Enseignement spécialisé et IA générative : la tentation du « Shadow AI »

C'est l'argument massue des promoteur·ices de l'IA générative à l'école : « ces outils sont idéaux pour l'enseignement spécialisé ! » Il est vrai que les promesses des grands modèles de langage ne sont pas dépourvues de fondements et que la perspective est séduisante. Mais en attendant que les outils spécialisés et la formation soient à la portée de toutes et tous, ce leitmotiv prépare surtout le terrain du « Shadow AI ». Une pratique qui consiste à utiliser discrètement les IA grand public sans le moindre cadre. Au risque de transformer des élèves déjà vulnérables en terrain d'expérimentation invisible.

Vous souhaitez tester la hauteur de vue d'un·e formateur·rice à l'intelligence artificielle générative ? Demandez-lui ce que ChatGPT et ses semblables peuvent apporter à l'école. Vous saurez tout de suite ce qui anime réellement votre interlocuteur·rice.

Entre l'urgence (réelle !) de former enseignant·es et élèves aux pièges des interfaces conversationnelles, le risque de convoquer de nouveaux écrans dans des classes qui n'ont pas fini de digérer les surgissements numériques des deux dernières décennies, les opportunités concrètes pour la préparation des supports et les questionnements lancinants sur la place de ces outils dans l'acte pédagogique, vous avez peu de chance d'obtenir une réponse tranchée. À moins que la personne en face de vous ne dégaine le joker ultime : « L'IA générative, c'est formidable pour l'enseignement spécialisé ! »

Reconnaissons que l'argument a tout pour séduire… D'autant que la profusion de publications sur le sujet semble l'étayer. À en croire cette littérature abondante, les grands modèles de langage (LLM) savent tout faire : reformuler un texte en (pseudo-)FALC1, simplifier une consigne, générer un scénario social, adapter un exercice à un niveau de lecture… Sans parler du « speech-to-text2 » ni du « text-to-speech3 », si bienvenus pour accompagner les élèves dyslexiques. Et honnêtement, qui résisterait à la promesse de pouvoir préparer en quelques minutes des séquences pertinentes ET individualisées pour chacun·e de ses élèves ?

l'IA générative serait utile non pour remplacer l'apprentissage, mais plutôt pour réduire les frictions. Autrement dit, lorsque la machine aide l'apprenant·e à entrer dans la tâche, pas à absorber cette tâche.

De nombreuses promesses… Mais peu de preuves scientifiques

Dans Frontiers in Education, une étude publiée début 2026 indique ainsi que des élèves dyslexiques de 9 à 11 ans ont progressé en compréhension écrite grâce à des explications visuelles générées avec ChatGPT4. Intéressant ! Mais ce résultat devient tout-à-coup nettement moins spectaculaire lorsqu'il est précisé que ces élèves, tous masculins, étaient au nombre de… trois. Et qu'ils apprenaient à lire en arabe, dans un contexte de diglossie5 entre arabe standard moderne (à l'écrit) et dialecte najdi (à l'oral) qui crée des frictions de lecture singulières.

En 2025, une revue systématique parue dans Brain Sciences conclut elle aussi à un potentiel réel des interventions éducatives fondées sur l'intelligence artificielle pour les élèves porteurs de troubles des apprentissages6. Mais la revue couvre principalement des systèmes adaptatifs et des jeux sérieux, pas la seule IA générative. Et le papier souligne que ces résultats restent exposés à des risques de biais et à des faiblesses méthodologiques : sur les onze études retenues, toutes rapportent des effets positifs, ce qui devrait au moins éveiller un soupçon de biais de publication.

Toujours en 2025, une revue de portée publiée dans Computers and Education: Artificial Intelligence recense vingt-et-une sources sur l'usage de l'IA générative auprès d'élèves neurodivergent·es (TDAH, autisme, dyslexie, haut potentiel, double exceptionnalité). Elle identifie des usages possibles autour de la personnalisation, de l'aide administrative aux enseignant·es et de la préparation de plans individualisés. Tout en pointant, elle aussi, la faiblesse des preuves empiriques de ces publications. Car seules neuf sur vingt-et-une offrent des données originales7.

Dans son rapport 2025 sur l'IA et les élèves à besoins éducatifs particuliers, l'OCDE marche sur une prudente ligne de crête : oui aux outils qui peuvent soutenir l'accès aux apprentissages, mais attention à la gouvernance : la conception éthique, la sécurité des données, le suivi, la responsabilité et la recherche de long terme ne doivent pas être sacrifiés8.

