1. Introduction et problème

Dans les écoles d’éducation initiale et de base circule une promesse symétrique à celle de la « personnalisation » : l’intelligence artificielle « libère » l’enseignant, « automatise » l’administratif et « rend du temps » à la relation avec les jeunes enfants. Cette promesse tait d’ordinaire sa condition de possibilité. Pour automatiser, il faut un flux de travail extractible, un prompt rédigeable, une sortie corrigeable et une institution capable d’exiger le même produit — ou davantage de produits — en moins de temps. Le temps n’est pas un récipient vide que la machine remplit. Il est la substance du métier : planifier, évaluer, communiquer avec les familles, soutenir la simultanéité d’une classe de quatre ans. Si l’IA réorganise ces tâches sans réduire la demande institutionnelle, le risque n’est pas l’oisiveté : c’est l’intensification.

Le problème n’est pas l’hostilité à l’outil. C’est la confusion entre trois objets. Le premier est un constat empirique : ce que l’on observe lorsqu’on interroge des enseignants sur le stress, la pression temporelle ou l’usage de la genAI ; quels minutes de planification enregistre un journal de charge ; ce que perçoivent des enseignantes du primaire qui planifient avec ChatGPT. Le deuxième est un cadre normatif : ce que prescrivent l’UNESCO, l’OCDE ou un ministère lorsqu’ils demandent l’agence humaine, la formation ou la « réduction de charge ». Le troisième est une inférence pédagogique : ce qui ne devrait pas se vendre comme bien-être même si le marketing dit « allié contre le burnout ». Les mélanger produit une pédagogie de la libération non mesurée : l’école « utilise l’IA » sans pouvoir dire si l’enseignant dort davantage, si la classe gagne en présence, ou si seul le type de travail hors horaire a changé.

La thèse de cet article est restrictive. Il n’y a pas de preuves suffisantes pour affirmer que l’IA réduit le burnout ou « rend du temps à la classe » dans l’éducation initiale et de base. Elle peut réorganiser le travail enseignant et, parfois, l’intensifier. Là où la source ne mesure pas le burnout, cet article ne l’affirme pas. Là où elle ne mesure pas un temps récupéré pour la présence auprès de l’enfance, elle ne promet pas de libération. Le vide qui organise le travail est celui de l’intensification : Apple (1986) a conceptualisé la manière dont une rationalité économiciste comprime le métier ; Ballet et Kelchtermans (2009) ont montré, dans le primaire flamand, que cette expérience est médiatisée par l’identité professionnelle et par l’organisation scolaire. La genAI entre dans cette histoire comme ressource apparente et comme nouvelle demande : il faut savoir l’utiliser, la vérifier, la justifier et, souvent, produire davantage avec elle.

Cet article ne traite pas le cadre de compétence enseignante UNESCO (19 août matin), ni la vie privée ou la datafication de la classe (21 août, 1 h 02), ni l’alphabétisation pour les élèves, ni l’inclusion par le handicap, ni la médiation parentale, ni le jeu ou les PopBots, ni les tuteurs adaptatifs comme axe d’apprentissage de l’élève, ni les écarts d’« apprendre l’IA », ni le multilinguisme (21 août, 5 h 02). L’objet est le travail enseignant : charge, automatisation de la planification, de l’évaluation et de la communication, et le risque que l’IA ne libère pas du temps mais augmente les demandes.

2. État de l’art : intensification, demandes-ressources et la promesse d’automatiser le métier

Il convient de séparer trois strates. La première est conceptuelle : ce que signifie intensifier le travail enseignant. La deuxième est normative : quels cadres fixent le bien-être, l’agence et l’« usage éthique » de l’IA. La troisième est empirique : ce qui a été documenté sur la charge, le stress et la genAI chez les enseignants de l’initiale et du basique, non sur l’apprentissage de l’élève comme axe.

Dans la strate conceptuelle, Apple (1986) a formulé la thèse de l’intensification : la perspective économiciste sur l’éducation comprime le temps, multiplie les tâches et menace de déqualifier le jugement professionnel. Hargreaves (1992) a analysé cette thèse à partir du temps des enseignants et a averti que l’intensification n’est pas une simple horloge. Ballet, Kelchtermans et Loughran (2006) et Ballet et Kelchtermans (2008, 2009) l’ont affinée par des études qualitatives au primaire : il y a des sources multiples (macro, méso et auto-imposées) ; l’impact n’est pas linéaire ; il est médiatisé par l’organisation scolaire et par le cadre interprétatif de l’enseignant ; tous n’éprouvent pas la même réforme de la même façon. Constat de ces cas flamands : tout changement n’« ajoute pas des heures » de façon automatique ; l’expérience d’intensification passe par le sens professionnel et par des normes collectives — y compris celle d’« être disposés à innover » — qui peuvent soutenir et, en même temps, surcharger. Ce cadre ne mesure pas ChatGPT ; on le retient parce qu’il décrit le mécanisme que la genAI peut réactiver : une innovation présentée comme allègement et vécue comme nouvelle norme de productivité.

