L'intelligence artificielle (IA) transforme rapidement les industries, et l'enseignement supérieur ainsi que la recherche ne font pas exception. Pourtant, au sein des universités et de la communauté de recherche au sens large, des normes claires sur l'intégration de l'IA dans le travail académique sont encore en développement. Les étudiants s'appuient de plus en plus sur des outils d'IA pour les revues de littérature, la rédaction d'articles et d'autres tâches liées à la recherche. Si la technologie offre de nouvelles opportunités d'apprentissage sous divers aspects, l'absence de lignes directrices universelles et claires pour son déploiement soulève des questions sur l'intégrité académique et les standards éducatifs entre universités.
Conscients de la pertinence du sujet, des étudiants du Master en Strategy and International Management (SIM) de l'Université de Saint‑Gallen ont lancé une initiative de recherche visant à évaluer les meilleures pratiques d'utilisation de l'IA dans l'enseignement du management. Le projet a commencé par trois posters de recherche analysant les lignes directrices existantes, suivi d'une présentation centrée sur une question de recherche issue des constats des posters. Dans une étape finale, un article académique synthétisera les enseignements recueillis au cours des différentes phases. Afin de rendre les résultats accessibles à un public académique plus large, une équipe de communication dédiée partage les conclusions via plusieurs canaux. Ce billet de blog décrit l'état actuel du projet et présente les principales conclusions et implications.
Contexte
Les posters de recherche soulignent à la fois les bénéfices potentiels et les défis critiques liés à l'intégration de l'IA dans l'enseignement du management. D'une part, les outils d'IA peuvent améliorer la productivité des étudiants, l'apprentissage personnalisé ainsi que le développement des capacités cognitives (Çela et al., 2024 ; Wang et al., 2024). D'autre part, des inquiétudes subsistent quant à un recours excessif à l'IA, susceptible d'entraîner une dépendance, une baisse de la créativité et un affaiblissement des compétences en résolution de problèmes (Zhang et al., 2024 ; Ahmad et al., 2023).
Pour naviguer entre bénéfices et risques, les étudiant·e·s chercheurs·euses insistent sur la nécessité d'une approche stratégique et équilibrée. L'IA doit compléter — et non remplacer — le rôle des enseignant·e·s. Une mise en œuvre progressive, soutenue par un accompagnement et une flexibilité, s'avère essentielle pour tirer parti des bénéfices de l'IA tout en en limitant les risques. Comme principe directeur, un groupe recommande l'application du cadre SMART pour une intégration responsable de l'IA dans l'enseignement du management. Ce cadre encourage les enseignant·e·s à :
· Commencer petit et monter en échelle avec prudence (Vashita et al., 2023)
· Maintenir un apprentissage centré sur l'humain (Nanyang Technological University, 2024)
· Évaluer les productions de l'IA (ESMT Berlin, 2024)
· Affiner le contenu des cours (IMD Business School, 2024)
· Former et développer la culture de l'IA (MIT Sloan School of Management, 2024)
Avec l'émergence de la culture de l'IA comme priorité éducative, les universités développent des cours et formations pour aider étudiants et chercheurs à mieux maîtriser les outils d'IA (McDonald et al., 2025). Toutefois, le degré de mise en œuvre de l'IA varie largement entre les universités suisses. Certaines institutions ont établi des politiques fortes et centralisées, tandis que d'autres en sont encore à l'étape de développement. Pour approfondir cette disparité et comprendre comment les structures de politique soutiennent ou entravent l'adoption responsable de l'IA par les enseignant·e·s, le groupe de présentation a formulé une question de recherche centrale : « Dans quelle mesure le degré de centralisation des politiques affecte‑t‑il l'habilitation des enseignant·e·s universitaires à utiliser l'IA ? ».
État actuel et analyse
Pour explorer cette question centrale, les étudiant·e·s ont développé un cadre conceptuel appelé la matrice d'habilitation à l'IA (AI enablement matrix). Cet outil vise à évaluer l'alignement entre les politiques d'IA des institutions et les capacités des enseignant·e·s afin de combler l'écart entre la conception de politiques au niveau institutionnel et le comportement des enseignant·e·s en première ligne.
