Une intelligence artificielle peut répondre avec assurance à une question mal posée ou proposer une solution irréalisable. Elle peut aussi citer un document inexistant. Pour les écoles d’ingénieurs marocaines, l’enjeu consiste donc à former des étudiants capables de vérifier ces réponses. Plusieurs expériences internationales montrent comment intégrer cette exigence aux évaluations.

Une note de calcul soignée, des équations cohérentes en apparence, une conclusion sans hésitation : à première lecture, rien n’alerte. Pourtant, un étudiant remarque que le raisonnement ignore une contrainte essentielle. Dès lors, la présentation reste convaincante, mais le résultat ne tient plus.

Cette situation révèle une compétence centrale de l’ingénieur : identifier une erreur et expliquer pourquoi elle invalide une conclusion.

Avec la diffusion de l’intelligence artificielle générative, les écoles doivent donc enseigner explicitement cette compétence. Savoir utiliser ces outils facilite certaines tâches. Cependant, contrôler leurs réponses reste indispensable pour prendre des décisions techniques fiables.

Ainsi, le débat dépasse l’autorisation ou l’interdiction de ChatGPT dans les travaux universitaires. Il concerne ce que le diplôme doit garantir : un jugement scientifique autonome, même face à une réponse convaincante.

Avant de vérifier la réponse, vérifier la question

En juin 2025, des chercheurs d’Apple ont publié The Illusion of Thinking. Ils ont évalué des modèles de raisonnement sur des énigmes dont ils contrôlent la complexité. Malgré des raisonnements développés, les modèles échouent au-delà de certains seuils.

Toutefois, des chercheurs du Center for Automation and Robotics sont venus nuancer ces résultats. Ce centre associe le CSIC et l’Université polytechnique de Madrid. Leur travail, Rethinking the Illusion of Thinking, reprend deux familles d’épreuves avec un protocole différent et Gemini 2.5 Pro.

D’abord, ils constatent que certaines configurations de traversée de rivière n’admettent aucune solution sous les contraintes initiales. Ensuite, ils testent des configurations résolubles : les performances changent fortement. En revanche, les modèles rencontrent toujours des difficultés sur les tours de Hanoï, même avec une résolution par étapes.

Cette reproduction partielle reste une prépublication. Elle ne tranche donc pas la question générale des capacités de raisonnement de l’IA. Elle apporte néanmoins une leçon pédagogique : l’évaluateur doit aussi vérifier la validité du problème. Par conséquent, un enseignant devrait reconnaître la démarche d’un étudiant qui démontre correctement l’absence de solution.

En Australie, les étudiants apprennent à critiquer ChatGPT

À l’Université de Sydney, des enseignants en économie décrivent des évaluations qu’ils ont organisées en 2023 et 2024. Les étudiants doivent y examiner les productions de ChatGPT.

Dans le cours ECON1002, ils commencent par dialoguer avec l’outil. Puis ils analysent ses réponses de manière critique. Les enseignants ajustent ensuite le barème pour renforcer la place des connaissances disciplinaires et de l’esprit critique. De même, au niveau master, le cours ECON7030 invite les étudiants à examiner les propositions de l’IA. Ils les comparent à leurs propres recherches dans la littérature scientifique.

Cette pratique offre une piste aux formations d’ingénieurs. Toutefois, elle ne prouve pas, à elle seule, une amélioration durable des apprentissages. Par exemple, un enseignant pourrait demander à une IA de recommander un matériau pour une pièce mécanique. L’étudiant confronterait ensuite cette proposition aux fiches techniques, aux sollicitations prévues et aux conditions de fonctionnement. Enfin, il préciserait les éléments qu’il conserve, les corrections nécessaires et les essais à réaliser. La note récompenserait ainsi une compétence professionnelle concrète : décider à partir de preuves.

Une expérience américaine montre les limites de la confiance

Des chercheurs de Harvard Business School et d’autres institutions ont étudié ce constat avec 758 consultants du Boston Consulting Group. Dans cette expérience de 2023, GPT-4 a amélioré les performances sur certaines tâches. En revanche, les participants qui utilisaient l’IA réussissaient moins souvent une tâche d’analyse située hors de ses capacités expérimentales. Les chercheurs rapportaient un écart moyen de 19 points de pourcentage.

L’expérience concerne une population professionnelle internationale et un modèle précis. Elle ne permet donc pas de généraliser ce chiffre aux outils actuels. Cependant, elle montre qu’une assistance efficace sur une tâche peut induire en erreur sur la suivante. Pour illustrer cette difficulté en formation, imaginons deux ateliers :

• L’atelier A consomme 1 000 kWh pour produire 500 pièces.
• L’atelier B consomme 800 kWh pour produire 200 pièces.

