1. Introduction et problème

Dans les écoles de l’enseignement de base et de la petite enfance circule une équation dangereuse : devenir lettré en intelligence artificielle reviendrait à asseoir les enfants devant un agent conversationnel. Cette équation confond trois objets distincts. Le premier est l’usage d’un outil. Le second est la compréhension d’un ensemble d’idées — donnée, motif, prédiction, limite, agentivité humaine — qui permet de reconnaître un système, d’expliquer d’où vient une erreur et de décider quand ne pas déléguer un jugement. Le troisième est la conversation indépendante avec un modèle génératif, que le Guide de l’UNESCO sur l’IA générative réserve à un seuil minimal de treize ans et soumet à une vérification d’âge et à une supervision (Miao et Holmes, 2023). Les mêler produit une pédagogie de l’interface : l’élève « utilise l’IA » sans pouvoir dire ce qu’est une donnée d’entraînement, pourquoi un classifieur se trompe ou qui répond d’une décision.

Le problème n’est pas mineur. Long et Magerko (2020) ont défini la littératie en IA comme l’ensemble des compétences qui permettent d’évaluer de manière critique les technologies, de communiquer et de collaborer avec elles, et de les utiliser comme outil. Cette définition n’exige pas de programmer ; elle ne se réduit pas non plus à actionner une invite. Touretzky, Gardner-McCune, Martin et Seehorn (2019) ont organisé ce que tout élève K-12 devrait savoir en cinq grandes idées — perception, représentation et raisonnement, apprentissage, interaction naturelle et impact sociétal — avec les bandes K-2, 3-5, 6-8 et 9-12. Le cadre UNESCO pour les élèves — distinct de celui des enseignants — propose douze blocs en quatre aspects et trois niveaux : comprendre, appliquer et créer (Miao, Shiohira et Lao, 2024). L’AILit de 2026 ajoute quatre domaines — interagir, créer, gérer et façonner — comme référence commune, non comme méthode de jardin d’enfants (European Commission et OECD, 2026).

La thèse de cet article est restrictive. La littératie en IA dans l’enseignement de base et la petite enfance n’est pas « utiliser ChatGPT en classe ». C’est un curriculum d’idées compatible avec des seuils d’âge. Ce curriculum peut commencer bien avant treize ans — reconnaître un capteur, étiqueter des exemples, voir qu’un modèle se trompe lorsque la donnée est déséquilibrée, affirmer qu’une personne décide — et, précisément pour cela, n’a pas besoin d’une conversation indépendante avec un système génératif. Là où la source ne mesure pas le développement de l’enfant, le rendement académique ou une « préparation à l’avenir », cet article ne le promet pas.

Le vide qui organise le travail est triple. Premièrement, les revues de littératie K-12 documentent l’abondance des propositions et la rareté des évaluations de la compréhension des concepts (Casal-Otero et al., 2023). Deuxièmement, la littérature de la petite enfance mélange souvent des outils qui utilisent l’IA pour enseigner autre chose et l’enseignement sur l’IA (Su et Yang, 2022). Troisièmement, le seuil d’âge de Miao et Holmes (2023) laisse un intervalle pédagogique que l’école remplit souvent par l’improvisation : que enseigne-t-on sur l’IA lorsqu’on ne converse pas encore seul avec elle ? Cet article répond à cette question pour les élèves, non pour les enseignants (axe du 19 août matin), non pour la médiation parentale (19 août extra), non pour l’inclusion et le handicap (20 août, 5 h) et non avec PopBots ou des tuteurs personnalisés comme axe.

2. État de l’art : compétences, grandes idées et seuils

Il convient de séparer trois strates. La première est conceptuelle : comment se définit la littératie en IA. La deuxième est normative : ce que prescrivent l’UNESCO, l’UNICEF, AI4K12 et l’AILit. La troisième est empirique : ce que mesurent les interventions auprès de jeunes enfants et d’élèves du primaire lorsque l’objet est de comprendre l’IA, non de l’utiliser comme tuteur.

Dans la strate conceptuelle, Long et Magerko (2020) ont synthétisé la littérature interdisciplinaire en dix-sept compétences et seize considérations de conception. La littératie numérique est un prérequis ; la littératie computationnelle — savoir programmer — ne l’est pas. Le cadre groupe ce qu’est l’IA, ce qu’elle peut faire, comment elle fonctionne, comment elle devrait être utilisée et comment les personnes la perçoivent. Ng, Leung, Chu et Qiao (2021), à partir de trente articles, ont proposé quatre aspects : connaître et comprendre, utiliser et appliquer, évaluer et créer, et questions éthiques. Ce quatuor est utile comme carte, non comme preuve de classe. Casal-Otero et al. (2023) ont passé en revue 179 documents Scopus et trouvé deux grandes familles — expériences d’apprentissage et perspectives théoriques — et une rareté réitérée : « il n’y a eu presque aucune expérience qui ait évalué si les élèves comprenaient les concepts d’IA après l’expérience ». Cet énoncé est un constat de synthèse : il autorise le scepticisme face aux catalogues d’activités qui ne mesurent pas la compréhension.

