1. Introduction et problème

Dans les salons de l’innovation et les documents de politique, l’intelligence artificielle « entre » dans la classe comme si la classe était déjà électrifiée, câblée et à jour. Le chatbot « personnalise ». Le tableau de bord « diagnostique ». L’assistant « accompagne l’enseignant rural ». Cette grammaire traite le réseau, l’appareil, l’énergie et la maintenance comme un fond technique, non comme l’objet même de l’inéquité. Le jardin d’enfants d’une localité de faible densité, l’école à classes multiples, le telebachillerato ou la Telesecundaria ne sont pourtant pas une version retardée de la classe urbaine connectée. Ils sont une autre condition matérielle. Là où il n’y a pas d’électricité stable, il n’y a pas de nuage. Là où la bande passante ne tient pas une visioconférence, il n’y a pas de modèle de langage en continu. Là où le seul ordinateur fonctionne mal et où il n’y a pas de technicien à moins de plusieurs heures de route, il n’y a pas d’« innovation en IA » : il y a un récit qui présuppose ce que le territoire n’a pas.

Le problème n’est pas l’hostilité à l’outil ni la nostalgie du tableau noir. C’est la confusion de trois objets. Le premier est un constat empirique : ce que l’on observe lorsqu’on mesure la connectivité des ménages urbains et ruraux, l’électricité et internet à des fins pédagogiques dans les écoles, la perception des chefs d’établissement sur l’insuffisance du réseau, et des expériences de technologies qui fonctionnent avec peu ou pas de connectivité. Le deuxième est un cadre normatif ou de politique encore en vigueur : ce que prescrivent l’UNESCO (2023) sur la technologie éducative « selon nos termes », le guide de l’IA pour les responsables de politiques (Miao, Holmes, Huang et Zhang, 2021), le guide sur l’IA générative (Miao et Holmes, 2023) et le rapport Starting Strong VII de l’OCDE (2023a) sur la petite enfance à l’ère numérique. Le troisième est une inférence pédagogique : ce qui ne devrait pas se vendre comme solution — l’IA qui « referme la fracture numérique », qui « apporte la qualité au rural », qui « personnalise là où manquent les enseignants » — si la source ne le mesure pas. Les mêler produit une pédagogie du nuage : on annonce l’IA pour tous les enfants et on la met en œuvre, de fait, pour ceux qui ont déjà la fibre, une tablette et un soutien.

La thèse de cet article est restrictive. Sans connectivité, énergie et soutien technique, l’IA éducative n’arrive pas en retard : elle arrive comme inégalité. Là où la source ne mesure pas la fermeture d’un écart, on ne l’affirme pas. Là où elle ne mesure pas l’amélioration des apprentissages ruraux par un modèle de langage, on ne le promet pas. Là où elle ne mesure pas la substitution de la pénurie enseignante, on ne l’invente pas. Le vide est infrastructurel : quelles conditions matérielles du jardin et de l’école de base rendent possible — ou impossible — toute « innovation en IA ». Restent hors axe les écarts d’« apprendre l’IA » comme matière, le multilinguisme, la vie privée, l’inclusion par le handicap, la médiation parentale, la compétence enseignante UNESCO, le bien-être, l’intégrité, la documentation pédagogique, la littératie étudiante, le jeu/PopBots et les tuteurs adaptatifs. L’objet est l’infrastructure : faible connectivité, ruralité et inéquité territoriale.

2. État de l’art : le réseau comme présupposé, non comme détail

Il convient de séparer trois strates. La première est territoriale : ce que l’on sait de la connectivité des ménages et communautés urbains et ruraux, en particulier en Amérique latine et dans les Caraïbes. La deuxième est scolaire : électricité, ordinateurs et internet à des fins pédagogiques dans l’établissement, et la perception de ceux qui le dirigent. La troisième est le basculement algorithmique : ce que présupposent les outils d’IA éducative — presque toujours nuage, compte, appareil et bande passante — et ce qui existe, de manière vérifiable, au pôle opposé : systèmes de basse technologie et plateformes offline-first. Le rapport Starting Strong VII (OCDE, 2023a) sert ici de cadre de petite enfance, non d’axe dupliqué d’« autonomisation de l’enfant numérique » : sa leçon pertinente est que la numérisation de l’éducation et de l’accueil de la petite enfance (ECEC) n’est pas neutre quant à l’équité.

Dans la strate territoriale, la CEPALC (2020), Ziegler et al. (2020), le Dialogue interaméricain et al. (2022) et l’ENDUTIH mexicaine (INEGI, 2025) convergent vers un gradient urbain–rural et de revenu : l’accès nominal n’est pas une connectivité significative, et la moyenne nationale ne décrit pas le ménage rural. Les chiffres sont détaillés au cas 1. C’est un constat d’accès, non d’IA.

Dans la strate scolaire, l’UNESCO (2023) et le Scorecard UIS-GEM (2024) situent l’électricité et internet pédagogique comme des intrants de l’ODD 4, non comme un luxe. L’OCDE (2020, 2023c), Rieble-Aubourg et Viteri (2020) et Echazarra et Radinger (2019) déplacent le foyer vers l’établissement : perception des chefs, qualité de la connexion, coût du dernier kilomètre. Les chiffres sont détaillés au cas 2. Aucune de ces sources ne mesure un chatbot au jardin d’enfants.

