L’intelligence artificielle (IA) n’est pas entrée à l’université comme un invité poli qui attend à la porte : elle a fait tomber des murs et réorganisé tout le mobilier. Depuis l’arrivée des grands modèles de langage (LLM), le secteur éducatif oscille entre fascination et, bien souvent, paralysie.
Or la paralysie n’est pas une option. Nous vivons ce que beaucoup d’experts appellent le « moment calculatrice », mais multiplié par mille. Si la calculatrice a changé les mathématiques et Google la recherche documentaire, l’IA générative transforme la nature même de la réflexion et de la création de contenu.
Dans ce guide, nous détaillons les quatre piliers qui détermineront si votre établissement mène le changement ou s’il cherche simplement à traverser la tempête.
TÉLÉCHARGEZ LA CHECKLIST « Évaluation de la préparation à l’IA » (en anglais)
Politiques institutionnelles : le cadre de gouvernance
Toute institution solide repose sur ses règles. Sans cadre juridique et éthique clair, les enseignants agissent par crainte et les étudiants par opportunisme. La gouvernance de l’IA n’est pas une annexe au règlement intérieur : c’est une nouvelle façon de concevoir la souveraineté éducative.
La politique officielle : du PDF figé au document vivant
Votre établissement dispose-t-il d’une politique officielle ? Beaucoup d’universités se sont contentées d’un bref communiqué indiquant que « l’usage éthique est autorisé ». Mais qu’est-ce qui est éthique ?
Une politique solide doit définir :
- Les niveaux d’usage : de l’« usage interdit » lors des examens certifiants à l’« usage obligatoire » dans les cours d’innovation.
- La transparence : l’obligation pour l’étudiant de déclarer quels outils il a utilisés et comment.
- La paternité : qui est l’auteur d’un texte co-créé ? C’est un défi juridique que l’université doit prendre en main.
La communication entre départements : éviter les fiefs
Il n’est pas rare de voir des écoles d’ingénieurs adopter l’IA pendant que les facultés de lettres l’interdisent purement et simplement. Une université préparée veille à ce que sa politique soit transversale. La communication doit être claire pour qu’un étudiant ne soit pas perdu en changeant de cours. La cohérence institutionnelle est la première étape vers l’équité.
Le protocole de mise à jour : la « loi de Moore » appliquée aux règles
Si votre politique d’IA a été rédigée il y a six mois sans être révisée depuis, elle est probablement déjà obsolète. Les modèles d’IA progressent à un rythme exponentiel.
Les établissements les plus avancés prévoient des révisions trimestrielles pour analyser les nouvelles capacités (multimodalité, agents autonomes, voix en temps réel) et ajuster aussitôt leur cadre.
L’intégrité académique et la nouvelle notion de « fraude »
Historiquement, la fraude se résumait au plagiat (copier un autre être humain). Aujourd’hui, le défi est le « plagiat de machine ». Les règles d’intégrité académique doivent être explicites sur ce point.
Est-ce de la fraude de demander à une IA de structurer un plan ? De traduire un texte que l’on a soi-même écrit ?
Fixer ces limites protège à la fois l’enseignant et l’étudiant.
Le référent IA : un « Chief AI Officer » académique
L’IA ne peut pas être un sujet secondaire confié au seul responsable informatique. Il faut une commission pluridisciplinaire réunissant des spécialistes de la pédagogie, du droit, de l’éthique et de la technologie.
Cette commission veille à ce que la mise en œuvre ne soit pas seulement technique, mais profondément humaine.
Formation des enseignants : de la méfiance à la maîtrise
Le principal atout d’une université, ce sont ses enseignants. S’ils se sentent menacés ou dépassés par la technologie, l’établissement échouera, quel que soit le nombre de licences logicielles achetées.
Le mythe de la détection
Dépenser des milliers d’euros en détecteurs d’IA est souvent une bataille perdue d’avance. Ces détecteurs présentent un taux élevé de faux positifs et sont facilement contournés par des techniques de prompting avancées ou de simples outils de paraphrase.
