Note : Ceci est une note de recherche complétant le livre L’ère de la post-pénurie, désormais disponible à l’achat. Ces notes approfondissent les concepts du texte principal. Commencez ici ou procurez-vous le livre.
De l’école-usine à l’apprentissage citoyen
Le broyeur prussien : une leçon d’histoire que nous n’avons jamais apprise
Entrez dans presque n’importe quelle école de la planète. La disposition est immédiatement reconnaissable : des rangées de bureaux, un enseignant à l’avant, une cloche qui dicte quand vous mangez, quand vous urinez et quand vous avez le droit de penser à autre chose. Cet agencement du mobilier n’a pas véritablement changé depuis 1890.
Pourquoi ? Parce que le système n’a jamais été conçu pour éduquer. Il a été conçu pour traiter.
En 1843, un éducateur américain nommé Horace Mann a navigué vers la Prusse — l’Allemagne actuelle — à la recherche d’une solution à un problème très spécifique. Les États-Unis s’industrialisaient à toute vitesse, et ses écoles chaotiques à classe unique échouaient spectaculairement à produire la main-d’œuvre obéissante et ponctuelle que les propriétaires d’usines exigeaient. Mann a trouvé son miracle dans le système prussien : fréquentation obligatoire, « classes » groupées par âge, programmes standardisés et, surtout, la conformité comme métrique centrale de succès.
Ce que Mann n’a peut-être pas réalisé — ou dont il ne s’est pas soucié — c’était pourquoi la Prusse avait conçu ce système en premier lieu. L’État militaire prussien avait un objectif qui n’avait rien à voir avec les Lumières : créer des soldats obéissants et des bureaucrates dociles. Le roi de Prusse ne voulait pas de penseurs indépendants. Les penseurs indépendants remettent en question les ordres. Les penseurs indépendants ont des idées dangereuses sur la démocratie. Le roi voulait des citoyens qui se présenteraient à l’heure, se tiendraient en formation et déféreraient à l’autorité sans poser de questions gênantes.
Ça vous dit quelque chose ?
Les cloches vous entraînent pour les sifflets d’usine. Les notes vous trient par « qualité », comme des morceaux de viande. L’emphase sur rester assis immobile, garder le silence et répéter les instructions mot pour mot — ce ne sont pas des bugs. Ce sont des fonctionnalités. L’Éducation Modèle Usine était une machine brillante pour transformer des enfants de ferme (habitués aux saisons et aux rythmes animaux) en ouvriers d’usine (habitués aux horloges et aux chaînes de montage).
Et voici la partie tragicomique : ça a fonctionné. Ça a fonctionné de façon spectaculaire. Ça a construit le monde moderne. Chaque gratte-ciel, chaque chaîne de montage, chaque développement de banlieue et système autoroutier — tout cela peuplé par des humains traités à travers le broyeur prussien.
Mais l’ère industrielle est terminée. Et nous continuons à exécuter un logiciel conçu dans les années 1700 pour produire des mousquetaires obéissants.
La contrainte de l’automatisation : former des enfants à être des robots inférieurs
Voici la vérité inconfortable : si une tâche peut être standardisée, elle peut être automatisée. Si vous pouvez écrire un règlement pour celle-ci, une machine peut suivre les règles mieux que vous.
L’Éducation Modèle Usine excelle dans une chose : produire des suiveurs de règles dociles. Des humains qui font ce qu’on leur dit, ne posent pas de questions et colorient à l’intérieur des lignes.
Malheureusement, c’est exactement ce que l’IA fait mieux.
Nous avons passé 150 ans à optimiser nos enfants pour être prévisibles, cohérents et obéissants — puis nous sommes surpris quand GPT-4 les surpasse à suivre les instructions. Nous avons formé une civilisation entière à agir comme des machines, et maintenant les vraies machines sont arrivées pour faire le travail pour de bon.
En 2026, 42 % de tout le nouveau code est généré par l’IA, contre 19 % en 2024 et 6 % en 2023. Sundar Pichai a déclaré à Cloud Next 2026 que 75 % du nouveau code chez Google est désormais généré par l’IA — contre environ 25 % dix-huit mois plus tôt. Chez Anthropic et OpenAI, les ingénieurs estiment que ce chiffre approche 100 % en interne. L’automatisation du service client approche 80 %. Révision de documents juridiques, diagnostics médicaux, analyse financière — chaque tâche qui suit des règles est absorbée dans le silicium à un rythme qui ferait pleurer Henry Ford d’envie.
