IA et mathématiques en 2026 : démonstrations inédites, percées scientifiques et révolution de l’enseignement
En bref. En deux ans, l’intelligence artificielle est passée de la résolution d’exercices à la production de démonstrations de niveau olympique et à l’assistance de chercheurs. Mais réussir une preuve, formaliser un théorème et faire apprendre une classe sont trois problèmes différents. Les avancées récentes nous invitent moins à supprimer le cours de mathématiques qu’à changer ce que nous demandons aux élèves : chercher, conjecturer, justifier, vérifier, discuter et réinvestir un raisonnement sans dépendre de la machine.
Une copie parfaite… mais personne ne sait encore ce que l’élève a compris
Scène fictive, dans un lycée français. Un lundi matin, Claire, professeure de mathématiques, rend un devoir sur les équations. Hugo, qui butait encore vendredi sur la distributivité, a remis une résolution impeccable : équations alignées, justification à chaque ligne, vérification finale. Elle le félicite, puis lui demande pourquoi il a distribué le coefficient devant la parenthèse. Silence. Hugo reconnaît avoir demandé à une IA de « tout expliquer correctement ».
La question qui traverse aujourd’hui les salles de classe n’est donc plus « une machine sait-elle faire des mathématiques ? ». Pour une gamme croissante de problèmes, la réponse est oui. La question devient : comment savoir si la personne qui présente le résultat est désormais capable de raisonner ?
Cette interrogation surgit au moment où l’actualité scientifique s’accélère fortement. Les systèmes d’IA participent à des concours réservés aux meilleurs jeunes mathématiciens, expérimentent la recherche de nouvelles preuves et commencent à transformer les pratiques des laboratoires. Pourtant, un saut de performance d’un modèle ne correspond pas automatiquement à un progrès dans les apprentissages humains.
2024–2026 : les avancées récentes de l’IA en mathématiques
2024 : AlphaProof et AlphaGeometry atteignent le niveau d’une médaille d’argent
En juillet 2024, Google DeepMind présente une association de deux systèmes, AlphaProof et AlphaGeometry 2, capables de résoudre quatre des six problèmes des Olympiades internationales de mathématiques (IMO). Le score de 28 points sur 42 correspond au niveau d’une médaille d’argent. AlphaProof travaille avec la preuve formelle, notamment dans le langage Lean ; AlphaGeometry combine apprentissage automatique et traitement symbolique spécialisé en géométrie.
La nuance méthodologique importe : des humains ont traduit les énoncés vers des langages formels, et certaines résolutions ont mobilisé plusieurs jours de calcul. C’est une avancée majeure, mais non l’équivalent d’un élève lisant seul le sujet, réfléchissant pendant une épreuve et rédigeant une copie en langage courant.
Source primaire : Google DeepMind, 25 juillet 2024, « AI achieves silver-medal standard solving IMO problems ».
2025 : Gemini Deep Think atteint le niveau de l’or olympique
Le 21 juillet 2025, Google DeepMind annonce qu’une version avancée de Gemini Deep Think a obtenu 35 points sur 42, avec cinq problèmes entièrement résolus sur six lors de l’IMO 2025. Cette fois, les solutions sont rédigées à partir des énoncés en langage naturel dans le temps réglementaire ; elles ont été évaluées par des coordinateurs de l’IMO.
La distinction entre niveau de médaille d’or et médaille effectivement attribuée à un concurrent humain est essentielle. Il s’agit de la performance d’un système évalué sur les problèmes du concours, pas d’une participation ordinaire d’élève inscrit dans un palmarès national.
Il faut aussi garder la bonne échelle : l’IMO rassemble des candidats exceptionnellement sélectionnés et entraînés. Ses problèmes mesurent un type de raisonnement mathématique complexe, non l’ensemble des compétences nécessaires pour apprendre les fractions en sixième ou développer le sens des nombres à l’école primaire.
Source : Google DeepMind, 21 juillet 2025, résultats IMO 2025.
Février 2026 : l’IA devient une partenaire de recherche
Le 11 février 2026, Google DeepMind présente une nouvelle étape avec Gemini Deep Think et l’agent de recherche mathématique Aletheia. L’ambition n’est plus seulement de résoudre un exercice compétitif : l’outil aide à produire, examiner et réviser des raisonnements portant sur des questions de niveau recherche. L’entreprise indique notamment des résultats sur IMO-ProofBench Advanced, tout en présentant d’autres mesures internes.