Dans la strate de l’IA, Miao et al. (2021), Miao et Holmes (2023) et la Recommandation de l’UNESCO (2021) formulent des cadres humanistes : équité, supervision humaine, limites d’âge. Ils ne mesurent ni déploiement rural ni « fermeture de l’écart ». Soletic et Kelly (2022) montrent des politiques numériques latino-américaines concentrées sur la connectivité et, malgré cela, insuffisantes. Kabugo (2020) et l’UNESCO (2023) documentent, en revanche, ce qui fonctionne avec peu de réseau : plateformes offline-first et basse intensité (radio, télévision, Telesecundaria). Ce contraste — nuage contre onde — est l’état de l’art que lit cet article. Le vide n’est pas l’absence de promesses d’IA : c’est la rareté de preuves que ces promesses opèrent là où le réseau manque.

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 — inexistante entre un indice de connectivité rurale, une enquête auprès des ménages, un questionnaire aux chefs d’établissement et une étude de cas de plateforme hors ligne — mais d’articuler ce qui se produit lorsque l’IA éducative présuppose une infrastructure que le jardin et l’école de base, dans bien des territoires, n’ont pas. Inclusion : (a) connectivité, électricité, appareils ou soutien technique en éducation initiale ou de base, avec attention à la ruralité et à la faible connectivité ; (b) privilège 2021–2026, avec des cadres encore en vigueur (CEPALC, 2020 ; Ziegler et al., 2020 ; OCDE, 2020 ; Rieble-Aubourg et Viteri, 2020 ; Echazarra et Radinger, 2019 ; Miao et al., 2021) ; (c) rapport d’organisme international, enquête officielle, revue ou working paper avec DOI ou URL institutionnelle vérifiable ; (d) au moins un cas de technologie qui fonctionne avec une connectivité limitée, afin de ne pas réduire l’objet à la dénonciation de la fracture. Ont été exclus comme axe les thèmes déjà traités dans cette série (curriculum d’IA, multilinguisme, vie privée, inclusion, médiation parentale, compétence UNESCO, bien-être, intégrité, documentation, littératie étudiante, jeu/PopBots, tuteurs adaptatifs).

La recherche a été exécutée le 21 août 2026 (vers 21 h 03, America/Mexico_City) sur UNESCO, OCDE, CEPALC, IICA, BID, Dialogue interaméricain, INEGI, Crossref et revues avec DOI. Chaque source a été vérifiée contre au moins l’une de ces pages. Les articles d’« IA hors ligne » dans des revues de qualité éditoriale non consolidée et les essais de gains en pourcentage sans protocole de petite enfance n’ont pas été retenus comme nucléaires. Cas nucléaires : (4) connectivité territoriale ; (5) l’école comme infrastructure ; (6) ce qui fonctionne déjà sans nuage. L’OCDE (2023a) sature le cadre de petite enfance numérique ; elle n’est pas utilisée comme cas d’IA au jardin rural.

L’analyse a distingué trois statuts énonciatifs. Constat empirique : ce qui est observé dans l’enquête, l’indice ou l’étude de cas. Cadre normatif ou de politique : ce qu’un organisme prescrit ou recommande. Inférence pédagogique : la traduction vers le jardin et l’école de base à faible connectivité, marquée comme telle. Les limites sont celles de toute revue narrative (section 9).

4. Cas 1. Le territoire avant le modèle : ménages, ruralité et connectivité significative

La CEPALC (2020), dans le Rapport spécial COVID-19 n° 7, a documenté que, vers 2019, un tiers des habitants de l’Amérique latine et des Caraïbes avaient un accès limité ou nul aux technologies numériques. Constat empirique : 67 % des ménages urbains connectés à internet contre 23 % des ruraux. En Bolivie, au Salvador, au Paraguay et au Pérou, plus de 90 % des ménages ruraux n’avaient pas de connexion ; même au Chili, au Costa Rica et en Uruguay, seule environ la moitié des ménages ruraux étaient connectés. Entre quintiles, 81 % des ménages du quintile le plus élevé avaient une connexion, contre 38 % du premier et 53 % du deuxième, en moyenne dans douze pays. Quarante-deux pour cent des moins de 25 ans n’avaient pas de connexion. Statut : constat de ménages, non de salles d’éducation initiale et non d’IA. Convertir « 23 % rural » en « l’IA apportera la qualité au jardin paysan » serait une inférence illégitime : la source mesure des paniers de connectivité et d’accessibilité, non des modèles de langage.

