Derrière un assistant IA pour élèves, toute une industrie de la connaissance

Un élève de troisième rentre chez lui après les cours. Il doit résoudre une équation de mathématiques, mais ne parvient pas à comprendre la méthode expliquée en classe. Il ouvre une application sur son téléphone, photographie l'exercice et demande : « Je ne comprends pas comment trouver x. Peux-tu m'expliquer ? »

Quelques secondes plus tard, un assistant d'intelligence artificielle lui répond. Il reformule l'énoncé, propose une première piste et accompagne l'élève dans les étapes de résolution. Lorsque celui-ci commet une erreur, l'assistant ne se contente pas de lui donner la bonne réponse. Il l'aide à identifier ce qui ne va pas, puis lui propose un exercice similaire pour vérifier sa compréhension.

Pour l'élève, l'expérience paraît simple : une question, une conversation, une explication. Mais que faut-il réellement mettre en place pour rendre ce service possible ? La réponse ne se limite pas au choix d'un modèle d'intelligence artificielle, au développement d'une application mobile ou à la location de serveurs.

Derrière cet assistant se trouve potentiellement toute une chaîne de production, d'organisation et de validation des connaissances pédagogiques. Cette chaîne, souvent invisible pour l'utilisateur final, mérite d'être examinée.

Les modèles d'intelligence artificielle généralistes sont aujourd'hui capables de résoudre de nombreux exercices scolaires et d'en expliquer les principales étapes. Il n'est donc pas nécessaire de leur réenseigner systématiquement toutes les règles mathématiques.

Une startup peut développer un premier prototype en connectant son application à un modèle existant, en lui fournissant des consignes et en construisant une interface adaptée aux élèves. Un tel prototype peut être réalisé relativement rapidement.

Mais la question change lorsque l'objectif n'est plus simplement de démontrer qu'un modèle peut résoudre des exercices. Il s'agit désormais de construire un service pédagogique fiable, adapté aux programmes scolaires, capable d'accompagner les apprentissages et dont la qualité peut être vérifiée.

Le modèle peut connaître une méthode mathématique sans savoir si elle correspond au niveau de l'élève ou à la progression prévue dans son programme. Il peut fournir une solution exacte sans adopter la démarche pédagogique souhaitée. Il peut également produire une explication convaincante, mais incorrecte.

La conception d'un véritable assistant pédagogique nécessite donc de s'intéresser à trois questions distinctes : que doit savoir l'assistant ? Comment doit-il utiliser ces connaissances ? Comment vérifier qu'il accompagne correctement l'élève ? Ces questions ouvrent la porte à des compétences professionnelles qui dépassent le seul développement informatique.

Supposons qu'une startup ivoirienne souhaite développer un assistant destiné aux élèves du secondaire. Avant de collecter des milliers de documents, elle doit définir précisément les fonctions attendues.

L'assistant devra-t-il expliquer les cours ? Résoudre des exercices ? Corriger les réponses ? Identifier les difficultés ? Proposer des exercices supplémentaires ? Préparer les élèves aux évaluations ? Ces fonctions ne mobilisent pas exactement les mêmes connaissances.

Pour expliquer une notion, il faut disposer de définitions, de propriétés, d'exemples et de méthodes adaptés. Pour corriger un exercice, il faut pouvoir déterminer les résultats corrects et reconnaître les démarches mathématiquement valides. Pour accompagner un élève en difficulté, il faut également connaître les erreurs fréquentes, les prérequis et les stratégies pédagogiques pertinentes.

La startup doit donc établir une correspondance entre les services envisagés et les ressources nécessaires. C'est déjà un travail spécialisé : il faut savoir analyser les activités pédagogiques et traduire les besoins des utilisateurs en exigences de connaissances.

Une fois les besoins définis, il faut identifier les sources. Pour un assistant destiné aux élèves ivoiriens, les programmes scolaires officiellement applicables constituent des références importantes. Ils permettent notamment de situer les notions dans les niveaux et progressions prévus.