Ces chiffres ne doivent pas être lus comme des taux universels de vérité. Les benchmarks dépendent de la définition des tâches, des conditions expérimentales et des méthodes de vérification. Ils montrent la direction du progrès ; ils ne remplacent pas l’examen indépendant de chaque théorème.
Source : Google DeepMind, 11 février 2026, « Accelerating Mathematical and Scientific Discovery ».
Septembre 2026 : formaliser Fermat n’est pas découvrir Fermat
Le 7 septembre 2026, la revue Nature rapporte qu’un prototype de Claude, développé par Anthropic, a contribué à produire une formalisation informatique du dernier théorème de Fermat, sous la forme d’un développement contrôlable par ordinateur d’environ 13 millions de lignes, réalisé en onze jours selon le reportage.
Le théorème n’a pas été découvert par l’IA : Andrew Wiles en avait établi la démonstration dans les années 1990. L’apport porte sur la traduction du raisonnement mathématique vers un environnement où ses étapes peuvent être contrôlées formellement. Découvrir, démontrer, formaliser et vérifier sont des activités différentes. Les enseignants gagneront à faire comprendre cette distinction aux élèves.
Source : Nature, 7 septembre 2026, « Anthropic AI ‘formalizes’ proof of Fermat’s last theorem ».
Octobre 2026 : les annonces sur des centaines de résultats déclenchent un débat scientifique
Le 6 octobre 2026, OpenAI publie un ensemble de résultats mathématiques produits par un modèle interne avancé. L’entreprise met à disposition des textes et certaines formalisations en Lean, décrit des informations méthodologiques et annonce vouloir améliorer ses pratiques de partage avec la communauté scientifique. Des médias ont décrit un ensemble de 372 groupes de résultats.
L’événement est important pour deux raisons opposées. D’un côté, la capacité d’un modèle à explorer une grande quantité de problèmes pourrait accélérer la recherche. De l’autre, publier des centaines de propositions impose un travail considérable de lecture, d’attribution, de vérification et de contextualisation par des mathématiciens indépendants.
Il serait scientifiquement inexact d’écrire que « l’IA vient de résoudre définitivement 372 grands problèmes mathématiques » : une annonce, un manuscrit, une preuve formalisée et un résultat accepté par la communauté n’ont pas le même statut. Même un contrôle informatique de cohérence n’établit pas à lui seul l’importance, la nouveauté ou la bonne formulation d’un théorème. Les controverses d’octobre illustrent la nécessité de la transparence et de l’évaluation.
Sources : OpenAI, communiqué du 6 octobre 2026 ; The Washington Post, 7 octobre 2026 ; The Verge, analyse critique d’octobre 2026.
Ce que ces percées prouvent — et ce qu’elles ne prouvent pas
Ces événements montrent une progression spectaculaire des capacités de calcul symbolique, de recherche heuristique, de manipulation d’énoncés et de génération de preuves. Ils rendent plausible un avenir où l’IA assistera davantage les chercheurs dans l’exploration de problèmes et la vérification de résultats.
En revanche, on ne peut pas conclure qu’une IA ayant le niveau d’une olympiade peut remplacer un professeur de mathématiques. Savoir résoudre un problème et savoir construire les capacités d’un débutant à le résoudre sont deux expertises distinctes. Une solution parfaite n’identifie pas automatiquement la représentation mentale erronée d’un élève, sa peur de l’erreur, l’origine d’une confusion ou la manière de retirer progressivement l’aide.
Les systèmes peuvent aussi proposer une démonstration séduisante mais fausse, attribuer à tort un résultat, omettre une hypothèse ou masquer une étape décisive. Les vérifier demande précisément les compétences que l’école doit enseigner : contrôler une implication, construire un contre-exemple, évaluer la plausibilité et expliciter une justification.
Quel impact sur l’enseignement des mathématiques ?
1. La réponse correcte ne peut plus être le seul indicateur de réussite
Autrefois, une copie propre pouvait laisser supposer une maîtrise suffisante. Désormais, une réponse peut être obtenue en quelques secondes, sans compréhension réelle. L’évaluation doit donc reconnaître plusieurs dimensions : le résultat, la stratégie, la justification, la capacité de corriger une erreur et le transfert vers un problème inédit.