Dans la strate normative des grandes idées, Touretzky et al. (2019) et le site AI4K12.org — initiative conjointe AAAI–CSTA — fixent cinq idées et quatre bandes de grade. En K-2, la perception s’introduit comme différence entre un capteur simple et une machine qui extrait du sens ; l’apprentissage, comme reconnaissance de motifs ; l’impact sociétal, comme conversation sur l’équité à l’échelle de l’enfant. En 3-5, les élèves recueillent et étiquettent des données pour entraîner de simples classifieurs et discutent du fait que la qualité de la donnée affecte le résultat (AI4K12 Initiative, 2020 ; Touretzky et Gardner-McCune, 2021). Ces progressions sont des cadres de conception curriculaire, non des essais. Leur valeur est qu’elles permettent d’enseigner sur l’IA sans conversation générative : un enfant de six ans peut classer des pierres et voir que le « modèle » humain se trompe aussi ; un agent conversationnel n’est pas nécessaire.

Dans la strate normative mondiale, Miao, Shiohira et Lao (2024) ancrent le cadre des élèves dans les droits humains, l’inclusion et l’équité. Le niveau Comprendre est pensé pour tous et inclut des options débranchées. Le niveau Créer, en particulier la conception de systèmes, est un approfondissement électif. Vers 2022, seulement une quinzaine de pays avaient inclus des objectifs d’IA dans le curriculum national. Le cadre met en garde contre des compétences dictées par des plateformes privées. Cet avertissement est l’envers de la thèse : alphabétiser n’est pas former à une marque.

Miao et Holmes (2023) ne sont pas un cadre de compétences des élèves ; ils sont cités pour le seuil, non comme axe enseignant. Le Guide propose de « définir et faire appliquer une limite d’âge pour l’usage de la GenAI » et affirme que « le seuil minimal devrait être de treize ans » pour les conversations indépendantes, en dialogue avec la COPPA (treize) et le RGPD (seize sans autorisation parentale). Les outils non étudiés ne sont pas appropriés à l’enseignement primaire. L’UNICEF (2021) formule neuf exigences ; sont nucléaires ici soutenir le bien-être, protéger les données, assurer la sécurité, offrir la transparence et préparer les enfants à un monde avec l’IA. « Préparer » est un mandat de politique, non une mesure d’effet. La Recommandation de 2021 exige une supervision humaine et la non-discrimination (UNESCO, 2021). L’AILit organise dix-neuf compétences et un fondement non lié aux outils (European Commission et OECD, 2026). L’OCDE (2025) demande ce que les élèves devraient apprendre face à une IA puissante ; elle ne prescrit pas un agent conversationnel pour le premier cycle.

Dans la strate empirique de la petite enfance, Su et Yang (2022) ont passé en revue dix-sept études de 1995 à 2021 et conclu que la plupart rapportaient des améliorations de concepts sur l’IA, l’apprentissage automatique, l’informatique et la robotique, ainsi qu’en créativité, contrôle émotionnel, enquête collaborative, littératie et pensée computationnelle. Cette affirmation est une synthèse d’un corpus petit et hétérogène, non une méta-analyse d’effets sur le développement. Cet article retient le constat qu’il existe des expériences de concepts ; il n’adopte pas l’inférence selon laquelle l’IA « développe » l’enfant. Vartiainen, Tedre et Valtonen (2020) et Sanusi et al. (2024) — détaillés à la section 6 — montrent, avec de petits échantillons en contextes informels, que des enfants de trois à treize ans peuvent inférer des relations entrée-sortie en « enseignant » un classifieur. Ils ne mesurent pas le rendement scolaire.

Le vide, alors, n’est pas l’absence de cadres. C’est la confusion entre cadre, constat et marketing. L’école de base et de la petite enfance a déjà, dans les documents vérifiés, un lexique suffisant : grande idée, bande de grade, niveau Comprendre, donnée, biais, agentivité. Ce qui manque, c’est la discipline de ne pas remplacer ce lexique par une licence d’agent conversationnel.

3. Méthode de revue

Une revue narrative critique a été menée, non une méta-analyse. Le but n’était pas d’estimer une taille d’effet comparable — inexistante de manière homogène entre un atelier de trente heures, un curriculum de sciences de la vie et une étude de cas informelle avec six enfants — mais d’articuler un argument curriculaire avec des sources vérifiées. Les critères d’inclusion étaient : (a) publication entre 2021 et 2026, avec exception justifiée de cadres encore en vigueur (Touretzky et al., 2019 ; Long et Magerko, 2020 ; Vartiainen et al., 2020 ; UNESCO, 2021 ; UNICEF, 2021) ; (b) foyer sur les compétences d’élèves de la petite enfance ou de l’enseignement de base (environ 3 à 14 ans), non sur la compétence enseignante ni la médiation parentale ; (c) type documentaire de revue à comité de lecture, actes avec DOI, ou rapport de l’UNESCO, de l’UNICEF, de l’OCDE, de la Commission européenne, de l’AAAI ou de l’ACM ; (d) accès à une page DOI, UNESDOC, un dépôt institutionnel ou un site éditorial confirmant auteurs, année, titre et résultats. Ont été exclus les sources dont le DOI n’ouvrait pas sur des métadonnées vérifiables, le cadre UNESCO des enseignants 2023–2024 comme axe, PopBots et l’étayage du jeu avec l’IA générative comme cas nucléaire, les tuteurs personnalisés et l’évaluation adaptative, et l’inclusion/handicap comme problème central.

