1. Introduction et problème

Dans la tranche 3–6 ans — jardin d’enfants, préscolaire, CENDI, école infantile — un paquet de trois artefacts prétend valoir pour conception universelle de l’apprentissage. Le premier est une plateforme qui « personnalise » : un système qui, avec des clics, des temps de réponse ou un profil préalable, livre à chaque enfant un parcours ou un stimulus distinct. Le deuxième est un tableau de bord d’accessibilité : un panneau qui active sous-titres, contraste ou lecture à voix haute une fois que quelqu’un a marqué l’enfant comme utilisateur de soutien. Le troisième est un modèle qui « adapte » le contenu : un classifieur ou un générateur qui, a posteriori, réécrit la consigne ou le conte selon l’étiquette que le système a assignée. Les trois sont visibles et bon marché en temps de coordination. Ils permettent d’exhiber que le centre « fait déjà de la CUA avec l’intelligence artificielle ». Le saut énonciatif est énorme : on passe de personnaliser, tabuler ou adapter à affirmer qu’il y a conception universelle. Ce saut n’est autorisé ni par les Lignes directrices CUA 3.0 de CAST ni par l’évidence de mise en œuvre en éducation de la petite enfance.

La thèse de cet article est restrictive. Une plateforme qui personnalise, un tableau de bord d’accessibilité ou un modèle qui adapte le contenu ne constitue pas de la CUA. La CUA est conception des barrières à l’avance — moyens multiples de représentation, d’action et d’expression, et d’engagement — avec l’adulte comme concepteur de l’environnement ; non un ajustement algorithmique a posteriori sur un enfant classé. CAST formule le cadre comme un ensemble de suggestions concrètes pour que toutes les personnes apprenantes puissent accéder et participer à des occasions d’apprentissage significatives et stimulantes, et situe le but dans l’agency de qui apprend : intentionnelle et réflexive, ingénieuse et authentique, stratégique et orientée vers l’action (CAST, 2024). Les Lignes directrices 3.0, publiées le 30 juillet 2024, ne demandent pas un profil préalable de l’enfant pour « déverrouiller » des options. Elles demandent de concevoir des options. Meyer et Rose, dans la troisième édition de leur texte fondateur, réitèrent que la CUA répond aux différences d’apprentissage par la conception de buts, de méthodes, de matériaux, d’évaluations et d’environnements inclusifs (Meyer et Rose, 2025). Un algorithme qui classe d’abord et livre ensuite ne conçoit pas l’environnement. Il administre une différence que la conception n’a pas anticipée.

Le problème s’aggrave pour une raison de métier que les fiches produit ne mentionnent pas. La CUA n’est pas un article d’inclusion ou de TIC de soutien comme axe unique. Ce n’est pas non plus de la différenciation individuelle. Chen et Dote-Kwan (2021) distinguent, dans la classe préscolaire, deux cadres qui se recouvrent mais ne se substituent pas : la CUA planifie le curriculum et l’instruction pour le groupe divers ; la différenciation répond aux besoins individuels une fois que l’environnement est déjà en marche. Confondre le second avec le premier est l’erreur de catégorie que ce travail nomme. Rao, Gravel, Rose et Tucker-Smith (2023) situent la CUA, dans sa troisième décennie, dans l’équité, l’inclusion et la conception : non dans le matching d’un style d’apprentissage avec un canal. Boysen (2024) avertit que cette analogie avec les « styles d’apprentissage » a affaibli la base empirique que CAST exhibe. Inférence, marquée comme telle : le marché de « l’IA pour la CUA » hérite de l’erreur et l’automatise. Il convertit la variabilité — fait de la conception — en un trait de l’enfant qu’il faudrait détecter.

Ce travail ne recycle pas les axes déjà traités dans cette série. La question est de catégorie pédagogique : qu’est-ce qui compte comme CUA lorsqu’un centre d’éducation initiale « fait de l’IA ». Les contributions sont trois : reconstruire l’état de l’art qui sépare la conception des barrières à l’avance de la personnalisation et de l’adaptation a posteriori ; examiner trois familles de cas ; et offrir quatre épreuves pour décider quand un jardin peut affirmer qu’il conçoit de manière universelle, et non seulement qu’il personnalise, tabule ou adapte.

2. État de l’art : de la conception des barrières à la personnalisation de l’enfant

Il convient de séparer quatre strates que le marché de « l’IA pour la CUA » mélange d’ordinaire. La première est la CUA comme cadre de conception : moyens multiples d’engagement, de représentation et d’action et d’expression, avec l’agency de qui apprend comme but (CAST, 2024). La deuxième est l’évidence de mise en œuvre, encore inégale : une méta-analyse de 20 études et 50 effets rapporte un g de Hedges de 0,43 de la pré-maternelle à l’âge adulte (King-Sears, Stefanidis, Evmenova, Rao, Mergen, Owen et Strimel, 2023) et une revue de 32 études PreK–12 documente une couverture inégale des checkpoints (Zhang, Carter, Greene et Bernacki, 2024). La troisième est l’IA en éducation de la petite enfance : des revues qui cartographient prédiction, classification et personnalisation comme affordances distinctes (Chen, 2024 ; Su et Yang, 2022 ; Ljungcrantz, 2026). La quatrième est le cadre des droits et du haut risque, qui traite l’enfant de 3–6 ans comme sujet de supervision humaine et, en territoire européen, de systèmes à haut risque lorsque l’IA détermine l’accès, l’admission, l’affectation ou l’évaluation.

