1. Introduction et problème

L’éducation de la petite enfance — jardin d’enfants, préscolaire ou éducation infantile, selon le pays — fait face à une pression institutionnelle croissante pour « intégrer l’intelligence artificielle », souvent sous la forme d’ateliers d’outils, de catalogues d’applications et de promesses de personnalisation. Le cadre de compétences en IA pour les enseignants de l’UNESCO définit quinze compétences selon cinq dimensions (état d’esprit centré sur l’humain, éthique de l’IA, fondements et applications, pédagogie de l’IA, et IA pour l’apprentissage professionnel) et trois niveaux de progression (acquérir, approfondir, créer) (Miao et Cukurova, 2024). Le cadre homologue pour les élèves propose douze compétences en quatre dimensions, avec les niveaux comprendre, appliquer et créer (Miao, Shiohira et Lao, 2024). Les deux documents sont des cadres normatifs de référence, non des essais cliniques ni des évaluations d’impact sur le développement d’enfants de trois à six ans. Confondre ces catégories est précisément le problème que cet article examine.

Le Rapport mondial de suivi sur l’éducation 2023 avertit que la technologie doit compléter, et non remplacer, l’interaction en présentiel avec les enseignants, et que les décisions concernant son usage doivent être appropriées, équitables, fondées sur des données probantes et durables (UNESCO, 2023). Le volume VII de la série Starting Strong de l’OCDE situe la numérisation de l’éducation et de l’accueil de la petite enfance comme un défi de qualité, d’équité et de développement de la main-d’œuvre, et non comme une course à l’adoption d’appareils (OECD, 2023). Le guide de l’UNESCO sur l’IA générative propose une approche centrée sur l’humain, la protection des données et une limite d’âge pour les conversations indépendantes avec des plateformes d’IA générative (Miao et Holmes, 2023). Aucun de ces instruments n’affirme que l’IA améliore, par elle-même, le développement de l’enfant au jardin.

La thèse de ce travail est restrictive. Le cadre UNESCO de compétences enseignantes ne se transfère pas au jardin comme un atelier d’outils. Il doit être traduit dans des langages que la profession possède déjà : le jeu comme médium d’apprentissage, l’observation et la documentation comme formes de savoir pédagogique, le soin comme relation éthique et l’inclusion comme critère de justice. Cette traduction n’est pas un exercice rhétorique : elle exige d’ancrer chaque dimension du cadre dans des données empiriques d’interventions et de cadres d’experts, et de marquer clairement ce qui est un résultat, ce qui est une norme et ce qui est une inférence de l’auteur. Là où une source n’affirme pas un effet sur le développement, cet article n’en promet pas.

Le problème s’aggrave parce que la littérature sur l’alphabétisation en IA s’est concentrée sur le primaire, le secondaire et le supérieur (Su, Ng et Chu, 2023 ; Ng et al., 2021). Dans l’éducation de la petite enfance, les revues de cadrage documentent un corpus réduit, une hétérogénéité méthodologique et un manque récurrent : manque de connaissances, de compétences et de confiance des enseignant(e)s, absence de conception curriculaire et rareté des orientations d’enseignement (Su et Yang, 2022 ; Su, Ng et Chu, 2023). Une étude de perceptions auprès de quinze enseignant(e)s de jardin confirme ces obstacles dans la voix professionnelle : manque de soutien de l’école, de connaissances enseignantes sur l’IA, de directives curriculaires et, dans l’interprétation des personnes interviewées, de « capacité globale » des enfants (Su, 2024). Cet énoncé est un résultat sur des perceptions enseignantes, non une preuve d’une limite cognitive infantile ; la distinction importe.

Cet article propose trois contributions : reconstruire l’état de l’art de cette compétence au jardin ; analyser trois cas vérifiés — une intervention d’alphabétisation, un cadre d’experts sur ChatGPT et des perceptions enseignantes — en distinguant les niveaux de preuve ; et offrir une traduction opérationnelle des cinq dimensions UNESCO dans le lexique du jardin, compatible avec la pratique développementalement appropriée (NAEYC, 2020), avec les limites d’écran de l’OMS et de l’AAP (World Health Organization, 2019 ; Council on Communications and Media, 2016) et avec les exigences d’une IA centrée sur l’enfance (UNICEF, 2021).

2. État de l’art

Il convient de séparer trois strates que la littérature mélange souvent. La première est la strate empirique : interventions, études de cas, entretiens et observations en classe de petite enfance. La deuxième est la strate des cadres : définitions de l’alphabétisation en IA, modèles curriculaires, cadres d’experts et cadres de politique. La troisième est la strate de synthèse : revues de cadrage et revues systématiques qui agrègent des études hétérogènes. Chaque strate autorise des affirmations distinctes.

