Publié le : 14/11/2026

Temps de lecture : 0 minutes

Thomas Sartori est le CEO de Raison, une EdTech qui propose des assistants pédagogiques IA intégrés directement aux LMS pour simplifier l’enseignement et améliorer l’apprentissage.

De manière générale, ce que nous proposons avec la solution Raison est une institutionnalisation de l’IA dans l’ESR ; à l’heure où l’usage par les étudiants est déjà massif (> 90%) et se fait dans un cadre qui échappe totalement à tout cadre académique, sur des plateformes commerciales souvent étasuniennes, sur lesquelles les étudiants transfèrent déjà massivement le contenu des professeurs.

Concrètement, l’AI Act classe les systèmes d’IA pédagogiques en risque limité, ce qui implique principalement des obligations de transparence : l’apprenant doit savoir qu’il interagit avec une IA, et celle-ci ne peut ni le flatter ni le manipuler. Chez Raison, c’est un principe de conception depuis le premier jour, pleinement aligné avec le fait que l’IA est un outil et non un équivalent humain. En pratique :

• Le tuteur se présente toujours comme une IA, et il est conçu pour guider le raisonnement / évaluer les compétences / donner accès aux sources du professeur plutôt que pour donner la réponse
• Sur l’infrastructure, nous offrons différents choix à nos clients (Azure en France, Scaleway en France + des options on-premise/ »bring your own cloud » en cours de développement)

Les êtres humains échangent des connaissances et partagent des savoirs depuis plus de 1.3 millions d’années, et il n’y a aucune raison que cela change en moins de 4 ans avec l’avènement de l’IA générative : voici la pierre angulaire de l’engagement éthique de Raison.

Très concrètement :

• Notre mission est d’aider les êtres humains à apprendre et échanger, ainsi qu’à se sentir confiants et capables dans le monde qui vient
• Cela implique que tous nos produits, à commencer par notre plate-forme d’apprentissage IA pour l’ESR, gardent les « humains sachants » (professeurs/formateurs) au centre du processus d’apprentissage. Cela implique notamment que le contenu et la méthode pédagogique restent les-leurs, et qu’un humain soit toujours en contrôle des agents IA
• Cela implique également que nos agents (enfin, ceux créés par les professeurs sur la plate-forme) poussent toujours les « humains apprenants » (étudiants/apprenants) à raisonner par eux-mêmes plutôt qu’à sombrer dans une forme de paresse cognitive

Les assistants Raison fonctionnent principalement sur un mode socratique, avec commentaires détaillés des réponses de l’étudiant ainsi que recours systématique aux sources de cours. Ces éléments permettent une prise de recul critique, à la fois sur le cours, sur les méthodes d’apprentissages de chacun et sur l’utilisation de l’outil IA.

De manière générale nous pensons que d’ici quelques années, la plupart des établissements de l’ESR se seront dotés de leur « IA officielle », permettant à tous les étudiants de bénéficier d’un apprentissage personnalisé et flexible, sous contrôle de l’établissement et des enseignants. Comme indiqué au-dessus, cette IA sera probablement une agrégation d’agents IA spécifiques, créés par chaque professeur, respectant la pédagogie, le contenu et les limites de chacun; et ne remplaçant jamais les cours entre humains.

Dès lors, la vision de Raison est que chaque étudiant aura accès à ce medium IA supplémentaire, à la fois disponible et exigeant, apte à l’aide personnalisée et à la prise de recul, permettant de continuer « d’apprendre à apprendre ».

Nous sommes convaincus que la frontière entre la formation initiale et la formation continue va continuer à s’estomper dans les années à venir, car la frontière entre les compétences des humains et celles des machines va sans cesse bouger. Dès lors, nous pensons que de plus en plus de femmes et d’hommes décideront de se former tout au long de leur vie, de manière formelle (en retournant sur les bancs de l’université) ou informelle, par choix (apprendre pour le plaisir) ou par nécessité (apprendre pour pouvoir exercer un nouveau métier).

Cette tendance est déjà visible sur le segment de la formation professionnelle, où les besoins sont immenses, notamment sur la formation à l’utilisation des outils IA, qui est peut-être déjà la compétence-clé nécessaire pour exercer de nombreux emplois (cadres mais pas que). Le récent succès de Mister IA (10m€ de CA cumulé en moins de 3 ans) le prouve, et nous pensons que des agents IA pédagogiques peuvent en effet être un excellent moyen concret de se former à l’IA de manière moderne et évolutive, tout en gardant un recul critique nécessaire à l’exercice d’un métier sous-jacent à fort niveau d’exigence (médecine, droit, développement informatique, ingénierie, comptabilité).