Dans la strate du cadre, les Lignes directrices 3.0 sont le changement le plus étendu de l’instrument depuis son origine. Gravel, Tucker-Smith, Rose, Fornauf, Hughes, Lester, Rao, Singer et Waitoller (2026) décrivent un processus de quatre ans, porté par la communauté, qui a priorisé l’apprentissage auprès des praticiens, des chercheurs et des jeunes eux-mêmes. CAST documente un conseil consultatif, plus de 40 groupes de discussion et plus de 1 100 titres uniques. La version 3.0 reconnaît des barrières individuelles, institutionnelles et de système ; souligne l’interdépendance ; et déplace le langage du centré sur l’éducateur vers le centré sur qui apprend (CAST, 2024 ; Gravel et al., 2026). Le « qui » de l’apprentissage — identités multiples et intersectées — se tisse dans les trois principes. Inférence, marquée comme telle : un modèle qui réduit l’enfant à un vecteur de difficulté n’opère pas ce « qui ». Il le comprime.

Dans la strate de l’évidence, King-Sears et al. (2023) offrent le meilleur estimateur combiné disponible : effet modéré positif (g = 0,43) de l’instruction avec CUA face au « business-as-usual », avec des petits groupes (jusqu’à six) à g = 0,86 et des grands groupes à g = 0,30. La fourchette inclut la pré-maternelle, mais la méta-analyse n’isole pas la tranche 3–6. Zhang et al. (2024) saturent le portrait de mise en œuvre : 32 études PreK–12 (1999–2023), avec un alignement souvent absent entre l’intervention et les checkpoints CUA, une couverture inégale et un manque de guide théorique. Boysen (2024) montre qu’un échantillon d’études citées par CAST comme soutien de trois lignes directrices apporte peu d’évidence de choix, d’apprentissage mesuré ou de fonction cérébrale. Edyburn (2024) répond par une note historique sur la base initiale et sur le rapport entre recherche et politique. Inférence : l’évidence de la CUA n’autorise pas à traiter n’importe quelle plateforme flexible comme CUA. Elle autorise, avec prudence, à traiter la conception intentionnelle d’options comme une hypothèse d’instruction. Elle n’autorise pas à automatiser un profil.

Dans la strate de l’IA en petite enfance, Su et Yang (2022) examinent 17 études éligibles, de 1995 à 2021, sur l’IA en ECE. Chen (2024), dans un scoping plus strict, cartographie 18 articles de 11 pays et 16 revues (2005–2023 ; 14 d’entre eux en 2020–2023) qui couvrent 15 081 enfants de 2 à 8 ans. Elle extrait quatre affordances : (1) l’IA comme outil tangible et intangible pour l’apprentissage interactif et la récupération d’information ; (2) l’IA comme technologie pour prédire ou classer des conditions de l’enfant ; (3) l’IA comme objet d’apprentissage qui s’adapte et personnalise ; et (4) un quatrième axe de sens et de perception. Ljungcrantz (2026) actualise le paysage 2020–2024 : 39 études, 20 d’entre elles de 2024, avec prédominance d’enfants de 4 à 6 ans et de méthodes mixtes ; 25 classées comme IA « traditionnelle ». Statut : constat de champ, non de CUA. Inférence : les affordances (2) et (3) — classer l’enfant et lui personnaliser le parcours — sont exactement celles que le marché vend comme « CUA ». Le cadre de CAST ne les autorise pas comme équivalents. La CUA ne commence pas par un diagnostic. Elle commence par un environnement avec des options.

Dans la strate des droits, la Recommandation sur l’éthique de l’IA exige une supervision humaine et une attention particulière lorsqu’il y a des enfants (UNESCO, 2021). Miao et Holmes (2023) fixent un seuil d’âge pour les conversations indépendantes avec des plateformes génératives — 13 ans — et exigent une validation éthique et pédagogique. UNICEF (2021) priorise l’intérêt supérieur, le développement et le bien-être. Le règlement (UE) 2024/1689 traite comme à haut risque, à l’annexe III, les systèmes d’IA destinés à déterminer l’accès ou l’admission à des institutions d’éducation et de formation, à affecter des personnes, à évaluer des résultats d’apprentissage ou à déterminer le niveau éducatif approprié (Union européenne, 2024). La Commission européenne (2022) et le Département de l’éducation des États-Unis (2023) conviennent de ne pas remplacer l’enseignant. L’OCDE (2021) ancre la qualité de l’éducation de la petite enfance dans la qualité de processus : interactions quotidiennes avec adultes, pairs, matériaux et espace. L’OCDE (2023) documente, avec des données de 30 pays et juridictions, opportunités et risques de la numérisation en ECEC. TALIS Starting Strong 2024 situe la préparation numérique du personnel comme levier de système, non comme personnalisation de l’enfant (OCDE, 2025). La Déclaration de Tachkent demande des pédagogies centrées sur l’enfant, fondées sur le jeu, pleinement inclusives (UNESCO, 2022). Inférence : un enfant de cinq ans n’est pas l’utilisateur d’un tableau de bord qui « lui adapte la CUA ». Il est le sujet d’un environnement qu’un adulte a conçu avec des options.

