Codex dans la salle de classe : Un guide 2026 pour les enseignants en programmation

En avril 2026, OpenAI a publié discrètement un guide de déploiement pour ChatGPT Edu intitulé Deployment of Codex in Higher Education. En quelques semaines, des universités américaines et canadiennes ont commencé à déployer Codex pour des cohortes entières d'informatique – un outil de codage entièrement agentique capable de lire un programme, de structurer un dépôt, d'écrire du code de production, d'exécuter des tests et de livrer une solution fonctionnelle en moins de soixante secondes. Tout devoir jamais demandé à un étudiant de premier cycle en informatique est désormais à portée de prompt d'une réponse parfaite.

Si vous enseignez la programmation, vous savez déjà ce qui suit. Un projet de recherche mené dans une grande classe d'informatique universitaire en 2025 a révélé que plus de 25 % des étudiants admettaient avoir utilisé l'IA pour tricher dans leurs devoirs de programmation. Des rapports anecdotiques de professeurs d'algorithmique situent le taux réel au-dessus de 50 %. La question n'est plus de savoir si les étudiants utilisent l'IA, mais si leurs devoirs enseignent encore quelque chose lorsqu'ils le font.

Ce guide s'adresse aux enseignants en programmation qui refusent d'interdire complètement l'IA ou d'abandonner la salle de classe sans combattre. Nous analyserons ce que montre réellement la recherche, les modèles de triche à surveiller dans les devoirs en Python et JavaScript, comment restructurer les devoirs pour que l'IA serve d'échafaudage pédagogique plutôt que de raccourci, et comment des outils comme Plagly.ai vous aident à valider l'apprentissage sans avoir à jouer les détectives à chaque commit de code.

L'état de l'IA dans l'enseignement de la programmation en 2026

Trois chiffres définissent la crise actuelle. Premièrement, la prévalence : une étude pilote sur arXiv en juillet 2025 (2507.06438) a mesuré la triche assistée par l'IA dans un grand cours d'informatique et a révélé que plus d'un quart des étudiants signalaient eux-mêmes des infractions – et l'auto-déclaration sous-estime presque toujours la réalité. Deuxièmement, le coût en qualité : une analyse de CodeRabbit en décembre 2025 a révélé que le code co-écrit par l'IA générative contenait 1,7 fois plus de problèmes critiques (vulnérabilités, fuites de mémoire, erreurs logiques) que le code écrit par des humains, avec des risques de sécurité 2,74 fois plus élevés. Troisièmement, le coût en apprentissage : les programmeurs dans plusieurs rapports récents décrivent une atrophie de leurs capacités de débogage quelques semaines après être passés à des flux de travail LLM-first.

Andrej Karpathy a inventé le terme Vibe Coding en février 2025 pour décrire cette nouvelle façon de travailler avec les LLM : décrivez ce que vous voulez, acceptez le résultat du modèle, envoyez-le sans le lire. Karpathy l'a présenté comme une célébration. En un an, le même terme est devenu le raccourci de l'industrie pour désigner une génération de développeurs capables de prompter couramment, mais incapables de réfléchir au fonctionnement réel de leur code.

Pour les éducateurs, la préoccupation n'est pas philosophique. Elle est concrète : les étudiants se présentent aux heures de bureau et sont incapables d'expliquer le code qu'ils ont soumis, de comprendre pourquoi un test échoue ou de faire l'effort cognitif que la programmation est censée enseigner. Le devoir a été rendu. La note a été obtenue. L'apprentissage n'a jamais eu lieu.

Comment Codex et Copilot résolvent réellement vos devoirs

Avant de pouvoir enseigner autour de l'IA, vous devez comprendre exactement ce qu'elle fait bien et là où elle trébuche. La génération d'outils de codage agentique de 2026 – OpenAI Codex, GitHub Copilot Workspace, Claude Code, Cursor – partage un modèle commun. Ils prennent un prompt, planifient une approche multi-étapes, exécutent des modifications de fichiers dans un dépôt, lancent des tests et itèrent jusqu'à ce que les tests réussissent. Cela diffère qualitativement de l'autocomplétion Copilot de l'ère 2023 pour laquelle la plupart des programmes ont été conçus.