Ces chantiers sont au cœur de notre mission, et notre récente levée de fonds nous permet de commencer à les adresser dès aujourd’hui; avec d’ailleurs un continuum très intéressant avec ce que nous développons dans l’ESR.

Envie de découvrir d’autres articles sur l’enseignement supérieur et la EdTech ? Rendez-vous sur le Blog des Robots !

Envie de découvrir d’autres articles sur l’enseignement supérieur et la EdTech ? Rendez-vous sur le Blog des Robots !

Publié le : 14/11/2026

Temps de lecture : 0 minutes

Alors que plus de 85% des étudiants déclarent utiliser l’IA (source enquête CGE 2025), la question qui se pose à nous, et par conséquent aux Robots, est la suivante : qu’allons-nous faire de nos outils IA, maintenant que les Agents IA en ont pris le contrôle ? On peut même se demander si nous n’avons pas perdu notre temps à essayer d’en gagner en adoptant des outils trop vite obsolètes.

En quelques mois, nous sommes passés de l’ère du « Chatbot » à l’ère de l’IA agentique avec des systèmes capables de planifier des tâches complexes, d’utiliser des outils externes et d’agir de manière semi-autonome pour soutenir l’apprentissage et la recherche. Une nouvelle révolution débute, à peine avions-nous accepté la précédente !

Une étude publiée par le Stanford University SALT Lab révèle que les humains souhaitent majoritairement un partenariat équitable.

Source : Future of Work with AI Agents, Stanford University Social and Language Technologies Lab

Alors quelles règles faut-il suivre pour réussir à maintenir ce fragile équilibre ?

• Avant tout, on s’accordera à préserver le rôle clé attribué à l’humain : la prise de décision finale. Ainsi, l’agent ne doit jamais prendre de décision finale (notation, admission) sans validation humaine. Il doit agir comme un copilote, augmentant la capacité de l’enseignant sans le remplacer.
• Autre principe majeur tant pour les enseignants que pour tous, on ne définit pas l’outil avant l’objectif. Autrement dit, s’il s’agit par exemple d’imaginer un agent d’aide à la rédaction, l’agent IA doit être configuré pour critiquer le plan de l’étudiant et non pour écrire à sa place.
• Le respect de l’IA Act exige transparence et explicabilité. Son article 50 impose notamment d’informer les personnes quand elles interagissent avec une IA et de signaler les contenus manipulés par l’IA. Là encore, il faut fixer des règles claires sur l’intégrité académique et l’utilisation des données.
• Les établissements peuvent proposer des cursus intégrant la littératie en IA, qui inclut aussi la compréhension de ses limites, de ses biais, de ses impacts et des bons usages selon le contexte. En effet, les étudiants, mais aussi les enseignants, doivent développer leur capacité à comprendre, utiliser et évaluer de façon critique les systèmes d’intelligence artificielle. Il ne s’agit plus d’une option.
• Enfin, l’enjeu relatif aux données doit être réévalué. Anonymiser et veiller à respecter des critères stricts d’inclusion doit être une exigence incontournable pour tout ce qui relève de l’éducation des futures générations.

Dans ces conditions, on comprend que nombre de métiers sont déjà touchés par l’arrivée des agents IA. Les enseignants et les personnels constatent déjà des impacts forts sur les tâches routinières et les flux de travail. L’intelligence artificielle change la façon dont les personnels répartissent leur temps. Cela pousse les établissements à repenser les rôles et la charge de travail de chacun. Les gouvernances doivent alors accompagner les enseignants et les personnels par la formation. Nous en sommes aujourd’hui à apprendre comment l’automatisation opérationnelle peut libérer du temps et fluidifier le travail collectif au sein des établissements. Des agents IA orientés opérations, qui automatisent de longs flux d’emails ou de gestion administrative, montrent déjà comment réduire le temps de traitement des tâches répétitives. Ce temps libéré est une opportunité réelle, mais encore faut-il savoir quoi en faire. La question de savoir à quoi et à qui ce temps profite reste ouverte, et c’est précisément aux gouvernances de s’en emparer.