La Falaise de l’Emploi n’arrive pas. Elle est là. Et l’Éducation Modèle Usine produit des travailleurs pour des emplois qui n’existent plus. C’est comme gérer un programme d’apprentissage de forgeron en 2026 : techniquement fonctionnel, pratiquement absurde.
Le fossé du tutorat : enfin résolu
En 1984, le psychologue de l’éducation Benjamin Bloom a publié une recherche qui aurait dû faire exploser une bombe sous chaque conseil scolaire d’Amérique. Il a découvert que les élèves recevant un tutorat individuel avec apprentissage de maîtrise (où vous n’avancez pas tant que vous n’avez pas réellement compris le sujet actuel) performaient deux écarts-types mieux que les élèves dans les classes traditionnelles.
Que signifie « deux écarts-types » en langage clair ?
L’élève moyen tutoré surpassait 98 % des élèves dans les milieux conventionnels. Non pas parce que les tuteurs sont magiques, mais parce que l’instruction personnalisée — s’adapter au rythme d’un élève, combler les lacunes avant d’avancer, questionner plutôt que faire des cours magistraux — est dramatiquement plus efficace que le traitement industriel par lots.
Bloom a appelé cela « le problème 2 sigma » (sigma étant le terme statistique pour écart-type) : nous savions comment enseigner efficacement, mais nous ne pouvions pas nous permettre de le faire à grande échelle. Un tuteur par élève était économiquement impossible. Embaucher 50 millions de tuteurs pour 50 millions d’élèves coûterait plus que la plupart des budgets nationaux. La solution au problème central de l’éducation était verrouillée derrière un mur payant de la taille du PIB mondial.
Jusqu’à maintenant.
Les grands modèles de langage fournissent désormais l’infrastructure computationnelle pour l’apprentissage hyper-personnalisé à coût marginal quasi nul. Une étude de Harvard a révélé que les élèves utilisant des tuteurs IA apprenaient deux fois plus que les élèves dans les classes d’apprentissage actif traditionnelles — et se sentaient plus engagés en le faisant. Un essai contrôlé randomisé évalué par les pairs en 2025 a confirmé des tailles d’effet de 0,73 à 1,3 écart-type, et l’essai LearnLM de Google a montré que les tuteurs IA égalaient les tuteurs humains sur les tâches de suivi les plus difficiles. L’IA ne se fatigue pas. Elle ne s’impatiente pas. Elle n’a pas 30 autres élèves exigeant de l’attention. Elle attend. Elle s’adapte. Elle a une patience infinie.
Le Young Lady’s Illustrated Primer du roman de Neal Stephenson L’Âge de diamant de 1995 — un livre interactif piloté par IA qui enseignait tout ce qu’une jeune fille devait savoir, s’adaptant parfaitement à son rythme et ses circonstances — n’est plus de la science-fiction. C’est une feuille de route produit.
Le hic : la capitulation cognitive
Mettre un agent conversationnel entre les mains d’un enfant n’équivaut pas à lui donner un tuteur, et en mai 2026 une équipe de chercheurs en sciences de l’apprentissage a chiffré la différence.
Rismanchian et ses collègues ont analysé 3,2 millions d’interactions d’apprentissage sur la plateforme de mathématiques ALEKS, sur un panel de dix ans allant du CM2 à l’université. Ils ont mesuré le temps passé par les élèves sur les exercices avant et après la sortie de ChatGPT, en séparant les problèmes qu’une IA pouvait plausiblement résoudre à leur place de ceux qu’elle ne pouvait pas.
Le temps de travail sur les problèmes vulnérables à l’IA s’est effondré. Les étudiants ont reculé de 2,8 % par trimestre, soit une baisse cumulée de 26,9 % sur onze trimestres. Les lycéens ont chuté de 31,3 %. Les collégiens, de 9 %. Les élèves de CM2, aucun changement détectable — vraisemblablement parce que personne ne leur avait encore mis l’outil entre les mains.
Aller plus vite serait très bien si l’on apprenait autant en moins de temps. Ce n’est pas le cas. Sur des évaluations surveillées, où aucune IA n’était disponible, les étudiants ont montré une baisse cumulée de 25 % de la probabilité de répondre correctement. Le temps gagné n’a rien acheté. Les auteurs parlent de « capitulation cognitive », et l’indice décisif est que l’effet entier disparaît en conditions surveillées : les étudiants n’apprenaient pas plus efficacement, ils sous-traitaient précisément la partie où l’apprentissage se produit.
