À l’École de commerce de King, l’IA redéfinit la résolution de problèmes

L’intelligence artificielle ne transforme pas seulement la manière de produire un texte, un tableau ou une présentation. Dans l’enseignement supérieur, elle oblige aussi à repenser une question plus fondamentale : comment apprend-on à résoudre un problème lorsque des outils peuvent proposer, en quelques secondes, des pistes de réponse plausibles ? À l’École de commerce de King, l’IA est présentée comme un levier pour faire évoluer cet apprentissage, de l’accès à l’information vers l’analyse, la créativité et le jugement.

À l’automne 2024, la présentation de l’école met l’accent sur l’IA générative, l’analyse de données et des projets appliqués. L’ambition affichée est de donner aux étudiants des moyens supplémentaires pour explorer des situations commerciales complexes, tout en les préparant à un marché du travail où les outils algorithmiques prennent une place croissante. Cette promesse mérite d’être précisée : l’IA peut accélérer certaines étapes du raisonnement, mais elle ne remplace ni la compréhension d’un contexte ni la responsabilité d’une décision.

Ce que l’IA peut changer dans la résolution de problèmes

Dans une formation de gestion, résoudre un problème ne consiste pas à trouver une réponse unique dans un manuel. Il peut s’agir d’interpréter des données de vente, de choisir une stratégie marketing, de comprendre une insatisfaction client, d’allouer un budget ou de gérer un projet. Ces situations demandent de formuler correctement la question, de sélectionner les informations utiles, de comparer plusieurs options et d’expliquer un choix.

La présentation de l’École de commerce de King décrit l’IA comme un appui à ces différentes étapes. Elle évoque notamment l’accès à des outils d’analyse avancés, des simulations de scénarios commerciaux et des dispositifs d’apprentissage adaptatif. Ces expressions recouvrent toutefois des usages distincts, qu’il est important de ne pas confondre.

L’intérêt de ces outils tient à leur capacité à multiplier rapidement les pistes de travail. Un étudiant peut demander des manières différentes de segmenter un marché, imaginer des réponses à une crise de réputation ou confronter plusieurs scénarios de relation client. Mais cette abondance ne vaut que si elle est suivie d’un tri rigoureux. Une réponse fluide n’est pas automatiquement juste, réaliste ou adaptée à l’organisation étudiée.

L’IA générative doit-elle donner les réponses ?

L’IA générative est au centre de la transformation décrite par l’école, car elle permet de formuler du texte, de résumer des informations, de produire des idées ou de simuler un échange. En classe, son usage peut rendre visible un processus qui reste souvent implicite : le passage d’une question vague à une demande précise, puis à l’évaluation de la réponse obtenue.

Pour être utile, un outil génératif ne devrait donc pas être traité comme une machine à fournir une copie prête à rendre. Son rôle pédagogique le plus solide est celui d’un interlocuteur de travail. L’étudiant peut lui demander plusieurs options, relever les présupposés d’une recommandation, chercher les informations manquantes, puis justifier pourquoi une solution est retenue plutôt qu’une autre.

Cette pratique peut stimuler la curiosité et l’esprit critique, deux objectifs mis en avant dans la présentation de l’École de commerce de King. Elle permet aussi de travailler un aspect essentiel de la résolution de problèmes : savoir reformuler. Dans le monde professionnel, une mauvaise décision commence souvent par un problème mal défini. L’IA rend ce risque plus visible, car la qualité de son résultat dépend fortement de la précision de la consigne et du contexte qui lui est fourni.

La présentation ne cite pas les outils utilisés, ni les règles précises d’encadrement appliquées aux travaux des étudiants. Cette absence de détail ne remet pas en cause l’intérêt de la démarche, mais elle rappelle qu’une intégration crédible de l’IA dépend de consignes claires : ce qui peut être délégué à un outil, ce qui doit être vérifié et ce que l’étudiant doit être capable d’expliquer personnellement.

Personnaliser l’apprentissage grâce aux données

L’autre axe avancé par l’école est la personnalisation de l’apprentissage. L’idée est simple : au lieu de proposer exactement le même parcours à tous, les enseignants peuvent s’appuyer sur des données pour repérer des difficultés de compréhension et orienter chaque étudiant vers un contenu, un exercice ou un accompagnement plus approprié.

Dans son principe, cette approche peut aider à mieux utiliser le temps de cours. Un étudiant qui maîtrise déjà une notion n’a pas les mêmes besoins que celui qui bloque sur l’interprétation d’un indicateur financier ou sur la logique d’un raisonnement statistique. Des systèmes d’analyse peuvent signaler des zones de fragilité et suggérer des ressources adaptées. L’enseignant conserve alors une fonction décisive : interpréter ces signaux, comprendre la situation de l’étudiant et choisir la réponse pédagogique pertinente.

Il faut ici distinguer les bénéfices annoncés des résultats réellement observés. La présentation de l’École de commerce de King affirme que l’analyse de données aide à identifier les lacunes et à optimiser les ressources, mais elle ne fournit ni indicateur de réussite, ni taux de progression, ni nom de plateforme. Il est donc impossible, à ce stade, de mesurer précisément l’effet de ces pratiques sur les résultats académiques.

