De plus en plus, on constate que des institutions, des individus et des collectifs s’expriment quant à leurs raisons de ne pas utiliser l’intelligence artificielle générative (IAg) en contexte universitaire. Ces raisons sont diverses et en prendre connaissance permet de mieux comprendre les motivations qui sous-tendent ce choix.
Wyatt, Thomas et Terranova (2002) ont développé la notion de non-usagers, en montrant que le non-usage n’est pas un simple déficit d’accès, mais peut relever d’un choix. Ils distinguent quatre catégories de « non-usagers »:
- les rejecters (abandon volontaire à la suite d’une mauvaise expérience) ;
- les expelled (abandon involontaire par déficience) ;
- les excluded (non-accès par manque de moyens) ;
- les resisters (refus).
Nous explorons ici les cas de refus explicite. Nous restons toutefois conscients que, derrière certaines des raisons exprimées dans cet article, l’incapacité à utiliser ces outils ou leur méconnaissance peut influencer la décision consciente de ne pas y recourir. L’objectif de cette dépêche est d’offrir un aperçu global de ces raisons, mais elle ne prétend pas être exhaustive.
La préservation de valeurs pédagogiques
Intégrité académique
L’intégrité académique constitue probablement la justification la plus immédiatement associée au non-recours à l’IA. On la retrouve dans le discours de certaines institutions et chez des membres du corps professoral. Il est évident que la réputation et la crédibilité des différents établissements d’enseignement reposent sur la valeur accordée aux diplômes qu’ils délivrent. À l’échelle de programme, on retrouve également des exemples similaires. Par exemple, le programme en médecine à McGill exige le retour des examens en présentiel. En droit, à l’Université californienne Berkeley, le programme interdit par défaut l’usage des IAg dans toutes les étapes de travaux universitaires. (Palmer, 2026, Aloccio, 2026)
Les personnes étudiantes elles-mêmes évoquent la peur d’être accusées de tricherie comme un frein à l’utilisation des outils d’IAg, y compris lorsqu’un usage légitime en serait fait. Ce motif figure parmi les principales raisons de non-utilisation relevées par le sondage HEPI-Kortext (Stephenson et Armstrong, 2026), ainsi que par l’étude de Colbran, Jha et Schiavone (2026). Margot Aloccio, étudiante, rapporte dans un article du McGill Daily que le flou entourant les limites entre une assistance autorisée et une infraction académique crée une « zone grise » d’incertitude qui dissuade certains étudiants d’utiliser ces outils, par crainte d’être injustement sanctionnés malgré une intention de travail honnête.
Développement des compétences et pensée critique
Préserver le développement des compétences est un autre enjeu important. Cette raison semble faire consensus, autant au sein des institutions que chez les individus, qu’ils soient enseignants ou étudiants, sur le fait que l’existence de ces outils ne doit pas mettre en péril les apprentissages.
La résolution adoptée en mars 2026 par la Conference on College Composition and Communication (CCCC), une association professionnelle américaine regroupant des enseignantes et enseignants de rédaction en formation supérieure, va dans le même sens : parmi les motifs de refus qu’elle recense figure l’importance de la pensée critique développée par l’écriture, jugée menacée par un recours trop systématique à l’Iag.
Cette crainte trouve un appui empirique dans l’étude de Gerlich (2025), qui observe une corrélation négative entre l’usage fréquent d’outils d’IA et les compétences de pensée critique, un lien expliqué en bonne partie par le phénomène de délestage cognitif (cognitive offloading).
Dans une étude sur l’utilisation des outils d’IA dans un cours d’ingénierie, Dai (2025) rapporte que le non-usage tient principalement aux limites que les personnes étudiantes prêtent aux modèles d’IA. Ces dernières craignent que des productions dérivées de données d’entraînement compromettent l’originalité et l’innovation exigées dans leurs travaux.
Dans le même ordre d’idées, un rapport de l’Université d’Oxford (2026) portant sur l’intégration de l’IA en contexte scolaire décrit le refus d’utiliser l’IAg chez les adolescentes et adolescents comme une quête d’authenticité. Ceux-ci préfèrent exprimer leurs propres convictions plutôt que de déléguer la formulation de leurs idées à un outil qu’ils jugent incapable de saisir leur identité et leurs nuances personnelles.