La recherche a été exécutée le 20 août 2026 (vers 20 h, America/Mexico_City) sur des pages DOI, ACM Digital Library, AAAI Open Journal, Springer, ScienceDirect, Taylor & Francis, UNESDOC, OECD iLibrary, UNICEF Innocenti, ai4k12.org et des dépôts (MIT DSpace, UCL Discovery, UEF). Chaque source citée a été vérifiée contre au moins une de ces pages. Le corpus a été organisé en trois cas nucléaires de types distincts : un curriculum de premier cycle du secondaire avec pré-post puis comparaison enseignante (DAILy) ; un curriculum de primaire supérieur dans un contexte de sciences de la vie, complété par une étude de conceptions (PrimaryAI) ; et deux études Teachable Machine en petite enfance et primaire précoce, hors de l’axe PopBots. Comme saturation, Ng et al. (2021), Casal-Otero et al. (2023), Su et Yang (2022), Touretzky et Gardner-McCune (2021) et OECD (2025) ont été retenus.

L’analyse a distingué trois statuts énonciatifs. Constat empirique : ce qui a été observé ou mesuré dans l’échantillon. Cadre normatif : ce qu’un organisme ou un cadre d’experts prescrit. Inférence pédagogique : la traduction que cet article propose pour la classe de petite enfance et de base, marquée comme telle. Les limites sont celles de toute revue narrative : pas de protocole PRISMA complet, biais linguistique vers l’anglais et sous-représentation de l’Amérique latine (section 9).

4. Cas 1. DAILy : un curriculum d’idées techniques, éthiques et d’avenir professionnel

Lee, Ali, Zhang, DiPaola et Breazeal (2021) ont décrit, dans SIGCSE, un atelier virtuel d’été 2020 avec le curriculum de trente heures Developing AI Literacy (DAILy). Trente et un élèves de 10,4 à 14,7 ans (moyenne 12,57) y ont participé ; 61 % étaient des filles et 87 % provenaient de groupes sous-représentés en STIM et en informatique. Le curriculum entrelace des concepts techniques (systèmes logiques, apprentissage supervisé avec Teachable Machine, réseaux de neurones via un jeu participatif, réseaux antagonistes génératifs), le biais algorithmique et l’exploration de carrières. Les auteurs rapportent des apprentissages conceptuels et une hausse d’intérêt qui n’a pas atteint la significativité statistique, avec un possible effet plafond (intérêt préalable élevé : 3,59 sur 5 ; postérieur 3,71). Ce rapport d’expérience n’est pas un essai contrôlé.

Zhang, Lee, Ali, DiPaola, Cheng et Breazeal (2023) ont publié dans l’International Journal of Artificial Intelligence in Education (vol. 33, p. 290–324) l’étude exploratoire du même programme auprès de vingt-cinq élèves d’un programme STIM urbain d’été, surtout de la 7e à la 9e année, 32 % Afro-Américains, 56 % hispaniques ou latinos et 56 % de filles. L’inventaire de concepts (AI-CI) est passé d’une moyenne de 23,69 (ÉT = 4,61) à 26,05 (ÉT = 4,34), t(24) = 3,37, p < 0,01, d de Cohen = 0,53. Il y a eu des gains en concepts généraux, systèmes logiques, concepts d’apprentissage automatique et apprentissage supervisé. Il n’y en a pas eu pour les réseaux de neurones (pré 2,89 ; post 2,87). L’item de prédiction — distinguer si une technologie prédit — n’a pas progressé ; près de la moitié a persisté dans des confusions. La conscience des carrières liées à l’IA a augmenté de manière significative (3,15 à 3,48, p < 0,001). À la sortie, près de la moitié a expliqué l’IA non seulement comme affaire technique, mais avec des implications personnelles, professionnelles et sociales. Dans des entretiens avec dix-neuf élèves, presque tous ont articulé bénéfices et dommages, et seize ont proposé des ensembles de données divers comme atténuation du biais (Zhang et al., 2023).

Statut de la preuve. Constat empirique : dans cet échantillon autosélectionné, avec médiation de ceux qui ont conçu le curriculum et en format virtuel, les scores de concepts et la conscience des carrières se sont améliorés ; des difficultés en prédiction et en réseaux de neurones ont persisté ; l’intérêt n’a pas changé de manière significative. Ce n’est pas un constat que DAILy améliore le rendement en mathématiques, en langue ou le « développement » général : l’étude ne le mesure pas. Ce n’est pas un constat de causalité populationnelle : il n’y a ni randomisation ni groupe témoin dans cet article. Les auteurs déclarent les limites de recrutement et d’effets immédiats.