Restent les témoignages des 124 étudiant·es interrogé·es dans The Internet and Higher Education9. Certes, il s'agit d'adultes, ce qui interdit toute transposition à l'enseignement spécialisé primaire ou secondaire. Mais les usages déclarés par ces étudiant·es neurodivergent·es (notamment TDAH, dyslexiques, dyspraxiques ou porteurs d'un TSA) éclairent une pratique des chatbots pour comprendre une consigne, organiser une réponse, reformuler, traduire ou améliorer un texte. Et c'est sans doute l'apport le plus crédible de cette littérature : l'IA générative serait utile non pour remplacer l'apprentissage, mais plutôt pour réduire les frictions. Autrement dit, lorsque la machine aide l'apprenant·e à entrer dans la tâche, pas à absorber cette tâche.

Des usages plus rapides que le calendrier institutionnel

Outre ces promesses faites aux publics, l'IA générative serait aussi une bénédiction pour les enseignant·es, en réduisant drastiquement leur temps de préparation de supports individualisés. Une promesse ô combien alléchante. Car préparer une séquence pour une classe hétérogène, c'est souvent devoir rédiger plusieurs versions d'un même texte ou d'une même consigne en différenciant les cheminements et les degrés d'abstraction.

En Fédération Wallonie-Bruxelles, le sujet ne date pas d'hier : dès 2023, la FWB a engagé une réflexion qui a débouché sur une Charte éthique de l'IA à l'école, co-construite avec les réseaux et les fédérations de pouvoirs organisateurs, accessible sur la plateforme e-classe. Plus récemment, le 7 novembre 2025, un appel à projets « Expérimentation d'outils d'intelligence artificielle en soutien aux apprentissages fondamentaux » a été lancé. Vingt écoles de 4e, 5e et 6e primaires ont été sélectionnées en décembre 2025 pour tester des outils en diagnostic, remédiation, consolidation ou dépassement. Le cadre commence donc à se dessiner. Mais, comme souvent lorsqu'on assiste à l'irruption d'une nouvelle technologie, la réponse institutionnelle se construit dans un calendrier déjà bousculé par les usages.

Les risques du « Shadow AI »

Depuis quelques années, l'expression « Shadow AI »10 désigne un usage de l'IA générative « en stoemelings » comme disent les Bruxellois·es, c'est-à-dire en toute discrétion. C'est l'employé·e de PME ou d'ASBL qui utilise son compte personnel de ChatGPT pour répondre à un mail ou rédiger un rapport… Ou l'enseignant·e qui demande à Claude, Gemini ou Mistral de l'aider à préparer une activité. Le problème, c'est que ces usages de l'ombre se font sans cadre formel, sans validation de l'outil et le plus souvent sans formation… Donc, sans que l'utilisateur·ice sache ce que vont devenir les données transmises au modèle de langage.

La tentation est compréhensible. Comment y résister quand on croule sous la charge de travail et qu'un outil propose de produire en trente secondes le travail de deux ou trois heures ? Et les personnes qui s'adonnent au « Shadow AI » le font rarement par goût du risque ou de la transgression. Simplement, lorsque la réponse hiérarchique se fait attendre, les pratiques s'adaptent. On bricole, en quelque sorte. L'ennui, c'est que ce bricolage comporte plusieurs écueils qui peuvent coûter cher.

La délégation d'une tâche à l'IA n'allège pas toujours la charge cognitive de l'humain. Pour les usages intensifs ou peu structurés, elle peut même la déplacer vers la vérification permanente, une opération épuisante.

Utiliser une IA générative, ça s'apprend

Le premier de ces écueils, ce sont les mésusages dus à l'absence de formation. Car contrairement à ce que son interface conversationnelle (et son business model) veulent nous faire croire, l'IA générative, ça s'apprend. Se contenter de « discuter » avec un grand modèle de langage pour un usage professionnel, c'est s'exposer à plusieurs déconvenues. D'abord, il y a les fameuses « hallucinations », ces erreurs que l'IA génère avec aplomb. Il faut aussi compter avec les biais (culturels, linguistiques, économiques ou de genre) qu'elle amplifie, car ils sont présents dans ses données d'entraînement.

