Le plagiat assisté par l’IA : cauchemar des universités ou simple progression technologique ?

Un devoir qui sonne « trop parfait », une bibliographie impeccable, des tournures sans aspérités : dans les universités, les signaux d’alerte se multiplient depuis la démocratisation des IA génératives. Entre la peur d’une triche massive et l’idée d’un simple changement d’outillage, le débat s’est déplacé du soupçon vers la méthode, et il touche déjà l’évaluation, l’égalité entre étudiants, mais aussi la crédibilité des diplômes, en France comme à l’international.

La triche change de visage, pas d’ampleur

Le soupçon est désormais partout, et il ne ressemble plus à celui d’hier. Longtemps, le plagiat universitaire s’est réduit, dans l’imaginaire collectif, à un « copier-coller » de Wikipédia ou à des passages repris d’articles scientifiques, avec, en face, des logiciels de détection qui surlignent les similitudes. L’IA générative a déplacé le problème : elle produit un texte inédit, statistiquement plausible, souvent correctement structuré, ce qui rend l’emprunt moins visible, et l’intention plus difficile à prouver.

Les chiffres disponibles dessinent une montée en puissance, même s’ils restent fragmentaires selon les pays et les disciplines. Turnitin, l’un des acteurs les plus utilisés dans l’enseignement supérieur, dit avoir analysé des dizaines de millions de copies, et observe, dans ses communications publiques récentes, une progression continue des travaux comportant des passages rédigés par IA, avec une part non négligeable de documents présentant un recours « important » à ce type d’outils. Du côté des étudiants, une étude internationale de l’UNESCO et plusieurs enquêtes universitaires convergent sur un point : l’usage est déjà massif, souvent présenté comme de « l’aide à la rédaction » plutôt que comme de la fraude, et l’écart entre les normes institutionnelles et les pratiques réelles s’élargit.

Pour les équipes pédagogiques, la difficulté est double. D’abord, il faut distinguer l’assistance légitime, par exemple reformuler un passage, clarifier un plan, vérifier une traduction, et la substitution pure et simple, quand l’étudiant délègue la réflexion, les références, l’argumentation, et ne fait que livrer un texte prêt à noter. Ensuite, le terrain de jeu s’est élargi : la fraude ne se limite plus au texte, elle s’invite dans le code informatique, dans les études de cas, dans les résumés d’articles, et même dans des réponses d’examen à livre ouvert.

Le risque, au-delà des notes, est institutionnel. Si les universités laissent s’installer l’idée qu’un mémoire, un rapport de stage ou une dissertation peuvent être produits à moindre coût cognitif, alors la valeur du diplôme devient un sujet de réputation, et la confiance dans l’évaluation s’effrite. Or c’est justement cette confiance, autant que le contenu des cours, qui fonde l’autorité académique.

Détecter l’IA : promesse fragile

Les universités veulent des outils, et le marché répond vite. Détecteurs d’IA intégrés aux plateformes de remise de devoirs, extensions pour enseignants, tableaux de bord d’« authenticité » : l’offre s’est structurée en quelques mois, portée par une demande compréhensible, mais parfois déçue. Car la détection automatique, présentée comme un rempart, se heurte à une limite technique et juridique : un texte « probable » n’est pas une preuve, et l’erreur peut coûter cher.

Sur le plan technique, les détecteurs s’appuient sur des marqueurs statistiques, comme la « perplexité » ou la régularité de la syntaxe, mais ces signaux se brouillent dès qu’un étudiant réécrit, mélange plusieurs sources, ou utilise des outils de paraphrase. À l’inverse, certains styles humains, très structurés ou rédigés par des non-natifs, peuvent être faussement signalés, ce qui pose un problème d’équité. Les éditeurs de solutions le reconnaissent souvent en petits caractères : aucun score ne doit servir de verdict automatique, et le contrôle humain reste indispensable.

Sur le plan juridique, l’enjeu est sensible. Accuser un étudiant de fraude sur la base d’un indicateur probabiliste expose à des contestations, d’autant que les politiques de confidentialité et les conditions de traitement des données varient selon les outils. En Europe, la question s’inscrit dans un cadre plus large, celui du RGPD et, désormais, de l’AI Act, qui impose des exigences de transparence et de gestion du risque pour certains usages. Une université qui outille ses enseignants doit donc sécuriser ses procédures : information claire, critères d’évaluation explicités, droit de réponse, et capacité à justifier la décision au-delà d’un simple pourcentage.

En pratique, de plus en plus d’établissements adoptent une logique de faisceau d’indices. Ils croisent l’évolution du niveau d’écriture, la cohérence des références, la capacité de l’étudiant à défendre oralement son raisonnement, et des éléments de traçabilité, comme des brouillons, un historique de versions, ou des étapes de travail rendues au fil de l’eau. Cela ne supprime pas la fraude, mais cela la rend plus coûteuse, et surtout, cela réintroduit une dimension essentielle : l’apprentissage est un processus, pas seulement un produit final.