Ce n’est pas un argument contre les tuteurs IA. C’est un argument sur ce qu’un tuteur IA doit être. Les deux sigmas de Bloom venaient d’un tutorat avec pédagogie de la maîtrise, où le tuteur refuse d’avancer tant que vous n’avez pas réellement compris. Le tuteur de physique de Harvard disposait d’échafaudages pédagogiques conçus par des enseignants, d’un raisonnement guidé et de garde-fous. Un agent conversationnel qui livre la réponse est l’inverse d’un tuteur. C’est une façon très patiente de se tricher soi-même.
Deux expériences de terrain publiées en août 2026 tracent cette ligne avec des chiffres. Dans un essai randomisé en grappes mené pendant deux ans dans 18 collèges du Tennessee (document de travail NBER 35620), les élèves dotés de Khanmigo, le tuteur de Khan Academy configuré pour accompagner plutôt que pour livrer les réponses, ont gagné environ 1,3 rang centile national par trimestre, soit à peu près 0,06 à 0,08 écart-type sur une année scolaire. C’est à peu près ce que rapporte la pratique sur Khan Academy sans la moindre IA. La raison tenait à l’engagement, pas à la capacité : 96 % des élèves ont essayé le tuteur au moins une fois, mais l’élève médian ne lui a écrit qu’un tiers des jours où il s’exerçait, et dans seulement 17 % des séances où il avait commis une erreur, le plus souvent en tapant une réponse brute ou en cliquant sur une suggestion. Une expérience compagne d’une seule séance, avec plus de 6 000 élèves, a montré que le tuteur ne faisait bouger les scores que lorsqu’il était couplé à une règle de maîtrise : un élève qui se trompait devait répondre juste trois fois de suite avant de passer à la suite. Ces élèves ont passé plus de temps par question et obtenu environ trois points de pourcentage de plus que ceux du logiciel classique, sur les problèmes les plus faciles. Les Perspectives de l’OCDE sur l’éducation numérique 2026 tirent le même verdict de l’ensemble de la littérature : les agents conversationnels généralistes relèvent les scores des élèves sur la tâche qu’ils ont sous les yeux, et l’avantage disparaît, parfois s’inverse, à l’examen une fois l’accès retiré, tandis que les outils conçus dans une intention pédagogique explicite montrent des gains durables. Ce n’est pas l’accès à un tuteur qui enseigne. C’est la règle qui interdit de sauter l’erreur.
C’est exactement pourquoi le modèle ci-dessous compte trois adultes et non un seul.
Le nouveau problème : à quoi sert l’école ?
C’est là que ça devient philosophiquement intéressant. Si l’IA gère le transfert de connaissances — histoire, maths, sciences, langues — à quoi sert exactement le bâtiment scolaire ?
La réponse n’est pas « rien ». La réponse est « tout le reste ».
Les tuteurs IA peuvent expliquer la Révolution française. Ils ne peuvent pas aider un enfant de douze ans à naviguer un conflit avec un ami. Ils peuvent percer les tables de multiplication. Ils ne peuvent pas enseigner à un adolescent à collaborer avec quelqu’un qui l’agace. Ils peuvent répondre aux questions « quoi » et « comment » toute la journée. Ils peinent avec « pourquoi devrais-je m’en soucier ? » et « quelle sorte de personne est-ce que je veux devenir ? »
C’est le fossé que le nouveau système éducatif doit combler. Pas le transfert de connaissances — c’est géré. Mais la formation. Le caractère. Le jugement. La capacité à travailler avec les autres. L’expérience de construire quelque chose de réel. La découverte de ce pour quoi vous êtes fait.
Dans le cadre de la post-pénurie, l’éducation passe de « l’éducation pour l’emploi » (apprendre à vendre son travail) à « l’éducation pour la citoyenneté » (apprendre à construire son monde).
Les Trois Piliers : les adultes autour de chaque enfant
Le livre donne un nom à ce nouvel agencement. En une seule journée, un enfant comme Leo est éduqué par trois adultes différents, et aucun d’eux n’est un maître d’école prussien planté devant trente pupitres. Ces trois adultes sont les Trois Piliers de l’éducation post-pénurie, et il vaut la peine de les nommer précisément, car tout le modèle s’effondre si on les confond.
