L’IA est devenue un élément permanent de l’enseignement supérieur. Partout au pays, les enseignants s'inquiètent de plus en plus du fait que les étudiants utilisent des outils d'IA tels que ChatGPT, Gemini et Claude pour terminer leurs devoirs.
En réponse, les universités ont investi dans des logiciels de détection de l’IA tout en élaborant des politiques, des lignes directrices et des cadres visant à promouvoir une utilisation éthique de l’IA.
Pourtant, toutes les institutions ne sont pas convaincues que les logiciels de détection offrent une solution durable. Des questions sont de plus en plus soulevées quant à la fiabilité des systèmes, à leur potentiel de faux positifs et à la question de savoir s'ils s'attaquent à la cause profonde du problème. En d’autres termes, les universités peuvent-elles trouver une issue au défi de l’IA ?
Ayant récemment terminé le premier semestre de l’année universitaire 2026, je me suis retrouvé à réfléchir à la question. Dans plusieurs missions, dans un module que j'enseignais, un problème ressortait. Une proportion importante de missions a déclenché des niveaux élevés de détection de l’IA. Comme beaucoup d’universitaires, ma première réaction a été l’inquiétude. Les étudiants ont-ils pris des raccourcis ? L’IA est-elle devenue la dernière menace à l’intégrité académique ?
Cependant, plus je réfléchissais à la situation, plus je commençais à me demander si nous, en tant qu’universités, posions la mauvaise question. Au lieu de nous concentrer uniquement sur les raisons pour lesquelles les étudiants utilisent l’IA, peut-être devrions-nous également nous demander pourquoi nos évaluations rendent l’utilisation de l’IA si attrayante en premier lieu ? Si un grand nombre d’étudiants se tournent vers l’IA pour terminer leurs devoirs, le problème ne réside peut-être pas uniquement dans le comportement des étudiants. Cela pourrait également révéler quelque chose sur les types de missions que nous fixons, les compétences que nous choisissons d’évaluer et les hypothèses que nous avons sur l’apprentissage dans un monde activé par l’IA.
Cette possibilité soulève une question inconfortable mais nécessaire : les universités sont-elles en partie responsables des comportements de l’IA qu’elles tentent de prévenir ?
Si les universités souhaitent sérieusement répondre à l’IA, la préparation institutionnelle doit aller au-delà des documents politiques et des outils de détection. Cela nécessite le développement des capacités pratiques, en particulier chez les enseignants qui restent au cœur de la conception de l’enseignement, de l’apprentissage et de l’évaluation. À mesure que l’enseignement supérieur s’adapte à un monde fondé sur l’IA, les enseignants, comme moi, devraient se poser cinq questions.
Premièrement, avons-nous besoin de devoirs qui exigent principalement que les étudiants reproduisent des informations ?
Pendant des décennies, les missions universitaires ont été construites autour de l’évaluation de la recherche indépendante, de la synthèse de l’information, de la pensée critique et de la rédaction académique. Traditionnellement, les tâches exigeaient que les élèves passent beaucoup de temps à rechercher des informations, à évaluer des sources et à construire des arguments.
L’IA générative a changé ce paysage. Aujourd’hui, un étudiant peut saisir une question de devoir dans un système d’IA et recevoir une réponse cohérente en quelques secondes. Les tâches qui nécessitaient autrefois des heures de travail peuvent être réalisées presque instantanément. La question n’est pas de savoir si les étudiants utilisent l’IA. Ils sont. La vraie question est de savoir si nos évaluations mesurent ce que nous pensons mesurer.
En tant que professeurs, nous devons nous demander : évaluons-nous réellement l’apprentissage ou évaluons-nous la recherche d’informations ? Lorsque les étudiants soumettent des devoirs qui peuvent être générés par l’IA avec un minimum d’effort, que récompensons-nous exactement ? Évaluons-nous le développement intellectuel ou satisfaisons-nous simplement à une exigence de conformité démontrant qu’un étudiant a soumis un texte académique ? La question n’est plus de savoir si l’IA peut accomplir ses missions. C’est possible et nous le savons. La question la plus importante est de savoir si nos devoirs mesurent un apprentissage significatif.
Deuxièmement, nos missions sont-elles liées à des problèmes du monde réel ?
Récemment, j'ai assisté à un événement réunissant des universitaires et des praticiens. Le contraste dans les attitudes à l’égard de l’IA était frappant. De nombreux universitaires ont répété l’avertissement familier aux étudiants : « Si je vous surprends à utiliser l’IA ». Les praticiens ont cependant exprimé leur frustration face au fait que les diplômés qui entrent sur le marché du travail hésitent souvent à utiliser l’IA pour effectuer des tâches de routine.
Cette déconnexion révèle un problème plus profond. Les universités prétendent souvent préparer les étudiants au monde du travail et à la citoyenneté active. Pourtant, de nombreux devoirs restent théoriques et déconnectés des réalités auxquelles les étudiants seront confrontés après l’obtention de leur diplôme. Les étudiants sont fréquemment invités à définir des concepts, à comparer des théories et à résumer la littérature. Même si de telles activités ont de la valeur, elles se déroulent souvent dans un environnement académique artificiel où la démonstration des connaissances devient plus importante que leur application.
L'IA générative expose les limites de l'approche car elle fonctionne exceptionnellement bien pour reproduire le contenu théorique. Il peut expliquer des concepts, comparer des théories et résumer des articles en quelques secondes. Plus la tâche est abstraite et générique, plus il devient facile pour l’IA de générer une réponse acceptable.