Ziegler, Arias Segura, Bosio et Camacho (2020) déplacent l’indicateur du « avoir ou non internet » vers la connectivité significative — la qualité, pas seulement la couverture — et construisent des indices rural et urbain (ICSr et ICSu) pour 24 pays, avec 39 entretiens d’acteurs publics et privés et des données jusqu’en septembre 2020. Constat empirique : 71 % de la population urbaine avec des services de connectivité significative contre 36,8 % de la rurale (écart de 34 points). En excluant le Brésil pour son poids démographique, la moyenne des habitants ruraux sans connectivité significative monte à 75 %. Le chiffre régional que les auteurs et la BID soulignent est d’au moins 77 millions d’habitants ruraux sans internet de qualité minimale. L’étude cite aussi le chiffre CIMA-BID selon lequel, dans huit des dix pays analysés, moins de 15 % des écoles rurales avaient une bande passante ou une vitesse suffisantes. Statut : constat de qualité de réseau et d’école rurale comme point critique. Elle ne mesure pas l’IA. Elle n’affirme pas qu’un assistant génératif compense l’absence de mégabits.

Le Dialogue interaméricain, la BID et la Banque mondiale (2022) nomment « zones complexes » celles de faible densité, distantes ou isolées, et relèvent que, selon la CEPALC, en 2020 67 % des ménages urbains avaient une connectivité contre 23 % ruraux. Constat de synthèse de politique : la majorité des pays de la région ne remplissent pas les conditions de connectivité significative à des fins éducatives selon la définition de l’Alliance for Affordable Internet ; la pénétration 4G est chiffrée à 42 % ; 55 % des personnes n’accèdent pas à une connectivité quotidienne. Le rapport n’est pas un essai de jardins. C’est une carte du dernier kilomètre : incitations à l’investissement privé, investissement public, options technologiques (satellite compris) et coordination ministérielle. Statut : constat d’agenda d’infrastructure. Inférence pédagogique, marquée comme telle : toute « IA éducative » qui exige un usage quotidien, des données suffisantes et un appareil abordable bute exactement sur ces quatre déficits.

Au Mexique, l’ENDUTIH 2024 (INEGI, 2025) estime 83,1 % d’usagers d’internet parmi la population de six ans et plus, et 73,6 % de ménages avec le service. Constat empirique territorial : 86,9 % d’usagers dans le milieu urbain et 68,5 % dans le rural. Les entités avec la plus faible proportion de ménages connectés étaient Chiapas (50,7 %), Oaxaca (55,5 %) et Guerrero (58,9 %) ; les plus élevées, Mexico et Sonora (84,4 %). Statut : enquête auprès des ménages, non échantillon de jardin ni d’IA. Soletic et Kelly (2022) rappellent qu’en 2018, 46 % des filles et des garçons de cinq à douze ans — quelque 31 millions — vivaient dans des ménages sans connexion. Constat de cohorte en âge d’éducation initiale et de base. Ce n’est pas un constat que l’IA les atteint.

Statut cumulé. Constat empirique : la connectivité en Amérique latine est un gradient urbain–rural, de revenu et d’entité ; la « connectivité significative » est plus rare que l’accès nominal ; des dizaines de millions d’habitants ruraux et une fraction majoritaire de ménages ruraux dans plusieurs pays n’ont pas le réseau qu’un service d’IA dans le nuage exige. Ce n’est pas un constat d’apprentissage enfantin ni de personnalisation. Inférence pédagogique : annoncer l’IA éducative « pour la région » sans désagréger le territoire, c’est annoncer un bien qui, avec ces chiffres, se réalisera surtout là où il y a déjà un ménage connecté, un appareil et des données. Ce n’est pas un retard. C’est une sélection.

5. Cas 2. Le jardin et l’école comme infrastructure : électricité, internet pédagogique et ce que rapportent les chefs d’établissement

L’UNESCO (2023), dans Technology in education: A tool on whose terms?, pose le plancher matériel. Constat empirique mondial : vers 2021, près de 9 % de la population mondiale n’avait pas d’électricité ; une école primaire sur quatre n’en a pas. À l’échelle mondiale, 40 % des primaires, 50 % des collèges et 65 % des lycées étaient connectés à internet ; 47 % des primaires avaient des ordinateurs à des fins pédagogiques. Pendant les fermetures COVID-19, au moins 500 millions d’élèves — 31 % mondiaux, surtout les plus pauvres (72 %) et les ruraux (70 %) — n’ont pu être atteints par l’apprentissage à distance ; 91 % des pays ont utilisé des plateformes en ligne, mais celles-ci n’ont atteint qu’un quart des élèves. Le coût d’un apprentissage numérique de base dans les pays à faible revenu et de la connexion de toutes les écoles dans ceux à revenu intermédiaire inférieur ajouterait 50 % à l’écart de financement de l’ODD 4. Statut : constat d’intrants et d’exclusion de masse. Le rapport ne mesure pas l’IA en éducation de la petite enfance. Sa question — un outil, selon les termes de qui ? — est le cadre avec lequel cet article lit les promesses d’« IA pour tous ».

L’Institut de statistique de l’UNESCO et le Rapport GEM (2024) font de la connectivité internet dans les écoles primaires le huitième indicateur de référence de l’ODD 4. Constat de suivi : c’est l’un des deux indicateurs avec le plus faible taux de cibles nationales présentées (32 %) ; les pays les plus riches déclarent davantage et sont plus proches de la couverture universelle ; deux pays à faible revenu sur trois n’ont pas de données, et aucun n’atteint sa référence nationale dans la coupe publiée. Statut : constat de rareté de donnée, non d’efficacité de l’IA. Inférence pédagogique, marquée comme telle : on ne gouverne pas une « innovation d’IA scolaire » sur un indicateur que bien des systèmes ne mesurent pas encore. L’opacité fait partie de l’inéquité.

