Mémoires « trop parfaits », cours préparés avec ChatGPT, ou Gemini articles résumés à la machine : l’IA générative s’est installée dans l’éducation, la recherche et les professions du savoir au Sénégal plus vite que nos repères. Ni fascination, ni interdiction : voici comment passer de l’inquiétude à la méthode.

Le débat n’est -il pas derrière nous ?

Dans les couloirs de l’Université Cheikh Anta Diop, la scène est devenue assez courante : des étudiants qui font expliquer un cours par ChatGPT, Gemini résument des supports volumineux avec Gemini ou préparent leurs révisions avec Claude ; des enseignants qui génèrent des questionnaires, des cas pratiques et des retours plus rapides à leurs étudiants. Le reportage consacré par l’Agence de presse sénégalaise à l’introduction de l’IA à l’UCAD, en avril dernier, le résume en une formule : l’outil séduit, mais interroge. Et la direction des affaires pédagogiques y pose la limite qui fait consensus : « un étudiant qui fait rédiger son mémoire par ChatGPT n’apprend rien » [1].

Le mouvement dépasse largement Dakar. En septembre 2025, le ministère de l’Éducation nationale a annoncé un programme de formation de 105 000 enseignants aux usages de l’IA, adossé à la Stratégie du numérique pour l’éducation [2]. L’UCAD a enchaîné quatre ateliers pour ses enseignants-chercheurs et prépare une charte d’usage responsable [3]. L’École des chercheurs en IA, portée par l’ASCII et AI Hub Sénégal, a formé une première cohorte issue des universités du pays [4]. À la base du système, l’application Karibu, soutenue par l’AFD, teste avec des enseignants de Dakar et de Thiès un modèle frugal d’aide à la maîtrise du français [5]. Et des initiatives comme AWA, l’assistant vocal en wolof d’Andakia, rapprochent l’IA des réalités linguistiques du pays [6] un enjeu décisif quand près de quatre résidents sur dix restent éloignés de l’écrit selon le dernier recensement de l’ANSD [7].

Le Sénégal n’en est donc plus à se demander s’il faut utiliser l’IA. Il en est à une question beaucoup plus exigeante : comment l’utiliser sans affaiblir la qualité du jugement, l’intégrité des travaux et la confiance des publics ?

Des gains réels à condition de poser la bonne question

« Quel est le meilleur outil d’IA ? » est la question que l’on me pose le plus souvent et pourtant elle est mal posée. La bonne question est triple : quel outil IA est meilleur pour quelle tâche ? avec quelles données ? avec quel niveau d’exigence sur les sources ? Un enseignant de lycée, du supérieur qui différencie ses exercices selon les niveaux, un chercheur qui balaie une littérature avec des outils citant leurs sources (Perplexity, Elicit, ManusAI, Consensus), un juriste qui analyse un contrat long, une ONG qui synthétise des rapports officiels pour son plaidoyer : tous gagnent un temps considérable à condition de choisir l’outil selon la tâche, et jamais l’inverse.

Deux règles simples sécurisent l’essentiel. D’abord, plus une tâche engage des faits (chiffres, références, droit, etc), plus l’outil doit citer ses sources et plus la vérification humaine doit être stricte : les IA génératives excellent à reformuler, structurer, expliquer ; elles sont structurellement médiocres à « savoir ». Ensuite, aucune donnée sensible ne doit entrer dans un outil public : ni notes ou copies d’élèves, ni données de bénéficiaires, ni pièces de clients. Pour ces usages, on travaille sur corpus fermé en fournissant soi-même ses documents à l’outil ou pas du tout.

Les hallucinations, ou l’aplomb du faux

Le mot peut impressionner, mais la réalité est simple à comprendre et il faut la comprendre, car c’est le risque numéro un pour tous ceux dont le métier repose sur des faits exacts notamment.

De quoi parle-t-on exactement ? Une hallucination est un contenu factuellement faux ou invérifiable, produit par une IA générative avec le même aplomb qu’un contenu exact : une référence bibliographique dotée d’un auteur réel, d’un titre cohérent, d’un DOI plausible… mais qui n’existe pas ; un chiffre précis qui n’a jamais été mesuré ; un article de loi déformé ; un événement historique imaginaire. Le piège est là : la réponse est fluide, structurée, assurée. Rien, dans sa forme, ne distingue le vrai du faux car l’IA ne sait pas si ce qu’elle dit est vrai ou faux, elle prédit des mots.

Pourquoi cela se produit-il ? Ce n’est ni un bug, ni une panne, ni une malveillance. C’est le fonctionnement même de ces outils. Un modèle génératif ne consulte pas une base de faits vérifiée : il prédit, mot après mot, la suite la plus probable d’un texte, d’après les milliards de documents sur lesquels il a été entraîné. Il optimise la vraisemblance, pas la vérité. Imaginez un étudiant brillant à l’oral qui n’aurait pas révisé : il ne se tait jamais, il improvise avec assurance. Sur un sujet abondamment documenté, son improvisation tombe souvent juste ; sur un sujet rare, il comble les trous avec du plausible. Ajoutez à cela que ces outils sont conçus pour toujours produire une réponse : laissés à eux-mêmes, ils disent rarement « je ne sais pas ».

Quelles conséquences concrètes ? Elles varient selon les métiers, et aucune n’est anodine. Pour un enseignant, c’est un support de cours erroné diffusé à des centaines d’élèves ou étudiants qui prendront l’erreur pour un savoir. Pour un étudiant ou un doctorant, ce sont des références introuvables dans un mémoire — détectées à la relecture, elles ruinent la crédibilité du travail entier. Pour un chercheur, une citation fausse dans un article engage sa réputation scientifique. Pour un think tank ou une ONG, un chiffre inventé dans une note de plaidoyer transmise à un bailleur ou à un décideur peut fausser une décision et abîmer durablement la confiance. Pour un juriste, le risque est maximal : des avocats ont déjà été sanctionnés aux États-Unis pour avoir cité devant un tribunal des décisions de justice inventées par une IA [8]. Le coût est asymétrique : l’erreur se génère en dix secondes, se propage en un clic, et se paie en crédibilité, la ressource la plus lente à reconstruire.

