Vietnam: l’IA entre dans la formation des enseignants, avec un cadre de compétences et un pilote contrôlé

À Hanoï, un atelier organisé le 28 juillet par le ministère vietnamien de l’Éducation et de la Formation a remis au centre du débat une question devenue opérationnelle, comment intégrer l’intelligence artificielle dans la formation des enseignants sans fragiliser le jugement pédagogique, la protection des données et l’égalité d’accès. Les propositions relayées par vietnam. vn s’articulent autour d’un cadre national de compétences en IA, d’un programme pilote contrôlé avant généralisation, d’une intégration continue de la formation initiale jusqu’au développement professionnel, et d’exigences minimales sur la sécurité, la transparence et la responsabilité. Cette feuille de route intervient alors que le système scolaire prépare aussi la rentrée 2026-2027, annoncée avec des manuels scolaires unifiés et des formations dédiées pour les équipes éducatives.

Le ministère vietnamien prépare un cadre de compétences IA centré sur l’humain

La proposition la plus structurante porte sur la création d’un référentiel de compétences professionnelles en intelligence artificielle destiné aux enseignants. L’objectif affiché n’est pas de transformer les professeurs en informaticiens, mais de formaliser des capacités directement liées au métier, comprendre ce que fait un outil, identifier ses limites, et décider quand il est pertinent de l’utiliser en classe. Dans les échanges rapportés, le cadre est présenté comme centré sur l’humain, et surtout orienté vers le jugement pédagogique, un point sensible dans un contexte où les outils génératifs peuvent produire des contenus fluides mais parfois inexacts.

Un référentiel national a un autre effet, donner un langage commun aux universités pédagogiques, aux inspecteurs, aux formateurs et aux établissements. Il permet de distinguer des usages acceptables, par exemple générer des variantes d’exercices, proposer des pistes de différenciation, résumer des textes de travail, de pratiques plus risquées, comme déléguer l’évaluation sans contrôle humain ou utiliser des données d’élèves sans cadre clair. Cette clarification réduit l’arbitraire local, et facilite la création de modules de formation alignés sur des attendus partagés.

La question des biais et de la qualité des productions est au cœur de la logique centrée sur l’humain. Un enseignant formé doit pouvoir repérer les hallucinations, les réponses stéréotypées, ou les conseils inadaptés à l’âge des élèves. La compétence attendue ressemble à une littératie critique, vérifier, contextualiser, reformuler et citer ses sources, plutôt que consommer des réponses automatiques. Dans ce schéma, l’IA devient un assistant de préparation ou d’analyse, mais la décision finale reste portée par le professionnel en responsabilité.

Dans l’atelier, l’idée que les écoles de formation des enseignants doivent être des pionnières revient comme un marqueur politique. Le ministère de l’Éducation et de la Formation place la barre sur l’anticipation, avec des futurs enseignants qui doivent maîtriser l’IA au sens de la comprendre, la questionner et l’encadrer. Ce cadrage vise aussi à éviter une adoption non coordonnée, où les pratiques se diffuseraient par imitation ou par pression, sans que la formation ne suive, ce qui créerait des écarts entre établissements urbains mieux dotés et zones plus éloignées.

Un dernier enjeu concerne l’évaluation des compétences. Un référentiel n’a de poids que s’il se traduit en indicateurs concrets, études de cas, simulations de séances, analyses de productions d’élèves, et protocoles de vérification d’une réponse générée. Le débat, en filigrane, consiste à mesurer des compétences professionnelles, et pas seulement une capacité technique. C’est un changement d’angle, car la formation doit documenter la prudence, le contrôle qualité et la responsabilité, pas uniquement la rapidité d’usage d’un outil.

Un programme pilote contrôlé avant l’institutionnalisation dans les universités pédagogiques

Les propositions mettent l’accent sur une étape de test, un programme pilote contrôlé avant toute institutionnalisation. Cette méthode répond à deux risques classiques, la généralisation trop rapide d’outils instables, et l’écart entre intentions et pratiques de terrain. Un pilote permet de comparer des modalités, cours dédiés, intégration transversale, formation hybride, et d’observer ce qui améliore le travail des enseignants sans surcharger leur temps.

Concrètement, un pilote peut être organisé autour de cohortes d’étudiants enseignants et de formateurs, avec des objectifs vérifiables. Par exemple, réduire le temps de préparation de séquences tout en maintenant un niveau d’exigence, améliorer la capacité à produire des supports différenciés, ou renforcer la qualité des feedbacks écrits. L’intérêt est de mesurer des effets pédagogiques, pas seulement de recenser des usages. Les retours peuvent porter sur la pertinence des activités, la compréhension des limites des modèles, et la capacité des participants à expliquer à des élèves ce qu’est un outil algorithmique.

Le caractère contrôlé signifie aussi encadrer les conditions techniques. Quels outils sont autorisés, dans quelles versions, avec quels paramètres de confidentialité, et avec quelles consignes sur les données saisies. Sans ce contrôle, un pilote devient un simple état des lieux, difficile à exploiter. Dans un pays où les établissements ont des niveaux d’équipement variés, le protocole doit aussi préciser les scénarios hors ligne ou à faible connectivité, sous peine de sélectionner uniquement des établissements déjà favorisés.

Le pilote sert également à préparer l’acceptabilité professionnelle. Une partie des enseignants peut percevoir l’IA comme une injonction, ou comme un outil de surveillance. Les concepteurs doivent donc documenter des bénéfices concrets, par exemple l’analyse rapide de productions pour repérer des difficultés récurrentes, ou la création de banques d’exercices contextualisés, tout en rappelant que l’évaluation reste sous responsabilité humaine. Le dialogue avec les équipes éducatives, les directions et les formateurs est déterminant pour éviter un rejet ou des contournements.