Un autre enjeu majeur en faveur de l’adoption rapide des agents IA, est celui de l’amélioration de l’expérience étudiante.

Il semble que les agents IA offrent des cas d’utilisation clairs qui améliorent directement les résultats des étudiants. Le tutorat personnalisé qui s’adapte aux besoins des étudiants et fournit des exercices ciblés en est un exemple. Les revues de littérature automatisées qui accélèrent la recherche et libèrent du temps pour l’analyse en est un autre. Par ailleurs, certains outils de conception de cursus suggèrent des mises à jour basées sur la littérature récente et les retours étudiants, pour une meilleure personnalisation. En bref, les agents dans l’enseignement supérieur sont des assistants pratiques pour l’enseignement comme pour la recherche.

Côté recherche, des assistants de recherche multi-agents effectuent des recherches bibliographiques et synthétisent les résultats. Un dispositif d’automatisation ciblée facilitant l’indispensable travail de veille fait ainsi gagner un temps précieux aux doctorants comme aux chercheurs qui peuvent par exemple recevoir chaque matin un e-mail contenant les recherches effectuées par leur agent.

Pour autant, et à mesure que les agents IA se perfectionnent et se spécialisent, on observe en 2026, un début de convergence : les ingénieurs sont formés à l’éthique des algorithmes (empruntant aux SHS), tandis que les étudiants en SHS apprennent les bases de la logique computationnelle pour ne pas être « subis » par les outils qu’ils utilisent.

Les exemples rencontrés par les Robots montrent en définitive que l’IA et ses agents, qui constituent une forme de personnification de l’IA, ne conduisent en rien à une uniformisation des modèles ni des structures d’enseignement. C’est sans nul doute une angoisse persistante de l’humain face aux machines, déjouée aujourd’hui par de très nombreux établissements du supérieur. Les Robots vous proposent quelques exemples intéressants à suivre de près.

1 – Le modèle de la « plateforme souveraine » de University of Michigan (États-Unis)

L’Université du Michigan (U-M) a fait le choix de construire sa propre infrastructure et d’y héberger différents modèles d’IA pour les rendre accessibles à ses étudiants, enseignants et personnels.

• L’outil phare : U-M Maizey. C’est un agent IA « no-code » mis à disposition de l’ensemble de la communauté (enseignants, personnels et étudiants).
• Fonctionnement : un professeur de droit peut, en quelques clics, « nourrir » son instance Maizey avec 20 ans d’archives de jurisprudence spécifique. L’agent devient alors un expert du corpus de ce cours précis, évitant les hallucinations basées sur des données externes généralistes.

Résultat : En 2026, Maizey est utilisé pour créer des assistants de recherche personnalisés pour les doctorants, capables de surveiller la publication de nouveaux articles dans leur niche et d’en faire un résumé critique chaque matin.

2 – Le modèle de la « pédagogie à deux voies » proposé par University of Sydney (Australie)

Face à l’omniprésence des agents, l’université de Sydney a radicalement transformé son système d’évaluation avec l’approche « Two-Lane Assessment » (pédagogie à deux voies).

• Voie 1 (sécurisée) : examens en présentiel, sans IA ou avec une IA très contrôlée, pour vérifier l’acquisition des connaissances fondamentales (le « socle »).
• Voie 2 (ouverte & agentique) : les étudiants sont encouragés à utiliser des essaims d’agents (swarms) pour résoudre des problèmes complexes.

Cas pratique en business : Les étudiants interagissent avec une simulation composée de plusieurs agents représentant différents « stakeholders » (un client difficile, un directeur financier rigide, un ingénieur technique). L’étudiant doit naviguer entre ces agents IA, chacun ayant des objectifs contradictoires, pour faire avancer son projet. L’évaluation porte sur la capacité de l’étudiant à orchestrer ces interactions.

3 – Le modèle du « tuteur adaptatif national » fournit par l’Université de Singapour (NUS)

Singapour traite l’IA comme une infrastructure publique. Leur système Adaptive Learning System (ALS) a évolué en 2026 pour devenir un réseau d’agents tuteurs.

• Feedback hyper-personnalisé : l’agent « annotated feedback assistant » analyse les copies de mathématiques ou de langues non pas pour donner une note, mais pour identifier le « blocage conceptuel » précis de l’étudiant.
• Le passage de témoin : si l’agent IA détecte qu’un groupe d’étudiants bute sur le même concept après trois tentatives, il génère automatiquement une alerte à l’enseignant humain avec un résumé des erreurs types, permettant au professeur de faire une intervention « chirurgicale » en classe le lendemain.