3. Méthode de revue

Une revue narrative critique a été menée, non une méta-analyse. Le propos n’était pas d’estimer une taille d’effet homogène entre une plateforme de personnalisation, un préscolaire de Liepāja et un institut enseignant d’été, mais d’articuler un argument de catégorie pédagogique avec des sources vérifiées. Critères d’inclusion : (a) 2021–2026, avec des textes CAST de 2024–2026 lorsqu’ils actualisent le cadre ; (b) CUA comme conception des barrières à l’avance, ou IA en éducation de la petite enfance 3–6 ans ; (c) pertinence pour jardin, préscolaire, CENDI ou 3–6 ans ; (d) revue avec pairs, DOI ou rapport CAST, UNESCO, OCDE, UNICEF, Union européenne, Commission européenne ou ERIC ; (e) DOI ou page éditoriale vérifiable. Les axes déjà utilisés dans cette série ont été exclus comme objet central, bien que certains apparaissent comme limite.

La recherche a été exécutée le 26 août 2026 sur des pages DOI, Springer, Elsevier, Wiley, SAGE, MDPI, CAST, OECD iLibrary, UNESDOC, UNICEF, EUR-Lex, ERIC et sites éditoriaux. Chaque source a été vérifiée contre au moins une de ces pages. L’analyse a distingué trois statuts énonciatifs. Constat empirique : ce qui a été observé ou mesuré dans l’échantillon. Cadre conceptuel ou normatif : ce qu’un cadre ou un règlement prescrit. Inférence pédagogique : la traduction vers les jardins et les CENDI, marquée comme telle.

4. Cas 1. Personnaliser et classer n’est pas concevoir les barrières à l’avance

Chen (2024) publie dans le Journal of Artificial Intelligence Research le scoping qui illustre le mieux le saut que la thèse refuse. Avec 18 articles de 11 pays et 16 revues, il couvre 15 081 enfants de 2 à 8 ans entre 2005 et 2023 ; 14 des 18 textes sont de 2020–2023. L’analyse thématique extrait quatre affordances de l’IA pour son usage en ECE. La deuxième est l’IA comme technologie pour prédire ou classer des conditions de l’enfant. La troisième est l’IA comme objet d’apprentissage qui s’adapte et personnalise le parcours. Statut de l’évidence. Constat empirique de champ : la littérature de « l’IA pour la petite enfance » distingue déjà classer l’enfant et lui personnaliser le contenu. Ce n’est pas un constat de CUA. Chen n’affirme pas que ces affordances soient de la conception universelle. Inférence pédagogique, marquée comme telle : le geste qu’un jardin copie lorsqu’il « fait de la CUA avec une plateforme » est exactement celui-ci. On prend un signal — clic, erreur, temps, étiquette —, on assigne un profil et on livre un contenu distinct. Ce qu’il y a, c’est un ajustement a posteriori. La CUA, chez CAST (2024) et chez Meyer et Rose (2025), demande que les options de représentation, d’expression et d’engagement soient dans l’environnement avant que l’enfant n’entre. Un classifieur ne les y met pas. Il les dose.

Su et Yang (2022) saturent le portrait avec 17 études de 1995 à 2021 sur les outils et les impacts de l’IA en ECE. Ljungcrantz (2026) actualise à 39 publications 2020–2024, 20 d’entre elles en 2024, avec un focus sur 4–6 ans et des méthodes mixtes ; l’IA « traditionnelle » passe de 4 études en 2023 à 12 en 2024. L’auteur signale des vides d’études longitudinales, de populations diverses et de cadres éthiques. Statut : constat de croissance du champ, non d’équivalence avec la CUA. Inférence : l’essor de 2024 n’autorise pas à traduire « plus d’IA au jardin » par « plus de CUA ». Il autorise à demander ce que fait l’IA : si elle conçoit des options à l’avance ou si elle classe l’enfant pour lui livrer un canal.

Saborío-Taylor et Rojas-Ramírez (2024) explorent la convergence de la CUA et de l’IA et présentent des applications de moyens multiples. Bray, Devitt, Banks, Sanchez Fuentes, Sandoval, Riviou, Byrne, Flood, Reale et Terrenzio (2024), avec 15 études empiriques issues de 1 253 enregistrements, montrent qu’au secondaire, la recherche sur technologie et CUA s’est concentrée sur les « easy wins » du principe de Représentation — offrir un choix sur la manière d’accéder au contenu — et laisse un vide dans l’Engagement et dans l’Action et l’expression. Statut : constat de secondaire, non de 3–6 ans. Inférence, marquée comme telle : si même au secondaire la technologie « de CUA » se réduit à un canal d’accès, le risque au jardin est plus grand. Un tableau de bord qui change le contraste ou lit un PDF à voix haute n’a pas conçu de moyens multiples d’engagement ni d’expression. Il a activé un ajustement. King-Sears et al. (2023) mesurent l’instruction avec CUA, non des plateformes qui se dénomment CUA. Zhang et al. (2024) montrent que, sans alignement explicite aux checkpoints, ce qu’on appelle CUA ne l’est souvent pas. Inférence : une fiche produit qui dit « personnalisation + accessibilité = CUA » ne passe pas cette épreuve.

