Philippe Tassi a été professeur-chercheur à l’Ensae, DGA de Médiamétrie ; il est actuellement membre de la Commission Nationale des Sondages

Depuis fin 2022, et l’intelligence artificielle générative, les initiales IA sont présentes partout, allant même jusqu’à faire oublier les avancées que l’IA a amenées dans les dernières décennies du XXe siècle. Elèves et étudiants l’emploient allègrement pour chercher des éléments de solution sinon répondre à leur place.

Nier l’IA n’aurait aucun sens ; il convient donc que les établissements, notamment contribuant à l’enseignement supérieur, l’intègrent dans leur réflexion pédagogique, de recherche et de transmission d’un savoir bouleversé. Ceci n’est pas toujours simple car si entrer dans le détail des algorithmes de l’IA est aisé dans les filières à dominante scientifique ou avoisinant (gestion, médecine, etc.), il l’est beaucoup moins dans les cursus linguistiques, juridiques, historiques, géographiques, littéraires ou créatifs.

La démocratisation de l’IA

L’intelligence artificielle (IA) existe depuis plusieurs siècles, par sa logique d’approche – concevoir des machines remplaçant l’humain – et ses réalisations. Dès le XIIIe siècle, le philosophe théologien catalan Ramon Llull (1232 – 1315) construit des « machines logiques », ou « machines pensantes » en utilisant cercles, carrés, triangles, roues crantées, cadrans, manivelles, leviers, cordes … La dénomination « intelligence artificielle » naît en été 1956 lors de la conférence de Dartmouth, dans le New Hampshire, fondatrice pour l’IA ; elle est due à John McCarthy (1927 – 2011) et Marvin Minsky (1927 – 2016). Arrivent ensuite, dans les dernières décennies du XXe siècle et au début du XXIe, les systèmes experts, le machine learning et le deep learning (Vladimir Vapnik, Alexey Chernovenkis, Yann Le Cun, …). Leurs applications sont nombreuses, notamment dans le domaine de la santé, et bien d’autres.

L’arrivée de l’IA générative (IAG), en fin 2022, avec ChatGPT et ses multiples concurrents, marque une véritable rupture ; en effet, l’IA était initialement réservée à un club de spécialistes scientifiques de haut niveau. L’IAG, quant à elle, s’est adressée d’emblée au grand public, avec une démocratisation quasi-totale.

Cet éloignement des seuls experts fait que l’IA s’est imposée désormais comme une composante incontournable de notre environnement numérique, transformant en profondeur les pratiques professionnelles, académiques et pédagogiques. Dans l’enseignement supérieur, elle représente, à condition d’être mobilisée de façon pertinente, un levier à la fois d’innovation, d’efficacité et de compétitivité. En effet, elle permet d’analyser des données complexes, de simuler des décisions stratégiques ou encore de personnaliser les apprentissages, devenant un outil indispensable à la formation des futurs cadres.

Les principes fondamentaux de l’Europe

Quatre grands axes directeurs sont issus du Règlement Européen sur l’IA (AI Act, juin 2024). Il s’agit de la transparence, la souveraineté, la responsabilité et l’acquisition des compétences, thématiques importantes dans l’enseignement supérieur.

  • Transparence: le volume des données d’entraînement de l’IA et le nombre des outils accessibles exigent une grande vigilance sur l’origine et la fiabilité (manipulation, falsification) de ces données et leur traçabilité, sur les algorithmes et la déclaration systématique de l’usage d’IA générative (IAG), ainsi que sur les risques de biais et d’hallucinations auxquels se trouve exposée l’IA
  • Souveraineté: l’existence des outils d’IA nécessite de connaître les motivations de leur choix dans l’activité quotidienne. Pour éviter la vulnérabilité à toute influence extérieure, il convient de privilégier des solutions européennes ou open source (indépendance stratégique)
  • Responsabilité : chaque acteur (utilisateur, concepteur) doit intégrer sa propre responsabilité dans ses usages de l’IA : usage éthique, sécurisé, conforme au RGPD, sans omettre l’impact énergétique et environnemental
  • Acquisition des compétences : l’IA, dans toutes ses dimensions (systèmes experts, learning, IAG ; apprentissage, supervision), se doit d’être considérée comme un objet d’étude théorique, technique et critique. Il ne s’agit pas seulement de « savoir coder » ou « prompter », mais de comprendre la structure de la donnée et les bases mathématiques des algorithmes. Utiliser l’IA de manière optimale signifie qu’on en connaît son histoire, ses évolutions et leur pourquoi, son fonctionnement et ses fondements théoriques et techniques. Cela implique l’acquisition d’une forme de discernement et de réflexivité sur les outils d’intelligence artificielle, la technologie sous-jacente, les enjeux associés pour ne pas subir une dépendance aveugle à l’IA.