Ces exemples divers montrent que de nombreuses routes se dessinent pour l’adaptation des pédagogies aux nouveaux outils, désormais devenus de véritables assistants. Partout dans le monde, des voies nouvelles nous dirigent vers la connaissance et l’apprentissage de compétences plus complexes. Les agents IA vont-ils accélérer nos trajectoires sans nous dévier de la réalité des savoirs ? Comment les intégrer sans renoncer au contrôle humain ou à l’esprit critique, autant d’atouts dont sont pourvus tous les acteurs du monde académique, tous les chercheurs et idéalement, tous les
apprenants ?

En définitive, la découverte des agents IA est seulement le début d’un long voyage. Pour l’instant, nous sommes encore aux commandes du vaisseau. A nous de rester maîtres à bord et de conserver les fonctions cognitives essentielles à notre humanité, en les transmettant aux prochaines générations.

Évitons donc ensemble que ce ne soient les agents IA qui remettent notre monde en question !

Envie de découvrir d’autres articles sur l’enseignement supérieur et la EdTech ? Rendez-vous sur le Blog des Robots !

Publié le : 14/11/2026

Temps de lecture : 0 minutes

Stéphane Ureña est le cofondateur et CEO de Semantikmatch, une plateforme d’IA de confiance qui transforme les processus d’évaluation au sein de l’enseignement supérieur, de l’admissions à l’évaluation. Il a précédemment occupé le poste de Chief Data and AI Officer à l’ESSEC Business School. Il est diplômé de Sciences Po Paris, de l’ENSAE Paris et de l’EDHEC Business School. Son travail se concentre sur l’application de l’IA pour améliorer la performance, l’équité et la transparence des décisions académiques.

Un agent IA permet d’améliorer l’évaluation sur quatre dimensions principales : la cohérence, la scalabilité, l’équité et la traçabilité.

Contrairement à un humain, il applique strictement des critères définis (si bien calibrés, ce qui requiert d’effectuer des mesures que l’on nomme benchmarks), avec une variabilité davantage maîtrisée (du fait de facteurs tels que la fatigue ou le contexte). Il peut aussi traiter un volume très élevé de dossiers ou de copies en un temps réduit, tout en maintenant une qualité constante. Des entreprises comme Semantikmatch sont en mesure de traiter 10 000 dossiers de candidatures en une demi-journée alors que cela nécessiterait 3 personnes à temps plein sur plusieurs semaines dans un contexte d’évaluation en phase d’admission par exemple.

Par ailleurs, configuré par des experts, il est possible de réduire le risque de biais liés aux genres, à l’origine ou l’âge, en appliquant des techniques de minimisation de l’information transmise à un agent, tout en contrôlant que le pipeline agentique ne génère pas lui-même de biais significatifs. Cela apporte un surplus d’égalité des chances dans le traitement (fondamental dans un contexte d’admissions ou de traitements à haut risque au sens de la réglementation européenne sur l’IA (ou « AI Act » en anglais). Enfin, chaque décision peut être documentée, expliquée et auditée, ce qui est particulièrement clé dans le contexte réglementaire européen (obligations imposées par l’AI Act).

Non, et ce n’est ni souhaitable ni réaliste à moyen terme.

L’IA est un outil d’aide à la décision, pas un substitut complet à la responsabilité académique. L’attribution d’un diplôme reste une décision institutionnelle engageante, qui doit conserver une supervision humaine. En revanche, les agents IA peuvent jouer un rôle central dans la préparation de cette décision (analyse des performances, détection d’incohérences, recommandations), ce qui permet aux enseignants de se concentrer sur les cas complexes et à forte valeur pédagogique. En revanche, pour certains cas d’usage plus « administratifs » comme le processus de diplomation, « l’attribution du diplôme », qui nécessite de vérifier qu’un certain nombre de prérequis sont effectivement atteints, un agent IA sera plus efficace qu’un évaluateur humain seul et lui permettra de réaliser cette tâche chronophage avec une plus grande fiabilité et une moindre pénibilité.

Un agent IA peut effectuer des recherches ainsi que générer des explications personnalisées, détaillées et immédiatement disponibles pour chaque étudiant, à tout moment dans son parcours (chose que les évaluateurs humains ne peuvent pas toujours se permettre pour des contraintes de temps).

