Claude AI dans les amphis : ce qu’une expérimentation à HEC Rabat révèle sur l’IA en classe

Il y a, dans le débat sur l’intelligence artificielle à l’université, deux camps qui s’affrontent avec la même conviction. D’un côté, ceux qui y voient un outil qui va démocratiser l’apprentissage, personnaliser chaque parcours, libérer du temps pour l’essentiel. De l’autre, ceux qui redoutent une génération d’étudiants incapables de réfléchir sans assistance, biberonnés aux réponses toutes faites, dispensés de l’effort qui fait l’apprentissage. Entre les deux, très peu de données concrètes, issues d’un vrai cours, avec un vrai groupe témoin.

C’est cette absence que vient combler une expérimentation conduite à HEC Rabat Business School entre janvier et avril 2026, dans le cadre d’un cours fondamental de management général.

Le protocole est simple à décrire. Cinquante-quatre étudiants, répartis en trois groupes encadrés par trois enseignantes-chercheuses. Deux groupes : quinze et quatorze étudiants, inscrits dans une filière « Management et Intelligence Artificielle », ont suivi le cours avec une intégration structurée de l’assistant conversationnel Claude, développé par Anthropic : études de cas hebdomadaires assistées par IA, simulations conversationnelles, ateliers en sous-groupes. Un troisième groupe, vingt-cinq étudiants inscrits en filière classique, a suivi le même programme, avec les mêmes évaluations, mais selon un format traditionnel, cours magistral et travaux dirigés, sans IA générative. Même syllabus, mêmes examens, mêmes correcteurs en double aveugle. Seule variable : l’intégration ou non de l’IA dans la pédagogie.

Les résultats, une fois les moyennes calculées, ne laissent que peu de place au doute. Les deux groupes ayant travaillé avec Claude terminent le semestre avec une moyenne supérieure de 3,2 et 2,8 points sur 20 par rapport au groupe témoin : un écart statistiquement solide, confirmé par les tests utilisés en recherche. Le taux de réussite à l’examen final atteint 93% dans les deux groupes test, contre 72% dans le groupe témoin. Et l’écart est encore plus marqué chez les étudiants qui, en début de semestre, se trouvaient dans le tiers le plus faible de leur classe : 80% d’entre eux réussissent finalement l’examen dans les groupes assistés par IA, contre seulement 50 % dans le groupe classique. Autrement dit, l’effet le plus net ne se joue pas chez les meilleurs élèves, déjà autonomes par ailleurs, mais chez ceux qui, sans accompagnement supplémentaire, auraient le plus de mal à suivre.

L’écart ne se limite pas aux notes. Interrogés en fin de semestre, les étudiants des groupes test affichent une satisfaction globale et un sentiment de progression personnelle nettement supérieurs à ceux du groupe témoin. Le plus grand écart concerne le sentiment d’autonomie, logique, puisque ces étudiants ont disposé d’une marge de manœuvre plus large dans le choix de leurs cas pratiques et la conduite de leurs simulations. Et sur un point souvent redouté par les enseignants (la crainte de voir l’IA prendre la place du professeur), l’enquête est rassurante : la qualité de l’encadrement enseignant est perçue comme élevée dans les trois groupes, sans différence notable. L’intelligence artificielle n’a donc pas affaibli la présence humaine en classe ; elle s’y est ajoutée.

Reste une question, centrale : les étudiants ont-ils simplement appris à obtenir de meilleures réponses de l’IA, ou ont-ils réellement développé des compétences propres ? C’est là que la partie qualitative de l’étude (cinq entretiens menés avec des enseignants de management au Maroc, en France et au Canada ayant eux aussi intégré l’IA générative dans leurs cours) apporte une nuance importante. Neuf thèmes sur dix évoqués par ces enseignants confirment un effet globalement positif : les étudiants, disent-ils, développent progressivement une posture critique face aux réponses de l’IA, apprenant à les vérifier, à les corriger, à les reformuler plutôt qu’à les recopier. Mais trois points de vigilance reviennent systématiquement : le risque de dépendance, pour les étudiants qui délèguent trop et cessent de réfléchir par eux-mêmes ; l’inégalité entre étudiants déjà à l’aise avec l’IA et les autres, qui risque de creuser plutôt que de réduire les écarts ; et la nécessité de repenser les modalités d’évaluation, pour s’assurer que la note sanctionne bien une compétence acquise, et non un usage habile de l’outil.

C’est précisément pour répondre à ces points de vigilance que l’équipe de recherche a maintenu, tout au long de l’expérimentation, des évaluations sommatives strictement en présentiel et sans IA, un choix qui, rétrospectivement, s’avère décisif pour garantir que les points supplémentaires obtenus reflètent un apprentissage réel, et non un simple effet de l’outil au moment de l’examen.

De cette expérimentation, les chercheuses tirent un modèle pédagogique reproductible, baptisé MAGIC : pour Médiation, Activation, Génération, Itération, Critique, Capitalisation. Six principes simples : garder une présence enseignante forte et un cadrage explicite de l’usage de l’IA ; faire de l’apprentissage un exercice actif plutôt que passif ; utiliser l’IA comme un générateur d’hypothèses à interroger, non comme une source de vérité ; installer des boucles systématiques de production, de critique et de reformulation ; cultiver une posture critique plutôt qu’une confiance aveugle ; et capitaliser les meilleurs usages pour les cours suivants. Ce modèle est aujourd’hui en cours de déploiement sur deux autres cours de HEC Rabat, en comportement organisationnel et en stratégie d’entreprise.

Le débat sur l’IA à l’université ne se réglera sans doute pas avec une seule expérimentation, menée sur cinquante-quatre étudiants et un semestre. Mais ce que montrent ces résultats, c’est qu’opposer performance académique et pensée critique, ou efficacité et présence humaine, est peut-être un faux dilemme. Ce qui semble vraiment compter, ce n’est pas l’IA elle-même, mais la manière, encadrée, critique, réfléchie, dont on choisit de l’utiliser.