Réinventer l’évaluation, sans punir l’usage

La question n’est plus seulement « comment attraper », elle devient « comment évaluer ce qui compte ». Beaucoup d’universités le constatent : si l’on continue à noter des productions standardisées, très reproductibles, alors l’IA restera structurellement avantagée. L’enjeu est donc de déplacer la note vers ce que la machine fait moins bien, ou vers ce qu’elle ne peut pas faire sans l’étudiant : l’expérience, la méthode, l’argumentation située, et la capacité à justifier ses choix.

Concrètement, cela passe par des formats plus difficiles à automatiser. Les oraux reviennent en force, notamment les soutenances courtes, où l’étudiant doit expliciter une démarche, répondre à une question imprévue, ou commenter une source. Les travaux « ancrés » dans le réel se multiplient aussi : analyses de données locales, enquêtes de terrain, entretiens, observations, journaux de bord, et études de cas construites à partir de documents internes fournis par l’enseignant. Même dans les disciplines littéraires, on voit apparaître des consignes plus précises : comparer deux corpus imposés, analyser une édition spécifique, ou articuler un texte avec un cours, ce qui oblige à travailler une matière contextualisée.

Cette réinvention ne peut toutefois pas se résumer à une surenchère de contraintes. Il y a un risque d’injustice si l’on transforme chaque devoir en parcours du combattant, surtout pour les étudiants qui cumulent emploi, contraintes familiales, ou difficultés d’accès aux ressources. La solution la plus robuste est souvent pédagogique : clarifier ce qui est autorisé, enseigner l’usage, et évaluer l’esprit critique. Dans plusieurs établissements anglo-saxons, des chartes encadrent déjà l’assistance par IA, par exemple pour la correction de langue, l’aide au plan, ou la génération d’idées, tout en interdisant la production intégrale non déclarée, et en demandant une transparence sur les prompts ou les étapes.

Cette approche suppose une compétence nouvelle, et elle n’est pas réservée aux départements d’informatique. Comprendre les biais, les hallucinations, les limites de vérifiabilité, et la manière dont un modèle « invente » des références est devenu un enjeu transversal. Pour de nombreux enseignants, le besoin est urgent : se former, échanger des pratiques, et disposer de guides concrets. Pour aller plus loin sur ces ressources et ces actualités, il est possible d’explorer cette page pour plus d'informations, qui agrège des contenus et des signaux du secteur.

Diplômes, égalité, confiance : le vrai front

Le débat sur le plagiat assisté par l’IA masque parfois des enjeux plus larges, et plus politiques. Le premier, c’est l’égalité. Tous les étudiants n’ont pas le même accès aux outils, ni aux versions payantes, ni au matériel, ni au temps pour expérimenter. Certains savent « parler » à la machine, optimiser un prompt, vérifier, reformuler, et d’autres se contentent d’un résultat brut, souvent moins bon, ou plus risqué. Si l’université laisse faire sans encadrement, elle transforme une inégalité numérique en inégalité académique.

Le deuxième enjeu, c’est la confiance dans les compétences certifiées. Dans des filières professionnalisantes, un diplôme n’est pas qu’un papier : il signale une capacité à rédiger un rapport, analyser un dossier, produire une recommandation, ou écrire du code fiable. Or l’IA peut donner l’illusion de la maîtrise, et masquer des lacunes profondes, notamment sur les fondamentaux. Les employeurs s’adaptent déjà, avec plus de tests pratiques, plus d’entretiens techniques, et une attention accrue à la capacité à expliquer un raisonnement, pas seulement à livrer un livrable.

Enfin, le troisième enjeu, c’est la culture scientifique. Une IA générative peut produire un texte convaincant, mais faux, inventer des sources, ou mélanger des concepts, et le danger n’est pas seulement la triche, c’est l’érosion de l’exigence de vérification. Si l’on habitue une génération à accepter des réponses plausibles sans contrôler les preuves, on fragilise la méthode universitaire elle-même. À l’inverse, bien encadrée, l’IA peut devenir un outil de dialogue : demander des contre-arguments, tester une hypothèse, générer des pistes de lecture, puis vérifier, corriger, et citer proprement. La frontière, ici, n’est pas technologique, elle est intellectuelle.

Ce qu’il faut retenir avant de rendre un devoir

Les règles changent selon les universités, et mieux vaut les vérifier avant de se lancer : certaines autorisent l’aide à la langue, d’autres exigent une déclaration d’usage, et les sanctions peuvent aller de la note annulée à la procédure disciplinaire. Côté budget, les versions payantes existent mais ne garantissent ni exactitude ni sécurité, et des ateliers gratuits de formation sont souvent proposés par les bibliothèques universitaires ou les services numériques.