L’intelligence artificielle générative bouleverse les fondements de l’évaluation universitaire, traditionnellement centrée sur les compétences en lecture et en écriture. À l’ère des grands modèles de langage (LLM), il devient difficile de savoir si une personne étudiante a réellement lu, compris ou rédigé un texte (Anctil, 2023). L’automatisation de la lecture, du résumé et de l’écriture fragilise l’intégration des apprentissages, multiplie les erreurs de citation et érode la confiance réciproque entre personnes étudiantes et enseignantes, tout en catalysant un délestage cognitif de tâches pourtant essentielles à l’expertise (Cotton et al., 2023; Anctil, 2025). Face à cette crise d’authenticité, j’ai repensé deux cours d’anthropologie de premier cycle selon une approche d’apprentissage par enquête (Inquiry-Based Learning; Archer-Kuhn & MacKinnon, 2020). Les étudiant·es y mobilisent l’IA comme outil réflexif avant de participer à des discussions évaluées par les pairs, où la compréhension réelle devient observable. Les travaux autoethnographiques, journaux réflexifs et examens manuscrits rendent visible l’intégration des concepts et la progression de la pensée critique. Ce dispositif renforce la légitimité du savoir produit et développe une littératie critique de l’IA (Benjamin, 2020). En rendant la pensée observable et non délégable, l’université transforme une menace technologique en levier de capacitation intellectuelle (Sen, 1999; Nussbaum, 2011).