir de la carte et les preuves qui l’entourent sont exposés, avec sources, dans Les cartes que nous avons copiées ; la conception du Challenge est documentée sur /challenge/. — Carlos Miranda Levy

Quatre perspectives