1. Introduction : le problème pédagogique d’une médiation qui parle

L’éducation de la petite enfance s’est construite, dans la tradition pédagogique contemporaine, comme un espace où le jeu, le langage oral et la présence sensible de l’adulte constituent l’étayage premier du développement. Lorsqu’une machine commence à parler, à répondre, à recommander et à simuler la compréhension, cette triade est interpellée d’une manière qui n’est pas seulement technique. L’intelligence artificielle générative —des systèmes capables de produire du texte, de l’image, de l’audio ou du dialogue à partir de modèles entraînés sur de grands volumes de données— irrompe dans les salles de classe et dans les foyers à une vitesse qui, comme le soulignent Miao et Holmes (2023), dépasse celle de la régulation. Le problème que formule cet article n’est pas de savoir si la technologie « fonctionne », mais sous quelles conditions éthiques et didactiques une médiation algorithmique peut soutenir, et non supplanter, le jeu et l’oralité de la petite enfance. La question est délibérément restrictive : il ne s’agit pas de transférer à l’éducation initiale les promesses de productivité qui circulent dans l’enseignement supérieur ou dans la formation professionnelle, mais d’interroger une tranche d’âge où l’attribution d’intentionnalité, la confusion entre compagnon et artefact, et la vulnérabilité des données personnelles acquièrent un poids spécifique.

Cette restriction se justifie par l’état même des données. Su et Yang (2022), dans une revue de la portée de dix-sept études publiées entre 1995 et 2021, montrent que la recherche sur l’intelligence artificielle dans l’éducation de la petite enfance est encore un champ étroit, bien que n’étant plus vide. Les travaux recensés indiquent que l’intelligence artificielle a amélioré la compréhension de concepts d’intelligence artificielle, d’apprentissage automatique, d’informatique et de robotique, et qu’elle s’est également associée au développement de la créativité, du contrôle émotionnel, de l’enquête collaborative, de la littératie et de la pensée computationnelle. Cette liste d’effets n’autorise pas un enthousiasme sans limite : dix-sept études en plus d’un quart de siècle constituent, par elles-mêmes, un fait de prudence. Elles empêchent en même temps le scepticisme paresseux qui déclare inexistant tout ce qui n’atteint pas l’échelle d’un essai randomisé massif. Le présent article se situe dans cet intervalle : il prend au sérieux les résultats disponibles, refuse d’en inventer d’autres et en tire une thèse pédagogique sur l’étayage.

La thèse peut s’énoncer ainsi. Si l’intelligence artificielle, sous les formes déjà étudiées —curriculums de construction et d’entraînement de systèmes, jouets robotiques à interface d’intelligence artificielle, agents conversationnels domestiques—, a montré une capacité à soutenir des concepts, des émotions, l’enquête et le langage, alors l’intelligence artificielle générative n’introduit pas une rupture ontologique, mais une intensification de la médiation verbale. Cette intensification accroît le potentiel d’étayage du jeu et du langage oral et, dans la même mesure, accroît le risque d’une cession indue de la présence adulte. Yang (2022) formule le noyau conceptuel que les enfants peuvent explorer : les algorithmes entraînés sur de grands volumes de données identifient des motifs, prédisent et recommandent, et ils ont des limites. Cette idée, et non la fascination pour la fluidité d’un chatbot, devrait orienter la conception curriculaire. Miao et Holmes (2023) ajoutent le corrélat normatif : une approche centrée sur l’humain, l’absence actuelle de protection de la vie privée des données, et une limite d’âge pour les conversations indépendantes avec des plateformes d’intelligence artificielle générative. L’étayage, dans ce cadre, n’est pas une métaphore complaisante : il est la condition de possibilité de tout usage défendable.

2. L’intelligence artificielle dans l’éducation de la petite enfance : la portée d’une évidence rare et convergente

La revue de Su et Yang (2022) offre la carte la plus prudente de ce que l’on peut affirmer sans débordement. Dix-sept études, un arc temporel qui va de 1995 à 2021, et un ensemble de résultats qui ne se dispersent pas en directions contradictoires, mais convergent vers deux familles d’effets. La première famille est conceptuelle et disciplinaire : les enfants qui ont participé aux expériences recensées ont amélioré leur compréhension de notions d’intelligence artificielle, d’apprentissage automatique, d’informatique et de robotique. La seconde famille est compétenceielle et socio-émotionnelle : des avancées ont été observées en créativité, en contrôle émotionnel, en enquête collaborative, en littératie et en pensée computationnelle. Cette double famille est pédagogiquement éloquente. Il ne s’agit pas seulement d’« enseigner des machines », mais d’un déplacement du sujet qui apprend : l’intelligence artificielle apparaît, dans les données disponibles, à la fois comme objet de connaissance et comme médiation qui réorganise des pratiques de création, de régulation affective, d’enquête conjointe et de langage.

Cette éloquence, toutefois, ne doit pas être confondue avec une généralisation causale robuste. Une revue de la portée n’est pas une méta-analyse ; dix-sept études ne constituent pas un corpus saturé ; et l’hétérogénéité des dispositifs —robots sociaux, jouets, agents vocaux, curriculums de construction— empêche de traiter « l’intelligence artificielle » comme une variable unique. La valeur de Su et Yang (2022) réside précisément dans cette honnêteté d’échelle : le champ existe, il est petit, et ce qu’il montre est prometteur dans des directions qui coïncident avec les finalités classiques de l’éducation de la petite enfance. Quiconque souhaite fonder une politique de classe ou une politique publique sur cette base doit savoir qu’il argumente à partir d’une évidence émergente, et non d’une doctrine consolidée. Le présent article accepte cette condition et la convertit en méthode : chaque affirmation empirique renvoie à une étude nommée ; chaque inférence pédagogique se déclare comme telle.