Dans la même strate, Bakker et Demerouti (2017) consolident la théorie des demandes et ressources du travail (JD-R) : les demandes érodent la santé s’il n’y a pas de ressources qui amortissent. Collie, Martin et Gasevic (2024) appliquent cette grammaire à la genAI (soutien scolaire comme ressource ; pression temporelle comme demande). Le modèle ne garantit pas qu’un logiciel soit une ressource ; il permet de demander si la genAI réduit la demande ou devient une demande nouvelle (l’apprendre, la vérifier, rendre des comptes avec elle).

Dans la strate normative, l’UNESCO et l’International Task Force on Teachers for Education 2030 (2024) estiment qu’il faut 44 millions d’enseignants supplémentaires de primaire et de secondaire d’ici 2030 et groupent le bien-être et les conditions de travail comme facteurs de poussée vers la sortie de la profession. Le rapport mentionne l’évolution numérique, y compris l’IA, comme partie du contexte de pénurie ; il cite que, dans une enquête UNESCO de plus de 450 écoles et universités, moins de 10 % avaient élaboré des politiques institutionnelles ou un guide formel sur les applications d’IA générative. Ce n’est pas un essai de burnout avec ChatGPT : c’est un cadre de pénurie et de conditions. Miao et Holmes (2023) orientent un usage centré sur l’humain de la genAI dans l’éducation et la recherche. Miao et Cukurova (2024) définissent quinze compétences enseignantes en IA — cadre que cet article cite et ne rouvre pas comme axe — et déclarent des principes de protection des droits enseignants, d’agence humaine et de durabilité. La Recommandation de l’UNESCO (2021) sur l’éthique de l’IA élève la proportionnalité et la supervision humaine. Le Department for Education du Royaume-Uni (2023/2025), dans sa position sur la genAI, et le rapport de The Open Innovation Team et Department for Education (2024) formulent que la genAI pourrait réduire la charge administrative et « libérer » du temps pour enseigner. Statut : prescription ou hypothèse de politique. Ce n’est pas un constat que cette libération a été mesurée en éducation initiale.

Dans la strate empirique, le vide est précisément celui qui organise cet article. Il y a une enquête internationale de stress et d’usage de l’IA (OCDE, 2025a, 2025b). Il y a une étude de motivation et d’intégration de la genAI sous demandes et ressources (Collie et al., 2024). Il y a des cas qualitatifs du primaire (Calleja et Camilleri, 2025 ; Özsongür et Çeliktürk Sezgin, 2026). Il y a un essai randomisé de minutes de planification en sciences du secondaire (Roy, Poet, Staunton, Aston et Thomas, 2024). Il y a des analyses de sorties de ChatGPT pour des plans de leçon, y compris de première année (van den Berg et du Plessis, 2023 ; Cooper, 2023 ; Powell et Courchesne, 2024). Il y a un article dont le titre promet un allègement du burnout et dont la méthode teste les capacités de ChatGPT, non des échelles d’épuisement chez des enseignants (Hashem, Ali, El Zein, Fidalgo et Abu Khurma, 2024). Aucun de ces objets, à lui seul, n’autorise la phrase « l’IA réduit le burnout en éducation initiale ».

3. Méthode de revue

Une revue narrative critique a été réalisée, non une méta-analyse. Le propos n’était pas d’estimer une taille d’effet homogène d’« IA et bien-être enseignant » — inexistante de façon comparable entre une enquête internationale, un modèle d’équations structurelles, une étude de cas de trois enseignantes et un essai de journaux de minutes —, mais d’articuler la thèse de l’intensification avec des sources vérifiées. Les critères d’inclusion étaient : (a) foyer sur le travail enseignant de l’éducation initiale, du primaire ou, comme saturation explicite, du basique/secondaire inférieur lorsque l’étude mesure le temps ou le stress des enseignants et non l’apprentissage de l’élève comme axe ; (b) publication préférentielle 2021–2026, avec exception justifiée de cadres encore en vigueur (Apple, 1986 ; Hargreaves, 1992 ; Ballet et al., 2006 ; Ballet et Kelchtermans, 2008, 2009 ; Bakker et Demerouti, 2017) ; (c) type documentaire de revue ou d’actes avec DOI, rapport de l’OCDE, de l’UNESCO ou essai enregistré d’une agence éducative, ou position ministérielle sur un portail officiel ; (d) accès à un DOI, une page éditoriale ou une URL officielle confirmant auteurs, année, titre, échantillon et portée. Ont été exclus comme cas nucléaires le cadre de compétence enseignante UNESCO (cité comme cadre), la vie privée/datafication de classe, l’alphabétisation pour les élèves, l’inclusion par le handicap, la médiation parentale, le jeu/PopBots, les tuteurs adaptatifs comme axe d’apprentissage, les écarts d’« apprendre l’IA » et le multilinguisme.

La recherche a été exécutée le 21 août 2026 (vers 09 h 05, America/Mexico_City) sur des pages DOI, ScienceDirect, Emerald, PLOS, MDPI, Springer, EEF/NFER, OECD iLibrary, UNESDOC, GOV.UK, DergiPark et des dépôts institutionnels. Chaque source citée a été vérifiée contre au moins une de ces pages. Ont été écartées, pour n’avoir pas été confirmées comme preuves de burnout chez des enseignants de l’initiale/du basique, des enquêtes non scientifiques de l’enseignement supérieur, des revues de littérature tertiaire sans mesure du bien-être et une prépublication ou communication de colloque alléguant des réductions en pourcentage de la planification non contrastées ici avec un DOI de revue. Le corpus a été organisé en trois cas nucléaires : la structure internationale du stress et de l’usage de l’IA ; la pression temporelle comme demande qui prédit de valoriser la genAI ; et la planification avec la genAI chez des enseignants du primaire. L’essai EEF/NFER et les analyses de plans de première année servent de saturation du temps mesuré et du travail de vérification, non de preuve de bien-être en éducation initiale.