Mais il y a plus insidieux encore : depuis quelques mois, plusieurs recherches pointent les effets cognitifs de l'usage intensif des IA conversationnelles. Une équipe du MIT Media Lab a ainsi observé une « dette cognitive » et des déficits de mémoire chez les utilisateur·ices de ChatGPT pour la rédaction d'essais11. Ces résultats convergent avec une autre étude récente, menée par le Boston Consulting Group et publiée par la Harvard Business Review, qui décrit un phénomène de brain fry : une fatigue cognitive aiguë liée à la supervision et au pilotage de ces outils12. Surcharge informationnelle, ralentissement de la décision, dilution de la responsabilité éditoriale… La délégation d'une tâche à l'IA n'allège pas toujours la charge cognitive de l'humain. Pour les usages intensifs ou peu structurés, elle peut même la déplacer vers la vérification permanente, une opération épuisante.

Le second écueil relève de l'éthique professionnelle et du droit. Car échanger avec un chatbot sur la dyspraxie d'Emma, le TSA de Sofia ou le TDAH de Louis, ce n'est pas discuter avec un·e collègue qui maîtrise la notion de secret professionnel partagé. C'est transmettre à une plateforme externe, le plus souvent américaine, des informations ultra sensibles concernant des enfants. Or, le traitement de ces données à caractère personnel relève du Règlement général sur la protection des données (RGPD)13. Et les diagnostics scolaires entrent dans la catégorie particulière des données de santé visées par l'article 9 du règlement, qui interdit leur traitement sauf exceptions strictement encadrées. Quant aux transferts hors UE, ils sont régis par le chapitre V du RGPD. Sortir un diagnostic d'un dossier scolaire pour le coller dans un prompt n'est donc pas un détail technique : c'est un manquement potentiellement caractérisé, autant du point de vue éthique que juridique.

Si la machine peut aider un·e élève à franchir un obstacle, elle peut aussi insidieusement installer l'idée toxique que cet·te élève doit être « réparé·e ».

Le techno-capacitisme, ou la tentation de « réparer »

Enfin, le dernier risque est plus invisible, mais pas moins documenté. Il réside dans ce que la philosophe Ashley Shew (Virginia Tech) a théorisé sous le terme de technoableism, qu'on peut traduire par « techno-capacitisme »14. Une expression qui désigne la croyance selon laquelle la technologie devrait « résoudre » le handicap… En justifiant au passage qu'on s'abstienne de transformer les environnements, les normes et les barrières sociales qui produisent l'exclusion.

Lorsqu'une IA reformule systématiquement les phrases d'un élève autiste pour les « normaliser », que corrige-t-elle au juste ? Une « faute », une difficulté de communication ou une manière différente d'habiter la langue ? Si la machine peut aider un·e élève à franchir un obstacle, elle peut aussi insidieusement installer l'idée toxique que cet·te élève doit être « réparé·e ».

Mal conçus ou mal utilisés, ils peuvent porter atteinte au droit à l'éducation et perpétuer des discriminations, notamment à l'encontre des personnes porteuses de handicap

Un cadre européen qui interdit l'improvisation

Le règlement européen sur l'intelligence artificielle (AI Act) classe plusieurs usages éducatifs parmi les systèmes à haut risque : déterminer l'accès ou l'admission à une formation, évaluer les résultats d'apprentissage, apprécier le niveau d'éducation auquel une personne peut accéder et même surveiller les comportements interdits lors d'examens15. Le considérant 56 du règlement rappelle pourquoi : ces systèmes pèsent sur le parcours éducatif et professionnel d'une personne, donc sur sa capacité future à accéder à des moyens d'existence. Mal conçus ou mal utilisés, ils peuvent porter atteinte au droit à l'éducation et perpétuer des discriminations, notamment à l'encontre des personnes porteuses de handicap16.

Or, dès que l'IA contribue à orienter, évaluer, classer, détecter, recommander ou décider, on sort du gadget pédagogique. Dans l'enseignement où l'orientation, les aménagements et les diagnostics pèsent lourd dans la trajectoire d'un·e enfant, cette frontière doit être surveillée avec une attention particulière. Dans son guide sur l'IA générative en éducation, l'UNESCO ne dit pas autre chose en rappelant la nécessité d'encadrer, de protéger les données, de développer les capacités humaines et de valider les usages selon leur pertinence éthique et pédagogique17.

Ces applications sont des outils. En aucun cas des assistant·es.

Un gain de temps pour quoi ?

Alors, faut-il jeter l'IA générative aux orties ? Ce serait aussi contre-productif que d'en faire une solution miracle. Et nier qu'elle peut aider un·e enseignant·e à produire un premier brouillon de support, à varier des consignes, à transformer un texte difficile ou à préparer une activité différenciée. Comme elle peut soutenir certain·es élèves pour entrer dans l'écrit, organiser leur pensée ou décoder des implicites.