La formation doit aider l’enseignant à comprendre que la détection est une aide, pas une preuve irréfutable. La véritable détection repose sur la connaissance fine qu’il a de la progression de ses étudiants.
À noter : les détecteurs d’IA (conçus pour identifier un texte généré par intelligence artificielle) ne doivent pas être confondus avec les solutions de surveillance des examens (proctoring). Contrairement aux détecteurs, les solutions de proctoring n’analysent pas le contenu rédigé : elles suivent l’activité de l’utilisateur pendant l’épreuve pour repérer l’usage de chatbots d’IA sur l’ordinateur et signalent la présence d’appareils externes grâce à la surveillance par webcam ou audio. L’établissement examine ensuite ces incidences et décide de la suite à donner.
Pour en savoir plus, découvrez comment SMOWL aide à repérer l’usage de ChatGPT pendant un examen.
Repenser les méthodes d’évaluation
C’est le point le plus critique. Les enseignants ont besoin d’être formés pour passer de l’évaluation du « quoi » à celle du « comment ».
- Évaluation du processus : noter les brouillons, les réflexions intermédiaires et l’historique des modifications.
- Évaluation orale : redonner toute sa valeur à la parole et à la soutenance en présentiel.
Des espaces de partage : les communautés de pratique
L’usage de l’IA dans l’enseignement reste expérimental. Une université pionnière crée des cafés pédagogiques virtuels ou des séances de partage d’expériences, où un enseignant de médecine montre comment il utilise l’IA pour simuler des cas cliniques et inspire un collègue juriste à l’utiliser pour simuler des procès.
Cadre juridique, confidentialité et données
Dans leur volonté d’innover, certains enseignants chargent des données confidentielles d’étudiants ou des sujets d’examen inédits dans des modèles gratuits, sans savoir qu’ils alimentent des bases de données externes. La formation à la protection des données et au RGPD est une urgence.
L’enseignant doit savoir quels outils sont « sûrs » et lesquels représentent un risque pour la propriété intellectuelle de l’université.
Un plan de formation continue
La formation à l’IA ne peut pas se résumer à un « stage d’été ». Elle doit prendre la forme d’un parcours d’apprentissage continu, des notions de base (qu’est-ce qu’un LLM ?) aux niveaux avancés (ajustement de modèles ou création d’assistants personnalisés pour un cours).
Conception de l’évaluation : le rempart de la qualité
Si l’évaluation perd sa fiabilité, le diplôme perd sa valeur sur le marché du travail. L’université doit garantir que ses diplômés possèdent réellement les compétences que leur diplôme certifie.
Développer l’esprit critique
L’IA excelle à produire des réponses moyennes. L’évaluation doit donc s’éloigner de la moyenne.
Ne demandez pas un résumé de la Révolution française ; demandez une comparaison entre la rhétorique d’un message publié aujourd’hui sur les réseaux sociaux et un discours de Robespierre, en analysant les biais historiques.
L’étudiant utilise alors l’IA comme un outil, mais le jugement critique reste le sien.
Surveillance en ligne (proctoring) et examens en présentiel
Dans un monde numérique, l’authentification des étudiants est essentielle. Recourir à des solutions de proctoring qui respectent la vie privée tout en garantissant l’intégrité des examens synchrones est un investissement nécessaire.
Il faut toutefois l’équilibrer, pour les épreuves à fort enjeu, avec un retour stratégique au présentiel ou avec le Live Proctoring, qui reproduit fidèlement la rigueur d’un examen en salle.
Diversifier les formats : la taxonomie de Bloom revisitée
La pyramide de Bloom s’est inversée : se souvenir et comprendre (la base) sont désormais à la portée de l’IA.
L’université doit évaluer la création, l’évaluation et l’analyse.
- Formats possibles : podcasts, débats, portfolios numériques, projets d’apprentissage par le service et résolution de problèmes complexes en temps réel.
