L’impact de l’IA sur l’enseignement supérieur dans les années à venir est difficile à cerner. Quels cadres de référence historiques sont utiles pour imaginer les contours de ses conséquences ?

Cet article de blog s’inscrit dans la suite de mes publications des 4 dernières années sur les significations et les conséquences de l’IA générative, à commencer par une note sur la portée de ChatGPT au moment de sa sortie en 2022.

version en anglais de ce post disponible

La question qui m’intéresse est large : quel est l’impact de l’IA sur l’enseignement supérieur, et quelles en sont les conséquences ?

Cet article de blog est une importante note de bas de page : j’y commence par établir si l’IA peut être comparée à d’autres chocs technologiques ayant affecté l’enseignement supérieur, et de quelle manière.

Parce que si l’IA est « juste comme les MOOCs : beaucoup d’attentes, mais un impact limité », alors nous avons déjà appris quelque chose d’intéressant : il ne faut pas forcément s’inquiéter de son impact massif sur l’enseignement supérieur.

Mais ce n’est pas la conclusion à laquelle je vais parvenir ;-)

Avant l’IA, 3 chocs technologiques notables pour l’enseignement supérieur

Depuis 2000, l’enseignement supérieur a connu son lot de chocs appelant à des adaptations urgentes :

Internet et le web

Le web a rendu possible la production de contenu numérique par des individus indépendants : avec le web, chacun-e a eu une voix et un accès potentiel à une audience mondiale. Avec YouTube, chacun pouvait enregistrer un cours et le diffuser. Les habitudes d’apprentissage se sont diversifiées, avec des capacités d’attention plus courtes, et des pratiques devenues screen-first et mobile-first. Une question se posait donc naturellement à l’époque : ces changements allaient-ils marginaliser les établissements d’enseignement supérieur, puisque le savoir devenait disponible gratuitement, facilement, et depuis n’importe où ?

Big data et data science

Le big data et la data science ont ouvert la perspective d’un apprentissage personnalisé qui remplacerait l’enseignement standardisé au niveau du groupe. Grâce à l’analyse de vastes quantités de données personnelles, des parcours d’apprentissage individuels pourraient être identifiés. Par des algorithmes, ou par des modèles de machine learning, les ressources pédagogiques adéquates pourraient être identifiées pour correspondre aux besoins, au rythme de progression et aux aspirations de chaque étudiant.

MOOCs

Les MOOCs promettaient de tirer parti des deux premiers éléments — le web et le big data — pour transformer l’éducation. Le web permet de proposer des enseignements en ligne à une audience de n’importe quelle taille, tandis que le big data et la data science permettent d’individualiser les parcours d’apprentissage, en gardant l’individu et une expérience pédagogique sur mesure au centre, malgré la massification. Quelques entreprises ont tenté de donner corps à cette promesse : Coursera, edX, Udemy, Udacity, Khan Academy, …

La question, à l’époque, était la suivante : les universités pourraient-elles survivre si des équivalents en ligne existaient, disponibles 24/7, délivrant des certificats d’institutions de l’Ivy League à une fraction du prix et du coût d’une université et de leurs coûteux campus ?

Conséquences de ces chocs technologiques : beaucoup de bruit pour pas grand-chose

Je peins volontairement le tableau à gros traits :

Internet et le web ont laissé le cœur de l’expérience pédagogique étonnamment intact

Quand on les compare aux effets directs et destructeurs que le web continue d’avoir sur les organisations culturelles — les print médias, l’industrie du cinéma, les librairies, … — on peut être surpris de voir à quel point l’enseignement supérieur reste stable et relativement épargné par le web et l’économie numérique. L’expérience centrale de l’enseignement supérieur reste hors ligne : des cours donnés par un-e professeur, dans une salle de classe, à un groupe d’étudiants.

Dit autrement : les écoles et les universités ont été transformées par les technologies de l’ère web — email, learning management systems, visioconférence, systèmes de recrutement en ligne, etc. — mais ces technologies ont davantage transformé les opérations que le format de base de la classe.

Même les tableaux blancs interactifs — quand ils sont présents dans une salle — sont utilisés avec modération, dans mon expérience. En somme, le web a été « absorbé » comme un sujet de plus à disséquer en classe, plutôt que comme une force transformant la classe elle-même.