Sur une tranche d’âge plus large, Su, Guo, Chen et Chu (2023) ont cartographié l’enseignement de l’intelligence artificielle dans les classes K–12 au moyen d’une autre revue de la portée. Son existence même est un fait de contexte : ce qui, dans la petite enfance, demeure un ensemble réduit d’expériences s’inscrit, dans la scolarité ultérieure, dans un débat curriculaire déjà plus dense. Ce dénivelé n’autorise pas à importer sans médiation les cadres du secondaire vers le jardin d’enfants. Il autorise, en revanche, à reconnaître que la question de ce que l’on enseigne, comment on l’enseigne et avec quelle éthique on enseigne l’intelligence artificielle n’est pas un caprice de la conjoncture générative de 2023–2024, mais un problème qui précède ChatGPT et que l’irruption des modèles de langage de grande taille n’invente pas, mais aggrave. Kasneci et al. (2023) ont discuté les opportunités et les défis de ces modèles pour l’éducation en général ; Yan, Greiff, Teuber et Gašević (2024) ont examiné les promesses et les défis de l’intelligence artificielle générative pour l’apprentissage humain. Aucun de ces travaux ne remplace l’évidence spécifique de la petite enfance ; tous deux empêchent de traiter le phénomène comme une affaire seulement locale ou seulement technique.

L’articulation entre ces strates bibliographiques permet une affirmation de méthode. Il existe un noyau empirique petit et précieux sur l’intelligence artificielle dans l’éducation de la petite enfance (Su et Yang, 2022 ; Williams et al., 2019 ; Kewalramani, Palaiologou, Dardanou, Allen et Phillipson, 2021 ; Kewalramani, Kidman et Palaiologou, 2021 ; Druga, Williams, Breazeal et Resnick, 2017). Il existe un cadre curriculaire qui traduit ce noyau en principes de conception (Yang, 2022). Il existe un débat plus large sur les modèles génératifs et l’apprentissage humain (Kasneci et al., 2023 ; Yan et al., 2024). Il existe, enfin, une gouvernance internationale qui tente de contenir l’asymétrie entre innovation et régulation (Miao et Holmes, 2023 ; Miao et Cukurova, 2024 ; Miao, Shiohira et Lao, 2024). L’article se déplace entre ces quatre strates sans mêler leurs statuts : l’empirique est cité comme empirique ; le curriculaire, comme curriculaire ; le normatif, comme normatif ; l’argumentatif, comme argumentatif.

3. Littératie en intelligence artificielle : ce que l’enfance peut explorer et comment le curriculum doit être conçu

Yang (2022) déplace le problème de la fascination technologique vers une question classique de théorie curriculaire : pourquoi, quoi et comment enseigner l’intelligence artificielle aux jeunes enfants. La réponse qu’il offre n’est pas un catalogue d’outils, mais une redéfinition de la littératie. La littératie en intelligence artificielle se comprend comme une forme de littératie numérique : non l’entraînement à un logiciel particulier, mais la capacité d’habiter un monde où des systèmes opaques identifient des motifs, prédisent des conduites et recommandent des actions. Le noyau conceptuel que les enfants peuvent explorer est, dans la formulation de Yang (2022), notablement sobre et notablement suffisant : les algorithmes s’entraînent sur de grands volumes de données ; ils identifient des motifs ; ils prédisent ; ils recommandent ; et ils ont des limites. Cette structure quintuple —données, motifs, prédiction, recommandation, limite— est pédagogiquement plus féconde que n’importe quelle démonstration de fluidité conversationnelle, parce qu’elle restitue à l’enfance le droit d’interroger la machine plutôt que de l’admirer.

Le comment de Yang (2022) s’articule en deux principes que cet article assume comme boussole de l’étayage. Le premier est l’apprentissage par la fabrication (learning-by-making) : l’intelligence artificielle se comprend lorsqu’on la construit, la programme, l’entraîne et la met à l’épreuve, non lorsqu’on la contemple comme un oracle. Le second est la pédagogie comme relation (pedagogy-as-relational) : le savoir ne circule pas dans un circuit fermé entre l’enfant et le système, mais dans un réseau de présences —pairs, enseignants, familles, objets culturels— qui donnent sens à ce que la machine fait et à ce que la machine ne peut pas faire. À ces principes s’ajoute une exigence d’incarnation et de réactivité culturelle : le curriculum n’est pas un paquet universel que l’on télécharge sur n’importe quelle classe, mais une proposition qui doit s’incarner dans des corps, des langues, des jeux et des cosmologies locales. Le curriculum « AI for Kids » apparaît, dans ce cadre, comme une illustration de conception et non comme un gabarit impérial.

Cette conception a une conséquence directe pour le débat sur l’intelligence artificielle générative. Un modèle de langage qui produit des réponses fluides peut séduire l’adulte par l’illusion d’un tuteur inépuisable et séduire l’enfant par l’illusion d’un compagnon qui « comprend ». Si le noyau conceptuel de Yang (2022) est pris au sérieux, cette double illusion est précisément ce que le curriculum doit démonter. Explorer qu’un système identifie des motifs dans des données, prédit et recommande, et que ces opérations ont des limites, est une forme de littératie qui protège le jeu : l’enfant peut parler avec la machine, mais ne doit pas rester seul avec la croyance que la machine lui parle comme lui parle un adulte. La pédagogie relationnelle n’est pas un ornement humaniste ; elle est le dispositif qui empêche la médiation algorithmique de devenir une présence sans responsabilité.