Certains formats d’évaluation, comme les examens oraux (« viva voce ») ou les discussions basées sur la méthode socratique, incitent également les étudiants à délaisser l’IA, celle-ci étant perçue comme un intermédiaire inutile lorsqu’une démonstration de pensée autonome et spontanée est exigée (Lindkvist et al., 2026 ; Palmer, 2026).
Par ailleurs, le choix de ne pas utiliser l’IA peut découler d’un impératif de responsabilité professionnelle, les personnes étudiantes craignant d’être tenues responsables d’erreurs factuelles ou d’« hallucinations » produites par l’algorithme, particulièrement dans des disciplines où l’exactitude est critique (Palmer, 2026).
Relation pédagogique
Pour le personnel enseignant, il est aussi question de préserver la relation pédagogique. En effet, l’utilisation de l’IAg peut court-circuiter la relation entre l’étudiant et l’enseignant, puisque l’apport de la machine peut sembler suffisant à lui seul pour soutenir les apprentissages. Les personnes étudiantes pourraient alors être davantage portées à consulter l’IA plutôt qu’à développer une relation pédagogique avec leur enseignant.
Toutefois, les résultats de Colbran et al. (2026) rapportent l’importance que les personnes étudiantes accordent à cette relation : en effet, cette enquête montre que plusieurs étudiants préfèrent s’adresser directement au personnel enseignant plutôt qu’à un agent conversationnel, jugé moins fiable ou moins rassurant. Les étudiants entre eux motivent leurs refus de l’IA par la volonté de préserver la dimension sociale de l’apprentissage, craignant que l’automatisation ne court-circuite les échanges humains et la cohésion nécessaires au travail d’équipe (Dai, 2025).
La protection de valeurs citoyennes
Environnement
La protection de l’environnement est une autre raison évoquée. Celle-ci est davantage mise de l’avant par les individus, particulièrement par les personnes étudiantes, certains étudiants s’abstenant d’utiliser ces technologies pour éviter de contribuer à l’importante empreinte carbone et à la consommation d’eau élevée associées au fonctionnement des modèles d’IA (Lindkvist et al., 2026 ; Rowsell, 2026).
Le fait que cette préoccupation résonne plutôt avec les individus met en lumière un paradoxe au niveau des établissements : il semble contradictoire pour des institutions officiellement engagées dans la lutte contre l’« urgence climatique » de négliger l’empreinte carbone massive de l’IA générative sous prétexte que le problème est complexe ou mal documenté (Rowsell, 2026).
Vie privée
La protection des données personnelles constitue un autre motif de retenue.
Cette préoccupation est également au cœur des orientations internationales en la matière : l’UNESCO en fait un axe central de sa gouvernance de l’IAg en éducation, recommandant notamment d’encadrer la protection des données et de fixer un âge minimal pour l’usage autonome de ces outils par les élèves (Miao et Holmes, 2023).
Marché du travail et droits des travailleurs
La protection du marché du travail constitue également une préoccupation importante chez les futurs professionnels. Selon l’Organisation internationale du Travail, environ le quart des emplois dans le monde présenteraient aujourd’hui un certain degré d’exposition à l’IAg (OIT, 2025). Certains font donc le choix de ne pas alimenter cette dynamique en s’abstenant d’utiliser ces outils.
La résistance à une industrie accaparante
Dépendance aux grandes plateformes
La dépendance aux grandes plateformes (ChatGPT, Claude, Gemini, etc.) est une autre raison invoquée pour ne pas utiliser ces outils. Constatant l’influence croissante des entreprises liées à l’IA, certaines personnes choisissent de résister à ce phénomène en refusant d’y recourir.
Le rapport québécois du CSE et de la CEST formule d’ailleurs la recommandation suivante : « l’intégration de l’IAg dans l’enseignement supérieur ne devrait pas être impulsée par des intérêts marchands, puisque l’enseignement supérieur demeure un bien commun » (Conseil supérieur de l’éducation et Commission de l’éthique en science et en technologie [CSE-CEST], 2024). La souveraineté des infrastructures technologiques et des données est ainsi considérée comme un enjeu majeur.