L’analyse a distingué trois statuts énonciatifs. Constat empirique : ce qui a été observé dans l’échantillon ou le questionnaire. Cadre normatif : ce qu’un organisme prescrit. Inférence pédagogique : la traduction vers la classe d’initiale et de base, marquée comme telle. Les limites sont celles de toute revue narrative (section 9).

4. Cas 1. La charge déjà là : TALIS 2024 et le personnel de l’éducation initiale

Avant de demander si l’IA « libère », il faut fixer de quoi elle libérerait. TALIS 2024 (OCDE, 2025a) est l’enquête internationale d’enseignants et de chefs d’établissement ; le noyau comparable est, habituellement, l’enseignement secondaire inférieur, non le jardin d’enfants. Le rapport Results from TALIS 2024: The State of Teaching établit qu’environ un tiers des enseignants utilise l’intelligence artificielle dans leur travail, et que sept sur dix s’inquiètent qu’elle facilite le plagiat et la triche. Neuf sur dix déclarent une satisfaction professionnelle. Le livret Insights (OCDE, 2025a) précise qu’en moyenne, seulement environ un enseignant sur cinq dit éprouver du stress « beaucoup » dans son travail, et qu’environ la moitié éprouve peu ou pas de stress ; en Alberta (Canada), en Australie, à Bahreïn, au Costa Rica, à Malte et en Nouvelle-Zélande plus de 30 % rapportent un stress « beaucoup ». Parmi ceux qui utilisent l’IA, la majorité l’emploie pour planifier des leçons et pour s’informer ou résumer des sujets ; un quart l’emploie pour évaluer ou noter. Parmi les utilisateurs, en moyenne, 73 % l’utilisent pour apprendre et résumer des sujets avec efficacité et 69 % pour générer des plans de leçon. La formation à l’IA est maximale à Singapour (76 %) et minimale en France (9 %). Environ la moitié des enseignants croit que l’IA ne devrait pas être utilisée dans l’enseignement ; un sur dix signale des politiques scolaires qui l’interdisent. Dans la moyenne OCDE, 40 % rapportent qu’il y a trop de notation comme source de stress. La note de la Suède (OCDE, 2025a) situe la moyenne OCDE d’usage de l’IA à 36 % et, parmi les non-utilisateurs, 75 % sans connaissances ou compétences pour enseigner avec elle ; 10 % disent que le travail impacte « beaucoup » leur santé mentale et 8 % leur santé physique.

Statut. Constat empirique : il y a une adoption hétérogène de l’IA, une préoccupation pour le plagiat, des sources de stress liées à la notation et à l’accumulation des responsabilités (discipline, curriculum, administration), et un déficit massif de formation. Constat que TALIS ne produit pas : que ceux qui utilisent l’IA rapportent moins de burnout, moins d’heures ou davantage de temps de classe. Le texte d’Insights formule l’attraction (« le logiciel affirme qu’il peut évaluer des centaines d’épreuves en secondes ») et, dans la foulée, l’absence de preuves robustes à grande échelle que l’IA améliore l’apprentissage de l’élève. Inférer de l’adoption un allègement du métier est donc un saut : c’est l’argument des « partisans », non un résultat du questionnaire.

Pour l’éducation initiale, l’instrument pertinent est TALIS Starting Strong 2024 (OCDE, 2025b), administré au personnel et aux responsables de l’éducation et de l’accueil de la petite enfance dans 17 pays ou entités infranationales (15 en préprimaire CITE 02 ; 8 dans des milieux pour les moins de trois ans). Le rapport documente une satisfaction élevée et, en même temps, un stress persistant. Le pourcentage qui rapporte un stress professionnel va de moins de 20 % en préprimaire en Colombie et en Israël à plus de 75 % en Allemagne aux deux niveaux. Sources fréquentes : avoir trop de tâches en même temps et accomplir des devoirs extra en raison d’absences du personnel — ces dernières surtout dans les milieux pour les moins de trois ans. Le personnel plus stressé est plus enclin à envisager de partir pour des raisons de santé mentale ou physique ou vers un autre secteur. Les responsables identifient absences et pénuries comme principale barrière à des milieux de qualité. Statut. Constat empirique de charge en ECEC : simultanéité, remplacements, pénurie. Constat que Starting Strong 2024 ne produit pas dans les pages vérifiées ici : que l’IA réduise ces sources. Inférence pédagogique, marquée comme telle : le noyau du travail en initiale n’est pas de rédiger un plan 5E sur un clavier ; c’est de soutenir des corps, le jeu, le soin et de multiples demandes à la fois. Automatiser un texte de planification ne touche pas, par soi, la source de stress la plus rapportée dans plusieurs systèmes : faire trop de choses en même temps en présence de la petite enfance.