Dans la strate des cadres conceptuels, Ng, Leung, Chu et Qiao (2021) ont proposé quatre aspects de l’alphabétisation en IA à partir de trente articles : connaître et comprendre, utiliser et appliquer, évaluer et créer, et questions éthiques. Yang (2022) a formulé, depuis l’éducation de la petite enfance, un modèle pédagogique du pourquoi, du quoi et du comment : l’alphabétisation en IA comme partie organique de l’alphabétisation numérique ; un noyau conceptuel accessible (avec de grands volumes de données, les algorithmes peuvent être entraînés à identifier des motifs, faire des prédictions et recommander des actions, avec des limites) ; et une approche incarnée et culturellement responsive, fondée sur l’apprendre-en-faisant et la pédagogie comme relation. Ce texte est cité ici comme cadre curriculaire, non comme rapport d’une intervention particulière avec des robots conversationnels. Luo, He, Gao et Li (2024b) ont construit, par des entretiens avec sept experts chinois et une théorie ancrée, le cadre SIACC — sécurité, identité, attitude, cognition et capacité — comme proposition culturellement située d’alphabétisation en IA dans la petite enfance. Ces cadres orientent la conception ; ils ne mesurent pas le développement.

Dans la strate empirique, Su et Yang (2024) ont évalué le programme AI4KG de huit semaines auprès de 26 enfants d’âge moyen de quatre ans dans un jardin de Hong Kong et ont rapporté des apprentissages de concepts de base de l’IA, une créativité thématique et des perceptions différenciées des activités. Yang, Hu, Yeter, Su, Yang et Lee (2024) ont documenté, en six semaines auprès de six enfants de cinq ans (âge moyen 62,83 mois), que les enfants pouvaient apprendre l’IA par des agents intelligents dans des contextes d’apprentissage incarné. Les deux études décrivent des apprentissages médiatisés sur de petits échantillons ; aucune n’établit que l’IA améliore le développement socioémotionnel, langagier ou moteur. Su (2024), avec des entretiens auprès de quinze enseignant(e)s, a trouvé quatre défis (manque de soutien scolaire, perception d’une insuffisance de la capacité globale des enfants, connaissances enseignantes insuffisantes et manque de directives curriculaires) et trois facilitateurs (gouvernement, école et demande sociale) ; plus de la moitié a jugé cruciale l’alphabétisation en IA. Luo, He, Liu, Berson, Berson, Zhou et Li (2024a) ont interviewé six experts de Chine et des États-Unis sur ChatGPT : ils ont identifié deux rôles (agent conversationnel pour les enfants et facilitateur sur appel pour les éducateurs et les aidants), classé les risques avec le cadre 3A2S (accessibilité, abordabilité, reddition de comptes, durabilité et justice sociale) et projeté l’outil comme augmentation de l’intelligence, non comme remplacement des éducateurs et des aidants.

Dans la strate de synthèse, Su et Yang (2022) ont passé en revue 17 études de 1995 à 2021 et conclu que la majorité rapportait des améliorations dans les concepts d’IA, d’apprentissage automatique, d’informatique et de robotique, et dans des compétences telles que la créativité, le contrôle émotionnel, l’enquête collaborative, l’alphabétisation et la pensée computationnelle. Cette affirmation est une synthèse d’un corpus petit et hétérogène, non une méta-analyse d’effets. Su, Ng et Chu (2023) ont examiné 16 études de 2016 à 2022 et souligné trois défis : manque de connaissances, de compétences et de confiance des enseignant(e)s ; manque de conception curriculaire ; et manque d’orientations d’enseignement. Berson, Berson et Luo (2025) ont examiné 42 études éthiques et regroupé les préoccupations en vie privée des données, impacts sur le développement, biais algorithmique et régulation ; ils ont trouvé des lacunes dans la protection des données infantiles et averti que l’IA émotionnelle (robots sociaux, reconnaissance des émotions) peut offrir des occasions d’apprentissage et, en même temps, des risques de surdépendance, de manipulation ou de perte d’autonomie si la conception n’est pas appropriée au développement. Zhang, Binti Halili et Zainuddin (2026) ont analysé 21 études d’IA générative au préscolaire avec un cadre FFOM : occasions de personnalisation, de collaboration enseignante et d’équité ; menaces de fiabilité et d’adéquation à l’âge, de compétence numérique, de possible réduction de la créativité, de vie privée et d’accès inégal. Le résumé de cette revue infère un potentiel transformateur ; cet article retient les résultats FFOM et n’adopte pas l’inférence de « révolution ».