Mais les programmes ne contiennent pas nécessairement toutes les explications, tous les exercices ou toutes les stratégies d'accompagnement dont l'assistant aura besoin. Il peut donc être utile de mobiliser d'autres ressources : cours, supports pédagogiques, exercices corrigés, guides d'enseignement et productions d'experts.

Cette collecte soulève plusieurs questions. Quels documents sont fiables ? Lesquels sont à jour ? Quels contenus correspondent réellement au niveau scolaire visé ? Quels droits autorisent leur numérisation, leur transformation ou leur utilisation dans une application ?

Il faut également éviter les doublons, identifier les versions et préserver les références aux sources. Ces opérations relèvent notamment de l'ingénierie documentaire et de la gouvernance de l'information. Elles ne consistent pas simplement à télécharger des PDF. Elles permettent de constituer un corpus dont l'origine, la pertinence et les conditions d'utilisation sont maîtrisées.

Imaginons maintenant que la startup dispose de plusieurs manuels, de programmes scolaires et d'une banque d'exercices. Est-il suffisant de déposer tous ces fichiers dans une base documentaire connectée à l'assistant ? Pour certaines fonctions simples de recherche et d'explication, cette approche peut constituer un bon point de départ. Mais d'autres fonctionnalités nécessitent une organisation plus explicite des connaissances.

Prenons l'exemple des équations du premier degré. Un chapitre de manuel peut contenir des définitions, des propriétés, des exemples, des méthodes de résolution et des exercices. Pour rendre ces éléments plus facilement mobilisables, on peut identifier et organiser les objets de connaissance qu'ils représentent.

Ainsi, la notion d'équation peut être reliée aux concepts d'égalité, d'inconnue et de solution. Une méthode de résolution peut être associée à ses prérequis, à ses étapes et aux erreurs fréquemment rencontrées. Un exercice peut être relié aux notions qu'il mobilise, au niveau scolaire concerné et aux compétences qu'il permet d'évaluer.

On passe alors d'une simple collection de documents à un ensemble de connaissances structurées. Cette transformation mobilise l'ingénierie des connaissances et, lorsque les besoins le justifient, l'ingénierie ontologique et sémantique.

Il n'est pas nécessaire de construire systématiquement une ontologie complexe. Des fiches structurées, des métadonnées et des relations simples peuvent suffire à de nombreux usages. L'essentiel est de choisir une représentation adaptée aux fonctions de l'application.

Voici probablement l'une des dimensions les moins visibles de notre exemple. Un enseignant expérimenté ne se contente pas de connaître les mathématiques. Il sait également reconnaître certaines erreurs, choisir une explication, reformuler une consigne et adapter son accompagnement aux difficultés observées.

Une partie de ces connaissances figure dans les ressources pédagogiques. Mais une autre partie réside dans l'expérience professionnelle. Comment l'enseignant détermine-t-il qu'un élève n'a pas compris la notion d'égalité ? Pourquoi choisit-il de proposer un indice plutôt qu'une solution ? Comment reconnaît-il qu'une erreur provient d'un problème de calcul plutôt que d'une incompréhension de la méthode ?

Ces questions peuvent être étudiées à travers des entretiens, des observations et l'analyse de situations pédagogiques. Le travail consiste à recueillir les pratiques pertinentes, à les expliciter et à déterminer dans quelles conditions elles peuvent être formalisées.

Toutes les pratiques individuelles ne doivent pas devenir automatiquement des règles générales. Elles doivent être confrontées aux connaissances scientifiques et pédagogiques disponibles, puis validées selon les exigences du projet.

Cette activité fait intervenir les enseignants, les didacticiens, les spécialistes de l'ingénierie pédagogique et les ingénieurs des connaissances. Elle révèle une réalité essentielle : certaines des connaissances les plus utiles à un assistant IA ne se trouvent pas directement dans les documents. Elles résident dans les pratiques et l'expérience des professionnels.

Une autre approche consiste à lui demander de remplacer x par 7 dans l'équation initiale. L'élève constate alors que : 3 × 7 + 7 = 28, et non 22. L'assistant peut ensuite l'inviter à revoir les opérations nécessaires pour isoler l'inconnue.

