De la preuve de concept à la production de masse : ce que révèle la levée d’Ed.ai
La levée de 5 millions d’euros annoncée par Ed.ai en mai 2024, dans un tour mené par Bpifrance, La Poste Ventures et 50 Partners selon le communiqué de la start-up, consacre un basculement discret mais décisif de la correction des copies par intelligence artificielle pour les enseignants. Le marché français de l’EdTech devient plus sélectif sur les preuves d’usage, mais il accepte désormais de financer massivement des solutions de correction de copies manuscrites quand les volumes et les retours terrain sont établis. Entre les premières 100 copies par semaine en phase pilote et les 2 500 copies par jour atteintes en juin 2024, la plateforme a démontré qu’une correction de copies assistée par intelligence artificielle peut tenir la charge opérationnelle dans plusieurs disciplines.
Pour un chef d’établissement, le signal est clair : la question n’est plus de savoir si la correction des copies par intelligence artificielle pour chaque enseignant va arriver, mais comment encadrer son déploiement dans la classe et dans l’établissement. Ed.ai revendique plus de 100 000 copies corrigées en six mois, sur une dizaine de disciplines allant des mathématiques à l’histoire-géographie et à la physique-chimie, avec une IA qui propose une correction, une notation et un barème que l’enseignant doit ensuite vérifier. Ce positionnement « l’enseignant garde la main sur la correction des copies » est rassurant dans le discours, mais il oblige à repenser les critères d’évaluation, la traçabilité des décisions et la formation continue au métier enseignant. Comme le résume une professeure de français d’un lycée de l’académie de Lyon ayant participé à l’expérimentation : « L’outil me fait gagner du temps sur la mise au propre des notes, mais il m’oblige aussi à expliciter davantage mes attentes et mes barèmes auprès des élèves. »
La levée menée par Bpifrance, La Poste Ventures et 50 Partners signale aussi une attente forte en matière d’efficience de la correction et de l’évaluation dans le secondaire. Les investisseurs misent sur la capacité de ces systèmes à traiter des copies manuscrites variées, à reconnaître l’écriture manuscrite et à intégrer des éléments graphiques comme des schémas graphiques ou des graphiques prochainement plus complexes, y compris dans des types d’exercices mixtes. Dans un retour partagé lors d’un webinaire interne, un principal de collège évoque « une baisse d’environ 30 % du temps de correction sur les évaluations de mathématiques de niveau 4e, sans renoncer au contrôle humain sur les notes finales ». Pour les fondateurs d’EdTech, le message est net : sans volumes de copies corrigées, sans données d’usage sur plusieurs années scolaires et sans articulation claire avec le pilotage pédagogique des enseignants, la génération de sujets et la génération de feedback ne suffisent plus à convaincre.
Temps gagné, temps réinvesti : le vrai KPI de la correction assistée par IA
Sur le terrain, la promesse de la correction des copies par intelligence artificielle pour chaque enseignant se mesure moins en minutes économisées qu’en qualité de suivi des étudiants. Quand une IA pré-anote une copie, suggère une notation alignée sur un barème et repère des erreurs récurrentes en dictée ou en mathématiques, la question stratégique devient simple : ce temps libéré est-il réinjecté dans la remédiation personnalisée ou absorbé par d’autres tâches administratives ? Dans plusieurs collèges de l’académie de Lyon, des équipes rapportent déjà que la correction de copies manuscrites par IA permet de consacrer davantage de temps à l’analyse fine des copies corrigées et à la différenciation en classe. Une coordinatrice de cycle évoque ainsi « des réunions d’équipe plus centrées sur les progrès des élèves et moins sur la logistique des paquets de copies ».
Pour que la correction des copies par intelligence artificielle pour les enseignants reste un levier pédagogique, trois garde-fous sont indispensables dès le cadrage de projet. D’abord, définir un style de correction partagé par les enseignants de chaque discipline, avec des critères explicites d’évaluation et de notation, afin que la génération de commentaires automatiques ne crée pas d’inégalités entre classes ou entre établissements. Ensuite, organiser un suivi collectif, par exemple via un logbook d’équipe ou un dispositif de mentorat entre pairs structuré, comme dans les démarches décrites sur le mentorat entre enseignants, pour analyser les écarts entre propositions de l’IA et décisions finales des enseignants.
Dernier point, trop souvent oublié : la transparence vis-à-vis des familles et des étudiants sur l’usage de l’intelligence artificielle dans la correction des copies. Les établissements qui expérimentent ces outils, qu’il s’agisse d’Ed.ai ou d’autres solutions comme Gingo, Examino ou Pyxiscience, doivent expliquer comment les données sont utilisées, comment la protection des données est assurée et qui porte la responsabilité finale de l’évaluation. Sans cette clarté sur les rôles, la promesse de remédiations personnalisées, de génération de sujets adaptés et de nouvelles fonctionnalités de copies ne sera pas perçue comme un progrès mais comme une boîte noire supplémentaire dans une année scolaire déjà dense.
Encadrer l’industrialisation : gouvernance, données et dépendance aux plateformes
Le passage à l’échelle annoncé, avec un déploiement visé dans 500 établissements selon les objectifs communiqués par Ed.ai, transforme la correction des copies par intelligence artificielle pour les enseignants en enjeu de gouvernance, pas seulement de technologie. Un chef d’établissement ou un responsable de formation continue doit anticiper la dépendance potentielle à une plateforme unique, la réversibilité des données de copies corrigées et la capacité à changer d’outil sans perdre l’historique d’évaluation. Les expériences menées dans des lycées de l’académie de Lyon avec des environnements numériques comme Moodle, analysées dans l’étude sur l’usage de Moodle au quotidien, montrent qu’une intégration réussie repose sur une architecture ouverte et des procédures claires de sortie.
La correction des copies par intelligence artificielle pour les enseignants soulève aussi des questions fines de conformité réglementaire et de pilotage des données. Les plateformes qui traitent des copies manuscrites, des éléments graphiques, des schémas graphiques en physique-chimie ou en histoire-géographie doivent garantir une protection des données robuste, y compris pour les journaux de bord de type logbook qui tracent les décisions de notation. Les retours d’expérience sur l’éducation numérique, comme ceux analysés dans l’article consacré à l’impact de l’éducation numérique sur l’apprentissage, rappellent que ce ne sont pas les indicateurs qui transforment les pratiques, mais les leviers d’action que les équipes se donnent collectivement.
Pour les fondateurs d’EdTech, la montée en puissance d’Ed.ai impose enfin un repositionnement stratégique sur la valeur ajoutée réelle pour le métier enseignant. Un outil qui se contente d’automatiser la correction, la notation ou la génération de sujets sans aider les enseignants à affiner leurs critères, à mutualiser leurs barèmes ou à structurer des remédiations personnalisées restera perçu comme un simple gain de temps. Les solutions qui s’inscrivent dans une ingénierie pédagogique plus large, en dialoguant avec les pratiques de classe, les contraintes des différentes disciplines et les cadres académiques comme ceux de Lyon, Nancy-Metz ou Versailles, seront celles qui transformeront durablement la relation entre copies, évaluation et apprentissages.