Les cadres de politique et de pratique professionnelle complètent la carte. La Recommandation de l’UNESCO sur l’éthique de l’IA (UNESCO, 2021) ancre les droits humains, la dignité et la supervision humaine. Miao et Holmes (2023) précisent la validation éthique et pédagogique, la protection des données et un seuil d’âge pour l’usage indépendant de plateformes conversationnelles (le Guide indique un minimum de 13 ans, avec référence au seuil de 16 du RGPD européen). Ce seuil normatif a une conséquence directe : la conversation indépendante d’un enfant de quatre ans avec un modèle génératif n’est pas alignée avec le Guide. UNICEF (2021) formule des exigences d’IA centrée sur l’enfance : soutenir le développement et le bien-être, garantir l’inclusion, prioriser l’équité et la non-discrimination, protéger les données et la vie privée, assurer la sécurité et préparer les enfants à un monde avec l’IA. NAEYC et le Fred Rogers Center (2012) soutiennent que la technologie peut appuyer l’apprentissage lorsqu’elle est utilisée de façon intentionnelle, dans le cadre de la pratique développementalement appropriée, et qu’elle ne doit pas remplacer le jeu créatif, l’activité de plein air ni l’interaction en face à face. NAEYC (2020) redéfinit cette pratique comme une approche fondée sur les forces et le jeu, avec observation, documentation, soin équitable et professionnalisme. L’OMS recommande, pour les enfants de 3 à 4 ans, pas plus d’une heure de temps sédentaire d’écran, et de préférence moins (World Health Organization, 2019). L’AAP limite, pour 2 à 5 ans, l’usage d’écran à une heure par jour de contenu de haute qualité, avec co-vision adulte, et déconseille les médias d’écran — sauf les appels vidéo — avant 18 mois (Council on Communications and Media, 2016). Ces instruments ne sont pas des études d’IA ; ce sont des contraintes d’environnement que la compétence enseignante au jardin doit intérioriser.

Le vide qui organise cet article est double. Le cadre UNESCO de compétences enseignantes est écrit pour le système éducatif en général et ne spécifie pas la traduction au jardin. Les données empiriques disponibles proviennent de petits échantillons, avec des contextes urbains d’Asie orientale dans plusieurs des études les plus citées, et avec des devis qui n’autorisent pas la causalité sur le développement. La compétence professionnelle ne peut pas se remplir d’enthousiasme technologique.

3. Méthode de la revue

Une revue narrative critique a été menée, non une méta-analyse. Le but n’était pas d’estimer une taille d’effet — inexistante de façon comparable dans ce champ — mais d’articuler un argument de traduction professionnelle avec des sources vérifiées. Les critères d’inclusion étaient : (a) publication entre 2021 et 2026, avec exception justifiée pour des cadres de pratique encore en vigueur (NAEYC et Fred Rogers Center, 2012 ; Council on Communications and Media, 2016 ; World Health Organization, 2019) ; (b) focale sur l’éducation de la petite enfance (0–8 ans, priorité 3–6) ou sur une compétence enseignante applicable à ce niveau ; (c) type documentaire de revue évaluée par les pairs, rapport d’organisation internationale ou position professionnelle de NAEYC, AAP, OMS, UNESCO, OCDE ou UNICEF ; (d) accès à une page DOI, un dépôt institutionnel ou un site éditorial confirmant auteurs, année, titre et résultats. Ont été exclues les sources dont le DOI n’ouvrait pas à des métadonnées vérifiables, les essais d’opinion non évalués, et les cas déjà utilisés comme axe de l’article du 2026-08-18 (interventions de type PopBots, jouets robotiques d’Australie en 2020 et études de Druga et al. sur Alexa), afin de ne pas réitérer cet angle.

La recherche a été exécutée en août 2026 sur des pages DOI, ERIC, des dépôts (EdUHK, UCL Discovery), UNESCO, OCDE, UNICEF Innocenti, ScienceDirect, Springer Nature et Contemporary Educational Technology. Chaque source citée a été vérifiée contre au moins l’une de ces pages. Le corpus a été organisé en cas nucléaires, cadres de politique et de profession, et synthèses. Les cas ont été choisis pour complémenter les types de preuve : intervention avec des enfants (Su et Yang, 2024), étude d’experts (Luo et al., 2024a) et étude d’enseignant(e)s (Su, 2024). Pour saturation, le cas d’apprentissage incarné (Yang et al., 2024), le cadre SIACC (Luo et al., 2024b) et les revues de Su et Yang (2022), Su, Ng et Chu (2023), Berson et al. (2025) et Zhang et al. (2026) ont été retenus.

L’analyse a distingué trois statuts énonciatifs. Résultat empirique : ce qui a été observé ou mesuré dans l’échantillon. Cadre normatif : ce qu’une organisation ou un cadre d’experts prescrit. Inférence pédagogique : la traduction que cet article propose pour le jardin, marquée comme telle. Les limites sont celles de toute revue narrative : il n’y a pas de protocole PRISMA complet, il y a un biais linguistique vers l’anglais et une sous-représentation de l’Amérique latine, de l’Afrique et des contextes ruraux (section 9).