Prenons une équation : 2(x - 3) = x + 5. L’élève et l’IA donnent x = 11. Pour mesurer la compréhension, l’enseignant peut demander : « Pourquoi distribues-tu le 2 aux deux termes ? », « Comment contrôles-tu ta réponse ? », « Que deviendrait la solution si le second membre était x + 7 ? » ou « Quelle erreur commet-on en écrivant 2x - 3 ? ».
Une réponse juste suivie d’une incapacité à expliquer n’est pas nécessairement de la fraude ; c’est un signal pédagogique qui indique ce qu’il faut encore faire apprendre.
2. La démonstration doit devenir un objet central, à tout âge
En primaire, justifier peut signifier montrer avec des cubes pourquoi deux additions donnent le même total. Au collège, cela peut signifier expliquer la conservation de l’égalité lors d’une transformation. Au lycée, construire un raisonnement par l’absurde ou identifier les conditions d’application d’un théorème. À l’université, cela passe par la précision des définitions et la validité de chaque implication.
L’IA rend plus urgente la culture de la preuve. Mais elle ne signifie pas que tous les élèves doivent devenir formalistes ou apprendre Lean. L’essentiel est de développer une habitude : ne jamais confondre autorité apparente et preuve examinée.
3. Le sens des nombres, le calcul mental et les automatismes restent fondamentaux
Quand un outil réalise une opération, la tentation est forte de négliger les bases. Pourtant, comment détecter une réponse absurde si l’on ne sait pas estimer un ordre de grandeur ? Comment reconnaître qu’une aire doit être exprimée en unités carrées si l’on ne distingue pas longueur et surface ?
Un adolescent qui sait estimer mentalement 19 × 21 proche de 400 est mieux armé pour repérer un résultat incohérent. L’IA ne rend donc pas inutiles les savoirs de base : elle accroît leur rôle de contrôle de plausibilité. Les automatismes libèrent également de l’attention pour les problèmes plus complexes.
4. Les devoirs à la maison doivent être repensés
Les devoirs classiques, fondés uniquement sur la restitution de dix calculs standard, sont faciles à sous-traiter à la machine. Interdire toute technologie à domicile est difficile à faire respecter ; permettre tous les usages sans règles peut installer une dépendance.
Une voie plus réaliste consiste à distinguer trois catégories : les tâches à accomplir personnellement et sans assistance, celles où l’IA peut fournir une question ou un indice, et celles où l’on analyse délibérément une réponse produite par l’IA. Le contrat d’utilisation doit être explicite, adapté à l’âge, cohérent avec les règles de l’établissement et assorti d’un bref contrôle individuel sans outil.
5. La différenciation est facilitée, pas automatisée
Un enseignant peut demander à une IA de proposer plusieurs versions d’un exercice sur la proportionnalité, de varier un contexte ou de produire une liste de contre-exemples. Cela peut réduire certains travaux de préparation. Mais le choix de la difficulté, du vocabulaire, du dosage des aides et de la progression reste pédagogique.
Une série d’exercices « personnalisés » au hasard peut accroître la charge cognitive ou répéter une erreur de raisonnement. L’adaptation utile exige de partir des difficultés réellement observées, pas de l’apparence d’un contenu individualisé.
Que disent les recherches sur l’IA comme tuteur de mathématiques ?
La grande distinction est celle entre performance avec l’outil et apprentissage conservé lorsque l’outil disparaît. L’OCDE, dans son Digital Education Outlook 2026 publié le 19 janvier 2026, relève que l’IA générative peut soutenir les apprentissages lorsqu’elle est encadrée par des principes pédagogiques précis. À l’inverse, une délégation trop importante des tâches cognitives peut améliorer le devoir rendu sans produire de progrès durable, voire aggraver certaines performances lorsqu’on retire l’assistance.
Ce constat est beaucoup plus utile à un enseignant que la question spectaculaire du nombre de théorèmes démontrés par un modèle. Il suggère qu’un usage constructif de l’IA doit faire travailler l’élève, plutôt que travailler à sa place.
Source : OCDE, Digital Education Outlook 2026.
Une synthèse publiée le 17 février 2026 par le National Student Support Accelerator de Stanford décrit deux essais randomisés sur le tutorat en mathématiques. Dans une étude portant sur 165 adolescents de 13 à 15 ans, un système conversationnel a été comparé à d’autres formes d’aide au sein de séances encadrées. Dans une autre, portant sur environ 1 000 élèves du primaire, une assistance IA proposée aux tuteurs humains a été associée à un gain de quatre points de pourcentage sur la maîtrise des thèmes abordés.