Rieble-Aubourg et Viteri (2020), dans la Note CIMA n° 20 de la BID, ont résumé la préparation de l’Amérique latine et des Caraïbes à l’apprentissage en ligne au début de la pandémie. Constat empirique de diagnostic : l’inéquité d’accès à la technologie, à la connectivité et aux ressources numériques marque la région ; le relevé du projet SIGED a montré que la majorité des pays n’avaient pas les conditions numériques de base (connectivité dans les écoles, plateformes, tutorat virtuel, paquets de ressources et dépôt). Internet dans les ménages était chiffré à 77 % dans la région contre 96 % dans l’OCDE. Statut : constat de préparation systémique, non de jardin et non de modèle génératif. Soletic et Kelly (2022) confirment, dans six pays (Argentine, Chili, Colombie, Costa Rica, Mexique et Uruguay), que les politiques se sont concentrées sur la fourniture de connectivité et d’équipement et que, malgré cela, elles n’ont pas garanti un accès équitable ; dans les zones rurales, l’énergie électrique stable et les réseaux restent un défi. Rieble-Aubourg et Viteri (2020), avec PISA 2018, soulignent que disposer d’internet n’équivaut pas à une qualité suffisante pour la tâche scolaire. Statut : constat d’« avoir internet » versus « pouvoir s’en servir pour enseigner ». Un chatbot consommateur de données n’opère pas sur n’importe quelle connexion : il opère dans le sous-ensemble qui a aussi un appareil, un compte, une qualité de réseau et une médiation pédagogique.

L’OCDE (2020), dans Making the Most of Technology for Learning and Training in Latin America, apporte la perception des chefs d’établissement et l’usage de l’école comme nœud. Constat empirique : environ 51 % des chefs d’établissement de la région signalent un internet insuffisant comme obstacle à l’instruction de qualité, contre 17 % en moyenne OCDE ; environ 43 % signalent une pénurie ou une inadéquation de la technologie numérique pour enseigner. En Colombie, au Mexique et au Pérou, l’école est fournisseur d’internet pour plus de 20 % des élèves ruraux. Plus de 41 % des élèves ruraux au Pérou n’ont accès à un ordinateur de bureau, un portable ou une tablette qu’à l’école ; au Mexique, 27 % ; en Colombie, 20 %. Statut : constat de dépendance à l’établissement et de qualité perçue, au secondaire PISA, non en initiale. Elle ne mesure pas qu’un modèle de langage améliore cette qualité. L’OCDE (2023c), dans Shaping Digital Education, actualise les inégalités de qualité : écarts de connexion rapide entre écoles rurales et urbaines de 30 % au Mexique, 28 % au Costa Rica, 44 % en Roumanie et 21 % en Slovénie (PISA 2018) ; écarts d’ordinateurs connectés entre écoles avantagées et désavantagées de 43 % en Colombie et 42 % au Mexique. Dans les systèmes OCDE, la part des chefs qui déclarent que l’instruction est gênée par un internet insuffisant est, en moyenne, supérieure de 7 points dans les écoles rurales à celles des villes, et dépasse 40 points en Colombie, au Mexique, en Italie et en Alberta (Canada). Statut : constat de géographie scolaire. Echazarra et Radinger (2019) nuancent : toute école rurale ne manque pas d’infrastructure, et les écarts de performance se réduisent souvent en contrôlant le niveau socioéconomique ; le coût de fournir l’éducation en zones reculées est néanmoins plus élevé. Cette nuance empêche de romantiser « le rural » comme vide et de traiter l’IA dans le nuage comme compensation automatique : la source ne la mesure pas.

L’OCDE (2023b), PISA 2022 Volume II, décrit un monde scolaire post-disruption, non un jardin : en moyenne OCDE, au moins trois élèves sur quatre ont déclaré peu de problèmes d’accès à un appareil ou à internet dans l’apprentissage à distance. On le cite pour ne pas extrapoler « l’élève OCDE connecté » à l’enfant de trois ans d’une localité sans réseau. Le rapport Starting Strong VII (OCDE, 2023a) parle bien de petite enfance : la numérisation crée des opportunités et des risques pour l’ECEC ; l’équité est transversale ; le rapport lui-même reconnaît les limites de la base empirique. Cadre de politique, non essai d’IA rurale. Inférence pédagogique : si l’ECEC doit répondre à la numérisation avec équité, le premier fait n’est pas le modèle de langage, mais si le centre a de la lumière, un appareil et un adulte qui peut s’en servir sans un nuage instable.

Statut cumulé. Constat empirique : l’électricité et internet pédagogique ne sont pas universels ; en Amérique latine, la perception d’insuffisance de réseau est trois fois celle de la moyenne OCDE ; les écarts rural–urbain et public–privé au Mexique et en Colombie sont de dizaines de points ; une fraction pertinente d’élèves ruraux ne touche un ordinateur qu’à l’école ; la pandémie a montré que les plateformes en ligne n’atteignent pas qui vit loin et est pauvre. Ce n’est pas un constat que l’IA améliore le jardin rural. Inférence pédagogique : un programme d’« IA en éducation initiale » qui ne conditionne pas son déploiement à l’énergie, à la bande passante, aux appareils fonctionnels et au soutien technique n’est pas un programme national. C’est un programme pour le sous-ensemble déjà connecté.