5. Cas 2. Ce que le jardin fait lorsqu’il y a CUA : l’adulte conçoit l’environnement

Tīģere, Bethere, Jurs et Ļubkina (2025) publient dans Education Sciences l’étude de cas qui nomme le mieux, dans ce corpus, une mise en œuvre empirique des Lignes directrices CUA 3.0 en préscolaire. À Liepāja, Lettonie, avec le Center for Pedagogy and Social Work de l’Académie Liepāja de l’Université technique de Riga, elles observent cinq enfants de 4 à 8 ans de septembre 2023 à mai 2024. L’observation s’aligne sur les Lignes directrices 3.0 et se centre sur la communication et l’interaction sociale. Le développement des habiletés est valorisé avec la zone proximale de développement de Vygotsky. Le programme conçoit, à l’avance, des moyens multiples d’engagement (intérêts et identités, effort et persistance, capacité émotionnelle), de représentation et d’action et d’expression : horaires visuels et minuteries, sacs du foyer pour collecter des matériaux avec les pairs, tâches d’indépendance comme cuisiner et mettre la table, visites de parcs ou de professionnels, et un répertoire de prompts verbaux, gestuels, physiques, visuels et positionnels. Statut de l’évidence. Constat empirique de conception d’environnement dans un N petit : les options sont mises dans l’activité avant que l’enfant « échoue ». Ce n’est pas un constat d’IA. Ce n’est pas un constat qu’un algorithme reproduise cette conception. Ce n’est pas, et cet article n’en fait pas, une étude de handicap comme axe unique : le cadre qu’invoquent les auteures est la CUA pour tous dans un préscolaire inclusif, non un tableau de bord de soutiens individuels. Le N = 5 et la fourchette 4–8 limitent la généralisation ; les auteures elles-mêmes n’enflent pas les données. Inférence pédagogique, marquée comme telle : voici l’objet qu’un centre d’éducation initiale peut appeler, à bon droit, CUA. C’est conception des barrières à l’avance par un adulte. Un classifieur ne collecte pas des matériaux avec les pairs. Un tableau de bord d’accessibilité ne met pas la table.

Fundelius, Wade, Robbins, Wang, McConomy et Fumero (2023) traduisent le même geste à la lecture de contes. Les « boîtes de livre » réunissent, à l’avance, des objets tangibles ou abstraits — photos, miniatures, objets réels — et des expériences sensorielles, de sorte que tous les enfants puissent participer. Statut : constat de conception instructionnelle, non d’essai randomisé. Inférence : la boîte se monte avant l’assemblée. On n’« adapte » pas le conte après avoir détecté qui n’a pas compris. Gauvreau, Lohmann et Hovey (2023) portent la CUA à l’assemblée ou circle time, routine centrale du jardin, pour que tous les enfants participent. Hovey, Gauvreau et Lohmann (2022) détaillent des moyens multiples d’action et d’expression : outils, représentations visuelles, choix et manipulation. Lohmann, Hovey et Gauvreau (2023) appliquent le même cadre à la science préscolaire : planification proactive, non réparation. Chen et Dote-Kwan (2021) rappellent que la CUA planifie pour le groupe et que la différenciation s’occupe de l’individu. Inférence : si le centre « fait de la CUA » seulement lorsqu’un enfant a déjà été étiqueté, il ne fait pas de la CUA. Il différencie en retard, et souvent avec un algorithme.

King-Sears et al. (2023) offrent le contraste quantitatif : g = 0,43 combiné, plus élevé dans les petits groupes. Le chiffre ne se transfère pas, tel quel, à un jardin ou à un CENDI. Il sert ici de plafond de ce que la littérature d’instruction avec CUA — non de plateformes — a mesuré. Zhang et al. (2024) avertissent que, sans documenter les checkpoints, ce qu’on appelle mise en œuvre n’est pas évaluable. Boysen (2024) oblige à ne pas enfler la neuroscience des trois réseaux. CAST (2024) et Gravel et al. (2026) ont déplacé le langage vers l’agency, l’appartenance et les barrières de système. L’OCDE (2021) situe le moteur du développement dans les interactions de processus. Inférence : l’évidence de CUA en petite enfance se vérifie dans la conception de l’environnement — boîte de livre, assemblée avec options, science avec moyens multiples, prompts préparés — non dans un journal de personnalisation.