En dialogue avec Su et Yang (2022), le projet curriculaire de Yang (2022) permet de relire les effets rapportés. Si l’évidence de portée montre des améliorations dans les concepts d’intelligence artificielle et d’apprentissage automatique, cela est cohérent avec un curriculum qui place au centre l’idée d’algorithmes, de données et de limites. Si elle montre des avancées en créativité, en enquête collaborative et en littératie, cela est cohérent avec le learning-by-making et avec la pédagogie relationnelle. Si elle montre le contrôle émotionnel et la pensée computationnelle, cela suggère que la médiation n’opère pas seulement sur le plan cognitivo-déclaratif, mais dans des pratiques de régulation et de systématisation que l’éducation de la petite enfance reconnaît déjà comme les siennes. Rien de tout cela ne prouve qu’un chatbot génératif produise, par lui-même, les mêmes effets. Cela prouve, en revanche, que la conception importe plus que le dispositif, et que la conception défendable est celle qui maintient l’enfance en position d’explorer des limites, non de consommer de la fluidité.

4. Étude de cas I. PopBots : construire, programmer, entraîner et interagir comme voie de littératie

Williams, Park, Oh et Breazeal (2019) ont conçu PopBots comme une boîte à outils et un curriculum d’intelligence artificielle pour l’éducation de la petite enfance. L’étude a impliqué quatre-vingts enfants de Pre-K et de Kindergarten, âgés de quatre à sept ans, et a situé un robot social comme compagnon d’apprentissage. Le résultat central, dans les termes que cet article s’autorise à retenir, est que les enfants ont appris des concepts d’intelligence artificielle en construisant, en programmant, en entraînant et en interagissant. Cette séquence quadruple —construire, programmer, entraîner, interagir— n’est pas un détail méthodologique mineur : elle est la traduction empirique du learning-by-making que Yang (2022) formule sur le plan curriculaire. PopBots ne présente pas l’intelligence artificielle comme un service que l’on consulte, mais comme un artefact que l’on fabrique et que l’on met à l’épreuve en compagnie d’un robot qui, précisément parce qu’il est compagnon, ne cesse pas d’être un objet de conception.

L’âge des participantes et des participants —quatre à sept ans— situe l’étude au seuil même de l’éducation de la petite enfance et du début de la scolarité. Quatre-vingts enfants ne constituent pas une population universelle, mais bien une échelle qui dépasse l’anecdote et qui permet de prendre au sérieux l’affirmation selon laquelle, avec un curriculum et une boîte à outils adéquats, la petite enfance peut s’approprier des concepts d’intelligence artificielle sans que cela exige une formalisation prématurée à la manière de la programmation textuelle pour adultes. Le robot social comme compagnon d’apprentissage introduit, en même temps, une tension que le reste de la littérature de cet article aide à nommer. Un compagnon robotique peut soutenir la motivation, la conversation et le jeu ; il peut aussi activer des attributions d’intelligence et d’identité que Druga et al. (2017) ont documentées chez d’autres agents. La conception de PopBots, en exigeant de construire, de programmer et d’entraîner, offre un antidote structurel à cette attribution acritique : qui entraîne le système est en meilleure position pour comprendre que le système ne « sait » pas d’une manière humaine.

Depuis la thèse de cet article, PopBots éclaire l’étayage du jeu d’une manière spécifique. Le jeu n’apparaît pas comme une récompense extrinsèque ajoutée à la fin d’une leçon, mais comme le milieu dans lequel la construction et l’interaction deviennent signifiantes. Un robot social qui accompagne ne remplace pas l’enseignant : il réorganise l’espace de l’activité conjointe. L’adulte demeure celui qui soutient la question, qui nomme la limite, qui traduit l’expérience en langage. La médiation algorithmique, dans ce cas, est matérielle et programmable ; elle n’est pas encore la fluidité opaque d’un modèle génératif de grande échelle. Précisément pour cela, PopBots sert de contrepoids : il montre que la voie la plus féconde pour la petite enfance n’est pas la conversation illimitée avec un système inscrutable, mais la fabrication située d’un système dont le comportement peut être interrogé. Si l’intelligence artificielle générative doit entrer au jardin d’enfants, le précédent de Williams et al. (2019) suggère qu’elle devrait entrer comme un objet que l’on explore et que l’on limite, non comme une voix que l’on consulte en solitude.

Il convient, de plus, d’une lecture en clé de littératie. Su et Yang (2022) rapportent des améliorations en littératie et en pensée computationnelle dans l’ensemble des études de leur revue ; PopBots apporte un mécanisme plausible pour ces améliorations : en construisant et en programmant, les enfants essaient des séquences, des hypothèses et des corrections ; en entraînant, ils se confrontent à l’idée que les données laissent une trace dans le comportement du système ; en interagissant, ils mettent en jeu le langage oral dans un circuit qui n’est pas purement humain. L’étayage, ici, est triple : matériel (la boîte à outils), curriculaire (la séquence d’activités) et social (le robot comme compagnon et l’adulte comme garant). Retirer l’un quelconque de ces trois piliers —surtout le troisième— convertirait l’expérience en autre chose : en consommation de nouveauté ou en abandon de l’enfance face à une machine parlante.

5. Étude de cas II. Jouets robotiques, confinement et capital émotionnel : cinq enfants en Australie, 2020

Kewalramani, Palaiologou, Dardanou, Allen et Phillipson (2021) ont étudié l’usage de jouets robotiques d’intelligence artificielle au domicile pendant le confinement lié à la COVID-19 en Australie, en 2020. L’étude, orientée par la recherche basée sur le design, a impliqué cinq enfants ayant des besoins additionnels divers. Le dispositif méthodologique n’était pas la mesure d’un rendement académique, mais la production de dialogues fondés sur l’empathie et l’analyse de ce que les auteures conceptualisent comme capital émotionnel et comme une forme de togetherness imaginaire —une compagnie partagée qui se soutient aussi sur le plan de l’imaginaire. Dans un contexte d’enfermement, d’interruption des routines présentielles et de reconfiguration forcée des soins, le jouet robotique n’apparaît pas comme un luxe didactique, mais comme un médiateur de la vie émotionnelle et de la présence conjointe.