L’UNESCO et l’International Task Force (2024) ancrent le problème dans la pénurie : 44 millions d’enseignants de primaire et de secondaire vers 2030 ; le bien-être et les conditions sont des facteurs de poussée. C’est un cadre de diagnostic macro, non une mesure de ChatGPT. Inférence marquée : introduire l’IA dans un système qui perd déjà des enseignants par la charge, sans preuve d’allègement, est un pari institutionnel, non un traitement du burnout.

5. Cas 2. Pression temporelle et valorisation de la genAI : 368 enseignants australiens

Collie, Martin et Gasevic (2024) ont publié dans Computers and Education: Artificial Intelligence une étude longitudinale d’un trimestre scolaire auprès de 368 enseignants d’écoles australiennes (56 % au primaire, 40 % au secondaire, 4 % aux deux niveaux). Le cadre est JD-R : ressource (soutien scolaire pour appliquer la genAI) et demandes (pression temporelle, conduite perturbatrice) prédisent la motivation (auto-efficacité et valorisation de la genAI) et, ensuite, l’intégration (dans le travail enseignant et dans les activités des élèves). Au Temps 2, 241 enseignants sont restés (perte de 35 %). La moyenne de pression temporelle était élevée (5,84 sur une échelle dont la formulation inclut « I feel pressed for time in my job ») ; la moyenne de soutien scolaire à la genAI était comparativement basse (2,62).

Constat empirique : le soutien scolaire s’est associé à une plus grande auto-efficacité et à une plus grande valorisation de la genAI. La pression temporelle s’est associée à une plus grande valorisation de la genAI, non à une moindre pression ultérieure. La conduite perturbatrice ne s’est pas associée de façon significative à la motivation ou à l’intégration de la genAI. L’auto-efficacité a prédit les deux types d’intégration ; la valorisation n’a prédit que l’intégration dans le travail de l’enseignant (planifier, préparer), non dans les activités des élèves. Les auteurs interprètent que la pression temporelle peut fonctionner comme une « bouée de sauvetage » : face à des charges intenables, on valorise un outil d’usage relativement facile et souvent gratuit. Limites que l’article lui-même déclare : il n’a pas examiné l’efficacité des outils de genAI ; il n’a pas emboîté les écoles ; un trimestre ne couvre pas l’année. Statut. C’est un constat de prédiction d’usage et de valorisation sous demande. Ce n’est pas un constat de réduction du burnout, d’heures travaillées ni de temps de classe. Au contraire : le mécanisme empirique compatible avec les données est que la demande (pression) pousse l’adoption, non que l’adoption dissolve la demande.

Inférence pédagogique, marquée comme telle : si dans un système de primaire et de secondaire la pression temporelle est déjà élevée et le soutien institutionnel à la genAI est bas, la consigne « utilisez-la pour vous libérer » reproduit la norme d’innovation que Ballet et Kelchtermans (2008) ont vue comme paradoxale : elle soulage la pression externe et, en même temps, ajoute un standard de productivité. Collie et al. (2024) ne mesurent pas ce paradoxe comme burnout ; ils le rendent pensable. Là où l’enseignant d’initiale doit, en outre, soigner, surveiller et soutenir le jeu, la genAI entre comme tâche cognitive hors horaire — prompt, coupe, adaptation à des âges que le modèle n’a pas vus — sur une journée déjà simultanée (OCDE, 2025b).

6. Cas 3. Enseignants du primaire qui planifient avec la genAI : perceptions, non échelles de burnout

Calleja et Camilleri (2025) ont publié dans l’International Journal for Lesson and Learning Studies une étude de cas multiple avec trois équipes de lesson study dans deux écoles primaires de Malte. Le foyer pédagogique était le maltais (structure phrastique, vocabulaire, annonce écrite) en Years 4 et 5. Les équipes ont intégré des outils — ChatGPT, génération d’images et de personnages, Canva, CapCut, banques de mots — dans le cycle de planification, d’observation et de discussion. Les données nucléaires sont des entretiens par courrier, à la clôture de l’année scolaire (juin–juillet 2024), avec les trois enseignantes qui ont donné les leçons, plus les rapports de chaque équipe. La lentille est le Modèle d’acceptation technologique (utilité perçue, facilité d’usage, intention). Constat empirique : l’usage situé en lesson study a amélioré les perceptions et attitudes envers l’IA et l’agence de continuer à apprendre. Les enseignantes ont rapporté une nervosité initiale, de l’anxiété face aux limitations de licence, une connexion décrite comme consommatrice de temps, et la conviction que les bénéfices l’emportaient sur les défis. Une enseignante (Helen, Year 5) était la seule de l’équipe A avec une expérience préalable d’IA en planification ; pour les autres, l’outil était nouveau. Limite que les auteurs déclarent : échantillon petit, non généralisable. Statut. C’est un constat de perception et d’acceptation dans un dispositif de développement professionnel. Ce n’est pas un constat de minutes économisées, ni de burnout, ni d’éducation initiale (les âges sont 8–10 ans). Le lesson study, de plus, ajoute des réunions : l’« innovation qui allège » s’inscrit dans un format qui exige du temps collectif.