4. Cas 1. Une intervention d’alphabétisation en IA dans un jardin de Hong Kong (AI4KG)

Su et Yang (2024) ont publié dans Interactive Learning Environments (vol. 32, n° 9, p. 5494–5508 ; publication anticipée en 2023) une intervention de huit semaines auprès de 26 enfants d’âge moyen de quatre ans inscrits dans un jardin de Hong Kong. L’objectif déclaré était d’évaluer l’impact du programme AI4KG sur l’alphabétisation en IA, la créativité liée à l’IA et les perceptions infantiles du programme. Selon les auteurs, (1) les jeunes enfants ont été capables d’apprendre des concepts et des connaissances de base de l’IA ; (2) en créativité liée à l’IA, les plus jeunes ont conçu un robot conversationnel par l’imagination, tandis que les plus âgés ont créé un robot d’IA pour aider les personnes dans leurs dessins ; (3) quant aux perceptions du programme, les plus âgés qui ont apprécié l’activité ont pu entraîner l’IA, et les plus jeunes ont préféré dessiner la ville future de l’IA et participer à l’activité de conte. Les auteurs interprètent l’ensemble comme un bénéfice positif de l’éducation à l’alphabétisation en IA pour préparer les enfants à un avenir mû par l’IA.

Statut de la preuve. Résultat empirique : dans cet échantillon, avec ce programme et cette durée, on a observé des apprentissages de concepts de base, des productions créatives thématiques et des préférences d’activité différenciées selon l’âge relatif. Ce n’est pas un résultat empirique, dans cet article, que l’IA améliore le développement global, le langage, l’autorégulation ou la disposition scolaire : l’étude ne le mesure pas. La phrase « préparer à un avenir mû par l’IA » est une inférence des auteurs, non un résultat de suivi longitudinal. L’échantillon est petit, d’un seul centre, sans groupe témoin rapporté dans le résumé vérifié, et situé dans un contexte de haute connectivité. Sa valeur pour la compétence enseignante n’est pas celle d’une recette exportable, mais d’une preuve d’existence : avec médiation adulte et conception d’activités (dessiner, raconter, imaginer, « entraîner »), des enfants d’environ quatre ans peuvent participer à une alphabétisation naissante. Cette preuve autorise les enseignant(e)s à ne pas sous-estimer l’enquête infantile ; elle ne les autorise pas à installer un laboratoire de modèles génératifs dans la salle.

Inférence pédagogique de cet article, marquée comme telle : l’enseignant(e) compétent(e) n’« enseigne pas l’IA », mais conçoit des situations de jeu dans lesquelles les enfants explorent donnée, motif, erreur et aide automatique, et documente ce qu’ils comprennent et confondent. AI4KG est un exemplaire de médiation, non une preuve de supériorité technologique.

5. Cas 2. Experts de Chine et des États-Unis : ChatGPT, rôles et cadre 3A2S

Luo et al. (2024a) ont publié dans Early Education and Development (vol. 35, n° 1, p. 96–113) une analyse de contenu, inductive et déductive, d’entretiens avec six professeur(e)s expert(e)s de Chine et des États-Unis. Le résultat empirique — ici, empirique de discours d’experts, non de classe — est double. Quant aux rôles, ChatGPT se profile comme (1) agent conversationnel pour les jeunes enfants et (2) facilitateur sur appel pour les éducateurs et les aidants. Quant aux risques, les experts les ont organisés avec le cadre 3A2S : Accessibility, Affordability, Accountability, Sustainability et Social Justice (accessibilité, abordabilité, reddition de comptes, durabilité et justice sociale). Les participant(e)s suggèrent qu’à mesure que les connaissances, la recherche d’information et les compétences d’intégration deviennent moins critiques, l’agence humaine et la capacité d’enquête gagnent du poids. En conséquence, ils projettent que la trajectoire future de ChatGPT dans l’éducation de la petite enfance devrait être celle d’une ressource d’augmentation de l’intelligence, non d’un remplacement des actions des éducateurs et des aidants. Ils ajoutent que l’IA ouvre de nouveaux domaines, tels que l’alphabétisation en IA et l’interaction sociale avec l’IA.

Statut de la preuve. Il s’agit d’une étude de six experts, non d’une évaluation de ChatGPT auprès d’enfants. Le cadre 3A2S est une catégorisation analytique proposée dans l’article, utile comme langage de politique et de supervision institutionnelle, non comme échelle validée. La thèse d’augmentation versus remplacement coïncide avec l’approche centrée sur l’humain de Miao et Cukurova (2024) et de Miao et Holmes (2023), et avec l’avertissement du GEM Report de ne pas supplanter la connexion humaine (UNESCO, 2023). C’est donc une convergence de cadres et de discours d’experts, non une preuve d’efficacité pédagogique de ChatGPT au jardin.

