Une étude de Cambridge conclut que l'IA n'est pas encore fiable pour noter les dissertations universitaires

Une équipe dirigée par l'Université de Cambridge, réunissant psychologues et spécialistes de l'IA, a évalué trois modèles de langage de pointe — dont des versions récentes de Claude et de ChatGPT (en avril 2026) — sur leur capacité à noter de véritables travaux universitaires. L'équipe a constitué un corpus de plus de 750 dissertations de psychologie soumises dans trois universités britanniques et a comparé les notes attribuées par l'IA (première classe, 2:1, 2:2, etc.) à celles initialement attribuées par des correcteurs humains.
Les systèmes d'IA n'ont retrouvé la tranche de notation des correcteurs humains que dans 35 à 65 % des cas selon le modèle et le lot de dissertations — loin de la fiabilité requise pour une évaluation à enjeux élevés. L'équipe a identifié un problème précis : les trois systèmes étaient trop sensibles aux caractéristiques linguistiques de surface, survalorisant systématiquement la longueur du texte et la richesse du vocabulaire, indépendamment de la solidité de l'argumentation. Les correcteurs IA ont aussi régulièrement sous-évalué des dissertations jugées excellentes par les humains, et surévalué certaines des copies les plus faibles.
Lorsqu'on leur a demandé de produire des commentaires écrits plutôt qu'une simple note, les systèmes d'IA ont rédigé des retours trois à huit fois plus longs que ceux des correcteurs humains d'origine — plus verbeux, mais pas nécessairement plus utiles aux étudiants. La conclusion de l'équipe de Cambridge se veut explicitement prudente : l'IA n'est « pas encore assez bonne » pour noter des dissertations universitaires ouvertes sans supervision humaine importante, un constat destiné à inciter les universités à la prudence avant d'adopter une notation automatisée, en l'absence de garde-fous et de validations plus rigoureux.