Taxonomie de Bloom et IA : ce qui change vraiment

Vous formez, vous concevez des objectifs pédagogiques. Et puis l’IA débarque. D’un coup, la taxonomie de Bloom, cette fameuse pyramide qui guide la formulation des objectifs pédagogiques, se met à tanguer.

En effet, l’IA générative ne fait pas que s’ajouter au modèle : elle le déforme, le contourne, et dans certains cas le rend caduc. Mémorisation court-circuitée, compréhension simulée, création devenue collaborative… Désormais, les étages de la pyramide ne tiennent plus dans le même ordre.

Faut-il jeter Bloom à la poubelle ou le réinventer ? Ni l’un ni l’autre : il faut le recontextualiser. Voici donc ce que les travaux les plus récents (Jain & Samuel 2025, Gonsalves 2026, Trust et al. 2025) disent de ce que l’IA change vraiment à Bloom, et comment en faire un outil encore plus puissant.

La taxonomie de Bloom en 2 minutes

Inventée en 1956 par Benjamin Bloom et révisée en 2001 par Anderson et Krathwohl, la taxonomie de Bloom classe les objectifs d’apprentissage par niveau de complexité cognitive. Du plus simple au plus complexe :

Visuellement, c’est une pyramide : chaque niveau s’appuie sur le précédent. On ne crée pas avant d’avoir compris. C’est donc un escalier qu’on gravit marche après marche et c’est cette progression qui fait la force du modèle depuis 70 ans.

Ce que l’IA change à la taxonomie de Bloom

Le constat de base est simple : l’IA générative peut exécuter plusieurs niveaux de Bloom (et en plus elle le fait bien !).

Par exemple : un étudiant peut demander à ChatGPT de définir un concept (mémoriser), de le reformuler (comprendre), et même de l’appliquer à un cas concret (appliquer), le tout en 30 secondes. Ainsi, ce qui prenait des heures de travail personnel peut être expédié en un prompt.

Ce n’est pas un problème en soi. L’IA est un outil, après tout. Pourtant, la difficulté est ailleurs : la taxonomie de Bloom suppose que l’apprenant mobilise lui-même chaque niveau pour apprendre. Chaque marche de l’escalier représente en effet un effort cognitif nécessaire à la construction de la compétence. Si la machine le fait à sa place, que se passe-t-il dans son cerveau ? Rien, ou presque.

C’est toute l’ambivalence de l’IA en formation : elle peut accélérer l’apprentissage ou le court-circuiter, selon comment on l’utilise. Heureusement, la taxonomie de Bloom nous donne les lunettes pour faire la différence.

Les niveaux que l’IA absorbe (mémoriser, comprendre, appliquer)

Ces trois niveaux sont les plus immédiatement impactés. En effet, l’IA les exécute parfaitement, instantanément, et sans effort :

• 1️⃣ Mémoriser — L’IA répond avant que le cerveau ne s’allume. Ainsi, l’étudiant confond accès à l’information et maîtrise réelle. Les chercheurs Jain & Samuel (2025) identifient même un nouveau niveau sous la mémorisation : le « ventriloquising », où l’étudiant reproduit ce que l’IA restitue sans aucun engagement cognitif. Il parle donc avec les mots de la machine sans avoir appris.
• 2️⃣ Comprendre — Reformuler, résumer, expliquer avec ses propres mots : l’IA le fait très bien. Trop bien, d’ailleurs. L’étudiant peut lire une version simplifiée par l’IA et croire qu’il a compris. C’est pourtant un leurre de compréhension.
• 3️⃣ Appliquer — L’étudiant décrit le problème, puis l’IA propose une méthode et résout. Il devient ainsi spectateur de sa propre résolution. Or regarder quelqu’un faire du vélo ne vous apprend pas à pédaler.

Les niveaux qui restent des compétences humaines distinctives

À l’autre bout de la pyramide, les choses bougent aussi, mais dans l’autre sens :

• 4️⃣ Analyser — L’IA peut le faire, mais c’est justement là que l’humain doit s’entraîner. La pensée critique devient alors le muscle à cultiver absolument. Bonne nouvelle : l’IA est par ailleurs un excellent sparring-partner pour ça (comparer deux réponses d’IA, détecter des biais, identifier des lacunes).
• 5️⃣ Évaluer — C’est la compétence la plus précieuse à l’ère de l’IA. Plusieurs études le confirment d’ailleurs : les experts qui utilisent l’IA avec scepticisme produisent des résultats bien supérieurs aux novices qui lui font confiance aveuglément. Par conséquent, former au scepticisme, c’est former à l’humain.
• 6️⃣ Créer — L’IA génère des options, des prototypes, des premières versions. Ensuite, l’humain évalue, sélectionne, organise, enrichit avec son expérience. Jain & Samuel appellent ce nouveau niveau le « Co-curating » : l’humain devient orchestrateur, pas exécutant solitaire.

Bloom revisité : qui fait quoi entre l’humain et la machine

Inspiré des travaux de l’Oregon State University (2024) et enrichi par la recherche récente, ce tableau résume, pour chaque niveau, ce sur quoi l’IA prend le pas et ce qui reste du ressort des compétences purement humaines.