IA et pédagogie

La pédagogie est la science de la transmission du savoir. Un premier effet de l’IA est le changement de la relation entre enseignants et étudiants par le contenu pédagogique. Il est clair que la quasi-totalité des étudiants utilisent l’IAG, dont une proportion non négligeable sans savoir du tout comment cela fonctionne. Ceci étant, il est fondamental que les enseignants-chercheurs sortent du seul impact de l’IA sur leur façon d’enseigner et de composer leurs cours ; en outre, la transmission dépend de l’année d’étude, la sensibilisation ne saurait être la même en L1 et en M2, et du type d’étudiants (formation courte ou longue, initiale ou continue). Comme évoqué dans l’introduction, il convient également d’adapter le discours à la finalité de la formation pour apporter le savoir : entrer dans le détail mathématique des algorithmes sera simple pour les cours scientifiques, éveiller l’intérêt par des phrases et des exemples bien choisis sera pertinent pour des filières « littéraires » et démystifier la « boîte noire ».

En outre, l’IA peut être à la fois un outil et un objet d’étude à part entière.

En tant qu’outil, les étudiants doivent l’utiliser de manière éthique et responsable en ayant conscience des fondements et des limites (biais, hallucinations, coût énergétique).

En tant qu’objet d’étude à part entière, comme énoncé auparavant, il faut connaître l’histoire du concept, ses innovations et leurs fondements scientifiques.

A terme, il s’agit de s’assurer que les étudiants comprennent bien le fonctionnement de l’IA, notamment celui de l’IAG dont ils se servent déjà régulièrement, soient formés à son utilisation pertinente (rédiger un prompt ; améliorer la forme d’un document ; synthétiser des données ; identifier des  sources ; évaluation des risques et biais possibles ; …), développent leur esprit critique (dans une optique quadruple de responsabilité/éthique/efficacité/créativité) et soient informés des conséquences de l’usage de l’IA dans les organisations et les secteurs auxquels ils se destinent (prospective des métiers, dévalorisation/apparition/valorisation de certaines tâches, usage des outils d’IA dans le recrutement…), et prennent également  conscience de son impact environnemental.

Si l’usage de l’IAG est légitime lorsqu’il est mis au service d’une démarche d’apprentissage et de développement des capacités des étudiants, il ne doit en aucun cas se substituer au raisonnement personnel, à l’analyse individuelle ni au travail intellectuel attendu des étudiants. En conséquence, l’IA a également un impact sur l’évaluation des connaissances. Certains pays vont même jusqu’à remettre en question les mémoires : un mémoire de qualité est-il la preuve de la culture acquise par l’étudiant ou de son excellente maîtrise de l’IA ? Apparaissent donc des soutenances orales sous diverses formes.

IA et Recherche

L’IA est un thème majeur de la recherche scientifique actuelle, et est marquée par une rapidité d’évolution exceptionnelle. Ceci est d’autant plus important qu’au-delà de la pédagogie, former les chercheurs aux enjeux liés à l’IA est devenu essentiel pour garantir la qualité, la fiabilité et l’éthique de la production scientifique.

Si, bien maîtrisée, l’IAG peut accélérer la recherche, faciliter l’analyse de données, accélérer la synthèse documentaire et enrichir la rédaction académique, elle expose également, si elle est mal mise en œuvre, à des risques de biais, de désinformation ou de dépendance excessive aux outils automatisés. Il est donc indispensable que l’enseignement supérieur déploie des stratégies et des dispositifs d’accompagnement des enseignants-chercheurs dans le développement de compétences critiques : comprendre le fonctionnement des modèles, évaluer la pertinence des résultats, et, bien sûr, citer correctement et clairement les outils utilisés et respecter les principes d’intégrité scientifique.

Le développement de travaux de recherche en lien avec l’intelligence artificielle sous toutes ses formes constitue un indicateur important du positionnement académique : quelle place occupe l’IA dans l’activité de recherche ? Si elle constitue un axe prioritaire, l’IA peut ou doit aider à structurer des équipes de recherche dédiées au développement de projets interdisciplinaires, et irriguant, lorsque la transversalité l’emporte, différents champs de recherche hors des mathématiques et de l’informatique (droit, marketing, finance, ressources humaines ou stratégie).