6. Cas 3. Ce qui fonctionne déjà sans nuage — et le saut illégitime vers l’IA éducative

L’UNESCO (2023) documente un siècle de technologies de basse intensité qui ont bel et bien atteint des territoires où le haut débit n’arrive pas. Constat empirique de synthèse : l’instruction radiophonique interactive s’utilise dans près de 40 pays. Le programme Telesecundaria au Mexique — leçons télévisées, soutien en classe et formation des enseignants — s’associe à une hausse de 21 % de la scolarisation au secondaire. Pendant le COVID-19, 70 % de 101 projets d’éducation à distance en crise ont utilisé radio, télévision et téléphonie de base ; le Mexique a étendu les contenus de Telesecundaria à tous les niveaux. Les plateformes en ligne, utilisées par 91 % des pays, ont atteint un quart des élèves ; le reste a dépendu de la basse technologie, du papier et du mobile. Statut : constat de portée, non de « qualité IA ». Le GEM n’affirme pas que la téléclasse équivaut à un tuteur génératif. Il affirme que, lorsque le réseau manque, ce qui passe à l’échelle n’est pas le nuage. Inférence pédagogique, marquée comme telle : citer Telesecundaria comme preuve que « la technologie arrive au rural » n’autorise pas à remplacer cette technologie par un modèle de langage qui exige exactement ce que Telesecundaria n’exigeait pas (haut débit symétrique, compte dans le nuage, calcul distant).

Kabugo (2020) a étudié l’usage de ressources éducatives ouvertes sur Kolibri — plateforme de Learning Equality conçue pour enseigner avec la technologie sans internet continu — dans dix écoles secondaires publiques d’Ouganda, avec journaux d’usage et entretiens auprès de 25 enseignants et 100 élèves, pendant la fermeture COVID-19. Constat empirique : les enseignants ont employé les ressources ouvertes de Kolibri pour soutenir l’enseignement dans des contextes de rareté d’espaces, de matériels et d’enseignants de sciences et mathématiques ; l’auteur propose un modèle d’utilisation efficace à partir de l’analyse du discours de cet usage. Kolibri est offline-first : bibliothèques de leçons, évaluations, livres, jeux et simulations que l’on installe et met à jour lorsqu’il y a du réseau et que l’on utilise lorsqu’il n’y en a pas. Statut : étude de cas de secondaire, non de jardin ; ressources ouvertes et plateforme, non modèle de langage génératif ; Ouganda, non Amérique latine. Il ne mesure pas que « l’IA referme l’écart ». Il ne mesure pas la personnalisation algorithmique. Sa valeur pour cet article est négative et précise : il existe des preuves que la conception offline-first permet une pratique numérique là où le nuage n’arrive pas. Cette évidence ne se transfère pas, telle quelle, à un chatbot de 2026.

UNICEF Amérique latine et Caraïbes (s. d.) décrit Giga — initiative avec l’UIT — pour cartographier et connecter les écoles. Statut : cadre de programme, non évaluation d’IA. Le Dialogue interaméricain et al. (2022) insistent pour adapter électricité et équipement. Miao et al. (2021), Miao et Holmes (2023) et l’UNESCO (2021) sont des cadres : équité, limites d’âge, supervision humaine. Aucun ne mesure un jardin rural latino-américain avec un modèle de langage local. Les candidats d’« IA hors ligne » dans des revues de qualité éditoriale non consolidée (2025–2026) ne sont pas retenus comme cas nucléaires.

Statut cumulé. Constat empirique : radio, télévision et plateformes offline-first ont une trajectoire documentée de portée dans des contextes de faible connectivité ; Kolibri a un cas situé d’usage enseignant ; Giga est un agenda de cartographie et de connexion, non un résultat d’apprentissage. Ce n’est pas un constat que l’IA générative opère au jardin sans réseau. Inférence pédagogique : le saut « si Kolibri fonctionne hors ligne, alors un modèle sur l’appareil personnalisera l’éducation initiale rurale » confond les genres. Un dépôt de ressources ouvertes installé sur un serveur local n’est pas un modèle de langage. Un modèle de langage qui tient dans un appareil exige encore de l’énergie, de la maintenance, une mise à jour périodique, une littératie technique et, en éducation initiale, un adulte qui médiatise. Là où ces intrants manquent, l’« IA éducative » ne tarde pas : elle s’absente, et son absence relative concentre le bénéfice dans le territoire déjà connecté.

7. Cadre inférentiel : sans réseau, l’IA ne tarde pas, elle sélectionne

Le cadre qui suit est l’inférence pédagogique de cet article, ancrée dans les cas et les cadres vérifiés. Ce n’est pas une nouvelle norme internationale. Il distingue cinq épreuves. Si une proposition d’« IA pour l’éducation initiale et de base dans des contextes ruraux ou de faible connectivité » ne les passe pas, elle ne se déploie pas comme politique d’équité.