Cette démarche vise à accompagner le raisonnement plutôt qu'à fournir immédiatement le résultat. Elle suppose de définir les comportements attendus de l'application : quand expliquer, quand questionner, quand proposer un indice et quand fournir une correction complète.

Ces décisions mobilisent des compétences d'ingénierie pédagogique, d'analyse cognitive et de conception des interactions humain--IA. Elles peuvent être traduites en consignes, scénarios d'interaction, règles ou mécanismes de contrôle. Mais leur efficacité doit être vérifiée auprès des utilisateurs. Une stratégie pédagogique plausible n'est pas nécessairement efficace dans toutes les situations.

La constitution du patrimoine pédagogique ne s'achève pas lorsque les ressources ont été collectées et structurées. Il faut vérifier leur qualité. Un corrigé peut contenir une erreur. Une formule peut avoir été mal extraite d'un document. Un exercice peut être associé au mauvais niveau scolaire. Une relation entre notions peut être incorrecte. Une méthode pédagogique peut également être inadaptée à l'objectif recherché.

Il convient donc d'organiser plusieurs types de contrôles. Les spécialistes documentaires peuvent vérifier la fidélité aux sources. Les experts disciplinaires peuvent contrôler l'exactitude mathématique. Les spécialistes pédagogiques peuvent apprécier la pertinence des méthodes et des progressions.

Les ingénieurs des connaissances peuvent examiner la cohérence des représentations. Les responsables de gouvernance peuvent documenter les validations, les versions et les responsabilités.

Une fois ces ressources intégrées à l'application, il faut également évaluer le comportement de l'assistant. Car une base de connaissances correcte ne garantit pas automatiquement des réponses correctes. Le système peut retrouver le mauvais passage, mal interpréter une méthode ou produire une explication inadaptée.

L'évaluation doit donc porter à la fois sur le patrimoine de connaissances et sur son utilisation effective par l'application.

Supposons maintenant que l'assistant soit utilisé par plusieurs milliers d'élèves. Un nouveau programme scolaire est publié. Certaines ressources doivent être actualisées. Des enseignants signalent des erreurs. De nouvelles difficultés pédagogiques sont identifiées.

La startup doit alors pouvoir modifier les connaissances concernées, vérifier les effets des changements et publier de nouvelles versions. Cette activité nécessite des procédures de maintenance.

Il faut savoir quelles ressources dépendent d'un programme, quels exercices utilisent une notion, quelles versions sont accessibles aux applications et quelles corrections ont été validées. Il faut également vérifier que les changements n'introduisent pas de nouvelles erreurs.

Le patrimoine de connaissances devient ainsi un actif vivant, qui nécessite une organisation et des moyens récurrents. Sa valeur ne dépend pas seulement de sa constitution initiale, mais également de sa qualité et de son actualisation dans le temps.

Notre exemple permet maintenant de mieux comprendre les professionnels susceptibles de contribuer au projet. Les développeurs et ingénieurs IA construisent les mécanismes techniques de l'application. Les documentalistes identifient et organisent les ressources. Les ingénieurs des connaissances formalisent les notions, les méthodes et les relations.

Les enseignants et experts pédagogiques définissent les exigences d'apprentissage et valident les contenus. Les spécialistes de l'interaction humain--IA contribuent à concevoir les modalités d'accompagnement. Les responsables de gouvernance assurent la traçabilité, les droits et la maintenance. Les évaluateurs vérifient la qualité des réponses et des comportements.

Cela ne signifie pas qu'une startup doit recruter un professionnel distinct pour chacune de ces fonctions. Une petite équipe peut réunir plusieurs compétences chez les mêmes personnes. Certaines expertises peuvent être externalisées ou mutualisées.

Mais toutes les fonctions indispensables au projet doivent être identifiées et correctement couvertes. La question n'est donc pas seulement : « Quel modèle d'IA allons-nous utiliser ? » Elle devient aussi : « Quelles connaissances devons-nous organiser et quelles compétences faut-il réunir pour garantir la qualité du service ? »

Notre exemple ouvre une perspective supplémentaire. Imaginons que trois startups ivoiriennes développent des applications éducatives différentes. La première propose un assistant de mathématiques. La deuxième développe une plateforme d'exercices. La troisième conçoit un outil d'aide aux enseignants.