Ce que l'IA d'aujourd'hui résout extrêmement bien dans les devoirs d'informatique :

• Devoirs CS1 et CS2 : boucles, conditions, récursivité, structures de données de base (listes chaînées, piles, files d'attente, BST). Sur les prompts de manuels standard, Codex et Claude Code affichent des taux de réussite de plus de 95 % dès le premier essai.
• Implémentations d'algorithmes à partir de spécifications : qu'il s'agisse de Dijkstra, A*, de la recherche de chaînes KMP ou de tout autre algorithme classique – les LLM modernes reproduisent l'implémentation canonique presque mot pour mot.
• Structures de projets web et mobiles : créez une application CRUD avec authentification, un tableau de bord React, une API Flask – un prompt, un dépôt fonctionnel, souvent mieux structuré que ce que la plupart des étudiants écrivent.
• Requêtes SQL et conception de schémas : même des spécifications anglaises ambiguës produisent un SQL correct et idiomatique.
• Traduction de code : convertir une solution Java en Python, refactoriser du procédural vers la POO, porter du C vers Rust – presque parfait sur toutes les paires de langues.

Là où l'IA trébuche encore de manière fiable aujourd'hui :

• Conventions spécifiques au cours : si votre classe CS1 utilise une bibliothèque graphique Turtle personnalisée, un environnement de test interne ou un guide de style avec des règles de nommage idiosyncratiques, la sortie de l'IA dévie immédiatement. Les chercheurs ont montré que les programmes générés par ChatGPT s'écartent souvent si fortement du style du manuel qu'ils sont automatiquement signalés.
• Refactorisations multi-fichiers avec couplage caché : les outils agentiques ont encore du mal lorsque la bonne réponse exige de réfléchir à des contraintes dispersées dans des fichiers qui n'ont pas été explicitement montrés au modèle.
• Optimisation des performances sous contraintes strictes : demandez à l'IA d'optimiser le code pour un problème O(n^2) en O(n log n), et vous obtiendrez souvent une restructuration purement superficielle plutôt qu'un véritable changement algorithmique.
• Concurrence et conditions de concurrence : les LLM génèrent du code qui semble correct mais présente des violations subtiles de la sécurité des threads, bien au-dessus de leur taux d'erreur moyen.
• Mathématiques spécifiques au domaine : stabilité numérique, cas limites en virgule flottante, mathématiques physiques ou graphiques personnalisées. L'IA fournit ici des réponses plausibles mais fausses avec assurance.

Si vos devoirs actuels se situent entièrement dans la première liste, votre programme est pratiquement obsolète en 2026. La tâche pédagogique consiste à déplacer l'évaluation vers la seconde liste – ou à restructurer l'évaluation pour que l'acte de résoudre enseigne, et non l'acte de soumettre.

Six modèles de triche dans les soumissions de code

Tout comme les enseignants de lettres ont appris les signes des essais rédigés par l'IA, les enseignants en informatique développent un catalogue de modèles de soumission de code générés par l'IA. La plupart sont visibles lors d'une lecture attentive, mais se dissimulent facilement au milieu de centaines de soumissions. Voici les six modèles les plus diagnostiques que nous avons observés dans des milliers de soumissions d'étudiants en 2025/2026.

