IA à l’université : pourquoi une culture commune dès la première année

L’intelligence artificielle est déjà présente dans les études, parfois de façon discrète, dans les moteurs de recherche, les logiciels de traduction, les plateformes de cours ou les assistants conversationnels. Face à cette diffusion rapide, l’enjeu éducatif n’est pas de transformer chaque étudiant en ingénieur spécialiste des algorithmes. Il est de donner à tous les moyens de comprendre les systèmes qu’ils utilisent, d’en apprécier les possibilités et d’en reconnaître les limites.

À la date du 25 mars 2025, l’idée d’une initiation à l’IA dès le début des parcours scolaires et universitaires s’impose donc comme une question de culture générale autant que de préparation professionnelle. Cette ambition appelle toutefois une distinction essentielle : apprendre les bases de l’IA pour tous ne signifie pas imposer à tous un cursus de programmation ou de science des données.

Une initiative prévue pour la rentrée 2025, dont le périmètre doit être précisé

Le ministère de l’Éducation nationale a annoncé l’introduction de parcours consacrés à l’intelligence artificielle à partir de la rentrée 2025. La plateforme Pix doit servir de support à cette initiation, avec des contenus allant des principes élémentaires des algorithmes aux enjeux éthiques liés aux usages de l’IA.

Cette annonce concerne le second degré, c’est-à-dire les années de collège et de lycée. Elle ne doit pas être confondue avec une obligation nationale déjà généralisée à l’ensemble des étudiants de l’enseignement supérieur. Pourtant, les deux sujets sont liés : une première sensibilisation à l’école peut préparer l’entrée dans le supérieur, où les usages de l’IA se multiplient dans toutes les disciplines.

L’expression « dès la première année » recouvre ainsi deux objectifs complémentaires. D’une part, installer tôt des repères communs chez les élèves. D’autre part, éviter qu’un étudiant entrant à l’université, en BTS, en classe préparatoire ou dans une école spécialisée découvre seul des outils qui peuvent influencer sa manière de travailler, d’écrire, de chercher et d’évaluer une information.

Que faut-il apprendre dans les bases de l’intelligence artificielle ?

L’IA est souvent présentée comme une technologie capable de « penser ». Cette formule est commode, mais imprécise. Dans la pratique, de nombreux systèmes d’intelligence artificielle analysent des données afin de repérer des régularités, de classer des contenus, de produire des prédictions ou de générer du texte, des images, du son et du code.

Une initiation solide doit donc commencer par le vocabulaire et les mécanismes les plus utiles. Un algorithme est une série d’instructions permettant de réaliser une tâche. L’apprentissage automatique, souvent appelé machine learning, désigne des méthodes qui permettent à un système d’ajuster son comportement à partir d’exemples. Les modèles génératifs, eux, produisent de nouveaux contenus en s’appuyant sur les régularités apprises à partir de grandes quantités de données.

Ces explications peuvent être abordées sans entrer immédiatement dans des formules mathématiques complexes. Elles doivent surtout aider les étudiants à comprendre trois réalités.

• Un outil d’IA ne fournit pas automatiquement une information vraie. Il produit un résultat à partir de données, de calculs et d’instructions.
• Une réponse apparemment convaincante peut contenir une erreur, une simplification abusive ou une référence inexistante.
• Les résultats dépendent de la demande formulée, des données employées, des réglages de l’outil et du contexte dans lequel il est utilisé.

Cette base permet d’éviter deux écueils symétriques : croire que l’IA résoudra tous les problèmes, ou la considérer comme une boîte noire dont il faudrait se détourner entièrement. Dans les deux cas, l’étudiant perd sa capacité de jugement.

Pourquoi tous les cursus sont concernés

Droit, lettres, médecine, économie, design, sciences humaines, gestion ou ingénierie : l’IA ne se limite plus aux départements informatiques. Elle intervient dans la recherche documentaire, l’analyse de données, la création de contenus, l’aide à la rédaction, la traduction ou encore l’automatisation de certaines tâches administratives.

C’est pourquoi plusieurs établissements développent progressivement des modules transversaux. La priorité n’est pas la même selon les filières. Un futur professionnel de santé devra notamment s’interroger sur la qualité et la confidentialité des données. Un étudiant en droit devra considérer les questions de responsabilité, de preuve et de propriété intellectuelle. En sciences sociales, l’attention pourra se porter sur les effets des systèmes automatisés sur les inégalités ou les décisions publiques. Dans les cursus artistiques et culturels, les droits d’auteur et les conditions de création prennent une place centrale.

L’objectif commun reste le même : savoir formuler un problème, examiner une réponse, identifier ce qui manque et prendre une décision qui demeure humaine et responsable. Ces compétences sont transférables bien au-delà d’un outil ou d’une application donnée.

Utiliser un outil n’est pas comprendre l’intelligence artificielle

La diffusion des assistants génératifs peut donner l’illusion qu’une compétence en IA consiste à rédiger une bonne requête. Savoir interroger un outil est utile, mais insuffisant. Une formation sérieuse doit apprendre à contrôler le résultat, pas seulement à l’obtenir rapidement.

L’usage pédagogique peut alors prendre des formes très concrètes. Dans un cours, les étudiants peuvent comparer une réponse générée avec des sources de référence, relever des omissions, repérer des raisonnements fragiles, puis réécrire le contenu de manière documentée. Cette méthode transforme l’outil en objet d’analyse plutôt qu’en simple machine à produire un devoir.