7.1. Épreuve de l’énergie avant le modèle. L’UNESCO (2023) mesure qu’une primaire sur quatre n’a pas d’électricité. Ziegler et al. (2020) et le Dialogue interaméricain et al. (2022) situent l’école rurale comme point critique de bande passante et de conditions minimales. Inférence : un système d’IA — dans le nuage ou sur l’appareil — est un consommateur d’énergie et de maintenance. Là où il n’y a pas de lumière stable, il n’y a pas d’« innovation ». Promettre l’IA au jardin sans électrification est une infraction de séquence, non un raccourci de modernisation. Cet article n’affirme pas qu’électrifier referme les écarts d’apprentissage : il affirme que, sans énergie, le discours de l’IA est cosmétique.

7.2. Épreuve de la connectivité significative, non du point d’accès. La CEPALC (2020) et Ziegler et al. (2020) distinguent avoir un signal et avoir de la qualité. Soletic et Kelly (2022) rappellent que seul un tiers des connexions scolaires régionales atteint une qualité pour la tâche. Inférence : un assistant génératif qui « fonctionne avec internet » ne fonctionne pas avec l’internet intermittent d’un établissement qui partage un canal étroit. Appeler « école avec IA » une école dont le modem ouvre un courriel est un abus de langage. Là où la source ne mesure pas latence, symétrie et données, cet article n’invente pas la viabilité pédagogique d’un modèle de langage.

7.3. Épreuve de l’appareil et du soutien, non du logiciel. L’OCDE (2020) documente qu’une fraction élevée d’élèves ruraux n’accède à un ordinateur qu’à l’école, et que les chefs d’établissement signalent une pénurie de technologie numérique. Inférence : l’IA éducative n’est pas un fichier que l’on « télécharge ». C’est un assemblage de matériel, de comptes, de mises à jour et de quelqu’un qui répare. Sans soutien technique territorial, l’appareil devient du mobilier. On ne promet pas qu’un modèle sur l’appareil élimine cette dépendance : Kabugo (2020) montre l’usage d’une plateforme hors ligne avec des enseignants et un écosystème d’installation, non la magie d’un matériel autonome.

7.4. Épreuve de ne pas substituer l’évidence de basse technologie à la promesse du nuage. L’UNESCO (2023) montre que radio et télévision ont atteint qui la plateforme n’a pas atteint ; Telesecundaria s’associe à une hausse de scolarisation. Inférence : cette évidence légitime des politiques de portée par des médias de basse intensité. Elle ne légitime pas de les remplacer par un chatbot. Elle ne légitime pas non plus le slogan selon lequel l’IA « personnalise là où manquent les enseignants » : aucune source nucléaire ne mesure cette personnalisation dans les jardins ruraux. Miao et al. (2021) et Miao et Holmes (2023) exigent une approche centrée sur l’humain et des limites d’âge. Un enfant d’éducation initiale n’est pas l’usager autonome d’un modèle de langage, même là où il y a de la fibre.

7.5. Épreuve de l’inégalité comme dessin, non comme retard. Les 500 millions non atteints (UNESCO, 2023), les 77 millions ruraux sans connectivité significative (Ziegler et al., 2020) et l’écart ENDUTIH entre Chiapas et Mexico (INEGI, 2025) ne décrivent pas un calendrier où « l’IA arrivera plus tard ». Ils décrivent une carte : si l’IA se déploie sous le présupposé du réseau, elle se concentre là où le réseau est déjà. Inférence : le risque n’est pas le retard rural, mais l’innovation sélective présentée comme universelle. L’OCDE (2023a) demande une équité transversale dans l’ECEC : un pilote urbain à haut débit n’est pas une « politique d’IA en initiale ».

Opérationnellement, le cadre admet : (a) cartographier électricité, connectivité significative, appareils et soutien avant d’acheter de l’IA ; (b) basse intensité et plateformes offline-first comme ce que l’évidence de portée soutient ; (c) IA sur l’appareil seulement là où énergie, maintenance et médiation adulte sont assurées, comme essai mesuré. Il rejette : (d) appeler équité le déploiement dans le sous-ensemble connecté ; (e) vendre l’IA comme fermeture d’écart, qualité rurale ou substitut enseignant sans mesure ; (f) traiter le jardin à faible connectivité comme une version tardive de la classe dans le nuage.

8. Discussion

Trois tensions organisent la discussion. La première est entre couverture et qualité. La CEPALC (2020) et l’INEGI (2025) montrent des progrès d’accès ; Ziegler et al. (2020) et Soletic et Kelly (2022) montrent que l’accès nominal n’est pas une connectivité significative. L’IA générative se situe à l’extrême de la plus forte exigence de réseau. Inférence : chaque point de couverture qui n’est pas de qualité peut se raconter comme « prêts pour l’IA » sans l’être. Le GEM (UNESCO, 2023) avertit que le coût total de la technologie est sous-estimé. Cet article n’oppose pas le livre au modèle. Il oppose une séquence : sans plancher matériel, la dépense d’IA est une dépense dans le territoire qui avait déjà un plancher.