Pilier 1 : le Tuteur IA (patience infinie). C’est le patient, le système avec lequel Leo passe sa matinée. Son rôle est le contenu : le corpus du savoir humain, qui doit bien entrer dans un jeune esprit d’une manière ou d’une autre, livré au rythme de l’enfant et à travers ses obsessions à lui. Le tuteur IA est ce qui dissout enfin le ratio de Bloom. Il peut enseigner la géométrie d’un assemblage de charpente japonais en un après-midi. Ce qu’il ne peut pas enseigner, ce sont les sept années de jugement qui permettent à un maître menuisier de lire le fil d’une poutre.
Pilier 2 : l’Éducatrice Principale (sagesse et témoignage). L’Éducatrice Principale est la maîtresse humaine du lieu — une pour cent enfants plutôt qu’une pour trente, parce qu’elle n’est plus la distributrice d’information. Elle tient la salle : arbitrer les différends, repérer l’enfant qui décroche, décider quel projet collaboratif obtient des ressources, et dire aux parents les vérités qu’ils ne veulent pas entendre. Elle est rare, payée en Impact plutôt qu’en salaire, et choisie pour exactement les qualités qu’un inspecteur prussien n’aurait jamais su mesurer. Dans le livre, Sophia Delgado — la fille qui a maintenu l’électricité pendant les funérailles — devient Éducatrice Principale à Detroit et connaît le nom de ses cent élèves.
Pilier 3 : le Parent-Mentor (la peau dans le jeu). Le Parent-Mentor est le troisième adulte, celui que l’école-usine n’a jamais pu se payer. Dans un monde où la plupart des gens n’occupent plus d’emploi traditionnel, les parents ont du temps, et certains choisissent de le passer au Commun d’Apprentissage — non comme main-d’œuvre gratuite, mais comme véritables participants qui gagnent de l’Impact pour cela. On compte environ vingt Parent-Mentors par Éducatrice Principale, ce qui fait enfin descendre le ratio adulte-enfant à quelque chose d’humain. Un ingénieur retraité regarde un gamin recâbler une pompe hors schéma et ne dit rien, parce que le gamin a raison. Le Parent-Mentor est la preuve vivante, franchissant la porte chaque matin, que des adultes extérieurs au bâtiment font réellement les choses que les enfants apprennent à faire.
Un Tuteur IA pour le contenu. Une Éducatrice Principale pour la sagesse. Vingt Parent-Mentors pour la compétence vécue. Chaque enfant connu par son nom par un adulte qui a choisi d’être là. Voilà la forme de ce à l’intérieur de quoi tourne l’apprentissage civique.
L’apprentissage civique : apprendre en faisant
La solution n’est pas plus de cours magistraux. C’est moins de salle de classe et plus de communs.
Imaginez un Communs d’Apprentissage typique (ce que nous appelions autrefois une « école »). Il sert environ 100 élèves, âgés de 5 à 19 ans. La structure semble radicalement différente de la chaîne de montage prussienne :
Âges 5-12 (Les années de Fondation) : Focus sur l’intelligence émotionnelle, la collaboration, la créativité et la littératie/numératie de base. Les tuteurs IA gèrent le contenu académique personnalisé — chaque enfant apprend à son propre rythme. Les mentors humains — beaucoup d’entre eux des parents gagnant de l’Impact (la monnaie basée sur la contribution qui remplace l’argent pour de nombreux usages) pour leur temps — se concentrent sur l’aspect humain : résolution de conflits, projets de groupe, jeu physique. L’objectif n’est pas « la préparation au collège ». L’objectif est « prêt à fonctionner comme membre d’une communauté ».
Âges 13-18 (L’Exploration) : Les élèves alternent à travers les Guildes — des groupes organisés dédiés à différents domaines de contribution communautaire. Ce n’est pas une formation professionnelle — c’est un apprentissage civique. L’idée : au lieu de lire sur la société dans les manuels, vous participez à sa gestion.
- La Guilde Verte : Travailler dans des fermes verticales, apprendre d’où vient la nourriture, comprendre les systèmes écologiques par la cultivation pratique.
- La Guilde Tech : Maintenir le réseau maillé local, résoudre les problèmes d’infrastructure, comprendre comment la couche numérique de la civilisation fonctionne réellement.
- La Guilde de Soin : Assister dans les centres de soins aux aînés, apprendre ce que signifie s’occuper de la vulnérabilité humaine.
- La Guilde des Bâtisseurs : Construire et maintenir le logement, comprendre les matériaux et les systèmes.