Ces résultats sont prometteurs, mais ne prouvent pas qu’un chatbot seul, laissé en autonomie à tous les enfants, serait supérieur à un professeur. Ils décrivent des dispositifs précis, des populations déterminées et des mesures particulières. Leur point commun : l’IA est plus crédible lorsqu’elle s’insère dans une interaction pédagogique structurée.
Source : Stanford NSSA, « Two Emerging Strategies for Using AI in Tutoring », 17 février 2026.
Une méthode concrète : la séance de maths « réfléchir, confronter, prouver »
Voici une séance de 55 minutes adaptable au collège ou au lycée. Elle ne nécessite pas que tous les élèves disposent d’un compte IA. L’enseignant peut projeter une réponse d’IA préalablement contrôlée et proposer les mêmes échanges sur papier.
Étape 1 — Un vrai problème, sans écran (10 minutes)
Présenter une tâche dont la solution ne se réduit pas à un calcul mécanique. Par exemple : « Un rectangle a un périmètre de 30 cm. Quelles dimensions lui donnent la plus grande aire ? » Ajuster le niveau selon la classe. Chaque élève note une hypothèse, une justification et une difficulté rencontrée.
L’objectif n’est pas de prendre les élèves en défaut. C’est d’obtenir une trace de leur raisonnement avant toute aide extérieure.
Étape 2 — Comparer deux démarches humaines (10 minutes)
En binôme, les élèves confrontent leurs approches. L’un fait un tableau de valeurs, l’autre propose un dessin, un troisième commence une expression algébrique. Le professeur demande : « Quels cas avez-vous testés ? Pourquoi votre résultat pourrait-il être maximal ? »
Cette phase protège une ressource précieuse : les élèves découvrent qu’ils sont déjà capables de penser ensemble.
Étape 3 — Faire intervenir l’IA comme contradicteur (10 minutes)
Afficher une proposition d’IA, correcte ou volontairement imparfaite mais clairement présentée comme matière à vérification. Les élèves cherchent ce qui manque : une hypothèse, une justification ou un cas limite. Ils ont le droit d’interroger le système, mais pas de lui demander de rédiger la copie finale.
Le professeur rappelle qu’un raisonnement mathématique n’est pas vrai parce qu’il est rédigé avec assurance.
Étape 4 — Construire une preuve collective (10 minutes)
La classe reformule une justification rigoureuse, adaptée à son niveau. Pour ce rectangle, on peut montrer graphiquement ou algébriquement pourquoi un carré de côtés 7,5 cm maximise l’aire parmi les rectangles de périmètre fixé à 30 cm. L’enseignant vérifie que les élèves comprennent la relation entre somme des côtés, variation des dimensions et aire.
Étape 5 — Retirer l’outil et transférer (10 minutes)
Nouvelle question, sans IA : « Et si le périmètre était de 40 cm ? » ou « Peut-on appliquer le même raisonnement à un autre problème d’optimisation ? » Chaque élève répond personnellement.
C’est ici que l’on observe si l’aide a accru la compétence ou seulement amélioré le premier produit.
Étape 6 — Retour métacognitif (5 minutes)
Terminer par trois questions écrites : « Qu’ai-je compris aujourd’hui ? », « Quelle affirmation ai-je dû vérifier ? », « Quelle stratégie pourrais-je réutiliser sans aide ? ». Ces réponses courtes orientent la prochaine séance.
Cinq usages utiles de l’IA pour un professeur de mathématiques
Préparer des contre-exemples. Demander à l’IA trois erreurs plausibles sur les fractions, puis sélectionner et corriger manuellement celles qui correspondent aux obstacles de la classe.
Varier des exercices sans varier l’objectif. Générer plusieurs contextes d’une même compétence, en conservant la complexité essentielle et en vérifiant les données.
Créer une discussion de preuve. Proposer deux démonstrations, dont une comporte une hypothèse cachée, pour entraîner les élèves à argumenter.
Préparer un feedback sous forme de question. Au lieu d’écrire « faux », demander « quelle propriété autorise ton passage de cette ligne à la suivante ? », sans saisir de données personnelles d’élèves dans un outil non autorisé.
Concevoir des tâches de transfert. Produire un exercice nouveau qui demande la même idée mathématique mais évite le simple copier-coller de la méthode précédente.