Özsongür et Çeliktürk Sezgin (2026) ont publié dans Educational Academic Research une étude qualitative de base auprès de 27 enseignants du primaire (sınıf öğretmenleri) à Istanbul. Entretiens semi-structurés en présentiel, entre le 11 décembre 2023 et le 19 janvier 2024 (durée moyenne proche de quatorze minutes), analysés par contenu. Constat empirique de discours : les enseignants relatent que les outils de genAI facilitent l’accès aux ressources, la création de contenu et de matériaux personnalisés ; qu’ils réduisent le travail administratif et, de ce fait, « permettent » davantage de temps pour l’enseignement ; qu’ils soutiennent la gestion de classe et accélèrent la rétroaction ; et qu’il faut de la formation et un soutien technique. Plusieurs extraits ont insisté sur « économiser du temps » et « moins d’effort ». Statut. C’est un constat de perception autodéclarée, non d’un journal de charge ni d’un inventaire de burnout. Les auteurs recommandent des études longitudinales appliquées précisément parce qu’ils ne prétendent pas avoir mesuré l’impact. L’échantillon est jeune (neuf enseignants de 20–25 ans ; dix de 26–30 ; huit de 30 ans ou plus) et volontaire. Inférence, marquée : le récit d’allègement est une donnée de sens, non une preuve que la journée se soit raccourcie. Dans la thèse de Ballet et Kelchtermans (2009), le sens professionnel médiatise l’intensification : on peut vivre comme une aide ce qui, institutionnellement, devient une nouvelle norme de production de matériaux.

Comme saturation de l’objet « plan de première année », non comme échantillon d’enseignants, Powell et Courchesne (2024) ont examiné dans PLOS ONE une étude de cas exploratoire : une série de prompts à ChatGPT pour un plan de sciences de première année sur l’hérédité, aligné au curriculum du Massachusetts et au modèle 5E. Constat empirique : en environ trente minutes on a pu générer et affiner un plan formellement aligné ; les itérations ont inclus des composantes discutables, des détails manquants et une ressource fausse. Van den Berg et du Plessis (2023) ont analysé des plans de ChatGPT pour une leçon de prépositions en 6e année et ont conclu que l’outil est un « point de départ, non un produit final ». Cooper (2023), dans une self-study d’éducation scientifique, a averti du risque de situer ChatGPT comme « autorité épistémique ultime ». Statut. C’est un constat de qualité et de travail de vérification sur des sorties de modèle, non de bien-être enseignant. Inférence pédagogique : chaque ressource fausse, chaque biais et chaque détail manquant sont des minutes qui n’apparaissent pas dans le récit d’un « plan en trente minutes ». Ce travail invisible — vérifier, adapter à l’âge, traduire vers une classe d’initiale, écarter l’inadéquat — est une demande cognitive. Il n’est pas mesuré chez Özsongür et al. (2026) ni chez Calleja et Camilleri (2025) ; Powell et Courchesne (2024) le rendent visible dans l’artefact.

Comme saturation de temps mesuré — non d’éducation initiale —, Roy et al. (2024) ont évalué pour l’Education Endowment Foundation un essai randomisé par école auprès de 259 enseignants de sciences des Years 7 et 8 dans 68 écoles d’Angleterre (été 2024 ; dix semaines). Le groupe ChatGPT a reçu un guide d’implémentation ; celui de comparaison ne devait pas utiliser la genAI pour ces leçons. Résultat primaire : 56,2 minutes hebdomadaires de préparation contre 81,5 dans le groupe sans genAI (économie moyenne de 25,3 minutes ; 31 % ; haute sécurité). Un panel d’experts, aveugle à l’origine, n’a pas trouvé de différence de qualité dans un échantillon de ressources. Les enseignants du groupe ChatGPT l’ont utilisé de façon modeste (un tiers des leçons ; une ou deux activités, surtout questions, quizzes et idées). Constat crucial pour cet article : « Teachers reported typically using the time saved to complete other lesson and resource planning (LRP) or teaching tasks, or to reduce overall workload ». Statut. C’est un constat de minutes d’un fragment de l’horaire au secondaire, non de burnout, non d’éducation initiale, non de « temps rendu à la classe » comme présence auprès de la petite enfance. Une partie de l’économie se réassigne à davantage de planification. Le rapport lui-même avertit que la majorité n’a appliqué l’approche qu’à une partie de son horaire.

7. Cadre inférentiel : cinq épreuves avant de parler de bien-être

Le cadre qui suit est une inférence pédagogique de cet article, ancrée dans les cas et dans les instruments vérifiés. Ce n’est pas une nouvelle norme internationale. Il distingue cinq épreuves. Si une proposition d’« IA pour le bien-être enseignant » en éducation initiale ou de base ne les passe pas, elle ne s’annonce pas comme allègement.

7.1. Épreuve de la variable mesurée. Collie et al. (2024) mesurent auto-efficacité, valorisation et intégration. Calleja et Camilleri (2025) mesurent la perception TAM. Özsongür et Çeliktürk Sezgin (2026) mesurent des thèmes d’entretien. Roy et al. (2024) mesurent des minutes d’un bloc de planification. TALIS (OCDE, 2025a, 2025b) mesure stress, sources et usage de l’IA séparément. Hashem et al. (2024) mesurent des sorties de ChatGPT évaluées avec le modèle 5E, non des enseignants épuisés. Inférence : on n’affirme pas de réduction du burnout s’il n’y a pas d’inventaire (Maslach ou autre), de suivi de santé ou, au moins, d’heures totales. Le titre de Hashem et al. (2024) — « teacher ally for workload relief and burnout prevention » — est un cadre rhétorique ; la méthode est une épreuve de capacité du modèle. Les confondre est l’erreur que cet article refuse de répéter.