Zhang, Lee et Moore (2024) ont publié dans AAAI une étude de comparaison avec mise en œuvre enseignante pendant les heures scolaires. Le groupe expérimental comptait 89 élèves du secondaire (51 de 6e, 38 de 8e ; 42 % de filles ; 84 % de minorités raciales ou ethniques) ; le groupe de comparaison, 69 (41 de 6e, 20 de 7e, 8 de 8e ; 39 % de filles ; 77 % de minorités). Les deux ont passé le même pré-test et post-test. Les auteurs rapportent que le groupe expérimental a développé une compréhension plus profonde des concepts d’IA et des attitudes plus positives envers l’IA et son impact sur les carrières futures que le groupe de comparaison. Statut : constat empirique d’une comparaison non randomisée sur les concepts et les attitudes, non sur les notes scolaires. La valeur ajoutée est que le curriculum n’est pas resté confiné à un camp de chercheurs.

Inférence pédagogique, marquée comme telle : DAILy illustre un curriculum d’idées — algorithme, étiquette, ensemble déséquilibré, biais, partie prenante, prédiction — pour des élèves qui approchent le seuil de treize ans ou le franchissent. Teachable Machine apparaît comme moyen de voir la donnée, non comme agent conversationnel. Le constat que la prédiction reste un concept difficile est précisément un argument contre la pédagogie de l’invite : qui ne distingue pas une porte automatique d’un système qui infère n’est pas lettré, même s’il a conversé. Pour le premier cycle de l’enseignement de base, DAILy ne se copie pas : on extrait le principe d’entrelacer technique et éthique, et l’on abaisse l’abstraction (section 7).

5. Cas 2. Primaire supérieur : conceptions quotidiennes et PrimaryAI

Ottenbreit-Leftwich, Glazewski, Jeon, Jantaraweragul, Hmelo-Silver, Scribner, Lee, Mott et Lester (2023a) ont publié dans le même numéro d’IJAIED une étude qualitative sur les idées quotidiennes d’élèves de 4e et 5e années (9 à 11 ans) au sujet de l’IA, juxtaposées aux réflexions de leurs enseignants, pour informer la co-conception d’un curriculum. Des thèmes de conceptions, d’exemples et d’éthique ont émergé. Le constat empirique est un point d’entrée, non un gain : les élèves apportent déjà des exemples (assistants vocaux, recommandations, « robots intelligents ») et des jugements éthiques naissants ; les enseignants soulignent le besoin d’ancrer le contenu dans les connaissances antérieures et de se sentir capables de l’enseigner. L’article n’affirme pas qu’un curriculum d’IA améliore l’apprentissage des sciences ou le développement socioémotionnel.

La même équipe a mis en œuvre PrimaryAI, un curriculum de la 3e à la 5e année qui intègre l’apprentissage automatique, la vision par ordinateur, la planification en IA et l’éthique dans un contexte authentique de sciences de la vie — le déclin de la population du manchot antipode de Nouvelle-Zélande — avec des activités débranchées et un environnement immersif. Ottenbreit-Leftwich et al. (2023b) ont rapporté, dans une affiche SIGCSE, la mise en œuvre du printemps 2022 par deux enseignants (une 4e et une 5e dans des écoles distinctes). Les pré- et post-tests par unité, dans un devis à un seul groupe, ont montré des gains de connaissance statistiquement significatifs en apprentissage automatique et en vision par ordinateur, sans différences significatives selon le genre. Les enseignants ont indiqué que le curriculum a engagé les élèves et offert un étayage suffisant pour enseigner avec peu de savoir préalable en IA ; ils ont demandé davantage d’alignement entre concepts d’IA et de sciences de la vie, et des liens plus locaux (Ottenbreit-Leftwich et al., 2023b).

Statut de la preuve. Constat empirique : dans deux classes de primaire supérieur, avec des enseignants réguliers et un curriculum de problèmes, les élèves ont amélioré des scores de concepts d’apprentissage automatique et de vision. Ce n’est pas un constat d’inclusion systémique, ni d’amélioration en biologie au-delà de ce que les unités ont évalué, ni de transfert vers d’autres matières. Le format affiche limite le détail statistique disponible ; on le retient comme preuve de faisabilité en classe ordinaire, non comme essai confirmatif. L’étude des conceptions (2023a) et la mise en œuvre (2023b) se complètent : la première dit quelles idées circulent déjà ; la seconde, qu’un curriculum ancré dans un problème vivant peut déplacer ces idées vers des concepts normatifs d’IA.

Inférence pédagogique : le primaire supérieur (9–11 ans) est une bande où le curriculum d’idées peut devenir disciplinaire sans devenir conversation générative. Recueillir des images, étiqueter, entraîner un classifieur d’espèces ou de traits, et demander qui manque dans l’ensemble de données, c’est de la littératie. Demander à un modèle de langage d’« expliquer le manchot » ne l’est pas, et heurte le seuil de Miao et Holmes (2023). PrimaryAI montre aussi que le véhicule peut être la science scolaire, non une nouvelle matière « IA ». C’est une inférence de conception, non un constat de supériorité face à d’autres véhicules.