Les faits que cet article retient sont délibérément austères et, pour cela, plus exigeants. Cinq enfants ne permettent pas d’inférences populationnelles ; la diversité des besoins additionnels empêche de traiter le groupe comme homogène ; le confinement de 2020 est un contexte historique irrépétable dans sa forme exacte et, en même temps, un révélateur de ce qui se produit lorsque la classe se dissout dans le foyer. Ce que l’étude autorise à affirmer, c’est que, dans ces conditions, les jouets robotiques d’intelligence artificielle ont participé à des pratiques de dialogue empathique, à la mobilisation d’un capital émotionnel et à une compagnie imaginaire partagée. Cela ne prouve pas que « les robots améliorent l’inclusion ». Cela prouve que, dans un devis de recherche attentif à l’émotion et à la relation, la médiation technique peut s’inscrire dans le travail de soutenir le lien lorsque le lien présentiel du centre éducatif a été interrompu.

Kewalramani, Kidman et Palaiologou (2021), dans un travail convergent, plaident pour les jouets robotiques à interface d’intelligence artificielle dans les milieux d’éducation de la petite enfance comme une voie pour la littératie de l’enquête enfantine. La formulation est importante : il ne s’agit pas de littératie numérique au sens étroit de la manipulation d’un dispositif, mais d’une littératie indagatoire —demander, explorer, construire du sens— médiée par un artefact qui répond. Lue avec Su et Yang (2022), cette ligne renforce la famille d’effets qui inclut l’enquête collaborative et la littératie. Lue avec Yang (2022), elle confirme que la pédagogie relationnelle n’est pas un postulat abstrait : elle est la manière dont un jouet cesse d’être un résolveur de tâches et devient un interlocuteur situé, pourvu que l’adulte soutienne le dialogue.

Le confinement ajoute une leçon que l’intelligence artificielle générative rend urgente. Lorsque l’espace public de l’éducation de la petite enfance se ferme, la médiation technique peut coloniser le foyer avec une facilité que la classe, avec ses rituels et ses présences multiples, modère d’ordinaire. Un jouet robotique, dans la conception de Kewalramani, Palaiologou, Dardanou, Allen et Phillipson (2021), s’inscrit dans des dialogues empathiques et dans une togetherness imaginaire ; un modèle génératif domestique, sans cette conception et sans cet adulte, peut s’inscrire dans une solitude conversationnelle. La différence n’est pas dans « l’intelligence » du système, mais dans la qualité de l’étayage humain qui l’entoure. Le capital émotionnel n’est pas produit par l’algorithme : il est mobilisé par les relations. L’article retient cette distinction comme critère d’évaluation de toute proposition qui prétend porter la génération automatique de langage dans la petite enfance en contexte de soin.

6. « Hey Google, est-ce que ça va si je te mange ? » : attribution d’intelligence, identité et ludicité

Druga, Williams, Breazeal et Resnick (2017) ont mené des explorations initiales de l’interaction entre enfants et agents auprès de vingt-six enfants de trois à dix ans qui ont utilisé Alexa, Google Home, Cozmo et le chatbot Julie. Le titre même du travail —la question d’un enfant à un assistant sur le droit de le « manger »— condense le statut hybride de ces objets : on leur parle comme on parle aux personnes, on leur attribue un corps imaginaire et on les soumet aux règles du jeu. Les thèmes que l’étude identifie —intelligence perçue, attribution d’identité, ludicité et compréhension— constituent, pour cet article, la carte la plus précoce et la plus honnête de ce qui se produit lorsqu’une voix algorithmique entre dans le monde enfantin.

L’intelligence perçue n’est pas l’intelligence mesurée par un test, mais celle que l’enfant accorde à l’agent à partir de ses réponses, de ses échecs, de son ton et de sa ponctualité. L’attribution d’identité nomme le pas suivant : non seulement « cela a l’air malin », mais « cela est quelqu’un ». La ludicité rappelle que la petite enfance ne se rapporte pas aux artefacts d’abord comme usagère de services, mais comme joueuse qui essaie des hypothèses, des provocations, des transgressions et des tendresses. La compréhension, enfin, signale qu’un travail cognitif est en cours : les enfants ne sont pas des récepteurs passifs d’une magie, mais des interprètes qui construisent des modèles de la manière dont fonctionne cela qui leur parle. Druga et al. (2017) ne livrent pas, dans les termes que cet article se permet d’employer, une métrique d’apprentissage curriculaire ; ils livrent quelque chose peut-être plus décisif pour le problème éthique : une phénoménologie de la relation.

Cette phénoménologie croise PopBots et les jouets robotiques d’une manière qu’il convient d’expliciter. Chez Williams et al. (2019), le robot est compagnon d’apprentissage, mais le curriculum exige de construire, de programmer et d’entraîner : l’attribution d’identité est mise en tension par la fabrication. Chez Kewalramani, Palaiologou, Dardanou, Allen et Phillipson (2021), le jouet participe d’une togetherness imaginaire et de dialogues empathiques : l’attribution n’est pas niée, elle est travaillée sur le plan émotionnel et relationnel. Chez Druga et al. (2017), l’interaction avec des assistants vocaux et un chatbot montre que l’attribution émerge même —et surtout— lorsque le système n’a pas été construit par l’enfant, mais se présente comme une présence déjà faite, domestique, toujours disponible. L’intelligence artificielle générative contemporaine ressemble davantage à ce troisième scénario qu’aux deux premiers : c’est une voix déjà entraînée, déjà fluide, déjà installée, qui n’exige pas d’être fabriquée pour être consultée.