6. Cas 3. L’IA comme outil du concepteur adulte, non comme ajustement a posteriori sur l’enfant

Evmenova, Borup et Shin (2024) publient dans TechTrends le cas qui illustre le mieux le troisième artefact lorsqu’on le place du bon côté de la conception. Ils analysent des données d’un institut enseignant d’été 2023. À ce moment, la majorité des enseignantes et enseignants n’avaient pas utilisé d’IA générative et se divisaient de manière égale entre la considérer « amie » ou « ennemie ». 43 % ont affirmé que ChatGPT et une autre IA générative « aidera à rendre l’instruction plus accessible pour TOUS les apprenants » ; 32 % étaient indécis. L’article discute des stratégies pour utiliser l’IA générative dans l’amélioration de la CUA : non pour classer l’élève, mais pour que l’adulte produise, à l’avance, des représentations diverses, des variantes d’activités et des soutiens d’expression. Statut de l’évidence. Constat empirique de perceptions enseignantes dans un institut d’été, non d’un essai dans un jardin de 3–6 ans. Ce n’est pas un constat que l’IA générative « fasse de la CUA ». C’est un constat qu’un ensemble d’enseignants imagine l’IA comme soutien à leur propre conception. Inférence pédagogique, marquée comme telle : voici le seul lieu où l’IA peut s’approcher de la CUA en éducation de la petite enfance sans contredire le cadre. L’adulte est le concepteur. La machine, si elle entre, entre comme atelier de matériaux, non comme tuteur de l’enfant. Miao et Holmes (2023) fixent le seuil de 13 ans pour les conversations indépendantes avec des plateformes génératives. Un enfant de quatre ans n’est pas l’interlocuteur. L’OCDE (2023, 2025) situe la numérisation dans le personnel, les matériaux et la protection, non dans un profil adaptatif du jeune enfant.

CAST (2024) et Gravel et al. (2026) renforcent cette distribution des rôles. À 3–6 ans, l’agency s’exerce dans un environnement qu’un adulte a monté : appartenance, joie, jeu, identités, interdépendance. Meyer et Rose (2025) rappellent les matériaux accessibles et les environnements universellement conçus. Rao et al. (2023) rappellent que la CUA est un cadre de conception, non un matching de style. Bray et al. (2024) montrent ce qui se produit lorsque la technologie reste sur l’« easy win » de la représentation : on offre un canal d’accès et on appelle cela CUA. Inférence : un jardin qui demande à un modèle d’« adapter le conte à cet enfant » fait l’easy win à l’envers. Il n’offre pas de moyens multiples dans l’environnement. Il offre un moyen unique recalibré. C’est de la personnalisation. Ce n’est pas de la CUA.

Le cadre des droits clôt le cas. L’UNESCO (2021) exige une supervision humaine. UNICEF (2021) exige développement et bien-être. La Commission européenne (2022) exige de ne pas remplacer le jugement professionnel. L’annexe III du règlement (UE) 2024/1689 inclut l’évaluation automatisée des apprentissages et la détermination du niveau éducatif (Union européenne, 2024). Inférence : un système qui, dans un CENDI, classe l’enfant et lui assigne un « niveau CUA » n’est pas une innovation de conception universelle. C’est, dans ce territoire, une pratique à haut risque s’il détermine niveau ou évaluation. Le seuil d’âge de Miao et Holmes (2023) ne se « remplit » pas en baissant l’âge de l’utilisateur. On le respecte en ne convertissant pas l’enfant de petite enfance en interlocuteur d’une plateforme ou d’un classifieur.

7. Cadre inférentiel : quatre épreuves pour affirmer qu’il y a CUA, non un ajustement

Le cadre qui suit est inférence pédagogique de cet article, ancrée dans les cas et dans les instruments vérifiés. Ce n’est pas une nouvelle norme internationale. Il distingue quatre épreuves. Si un jardin, un préscolaire, un CENDI ou une école infantile ne les passe pas, il ne peut déclarer qu’une plateforme qui personnalise, un tableau de bord d’accessibilité ou un modèle qui adapte le contenu constituent de la CUA.

7.1. Épreuve de la conception à l’avance, non de l’ajustement a posteriori. CAST (2024) et Meyer et Rose (2025) situent la CUA dans la conception de buts, de méthodes, de matériaux, d’évaluations et d’environnements. Fundelius et al. (2023) montent la boîte de livre avant la lecture. Gauvreau et al. (2023) conçoivent l’assemblée pour que tous les enfants participent. Tīģere et al. (2025) mettent horaires visuels, prompts et matériaux dans l’activité. Chen (2024) montre que la littérature d’IA, en revanche, prédit, classe et personnalise. Inférence : l’évidence de CUA se vérifie dans des options présentes dans l’environnement avant que l’enfant « échoue » ou soit étiqueté. Si l’« évidence » que le centre fait de la CUA est un journal d’adaptation ou un profil qui déverrouille un mode, le centre a fait un ajustement, non une conception.

7.2. Épreuve des trois principes, non du canal d’accès. Bray et al. (2024) documentent la réduction de la technologie « de CUA » au principe de Représentation. Hovey et al. (2022) et Lohmann et al. (2023) rappellent action/expression et engagement dans la classe de petite enfance. CAST (2024) tisse identité, appartenance, joie, jeu et interdépendance dans les trois principes. Zhang et al. (2024) exigent un alignement aux checkpoints, non à un slogan. Inférence : un tableau de bord qui change le contraste, la taille de police ou la voix n’a pas couvert l’engagement ni l’expression. Il a couvert, au mieux, un checkpoint de perception. Déclarer la CUA par un canal est l’easy win que Bray nomme. À 3–6 ans, l’engagement se joue dans l’assemblée, le matériau et la relation, non dans un curseur.

7.3. Épreuve de l’adulte concepteur, non de l’enfant classé. Chen et Dote-Kwan (2021) séparent CUA (plan du groupe) et différenciation (attention à l’individu). Evmenova et al. (2024) situent l’IA générative dans la conception enseignante. Miao et Holmes (2023) excluent le mineur de 13 ans comme interlocuteur indépendant de plateformes génératives. L’OCDE (2021, 2023, 2025) situe la qualité dans les interactions et dans le personnel. Inférence : l’enfant de 3–6 ans n’est pas l’utilisateur d’un modèle qui « lui adapte la CUA ». Il est l’habitant d’un environnement qu’un adulte a conçu. Si l’IA entre, elle entre comme atelier de l’adulte — variantes de conte, pictogrammes, options d’expression — soumis à validation pédagogique. Elle n’entre pas comme tuteur, classifieur ou personnalisateur du jeune enfant.