Inférence pédagogique de cet article : le second rôle — facilitateur sur appel pour l’enseignant(e) — est le seul qui, à la lumière de Miao et Holmes (2023) et des limites d’âge, soit prioritaire au jardin. Utiliser un modèle génératif pour rédiger une note aux familles, explorer des variations d’un projet de jeu ou anticiper des questions d’inclusion peut appartenir à l’apprentissage professionnel enseignant (dimension 5 du cadre UNESCO), pourvu que l’on n’envoie pas de données identifiables d’enfants et que l’enseignant(e) conserve le jugement. Le premier rôle — agent conversationnel avec l’enfant — se heurte au seuil d’âge pour les conversations indépendantes et aux recommandations de co-vision et de temps d’écran (Miao et Holmes, 2023 ; Council on Communications and Media, 2016 ; World Health Organization, 2019). Un(e) enseignant(e) compétent(e) distingue les deux rôles et ne les fusionne pas en un « assistant de classe ».

6. Cas 3. Perceptions d’enseignant(e)s de jardin sur l’alphabétisation en IA

Su (2024) a publié dans l’International Journal of Technology and Design Education (vol. 34, n° 5, p. 1665–1685) une étude qualitative fondée sur des entretiens individuels avec quinze enseignant(e)s. L’objectif était d’identifier leurs vues sur l’importance de l’alphabétisation en IA au jardin et sur les défis et facilitateurs de sa promotion. Résultats empiriques (perceptions) : quatre défis principaux — manque de soutien scolaire, manque de « capacité globale » des enfants, connaissances enseignantes insuffisantes sur l’IA et manque de directives curriculaires ; trois facilitateurs — soutien gouvernemental, soutien scolaire et besoins sociaux ; et plus de la moitié des enseignant(e)s de l’étude ont jugé cette alphabétisation cruciale pour les enfants de jardin. L’article propose un cadre de politique d’alphabétisation en IA pour la petite enfance en trois dimensions : gouvernance, pédagogique, et opérationnelle et de gestion.

Statut de la preuve. C’est une étude de perceptions, non une observation de classe ni une évaluation de programme. L’énoncé sur la « capacité globale » des enfants est une donnée sur des croyances professionnelles ; il contredit en partie les résultats de Su et Yang (2024) et de Yang et al. (2024), où des enfants de quatre et cinq ans ont bien participé à des apprentissages de concepts de base sous médiation. Cette tension est elle-même un objet de la compétence enseignante : la sous-estimation de l’enfant et la surestimation de l’outil sont deux faces du même déficit de formation. Le cadre de politique à trois dimensions (gouvernance, pédagogie, opération) est une proposition de l’auteure, non une norme internationale ; on peut le mettre en dialogue avec le cadre UNESCO sans le remplacer.

Ce cas est le plus proche du problème de cet article. Su, Ng et Chu (2023) avaient déjà identifié, dans une revue de seize études, le manque de connaissances, de curriculum et d’orientations d’enseignement comme défis systémiques. Su (2024) montre que ces lacunes se verbalisent dans la salle de jardin. L’OCDE (2023) inclut le développement de la main-d’œuvre comme levier de réponse à la numérisation dans l’éducation et l’accueil de la petite enfance. L’inférence pédagogique est directe : un « atelier ChatGPT » ne répond pas à ce que les enseignant(e)s déclarent avoir besoin. Ils et elles ont besoin de soutien scolaire, de directives qui parlent la langue du jeu et du soin, et d’un savoir d’IA suffisant pour décider, non pour opérer une application.

7. Traduction du cadre UNESCO au jardin d’enfants

Miao et Cukurova (2024) organisent quinze compétences en cinq dimensions et trois niveaux (acquérir, approfondir, créer). Le cadre pour les élèves (Miao, Shiohira et Lao, 2024) ne s’applique pas de façon littérale aux enfants de jardin : ses niveaux de « créer des systèmes d’IA » dépassent, dans leur formulation scolaire, ce que Yang (2022) considère comme le noyau conceptuel accessible dans la petite enfance. La traduction qui suit est une inférence pédagogique de cet article, ancrée dans les cas et les cadres vérifiés. Ce n’est pas une nouvelle norme ; c’est une hypothèse de travail pour la formation continue.

7.1. État d’esprit centré sur l’humain → soin, agence et non-substitution. Au jardin, cette dimension se traduit comme défense de la relation adulte–enfant comme irremplaçable. Le GEM Report la formule comme principe de système : la technologie ne doit pas supplanter la connexion humaine (UNESCO, 2023). Luo et al. (2024a) la formulent comme augmentation, non remplacement. NAEYC (2020) la formule comme communauté d’apprentissage soignante et équitable. Acquérir, à ce niveau, c’est savoir nommer ce que l’on ne délègue pas à un système : consolation, médiation de conflit, observation du jeu et décision sur le bien-être. Approfondir, c’est argumenter auprès des familles et de la direction pourquoi un « tuteur conversationnel » n’est pas un auxiliaire de salle. Créer, c’est concevoir des protocoles de centre qui rendent explicite la non-substitution.