La deuxième tension est entre portée et personnalisation. Radio, télévision et Kolibri (UNESCO, 2023 ; Kabugo, 2020) ont des preuves d’arriver. La personnalisation algorithmique a, dans ce corpus, une évidence nulle pour le jardin à faible connectivité. Un enfant non atteint n’est pas « pas encore personnalisé » : il est exclu. Rieble-Aubourg et Viteri (2020) et l’OCDE (2020) ont montré que la région n’était pas préparée à l’apprentissage en ligne ; l’UNESCO (2023) a montré qui est resté dehors. Répéter le geste avec l’IA — plateformes d’abord, territoire ensuite — réitère le dessin de l’exclusion, désormais avec plus de prestige technique.

La troisième tension est entre petite enfance et secondaire connecté. PISA et TALIS parlent d’élèves de 15 ans (OCDE, 2020, 2023b, 2023c). L’ECEC a une autre densité : soin, jeu, médiation adulte, jardins avec moins de personnel. L’OCDE (2023a) demande l’équité ; Miao et Holmes (2023), des limites d’âge. Inférence : le jardin à faible connectivité n’est pas le lieu d’un pilote de chatbot. C’est le lieu de demander s’il y a de la lumière, un adulte et un appareil qui ne dépend pas d’une recharge que la famille ne peut pas payer. Traiter l’enfant de trois ans d’une localité rurale comme « usager d’IA » est une erreur de niveau éducatif et d’infrastructure.

Si l’objet est l’éducation initiale et de base en faible connectivité, le système n’a pas besoin d’un modèle qui présuppose le réseau. Il a besoin de l’autorité de dire qu’une innovation qui ne tourne que là où la fibre existe déjà n’est pas une politique d’équité. L’inégalité n’est pas le temps que le rural « met » à copier l’urbain : c’est le résultat de concevoir l’innovation pour l’urbain. Conserver radio, télévision, ressources ouvertes hors ligne et électrification comme ce que l’évidence soutient, et réserver le nom d’« IA éducative » à des assemblages qui mesurent leurs conditions matérielles, est la voie cohérente avec les sources vérifiées.

9. Limites

Cette revue est narrative. Elle n’applique pas un protocole PRISMA complet ni n’estime d’effets combinés d’« IA sur les apprentissages ruraux » : cette variable n’apparaît pas mesurée dans le corpus nucléaire. La CEPALC (2020), Ziegler et al. (2020) et l’ENDUTIH (INEGI, 2025) sont des rapports de ménages et de territoires, non des essais de jardin. L’UNESCO (2023) et le Scorecard UIS-GEM (2024) sont des synthèses mondiales. Rieble-Aubourg et Viteri (2020) et Soletic et Kelly (2022) diagnostiquent préparation et politiques, non l’IA. L’OCDE (2020, 2023b, 2023c) parle surtout du secondaire PISA et des chefs d’établissement ; Echazarra et Radinger (2019) utilisent PISA 2015 et TALIS 2013. Kabugo (2020) est un cas de secondaire ougandais, non un essai d’initiale latino-américaine. Telesecundaria, dans le GEM, est un chiffre de scolarisation. Miao et al. (2021), Miao et Holmes (2023), l’UNESCO (2021) et l’OCDE (2023a) sont des cadres, non une évidence de 2026 sur un modèle de langage au jardin rural. UNICEF (s. d.) décrit un programme de connexion. On n’a pas localisé, au même degré de vérification, un essai latino-américain d’IA générative ou sur l’appareil en éducation initiale à faible connectivité qui mesurerait apprentissages, fermeture d’écart ou substitution enseignante. Cette absence est un vide, non une preuve que « l’IA fonctionne sans réseau ». Les inférences de la section 7 sont des hypothèses de seuil, non une évidence de mise en œuvre nationale. Cet article n’affirme pas que l’IA referme la fracture numérique, apporte la qualité au rural ni personnalise là où manquent les enseignants : aucune source nucléaire ne mesure ces promesses.

10. Conclusions

En éducation initiale et de base, l’intelligence artificielle face à la faible connectivité ne se résout pas en annonçant l’innovation. Elle se résout en demandant quelle infrastructure — énergie, réseau significatif, appareils, soutien — est condition de tout outil présenté comme « IA éducative ». Trois familles d’évidence vérifiée soutiennent l’argument. Les ménages et territoires d’Amérique latine exhibent un écart urbain–rural et de revenu que la connectivité significative n’a pas refermé (CEPALC, 2020 ; Ziegler et al., 2020 ; Dialogue interaméricain et al., 2022 ; INEGI, 2025 ; Soletic et Kelly, 2022). Les écoles ne sont pas un enceinte abstraite : une primaire sur quatre dans le monde n’a pas d’électricité, une minorité a un internet pédagogique de qualité, et en Amérique latine les chefs d’établissement signalent une insuffisance de réseau très au-dessus de la moyenne OCDE, avec des écarts particulièrement larges au Mexique et en Colombie (UNESCO, 2023 ; Institut de statistique de l’UNESCO et GEM, 2024 ; OCDE, 2020, 2023c ; Rieble-Aubourg et Viteri, 2020 ; Echazarra et Radinger, 2019). Ce qui atteint de manière documentée les territoires à faible connectivité est, jusqu’ici, la basse intensité — radio, télévision, Telesecundaria — et, dans des cas situés, des plateformes offline-first de ressources ouvertes, non l’IA générative dans le nuage (UNESCO, 2023 ; Kabugo, 2020). Les cadres d’IA et de petite enfance exigent équité, supervision humaine et limites d’âge ; ils n’autorisent pas à traiter le jardin déconnecté comme un marché résiduel de l’innovation (Miao et al., 2021 ; Miao et Holmes, 2023 ; UNESCO, 2021 ; OCDE, 2023a).