7.4. Épreuve des droits et du haut risque, non du tableau de bord de produit. L’UNESCO (2021) exige une supervision humaine. UNICEF (2021) exige l’intérêt supérieur. L’annexe III du règlement (UE) 2024/1689 inclut accès, admission, affectation, évaluation des apprentissages et niveau éducatif (Union européenne, 2024). La Commission européenne (2022) exige de ne pas remplacer l’enseignant. Inférence : un centre de petite enfance ne peut traiter l’enfant comme objet d’un verdict automatisé de « profil CUA ». En territoire européen, un système qui assigne un niveau ou évalue avec l’IA est, sauf les sauvegardes du règlement, une pratique à haut risque. Hors de ce territoire, cela reste une erreur de catégorie : la CUA ne se remplit pas en classant mieux. Elle se remplit en concevant des options pour tous les enfants avant que personne ne les demande.

Le cadre admet l’IA générative comme atelier de l’adulte (Evmenova et al., 2024) ; les Lignes directrices 3.0 comme outil de conception, non comme checklist de produit (CAST, 2024 ; Gravel et al., 2026) ; les boîtes de livre, les assemblées et la science avec moyens multiples (Fundelius et al., 2023 ; Gauvreau et al., 2023 ; Lohmann et al., 2023 ; Tīģere et al., 2025) ; et le g = 0,43 de King-Sears et al. (2023) comme plafond prudent de l’instruction avec CUA, non des plateformes. Il refuse de déclarer CUA par une plateforme qui personnalise, par un tableau de bord qui déverrouille l’accessibilité après une étiquette, ou par un modèle qui adapte le contenu à l’enfant classé (Chen, 2024 ; Bray et al., 2024 ; Miao et Holmes, 2023).

8. Discussion

Trois tensions organisent la discussion. La première est entre personnaliser et concevoir. C’est un constat que la littérature d’IA en ECE inclut, comme affordances distinctes, prédire ou classer l’enfant et personnaliser son apprentissage (Chen, 2024) ; que le champ a grandi jusqu’à 39 études en 2020–2024, avec un pic en 2024 et un focus sur 4–6 ans (Ljungcrantz, 2026) ; et que 17 études antérieures rapportaient déjà outils et impacts (Su et Yang, 2022). C’est un cadre que la CUA conçoit des options à l’avance (CAST, 2024 ; Meyer et Rose, 2025 ; Rao et al., 2023). Ce n’est pas un constat que personnaliser produise l’environnement que Tīģere et al. (2025), Fundelius et al. (2023) et Gauvreau et al. (2023) observent. La politique des trois artefacts — plateforme, tableau de bord, modèle — mesure ce que l’ingénierie sait mesurer et déclare ce que seule la conception des barrières autoriserait.

La deuxième est entre l’enfant comme profil et l’environnement comme conception. Chen et Dote-Kwan (2021) montrent que la CUA planifie pour le groupe et que la différenciation s’occupe de l’individu. King-Sears et al. (2023) mesurent l’instruction, non le matching. Zhang et al. (2024) montrent que, sans checkpoints documentés, l’étiquette « CUA » n’est pas évaluable. Boysen (2024) montre le risque de traiter la CUA comme des styles d’apprentissage. Inférence : insister pour que l’enfant « ait son parcours » tandis que l’environnement reste à un seul moyen est une pédagogie inversée. Le profil blâme l’enfant de ce que la conception n’a pas anticipé. CAST (2024) avait déplacé le langage vers les barrières de système. Le modèle de personnalisation fait l’opération inverse : il extrait l’enfant de l’environnement et le rend comme itinéraire.

La troisième est entre l’atelier de l’adulte et l’interlocuteur infantile. Evmenova et al. (2024) montrent des enseignants qui imaginent l’IA générative comme soutien à leur CUA. Miao et Holmes (2023) excluent le mineur de 13 ans comme utilisateur indépendant. L’OCDE (2023, 2025) situe la numérisation dans le personnel et dans la protection. Inférence : le seul usage d’IA qui ne contredit pas la CUA à 3–6 ans est celui qui demeure du côté du concepteur adulte et se soumet à une validation pédagogique. Un conte avec pictogrammes et objets préparés par l’éducatrice peut être de la CUA. Un modèle qui réécrit le conte parce que le système a classé l’enfant ne l’est pas.