Il s’ensuit un critère de conception que cet article considère comme non négociable. Si l’attribution d’intelligence et d’identité est un phénomène documenté dès l’âge de trois ans, et si la ludicité est le mode premier de cette attribution, alors toute introduction de systèmes génératifs dans l’éducation de la petite enfance doit traiter cette attribution comme contenu pédagogique et non comme effet collatéral. Il faut pouvoir demander, dans le langage de Yang (2022), quels motifs le système identifie, de quelles données il se nourrit, ce qu’il recommande et où ses limites échouent. Il faut pouvoir soutenir, dans le langage de Miao et Holmes (2023), que cette conversation ne peut pas être indépendante : l’adulte fait partie du circuit, il n’est pas un superviseur optionnel. Le jeu ne se protège pas en interdisant toute interlocution avec des machines ; il se protège en empêchant que l’interlocution devienne un duo sans témoin humain.

7. Intelligence artificielle générative, langage oral et étayage du jeu

L’intelligence artificielle générative introduit, par rapport aux systèmes étudiés dans la petite enfance entre 2017 et 2021, une différence de degré qui tend à devenir une différence de nature : la fluidité. Un robot que l’on construit et que l’on entraîne, un jouet qui répond avec un répertoire limité, un assistant vocal qui comprend de travers et provoque le rire, laissent voir leurs coutures. Un modèle de langage de grande échelle les dissimule. Kasneci et al. (2023) ont examiné les opportunités et les défis de ces modèles pour l’éducation ; Yan et al. (2024) ont analysé les promesses et les défis de l’intelligence artificielle générative pour l’apprentissage humain. Cet article n’extrait pas de ces travaux des résultats qui ne figurent pas dans les sources ici vérifiées ; il en extrait une conséquence pédagogique pour l’éducation de la petite enfance : plus la machine ressemble à un interlocuteur compétent, plus s’obscurcit le noyau conceptuel que Yang (2022) veut que l’enfance explore —données, motifs, prédiction, recommandation, limites— et plus se tend la pédagogie relationnelle.

Le langage oral de la petite enfance n’est pas un canal de transmission de contenus. Il est le milieu dans lequel se construit l’intersubjectivité, s’essaient des rôles, se négocie le jeu symbolique et se régule l’émotion. Si Su et Yang (2022) rapportent des avancées en littératie, en enquête collaborative et en contrôle émotionnel dans des expériences d’intelligence artificielle, cela suggère que la médiation technique peut, sous conception, s’inscrire dans ces pratiques. La tentation générative consiste à inverser le vecteur : au lieu d’inscrire la machine dans le jeu, inscrire le jeu dans la machine, comme si un dialogue automatique pouvait remplacer l’idiosyncrasie de la parole enfantine, ses silences, ses répétitions, ses erreurs productives. L’étayage, dans la tradition que cet article revendique, est une aide transitoire, contingente et retirée de manière progressive par un adulte qui connaît l’enfant. Un système génératif ne retire pas son aide : il l’offre de manière illimitée, uniforme et sans mémoire pédagogique du sujet concret, sauf celle que ses journaux de données —eux-mêmes problématiques— peuvent accumuler.

On peut alors distinguer trois usages possibles, dont aucun n’est présenté ici comme un résultat empirique, mais comme une hypothèse de conception fondée sur les sources. Le premier est l’usage de la génération comme objet d’exploration : produire avec le système, en présence de l’adulte, un conte, une consigne de jeu ou une variation d’un rituel, et demander ensuite quelles données, quels motifs et quelles limites s’aperçoivent. Cet usage s’aligne sur Yang (2022) et sur la séquence de PopBots (Williams et al., 2019). Le deuxième est l’usage de la génération comme soutien à l’enquête et à la littératie du questionnement, dans la ligne de Kewalramani, Kidman et Palaiologou (2021), pourvu que la question demeure celle de l’enfant et non le prompt adulte qui s’impose. Le troisième, que cet article écarte comme incompatible avec Miao et Holmes (2023), est l’usage de la génération comme interlocuteur indépendant de l’enfance : la conversation en solitaire avec la plateforme. Ce troisième usage n’est pas un extrême rhétorique ; il est le défaut commercial des systèmes contemporains et, pour cela, le risque structurel que l’éducation de la petite enfance doit nommer.

Le jeu, dans ce schéma, n’est pas le lieu de l’application ludique d’une technologie, mais le critère de jugement. Un usage est défendable lorsqu’il élargit le répertoire d’actions symboliques, de tours de parole, d’hypothèses partagées et de régulations émotionnelles que le groupe pratique déjà. Un usage n’est pas défendable lorsqu’il réduit le jeu à l’attente d’une réponse brillante, lorsqu’il captive l’attention dans un circuit dyadique avec l’écran ou le haut-parleur, ou lorsqu’il déplace l’adulte de la position d’étayage vers la position de technicien qui « allume le système ». Kewalramani, Palaiologou, Dardanou, Allen et Phillipson (2021) montrent que, même dans l’enfermement, la valeur du jouet robotique se joue dans le dialogue empathique et dans le capital émotionnel, non dans l’autonomie de l’artefact. Cette leçon vaut, a fortiori, pour un modèle qui parle mieux que n’importe quel jouet.

8. Gouvernance et compétences : l’UNESCO face à l’asymétrie entre innovation et régulation

Miao et Holmes (2023), dans le guide de l’UNESCO pour l’intelligence artificielle générative dans l’éducation et la recherche, établissent trois faits que cet article traite comme des contraintes, non comme des recommandations optionnelles. Le premier : l’intelligence artificielle générative avance plus vite que la régulation. Le deuxième : la vie privée des données n’est pas protégée. Le troisième : l’approche doit être centrée sur l’humain, et il existe une limite d’âge pour les conversations indépendantes avec des plateformes d’intelligence artificielle générative. Dans l’éducation de la petite enfance, ces trois contraintes deviennent presque tautologiques et, néanmoins, quotidiennement transgressées. Les systèmes arrivent au foyer avant d’arriver à la politique éducative ; les voix enfantines sont enregistrées dans des infrastructures opaques ; la conversation indépendante est, dans la pratique, le geste le plus simple —laisser le dispositif à portée— et, en même temps, le plus incompatible avec l’étayage.