Le big data et la data science ont conduit à la création de cours et de programmes spécialisés

À partir de 2015 environ, la plupart des écoles ont commencé à développer des programmes proposant un croisement entre [nom d’un domaine traditionnel] x [big data / data science / analytics], de la même manière qu’elles avaient introduit quelques années auparavant des cours en [digital] x [nom d’un domaine traditionnel]. C’est un changement important, bien sûr ; cependant, il n’a pas modifié les missions ou les fonctions centrales des établissements d’enseignement supérieur.

C’est assez « classique » et décevant au regard des attentes sur le potentiel transformateur du big data : la promesse était qu’il rendrait les écoles capables de concevoir des parcours d’apprentissage individuels grâce à l’analyse de données étudiantes. Cette promesse ne s’est pas réalisée à l’échelle imaginée. Les learning analytics et les outils adaptatifs existent, mais ils n’ont pas remplacé la structure de base, collective, de l’enseignement supérieur.

Les plateformes de MOOCs existent toujours, mais les écoles et les universités vont bien

Coursera, Udemy, Udacity, edX et Khan Academy sont toujours là, après de nombreuses difficultés et restructurations. Ces initiatives n’ont aucunement remplacé les établissements d’enseignement supérieur ; elles s’adressent plutôt à des segments d’étudiants nouveaux, différents, ou parfois superposés, mais non entièrement coextensifs. L’enseignement à distance est une caractéristique centrale des MOOCs et il est effectivement important, même vital, pour l’enseignement supérieur, mais cela a été révélé par la pandémie de COVID (2020-2022) davantage que par les MOOCs. Les établissements traditionnels d’enseignement supérieur se sont adaptés rapidement à la pandémie en accélérant leurs investissements dans les services numériques (Zoom ayant fait son IPO en 2019 : timing heureux!)

J’ai vécu le choc de l’émergence du web dans l’enseignement supérieur comme étudiant, et j’ai été un participant actif aux deux autres chocs comme professeur et responsable de programme à emlyon business school à partir de 2014, initialement sous la direction de Bernard Belletante. Belletante est un visionnaire qui avait anticipé ces chocs et s’est assuré qu’ils soient traduits dans les programmes et les services support de l’école. Le lancement de nouveaux programmes en data science, la création d’un Makers Lab, un nouveau LMS, le décloisonnement des départements académiques, le recrutement de professeurs aux profils nouveaux, l’adaptation des salles de classe à l’enseignement hybride, etc. : l’école a bien servi ses étudiants en engageant tous ces changements en amont, plutôt qu’en réaction aux chocs.

Parmi ces trois chocs, le développement d’Internet et du web reste celui que je serais personnellement le plus tenté de comparer à l’IA, étant donné l’effet transformateur qu’Internet et le web ont eu sur la société en général. L’IA est appelée à avoir un impact au moins aussi important.

Et donc, étant donné l’impact relativement faible que le web a eu sur l’expérience centrale de l’apprentissage et de l’enseignement — comme discuté juste au-dessus —, une comparaison entre l’IA et le web pourrait être éclairante.

Peut-être que l’IA se révélera aussi importante que le web au niveau sociétal, mais avec des effets transformateurs sur l’enseignement supérieur lui-même qui seraient, comme pour le web, plus « faibles que ce qui avait été annoncé » ?

Focus sur le web comme cadre de référence historique : l’IA est-elle le même type de choc pour l’enseignement supérieur ?

Posons ce que je considère comme des faits indiscutables. L’impact de l’IA est :

• profond : sur un nombre croissant de tâches cognitives benchmarkées, les systèmes d’IA de pointe atteignent ou dépassent désormais les niveaux de référence humains.
• large : les usages sont très répandus à l’école, au travail, dans nos vies personnelles, dans les gouvernements et les administrations, dans les arts et la culture, dans la science, la médecine et la technologie, dans la conduite de la guerre, etc.
• systémique : l’IA crée ou intensifie des déséquilibres environnementaux, géopolitiques et sociétaux.
• rapide : nous sommes en juillet 2026 et ChatGPT est sorti en novembre 2022. Tout cela s’est donc produit en moins de quatre ans, et le rythme de développement accélère au lieu de ralentir.

Comparons l’IA et le web : comment se situent-ils par rapport aux quatre dimensions posées ci-dessus ?

Un choc profond : le web et l’IA se ressemblent-ils ?

