À entendre certains discours politiques, médiatiques et sociaux sur l’intelligence artificielle (IA), ses applications et les potentialités à l’éducation seraient révolutionnaires : personnalisation de l’apprentissage, apprentissage adaptatif, soutien en tout temps, aide à l’évaluation, identification des apprenants à risque, etc. (Popenici & Kerr, 2017). Pour fonctionner, l’IA reposent sur la collecte et le traitement de données provenant des établissements d’enseignement. Cela occasionne assurément des enjeux éthiques (Sewlyn, 2022) à propos des informations personnelles ou comportementales des apprenants ou encore, celles liées aux pratiques d’enseignement (évaluation, rétroaction, etc.). L’identification des apprenants à risque et la personnalisation de l’apprentissage soulèvent plusieurs questions. Par exemple, comment s’assurer que les données utilisées soient probantes? Comment arrimer les modèles générés par l’IA avec les données disponibles et les modèles scientifiques déjà existants, notamment ceux appuyés sur les données probantes en éducation? Alors que l’on sait que les IA n’ont pas une compréhension physique du monde (Bengio, 2019), on peut se demander comment les arrimer avec les connaissances scientifiques des dernières décennies portant sur la persévérance et la réussite. Lors de cette présentation, nous proposons de partager une réflexion critique autour de ces questions à partir de nos trajectoires respectives de pédagogue et de chercheur en sciences de l’éducation.