7.2. Épreuve de la réaffectation. Roy et al. (2024) documentent que le temps « économisé » s’utilise, de façon typique, dans davantage de planification ou d’autres tâches enseignantes, ou pour réduire la charge globale : les trois à la fois, sans que l’essai isole la troisième. Inférence : une économie locale (quizzes de sciences de Year 7) n’est pas une libération du métier. En éducation initiale, si l’on économise vingt minutes de rédaction d’un plan et que l’on en ajoute vingt pour vérifier l’adéquation d’âge, communiquer avec les familles ou produire des variantes, la journée ne s’est pas ouverte : elle s’est redistribuée. Apple (1986) et Ballet et Kelchtermans (2009) décrivent précisément cette compression qualitative : non seulement davantage d’heures, mais davantage de densité.

7.3. Épreuve du travail de vérification. Powell et Courchesne (2024) trouvent une ressource fausse dans un plan de première année. Van den Berg et du Plessis (2023) exigent un examen critique. Cooper (2023) nomme le risque d’autorité épistémique. Inférence : l’automatisation de la première page n’automatise pas le jugement. Ce jugement est du temps. En éducation initiale, le jugement inclut la sécurité, le jeu, le langage situé et ce qu’un modèle entraîné sur des corpus adultes ne voit pas. Miao et Holmes (2023) et Miao et Cukurova (2024) prescrivent l’agence humaine : comme cadre, non comme preuve que cette agence soit bon marché en minutes.

7.4. Épreuve de la demande nouvelle. Collie et al. (2024) montrent un soutien institutionnel bas et une pression élevée. TALIS (OCDE, 2025a) montre que trois non-utilisateurs sur quatre manquent de connaissance ou de compétence, que la formation va de 9 % à 76 % selon le pays, et que la moitié refuse l’usage dans l’enseignement. Calleja et Camilleri (2025) documentent nervosité, licences et connexions. Özsongür et Çeliktürk Sezgin (2026) demandent de la formation. L’UNESCO et l’International Task Force (2024) enregistrent que moins de 10 % de plus de 450 institutions avaient une politique de genAI. Inférence : « utiliser l’IA » est une compétence supplémentaire (Miao et Cukurova, 2024), une source d’anxiété de rôle et un critère possible d’évaluation enseignante. C’est une demande JD-R, non une ressource automatique (Bakker et Demerouti, 2017).

7.5. Épreuve de la présence en éducation initiale. TALIS Starting Strong (OCDE, 2025b) situe le stress dans la simultanéité et dans les remplacements, non dans la pénurie de texte de planification. Inférence : un outil qui écrit des plans, des grilles ou des messages aux familles ne remplace pas le corps de l’enseignant dans la classe, ni le ratio, ni le remplaçant qui manque. Promettre que la genAI « rend du temps à la classe » lorsque la classe exige déjà d’être en plusieurs endroits à la fois est une métaphore de bureau. Le non déléguable du bien-être enseignant en initiale est la densité de la présence, non la vitesse du premier brouillon.

Opérationnellement, le cadre admet : (a) des journaux de charge et des mesures de burnout avant de célébrer un allègement ; (b) des outils locaux avec un soutien réel (la ressource de Collie et al., 2024) ; (c) un temps protégé pour vérifier les sorties ; (d) de ne pas convertir l’adoption en nouvelle performativité. Il rejette : (e) vendre ChatGPT comme prévention du burnout sans mesurer le burnout ; (f) extrapoler des minutes de sciences du secondaire au jardin d’enfants ; (g) prendre des perceptions de « moins d’effort » pour des heures réelles ; (h) ajouter une communication automatisée avec les familles sans compter le canal extra de messages que cette automatisation habilite.

8. Discussion

Trois tensions organisent la discussion. La première est entre allègement déclaré et demande mesurée. The Open Innovation Team et Department for Education (2024) recueillent des entretiens et de la littérature grise selon lesquels la genAI pourrait transformer l’éducation, économiser du temps et personnaliser ; la position du DfE (2023/2025) affirme que, utilisée de façon appropriée, elle peut réduire la charge et libérer du temps pour l’enseignement. C’est un cadre de politique. Roy et al. (2024) offrent le constat le plus net de minutes, et même ainsi ils bornent : secondaire, un fragment de l’horaire, réaffectation fréquente à davantage de planification, sans mesure de burnout. Collie et al. (2024) montrent le mécanisme inverse au récit ministériel : on valorise l’outil parce qu’il y a de la pression ; on ne documente pas que la pression baisse. Hashem et al. (2024) illustrent le glissement rhétorique du champ : un devis explicatif sur des plans d’anglais, de sciences et de mathématiques pour 12–18 ans s’intitule comme prévention du burnout. Discuter cet article comme preuve de bien-être serait falsifier sa méthode.

