Au-delà des ateliers génériques : comment l'approche « juste-à-temps » renouvelle la formation à l'IA à l'université

La déferlante de l'intelligence artificielle générative (IAG) dans l'enseignement supérieur a pris de court bon nombre d'institutions. Face à l'urgence, la réponse des universités s'est souvent scindée en deux approches polarisées : d'un côté, des webinaires de sensibilisation très généraux, survolant l'ingénierie de requêtes (prompting) ; de l'autre, des cours techniques ultra-spécialisés réservés aux étudiants en informatique. Entre ces deux extrêmes, une immense majorité d'étudiants et d'enseignants issus des sciences humaines, de la santé ou des arts reste sur sa faim, incapable d'appliquer concrètement ces outils à leurs problématiques spécifiques.

C'est dans cette brèche que s'insère le projet expérimental « LearnAI », formalisé dans une publication préliminaire hébergée sur la plateforme de prépublication arXiv. Ce dispositif propose un modèle d'accompagnement hybride et transversal, pensé pour être déployé « juste-à-temps » au sein même des différentes disciplines. Alors que les établissements francophones cherchent des voies d'intégration concrètes et peu coûteuses, cette expérimentation offre des pistes stimulantes, tout en soulevant d'importantes questions méthodologiques propres aux recherches non encore évaluées par les pairs.

Le modèle LearnAI : une structure à double niveau

Pour surmonter le manque d'intérêt ou le sentiment d'illégitimité des étudiants non technophiles, le cadre LearnAI repose sur une architecture à deux vitesses, conçue pour capter l'attention de l'apprenant là où il se trouve et au moment où il en a besoin.

Le premier niveau, baptisé « Wide-Exposure Layer » (couche de large diffusion), consiste à intégrer de brèves interventions directement au sein de cours existants, toutes disciplines confondues. Plutôt que de contraindre les étudiants à s'inscrire à un module optionnel supplémentaire, les formateurs s'invitent dans les cursus de sociologie, de design ou de biologie pour y présenter des cas d'usage de l'IAG directement liés à la matière enseignée. Cette approche permet de normaliser l'usage de l'IA, de désacraliser la technologie et de susciter une prise de conscience globale.

Le second niveau, la « Customized Co-Creation Layer » (couche de co-création personnalisée), propose un accompagnement individuel à la demande. Les étudiants ou les enseignants qui souhaitent approfondir un projet spécifique peuvent solliciter des sessions de travail individuelles. L'originalité de ce niveau repose sur le fait que ces consultations ne sont pas animées par des experts chevronnés ou des professeurs d'informatique, mais par des étudiants de premier cycle préalablement formés au rôle de tuteurs.

Le tutorat par les pairs comme moteur de l'accessibilité

Cette stratégie s'appuie sur le concept éprouvé d'apprentissage par les pairs. En confiant le rôle de facilitateurs à des étudiants formés, LearnAI lève un biais d'intimidation majeur. Un étudiant en histoire de l'art sera plus enclin à exposer ses difficultés et ses tâtonnements face à un pair qu'en face d'un expert technique.

Les tuteurs ne codent pas à la place de l'usager. Leur rôle consiste à co-créer des solutions, à structurer la pensée logique et à guider l'utilisation d'outils d'IAG « sans code » (no-code) pour résoudre des problèmes complexes. Cette approche rejoint les recommandations de l'UNESCO sur l'importance de placer l'humain et l'esprit critique au centre des usages technologiques en classe. Elle permet aux utilisateurs non-codeurs de dépasser le rôle de simples spectateurs de la révolution technologique pour en devenir des acteurs critiques et créatifs.

Analyse critique et limites méthodologiques : l'enjeu du preprint

Bien que séduisante sur le papier, cette initiative doit être analysée avec la rigueur journalistique qui s'impose. Le document de recherche décrivant LearnAI est un rapport d'expérience diffusé sous forme de preprint. Cela signifie qu'il n'a pas encore subi l'évaluation rigoureuse par un comité de lecture indépendant (peer-review).

Plusieurs zones d'ombre nécessitent une prudence de lecture :

• L'absence de données longitudinales : L'impact à long terme de ce type d'accompagnement sur la réussite académique ou l'insertion professionnelle reste à prouver.


• Le biais de volontariat : La couche de co-création personnalisée repose sur une démarche d'inscription volontaire (opt-in). Il est fort probable que les usagers y ayant recours soient déjà les plus motivés ou les plus à l'aise avec les technologies, ce qui peut accentuer le fossé numérique au sein de l'établissement.


• La transférabilité financière : Bien que l'utilisation de tuteurs étudiants soit plus économique que le recrutement de consultants, elle nécessite néanmoins une infrastructure de formation et de coordination rigoureuse dont le coût réel n'est pas détaillé.

Enseignements et transférabilité pour l'espace francophone

Pour les universités et grandes écoles en France, en Belgique, en Suisse ou au Québec, le cadre LearnAI apporte une brique conceptuelle précieuse au moment où les ministères de l'Enseignement supérieur incitent à une accélération des formations à l'IA.

Voici comment les équipes éducatives peuvent s'en inspirer :
1. Décloisonner les services d'appui pédagogique : Au lieu de centraliser l'IA au sein des départements d'informatique, les ingénieurs pédagogiques peuvent s'allier aux bibliothèques universitaires ou aux services de réussite étudiante pour créer des guichets uniques d'aide à la co-création avec l'IA.
2. Valoriser l'engagement étudiant : Mettre en place des programmes de tutorat IA rémunérés ou crédités (via des ECTS) pour des étudiants issus de toutes les facultés, afin qu'ils puissent accompagner leurs pairs.
3. Préférer le micro-apprentissage contextuel aux cours magistraux : Intervenir durant 15 à 30 minutes au sein d'un cours disciplinaire classique pour montrer comment l'IA peut aider à analyser un texte, à structurer une base de données biologique ou à générer des maquettes graphiques s'avère bien plus efficace pour déclencher l'usage qu'un cours théorique de trois heures.

En définitive, le modèle proposé par LearnAI rappelle que la véritable démocratisation de l'intelligence artificielle à l'université ne se jouera pas sur la puissance des serveurs ou la complexité des algorithmes enseignés, mais sur la capacité des institutions à créer des espaces d'échanges simples, humains et ancrés dans le quotidien de chaque discipline.