L’évaluation doit suivre la même logique. Il ne s’agit pas seulement de détecter ou d’interdire les usages, mais de clarifier ce qui est autorisé, ce qui doit être signalé et ce qui doit être réalisé sans assistance. Les règles peuvent varier selon la nature de l’exercice : une dissertation, un mémoire, une traduction, un projet de code ou une étude de cas ne sollicitent pas les mêmes compétences.

L’éthique doit faire partie du programme, pas constituer une annexe

Former à l’IA sans aborder ses effets sociaux reviendrait à enseigner l’usage d’un instrument sans parler de ses conséquences. Les questions éthiques ne sont pas abstraites : elles touchent directement aux travaux d’étudiants, aux pratiques des enseignants et aux futurs métiers.

Les biais algorithmiques figurent parmi les thèmes indispensables. Si les données utilisées pour développer un système reflètent des déséquilibres, des stéréotypes ou des exclusions, les résultats peuvent reproduire ces problèmes. Comprendre ce risque ne demande pas de maîtriser toute l’informatique : il suffit d’apprendre à demander quelles données sont utilisées, quelles populations sont moins bien représentées et qui subit les conséquences d’une erreur.

La protection des données personnelles est tout aussi concrète. Copier dans un outil en ligne le contenu d’un dossier d’élève, des informations de santé, un échange professionnel confidentiel ou des données de recherche peut poser problème. Les étudiants doivent acquérir le réflexe de ne pas transmettre d’informations sensibles sans savoir comment elles sont traitées.

Les débats sur les droits d’auteur et la provenance des contenus font également partie de cette culture. Utiliser une production générée ne dispense ni de vérifier son exactitude ni de respecter les règles de citation, d’intégrité académique et de propriété intellectuelle. L’IA peut accélérer certaines étapes d’un travail, mais elle ne remplace ni la responsabilité de l’auteur ni la nécessité de rendre compte de ses méthodes.

Des enseignants formés pour accompagner plutôt que subir

L’intégration de l’IA dans l’éducation dépend largement de celles et ceux qui conçoivent les cours et accompagnent les élèves. Le développement de modules destinés aux enseignants, y compris pour transmettre les premiers rudiments dès le cycle 3, constitue donc un levier décisif.

Les approches évoquées reposent sur des situations d’apprentissage actives : jeux de simulation, projets collaboratifs, études de cas et échanges sur les erreurs produites par un outil. Elles ont un avantage majeur : elles ne supposent pas que l’enseignant se transforme instantanément en expert technique. Il peut partir de sa discipline, de ses objectifs pédagogiques et de problèmes rencontrés en classe.

La formation des équipes éducatives doit néanmoins couvrir plusieurs besoins : comprendre les notions de base, connaître les limites des outils, protéger les données des élèves, fixer des règles d’usage et construire des évaluations adaptées. Sans cet accompagnement, le risque est double. Certains enseignants pourraient renoncer à traiter le sujet faute de repères, tandis que d’autres pourraient adopter des outils sans cadre pédagogique suffisamment solide.

Les acteurs privés peuvent apporter des ressources techniques, des témoignages de professionnels ou des cas d’usage en entreprise. Ces partenariats peuvent être utiles lorsqu’ils enrichissent la formation. Ils ne doivent cependant pas dicter les contenus : l’école et l’université ont pour mission de développer l’esprit critique, y compris à l’égard des technologies proposées par leurs partenaires.

Former à l’IA pour l’emploi, sans réduire l’éducation à l’employabilité

Les entreprises recherchent des personnes capables d’évoluer dans un environnement technologique en transformation. Cela ne signifie pas que chaque futur diplômé devra programmer des modèles d’IA. En revanche, de nombreuses professions demanderont de savoir collaborer avec des outils automatisés, en interpréter les résultats et alerter lorsqu’ils sont inadaptés.

Une formation précoce peut renforcer des compétences déjà centrales dans l’enseignement supérieur : analyse critique, résolution de problèmes, raisonnement, collaboration et communication. Elle peut aussi aider les étudiants à distinguer les tâches qui peuvent être assistées par un logiciel de celles qui exigent une expertise de terrain, une décision responsable, une relation humaine ou une créativité propre.

L’internationalisation des stratégies éducatives autour de l’IA renforce cette nécessité. Plusieurs pays cherchent à développer les compétences de leurs élèves et étudiants dans ce domaine, à la fois pour préparer les parcours professionnels et pour participer aux débats démocratiques liés à ces technologies. Les échanges entre établissements peuvent contribuer à diffuser des méthodes utiles, à condition de les adapter aux programmes, aux publics et aux exigences locales.

Ce qu’il faut surveiller pour une initiation réellement utile

La rentrée 2025 constituera un test important pour l’enseignement de l’IA. Le succès d’une telle démarche ne se mesurera pas au seul nombre de comptes créés sur une plateforme ou de modules suivis. Il dépendra de la qualité des contenus, de la formation des enseignants, de l’accessibilité des ressources et de la place effective accordée à la réflexion critique.

Il faudra aussi veiller à ce que l’initiation réduise les écarts au lieu de les creuser. Les étudiants ne disposent pas tous du même équipement, du même accompagnement familial ni de la même familiarité avec les outils numériques. Une culture commune, proposée dans le cadre scolaire et universitaire, peut justement offrir des repères partagés.

Enfin, les programmes devront rester évolutifs. Les outils changent vite, mais les questions fondamentales demeurent : d’où vient une information, comment évaluer sa fiabilité, quelles données peut-on communiquer, qui est responsable d’une décision et quels effets un système peut-il avoir sur les autres ? C’est en donnant aux étudiants les moyens de répondre à ces questions que l’enseignement de l’IA pourra devenir un véritable instrument d’émancipation.