L’enseignant demeure responsable de l’exactitude des solutions, des choix pédagogiques et de la protection des données.
Trois prompts pédagogiques qui n’offrent pas la solution trop tôt
Prompt 1 — Tuteur socratique : « Je travaille une équation du premier degré. Ne donne pas la solution. Pose-moi une seule question à la fois pour m’aider à identifier ma prochaine étape. Demande toujours pourquoi ma transformation conserve l’égalité. »
Prompt 2 — Détecteur d’erreur : « Voici mon raisonnement. Repère la première étape qui mérite vérification, sans la corriger immédiatement. Demande-moi de tester ma démarche avec une valeur numérique ou de justifier la propriété utilisée. »
Prompt 3 — Entraînement au transfert : « Propose-moi un nouvel exercice de même compétence, mais dans un contexte différent. Attends ma tentative complète avant de me donner un retour. Puis demande-moi d’expliquer la stratégie que j’ai utilisée. »
Ces formulations orientent un système conversationnel, mais ne garantissent ni son exactitude ni son respect permanent des consignes. Elles doivent être utilisées sous un encadrement adapté.
Comment évaluer les mathématiques à l’ère de l’IA ?
Plutôt que de chercher uniquement des indices de recours à un chatbot, on peut diversifier les preuves d’apprentissage. Une évaluation équilibrée combine la production personnelle sans IA, une explication orale brève, l’analyse d’une solution erronée, et un problème de transfert.
Une grille simple peut considérer quatre critères notés de 0 à 3 : compréhension des notions ; validité des étapes ; capacité de vérification ; autonomie face à un problème nouveau. Le total n’est pas une mesure scientifique standardisée : c’est un outil pédagogique de discussion et de suivi. L’élève doit connaître les critères à l’avance.
Il faut aussi éviter une injustice : tous les élèves n’ont pas un accès identique à un équipement, à une connexion ou à une version payante d’un modèle. Les modalités d’évaluation ne doivent pas récompenser implicitement l’abonnement le plus puissant. Prévoir un accès encadré au sein de l’établissement, des activités sans écran et des alternatives équivalentes.
Pourquoi le rôle du professeur de mathématiques se renforce
Plus une machine produit facilement une solution, plus la valeur pédagogique de l’enseignant se déplace vers des actions humaines : repérer une confusion avant qu’elle ne s’enracine, sécuriser la possibilité de se tromper, construire une progression, stimuler le langage mathématique, faire dialoguer les stratégies et aider l’élève à reconnaître son propre progrès.
Il serait excessif de prétendre que l’explication professorale disparaît. Un bon exposé reste parfois nécessaire et particulièrement efficace pour introduire une notion complexe. Ce qui change est la place relative de cette explication : elle n’est plus une preuve suffisante que l’apprentissage a eu lieu.
La recommandation de l’UNESCO en faveur d’une approche centrée sur l’humain, attentive à l’âge, aux données personnelles et au contrôle pédagogique, demeure déterminante. L’institution insiste sur la validation éthique et éducative des outils, plutôt que sur leur introduction automatique.
Source : UNESCO, Guidance for generative AI in education and research.
De l’enseignant transmetteur à l’Enseignant Coach : la réponse proposée par Learning Coach
Le Coaching d’Apprentissage défendu par Learning Coach propose un changement de question. Au lieu de s’arrêter à « L’élève possède-t-il la bonne réponse ? », l’enseignant cherche à savoir : « Comment a-t-il procédé ? Qu’a-t-il compris ? Comment pourra-t-il recommencer seul ? »
Cette approche rejoint une composante centrale de la posture du coach présentée dans le parcours Learning Coach : définir un objectif, soutenir la prise de conscience, mobiliser les ressources de l’apprenant et viser son autonomie plutôt que faire à sa place. Appliqué aux mathématiques, ce principe conduit à utiliser l’IA comme une ressource externe provisoire, jamais comme le détenteur exclusif du raisonnement.
La spécialité Enseignant Coach est présentée pour des professionnels souhaitant intégrer questionnement, feedback, engagement et autonomie dans leur classe ou leur tutorat. Il ne s’agit pas d’affirmer que cette formation enseigne un logiciel particulier ou garantit des gains mesurés : l’application détaillée à l’IA dans cet article constitue une proposition pédagogique.
Découvrez le Coaching d’Apprentissage et les spécialités de formation Learning Coach.