Là où un enseignant dispose de temps limité, l’IA peut analyser chaque réponse ou dossier en profondeur et fournir un retour structuré : points forts, axes d’amélioration, comparaison avec les attendus, etc. Cela améliore significativement la compréhension par l’apprenant et permet un feedback beaucoup plus granulaire et actionnable, et ce, à tout moment au sein du cycle de vie de l’étudiant. Dans le cadre de nos études de précision (en comparant les évaluations d’agents IA avec des décisions humaines passées), nous avons pu observer, à plusieurs reprises, que les agents IA, configurés de manière à opérer des recherches sur le web (de façon à trouver des informations à jour et sur des sources ciblées), étaient en mesure d’évaluer correctement des candidats, là où des évaluateurs humains, influencés par leur contexte locaux, n’y parvenaient pas. Un cas emblématique : l’évaluation d’expériences professionnelles de candidats internationaux, sous-estimée par manque de connaissance des évaluateurs locaux (de l’importance des entreprises au sein desquelles des candidats ont pu être amenés à évoluer par exemple).

Dans 5 ans, l’agent IA sera l’évaluateur de première ligne pour une large majorité des cas standards (corrections, analyses de dossiers, pré-évaluations). Ce n’est pas une hypothèse, c’est une trajectoire déjà engagée. La vraie question n’est pas « l’humain ou la machine ? » mais « à quoi l’humain va-t-il consacrer son temps libéré ? ». Notre conviction : aux cas complexes, à la relation pédagogique, à la conception des critères d’évaluation eux-mêmes. Une dimension sur laquelle Semantikmatch travaille sur les admissions par exemple consiste à étudier si des critères définis pourraient être discriminants (au-delà du processus d’évaluation même).

L’enseignant, et l’évaluateur plus généralement, devient architecte de l’évaluation plutôt qu’exécutant. C’est une montée en valeur, pas une disparition.  L’IA et des solutions spécialisées pourront l’aider en ce sens.

Notre conviction profonde est que l’enseignement supérieur est le secteur où l’IA peut avoir le plus d’impact structurant aujourd’hui, avec des enjeux réglementaires forts, des décisions à haute responsabilité, et un besoin criant de traçabilité. C’est là que nous mettons toute notre énergie. Certaines briques que nous construisons, telles que l’évaluation, la conformité et l’aide à la décision, auront naturellement des applications dans d’autres secteurs régulés comme le recrutement ou la certification professionnelle.

Mais nous ne nous dispersons pas : nous souhaitons devenir une référence dans l’enseignement supérieur et plusieurs institutions de rang mondial nous font déjà confiance à travers le monde.

Envie de découvrir d’autres articles sur l’enseignement supérieur et la EdTech ? Rendez-vous sur le Blog des Robots !

Les Robots : Utiliser un smartphone ou une tablette pour « faire » de la science physique et des maths, est-ce bien raisonnable ?

Christophe : Oui, et c’est même probablement l’une des évolutions pédagogiques les plus intéressantes de ces dernières années. Un smartphone moderne contient une quantité remarquable d’instruments de mesure : accéléromètre, gyroscope, magnétomètre, microphone, capteur de luminosité, GPS, caméra, etc. Ces composants permettent de mesurer des phénomènes physiques comme le mouvement, le son, la lumière, la pression ou encore le champ magnétique. Autrement dit, chaque élève a aujourd’hui potentiellement dans sa poche un petit laboratoire scientifique.

Mais le smartphone c’est dispose aussi d’une caméra vidéo qui peut enregistrer les mouvements, qui peuvent être analysés image par image pour en déduire la position, la vitesse ou l’accélération, ce que l’on appelle l’analyse cinématique qui est étudiée en classe en 4eme, 3eme et 2nd. Cette même caméra peut etre utilisée pour documenter les expériences.

Enfin tous les smartphones ont une connexion bluetooth et peuvent se connecter à des capteurs externes pour recevoir des informations sur la température, la concentration de CO2, le rayonnement infrarouge ou le pH d’une solution.

Avec FizziQ, notre objectif est précisément de transformer les smartphones en véritables instruments pédagogiques. L’application permet d’enregistrer des données provenant des capteurs internes et externes, de tracer des graphiques, d’analyser des vidéos ou de réaliser des mesures en temps réel pour étudier des phénomènes physiques comme la chute d’un objet, la propagation du son ou les mouvements d’un sportif.