9. Limites

Cette revue est narrative. Elle n’applique pas PRISMA et n’estime pas d’effets combinés. Chen (2024) cartographie des affordances d’IA en ECE 2–8 ans, non des mises en œuvre de CUA ; le transfert à la thèse restrictive est inférence. Su et Yang (2022) couvrent 1995–2021 et n’isolent pas la CUA. Ljungcrantz (2026) couvre 2020–2024. Tīģere et al. (2025) est un N = 5 à Liepāja, fourchette 4–8 ; il n’est pas utilisé comme article de handicap et n’autorise pas la généralisation. Fundelius et al. (2023), Gauvreau et al. (2023), Hovey et al. (2022) et Lohmann et al. (2023) sont des articles de techniques, non des essais. King-Sears et al. (2023) incluent la pré-maternelle mais ne l’isolent pas ; le g = 0,43 ne se traduit pas en un effet de jardin. Zhang et al. (2024) couvrent PreK–12. Boysen (2024) et Edyburn (2024) débattent de la base de CAST. Bray et al. (2024) sont de secondaire. Evmenova et al. (2024) est un institut enseignant, non une classe de 3–6. Saborío-Taylor et Rojas-Ramírez (2024) sont conceptuels. CAST, Meyer et Rose, Gravel et al., Rao et al., UNESCO, UNICEF, l’OCDE, l’Union européenne et les guides 2021–2023 sont de cadre. Chen et Dote-Kwan (2021) sont utilisés pour la distinction CUA/différenciation, non comme axe d’inclusion. On n’a pas localisé d’essais latino-américains de CUA et d’IA au jardin mesurant conception des barrières face à la personnalisation. Les inférences de la section 7 sont des hypothèses de catégorie pédagogique, non une évidence de mise en œuvre.

10. Conclusions

Une plateforme qui personnalise, un tableau de bord d’accessibilité ou un modèle qui adapte le contenu ne constituent pas de conception universelle de l’apprentissage dans un centre d’éducation de la petite enfance. L’évidence vérifiée n’autorise pas cette déclaration. Dix-huit études qui couvrent 15 081 enfants de 2 à 8 ans distinguent, comme affordances de l’IA, prédire ou classer l’enfant et personnaliser son apprentissage ; c’est le champ de l’IA en ECE, non de la CUA (Chen, 2024). Dix-sept et trente-neuf revues saturent la croissance du champ sans l’équivaloir à une conception des barrières (Su et Yang, 2022 ; Ljungcrantz, 2026). Au secondaire, la technologie « de CUA » se concentre sur l’easy win de la représentation (Bray et al., 2024). La méta-analyse d’instruction avec CUA rapporte un g = 0,43 et ne mesure pas de plateformes (King-Sears et al., 2023). La mise en œuvre PreK–12 bute sur des checkpoints non documentés (Zhang et al., 2024). En revanche, lorsqu’il y a CUA en petite enfance, il y a un adulte qui conçoit l’environnement à l’avance : boîtes de livre multimodales (Fundelius et al., 2023), assemblées pour tous les enfants (Gauvreau et al., 2023), science et expression avec moyens multiples (Lohmann et al., 2023 ; Hovey et al., 2022), et un préscolaire de Liepāja aligné sur les Lignes directrices 3.0 (Tīģere et al., 2025). L’IA générative, lorsqu’elle s’approche de la CUA, s’approche comme atelier de l’enseignant, non comme classifieur du jeune enfant (Evmenova et al., 2024). Le droit en vigueur exige une supervision humaine, l’intérêt supérieur, un seuil d’âge pour les conversations indépendantes avec des plateformes génératives et, dans l’Union européenne, de traiter comme à haut risque l’IA qui détermine accès, admission, affectation, évaluation ou niveau éducatif (UNESCO, 2021 ; UNICEF, 2021 ; Miao et Holmes, 2023 ; Union européenne, 2024 ; European Commission, 2022).

Là où les sources ne mesurent pas un jardin, cet article ne l’affirme pas. Là où elles mesurent une personnalisation ou un canal d’accès, il ne les traduit pas en CUA. Accompagner des enfants de trois à six ans avec la CUA, c’est concevoir les barrières à l’avance — moyens multiples de représentation, d’action et d’expression, et d’engagement — avec l’adulte comme concepteur de l’environnement. Le reste est un ajustement sur un enfant classé. Ce n’est pas de la CUA, et cela ne doit pas se présenter comme ce qu’elle n’est pas.

Laboratorio Editorial de NEXTECH.IA / Ingeniero Mitre.