7.2. Éthique de l’IA → vie privée, consentement avec les familles, minimisation des données et inclusion. Berson et al. (2025) documentent des lacunes dans la sauvegarde des données infantiles (brèches, profilage, usage indu) et un biais algorithmique qui reproduit des iniquités. UNICEF (2021) exige la protection des données, l’inclusion et la non-discrimination. Miao et Holmes (2023) exigent une validation éthique et pédagogique des outils et une limite d’âge pour les conversations indépendantes. Au jardin, acquérir c’est savoir que photographies, voix et traces d’enfants sont des données sensibles et ne se chargent pas sur des plateformes d’IA générative. Approfondir, c’est parler avec les familles dans le langage du soin. Créer, c’est participer à des listes d’outils vetos et permis, avec minimisation des données. Le cadre 3A2S (Luo et al., 2024a) apporte des questions de justice : qui accède, qui paie, qui rend des comptes, que soutient-on, qui exclut-on ?

7.3. Fondements et applications de l’IA → un noyau conceptuel au service de l’observation, non un programme d’ingénierie. Yang (2022) offre le noyau : données, motifs, prédictions, recommandations et limites. Ng et al. (2021) rappellent que l’alphabétisation n’est pas seulement l’usage. Su et Yang (2024) montrent que ce noyau peut s’explorer à quatre ans par le dessin, le conte et l’imagination de robots. Acquérir, pour l’enseignant(e), c’est comprendre à un niveau fonctionnel ce qu’est un modèle, ce qu’est un biais et pourquoi un système « se trompe ». Approfondir, c’est reconnaître l’IA embarquée dans des jouets, des applications de documentation et des traducteurs, et décider de sa place. Créer ne signifie pas programmer : cela signifie concevoir une séquence de jeu dans laquelle les enfants expérimentent qu’une machine « apprend » d’exemples et peut échouer, et documenter les hypothèses infantiles. Le cadre SIACC (Luo et al., 2024b) rappelle que sécurité et identité précèdent cognition et capacité : on ne commence pas par la compétence technique.

7.4. Pédagogie de l’IA → jeu, observation et documentation, non une « heure d’IA ». NAEYC et le Fred Rogers Center (2012) exigent un usage intentionnel dans la pratique développementalement appropriée. NAEYC (2020) place l’observation, la documentation et l’évaluation au centre du métier. Yang et al. (2024) illustrent un apprentissage incarné médiatisé par des agents intelligents, avec observation de classe, entretiens avec l’enseignant(e) et artefacts, sur un échantillon minimal. La traduction est : la pédagogie de l’IA au jardin est pédagogie du jeu avec un objet de plus — un système qui répond — non une matière. Acquérir, c’est savoir quand éteindre. Approfondir, c’est étayer des questions (« qui a appris cela à la machine ? », « que ne peut-elle pas faire ? ») sans céder le tour de parole au système. Créer, c’est intégrer ces questions dans des projets déjà existants (le marché, l’hôpital, la forêt), non inventer un coin technologique déconnecté du curriculum de jeu. Zhang et al. (2026) avertissent, comme faiblesse rapportée dans leur corpus, de la fiabilité et de l’adéquation à l’âge du contenu génératif et du risque de réduction de la créativité : cet avertissement FFOM renforce la primauté du faire infantile sur le contenu généré par machine.

7.5. IA pour l’apprentissage professionnel → communautés de pratique et jugement, non consommation d’outils. Miao et Cukurova (2024) incluent cette dimension comme croissance professionnelle. L’OCDE (2023) la situe comme levier de système. Su (2024) montre que les enseignant(e)s demandent un soutien scolaire et des directives, pas seulement des applications. Inférence : l’usage légitime de l’IA générative au jardin est, d’abord, le back-office enseignant — planification, communication avec les familles, exploration de matériaux — avec veto des données identifiables, et évaluation critique des sorties. Acquérir, c’est connaître les risques d’hallucination et de biais. Approfondir, c’est confronter une suggestion d’activité à la connaissance du groupe concret. Créer, c’est produire, avec des collègues, des critères locaux de qualité (cela déplace-t-il le jeu libre ? cela respecte-t-il le temps d’écran de l’OMS ? cela inclut-il les enfants en situation de handicap et les langues de la classe ?).

Le cadre pour les élèves (Miao, Shiohira et Lao, 2024) se traduit, au jardin, de façon encore plus restrictive. « Comprendre » peut équivaloir à distinguer personne et machine dans le jeu. « Appliquer » et « créer » ne signifient pas qu’un enfant de quatre ans doive concevoir des systèmes ; ils signifient, le cas échéant, qu’il peut imaginer, dessiner et dicter des règles d’un « robot aidant », comme dans AI4KG (Su et Yang, 2024). Forcer les niveaux scolaires sur le jardin est une mauvaise traduction.