Mais il ne s’agit pas seulement de technologie. Ce qui est essentiel – c’est de rapprocher les sciences du monde réel. Les élèves peuvent expérimenter dans la cour de l’école, à la maison ou sur le terrain. La science cesse d’être seulement abstraite : elle devient observable, mesurable et concrète.

En réalité, utiliser un smartphone pour faire de la science, c’est transformer un objet du quotidien en instrument de connaissance. Et cette transformation est extrêmement puissante sur le plan pédagogique.

Un des atouts de FizziQ est qu’il est gratuit et sans partage de données personnelles. L’application peut être téléchargé puis supprimée librement, aucun login ou mail n’est demandé aux élèves ou enseignants.

Croyez-moi, quand l’enseignant dit aux élèves : « Aujourd’hui on va faire des sciences avec votre smartphones », ils sont à l’écoute !

Les Robots : Votre solution propose un véritable cahier d’expérience. En quoi est-ce un élément majeur de votre approche pédagogique et qu’est-ce que cela change pour l’apprenant ?

Christophe : La plupart des appareils pour enregistrer les données du smartphones sont ce que l’on appelle des data-loggers. Ils enregistrent les informations qui peuvent être transférées sur un autre logiciel comme un tableur par exemple. Un des pionniers a été l’application Phyphox créée par l’université d’Aix la Chapelle en Allemagne.

Nous souhaitions aller beaucoup plus loin. Dans l’enseignement scientifique, l’essentiel n’est pas seulement la mesure, mais la démarche : poser une question, formuler une hypothèse, réaliser une expérience, analyser les résultats et en tirer une conclusion. Cette logique est celle de la méthode scientifique. C’est pour aider l’élève à analyser les données et à les partager que nous avons créé dans FizziQ le cahier d’expérience. Le smartphone s’y prête tout à fait avec son écran tactile, la capacité de dicter et de prendre des photos.

Dans le cahier scientifique numérique, les élèves vont consigner leurs observations, leurs graphiques, leurs photos, leurs calculs et leurs conclusions. Ils peuvent structurer leur raisonnement et documenter tout le processus expérimental. Ce cahier et les mesures peuvent être partagés avec d’autres élèves, ou avec l’enseignant sous forme de PDF, de tableaux, d’images ou même en format Python.

Le cahier d’expérience change profondément la posture de l’élève. Plutôt que d’être uniquement un utilisateur d’un appareil de mesure, l’élève devient un chercheur en miniature. Il construit un raisonnement, organise ses données, compare ses résultats avec ceux de ses camarades et produit un compte rendu scientifique.

C’est un changement pédagogique majeur. Et c’est précisément l’approche défendue par la Fondation La main à la pâte, avec laquelle nous avons conçu FizziQ : apprendre les sciences en les pratiquant réellement.

Les Robots : Dans un monde qui remet souvent la science en question, avez-vous déjà mesuré (ou ambitionnez-vous de le faire) un impact social et/ou sociétal grâce à vos solutions technologiques ?

Christophe : La confiance dans la science ne se décrète pas : elle se construit par l’expérience. La science diffère d’autres domaines en cela qu’on ne dit pas « je crois » ou « je pense que », mais « l’utilisations de la méthode scientifique sur ce problème prouve que ». Lorsqu’un élève mesure lui-même un phénomène physique, lorsqu’il observe un graphique issu de ses propres données, il comprend que la science n’est pas une opinion mais une méthode.

Notre ambition est donc de contribuer à développer une culture scientifique plus solide grâce à un appareil que chaque jeune, chaque citoyen, a dans sa poche.

FizziQ a été conçu comme un outil gratuit, accessible et sans collecte de données personnelles, afin de pouvoir être utilisé par le plus grand nombre d’élèves et d’enseignants dans le monde. L’application permet de réaliser des expériences en classe, mais aussi à la maison ou sur le terrain, ce qui élargit considérablement l’accès à l’expérimentation scientifique.

Nous voyons déjà apparaître des usages très variés : étude du mouvement d’un athlète, analyse du bruit en ville, mesure du champ magnétique terrestre, observation des couleurs ou de la vitesse du son. FizziQ est utilisé par 50 000 élèves chaque mois, en France mais aussi à l’étranger.