Ces entreprises peuvent avoir besoin d'accéder aux mêmes programmes scolaires, référentiels de notions ou ressources pédagogiques validées. Faut-il que chacune reconstruise intégralement ces connaissances ? Pas nécessairement.

Lorsque les droits, les conditions techniques et les responsabilités le permettent, certaines ressources peuvent être produites et maintenues de manière mutualisée. Elles peuvent être mises à disposition sous forme de corpus qualifiés, de référentiels structurés ou de services d'accès aux connaissances.

Les startups conservent alors la possibilité de développer leurs propres applications, interfaces, modèles économiques et fonctionnalités. La mutualisation peut porter sur les ressources communes, sans supprimer la différenciation des services.

Cette perspective soulève toutefois des questions importantes de financement, de gouvernance, de propriété intellectuelle et de maintenance. Elle ouvre une réflexion sur la place que pourraient occuper les patrimoines de connaissances partagés dans les capacités numériques d'un pays.

La chaîne que nous venons de décrire mobilise des compétences, des outils, des méthodes, des prestations et des ressources financières. Elle peut donc constituer un domaine d'activité économique spécialisé.

Des entreprises pourraient proposer des services de préparation de corpus pour l'IA, de formalisation de connaissances métier, de construction de référentiels, de validation ou de maintenance. Des cabinets spécialisés pourraient accompagner les organisations qui souhaitent développer des assistants intelligents sans disposer en interne de toutes les compétences nécessaires.

Des universités et centres de recherche pourraient contribuer à la conception des méthodes et à la formation des professionnels.

Mais une conclusion se dessine : la production de connaissances exploitables par l'IA peut devenir une activité spécialisée, avec ses professionnels, ses méthodes, ses produits et ses modèles économiques.

Nous sommes partis d'une situation simple : un élève qui souhaite comprendre un exercice de mathématiques. Nous avons découvert derrière cette interaction plusieurs activités : identifier les connaissances nécessaires, collecter les sources, formaliser les méthodes, structurer les ressources, valider les contenus, concevoir l'assistance, évaluer les réponses et organiser la maintenance.

Ces activités ne sont pas propres à l'éducation. On retrouve des besoins comparables lorsqu'il s'agit de construire un assistant administratif, juridique, agricole, industriel ou médical, même si les connaissances, les exigences et les risques diffèrent.

Cette observation conduit à élargir notre conception des capacités nationales d'intelligence artificielle. Un pays doit pouvoir accéder aux technologies, développer des applications et former des spécialistes techniques.

Mais il peut également avoir besoin de capacités organisées de production de connaissances exploitables par l'IA, réparties dans ses institutions, ses entreprises, ses laboratoires et ses secteurs d'activité.

Ces capacités reposent sur des compétences humaines complémentaires, des méthodes de production, des mécanismes de validation et des dispositifs de maintenance. Elles constituent une composante importante de l'écosystème nécessaire au développement d'applications intelligentes adaptées aux besoins nationaux.

Lorsqu'un élève pose une question à un assistant IA, il ne voit que l'interface et la réponse. Mais la qualité du service peut dépendre d'un ensemble beaucoup plus vaste de ressources, de méthodes et de compétences.

Les modèles d'intelligence artificielle constituent une composante essentielle de cette architecture. Ils ne remplacent pas automatiquement les connaissances sectorielles, les exigences pédagogiques ni les responsabilités de validation.

Pour construire des applications fiables, il faut donc penser simultanément la technologie, les connaissances et les compétences humaines nécessaires à leur articulation.

Derrière un assistant IA pour élèves, il peut y avoir bien davantage qu'un logiciel : un véritable patrimoine pédagogique organisé, entretenu et mobilisé par une équipe de compétences complémentaires.

Et lorsque cette capacité de production est structurée, reproductible et partagée, elle peut dépasser le cadre d'une application pour contribuer au développement de tout un écosystème d'innovation.

C'est précisément ce passage, de l'application individuelle à la capacité collective, qui donne à l'ingénierie des connaissances sa portée stratégique pour un pays.