L’IA est aussi un domaine intrinsèque de recherche et d’avancée, comme le prouvent les diverses étapes de son histoire ayant mené des systèmes experts à l’IAG en passant par le learning et conduisant à l’IA agentique et générale. Une preuve – même s’il convient de parler encore au conditionnel avant la validation extérieure – est l’annonce faite par OpenAI le 8 septembre 2026 de la découverte de solutions aux célèbres équations de mécanique des fluides dites de Navier-Stokes, établies au début du XIXe siècle par le français Henri Navier (1785 – 1836) et l’irlandais George Stokes (1819 – 1903).

Le contexte : les évolutions à venir de l’IA et des métiers

Les diverses filières de l’enseignement supérieur actuel préparent les étudiants aux métiers de la prochaine décennie, métiers existants et qui vont probablement évoluer, et nouveaux métiers encore inconnus. L’impact de l’IA sur ces métiers est une réalité présente dans de nombreux rapports récents, à la fois sur leur contenu et sur l’emploi (Anthropic, mars 2026). Le rapport Anthropic laisse entendre des taux de chômage de l’ordre de 50 % au début des années 2030 pour les diplômés Bac+5. Imaginons-en les conséquences économiques et sociales !

Il est donc important que l’IA soit appréhendée dans toutes ses dimensions, et non pas seulement sous sa facette générative – qui sera vite dépassée –, notamment par son histoire et ses étapes successives. Savoir se servir de l’IA, notamment de l’IAG, est une nécessité, car elle est un outil précieux pour un très grand nombre d’apprentissages et pour la recherche. Cependant, il est également impératif d’en faire un objet d’étude à part entière, afin que les étudiants puissent acquérir des connaissances approfondies et développer des compétences spécifiques. Connaître les fondements mathématiques et scientifiques des IA, dont l’IAG et les modèles probabilistes de type Large Language Model (LLM) (Belliat, Morgensztern), permet de les maîtriser et de bien avoir conscience de leurs apports mais aussi de leurs limites.

Deux thèmes sont majeurs.

Le premier est le suivi des effets qu’a ou aura l’IA sur les métiers actuels, et sur les nouveaux métiers liés à son émergence. Ces métiers ne se limitent pas à la seule composante technique. Des activités comme l’écriture de poèmes, la composition de musiques ou la création de tableaux, sont touchés, tout comme les dimensions juridiques de la propriété intellectuelle et du droit d’auteur.

Le second consiste à présenter les évolutions en cours de l’IA, dont certaines seront opérationnelles rapidement. Deux exemples sont à développer : l’IA agentique (IAA), d’une part, et l’IA Générale (AGI, Artificial General Intelligence), d’autre part.

L’évolution de l’IA tient en trois verbes, qui caractérisent le présent et le proche avenir : passer de « compiler » à « agir » puis à « penser » :

compiler ⇒  agir  ⇒ penser

Compiler s’applique parfaitement à l’IAG, qui, depuis 2022, travaille de façon quasi-optimale sur des bases de données diverses mises à sa disposition par l’humain (quantitatives, qualitatives, images fixes ou mobiles, textes, nombres, sons ou musiques, …).

Agir, deuxième étape de l’évolution, que l’on retrouve dans l’appellation IA Agentique – le verbe latin ago, agere signifie : faire avancer mais aussi faire, accomplir, agir – apparue « commercialement » en 2026 ; ce n’est plus une idéologie ou un rêve, c’est une réalité.

L’IA agentique va au-delà de la seule mise en œuvre d’instructions isolées et est conçue pour atteindre de façon autonome un objectif a priori ; elle est capable de gérer la succession de tâches nécessaire.

Penser, ultimement, est le fondement de l’IA générale, prochaine étape après l’IAA, dont la finalité est d’apprendre ou d’effectuer toute tâche aussi bien – sinon bien mieux – que l’être humain ; elle est le centre de la recherche des grandes sociétés du domaine.

L’IA générale pourra « penser » de façon autonome, sans intervention de l’humain, ses agents communiquant naturellement entre eux et dépassant les performances humaines. Elle est le centre de nombreuses prises de position actuelles de chercheurs renommés travaillant sur les places et positions respectives de l’IA et de la pensée humaine. Certains vont jusqu’à annoncer la possible disparition de l’humanité. Une phrase-choc de l’été 2026 est celle de Jacob Coxon, ancien collaborateur d’Anthropic et OpenAI, qui a annoncé : « l’IA pourrait tous nous tuer d’ici la fin de la décennie ». Il n’est pas le seul à alerter sur ces risques.

Science-fiction ou réalité future ? Ceci a une influence sur les enseignements.