• Uniformité stylistique au sein d'une cohorte : lorsque vingt étudiants d'une section soumettent des solutions avec des noms de variables identiques (souvent result, arr, helper), des signatures de fonctions identiques et des formulations de commentaires identiques (commençant souvent par „Cette fonction...“ ou „Itérer à travers...“), la cause est rarement une pensée indépendante.
• Blocs triviaux excessivement commentés : l'IA a tendance à commenter chaque ligne, y compris les opérations évidentes comme # incrémenter le compteur. Le code humain au niveau de l'étudiant est généralement peu commenté ou ne contient que des commentaires d'en-tête.
• Motifs idiomatiques supérieurs au niveau du cours : un étudiant CS1 qui n'a pas encore appris les compréhensions de listes soumet une compréhension de liste complexe d'une ligne. Un étudiant qui n'a jamais vu collections.defaultdict l'utilise correctement. La compétence visible dans le code dépasse ce que le cours a couvert.
• Gestion défensive des cas limites au-delà des spécifications : l'IA ajoute réflexivement if not arr: return [] et des vérifications de type. Les vrais étudiants à ce niveau ajoutent rarement des vérifications défensives qui n'ont pas été explicitement demandées.
• Mélange de styles snake_case et camelCase : les données d'entraînement de l'IA contiennent les deux conventions ; sous stress, elle les mélange parfois au milieu d'un fichier. Un étudiant qui a écrit en snake_case tout le semestre n'insère pas soudainement currentNode au milieu d'une méthode.
• Le test des heures de bureau : le signal le plus fiable transmis par l'humain. Demandez à l'étudiant d'expliquer son code à haute voix – expliquez pourquoi cette boucle, pourquoi ce cas de base, que se passe-t-il si l'entrée est vide. Les étudiants qui ont écrit leur code eux-mêmes peuvent répondre. Les étudiants qui l'ont généré par prompts ne le peuvent pas.

La question pédagogique : l'IA comme tuteur ou l'IA comme résolveur ?

La principale idée pédagogique de 2026 est que l'IA ne doit pas être l'ennemie de l'apprentissage. Elle peut en être le plus grand amplificateur – mais seulement si elle est positionnée comme un tuteur socratique plutôt que comme un résolveur de problèmes. Le même modèle qui écrit une solution parfaite peut refuser d'écrire la solution et demander à la place à l'étudiant quelle structure de données il utiliserait, pourquoi une approche par force brute pourrait être trop lente, ou quelle invariante il attend au début de sa boucle.

L' AI Tutor de Code.org, intégré dans les leçons de base, illustre cette philosophie de conception. Il repose sur des principes socratiques : il pose des questions, encourage l'exploration et incite à la réflexion au lieu de fournir des réponses directes. Microsoft a restructuré Copilot dans le même but – les mises à jour récentes ont ajouté des prompts de „mode tuteur“, des quiz en contexte et des questions de débogage plutôt que de la simple complétion de code.

Après avoir collaboré avec des éducateurs de la L1 au projet de fin d'études, nous avons identifié six stratégies de restructuration des devoirs qui rétablissent l'apprentissage réel de manière fiable, sans retomber dans des interdictions purement manuelles.

Six stratégies pour les devoirs de programmation à l'ère de Codex

La plupart des éducateurs avec qui nous travaillons ne veulent pas interroger chaque soumission. Ils veulent une vérification de cohérence qui met en évidence les cas à forte probabilité de triche où une conversation vaut la peine. Le flux de travail qui fonctionne en pratique est simple :