Internet et le web étaient assurément « profonds » par nature, parce qu’ils ont ouvert un espace où de nouveaux contenus et de nouvelles expériences pouvaient être créés avec de faibles barrières en termes de coût, de distance ou d’autorité. Cela a créé une explosion de services numériques et transformé le monde hors ligne. Mais l’IA est une couche plus profonde. Elle n’étend pas simplement l’espace dans lequel les humains peuvent exprimer et développer leur créativité, comme l’a fait le web : elle étend la créativité elle-même.

Développons cette idée en revenant à l’enseignement supérieur : le web a offert aux étudiants un accès à de nouveaux types de ressources pour apprendre, ce qui leur a facilité le développement de la compétence correspondante. L’IA va beaucoup plus loin : elle peut générer en quelques minutes ce qu’un étudiant compétent aurait créé en plusieurs heures ou en plusieurs jours. Il ne s’agit pas d’offrir davantage d’espace pour l’expression, ni de connecter des espaces. Il s’agit de modifier fondamentalement le sens de « s’exprimer ».

On peut alors légitimement se demander : quelle est la valeur, pour un étudiant, d’apprendre et d’acquérir la compétence ? Cette question n’avait pas été ouverte d’une manière aussi radicale par l’émergence du web.

Un choc large : le web et l’IA se ressemblent-ils ?

On peut dire que le web est une technologie très « large » : il touche à tout, en particulier depuis que nous logeons une si grande partie de nos vies personnelles et professionnelles dans les smartphones que nous portons avec nous toute la journée. Mais là encore, l’IA est « large » à un niveau plus fondamental.

Les LLMs ont la capacité d’émuler tout ce que nous leur demandons d’être. De la même façon qu’il existe un écart conceptuel entre les appareils numériques et les mécanismes analogiques, les LLMs introduisent un nouvel écart qui les distingue des appareils numériques « traditionnels ».

Les LLMs restent bien sûr des logiciels. Mais le service qu’ils fournissent n’est pas assimilable à un logiciel qui se contente de suivre une série prédéfinie d’instructions (l’argument est développé ici). Ils peuvent au contraire être utilisés pour n’importe quel objectif que nous leur assignons au moment de l’usage : expliquer un concept de n’importe quel domaine à des étudiants de licence ou à des doctorants, par exemple ; aider un professeur à créer le contenu d’un cours ; ou aider des responsables de programme à passer en revue des curricula entiers.

L’IA est en ce sens un choc « plus large » que le web : le web a eu un impact large, mais l’IA est plus large encore parce qu’elle est une sorte de dispositif de pensée presque omnipotent.

Un choc systémique : le web et l’IA se ressemblent-ils ?

Le développement d’Internet et du web à grande échelle a eu des conséquences environnementales, géopolitiques et sociétales profondes (voir par exemple a, b, c). Pourtant, il semble que l’IA ait des effets encore plus conséquents.

Développer et faire fonctionner des modèles d’IA nécessite des data centers consommant de grandes quantités d’électricité, de minerais critiques et d’eau. Les capacités de data centers prévues pour la prochaine décennie pour l’IA sont largement discutées comme pouvant poser un risque de pénurie pour d’autres usages.

Les modèles d’IA pourraient aussi créer du chômage chez les cols blancs, et également chez les cols bleus lorsque ces modèles d’IA sont utilisés pour augmenter des robots dotés de comportements intelligents, capables de faire mieux et moins cher que des opérateurs humains — chauffeurs de taxi, ouvriers d’usine, …

Internet et le web ne fonctionnent pas dans un cloud (nuage) littéral, et l’accès à Internet et au web n’est certainement pas gratuit. Internet repose sur une infrastructure physique de data centers, câbles, satellites, fournisseurs d’accès, autorités locales et globales… et tout cela continue d’exiger des investissements massifs et des coûts de maintenance de la part des écoles, dans ce que l’on appelait la « transformation digitale », une transformation qui semble ne jamais arriver à son terme.

Là encore, l’IA semble suivre la même logique, mais à une échelle supérieure. Pour rembourser leurs investissements dans l’entraînement des modèles et la construction d’infrastructures, OpenAI et quelques autres acteurs majeurs de l’IA générative ont commencé à proposer des services par abonnement allant de plans gratuits à quelques centaines de dollars par mois et par individu. Avec l’accélération du rythme de dépense de ces grands acteurs, et avec la multiplication de services d’IA sophistiqués, on peut s’attendre à ce que l’IA constitute un nouveau poste de dépenses significatives pour les écoles.

