Avec l'évolution de l'IA, l'adaptive learning peut tenir enfin ses promesses

Avec l'IA générative et agentique, l'adaptive learning devient enfin concret : diagnostic, personnalisation à grande échelle et inclusion pour la réussite de tous les étudiants.

L'intelligence artificielle occupe désormais une place centrale dans les débats sur l'avenir de l'enseignement supérieur. Pourtant, l'une de ses applications les plus prometteuses est longtemps restée l'une des moins concrètes : l'adaptive learning, qui mobilise l'IA et les données d'apprentissage pour ajuster en temps réel le niveau de difficulté, le rythme et les ressources proposées à chaque étudiant. Ce qui relevait hier de l'intention pédagogique devient aujourd'hui, grâce aux progrès rapides de l'IA générative et agentique, une réalité opérationnelle.

Une promesse ancienne, longtemps restée théorique

L'adaptive learning n'est pas une nouveauté : ses racines remontent aux premiers systèmes tutoriels intelligents des années 1970, avant de s'accélérer avec le numérique éducatif des années 2000. Contrairement aux dispositifs traditionnels, fondés sur une standardisation des contenus, il part d'un principe inverse : chaque apprenant progresse différemment, et c'est au dispositif de s'adapter à l'individu. Bien conçue, cette personnalisation favorise l'engagement, améliore la rétention des connaissances et optimise l'efficacité des parcours (Pane, Steiner, Baird, & Hamilton, 2015). Mais jusqu'à récemment, cette promesse restait largement théorique : les algorithmes existaient, les intentions pédagogiques aussi, sans que les deux ne se rencontrent réellement à grande échelle. Les États-Unis et les pays nordiques ont investi ce champ plus tôt ; l'enseignement supérieur français, lui, demeure encore en retrait.

Ce que change réellement l'IA générative et agentique

Le principal frein à l'adaptive learning a longtemps été la pauvreté des données disponibles. Les plateformes de gestion de l'apprentissage se limitaient à des indicateurs classiques, temps de connexion, notes, accès aux ressources, sans capturer les stratégies cognitives ni les états affectifs des étudiants. Privés de cette granularité, les algorithmes manquaient de repères pour calibrer leurs ajustements, et leurs effets restaient très dépendants des conditions de mise en œuvre pédagogique (Holmes, Bialik, & Fadel, 2019). L'arrivée de modèles génératifs, capables de comprendre le langage naturel, de dialoguer et de produire du contenu à la demande, change déjà la donne : il devient possible d'interagir finement avec chaque étudiant et de comprendre où il bute réellement. Mais c'est la dimension agentique qui franchit un cap supplémentaire : au-delà de la simple génération de contenu, ces systèmes peuvent désormais orchestrer eux-mêmes une séquence pédagogique complète, enchaîner diagnostic, exercice, correction et remédiation sans intervention humaine à chaque étape, mobiliser plusieurs outils en autonomie et ajuster leur stratégie en continu au fil des progrès observés. L'adaptive learning cesse ainsi d'être un simple moteur de recommandation pour devenir un véritable copilote pédagogique, capable d'agir et pas seulement de suggérer.

Un levier concret de réussite et d'inclusion

C'est dans cette capacité désormais tangible à s'ajuster à chaque profil que réside l'enjeu le plus décisif : concilier sélectivité académique et égalité des chances. Loin de standardiser les parcours, une école peut déployer dès l'admission des outils de diagnostic identifiant précisément acquis et lacunes de chaque candidat, pour proposer des remises à niveau réellement personnalisées plutôt qu'un tronc commun uniforme. Les étudiants peuvent désormais bénéficier d'un tutorat scientifique intelligent capable de reformuler une notion mal comprise autant de fois que nécessaire, d'environnements d'apprentissage augmentés rendant les concepts abstraits manipulables, et d'un assistant personnel pour les aider à répartir leur charge de travail. C'est un excellent moyen de prévenir le décrochage, en détectant les signaux faibles avant la rupture, mais aussi de lutter contre l'autocensure sociale, en révélant à chaque étudiant un potentiel que son milieu d'origine aurait pu masquer.

Un choix stratégique désormais incontournable

L'importance de l'adaptive learning dans la transformation du monde éducatif reste encore sous-estimée, alors même que les conditions techniques de sa réussite à travers l'IA sont enfin réunies. Individualiser l'expérience éducative ne relève plus d'une prouesse technique hors de portée : cela répond à une attente d'autonomie des étudiants, mais aussi à une exigence de justice sociale trop souvent reléguée au second plan des discours sur l'excellence académique. Une technologie adaptative, aussi performante soit-elle, ne produira toutefois d'effets durables que si elle s'articule avec les dimensions pédagogiques, organisationnelles et évaluatives des institutions qui la déploient. Il ne suffit pas d'installer un outil : encore faut-il repenser les pratiques d'enseignement et accompagner les équipes, faute de quoi la technologie reste une couche superficielle.

Les établissements ne peuvent donc plus se contenter d'observer ces évolutions à distance. L'adaptive learning doit devenir un axe stratégique à part entière, articulé avec une gouvernance des données ambitieuse et une vision pédagogique claire. C'est à cette condition que la personnalisation, longtemps promise, deviendra enfin un véritable levier de réussite et d'inclusion, capable d'accompagner chaque étudiant dans sa singularité tout en maintenant une exigence académique commune.

Références

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.

Pane, J. F., Steiner, E. D., Baird, M. D., & Hamilton, L. S. (2015). Continued progress: Promising evidence on personalized learning. RAND Corporation.