La matrice positionne les établissements d'enseignement selon deux dimensions. L'axe des x analyse le degré de centralisation de la politique d'IA. À une extrémité, la centralisation totale signifie une politique unique, valable pour toute l'université, régissant l'usage des outils d'IA. À l'autre extrémité, une approche décentralisée donne aux membres du corps enseignant la liberté de définir leur propre usage de l'IA, leurs lignes directrices et leurs pratiques pédagogiques. L'axe des y cartographie les capacités des enseignant·e·s en matière d'IA. Des capacités élevées indiquent une bonne compréhension de la manière d'exploiter les outils d'IA de façon responsable et de les intégrer efficacement dans l'enseignement. Des capacités faibles suggèrent un manque de sensibilisation ou de compétences, impliquant que les enseignant·e·s risquent de mal utiliser ou de sous‑utiliser les outils d'IA. En combinant les deux dimensions, la matrice identifie quatre quadrants distincts de stratégies de mise en œuvre.
Top‑down Enablement décrit des politiques centralisées avec des enseignant·e·s très compétent·e·s. Cette stratégie permet à des personnes hautement qualifiées de développer des bonnes pratiques uniformes pour accroître l'efficacité organisationnelle. Cependant, une centralisation accrue peut freiner l'apprentissage organisationnel et provoquer de la frustration parmi le corps enseignant en raison d'une flexibilité limitée.
Policy‑driven Innovation combine des politiques fortement centralisées avec des enseignant·e·s aux capacités limitées en IA. Si cette approche réduit le risque d'utilisation abusive et de non‑conformité, elle peut entraîner des coûts d'information plus élevés à l'échelle de l'institution.
Empowered Innovation désigne des politiques décentralisées avec des enseignant·e·s très compétent·e·s. Ce dispositif réduit les ressources administratives et favorise l'autonomie des enseignant·e·s, mais il augmente le risque de conduites potentiellement illégales ou contraires à l'éthique liées à l'IA.
Unstructured Uncertainty implique des politiques décentralisées avec des enseignant·e·s aux capacités faibles. Bien que cette stratégie favorise l'apprentissage organisationnel tout en utilisant peu de ressources administratives, le risque de conduites illégales ou non éthiques est plus élevé que dans le quadrant Empowered Innovation.
Sur la base des avantages et risques observés dans les différents quadrants, le groupe de recherche a formulé deux hypothèses concernant les orientations futures de la gouvernance de l'IA dans les établissements d'enseignement.
Hypothèses
1. Les politiques décentralisées ne peuvent être efficaces que si les enseignant·e·s possèdent de fortes capacités individuelles en IA.
Cette hypothèse implique la nécessité de formations régulières et d'enseignements pour les enseignant·e·s ainsi que de mécanismes de supervision générale pour identifier les bonnes pratiques et assurer la responsabilité. De plus, des expert·e·s en IA au sein des départements devraient être identifiés pour agir comme partenaires de conseil pour les enseignant·e·s ayant des capacités moindres en IA.
2. Lorsque les capacités en IA des enseignant·e·s sont faibles, la centralisation devient essentielle pour éviter les abus et garantir la conformité éthique.
Cette stratégie impliquerait l'application d'une politique centrale avec des règles claires sur ce qu'il faut faire et ne pas faire en matière d'éthique, d'intégrité académique et de conformité légale. En outre, les enseignant·e·s devraient être encouragé·e·s à contribuer et à proposer des idées pour améliorer les lignes directrices centrales, et des formations devraient être proposées dans le cadre de la politique centrale.
Lors de la prochaine phase du projet, un autre groupe d'étudiant·e·s évaluera et testera ces deux hypothèses afin d'analyser leur application actuelle dans la pratique et leurs implications pour l'élaboration de politiques au sein des établissements d'enseignement.