Miao et Cukurova (2024) proposent un cadre de compétences en intelligence artificielle pour les enseignants : quinze compétences organisées en cinq dimensions —état d’esprit centré sur l’humain, éthique, fondements et applications, pédagogie de l’intelligence artificielle, et intelligence artificielle pour l’apprentissage professionnel— et trois niveaux de progression : Acquire, Deepen et Create. Le cadre n’est pas écrit comme un curriculum de jardin d’enfants, mais son architecture est révélatrice pour qui conçoit la médiation dans la petite enfance. L’état d’esprit centré sur l’humain et l’éthique précèdent les fondements techniques ; la pédagogie de l’intelligence artificielle est une dimension propre, non un appendice de « l’usage d’outils » ; l’apprentissage professionnel reconnaît que l’enseignant est aussi un sujet qui se forme, non un opérateur que l’on forme en un après-midi. Les niveaux Acquire–Deepen–Create empêchent aussi bien l’immobilisme de qui se déclare incompétent pour toujours que le productivisme de qui prétend « créer » sans avoir acquis.

Miao, Shiohira et Lao (2024) offrent le cadre corrélatif pour les élèves : douze compétences en quatre dimensions —état d’esprit centré sur l’humain, éthique, techniques et applications, et conception de systèmes— avec les niveaux Understand, Apply et Create. La différence d’architecture par rapport au cadre enseignant n’est pas triviale. Les élèves ne se forment pas, dans ce schéma, à « mieux utiliser l’outil », mais à habiter un état d’esprit, une éthique, une technicité et une capacité de conception. Dans l’éducation de la petite enfance, « conception de systèmes » ne signifie pas génie logiciel ; cela signifie, dans le sillage de PopBots (Williams et al., 2019) et de Yang (2022), que les enfants puissent construire, entraîner et interroger des artefacts, et qu’ils comprennent que ces artefacts ont des limites. « Understand–Apply–Create » est une progression qui, dans cette tranche, doit se lire en clé de jeu et d’oralité, non d’accréditation précoce.

L’articulation des trois documents de l’UNESCO produit un standard minimal que cet article adopte comme clôture normative de la thèse. Il n’y a pas d’usage défendable de l’intelligence artificielle générative dans l’éducation de la petite enfance sans un enseignant qui, au moins au niveau Acquire, soutient un état d’esprit centré sur l’humain et une éthique explicite (Miao et Cukurova, 2024). Il n’y a pas de littératie enfantine défendable qui omette l’éthique et réduise l’expérience à l’application technique (Miao, Shiohira et Lao, 2024). Il n’y a pas de conversation indépendante de la petite enfance avec des plateformes génératives qui puisse se réconcilier avec le guide de Miao et Holmes (2023). L’étayage du jeu et du langage oral, loin d’être un romantisme, est la traduction didactique de ce standard : l’adulte demeure, la donnée se traite comme un problème, le système s’interroge, l’enfant ne reste pas seul avec une voix qui simule le soin.

9. Limites éthiques de la médiation algorithmique dans la petite enfance

Les limites que cet article défend ne dérivent pas d’une anthropologie pessimiste de la technique, mais de la conjonction des faits déjà cités. Si la vie privée des données n’est pas protégée (Miao et Holmes, 2023), alors chaque interaction vocale d’un enfant avec un système génératif est, potentiellement, une extraction. Si les enfants attribuent intelligence et identité aux agents et se rapportent à eux depuis la ludicité (Druga et al., 2017), alors cette extraction n’est pas une formalité informée, mais une relation asymétrique dans laquelle le consentement ne peut pas se présupposer. Si la valeur pédagogique documentée dépend de construire, programmer, entraîner et interagir (Williams et al., 2019), de dialogues empathiques et de capital émotionnel (Kewalramani, Palaiologou, Dardanou, Allen et Phillipson, 2021), et d’une pédagogie relationnelle et culturellement réactive (Yang, 2022), alors un système qui opère comme oracle domestique sans fabrication, sans dialogue médié et sans incarnation culturelle n’hérite pas automatiquement de ces valeurs. La limite n’est pas « ne pas utiliser la technologie » ; la limite est de ne pas confondre la fluidité avec la justification.

Une deuxième limite concerne l’équité et la diversité des besoins. L’étude de Kewalramani, Palaiologou, Dardanou, Allen et Phillipson (2021) porte sur cinq enfants ayant des besoins additionnels divers dans un foyer de confinement. Ce cadrage, loin d’être une note en marge, oblige à se méfier des solutions universelles. Un même agent conversationnel ne produit pas le même étayage dans des corps, des langues, des neurodivergences et des situations de soin distincts. La réactivité culturelle qu’exige Yang (2022) et l’état d’esprit centré sur l’humain des cadres de l’UNESCO (Miao et Cukurova, 2024 ; Miao, Shiohira et Lao, 2024) coïncident ici : la conception qui ne part pas de la différence produit de l’exclusion avec l’éloquence supplémentaire de paraître innovante. L’article ne dispose pas de données pour affirmer quelles adaptations fonctionnent dans chaque cas ; il dispose de données pour affirmer que la différence était déjà au centre de l’une des recherches les plus sensibles du corpus, et que l’ignorer serait une forme de mauvaise foi pédagogique.