La thèse restrictive se tient. Sans connectivité, énergie et soutien technique, l’IA éducative n’arrive pas en retard : elle arrive comme inégalité. Là où les sources ne mesurent pas que l’IA referme la fracture numérique, apporte la qualité au rural ou personnalise là où manquent les enseignants, cet article ne l’invente pas. Le risque n’est pas que le jardin rural « se retrouve sans chatbot ». C’est qu’une innovation conçue pour la fibre se raconte comme politique nationale alors qu’elle ne se réalise que là où la fibre existait déjà. L’enfance en faible connectivité n’a pas besoin qu’on lui promette un modèle. Elle a besoin qu’on n’appelle pas équité ce qui présuppose un réseau qu’elle n’a pas.

Laboratoire éditorial de NEXTECH.IA / Ingénieur Mitre

Références

  1. Commission économique pour l’Amérique latine et les Caraïbes. (2020). Universalizar el acceso a las tecnologías digitales para enfrentar los efectos del COVID-19 (Rapport spécial COVID-19 n° 7). CEPALC. https://www.cepal.org/es/publicaciones/45938-universalizar-acceso-tecnologias-digitales-enfrentar-efectos-covid-19
  2. Dialogue interaméricain, Banque interaméricaine de développement et Banque mondiale. (2022). Conectividad educativa en zonas complejas: Desafíos y objetivos para una agenda regional. Inter-American Dialogue. https://thedialogue.org/wp-content/uploads/2024/04/Informe-Tecnico-.pdf
  3. Echazarra, A., et Radinger, T. (2019). Learning in rural schools: Insights from PISA, TALIS and the literature (OECD Education Working Papers n° 196). OECD Publishing. https://doi.org/10.1787/8b1a5cb9-en
  4. Instituto Nacional de Estadística y Geografía. (2025). Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los Hogares (ENDUTIH) 2024 [Communiqué de presse]. https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2025/endutih/ENDUTIH_24.pdf
  5. Kabugo, D. (2020). Utilizing Open Education Resources to enhance students’ learning outcomes during the COVID-19 schools lockdown: A case of using Kolibri by selected government schools in Uganda. Journal of Learning for Development, 7(3), 447–458. https://doi.org/10.56059/jl4d.v7i3.465
  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., Holmes, W., Huang, R., et Zhang, H. (2021). AI and education: Guidance for policy-makers. UNESCO. https://doi.org/10.54675/PCSP7350
  8. Organisation de coopération et de développement économiques. (2020). Making the most of technology for learning and training in Latin America. OECD Publishing. https://doi.org/10.1787/ce2b1a62-en
  9. Organisation de coopération et de développement économiques. (2023a). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  10. Organisation de coopération et de développement économiques. (2023b). PISA 2022 results (Volume II): Learning during – and from – disruption. OECD Publishing. https://doi.org/10.1787/a97db61c-en
  11. Organisation de coopération et de développement économiques. (2023c). Shaping digital education: Enabling factors for success. OECD Publishing. https://doi.org/10.1787/bac4dc9f-en
  12. Rieble-Aubourg, S., et Viteri, A. (2020). CIMA Brief #20: COVID-19: Are we prepared for online learning? Banque interaméricaine de développement. https://doi.org/10.18235/0002303
  13. Soletic, Á., et Kelly, V. (2022). Políticas digitales en educación en América Latina: Tendencias emergentes y perspectivas de futuro. IIPE UNESCO et UNICEF. https://unesdoc.unesco.org/ark:/48223/pf0000381837
  14. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  15. UNESCO. (2023). Global education monitoring report 2023: Technology in education — A tool on whose terms? UNESCO. https://doi.org/10.54676/UZQV8501
  16. Institut de statistique de l’UNESCO et Global Education Monitoring Report. (2024). SDG 4 scorecard: Progress report on national benchmarks on school internet connectivity. UNESCO. https://www.unesco.org/gem-report/en/publication/2024-sdg-4-scorecard-progress-report-national-benchmarks-school-internet-connectivity
  17. UNICEF Amérique latine et Caraïbes. (s. d.). La educación en la era de la conectividad. https://www.unicef.org/lac/la-educaci%C3%B3n-en-la-era-de-la-conectividad
  18. Ziegler, S., Arias Segura, J., Bosio, M., et Camacho, K. (2020). Conectividad rural en América Latina y el Caribe: Un puente al desarrollo sostenible en tiempos de pandemia. Institut interaméricain de coopération pour l’agriculture. https://repositorio.iica.int/handle/11324/12896