Des grilles d’évaluation pour la co-création
Si vous autorisez l’IA, comment la noter ? Il vous faut des grilles qui évaluent :
- la qualité du prompt initial ;
- la capacité à réviser et corriger le résultat produit par l’IA ;
- l’intégration de sources externes vérifiées ;
- le processus d’interaction avec l’IA, qui devient une compétence professionnelle à part entière.
Auditer les épreuves
Les universités doivent auditer leurs propres examens en les soumettant aux principaux modèles d’IA générative. Si l’IA obtient une excellente note sans aide humaine, l’épreuve doit être repensée immédiatement. C’est un processus d’amélioration continue.
Communication et relation avec les étudiants : vers un nouveau contrat social
Les étudiants ont grandi avec l’IA, mais ils n’y sont pas forcément acculturés. Savoir utiliser un chatbot et comprendre les implications de ce qu’il produit sont deux choses très différentes.
Transparence algorithmique
Si l’université utilise l’IA pour corriger, sélectionner les candidatures ou recommander des parcours, l’étudiant a le droit de le savoir.
La transparence construit la confiance. Une université préparée explique comment ses algorithmes influencent la vie académique de l’étudiant.
Un canal d’éthique
Les étudiants doivent pouvoir poser la question : « Si j’utilise cette IA pour traduire ma bibliographie, est-ce que je triche ? »
La peur d’une sanction injuste rend les étudiants méfiants. Un canal de consultation ouvert encourage l’honnêteté.
L’engagement d’intégrité (code d’honneur)
L’éthique ne s’impose pas, elle se construit ensemble. Faire signer aux étudiants, au début de chaque semestre, un code d’honneur actualisé qui les engage à un usage responsable de l’IA contribue à réduire la fraude académique.
Acculturation à l’IA (AI literacy)
L’université ne forme pas seulement à un métier : elle forme des citoyens. Un citoyen du XXIe siècle doit comprendre les biais de l’IA, les hallucinations (informations fausses) et l’impact environnemental de ces modèles. L’acculturation à l’IA devrait être un enseignement transversal dans toutes les formations.
Un protocole de défense de l’étudiant
Que se passe-t-il si un enseignant accuse un étudiant d’avoir utilisé l’IA sur la seule base de son intuition ou d’un détecteur peu fiable ? L’université doit garantir la présomption d’innocence.
Un protocole équitable, qui permet à l’étudiant de démontrer son processus de création (historique des versions, bibliographie, entretien oral), est indispensable pour éviter les injustices.
Conclusion : l’avenir appartient aux établissements préparés
L’IA ne remplacera pas l’université, mais l’université qui ignore l’IA sera remplacée par des institutions plus agiles, plus transparentes et plus en phase avec la réalité technologique.
Préparer un établissement à cette nouvelle ère n’est pas une dépense, c’est un investissement dans sa pérennité et sa pertinence. Le prestige de vos diplômes dépend de la solidité de votre réponse.
Vous souhaitez le diagnostic complet pour votre équipe de direction ?
Ne vous arrêtez pas à la lecture. Nous avons préparé un support pratique pour présenter ces éléments lors de votre prochaine réunion de département ou de votre conseil d’administration. Téléchargez la version professionnelle de la checklist de préparation des universités à l’IA (en anglais), avec un guide de notation détaillé, des exemples de bonnes pratiques et une feuille de route pour mettre en œuvre chaque section.
Assurez l’avenir de votre établissement : la transformation commence par une question honnête.
Pour garantir l’intégrité de vos évaluations numériques, découvrez ce que SMOWL détecte pendant un examen ou demandez une démo personnalisée.
8 faits intéressants sur la surveillance en ligne
Remplissez le formulaire et téléchargez le guide dans lequel nous abordons tout ce qu’il faut savoir sur la surveillance en ligne et vous aidons à choisir le meilleur logiciel.