Devient donc prioritaire, au sein de la gouvernance des filières d’enseignement, l’existence d’entités spécialisées dans la stratégie de la formation, intégrant une réflexion prospective sur l’évolution des métiers actuels et les futurs emplois auxquels préparent les divers cursus, et l’insertion professionnelle ; ces instances seraient composées d’enseignants-chercheurs, spécialistes ou non de l’IA, d’experts, de praticiens, d’alumni, etc.

Eléments de bibliographie

AACSB, A Framework in Artificial Intelligence in Business Education, janvier 2026 https://inspirehighered.com/report

Anthropic, Labor market impacts of AI : A new measure and early evidence, mars 2026 https://www.anthropic.com/research/labor-market-impacts

Belliat Zysla, Morgensztern Mathieu, L’IA générative : une histoire de mathématiques, Variances.eu, 2026

Centre National de la Recherche Scientifique, Comment l’IA générative transforme les métiers de la recherche ? mars 2026 https://www.cnrs.fr/fr/actualite/comment-lia-generative-transforme-les-metiers-de-la-recherche

Commission de l’intelligence artificielle, IA : notre ambition pour la France, mars 2024 https://www.vie-publique.fr/files/rapport/pdf/293444.pdf

Commission européenne, Living Guidelines on the Responsible Use of Generative AI in Research, avril 2025  https://research-and-innovation.ec.europa.eu/document/download/2b6cf7e5-36ac-41cb-aab5-0d32050143dc_en?filename=ec_rtd_ai-guidelines.pdf

European Assurance for Quality Assurance in Higher Education (ENQA), Guidelines for Responsible Use of AI in External QA, novembre 2025 https://www.enqa.eu/wp-content/uploads/ENQA-AI-guidelines-final-2025.pdf

European University Association, Artificial intelligence tools and their responsible use in higher education learning and teaching , février 2023 : https://www.eua.eu/publications/positions/artificial-intelligence-tools-and-their-responsible-use-in-higher-education-learning-and-teaching.html

Guion Anne, Le Vatican et Anthopic, des liaisons dangereuses, La Vie, n°4222, 13-26 septembre 2026

Haut Conseil de l’évaluation de la recherche et de l’enseignement supérieur, Guide d’évaluation des établissements d’enseignement supérieur privé, mars 2026 https://www.hceres.fr/sites/default/files/media/downloads/hceres-guide-evaluation_etablissements-superieurs-prives.pdf

Haut Conseil de l’évaluation de la recherche et de l’enseignement supérieur, Guide d’évaluation des formations des établissements d’enseignement supérieur privé, mars 2026 https://www.hceres.fr/sites/default/files/media/downloads/hceres-guide-evaluation_formations-enseignement-sup-prive.pdf

Livre Blanc, Union Européenne, Intelligence artificielle, une approche européenne axée sur l’excellence et la confiance, 19 février 2020

Ministère de l’enseignement supérieur, de la recherche et de l’espace, L’intelligence artificielle dans l’enseignement supérieur, juin 2025 https://www.enseignementsup-recherche.gouv.fr/sites/default/files/2025-07/rapport-intelligence-artificielle-et-enseignement-sup-rieur-formation-structuration-et-appropriation-par-la-soci-t–37540.pdf

Rapport « IA en enseignement supérieur au Quebec » quebec.ca : https://lnkd.in/e_Vk4Vip

Rapport Anticiper les impacts économiques et sociaux de l’Intelligence Artificielle, publié le 22 mars 2017, France Stratégie et Conseil National du Numérique https://strategie.gouv.fr/publications/anticiper-impacts-economiques-sociaux-de-lintelligence-artificielle

Rapport Pour une intelligence artificielle maîtrisée, utile et démystifiée, 29 mars 2017, OPECST, Office parlementaire d’évaluation des choix scientifiques et technologiques https://ladocumentationfrancaise.fr/rapportspublics/174000324/index.shtml

Rapport de la mission confiée à Cédric Villani, Donner un sens à l’Intelligence Artificielle, 28 mars 2018 http://enseignementsup-recherche.gouv.fr/cid128577

Rapport IA : Notre ambition pour la France, Commission de l’Intelligence Artificielle, mars 2024

Unesco, « ChatGPT and Artificial Intelligence in Higher Education », 2023 https://unesdoc.unesco.org/ark:/48223/pf0000385146.locale=en

Union européenne, Règlement 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle, juin 2024 https://eur-lex.europa.eu/legal-content/FR/TXT/PDF/?uri=OJ:L_202401689

Dossier Statistiques 2 – Sommaire :
Philippe Tassi
Les derniers articles par Philippe Tassi (tout voir)