Une troisième limite est épistémique et s’adresse à celles et ceux qui recherchent et qui écrivent —y compris ce texte. Su et Yang (2022) ont passé en revue dix-sept études en vingt-six ans. PopBots a étudié quatre-vingts enfants. Le travail australien de 2020 en a étudié cinq. Druga et al. (2017) en ont exploré vingt-six. Ces chiffres ne sont pas un défaut qu’il faudrait cacher sous une prose ambitieuse ; ils sont le contour honnête du savoir disponible. Kasneci et al. (2023) et Yan et al. (2024) élargissent le débat vers les modèles génératifs et l’apprentissage humain, mais ils ne comblent pas le vide d’évidence spécifique sur l’éducation de la petite enfance et la génération automatique de langage. Quiconque promettrait, à partir de ce corpus, que l’intelligence artificielle générative « développe le langage oral » ou « améliore le jeu symbolique » dans la petite enfance inventerait un résultat. Quiconque, à partir du même corpus, argumente que l’étayage humain est la condition de toute médiation défendable interprète, et ne fabrique pas.

La quatrième limite est institutionnelle et concerne la formation. Les quinze compétences enseignantes de Miao et Cukurova (2024) et les douze compétences étudiantes de Miao, Shiohira et Lao (2024) ne s’improvisent pas en une journée de « mise à jour numérique ». Acquérir un état d’esprit centré sur l’humain et une éthique opératoire est un travail de culture professionnelle. Dans l’éducation de la petite enfance, cette culture possède déjà des langages propres —jeu, soin, observation, documentation, participation familiale— qui ne doivent pas être remplacés par le jargon de l’innovation. Le cadre de compétences devrait se traduire vers ces langages, et non l’inverse. Un jardin d’enfants qui « utilise l’intelligence artificielle » sans pouvoir nommer quelles données se recueillent, quels motifs s’invoquent, ce que l’on recommande aux familles et où se situe la limite d’âge pour la conversation indépendante n’est pas à l’avant-garde : il est en défaut éthique.

10. Implications pour la conception des pratiques : étayage, non automatisation

Les implications qui suivent se présentent comme des orientations de conception, non comme les résultats d’une expérience nouvelle. Première : l’objet de l’activité, lorsqu’il y a de l’intelligence artificielle dans l’éducation de la petite enfance, devrait être le système lui-même —ses données, ses motifs, ses prédictions, ses recommandations et ses limites—, dans la ligne de Yang (2022), et non l’obtention d’un produit verbal brillant. Deuxième : la séquence privilégiée est celle de PopBots —construire, programmer, entraîner, interagir— (Williams et al., 2019), adaptée aux matériaux et aux cultures locales, non la séquence consulter–copier–exhiber. Troisième : l’évaluation de l’expérience ne peut se réduire à la correction d’une réponse ; elle doit porter sur la littératie indagatoire (Kewalramani, Kidman et Palaiologou, 2021), sur le capital émotionnel et la togetherness imaginaire (Kewalramani, Palaiologou, Dardanou, Allen et Phillipson, 2021), et sur les manières dont les enfants perçoivent l’intelligence, attribuent une identité, jouent et comprennent (Druga et al., 2017).

Quatrième implication : l’adulte n’est pas un facilitateur générique, mais le garant du circuit relationnel. Les cadres de l’UNESCO (Miao et Cukurova, 2024 ; Miao, Shiohira et Lao, 2024) exigent un état d’esprit centré sur l’humain et une éthique qui, dans la classe de petite enfance, se traduisent en présence, en interprétation et en veto. Le veto inclut, de manière explicite, la conversation indépendante avec des plateformes génératives (Miao et Holmes, 2023). Cinquième : les familles ne sont pas un appendice de l’innovation scolaire. Le cas australien de 2020 montre que le foyer peut être la scène principale de la médiation, pour le bien lorsqu’il y a des dialogues empathiques conçus, pour le mal lorsque le dispositif demeure comme une nourrice algorithmique. Sixième : l’échelle de l’évidence oblige à la modestie institutionnelle. Dix-sept études (Su et Yang, 2022) et un débat K–12 en expansion (Su et al., 2023) ne suffisent pas à adopter des plateformes commerciales massives dans la petite enfance ; elles suffisent à soutenir des projets de conception, de documentation et de recherche située.

Septième implication, spécifiquement linguistique. Si le langage oral est le milieu de l’étayage, alors la langue de l’activité ne peut pas être, par défaut, la langue dominante des modèles. La pédagogie relationnelle et culturellement réactive de Yang (2022) exige que le jeu et la conversation aient lieu dans les langues de la communauté, et que devienne visible le fait que de nombreux systèmes prédisent et recommandent mieux dans certaines langues que dans d’autres. Ce dénivelé est un contenu de littératie, non un détail technique. Huitième : la créativité et le contrôle émotionnel, rapportés par Su et Yang (2022) comme partie des effets de l’intelligence artificielle dans la petite enfance, ne se « livrent » pas par le modèle ; ils se cultivent dans l’activité conjointe. Un système génératif qui produit sans effort un poème ou une consigne peut, si la conception est négligente, appauvrir précisément ce que l’évidence associe aux expériences bien conçues.

Neuvième implication, de clôture de cette section : l’intelligence artificielle générative n’a pas besoin d’être interdite de manière absolue pour être rigoureusement limitée. Elle a besoin d’être reconduite vers les formes de médiation que le corpus a déjà rendues intelligibles —fabrication, relation, enquête, émotion, limite— et éloignée des formes que le corpus et la norme ont déjà rendues suspectes —conversation indépendante, opacité des données, attribution non travaillée, universalisme curriculaire. Kasneci et al. (2023) et Yan et al. (2024) rappellent, sur le plan de l’apprentissage humain en général, que les promesses et les défis voyagent ensemble. Dans l’éducation de la petite enfance, ce voyage conjoint n’est pas une métaphore équilibrée : le défi pèse davantage, parce que le sujet qui attribue une identité à un agent (Druga et al., 2017) n’est pas en symétrie avec le système qui recueille sa voix.