Les universités ont donc besoin d’évaluations qui encouragent la pensée critique et indépendante tout en restant connectées aux défis du monde réel. Les étudiants devraient être invités à s'engager dans des réalités, à résoudre des problèmes contextuels et à appliquer leurs connaissances disciplinaires à des situations authentiques.
Imaginez un étudiant en administration publique élaborant des solutions aux défis de prestation de services dans une municipalité qu’il connaît. Prenons l’exemple d’un étudiant en gestion d’entreprise évaluant la durabilité d’une entreprise locale. Ou un étudiant en sciences de la santé analysant les interventions de santé communautaire dans un contexte familier.
De telles évaluations exigent plus que la simple recherche d’informations. Ils nécessitent une compréhension contextuelle, du jugement et un engagement face à des problèmes réels. Il est important de noter que l’IA peut jouer un rôle. Les élèves peuvent l’utiliser pour réfléchir à des idées ou recueillir des informations. La différence est que l’IA devient une ressource parmi tant d’autres plutôt que la source de la réponse finale.
Troisièmement, qui réfléchit ?
Une autre priorité consiste à garantir que les professeurs et les étudiants gardent fermement le contrôle du processus éducatif, l’IA servant d’outil plutôt que de substitut à l’apprentissage.
Une grande partie du débat public sur l’IA est dominée par les extrêmes. Certains prédisent que l’IA remplacera une grande partie de l’enseignement et de l’évaluation. D’autres craignent que les étudiants perdent la capacité de penser de manière indépendante.
Ces deux positions négligent une réalité simple : l’enseignement supérieur est une entreprise humaine.
Les universités ne sont pas de simples institutions qui transfèrent des informations. Ce sont des lieux où les étudiants apprennent à remettre en question les hypothèses, à adopter des perspectives diverses, à développer leur identité professionnelle et à cultiver leur curiosité intellectuelle. Les résultats émergent grâce au dialogue, au mentorat, aux commentaires et à l’interaction humaine.
L’IA offre sans aucun doute des avantages. Il peut faciliter le brainstorming, fournir une aide à la rédaction et automatiser les tâches de routine. Pour les enseignants, cela peut réduire les charges administratives. Pour les étudiants, il peut proposer un accompagnement personnalisé.
Cependant, l’IA devrait accroître les capacités humaines plutôt que de les diminuer.
Quatrièmement, en faisons-nous suffisamment pour développer les connaissances en IA des étudiants et des professeurs ?
Il existe un risque que les universités confondent l’accès aux outils d’IA avec une véritable culture de l’IA. Trop souvent, les connaissances en IA sont traitées comme une compétence technique axée sur les invites et les résultats. En réalité, c’est aussi une capacité éthique et critique. Les étudiants doivent comprendre non seulement ce que l’IA peut faire, mais aussi où elle peut échouer.
De nombreux étudiants voient l’IA comme une source de réponses plutôt que comme un objet d’investigation critique. Ils apprennent à l’utiliser mais pas forcément à le remettre en question. Cela pose problème car les résultats générés par l’IA peuvent sembler faisant autorité même s’ils sont inexacts.
Les enseignants ont donc un rôle crucial à jouer. Les étudiants ont besoin d’une exposition pratique aux forces et aux faiblesses des systèmes d’IA. Ils devraient apprendre comment l’IA peut perpétuer les préjugés, générer des hallucinations, fabriquer des références et reproduire les inégalités sociétales intégrées dans les données de formation. Ils doivent également comprendre que les systèmes d’IA peuvent produire des résultats qui semblent confiants même s’ils sont erronés. De tels exemples aident les élèves à développer un scepticisme sain et un jugement critique.
Enfin, les universités devraient-elles passer de la surveillance à l’intendance ?
Le plus grand danger dans le débat sur l’IA est peut-être que les universités soient tellement préoccupées par la détection de l’utilisation de l’IA qu’elles négligent leur mission éducative. Partout dans le monde, les réponses institutionnelles à l’IA se sont concentrées sur la détection, la surveillance et la sanction. Même si l’intégrité académique reste importante, une approche centrée sur la surveillance risque de créer une culture de méfiance.
Les étudiants hésitent à discuter de l’utilisation de l’IA. Les enseignants se concentrent sur l’identification des violations plutôt que sur la facilitation de l’apprentissage. L’utilisation de l’IA est poussée dans la clandestinité plutôt que ouvertement.
Les universités devraient envisager une approche différente : la gestion.
La gestion responsable reconnaît que les établissements d’enseignement supérieur ont la responsabilité non seulement de réglementer l’IA, mais aussi de guider son utilisation éthique. La question n’est pas de savoir si les étudiants utilisent l’IA. Ils sont. La question la plus importante est de savoir si les universités les aident à l’utiliser de manière responsable, transparente et critique.
Une approche d’intendance déplace le discours de la punition vers l’éducation. Il encourage les étudiants à révéler comment l’IA a été utilisée, à expliquer comment les résultats ont été évalués et à réfléchir à la manière dont la technologie a contribué à l’apprentissage.
En fin de compte, l’avenir de l’enseignement supérieur ne sera pas déterminé par l’entrée ou non de l’IA dans nos salles de classe. C'est arrivé. Cela ne dépendra pas non plus de l’efficacité avec laquelle les universités détectent les textes générés par l’IA. L’avenir dépendra de la volonté des établissements de repenser l’évaluation, l’alphabétisation, l’éthique et la culture institutionnelle pour un monde fondé sur l’IA.
Le défi de l’enseignement supérieur n’est donc pas technologique. C'est éducatif. La tâche ne consiste pas simplement à contrôler l’IA, mais à gérer son utilisation de manière à renforcer l’apprentissage, à préserver l’action humaine et à préparer les diplômés à un monde de plus en plus médiatisé par l’IA.