NB : certes, les open-weight models peuvent être acquis gratuitement et exécutés en local, mais ils tendent à être associés à leurs propres coûts spécifiques et significatifs, notamment le coût total de possession de l’infrastructure IT nécessaire pour faire tourner ces modèles et les ressources humaines chargées de l’installation, de la maintenance, de la sécurité, de l’onboarding des utilisateurs, etc.

Alors qu’Internet reste relativement ouvert à travers la plupart des frontières — avec des réserves majeures : voir la Chine, la Russie, etc. [Martel, 2015] —, les services d’IA sont créés et distribués depuis deux régions principales : les États-Unis et la Chine. La sortie puis l’arrêt rapide de Fable 5 par Anthropic en juin 2026, à la suite d’une directive du gouvernement américain demandant à Anthropic de restreindre l’accès aux citoyens non américains, donne aux dynamiques d’accès aux services d’IA de pointe une tonalité très différente de l’expansion ouverte des débuts du web.

L’Europe compte des acteurs crédibles dans l’IA, notamment Mistral AI pour les modèles de langage et Black Forest Labs pour l’intelligence visuelle. Mais l’écosystème de l’IA de pointe reste beaucoup plus concentré aux États-Unis et en Chine que ne l’a jamais été le web ouvert. Cela crée un risque de dépendance pour les écoles et universités européennes.

Les modèles d’IA augmentent aussi le potentiel de coûts et pertes dans les cyberattaques ou dans la conception d’armes biologiques (Suleyman, 2024). Enfin, l’IA est considérée par certains comme posant un risque existentiel pour l’humanité elle-même, dans des scénarios plausibles de perte de contrôle, de mauvaise utilisation ou d’objectifs mal alignés (Hinton, 2025, AI Statement).

Le web, même s’il n’a pas été une innovation calme et tranquille, n’a certainement jamais atteint ce niveau de risque systémique.

Choc rapide : le web et l’IA se ressemblent-ils ?

L’adoption des technologies web a été relativement « rapide » à l’échelle historique, au sens où il a fallu environ deux à trois décennies pour que l’usage du web devienne largement répandu après l’émergence du premier navigateur web. Par contraste, selon les données de Sensor Tower rapportées par Reuters, l’application ChatGPT a atteint 1 milliard d’utilisateurs actifs mensuels dans le monde environ trois ans après la sortie de ChatGPT en novembre 2022.

Conclusion

Dans l’enseignement supérieur, il y a certainement du vrai dans le Gartner Hype Cycle : lorsque des chocs technologiques se produisent, un pic d’attentes exagérées se forme rapidement ; puis la poussière retombe, et un plateau de productivité est atteint, où universités et écoles absorbent l’innovation tandis que leurs caractéristiques fondamentales, vieilles de plusieurs siècles, restent complètement intactes :

source : le Gartner Hype Cycle

Peut-être que l’IA sera de même nature.

Cela signifierait que dans 10 ans, en suivant le playbook de ce qui s’est produit avec les précédents chocs technologiques dans l’enseignement supérieur, on pourrait s’attendre à :

• des « experts en création visuelle par IA » dans les écoles d’art,
• des programmes « IA pour la finance » dans les business schools,
• des systèmes de planification augmentés par IA utilisés couramment par les équipes chargées de planification,
• des avatars IA faisant le travail des conseillers admissions,

… et un-e professeur humain enseignant toujours à des étudiants humains, exactement comme cela se fait depuis des siècles.

Mais nous avons établi plus haut que l’IA ne peut pas être comparée aux précédents chocs technologiques. Elle est plus profonde, plus large et plus rapide, et ses effets systémiques sont beaucoup plus importants.

Pour cette raison, et c’est là que je veux m’arrêter : nous ne pouvons pas supposer sans risque que l’IA sera aussi « inoffensive » que le web et les autres chocs technologiques ayant affecté l’enseignement supérieur au cours des dernières décennies.

À partir de là, nous pouvons entreprendre l’étude des contours de cet impact. Ce sera pour le prochain post !

À propos de moi

Je suis enseignant-chercheur et développeur indépendant d’applications web. J’ai créé nocode functions, un outil point-and-click pour explorer des textes et des réseaux. Essayez-le et dites-moi ce que vous en pensez. Vos retours m’intéressent beaucoup !

• Email : analysis@exploreyourdata.com
• Bluesky : @seinecle
• Blog : Lire d’autres articles sur le développement d’applications et l’exploration de données.