6. Cas 3. Petite enfance et primaire précoce : Teachable Machine, non l’agent conversationnel

Vartiainen, Tedre et Valtonen (2020) ont publié dans l’International Journal of Child-Computer Interaction une étude de cas socioculturelle auprès de six enfants de 3 à 9 ans qui, dans des milieux non scolaires, ont « enseigné » et exploré Google Teachable Machine. L’analyse fine de vidéos et d’entretiens illustre un processus incarné et rapide : les enfants produisaient des ensembles de données et des modèles, observaient, exploraient et expliquaient leur propre interaction. Le constat empirique est que cette interaction a étayé le raisonnement sur la relation entre leurs expressions corporelles et la sortie de l’outil : une compréhension naissante de l’entrée et de la sortie en apprentissage automatique. Les auteurs discutent agentivité et participation. Ils ne rapportent pas d’épreuves de rendement académique ni de développement socioémotionnel standardisé. L’échantillon est minimal et le contexte, informel et finlandais.

Sanusi, Sunday, Oyelere, Suhonen, Vartiainen et Tukiainen (2024) ont répliqué la question dans un contexte africain informel, auprès de dix-huit enfants de 3 à 13 ans et du même type d’outil. Le constat empirique, selon les auteurs, est que Teachable Machine a contribué à la littératie des données et à la compréhension conceptuelle tout au long du K-12, indépendamment du milieu, et que les enfants ont pu inférer la relation entre leurs expressions et la sortie du système. L’étude se présente comme une ligne de base pour le contexte africain, non comme un essai d’efficacité scolaire. La publication en ligne date de 2023 ; le volume de Computer Science Education est de 2024.

Statut de la preuve. Constat empirique : dans deux études qualitatives à petit échantillon, des enfants dès trois ans, avec médiation adulte et un classifieur visible, peuvent raconter que « si je montre ceci, la machine dit cela » et, parfois, que l’erreur change si l’exemple change. Ce n’est pas un constat que Teachable Machine développe le langage, la fonction exécutive ou le rendement. Ce n’est pas un constat qu’un jardin d’enfants doive installer des caméras. Su et Yang (2022) ajoutent que le corpus d’IA en petite enfance est rare et hétérogène ; cet article ne convertit pas cette rareté en licence d’adoption de masse.

Pourquoi ce cas et non PopBots. Le 18 août, l’étayage du jeu avec l’IA générative et des robots conversationnels a été examiné. Ici l’objet est autre : un classifieur que l’enfant entraîne, non un agent qui lui parle. La différence pédagogique est le seuil. Enseigner un modèle avec des gestes ou des photos de fruits rend la donnée visible. Converser seul avec un modèle de langage cache la donnée et feint un interlocuteur. Miao et Holmes (2023) déconseillent le second sous treize ans. Vartiainen et al. (2020) et Sanusi et al. (2024) montrent que le premier est, au moins, investigable.

Inférence pédagogique : en éducation de la petite enfance, le curriculum d’idées est corporel et matériel. Donnée, c’est « les photos que nous avons mises ». Motif, c’est « toutes celles-ci sont des pommes ». Prédiction, c’est « maintenant devine celle-ci ». Limite, c’est « elle s’est trompée parce que nous n’avons montré que des pommes rouges ». Agentivité humaine, c’est « nous décidons quelles photos et si nous faisons confiance ». Ce pentagramme n’exige ni compte d’agent conversationnel ni données personnelles dans un modèle à usage général (UNICEF, 2021 ; Miao et Holmes, 2023). Il exige un adulte qui ne célèbre pas le succès de la machine comme magie.

7. Cadre inférentiel : un curriculum d’idées sous le seuil de conversation indépendante

Le cadre qui suit est l’inférence pédagogique de cet article, ancrée dans les cas et les instruments vérifiés. Ce n’est pas une nouvelle norme internationale. Il distingue cinq idées-axes et trois épreuves d’admissibilité. Si une proposition de « littératie » échoue aux épreuves, elle n’est pas déployée comme curriculum pour les élèves de la petite enfance ou de l’enseignement de base.

7.1. Cinq idées-axes, non cinq applications. Donnée : quelque chose que l’on recueille, que l’on étiquette et que l’on peut biaiser ; Long et Magerko (2020) et DAILy la placent au centre de la compréhension de l’apprentissage supervisé (Zhang et al., 2023). Motif : ce qu’un système extrait d’exemples ; AI4K12 l’introduit dès K-2 comme reconnaissance, non comme algèbre (Touretzky et al., 2019). Prédiction : une inférence à partir de ce qui a été appris, distincte d’un capteur qui ouvre une porte ; DAILy montre que le concept est difficile même à douze ans (Zhang et al., 2023). Limite : le système se trompe, ne comprend pas le monde et ne remplace pas un jugement humain ; Miao et Holmes (2023) insistent sur le fait que les modèles génératifs ne comprennent ni les objets ni les relations sociales. Agentivité humaine : quelqu’un décide de l’objectif, de la donnée, de l’usage et de la responsabilité ; c’est le premier bloc du niveau Comprendre du cadre UNESCO pour les élèves (Miao, Shiohira et Lao, 2024) et un domaine de l’AILit (European Commission et OECD, 2026). Inférence : ces cinq idées s’enseignent par la classification d’objets, des jeux de décision, des ensembles déséquilibrés et un débat sur « qui manque », non avec un compte de modèle de langage.