Enfin, un pilote sérieux aboutit à des ajustements, charge de travail, contenus, critères d’évaluation, et règles de conformité. Il peut aussi identifier les besoins en accompagnement, tutorat, assistance technique, temps de formation reconnu. En résultat, l’institutionnalisation se fait sur un modèle éprouvé, avec des arbitrages justifiés, plutôt que sur une simple dynamique d’innovation. Cette séquence test est présentée comme une base pour des recherches complémentaires et un perfectionnement progressif du modèle de compétences.

Données, sécurité et transparence: des exigences minimales pour l’IA à l’école

Les textes mentionnent explicitement des exigences minimales en matière de données, de sécurité, de transparence et de responsabilité. Ce bloc est déterminant, car l’IA éducative touche à des informations sensibles, identités d’élèves, résultats, observations de comportement, et parfois éléments de santé ou de situation familiale consignés dans des suivis. Sans garde-fous, un outil utile peut devenir un vecteur de fuite de données ou de décisions opaques.

Sur le plan pratique, un standard minimal peut inclure l’interdiction de saisir des données nominatives dans des outils non autorisés, l’obligation d’anonymiser des copies, et la définition de durées de conservation. La sécurité implique aussi des choix d’infrastructure, comptes institutionnels, authentification forte, traçabilité des accès, et procédures en cas d’incident. Cette partie est souvent moins visible que les promesses pédagogiques, mais elle conditionne la confiance des familles et des équipes.

La transparence est un sujet à double niveau. D’une part, la transparence sur les outils, quel modèle est utilisé, quelles données entraînent ou améliorent le système, où sont stockées les informations. D’autre part, une transparence pédagogique vis-à-vis des élèves, quand une activité s’appuie sur un assistant, quelles sont ses limites, et comment vérifier. Former les enseignants à expliciter ces points contribue à une culture numérique partagée, plutôt qu’à une dépendance silencieuse.

La responsabilité, elle, renvoie à la chaîne de décision. Si un outil suggère une note, un diagnostic de difficulté ou un plan de remédiation, qui valide, qui corrige, et qui rend des comptes. Le principe le plus robuste reste le contrôle humain, documenté. Cela suppose d’apprendre aux enseignants à conserver une trace de leurs choix et des vérifications effectuées, surtout lorsque l’IA intervient dans l’évaluation formative ou la recommandation de parcours.

Ces exigences minimales peuvent aussi servir de critère de sélection des solutions. Une application séduisante mais incapable de garantir une politique claire de confidentialité ou de contrôle des données ne devrait pas entrer dans un cadre institutionnel. La discussion rejoint des enjeux d’équité, si seules certaines écoles peuvent accéder à des outils conformes et sécurisés, l’écart se creuse. D’où l’intérêt d’un cadrage national, pour que la conformité ne repose pas sur la capacité locale à négocier avec des fournisseurs.

Rentrée 2026-2027: manuels unifiés et formation des enseignants, un terrain pour l’IA

La préparation de l’année scolaire 2026-2027 constitue un arrière-plan important, avec l’annonce de manuels scolaires unifiés et des dispositifs de formation associés. Plus de 19 millions d’élèves sont concernés par cette rentrée, et la Maison d’édition de l’éducation du Vietnam, la VEPO, a mené un programme de formation sur l’utilisation de ces manuels pour les enseignants et responsables éducatifs. Ce mouvement, très logistique, illustre la capacité du système à organiser des déploiements à grande échelle.

Dans ce contexte, l’IA peut trouver une application immédiate, produire des ressources d’accompagnement alignées sur les nouveaux manuels, proposer des plans de séance, générer des exercices de consolidation, ou aider à concevoir des évaluations formatives cohérentes. L’intérêt, pour un ministère, est de relier un référentiel national de contenus à des outils de soutien, tout en gardant une cohérence d’ensemble. Les enseignants y gagnent potentiellement du temps, mais aussi une base commune pour mutualiser des pratiques.

La formation liée aux manuels fournit un canal opérationnel pour diffuser des compétences IA. Si des sessions existent déjà pour la prise en main des ressources, elles peuvent intégrer des modules sur l’usage prudent de l’IA, par exemple comment vérifier une activité générée, comment adapter une consigne à une classe hétérogène, et comment éviter le copier-coller non contextualisé. Cela permet d’ancrer l’IA dans des tâches réelles, plutôt que dans une formation théorique détachée du quotidien.

Le risque, à l’inverse, est de transformer l’IA en solution de vitesse dans une période de changement de supports. Quand les enseignants doivent s’adapter rapidement à de nouveaux manuels, la tentation est forte d’automatiser la production de fiches et d’évaluations. D’où la nécessité de rappeler les principes, contrôle qualité, respect des objectifs d’apprentissage, et attention aux erreurs factuelles. Un outil génératif peut produire une question mal calibrée ou une réponse erronée, et un enseignant pressé peut la laisser passer.

Le lien entre manuels unifiés et IA pose enfin la question de l’égalité territoriale. Un déploiement national de ressources papier s’accompagne d’un effort de formation. Si l’IA devient un complément, il faut s’assurer que l’infrastructure, la connectivité et l’accompagnement existent partout, pas uniquement dans les grandes villes. La dynamique de 2026-2027 peut servir de test grandeur nature, où l’innovation technologique est évaluée à l’aune de sa capacité à renforcer la qualité de l’enseignement sans créer de nouvelles fractures.