La deuxième tension est entre automatiser un artefact et soutenir un métier. Van den Berg et du Plessis (2023), Cooper (2023) et Powell et Courchesne (2024) s’accordent sur le fait que le plan généré exige une critique. Calleja et Camilleri (2025) montrent des enseignantes qui s’enthousiasment pour la planification et, en même temps, s’inquiètent des licences. Özsongür et Çeliktürk Sezgin (2026) recueillent l’espoir de « davantage de temps pour enseigner » sans le chronométrer. En éducation initiale, l’artefact (plan, fiche, message à la famille) est une fraction du travail. L’intensification contemporaine peut ne pas ressembler à celle d’Apple (1986) en surface — ce n’est plus seulement de la paperasse ministérielle — et oui dans sa logique : davantage de produits visibles (variantes, différenciation, communication immédiate) avec le même corps. Ballet et Kelchtermans (2009) ont averti que la norme collective d’innover intensifie. La genAI est, aujourd’hui, cette norme avec une interface conversationnelle.

La troisième tension est entre enquête d’usage et enquête de santé. TALIS (OCDE, 2025a) peut dire, à la fois, qu’un tiers utilise l’IA et qu’un cinquième a beaucoup de stress, sans articuler les deux items dans un modèle causal. Starting Strong (OCDE, 2025b) peut dire que le personnel d’ECEC se stresse d’avoir trop de choses à faire à la fois, sans qu’existe, dans les pages vérifiées, un module qui attribue un allègement à un chatbot. L’UNESCO et l’International Task Force (2024) peuvent demander de valoriser la profession et, en même temps, enregistrer le vide de politiques de genAI. Miao et Cukurova (2024) peuvent exiger l’agence humaine. Rien de cela n’est une preuve que l’automatisation a rendu de la présence à une classe de trois ans. Le saut de « on l’utilise pour planifier » à « on va mieux » est celui que cet article coupe.

Reste une note sur la communication avec les familles, annoncée dans le titre de ce travail. TALIS (OCDE, 2025a) inclut, parmi les usages, la génération de texte pour la rétroaction ou la communication avec les tuteurs, à des fréquences inférieures à la planification dans plusieurs systèmes. Aucune source nucléaire ne mesure si cette automatisation réduit ou augmente le volume de messages, l’attente d’une réponse immédiate ou le travail émotionnel de la relation école-foyer. Inférence, marquée : ouvrir un canal moins cher de production de texte peut augmenter la demande d’interaction, non la diminuer. Affirmer le contraire serait inventer un résultat.

9. Limites

Cette revue est narrative. Elle n’applique pas un protocole PRISMA complet ni n’estime d’effets combinés sur le burnout. TALIS 2024 n’est pas, dans son noyau, de l’éducation initiale ; Starting Strong 2024 n’est pas, dans les pages utilisées, une étude d’IA. Collie et al. (2024) mêlent primaire et secondaire et ne mesurent ni l’efficacité ni le burnout. Calleja et Camilleri (2025) interviewent trois enseignantes de Years 4–5. Özsongür et Çeliktürk Sezgin (2026) offrent les perceptions de 27 volontaires, avec des entretiens brefs, dans une revue universitaire turque avec DOI vérifié : le statut est qualitatif local, non un essai. Roy et al. (2024) est le devis le plus robuste de temps et est secondaire. Powell et Courchesne (2024), van den Berg et du Plessis (2023), Cooper (2023) et Hashem et al. (2024) analysent des sorties de modèle ou des capacités, non des cohortes d’enseignantes de jardin d’enfants. Apple (1986), Hargreaves (1992) et Ballet et Kelchtermans (2009) sont des cadres d’intensification, non une preuve de ChatGPT. Les textes de l’UNESCO et du DfE sont prescriptifs ou de politique. La géographie est biaisée vers l’OCDE, l’Australie, l’Angleterre, Malte, la Türkiye et les Émirats dans le titre de Hashem ; on n’a pas localisé, avec le même degré d’ouverture vérifiable, un essai latino-américain de burnout et de genAI en éducation initiale qui remplisse les critères. Cette absence est un vide, non une preuve d’inexistence. Les inférences de la section 7 sont des hypothèses de seuil éthico-laboral, non une preuve d’implémentation nationale. Cet article n’affirme pas que la genAI ne puisse pas, dans un devis futur, réduire des heures ; il affirme que, dans le corpus vérifié, on n’a démontré ni réduction du burnout ni restitution de temps à la classe d’initiale et de base.

10. Conclusions

L’intelligence artificielle dans l’éducation initiale et de base n’a pas, aujourd’hui, de preuves suffisantes pour se vendre comme politique de bien-être enseignant. Trois familles de sources vérifiées soutiennent l’argument. Les enquêtes TALIS et TALIS Starting Strong documentent le stress, les sources de charge et l’adoption de l’IA sans articuler un effet d’allègement (OCDE, 2025a, 2025b). L’étude de Collie, Martin et Gasevic (2024) montre que la pression temporelle prédit de valoriser la genAI chez des enseignants du primaire et du secondaire, non que la genAI dissolve cette pression. Les cas de primaire à Malte et à Istanbul (Calleja et Camilleri, 2025 ; Özsongür et Çeliktürk Sezgin, 2026) recueillent des perceptions de soutien à la planification et des demandes de formation, non des échelles de burnout ; Powell et Courchesne (2024) rendent visible le travail de vérifier un plan de première année ; Roy et al. (2024) mesurent des minutes au secondaire qui, en partie, se réassignent à davantage de planification.