8. Discussion

Trois tensions organisent la discussion. La première est la tension entre faisabilité empirique et promesse de développement. C’est un résultat que, dans des conditions médiatisées et brèves, des enfants de jardin peuvent apprendre des concepts de base de l’IA et produire des artefacts imaginatifs (Su et Yang, 2024 ; Yang et al., 2024). Ce n’est pas un résultat que cela améliore leur développement. Les revues qui rapportent des « améliorations » en créativité, contrôle émotionnel ou alphabétisation (Su et Yang, 2022) agrègent des études hétérogènes sur presque trois décennies ; transférer cette synthèse comme preuve que « l’IA développe l’enfant » est un saut indu. La compétence enseignante inclut de résister à ce saut dans le cycle, dans les salons d’innovation et dans l’achat de licences.

La deuxième tension est entre l’enfant comme apprenant de l’IA et l’enseignant(e) comme professionnel(le) qui décide. Su (2024) et Su, Ng et Chu (2023) s’accordent sur le fait que le goulot d’étranglement est l’enseignant(e) : connaissances, confiance, curriculum, soutien. Luo et al. (2024a) déplacent le centre de gravité vers l’agence humaine. Le cadre UNESCO (Miao et Cukurova, 2024) est écrit, précisément, pour ce ou cette professionnel(le). La mauvaise mise en œuvre consiste à sauter l’enseignant(e) et à livrer la salle au système. La bonne mise en œuvre consiste à former le jugement : quand ne pas utiliser, comment médiatiser, comment documenter, comment parler avec les familles. Ce jugement s’exerce dans les langages du métier — la note d’observation, le panneau de documentation, la réunion d’inclusion — non dans un certificat de prompts.

La troisième tension est entre équité et adoption. Le GEM Report (UNESCO, 2023) et l’OCDE (2023) rappellent que les plus défavorisés restent souvent hors des bénéfices et dans les coûts. Le 3A2S (Luo et al., 2024a) et Berson et al. (2025) convertissent cette intuition en critères : accessibilité, abordabilité, biais et régulation fragmentée. Zhang et al. (2026) ajoutent l’inégalité d’accès et les risques de vie privée. Une compétence qui ignore l’inclusion n’est pas une compétence selon le cadre UNESCO, qui déclare l’inclusivité, l’agence humaine, la non-discrimination et la diversité linguistique et culturelle (Miao et Cukurova, 2024). Au jardin, l’inclusion signifie ne pas introduire un système qui ne « comprend » qu’une langue, ne pas photographier sans consentement des familles et ne pas substituer le jeu partagé par des tours individuels devant un écran.

Il y a, en outre, une conséquence réglementaire. Si Miao et Holmes (2023) établissent un seuil d’âge pour les conversations indépendantes avec l’IA générative, la salle de quatre ans n’est pas le lieu de cette conversation. L’enseignant(e) peut utiliser l’IA générative hors de l’interaction directe avec l’enfant ; l’enfant demeure sous médiation humaine, co-vision et limites d’écran (Council on Communications and Media, 2016 ; World Health Organization, 2019). Cette distribution des rôles est la traduction la plus austère — et la plus fidèle — du cadre.

9. Limites

Cette revue est narrative. Elle n’applique pas un protocole PRISMA complet ni n’estime d’effets. Le corpus empirique des cas nucléaires est petit et géographiquement biaisé : Hong Kong et des entretiens avec des enseignant(e)s et des experts à forte présence de la Chine et des États-Unis. On n’a pas localisé, avec le même degré d’ouverture de DOI, d’essais contrôlés latino-américains ou africains de compétence enseignante en IA au jardin ; cette absence est un vide, non une preuve d’inexistence. Plusieurs articles de Taylor & Francis et Springer ont restreint le texte intégral ; on a travaillé à partir de résumés éditoriaux, d’ERIC, de dépôts institutionnels et de pages DOI, ce qui limite la granularité des méthodes. Les revues de cadrage (Su et Yang, 2022 ; Su, Ng et Chu, 2023 ; Berson et al., 2025 ; Zhang et al., 2026) héritent de l’hétérogénéité de leurs corpus. Les cadres UNESCO, OCDE et UNICEF sont prescriptifs : leur autorité est normative, non empirique. Les inférences pédagogiques de cet article sont des hypothèses de formation continue, non des preuves de classe.

10. Conclusions

Le cadre de compétences en IA pour les enseignants (Miao et Cukurova, 2024) est nécessaire et insuffisant. Il est nécessaire parce qu’il nomme des dimensions — humanité, éthique, fondements, pédagogie, apprentissage professionnel — que le jardin ne peut pas improviser. Il est insuffisant parce que, sans traduction, il se dégrade en atelier d’outils. La preuve empirique vérifiée montre trois choses modestes. Première : des enfants d’environ quatre et cinq ans peuvent apprendre des concepts de base de l’IA dans des programmes médiatisés, brefs et situés (Su et Yang, 2024 ; Yang et al., 2024). Deuxième : les experts rejettent le remplacement de l’éducateur et exigent accessibilité, abordabilité, reddition de comptes, durabilité et justice sociale (Luo et al., 2024a). Troisième : les enseignant(e)s identifient comme obstacle non le manque d’une application, mais le manque de connaissances, de soutien institutionnel et de directives dans leur langage professionnel (Su, 2024 ; Su, Ng et Chu, 2023).