• 1. Déplacer l'évaluation vers la vérification en personne. La mesure individuelle la plus efficace consiste à exiger une soutenance orale de cinq minutes pour chaque devoir non trivial. Les étudiants expliquent le code à haute voix, le modifient en direct en réponse à une petite variante et répondent à des questions complémentaires. Cela filtre tout.
• 2. Assigner de la lecture de code plutôt que du simple écriture. Donnez aux étudiants du code généré par l'IA contenant des erreurs subtiles et laissez-les les trouver et les corriger. Laissez-les critiquer la conception du code. L'étendre. Lire et critiquer la sortie de l'IA est une compétence recherchée dans le monde professionnel, que l'IA ne peut pas faire pour eux.
• 3. Valoriser le processus plutôt que le résultat. Exigez un historique des commits qui montre les progrès réels : tests échoués, refactorisations intermédiaires, sessions de débogage. Un commit initial parfait sans historique est un signal d'alarme.
• 4. Structurer des tests résistants à l'IA. Des cas de test cachés qui vérifient les cas limites que l'IA ignore souvent (conditions limites, erreurs d'inattention, limites de performance) récompensent la réflexion attentive, même si l'IA a fourni la première solution.
• 5. Intégrer explicitement l'IA dans le devoir. Des éducateurs innovants conçoivent des devoirs où les étudiants doivent guider l'IA, évaluer sa sortie, identifier les erreurs et soumettre à la fois le prompt de l'IA et leur version corrigée – avec une analyse de l'erreur. Cela transforme l'outil de triche en outil d'apprentissage.
• 6. Valider l'authenticité lors de la soumission. Des outils comme Plagly.ai analysent les soumissions de code pour détecter les modèles de génération par l'IA, les anomalies stylistiques au niveau des phrases et les signaux de cohérence d'auteur. Combiné aux contrôles ci-dessus, cela vous donne une couche de vérification solide.

Comment se déroule la vérification en pratique

Ce flux de travail ne remplace pas l'enseignement. Le but de la couche de vérification est de libérer votre attention pour les devoirs et les étudiants qui en ont vraiment besoin – les curieux, ceux qui luttent, et ceux qui utilisent l'IA de manière réfléchie mais ont encore besoin d'un humain dans le processus.

• Scan de soumission : chaque soumission passe par une étape de détection d'IA, qui fournit un score de confiance et des marqueurs au niveau des lignes. Plagly.ai effectue cette analyse avec une précision de 99 % sur des modèles comme GPT-5.5, Claude 4.6 et Gemini 3.1.
• Comparaison de motifs au sein de la cohorte : si huit soumissions d'une section partagent la même formulation idiomatique, le même style de commentaire et le même modèle de cas limite, le groupe est marqué pour examen.
• Entretien ciblé aux heures de bureau : les étudiants marqués sont invités à expliquer leur code en personne. La conversation est brève et presque toujours concluante.
• Rapports d'intégrité vérifiables : l' Agentic Council de Plagly.ai fait passer la soumission par sept modèles d'experts du domaine (qualité d'écriture, vérificateur de faits, citations, structure, détection d'IA, sujet, impact) et génère un rapport référencé que vous pouvez joindre aux procédures d'intégrité académique si nécessaire.

Si vous ne devez retenir qu'une chose de ce guide, c'est celle-ci : les devoirs qui vous semblent les plus familiers dans votre programme de 2022 sont ceux qui ont le moins de valeur en 2026. La séquence standard de CS1 – boucles, conditions, récursivité, structures de données, algorithmes de tri – est précisément le terrain sur lequel l'IA est la plus fluide. Les étudiants qui utilisent Codex sur ces problèmes n'apprennent rien.

Ce que cela signifie pour la conception des programmes dans l'année à venir

Le programme qui durera est celui qui traite la fluidité de l'IA comme un objectif de cours. Les étudiants doivent apprendre à rédiger de bons prompts, à évaluer de manière critique la sortie de l'IA, à déboguer le code généré par l'IA et à identifier avec certitude quand une IA a tort. Ils doivent également démontrer, en personne ou sous supervision, qu'ils peuvent réfléchir au code sans l'aide de l'IA – non pas parce que le monde professionnel l'exige (il ne le fait généralement pas), mais parce que la capacité cognitive de programmation est ce que les employeurs continuent de payer.

Les éducateurs qui réussissent cette transition ne sont pas ceux qui ont les politiques anti-IA les plus strictes. Ce sont ceux qui ont construit leur évaluation autour de deux questions : L'étudiant peut-il expliquer ce code dans ses propres mots ? et L'étudiant peut-il modifier ce code si le problème change ? Tout le reste – la syntaxe, la structure, le code passe-partout – est géré par l'IA, et l'entreprise gère l'IA pour l'étudiant. La part d'enseignement n'a pas disparu. Elle s'est simplement élevée d'un niveau d'abstraction.