Les cadres ne sont pas muets. L’UNESCO et l’International Task Force (2024) situent le bien-être dans la rétention d’une profession en pénurie. Miao et Holmes (2023) et Miao et Cukurova (2024) mandatent l’agence humaine et des compétences, qui sont elles-mêmes du travail. Bakker et Demerouti (2017) rappellent qu’une « ressource » qui n’amortit pas la demande n’est pas une ressource. Apple (1986) et Ballet et Kelchtermans (2009) rappellent que l’innovation peut densifier le métier. Le DfE (2023/2025) peut attendre un allègement : cette attente n’est pas un constat. Là où les sources ne mesurent pas le burnout ni le temps de classe, cet article ne l’invente pas. Le risque n’est pas que la machine écrive un plan. Le risque est que l’institution lise ce plan comme preuve que l’enseignant a déjà été libéré — et lui demande, alors, davantage.

Ingeniero Mitre / Laboratorio Editorial de NEXTECH.IA

Références

  1. Apple, M. W. (1986). Teachers and texts: A political economy of class and gender relations in education. Routledge.
  2. Bakker, A. B. et Demerouti, E. (2017). Job demands-resources theory: Taking stock and looking forward. Journal of Occupational Health Psychology, 22(3), 273–285. https://doi.org/10.1037/ocp0000056
  3. Ballet, K. et Kelchtermans, G. (2008). Workload and willingness to change: Disentangling the experience of intensification. Journal of Curriculum Studies, 40(1), 47–67. https://doi.org/10.1080/00220270701516463
  4. Ballet, K. et Kelchtermans, G. (2009). Struggling with workload: Primary teachers’ experience of intensification. Teaching and Teacher Education, 25(8), 1150–1157. https://doi.org/10.1016/j.tate.2009.02.012
  5. Ballet, K., Kelchtermans, G. et Loughran, J. (2006). Beyond intensification towards a scholarship of practice: Analysing changes in teachers’ work lives. Teachers and Teaching, 12(2), 209–229. https://doi.org/10.1080/13450600500467415
  6. Calleja, J. et Camilleri, P. (2025). Primary school teachers’ perceptions towards the use of generative AI in teaching using lesson study. International Journal for Lesson and Learning Studies, 14(3), 237–252. https://doi.org/10.1108/IJLLS-11-2024-0268
  7. Collie, R. J., Martin, A. J. et Gasevic, D. (2024). Teachers’ generative AI self-efficacy, valuing, and integration at work: Examining job resources and demands. Computers and Education: Artificial Intelligence, 7, 100333. https://doi.org/10.1016/j.caeai.2024.100333
  8. Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32, 444–452. https://doi.org/10.1007/s10956-023-10039-y
  9. Department for Education. (2023/2025). Generative artificial intelligence (AI) in education. GOV.UK. https://www.gov.uk/government/publications/generative-artificial-intelligence-in-education
  10. Hargreaves, A. (1992). Time and teachers’ work: An analysis of the intensification thesis. Teachers College Record, 94(1), 87–108. https://doi.org/10.1177/016146819209400110
  11. Hashem, R., Ali, N., El Zein, F., Fidalgo, P. et Abu Khurma, O. (2024). AI to the rescue: Exploring the potential of ChatGPT as a teacher ally for workload relief and burnout prevention. Research and Practice in Technology Enhanced Learning, 19, Article 23. https://doi.org/10.58459/rptel.2024.19023
  12. Miao, F. et Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
  13. Miao, F. et Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  14. OCDE. (2025a). Results from TALIS 2024: The State of Teaching. OECD Publishing. https://doi.org/10.1787/90df6235-en
  15. OCDE. (2025b). Results from TALIS Starting Strong 2024: Strengthening Early Childhood Education and Care. OECD Publishing. https://doi.org/10.1787/20af08c0-en
  16. Özsongür, M. Z. et Çeliktürk Sezgin, Z. (2026). Primary school teachers’ experiences with generative artificial intelligence in education: Opportunities and limitations. Educational Academic Research, 61, 11–20. https://doi.org/10.33418/education.1714789
  17. Powell, W. et Courchesne, S. (2024). Opportunities and risks involved in using ChatGPT to create first grade science lesson plans. PLOS ONE, 19(6), e0305337. https://doi.org/10.1371/journal.pone.0305337
  18. Roy, P., Poet, H., Staunton, R., Aston, K. et Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices trial. Evaluation report. Education Endowment Foundation et National Foundation for Educational Research. https://educationendowmentfoundation.org.uk/projects-and-evaluation/projects/choices-in-edtech-using-generative-ai-chatgpt-for-ks3-science-lesson-preparation-2024-teacher-choices-trial
  19. The Open Innovation Team et Department for Education. (2024). Generative AI in education: Educator and expert views (RR1402). Department for Education. https://www.gov.uk/government/publications/generative-ai-in-education-educator-and-expert-views
  20. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  21. UNESCO et International Task Force on Teachers for Education 2030. (2024). Global report on teachers: Addressing teacher shortages and transforming the profession. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000388832
  22. van den Berg, G. et du Plessis, E. (2023). ChatGPT and generative AI: Possibilities for its contribution to lesson planning, critical thinking and openness in teacher education. Education Sciences, 13(10), 998. https://doi.org/10.3390/educsci13100998