7.2. Épreuve du seuil d’âge. Miao et Holmes (2023) fixent treize ans comme minimum pour les conversations indépendantes avec des plateformes génératives et déclarent inappropriés pour le primaire les outils non étudiés. C’est un cadre normatif, non un essai de développement. Inférence : sous ce seuil, l’école peut enseigner sur l’IA ; elle ne doit pas offrir à l’élève un interlocuteur génératif seul. Un enseignant peut, dans son apprentissage professionnel, utiliser un modèle avec des données d’enfants non identifiables ; c’est un autre article. L’élève de jardin ou de premier cycle ne « demande pas à l’IA ». Il demande à l’enseignant, au camarade ou au matériel. Teachable Machine, utilisée pour classer gestes ou images sans téléverser d’identités vers un modèle à usage général, peut être un moyen de l’axe donnée-motif-limite (Vartiainen et al., 2020) ; un agent conversationnel de devoir, non.

7.3. Épreuve de compréhension, non d’usage. Casal-Otero et al. (2023) documentent la rareté d’évaluer si l’on a compris. DAILy et PrimaryAI évaluent des concepts ; Vartiainen et al. (2020) évaluent des explications. Inférence : une activité compte comme littératie si l’élève peut dire, dans sa langue, quelle donnée a été utilisée, quel motif a été cherché, ce qui a été prédit, en quoi le système s’est trompé et qui décide. S’il ne produit qu’une sortie spectaculaire, il y a usage, non compréhension. Le niveau Comprendre de l’UNESCO (Miao, Shiohira et Lao, 2024) et les bandes K-2 et 3-5 d’AI4K12 (Touretzky et al., 2019) suffisent à concevoir cette évaluation ; le niveau Créer n’est pas nécessaire.

7.4. Épreuve de non-promesse de développement. Aucun des cas nucléaires ne mesure le développement cognitif global, la littératie ou les mathématiques comme effet de la littératie en IA. Su et Yang (2022) rapportent des synthèses hétérogènes que cet article ne réifie pas. Inférence : l’argument pour enseigner ces idées est civique et épistémique — reconnaître des systèmes qui opèrent déjà sur l’enfance, protéger les données, ne pas attribuer un esprit à une machine (UNICEF, 2021 ; UNESCO, 2021) —, non un raccourci de rendement. Quiconque vend « l’IA pour faire monter PISA » n’a, dans ce corpus, aucun appui.

7.5. Correspondance par bande, inférée, non prescrite comme norme. Petite enfance (environ 3–6) : donnée et motif corporels ; limite comme erreur visible ; agentivité comme « je choisis les photos » ; sans compte, sans conversation générative, avec option débranchée (Miao, Shiohira et Lao, 2024, niveau Comprendre). Primaire inférieur (6–8) : capteurs versus perception ; petits ensembles étiquetés ; « qui n’est pas sur les photos » ; encore sans agent conversationnel indépendant. Primaire supérieur (9–11) : classifieur dans un problème de sciences ou de langue ; biais comme donnée manquante ; éthique du « ne pas nuire » et proportionnalité dans des cas quotidiens (PrimaryAI ; Miao, Shiohira et Lao, 2024). Premier cycle du secondaire (12–14) : DAILy ou équivalent : prédiction, biais, parties prenantes, carrières ; conversation générative seulement si le seuil est respecté, s’il y a permission et médiation, et alors comme objet de critique, non comme auteur du devoir (Miao et Holmes, 2023 ; Zhang et al., 2023). Le niveau Créer du cadre UNESCO demeure électif.

Opérationnellement, le cadre admet : (a) des activités débranchées de classification, de décision et « IA ou pas IA » ; (b) des classifieurs visibles d’image, de son ou de geste avec donnée locale et sans identités dans des modèles à usage général ; (c) une discussion du biais avec des exemples quotidiens ; (d) l’évaluation d’explications, non de sorties. Le cadre refuse : (e) ChatGPT ou homologues comme interlocuteur indépendant sous treize ans ; (f) une littératie réduite à l’ingénierie d’invites ; (g) l’affirmation que enseigner l’IA développe l’enfant ou améliore le rendement si cela n’a pas été mesuré ; (h) le remplacement du jugement enseignant ou étudiant par la sortie d’un modèle.

8. Discussion

Trois tensions organisent la discussion. La première est entre usage et compréhension. Il est constaté que des élèves de 10 à 14 ans peuvent améliorer un inventaire de concepts et articuler le biais (Zhang et al., 2023 ; Zhang, Lee et Moore, 2024), que des élèves de 9 à 11 ans peuvent gagner en concepts d’apprentissage automatique et de vision (Ottenbreit-Leftwich et al., 2023b), et que des enfants de 3 à 9 ans peuvent verbaliser l’entrée et la sortie d’un classifieur (Vartiainen et al., 2020). Il est cadre que la littératie se définit comme évaluation critique, non comme habileté d’interface (Long et Magerko, 2020 ; Ng et al., 2021 ; Miao, Shiohira et Lao, 2024). Il n’est pas constaté que « utiliser l’IA » produise cette compréhension. DAILy montre, de fait, que l’on peut interagir avec des outils et continuer à confondre prédiction et automatisme (Zhang et al., 2023). Confondre usage et compréhension est l’erreur catégorielle que cet article nomme dans le titre.