La traduction proposée ancre chaque dimension UNESCO dans le lexique du jardin : soin et non-substitution ; vie privée et consentement avec les familles ; noyau conceptuel au service de l’observation ; jeu, documentation et extinction intentionnelle ; et apprentissage professionnel avec veto des données infantiles. Cette traduction est compatible avec la pratique développementalement appropriée (NAEYC, 2020 ; NAEYC et Fred Rogers Center, 2012), avec les limites d’écran (World Health Organization, 2019 ; Council on Communications and Media, 2016), avec l’IA centrée sur l’enfance (UNICEF, 2021) et avec l’avertissement mondial de ne pas laisser la technologie dicter les termes de l’éducation (UNESCO, 2023 ; OECD, 2023). Là où les sources ne démontrent pas une amélioration du développement, cet article ne l’affirme pas. La compétence enseignante en intelligence artificielle pour l’éducation de la petite enfance n’est pas une habileté de prompt : c’est un jugement professionnel sur le jeu, le soin et l’inclusion dans un environnement saturé de systèmes qui prédisent, recommandent et, souvent, se trompent.

Ingeniero Mitre / Laboratorio Editorial de NEXTECH.IA

Références

  1. Berson, I. R., Berson, M. J. et Luo, W. (2025). Innovating responsibly: Ethical considerations for AI in early childhood education. AI, Brain and Child, 1, article 2. https://doi.org/10.1007/s44436-025-00003-5
  2. Council on Communications and Media. (2016). Media and young minds. Pediatrics, 138(5), e20162591. https://doi.org/10.1542/peds.2016-2591
  3. Luo, W., He, H., Gao, M. et Li, H. (2024b). Safety, identity, attitude, cognition, and capability: The ‘SIACC’ framework of early childhood AI literacy. Education Sciences, 14(8), 871. https://doi.org/10.3390/educsci14080871
  4. Luo, W., He, H., Liu, J., Berson, I. R., Berson, M. J., Zhou, Y. et Li, H. (2024a). Aladdin’s genie or Pandora’s box for early childhood education? Experts chat on the roles, challenges, and developments of ChatGPT. Early Education and Development, 35(1), 96–113. https://doi.org/10.1080/10409289.2023.2214181
  5. Miao, F. et Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
  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. National Association for the Education of Young Children. (2020). Developmentally appropriate practice (DAP) position statement. NAEYC. https://www.naeyc.org/resources/position-statements/dap
  9. National Association for the Education of Young Children et Fred Rogers Center for Early Learning and Children’s Media. (2012). Technology and interactive media as tools in early childhood programs serving children from birth through age 8 [Déclaration de position conjointe]. NAEYC. https://www.naeyc.org/sites/default/files/globally-shared/downloads/PDFs/resources/position-statements/ps_technology.pdf
  10. 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
  11. OECD. (2023). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  12. Su, J. (2024). Kindergarten teachers’ perceptions of AI literacy education for young children. International Journal of Technology and Design Education, 34(5), 1665–1685. https://doi.org/10.1007/s10798-024-09876-8
  13. Su, J., Ng, D. T. K. et Chu, S. K. W. (2023). Artificial intelligence (AI) literacy in early childhood education: The challenges and opportunities. Computers and Education: Artificial Intelligence, 4, 100124. https://doi.org/10.1016/j.caeai.2023.100124
  14. 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
  15. Su, J. et Yang, W. (2024). Artificial intelligence (AI) literacy in early childhood education: An intervention study in Hong Kong. Interactive Learning Environments, 32(9), 5494–5508. https://doi.org/10.1080/10494820.2023.2217864
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. UNESCO. (2023). Global education monitoring report 2023: Technology in education — A tool on whose terms? UNESCO. https://doi.org/10.54676/uzqv8501
  18. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  19. World Health Organization. (2019). Guidelines on physical activity, sedentary behaviour and sleep for children under 5 years of age. WHO. https://iris.who.int/handle/10665/311664
  20. Yang, W. (2022). Artificial intelligence education for young children: Why, what, and how in curriculum design and implementation. Computers and Education: Artificial Intelligence, 3, 100061. https://doi.org/10.1016/j.caeai.2022.100061
  21. Yang, W., Hu, X., Yeter, I. H., Su, J., Yang, Y. et Lee, J. C.-K. (2024). Artificial intelligence education for young children: A case study of technology-enhanced embodied learning. Journal of Computer Assisted Learning, 40(2), 465–477. https://doi.org/10.1111/jcal.12892
  22. Zhang, Y., Binti Halili, S. H. et Zainuddin, Z. (2026). Generative AI in preschool education: A systematic review with SWOT analysis. Contemporary Educational Technology, 18(1), ep626. https://doi.org/10.30935/cedtech/17866