Comment lutter efficacement ? Par ordre d’efficacité décroissante. Le geste le plus puissant est l’ancrage : fournir à l’outil ses propres documents (rapports, textes officiels, articles) et lui demander de répondre à partir de ce corpus avec un outil comme NotebookLM ou par simple pièce jointe, le taux d’erreur chute massivement. Deuxième geste : pour toute recherche factuelle, préférer les outils qui citent leurs sources (Perplexity, Consensus, Elicit) et tester les liens — une source introuvable équivaut à un fait non établi. Troisième geste : verrouiller sa consigne en autorisant explicitement l’outil à répondre « je ne sais pas » et en exigeant qu’il distingue fait établi et hypothèse. Quatrième geste : la triangulation aucune affirmation importante n’est retenue sans deux sources indépendantes, et toute référence se vérifie en trente secondes sur internet, Google Scholar, médias spécialisés, revues ou tribunes etc. Et sachons ce qui ne marche pas : se fier au ton assuré de la réponse, ou demander à l’IA « es-tu sûre ? » elle confirmera avec le même aplomb.

Et dans le contexte sénégalais ? Le risque y est structurellement plus élevé, pour une raison précise : les modèles dominants sont entraînés sur des corpus massivement occidentaux, et une grande partie de la production sénégalaise rapports administratifs, études, décisions, données locales n’est pas ou peu numérisée et mise en ligne. Sur l’histoire locale, le droit sénégalais ou une statistique régionale, le modèle a peu de matière : il comble davantage, donc il invente davantage. Trois réflexes s’imposent chez nous. D’abord, constituer sa propre bibliothèque numérique locale (Journal officiel, rapports de l’ANSD, études sectorielles, textes ministériels, éléments de contexte écrits, etc) et la fournir systématiquement à l’outil : c’est le context engineering, donner à l’IA le contexte local qu’elle n’a pas [9]. Ensuite, appliquer une double vigilance sur toute réponse concernant un sujet local, aussi bien écrite soit-elle : vérification auprès de la source officielle ou d’un expert humain, sans exception. Enfin, pour les contenus en wolof ou en pulaar, faire évaluer les sorties par des locuteurs natifs connaissant le domaine, une phrase grammaticalement correcte peut porter un contresens technique. Et il y a une leçon collective : chaque rapport, chaque étude, chaque texte que nos institutions publient en ligne réduit l’espace laissé à l’invention des machines. La lutte contre les hallucinations est aussi, au fond, un enjeu de souveraineté informationnelle.

L’hallucination n’est donc pas une raison de renoncer à l’IA. C’est une raison de l’utiliser en professionnel, avec une règle simple : l’IA propose, l’humain vérifie et décide.

Étudiants : tracer plutôt qu’interdire

C’est la préoccupation la plus vive des enseignants et directeurs de mémoire. Disons-le clairement : les détecteurs automatiques de texte IA ne sont pas fiables faux positifs, faux négatifs, scores indéfendables en cas de contestation et l’interdiction totale est intenable, tant les usages sont massifs et souvent légitimes. La réponse efficace est ailleurs : dans la traçabilité et l’évaluation de l’appropriation.

Concrètement : l’étudiant qui utilise l’IA la déclare et tient un journal d’usage outils, prompts, vérifications effectuées. L’encadrant, lui, évalue l’appropriation intellectuelle : un entretien sur le processus (« montre-moi ton carnet de notes, tes données brutes, tes versions successives »), une reformulation orale de l’argument central, des sujets ancrés dans le terrain local que l’IA ne connaît pas. Qui a pensé son travail le raconte avec ses mots ; qui l’a généré récite ou bafouille. Le message à afficher dans nos établissements tient en deux phrases : l’IA est autorisée, l’opacité ne l’est pas.

Garder la main
Pour l’utilisateur, trois questions de trente secondes avant chaque génération suffisent à sécuriser la pratique quotidienne :

– Vérifié ? Ai-je prévu de croiser les faits clés avec deux sources indépendantes ?
– Tracé ? Mon journal d’usage de l’IA est-il à jour ?
– Protégé ? Zéro donnée sensible dans ce prompt ? Un seul « non » : on ne génère pas.

Pour les institutions universités, écoles, laboratoires, think tanks, ONG, cabinets, l’enjeu est de structurer ces repères avant que les usages ne se figent : une charte d’usage, une formation des équipes ancrée dans les cas métiers réels, quelques cas d’usage priorisés. Celles qui le feront transformeront un facteur de risque en avantage durable ; les autres subiront les usages au lieu de les piloter. Ce n’est ni de la fascination, ni de la peur : c’est de la méthode. Et la méthode, cela s’apprend.

Pour aller plus loin : la note d’analyse complète (7 pages) sur les outils IA adaptés par métier, garde-fous détaillés, procédure de vérification des travaux étudiants et sources est en libre accès sur www.nexaiconseil.com/publications

Boubacar Diallo [10]

Sources : APS (3 et 17 avril 2026) · APAnews (18 septembre 2025) · AFD (février 2025) · Social Net Link / OSIRIS (avril 2025) · ANSD, RGPH-5 (2023) · TRT Afrika (décembre 2024) · Management & Avenir, n° 148 (2025).

(Source : Social Net Link, 29 juillet 2026)