11. Conclusions

Cet article a soutenu une thèse restrictive et, pour cela, opératoire. L’intelligence artificielle générative peut participer à l’étayage du jeu et du langage oral dans l’éducation de la petite enfance uniquement si on la traite comme une médiation algorithmique limitée, visible dans ses opérations de données, de motifs, de prédiction et de recommandation (Yang, 2022), insérée dans une pédagogie relationnelle et culturellement réactive, et subordonnée à un adulte qui ne délègue pas la conversation. L’évidence de portée réunie par Su et Yang (2022) autorise à affirmer que, dans les expériences étudiées entre 1995 et 2021, l’intelligence artificielle s’est associée à une meilleure compréhension de concepts d’intelligence artificielle, d’apprentissage automatique, d’informatique et de robotique, et à des avancées en créativité, contrôle émotionnel, enquête collaborative, littératie et pensée computationnelle. Elle n’autorise pas à affirmer que les modèles génératifs contemporains reproduisent automatiquement ces effets.

Les études de cas précisent le mécanisme. PopBots montre que quatre-vingts enfants de quatre à sept ans peuvent apprendre des concepts d’intelligence artificielle en construisant, en programmant, en entraînant et en interagissant avec un robot social comme compagnon d’apprentissage (Williams et al., 2019). Le travail de Kewalramani, Palaiologou, Dardanou, Allen et Phillipson (2021) montre que, dans le confinement australien de 2020, cinq enfants ayant des besoins additionnels divers ont mobilisé un capital émotionnel et une togetherness imaginaire dans des dialogues fondés sur l’empathie, médiés par des jouets robotiques d’intelligence artificielle, dans une recherche basée sur le design. Kewalramani, Kidman et Palaiologou (2021) situent ces jouets dans une argumentation sur la littératie de l’enquête. Druga et al. (2017) rappellent, avec vingt-six enfants de trois à dix ans devant Alexa, Google Home, Cozmo et un chatbot, que l’intelligence perçue, l’attribution d’identité, la ludicité et la compréhension sont le sol phénoménologique de toute médiation qui parle.

Sur ce sol, la gouvernance de l’UNESCO n’est pas un épilogue diplomatique : elle est la condition de légitimité. L’intelligence artificielle générative est plus rapide que la régulation ; la vie privée des données n’est pas protégée ; l’approche doit être centrée sur l’humain ; et il y a une limite d’âge pour les conversations indépendantes avec les plateformes (Miao et Holmes, 2023). Les enseignants ont besoin de quinze compétences en cinq dimensions, avec une progression d’Acquire à Create (Miao et Cukurova, 2024). Les élèves ont besoin de douze compétences en quatre dimensions, avec une progression d’Understand à Create (Miao, Shiohira et Lao, 2024). Dans l’éducation de la petite enfance, ces cadres se traduisent dans un langage que la profession possède déjà : soigner, jouer, converser, observer, documenter, inclure. La médiation algorithmique qui ne peut s’énoncer dans ce langage ne mérite pas la classe.

Il reste, comme agenda et non comme résultat, la recherche que ce corpus n’offre pas encore : des études situées, d’échelle honnête, sur ce qui se produit lorsqu’un modèle génératif entre —toujours avec un adulte, toujours avec une limite, toujours avec une question sur les données— dans le jeu symbolique et dans l’oralité de la petite enfance. Jusqu’à ce que cette évidence existe, l’éthique de l’interprétation consiste à ne pas remplir le vide avec des promesses. L’étayage est une pratique humaine. La machine peut, dans la meilleure des conceptions, l’élargir. Elle ne peut pas, sans cesser d’être ce qu’elle est, l’occuper.

  1. Druga, S., Williams, R., Breazeal, C. et Resnick, M. (2017). “Hey Google is it OK if I eat you?”: Initial explorations in child-agent interaction. Dans Proceedings of the 2017 Conference on Interaction Design and Children (p. 595–600). ACM. https://doi.org/10.1145/3078072.3084330
  2. Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., Kuhn, J. et Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
  3. Kewalramani, S., Kidman, G. et Palaiologou, I. (2021). Using Artificial Intelligence (AI)-interfaced robotic toys in early childhood settings: A case for children’s inquiry literacy. European Early Childhood Education Research Journal, 29(5), 652–668. https://doi.org/10.1080/1350293X.2021.1968458
  4. Kewalramani, S., Palaiologou, I., Dardanou, M., Allen, K.-A. et Phillipson, S. (2021). Using robotic toys in early childhood education to support children’s social and emotional competencies. Australasian Journal of Early Childhood, 46(4), 355–369. https://doi.org/10.1177/18369391211056668
  5. Miao, F. et Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
  6. Miao, F. et Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  7. Miao, F., Shiohira, K. et Lao, N. (2024). AI competency framework for students. UNESCO. https://doi.org/10.54675/JKJB9835
  8. Su, J., Guo, K., Chen, X. et Chu, S. K. W. (2023). Teaching artificial intelligence in K–12 classrooms: A scoping review. Interactive Learning Environments, 32(9), 5207–5226. https://doi.org/10.1080/10494820.2023.2212706
  9. 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
  10. Williams, R., Park, H. W., Oh, L. et Breazeal, C. (2019). PopBots: Designing an artificial intelligence curriculum for early childhood education. Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 9729–9736. https://doi.org/10.1609/aaai.v33i01.33019729
  11. Yan, L., Greiff, S., Teuber, Z. et Gašević, D. (2024). Promises and challenges of generative artificial intelligence for human learning. Nature Human Behaviour, 8(10), 1839–1850. https://doi.org/10.1038/s41562-024-02004-5
  12. Yang, W. (2022). Artificial intelligence education for young children: Why, what, and how in curriculum design and implementation. Computers and Education: Artificial Intelligence, 3, 100061. https://doi.org/10.1016/j.caeai.2022.100061