Ce qui nous intéresse particulièrement, c’est que ces expériences rendent les élèves actifs face aux phénomènes naturels. Dans une époque où l’on peut douter de beaucoup de choses, l’expérimentation reste un point d’ancrage très solide.

Former des citoyens capables de mesurer, d’observer et de raisonner est probablement l’un des enjeux majeurs de l’éducation scientifique aujourd’hui.

Les Robots : Quel est l’avenir de Trapèze Digital ? Avez-vous des annonces en termes de projet ?

Christophe : Trapèze.digital poursuit un objectif simple : rendre l’expérimentation scientifique accessible à tous. Nous continuons à développer l’écosystème FizziQ autour de plusieurs axes.

Le premier est l’extension des capacités expérimentales : les smartphones ne peuvent pas tout mesurer. Pour étendre leur champ d’application, nous avons créé un boitier, FizziQ Connect, qui permet de connecter des capteurs du commerce à FizziQ. Ceci réduit par un facteur 10 le cout de l’expérimentation pour une école. Par exemple un magnétomètre (appareil pour mesurer le magnétisme) connecté coute 400 euros, grâce à FizziQ Connect le cout d’un magnétomètre est de 20 euros ! La plateforme FizziQ Connect est open source, n’importe quel appareil bluetooth peut s’y connecter.

Le deuxième axe concerne l’accompagnement pédagogique. Avec notre partenaire la Fondation La main à la pâte et la communauté éducative, nous développons de nouvelles activités scientifiques et des ressources pour les enseignants.

Le troisième axe, c’est le primaire. La formation en sciences commence le plus tôt possible. Nous avons conçu une application beaucoup plus simple pour le primaire, FizziQ Junior. Elle a un beau succès mais encore trop limité car les enseignants de primaire ont une formation limitée en sciences et ont souvent une papréhenson à se lancer dans des projets scientifiques avec leurs élèves. C’est là où la formation est importante, formation que bous faisons-lui avec nos partenaires.

Enfin, nous explorons les possibilités offertes par l’intelligence artificielle pour aider les élèves à analyser leurs données, interpréter leurs graphiques et structurer leur raisonnement scientifique. FizziQ est déjà doté d’un moteur IA pour aider l’élève à mieux analyser des phénomènes, en complément des explications de l’enseignant.

Merci Christophe !

Envie de découvrir chaque mois une nouvelle interview EdTech? Une seule chose à faire, vous inscrire à notre newsletter qui vous donnera Des Nouvelles de Simone !! 

Envie de découvrir d’autres articles sur l’enseignement supérieur et la EdTech ? Rendez-vous sur le Blog des Robots !

Les Robots : Qu’est-ce que cela évoque pour toi, l’éthique de l’IA ?

Thomas : Un scandale fera remonter le sujet à la surface. Souvenez-vous, il y a une dizaine d’années de Tay, un agent conversationnel (chatbot) mis en ligne par Microsoft sur Twitter et Snapchat, entre autres. Passe-temps pour les 18-24 ans, ce robot prenait les traits d’une adolescente et utilisait massivement les emojis. En 48h l’outil a été retiré, tant les utilisateurs ont influencé les réponses de l’agent jusqu’à les rendre moralement inacceptables, ainsi de la négation du génocide des juifs ou de l’apologie d’Hitler. Ce que ce scandale nous a appris, c’est la vitesse de réaction des utilisateurs et leur volonté de « tester » les nouveaux outils, en particulier d’IA. Alors qu’au départ ce projet promettait des conversations sympathiques, il a été détourné très facilement et pas pour le meilleur.

Cet exemple donne à réfléchir sur les valeurs que nous projetons sur l’IA. Quelle est la finalité des outils et comment certains pourraient la détourner, sont des questions primordiales.

Les Robots : Comment proposes-tu d’y répondre aujourd’hui, face à la montée très rapide de l’IA Générative ?

Thomas : Ce qui m’intéresse particulièrement, c’est d’adopter le point de vue de l’utilisateur. Parce qu’en réalité, il ne sait pas ce qui se trouve dans la fameuse « boîte noire ». Il la questionne parfois, mais il ne sait pas, nous ne savons pas, comment elle est constituée ni comment elle fonctionne réellement. Nous sommes davantage dans un rôle de spectateur de l’IA. D’ailleurs ces IA Génératives nous fournisse l’illusion d’un dialogue entre l’humain et la machine. On avance facilement que nous avons encore la capacité à être en contrôle, via le prompt, dit autrement via les commandes que nous lui envoyons. Face à l’IA aujourd’hui, nous devons avoir des outils d’analyse, des indicateurs de véracité des informations, et sans doute ne plus seulement nous fier à notre intuition.

