Contexte et motivations

Dans le cadre d’un projet de maîtrise, un étudiant a produit un rapport de 10 pages contenant 5 000 mots en 48 heures. Le texte a été généré après huit heures de prompts quotidiens à un modèle d’intelligence artificielle, selon le témoignage de l’auteur. Le superviseur a immédiatement reconnu le style « écrit par IA », ce qui a déclenché une réflexion sur la prolifération des outils de génération de texte dans les cursus d’ingénierie.

Mécanismes d’utilisation de l’IA

Les modèles de génération de texte, tels que GPT‑4, fonctionnent par prédiction de tokens à partir d’un contexte fourni. Un texte de 5 000 mots représente approximativement 30 000 tokens, que le modèle peut produire en moins de trente minutes lorsqu’il est sollicité avec un prompt détaillé. L’étudiant a décrit un processus de prompt engineering où chaque itération affine la structure, les références et les diagrammes, ce qui explique la durée de huit heures de travail actif. La capacité du modèle à citer des sources factices ou à reformuler des passages existants permet de remplir rapidement les exigences de mise en forme académique, mais introduit un risque de références non vérifiables.

Implications pédagogiques et limites

Le recours systématique à l’IA soulève plusieurs enjeux. Premièrement, la détection de texte généré repose sur des algorithmes qui comparent la distribution de perplexité du texte à des modèles humains ; ces outils restent imparfaits et peuvent produire des faux positifs, surtout lorsqu’une rédaction humaine est fortement assistée par IA. Deuxièmement, la dépendance à la génération de contenu réduit le temps consacré à la compréhension conceptuelle, ce qui peut affecter la capacité de l’étudiant à défendre son travail oralement. Troisièmement, la pratique de « prompt‑only » transforme la compétence principale de l’ingénieur en une forme de babysitting de la machine, comme le souligne l’auteur, au détriment de la pensée critique et de la résolution de problèmes autonomes.

Perspectives et recommandations

Pour limiter ces dérives, les établissements pourraient instaurer des limites d’usage (par exemple, un nombre maximal de tokens par rapport) et exiger une déclaration explicite des parties rédigées avec IA. Parallèlement, les cours de méthodologie devraient intégrer des exercices de prompt engineering tout en maintenant des évaluations qui mesurent la capacité à synthétiser et à argumenter sans assistance automatisée. Enfin, la sensibilisation aux biais inhérents aux modèles de langage – notamment la tendance à halluciner des références – demeure indispensable pour préserver la rigueur scientifique.