La personnalisation soulève également une question de confiance. Les données issues des activités d’apprentissage peuvent être utiles pour adapter un cours, mais leur collecte et leur traitement doivent être proportionnés, compréhensibles par les étudiants et protégés. Une pédagogie augmentée par l’IA ne doit pas devenir une pédagogie opaque, dans laquelle l’apprenant ignore pourquoi une recommandation lui est adressée.

Les compétences que l’école veut renforcer

L’intégration de l’IA dans une école de commerce ne se limite pas à apprendre à utiliser un logiciel. Selon la présentation de King, les formations mettent l’accent sur la data science, la gestion de projet et l’analyse critique de l’information. Ces domaines répondent à une évolution concrète du travail de management : les responsables doivent de plus en plus dialoguer avec des données, des outils automatisés et des équipes techniques, sans nécessairement devenir eux-mêmes ingénieurs.

La compétence la plus importante est peut-être la capacité à relier un résultat technique à une décision humaine. Un modèle peut par exemple repérer une tendance dans le comportement de clients. Il revient ensuite aux équipes de se demander si cette tendance est fiable, si elle est pertinente pour la stratégie de l’entreprise et quelles conséquences elle peut avoir pour les personnes concernées.

L’école évoque aussi la prise de décision automatisée et la gestion de systèmes d’IA. Ces sujets appellent une distinction utile. Automatiser une tâche répétitive, comme le tri initial d’informations, n’a pas les mêmes implications que laisser un système influencer une décision importante concernant un client, un salarié ou un fournisseur. Former les étudiants à l’IA suppose donc de leur apprendre à identifier le niveau de risque d’un usage, et à savoir quand une validation humaine reste indispensable.

Des études de cas pour relier théorie et entreprise

La présentation de l’École de commerce de King insiste sur les projets pratiques et les études de cas. C’est dans ce cadre que les concepts prennent un sens opérationnel. Les étudiants sont amenés à examiner la façon dont des entreprises peuvent mobiliser l’IA pour optimiser une stratégie marketing ou leur relation client.

Ces cas permettent de dépasser l’image d’une IA abstraite. En marketing, l’enjeu peut être de mieux comprendre des segments de clientèle ou d’adapter un message. Dans la relation client, il peut être d’organiser l’information, d’améliorer une réponse ou d’identifier les situations qui nécessitent l’intervention d’une personne. Dans les deux cas, la question pertinente n’est pas seulement « peut-on automatiser ? », mais aussi « quel problème cherche-t-on à résoudre, avec quelles données et au bénéfice de qui ? ».

L’école indique encourager des partenariats avec des entreprises technologiques afin d’intégrer des solutions fondées sur l’IA dans le cursus. Aucun partenaire ni projet particulier n’est détaillé dans la présentation. L’orientation générale est néanmoins claire : rapprocher la formation des situations que les diplômés rencontreront dans les organisations, où la maîtrise des outils devra aller de pair avec une capacité à communiquer, à arbitrer et à travailler en équipe.

Le rôle des enseignants reste central

L’arrivée de l’IA modifie la répartition des tâches, mais elle ne rend pas l’enseignant secondaire. Si les outils peuvent proposer des explications ou des exercices, l’enseignant reste celui qui pose un cadre, relance le raisonnement, corrige une interprétation trompeuse et organise la discussion entre étudiants.

Cette évolution peut même renforcer la valeur de certaines activités. Débattre d’une recommandation générée par un système, défendre une stratégie devant un groupe, documenter les limites d’une analyse ou comparer des sources deviennent des exercices particulièrement utiles. Ils permettent d’évaluer non seulement le résultat final, mais aussi le cheminement intellectuel suivi.

La dimension éthique fait partie des thèmes mentionnés par l’école. Elle ne doit pas être isolée dans un chapitre à part. Les questions de biais, de confidentialité, de transparence ou de responsabilité surgissent dans les cas pratiques eux-mêmes. Un étudiant appelé à utiliser l’IA dans une entreprise devra être capable de les reconnaître au moment où elles se présentent, et pas uniquement de les réciter dans un examen.

Ce qu’il faut surveiller

L’ambition de l’École de commerce de King est de former des étudiants capables d’utiliser l’IA sans abandonner leur jugement. Pour que cette promesse se traduise dans les faits, plusieurs éléments seront déterminants : la qualité de l’accompagnement des enseignants, la clarté des règles d’usage, la protection des données d’apprentissage et l’évaluation des compétences réellement acquises.

Le principal défi consiste à éviter deux écueils. Le premier serait d’interdire ou d’ignorer des outils déjà présents dans les pratiques étudiantes et professionnelles. Le second serait de considérer qu’un outil capable de générer une réponse produit automatiquement de la compréhension. Entre ces deux positions, une formation exigeante peut faire de l’IA un support pour apprendre à questionner, vérifier et décider.

À plus long terme, l’intérêt de cette démarche se mesurera moins au nombre d’outils déployés qu’à la capacité des diplômés à analyser une situation ambiguë, à expliquer leurs choix et à reconnaître les limites d’un système automatisé. C’est cette combinaison de culture technologique, de sens critique et de responsabilité qui peut transformer l’IA en véritable ressource pédagogique.