La deuxième tension est entre précocité et seuil. La preuve qualitative de la petite enfance n’autorise pas à avancer la conversation générative ; elle autorise à avancer les idées de donnée et d’erreur. Miao et Holmes (2023) et l’UNICEF (2021) protègent vie privée, sécurité et agentivité. Un jardin d’enfants qui installe un agent conversationnel « pour qu’ils se familiarisent » viole le seuil normatif et ne gagne pas le constat de Vartiainen et al. (2020), obtenu avec un classifieur et des adultes présents. La précocité légitime est conceptuelle et éthique, non conversationnelle.

La troisième tension est entre cadre mondial et classe locale. L’UNESCO (2024), AI4K12 et l’AILit (2026) offrent des progressions. Casal-Otero et al. (2023) avertissent qu’il faut un cadre de compétences qui oriente des propositions didactiques modulaires ajustées aux écoles. Inférence : adopter le cadre UNESCO des élèves n’est pas adopter un produit. C’est décider, avec les bandes locales, quel bloc du niveau Comprendre s’enseigne cette année et avec quelle preuve de compréhension on le clôt. L’AILit ajoute l’horizon PISA 2029 ; cet horizon ne justifie pas d’entraîner des enfants de sept ans à un agent conversationnel pour « bien réussir l’examen ». Il justifie, le cas échéant, d’enseigner à gérer et à façonner l’IA en citoyens, en commençant par ne pas lui attribuer un esprit.

Si l’objet est de comprendre, l’enseignant de la petite enfance et de la base n’a pas besoin d’être ingénieur. Il a besoin d’un lexique partagé et de l’autorité d’interrompre l’activité lorsque le système demande des données que l’UNICEF (2021) oblige à protéger. Remplacer ce jugement par une licence, c’est encore l’usage sans compréhension — cette fois, institutionnel.

9. Limites

Cette revue est narrative. Elle n’applique pas un protocole PRISMA complet ni n’estime d’effets combinés. Les cas nucléaires ont de petits échantillons ou des devis non randomisés : n = 25 et n = 31 dans DAILy exploratoire (Zhang et al., 2023 ; Lee et al., 2021) ; n = 89 contre 69 sans randomisation (Zhang, Lee et Moore, 2024) ; deux classes dans PrimaryAI (Ottenbreit-Leftwich et al., 2023b) ; n = 6 et n = 18 dans Teachable Machine (Vartiainen et al., 2020 ; Sanusi et al., 2024). La géographie est biaisée vers les États-Unis, la Finlande et un contexte africain informel ; aucun essai latino-américain de littératie en IA en petite enfance ou au primaire répondant aux critères de cet article n’a été localisé avec le même degré d’ouverture de DOI. Cette absence est un vide, non une preuve d’inexistence. L’affiche PrimaryAI limite le détail statistique. Su et Yang (2022) ajoutent des études qui mélangent outils-pour-apprendre et enseignement-sur-l’IA ; cet article ne réanalyse pas ces dix-sept items un par un. Les cadres de l’UNESCO, de l’UNICEF, d’AI4K12 et de l’AILit sont prescriptifs : leur autorité est normative, non empirique. Les inférences de la section 7 sont des hypothèses de conception curriculaire, non une preuve de mise en œuvre nationale. Le seuil de treize ans est une recommandation de politique, non un constat de psychologie du développement mesuré dans ce corpus.

10. Conclusions

Alphabétiser en intelligence artificielle des élèves de l’enseignement de base et de la petite enfance, ce n’est pas les asseoir à converser avec un modèle génératif. C’est enseigner un curriculum d’idées — donnée, motif, prédiction, limite, agentivité humaine — que les cadres en vigueur nomment déjà et que trois familles d’études vérifiées montrent, avec modestie, comme apprenable. Au premier cycle du secondaire, DAILy associe un curriculum de trente heures, médié et éthiquement entrelacé, à des gains de concepts et de conscience des carrières, non à des améliorations de rendement général, et laisse la prédiction comme concept difficile (Zhang et al., 2023 ; Zhang, Lee et Moore, 2024). Au primaire supérieur, PrimaryAI associe un problème de sciences de la vie à des gains de connaissance en apprentissage automatique et en vision, en classe enseignante, sans différences de genre rapportées (Ottenbreit-Leftwich et al., 2023b). En petite enfance et primaire précoce, Teachable Machine permet, dans de petits échantillons informels, de verbaliser entrée et sortie (Vartiainen et al., 2020 ; Sanusi et al., 2024). Aucun de ces constats n’autorise la promesse de développement de l’enfant ou d’une meilleure note.