Références

  1. Boysen, G. A. (2024). A critical analysis of the research evidence behind CAST’s universal design for learning guidelines. Policy Futures in Education, 22(7), 1219–1238. https://doi.org/10.1177/14782103241255428
  2. Bray, A., Devitt, A., Banks, J., Sanchez Fuentes, S., Sandoval, M., Riviou, K., Byrne, D., Flood, M., Reale, J., et Terrenzio, S. (2024). What next for Universal Design for Learning? A systematic literature review of technology in UDL implementations at second level. British Journal of Educational Technology, 55(1), 113–138. https://doi.org/10.1111/bjet.13328
  3. CAST. (2024). Universal Design for Learning Guidelines version 3.0 [organisateur graphique]. CAST. https://udlguidelines.cast.org/
  4. Chen, D., et Dote-Kwan, J. (2021). Preschoolers with visual impairments and additional disabilities: Using universal design for learning and differentiation. Young Exceptional Children, 24(2), 70–81. https://doi.org/10.1177/1096250620922205
  5. Chen, J. J. (2024). A scoping study on AI affordances in early childhood education: Mapping the global landscape, identifying research gaps, and charting future research directions. Journal of Artificial Intelligence Research. https://doi.org/10.1613/jair.1.16882
  6. Edyburn, D. (2024). Research or policy – which lever pushes practice faster? A universal design for learning historical footnote: A response to Guy Boysen. Policy Futures in Education, 22(7), 1239–1260. https://doi.org/10.1177/14782103241260902
  7. European Commission. (2022). Ethical guidelines on the use of artificial intelligence (AI) and data in teaching and learning for educators. Publications Office of the European Union. https://doi.org/10.2766/153756
  8. Evmenova, A. S., Borup, J., et Shin, J. K. (2024). Harnessing the power of generative AI to support ALL learners. TechTrends, 68(4), 820–831. https://doi.org/10.1007/s11528-024-00966-x
  9. Fundelius, E., Wade, T., Robbins, A., Wang, S., McConomy, M. A., et Fumero, K. (2023). Universal design principles for multimodal representation in literacy activities for preschoolers. Inclusive Practices, 2(1). https://doi.org/10.1177/27324745221140380
  10. Gauvreau, A. N., Lohmann, M. J., et Hovey, K. A. (2023). Circle is for everyone: Using UDL to promote inclusion during circle times. Young Exceptional Children, 26(1), 3–15. https://doi.org/10.1177/10962506211028576
  11. Gravel, J. W., Tucker-Smith, N., Rose, D. H., Fornauf, B., Hughes, M. M., Lester, L., Rao, K., Singer, S., et Waitoller, F. R. (2026). UDL Guidelines 3.0: A community-driven, research-based process toward fulfilling the promise of Universal Design for Learning. International Journal of Universal Design and Universal Design for Learning, 1(2). https://doi.org/10.34874/PRSM.ijududl-vol1iss2.6592
  12. Hovey, K. A., Gauvreau, A. N., et Lohmann, M. J. (2022). Providing multiple means of action and expression in the early childhood classroom through a Universal Design for Learning framework. The Journal of Special Education Apprenticeship, 11(2), Article 7. https://scholarworks.lib.csusb.edu/josea/vol11/iss2/7
  13. King-Sears, M. E., Stefanidis, A., Evmenova, A. S., Rao, K., Mergen, R. L., Owen, L. S., et Strimel, M. M. (2023). Achievement of learners receiving UDL instruction: A meta-analysis. Teaching and Teacher Education, 122, 103956. https://doi.org/10.1016/j.tate.2022.103956
  14. Ljungcrantz, L. (2026). The interaction of AI and early childhood education. A state-of-the-art review 2020–2024. Early Childhood Education Journal, 54, 3565–3581. https://doi.org/10.1007/s10643-025-02079-3
  15. Lohmann, M. J., Hovey, K. A., et Gauvreau, A. N. (2023). Universal Design for Learning (UDL) in inclusive preschool science classrooms. Journal of Science Education for Students with Disabilities, 26(1), Article 4. https://doi.org/10.14448/jsesd.15.0005
  16. Meyer, A., et Rose, D. H. (2025). Universal Design for Learning: Principles, framework, and practice (3e éd.). CAST Professional Publishing. https://www.cast.org/books-media/universal-design-for-learning-principles-framework-practice-third-edition/
  17. Miao, F., et Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  18. OCDE. (2021). Starting Strong VI: Supporting meaningful interactions in early childhood education and care. OECD Publishing. https://doi.org/10.1787/f47a06ae-en
  19. OCDE. (2023). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  20. OCDE. (2025). Results from TALIS Starting Strong 2024: Strengthening early childhood education and care. OECD Publishing. https://doi.org/10.1787/20af08c0-en
  21. Rao, K., Gravel, J. W., Rose, D. H., et Tucker-Smith, N. (2023). Universal design for learning in its 3rd decade: A focus on equity, inclusion, and design. Dans R. J. Tierney, F. Rizvi et K. Erkican (dir.), International encyclopedia of education (4e éd., p. 712–720). Elsevier. https://doi.org/10.1016/B978-0-12-818630-5.14079-5
  22. Saborío-Taylor, S., et Rojas-Ramírez, F. (2024). Universal design for learning and artificial intelligence in the digital era: Fostering inclusion and autonomous learning. International Journal of Professional Development, Learners and Learning, 6(2), ep2408. https://doi.org/10.30935/ijpdll/14694
  23. 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
  24. Tīģere, I., Bethere, D., Jurs, P., et Ļubkina, V. (2025). Developing inclusive preschool education for children with autism applying universal learning design strategy. Education Sciences, 15(6), 638. https://doi.org/10.3390/educsci15060638
  25. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  26. UNESCO. (2022). Tashkent Declaration and Commitments to Action for Transforming Early Childhood Care and Education. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000384045
  27. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF Innocenti. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  28. Union européenne. (2024). Règlement (UE) 2024/1689 du Parlement européen et du Conseil du 13 juin 2024 établissant des règles harmonisées concernant l’intelligence artificielle. Journal officiel de l’Union européenne. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  29. U.S. Department of Education, Office of Educational Technology. (2023). Artificial intelligence and the future of teaching and learning: Insights and recommendations. U.S. Department of Education. https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf
  30. Zhang, L., Carter, R. A., Jr., Greene, J. A., et Bernacki, M. L. (2024). Unraveling challenges with the implementation of Universal Design for Learning: A systematic literature review. Educational Psychology Review, 36, 35. https://doi.org/10.1007/s10648-024-09860-7