Les trois décisions à prendre dès maintenant dans un établissement
D’abord, former les enseignants à vérifier les productions de l’IA. Une compétence de base consiste à distinguer réponse plausible, preuve suffisante et résultat correctement établi. Le dispositif de formation doit associer culture numérique et didactique des mathématiques.
Ensuite, adopter des règles lisibles pour les élèves. Sur chaque activité, préciser si l’IA est interdite, autorisée pour un indice ou mobilisée comme objet d’analyse. Protéger la vie privée et respecter la politique de l’établissement.
Enfin, mesurer ce qui reste après le retrait de l’outil. Un mini-test différé sans assistance, une explication orale et une tâche de transfert sont de meilleurs repères pour l’apprentissage que la seule qualité d’un devoir généré.
Questions fréquentes
L’IA est-elle devenue meilleure que les meilleurs mathématiciens ?
Elle a atteint des performances remarquables sur certaines épreuves d’olympiade et participe à des travaux de recherche. Mais il n’existe pas une mesure unique qui permette d’affirmer qu’un système dépasse tous les mathématiciens dans toutes leurs activités. La découverte originale, l’évaluation des preuves et le choix des questions pertinentes restent des dimensions distinctes.
L’IA peut-elle démontrer un théorème ?
Oui, dans certains cas. Elle peut produire des raisonnements en langage naturel ou contribuer à des preuves formelles vérifiées par ordinateur. Cela n’implique pas que toute preuve générée soit correcte ni que toute annonce soit reconnue par la communauté scientifique.
Faut-il interdire ChatGPT en cours de mathématiques ?
Il n’existe pas de réponse unique pour tous les âges et les établissements. Une politique claire doit préserver des moments de recherche sans aide, autoriser des usages limités lorsqu’ils servent un objectif pédagogique et prévoir des évaluations réellement personnelles.
Comment éviter que l’élève copie directement la solution ?
Demandez une première tentative avant toute aide, privilégiez les indices plutôt que les réponses, vérifiez le raisonnement par une question orale et terminez par un exercice nouveau sans IA. L’objectif n’est pas seulement de contrôler le comportement : c’est d’entraîner l’autonomie.
Quels enseignants sont concernés ?
Tous ceux qui font travailler le raisonnement, du primaire à l’université. Les enjeux diffèrent selon l’âge : manipulation et sens du nombre chez les plus jeunes ; justification, modèle et transfert au collège et au lycée ; preuve et méthodologie de recherche dans le supérieur.
Les mathématiques ne disparaissent pas, leur apprentissage devient plus exigeant
En 2026, l’IA n’est plus seulement une calculatrice perfectionnée. Elle peut résoudre des problèmes très difficiles, contribuer à des preuves et participer à la recherche mathématique. Cette puissance oblige l’école à reconsidérer ses pratiques, mais non à renoncer à l’apprentissage des mathématiques.
L’erreur serait de croire que, parce que les réponses deviennent abondantes, la compréhension devient accessoire. C’est l’inverse. Un élève doit pouvoir se demander pourquoi une transformation est licite, repérer une hypothèse manquante, expliquer une stratégie, refaire une démarche sans assistance et reconnaître une erreur, y compris lorsque celle-ci émane d’une IA performante.
La bonne question pour l’école n’est donc pas : « Que peut résoudre la machine ? » mais : « Qu’est-ce que l’élève sera désormais capable de résoudre, d’expliquer et de vérifier par lui-même ? »
Sources et publications consultées
Google DeepMind — AlphaProof et AlphaGeometry, 25 juillet 2024
Google DeepMind — Recherche mathématique et Aletheia, 11 février 2026
Nature — Formalisation du théorème de Fermat, 7 septembre 2026
The Washington Post — Réactions aux annonces mathématiques, 7 octobre 2026
The Verge — Critiques et vérification des travaux, octobre 2026
Stanford NSSA — Deux essais sur le tutorat IA, 17 février 2026
Livres à lire ABSOLUMENT !
Cessez d’Enseigner, Commencez à Coacher — pour comprendre l’évolution de la fonction enseignante quand l’explication devient abondante.
L’Apprenant Autonome — pour apprendre à utiliser une intelligence externe sans renoncer à exercer la sienne.
Le Fabuleux Phénomène de l’Apprentissage — pour relier attention, mémoire, émotions et conditions d’apprentissage.