Plagly.ai a été conçu pour les enseignants en programmation qui veulent que l'IA dans la classe soit un outil d'apprentissage et non un raccourci. Vérifiez les soumissions de code pour la génération par l'IA avec une précision de 99 % sur GPT-5.5, Claude 4.6, Gemini 3.1 et d'autres modèles. Utilisez l'Agentic Council pour révéler les preuves d'auteur d'IA au niveau des phrases en Python, JavaScript et d'autres langues largement enseignées. Effectuez des scans au niveau de la cohorte pour repérer les motifs invisibles.

Foire aux questions

Les détecteurs d'IA peuvent-ils vraiment détecter du code généré par IA ?

La couche de vérification n'est pas conçue pour punir cela. Un étudiant qui a utilisé l'IA pour comprendre un concept, puis a écrit sa propre solution, génère du code qui ne correspond pas aux modèles de génération par l'IA au niveau des lignes. Le signal de détection indique „Ce code a été écrit par une IA“, et non „Cet étudiant a parlé avec une IA“. Si la politique de votre cours autorise l'IA comme tuteur, le flux de travail fonctionne toujours.

Enseigner la programmation telle qu'elle se présente réellement en 2026

Les faux positifs dans la détection de code se produisent le plus souvent lorsque les étudiants écrivent du code de manuel très typique, qui correspond aux modèles que l'IA génère par défaut. La défense est la même que pour la détection d'essais : ne traitez pas un score élevé comme une condamnation. Utilisez-le comme indicateur pour une discussion aux heures de bureau. Un étudiant qui a écrit son propre code peut l'expliquer. Un étudiant qui l'a généré par prompts ne le peut pas. La conversation, et non le score, clarifie la question.

Les détecteurs d'IA peuvent-ils vraiment repérer le code généré par l'IA ?

La plupart des institutions qui ont tenté des interdictions complètes en 2023-2024 sont revenues en arrière. Les interdictions n'étaient pas applicables, poussaient l'utilisation de l'IA vers la clandestinité et produisaient des diplômés peu familiers avec les outils que leurs employeurs attendent d'eux. Le consensus émergeant est que la bonne réponse est une utilisation structurée et transparente de l'IA combinée à une restructuration de l'évaluation qui garantit que l'apprentissage réel a lieu sous la fluidité de l'IA.

Qu'en est-il des étudiants qui utilisent l'IA légitimement comme tuteur ?

Oui. Les signaux de détection (empreintes stylistiques, modèles de commentaires, choix idiomatiques) sont en principe indépendants de la langue. La qualité de la détection varie selon la langue en fonction de l'équilibre des données d'entraînement – la détection Python et JavaScript est la plus forte, suivie de Java, TypeScript, C++, Rust et Go. Pour les langues moins courantes (OCaml, Elixir, Crystal), la détection fonctionne toujours, mais la précision baisse de quelques points de pourcentage. Plagly.ai prend en charge toutes les langues majeures enseignées dans les programmes d'informatique.

Comment gérer les faux positifs (False Positives) dans le code écrit par les étudiants ?

Oui. Les signaux de détection (empreintes stylistiques, motifs de commentaires, choix idiomatiques) sont en principe indépendants du langage. La qualité de détection varie selon le langage en fonction de l'équilibre des données d'entraînement — la détection de Python et JavaScript est la plus performante, suivie de près par Java, TypeScript, C++, Rust et Go. Pour les langages moins courants (OCaml, Elixir, Crystal), la détection fonctionne toujours, mais la précision de l'ensemble baisse de quelques points de pourcentage. Plagly.ai prend en charge tous les principaux langages enseignés en licence et en master d'informatique.