Une IA pourrait recommander d’agir d’abord sur l’atelier A, car il consomme davantage. Pourtant, cet atelier utilise 2 kWh par pièce, contre 4 kWh pour l’atelier B. Bien entendu, ces chiffres ne suffisent pas pour décider d’un investissement. Il faut également examiner les produits, les procédés et les économies possibles. Ils montrent néanmoins pourquoi l’étudiant doit vérifier les indicateurs avant d’accepter une recommandation. Ainsi, cet exercice l’amènerait à reconstruire le raisonnement et à justifier sa décision.

Au Royaume-Uni, les fausses références rappellent le devoir de vérification

En juin 2025, la justice britannique a examiné les affaires Ayinde / Al-Haroun. Le jugement porte notamment sur des références juridiques fausses dans des documents que les parties présentent aux tribunaux.

Il rappelle une responsabilité essentielle : les professionnels doivent vérifier leurs recherches auprès de sources faisant autorité. Cette exigence concerne également les travaux qui mobilisent des outils d’IA. Or, le même problème peut surgir en ingénierie. Une référence semble parfois crédible alors qu’elle n’existe pas, concerne une ancienne version ou vise un autre domaine d’application.

Un enseignant pourrait donc proposer une note technique contenant plusieurs références. Certaines seraient authentiques. Une autre serait fictive, tandis qu’une dernière concernerait un domaine différent.

L’étudiant devrait alors retrouver les documents originaux et vérifier les affirmations qu’ils permettent de soutenir. En effet, l’existence d’une norme ne garantit pas la validité de son utilisation.

Une référence doit soutenir le raisonnement ; le lecteur doit aussi pouvoir la vérifier.

Apprendre à démontrer l’impossibilité

Le cas espagnol invite également à reconnaître une réponse essentielle : « Les moyens disponibles ne permettent pas d’atteindre cet objectif. »

Prenons une ligne qui doit produire 600 pièces en huit heures. Sa capacité maximale atteint 50 pièces par heure, sans stock initial ni équipement supplémentaire. Même en fonctionnement continu, elle ne peut donc produire que 400 pièces. Aucun planning ne permet de dépasser cette limite.

L’étudiant doit d’abord démontrer cette impossibilité. Ensuite, il peut proposer trois adaptations : produire pendant douze heures, porter la capacité à 75 pièces par heure ou réduire l’objectif. Ces calculs supposent toutefois un fonctionnement sans arrêt ni perte.

L’exercice apprend ainsi à distinguer trois situations : le problème n’admet aucune solution, les informations manquent ou l’étudiant cherche encore une solution. Chaque situation appelle une démarche différente. Par exemple, un manque de données exige des informations complémentaires, tandis qu’une impossibilité démontrée impose de revoir les contraintes.

Faire évoluer les examens dès les travaux dirigés

Une première expérimentation pourrait se tenir dans une séance de travaux dirigés. L’enseignant fournirait un problème, une réponse d’IA et les documents nécessaires à sa vérification.

D’abord, les étudiants préciseraient les hypothèses. Puis ils réaliseraient les contrôles et identifieraient les erreurs éventuelles. Enfin, ils remettraient une courte note expliquant leur décision. Un échange oral permettrait ensuite de vérifier leur compréhension des arguments.

Toutefois, l’évaluation devrait combiner des réponses correctes, des erreurs plausibles et des problèmes incomplets. Si l’enseignant propose uniquement des réponses fausses, les étudiants risquent de développer un réflexe de rejet. L’objectif consiste plutôt à exercer leur discernement : accepter une réponse solide, corriger une proposition partiellement valable et refuser une conclusion infondée.

Cette démarche rappelle aussi l’importance des connaissances fondamentales. En effet, les étudiants ont besoin de repères pour déceler une erreur. Les ordres de grandeur, les unités, les lois physiques et les méthodes statistiques leur permettent de contrôler les résultats.

Ingénierie marocaine : préserver l’autonomie du jugement

Dans son dossier sur la capacité à concevoir et maîtriser la chaîne de valeur, Maroc Ingénierie interrogeait déjà l’autonomie technique. L’intelligence artificielle prolonge désormais ce débat jusqu’aux salles de cours.

Pour l’ingénierie marocaine, maîtriser ces outils implique de contrôler leurs propositions et d’expliquer leurs limites. Cette autonomie se construit progressivement : refaire un calcul, consulter une source originale, tester un cas limite ou chercher un contre-exemple. Elle exige également de reconnaître les incertitudes.

Ainsi, lorsqu’un ingénieur refuse de valider une proposition, il doit en expliquer les raisons. La formation doit développer cette exigence ; l’évaluation doit la récompenser.

Face aux solutions que l’IA produit rapidement, le diplôme d’ingénieur doit garantir la capacité à choisir celles qui tiennent.