Le droit et la politique ne sont pas ambigus. Le cadre UNESCO pour les élèves priorise l’état d’esprit centré sur l’humain et réserve le niveau Comprendre à tous, avec des options débranchées (Miao, Shiohira et Lao, 2024). AI4K12 répartit les cinq idées par bandes (Touretzky et al., 2019). L’UNICEF exige de protéger les données, la sécurité et la préparation civique, non une exposition prématurée (UNICEF, 2021). Miao et Holmes (2023) fixent treize ans pour la conversation indépendante. L’AILit de 2026 parle d’interagir, créer, gérer et façonner, non de converser trop tôt (European Commission et OECD, 2026). Là où les sources ne mesurent ni développement ni rendement, cet article ne les affirme pas. User n’est pas comprendre. Comprendre, à ces âges, tient dans une classe sans agent conversationnel.

Ingeniero Mitre / Laboratorio Editorial de NEXTECH.IA

Références

  1. AI4K12 Initiative. (2020). Five Big Ideas in AI et graphiques de progression par bande de grade. AAAI et CSTA. https://ai4k12.org/
  2. Casal-Otero, L., Catala, A., Fernández-Morante, C., Taboada, M., Cebreiro, B. et Barro, S. (2023). AI literacy in K-12: A systematic literature review. International Journal of STEM Education, 10, 29. https://doi.org/10.1186/s40594-023-00418-7
  3. European Commission et OECD. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD Publishing. https://www.oecd.org/en/publications/empowering-learners-for-the-age-of-ai_65cd27d4-en.html
  4. Lee, I., Ali, S., Zhang, H., DiPaola, D. et Breazeal, C. (2021). Developing middle school students’ AI literacy. Dans Proceedings of the 52nd ACM Technical Symposium on Computer Science Education (p. 191–197). ACM. https://doi.org/10.1145/3408877.3432513
  5. Long, D. et Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Dans Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. ACM. https://doi.org/10.1145/3313831.3376727
  6. Miao, F. et Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  7. Miao, F., Shiohira, K. et Lao, N. (2024). AI competency framework for students. UNESCO. https://doi.org/10.54675/JKJB9835
  8. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W. et Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
  9. OECD. (2025). What should teachers teach and students learn in a future of powerful AI? OECD Publishing. https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/05/what-should-teachers-teach-and-students-learn-in-a-future-of-powerful-ai_4578ec74/ca56c7d6-en.pdf
  10. Ottenbreit-Leftwich, A., Glazewski, K., Jeon, M., Jantaraweragul, K., Hmelo-Silver, C. E., Scribner, A., Lee, S., Mott, B. et Lester, J. (2023a). Lessons learned for AI education with elementary students and teachers. International Journal of Artificial Intelligence in Education, 33, 267–289. https://doi.org/10.1007/s40593-022-00304-3
  11. Ottenbreit-Leftwich, A., Glazewski, K., Hmelo-Silver, C., Jantaraweragul, K., Chakraburty, S., Jeon, M., Scribner, J. A., Lee, S., Mott, B. et Lester, J. (2023b). Is elementary AI education possible? Dans Proceedings of the 54th ACM Technical Symposium on Computer Science Education (p. 1364). ACM. https://doi.org/10.1145/3545947.3576308
  12. Sanusi, I. T., Sunday, K., Oyelere, S. S., Suhonen, J., Vartiainen, H. et Tukiainen, M. (2024). Learning machine learning with young children: Exploring informal settings in an African context. Computer Science Education, 34(2), 161–192. https://doi.org/10.1080/08993408.2023.2175559
  13. Su, J. et Yang, W. (2022). Artificial intelligence in early childhood education: A scoping review. Computers and Education: Artificial Intelligence, 3, 100049. https://doi.org/10.1016/j.caeai.2022.100049
  14. Touretzky, D., Gardner-McCune, C., Martin, F. et Seehorn, D. (2019). Envisioning AI for K-12: What should every child know about AI? Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 9795–9799. https://doi.org/10.1609/aaai.v33i01.33019795
  15. Touretzky, D. S. et Gardner-McCune, C. (2021). Artificial intelligence thinking in K-12. AI4K12. https://ai4k12.org/wp-content/uploads/2021/08/Touretzky_Gardner-McCune_AI-Thinking_2021.pdf
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF Office of Global Insight and Policy. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  18. Vartiainen, H., Tedre, M. et Valtonen, T. (2020). Learning machine learning with very young children: Who is teaching whom? International Journal of Child-Computer Interaction, 25, 100182. https://doi.org/10.1016/j.ijcci.2020.100182
  19. Zhang, H., Lee, I., Ali, S., DiPaola, D., Cheng, Y. et Breazeal, C. (2023). Integrating ethics and career futures with technical learning to promote AI literacy for middle school students: An exploratory study. International Journal of Artificial Intelligence in Education, 33, 290–324. https://doi.org/10.1007/s40593-022-00293-3
  20. Zhang, H., Lee, I. et Moore, K. (2024). An effectiveness study of teacher-led AI literacy curriculum in K-12 classrooms. Proceedings of the AAAI Conference on Artificial Intelligence, 38(21), 23318–23325. https://doi.org/10.1609/aaai.v38i21.30380