Mais pour que ces bénéfices existent, il faut des conditions. Des outils validés et hébergés dans le respect du droit européen. Des usages transparents. Des formations solides. Des données protégées. Des enseignant·es qui gardent la main. Et des équipes capables de dire non, lorsque l'outil n'apporte pas de bénéfice ou lorsqu'il coûte trop cher cognitivement, juridiquement ou pédagogiquement.

Enfin, dans le secteur privé, la tentation est forte de prétexter les « gains de temps » promis par l'IA pour augmenter la pression productiviste sur les travailleur·euses et réduire les effectifs. Gardons-nous d'arriver à de telles dérives dans le secteur de l'enseignement, spécialisé ou non. Et, si l'on finit par observer sur le temps long que les LLM permettent réellement une économie de quelques heures par semaine, faisons en sorte que ce temps revienne à la relation, à l'observation et à la présence.

Car jamais une IA ne verra que Jules est plus fatigué aujourd'hui qu'hier, que Lina a besoin d'être encouragée, ou que le silence de Mohamed traduit une anxiété plutôt qu'un refus d'entrer dans l'exercice du jour. Comme je le répète à longueur de formation (en espérant tordre un jour le cou à un cliché de plus en plus envahissant), ces applications sont des outils. En aucun cas des assistant·es.

• 1Facile A Lire et à Comprendre - FALC
• 2Le Speech-to-text est une technologie qui convertit la parole en texte écrit en temps réel
• 3Le text-to-speech est une technologie qui permet à un ordinateur ou un appareil de convertir un texte écrit en une voix artificielle ou synthétique, lue à voix haute.
• 4O. A. Alsamani, Y. A. Alsamiri, « The effects of AI-based visual instruction on the reading comprehension of students with dyslexia in Saudi Arabia: a single-case experimental study », Frontiers in Education, 2026. https://doi.org/10.3389/feduc.2026.1727782
• 5La diglosie désigne la coexistence de deux langues (ou de deux dialectes d'une même langue) au sein d'une même société, mais avec une stricte inégalité de statut.
• 6A. Paglialunga, S. Melogno, « The Effectiveness of Artificial Intelligence-Based Interventions for Students with Learning Disabilities: A Systematic Review », Brain Sciences, 15(8):806, 2025. https://doi.org/10.3390/brainsci15080806
• 7M. Ronksley-Pavia et al., « A scoping literature review of generative artificial intelligence for supporting neurodivergent school students », Computers and Education: Artificial Intelligence, 2025. https://doi.org/10.1016/j.caeai.2025.100437
• 8E. Linsenmayer, « Leveraging artificial intelligence to support students with special education needs », OECD Artificial Intelligence Papers, n° 46, 2025. https://doi.org/10.1787/1e3dffa9-en
• 9X. Zhao, A. Cox, X. Chen, « The use of generative AI by students with disabilities in higher education », The Internet and Higher Education, 2025. https://doi.org/10.1016/j.iheduc.2025.101014
• 10IBM, « What is Shadow AI? ». https://www.ibm.com/think/topics/shadow-ai
• 11N. Kosmyna et al., « Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task », arXiv preprint 2506.08872, MIT Media Lab, 2025. https://arxiv.org/abs/2506.08872 — il s'agit d'une prépublication ; plusieurs commentaires méthodologiques (taille d'échantillon, reproductibilité, analyse EEG) ont été déposés sur arXiv.
• 12J. Bedard, M. Kropp, M. Hsu, O. T. Karaman, J. Hawes, G. Rosen Kellerman, « When Using AI Leads to 'Brain Fry' », Harvard Business Review, mars 2026, à partir d'une enquête BCG/UC Riverside auprès de 1 488 travailleur·euses américain·es. https://hbr.org/2026/03/when-using-ai-leads-to-brain-fry
• 13Autorité de protection des données, « Données sensibles » ; voir aussi RGPD, art. 9 (catégories particulières de données) et chapitre V (transferts hors UE). https://www.autoriteprotectiondonnees.be/professionnel/themes/donnees-sensibles
• 14A. Shew, « Ableism, Technoableism, and Future AI », IEEE Technology and Society Magazine, 39(1), 2020 ; Against Technoableism: Rethinking Who Needs Improvement, W. W. Norton, 2023.
• 15Règlement (UE) 2024/1689 sur l'intelligence artificielle, annexe III, point 3. https://artificialintelligenceact.eu/annex/3/
• 16Règlement (UE) 2024/1689 sur l'intelligence artificielle, considérant 56. https://ai-act-law.eu/recital/56/
• 17UNESCO, Guidance for generative AI in education and research, 2023, mise à jour 2026. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research