Au moment où les élèves atteignent l’âge de la majorité (18 ans), ils n’ont pas seulement mémorisé des faits sur le civisme. Ils ont pratiqué la civilisation. Ils ont construit, réparé, soigné et contribué. Ils ont appris qu’être citoyen n’est pas un test à choix multiples. C’est un verbe.
Âges 20-24 (Service Civique) : Le couronnement. Une période de contribution intensive à la communauté — maintenance des infrastructures, restauration écologique, soins aux aînés, assistance à l’éducation, peu importe ce dont les Communs ont besoin et ce que le jeune adulte choisit. C’est le système de Guilde rené, démocratisé. Vous n’avez pas besoin de relations familiales pour être apprenti. Tout le monde sert. Tout le monde apprend. Et les « maîtres » avec qui vous travaillez peuvent être des ingénieurs de 60 ans, des spécialistes IA de 25 ans, ou des jardiniers de 80 ans qui ont cultivé le même sol pendant un demi-siècle.
Compléter le Service Civique accorde la pleine Citoyenneté — droits de vote, participation à la gouvernance, une voix dans la façon dont votre communauté est gérée — et une dotation fondamentale d’Impact. Ces points ouvrent l’accès à des opportunités au-delà de la base : éducation avancée, postes de recherche spécialisés, rôles de leadership. Vous avez gagné votre place non pas par des scores de tests ou des connexions familiales, mais par une contribution démontrée.
Mille expériences : l’éducation à travers MOSAÏQUE
La beauté de MOSAÏQUE — le système de gouvernance fédéré — est qu’il n’y a pas une seule façon « correcte » d’éduquer.
Dans les Communs Héritage de Kyoto, l’éducation semble presque médiévale. Yuki, quinze ans, est apprentie auprès d’un maître menuisier qui travaille le bois depuis soixante ans. Elle apprend à lire le grain, sentir les imperfections du bout des doigts, comprendre que certaines tâches requièrent un jugement humain que les machines ne peuvent pas répliquer. Son Primer lui enseigne l’histoire et les mathématiques. Son maître lui enseigne la patience, l’humilité et la satisfaction de créer quelque chose de beau avec ses mains.
Dans les Communs Synthèse, l’éducation est presque méconnaissable. Kiran, douze ans, a participé à plus de deux cents « sessions de fusion » — connexions neuronales temporaires avec des chercheurs, artistes et systèmes IA. Le mois dernier, ils ont co-écrit un article sur l’intrication quantique avec un partenaire IA et un physicien de 67 ans. Kiran peine à décrire ce que l’apprentissage « ressent » pour quelqu’un qui n’a jamais fusionné. C’est comme expliquer la couleur à quelqu’un qui n’a jamais vu.
Dans Nouvelle Genève, douze expériences éducatives différentes fonctionnent simultanément. Une cohorte apprend par éducation purement basée sur des projets. Une autre teste si les enfants peuvent concevoir leur propre programme mieux que les adultes. Une troisième explore si les tuteurs IA devraient avoir des « personnalités ».
Ce n’est pas le chaos. C’est l’évolution. Chaque Communs est un laboratoire. Ce qui fonctionne se propage. Ce qui échoue enseigne.
La vraie question
Pendant trop longtemps, nous avons traité les humains comme du « capital » — des actifs à optimiser pour la production économique. La question fondamentale de l’éducation était : « Que vaut cet humain pour le marché ? »
Dans Le Projet Unscarcity, cette question devient obsolète. Les robots gèrent la production. L’IA gère la cognition. La fusion gère l’énergie. Le marché tel que nous le connaissions cesse d’importer.
Alors la question se renverse : « Que doit devenir cet humain ? »
La réponse sera différente pour Yuki que pour Kiran que pour Leo, « l’élève à problèmes » qui ne pouvait pas rester assis mais qui s’épanouit maintenant parce qu’il construit des filtres hydroponiques au Makerspace au lieu de décrocher pendant les cours sur les parallélogrammes.
L’éducation devient le processus de répondre à cette question. C’est le voyage d’enfant dépendant à créateur indépendant. De consommateur de civilisation à bâtisseur de celle-ci.
Le broyeur prussien produisait des pièces interchangeables pour des machines industrielles qui n’ont plus besoin d’opérateurs humains.
L’Apprentissage Civique produit des citoyens pour une civilisation qui sera construite — ou échouera à être construite — par les humains qui l’habitent.
La cloche a sonné. Il est temps de concevoir une nouvelle classe.
Plongées connexes :