Ce tableau, vous pouvez l’imprimer et le coller au-dessus de votre bureau. Il change en effet la façon de concevoir une séquence pédagogique : au lieu de « quel niveau viser », la question devient désormais « qu’est-ce que je délègue à l’IA et qu’est-ce que je garde pour le temps humain ? »

Le piège du déchargement cognitif

Opportunités d’un côté, peurs de l’autre, chacun voit l’IA à sa façon. Mais un risque concret se détache, le déchargement cognitif systématique.

Derrière ce terme un peu technique se cache un phénomène que tout professionnel de la formation commence à observer. Plus les apprenants utilisent l’IA, moins ils font travailler leur cerveau sur les opérations de base. C’est pratique, c’est rapide, c’est confortable. Mais, ça entraîne une forme de désentraînement cognitif.

Et le piège ne touche pas que les apprenants. Quand les formateurs utilisent l’IA pour concevoir, ça s’aggrave. L’IA tend à produire des parcours centrés sur les niveaux bas de la taxonomie, en laissant de côté ceux qui comptent vraiment à l’ère de l’IA.

L’étude de Trust, Maloy, Xu & Pelletier (2025) est parlantes : 90 % des activités générées ne mobilisent que des compétences de bas niveau (mémoriser, réciter, résumer, appliquer). Or ce sont exactement les tâches que l’apprenant délègue à l’IA. Résultat, il décharge au lieu de travailler les niveaux qui font la différence.

Bloom comme outil de contrôle qualité

Ce chiffre est un signal d’alarme. Si vous utilisez l’IA pour concevoir des formations sans passer ses propositions au filtre de Bloom, vous risquez de produire des contenus qui ont l’air bien mais qui cognitivement ne valent plus grand chose (à l’ère de l’IA).

Bloom devient alors un outil de contrôle qualité, et plus seulement de conception :

• L’IA vous propose un déroulé ? Passez d’abord chaque activité au crible des 6 niveaux.
• Vous n’avez que des activités de mémorisation et de compréhension ? C’est un problème.
• Le dernier tiers de votre formation n’atteint jamais l’analyse ou l’évaluation ? Retravaillez votre déroulé.

L’étude « Reimagining instructional design » (2025) le montre bien. Un enseignant novice donne 12 instructions à ChatGPT, s’arrête satisfait, et produit 0 % d’objectifs de haut niveau (analyser, évaluer, créer). L’expert, lui, donne 29 instructions, segmente les tâches, révise chaque sortie, et obtient une distribution équilibrée. La différence tient en un mot, le scepticisme. L’expert doute, et c’est ce doute qui fait la qualité.

Des professionnels aux étudiants, la posture est la même. Utiliser l’IA comme sparring partner, pas comme déchargement total sans relecture. C’est là que tout se joue !

Comment utiliser la taxonomie de Bloom à l’ère de l’IA

Alors concrètement, qu’est-ce que vous faites la prochaine fois que vous devez créer un déroulé péda ? Voici une méthode en deux temps : d’abord repenser vos objectifs, puis repenser vos évaluations.

Repenser ses objectifs pédagogiques

Les objectifs rédigés au seul niveau « mémoriser-comprendre-appliquer » ne suffisent plus, car l’IA peut les atteindre à la place des apprenants. Réservez donc les niveaux 1-2-3 aux phases préparatoires où l’IA peut servir d’assistant. Et privilégiez donc des niveaux 4-5-6 (analyser, évaluer, créer) dans vos objectifs finaux.

Voici quelques exemples de reformulation :

Pour vous aider à formuler des objectifs alignés sur Bloom avec ou sans IA, consultez par ailleurs notre guide complet sur la rédaction d’objectifs pédagogiques.

Repenser ses évaluations (anti-triche par le haut)

Si l’IA peut produire des comportements de haut niveau sans cognition correspondante, alors évaluer le produit final ne suffit plus. En effet, on l’a vu avec le ventriloquising, un étudiant peut rendre une copie parfaite sans avoir appris la moindre notion.

Pour autant, la parade n’est pas d’augmenter la surveillance (et les détecteurs d’IA sont peu fiables et faciles à contourner). La vraie parade, c’est de repenser ce qu’on évalue et comment. À cet égard, Jain & Samuel proposent le Process-Driven Assessment : évaluer le cheminement, pas seulement la destination.

Concrètement, voici quelques manières de procéder :

• Demandez aux apprenants de documenter leurs prompts et de justifier leurs choix : pourquoi cette réponse plutôt qu’une autre ? Ex : joindre l’historique et surligner où ils ont rejeté une proposition trop générique.
• Faites-les produire un retour d’expérience critique. Ex : une page sur l’appropriation d’une technique testée sur trois séances, ce qui a marché, ce qui a coincé.
• Notez la restitution orale plutôt que la production. Ex : un oral de 10 min où l’étudiant défend sa copie et répond à deux questions imprévues.
• Évaluez la capacité à critiquer l’IA. Ex : faire repérer dans un déroulé généré où il plafonne aux niveaux bas de Bloom, et le corriger.