Liberté académique et droit de refus
La résolution du CCCC affirme le droit des étudiants et du personnel enseignant à refuser de recourir à l’IAg dans la salle de classe de classe. Elle propose une perspective critique de la dépendance aux plateformes et de ce qu’elle qualifie de culture de l’adhésion obligatoire aux grandes entreprises technologiques.
Mésinformation / Désinformation
Dans leur étude, Colbran, Jha et Schiavone (2026) identifient également comme raison de non-utilisation par les personnes étudiantes la perception que les réponses fournies ne sont ni fiables, ni précises, ni sûres. Malgré des avancées, la nature non déterministe des outils d’IAg amène les utilisateurs à refuser de les utiliser sans garde-fou. Dans le cas d’utilisateurs néophytes, cela peut entraver le processus d’apprentissage. Kalai, Nachum, Vempala et Zhang (2025), chercheurs chez OpenAI, montrent que les hallucinations découlent structurellement des méthodes d’entraînement et d’évaluation des modèles, qui récompensent la formulation de réponses plausibles, plutôt que la reconnaissance de l’incertitude.
Conclusion
Ces différentes logiques – préserver, protéger, résister – ne s’excluent pas mutuellement et même se recoupent. Il se dessine toutefois des contrastes entre les institutions qui tendent à invoquer des motifs liés à l’intégrité et à la crédibilité, alors que les individus mettent davantage de l’avant des enjeux de société, tels que l’environnement, la vie privée, les conditions de travail et la dépendance aux grandes plateformes.
Références
Aloccio, M. (2026, 26 janvier). Is AI Killing Academic Integrity? The McGill Daily.
Colbran, S., Jha, M. & Schiavone, C. Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education. Int J Educ Technol High Educ 23, 28 (2026). https://doi.org/10.1186/s41239-026-00605-w
Conference on College Composition and Communication. (2026, 6 mars). 2026 CCCC resolutions. National Council of Teachers of English. https://cccc.ncte.org/cccc/2026-resolutions/
Conseil supérieur de l’éducation et Commission de l’éthique en science et en technologie (2024). Intelligence artificielle générative en enseignement supérieur : enjeux pédagogiques et éthiques, Québec, Le Conseil ; La Commission, 135 p. https://www.cse.gouv.qc.ca/ia-generative-ens-superieur/
Dai, Y. (2025). Why students use or not use generative AI: Student conceptions, concerns, and implications for engineering education. Digital Engineering, 4, 100019. https://doi.org/10.1016/j.dte.2024.100019
Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc1501000
Kalai, Adam & Nachum, Ofir & Vempala, Santosh & Zhang, Edwin. (2025). Why Language Models Hallucinate. 10.48550/arXiv.2509.04664.
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
Organisation internationale du Travail. (2025). Intelligence artificielle générative et emploi : révision 2025. https://www.ilo.org/fr/publications/intelligence-artificielle-generative-et-emploi-revision-2025
Oxford University Press. (2026, juin). Navigating AI in Education: Pupils’ perspectives on the role of AI in the classroom (Research Report).
Palmer, K. (2026, 14 juillet). To AI-Proof Lawyers, Some Law Schools Restrict Technology. Inside Higher Ed.
Rogers, D. D. (2026, 18 août). Banning student AI use will let original thinking flourish again. Times Higher Education.
Rowsell, J. (2026a, 29 juin). Are universities returning to in-person exams to combat AI cheating? Times Higher Education.
Rowsell, J. (2026b, 17 août). Is universities’ AI embrace undermining their net-zero targets? Times Higher Education.
Stephenson, R., & Armstrong, C. (2026). Student generative AI survey 2026 (HEPI Report 199). Higher Education Policy Institute. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/
Wyatt, S., Thomas, G., & Terranova, T. (2002). They came, they surfed, they went back to the beach: Conceptualising use and non-use of the Internet. In S. Woolgar (Ed.), Virtual society? Technology, cyberbole, reality (pp. 23–40). Oxford University Press.