Pour autant, l’important est parfois dans ce que ne montrent pas les indicateurs ou les mesures. C’est aussi ce que l’on doit garder en tête lorsqu’on mène ce genre de réflexion. C’est d’ailleurs ce que j’explique dans un guide des bonnes pratiques publié fin 2024, où j’ai coordonné les contributions au Hub France IA d’acteurs français de l’IA (voir le lien suivant : https://www.normandie.cci.fr/sites/g/files/mwbcuj1116/files/2025-08/Guide_pratique_IA_ethique_version-2.pdf).

Les Robots : Comment passe-t-on de l’éthique à un cadre réglementaire applicable au quotidien ?

Thomas : En tant que questionnement sur nos cadres culturels, l’éthique est par nature fragile. Cette fragilité essentielle doit nous amener à questionner nos conventions. Ce qui était admis hier, l’est-il encore aujourd’hui ? Mais c’est aussi pour cela que nous devons alerter sur le respect des droits fondamentaux, en appliquant par exemple une éthique opérationnelle à travers 7 principes : « sûreté, impact durable, autonomie, responsabilité humaine, explicabilité, équité et respect de la vie privée ».

Au-delà de ces principes, ayons conscience que le temps de l’IA Générative, n’est pas celui du juriste et encore moins celui du philosophe. Les usages se renouvellent rapidement et précèdent la réglementation. Il nous faut en conséquence toujours expérimenter, puis fort de l’expérience, observer et apporter des garanties pour le respect de l’éthique. C’est par exemple, l’idée du marquage des contenus générés par l’IA (sur lequel je suis en ce moment consulté, le Règlement européen sur l’IA prévoyant son application sur nos marchés d’ici février 2027) ; marquage qui sera détecté, et permettra de faire la différence entre réel et artificiel. Il y a toujours eu cette dualité avec l’expérimentation et la science. Aristote en fait déjà cas, il n’y a pas de science sans expérience, et ce trait s’applique aussi à l’IA.

Les Robots : Justement qu’en pense le philosophe que tu es ?

Thomas : Le philosophe se nourrit d’observations, puis prend le temps d’interroger. Nous aurons toujours un cran de retard sur la technologie, et devons donc ajuster et tenter de cadrer les nouvelles pratiques suivant nos valeurs. Plongeons dans l’histoire, évitons la cruauté du  « plus jamais ça ». C’est pour cette raison que nous devons ensemble travailler sur la responsabilité, et clarifier celle de chaque acteur, concepteur ou producteur d’un système d’intelligence artificielle. Comme nous le rappelons dans le guide pratique : « la responsabilité exprime le devoir de répondre de ses actes, toutes circonstances et conséquences comprises, c’est-à-dire d’en assumer l’énonciation, l’effectuation et par suite la réparation voire la sanction lorsque l’attendu n’est pas obtenu. »

Merci Thomas !

Envie de découvrir chaque mois une nouvelle interview EdTech? Une seule chose à faire, vous inscrire à notre newsletter qui vous donnera Des Nouvelles de Simone !! 

La majorité des acteurs du monde de l’enseignement supérieur, à commencer par le ministère, l’admettent, l’enjeu n’est plus d’interdire, mais de définir un cadre de confiance entre enseignants et étudiants. Dès lors, il n’y a plus d’obstacle moral à la propagation des usages, mais bien une volonté de leur donner un cadre éthique, partagé par l’ensemble des communautés impliquées. C’est précisément ce cadre éthique, qui fait bouger les lignes.

Par exemple, il y avait urgence à redéfinir le plagiat. Là où il était interdit de copier des extraits de textes issus de requêtes sur les moteurs de recherche, il s’agit désormais de s’obliger à une totale transparence en déclarant l’usage de l’IA dans les mémoires et les thèses. Dès l’instant qu’on le dit, tout serait-il toléré ?

Il en va de même pour l’évolution des évaluations. L’IA force, en quelque sorte, l’enseignant à passer du contrôle de connaissances mémorielles à l’évaluation du processus critique et même de la capacité à « prompter » de manière éthique. Autrement dit, nous migrons d’une économie de la connaissance, à celle de l’analyse critique.

Autre enjeu de ce nouveau cadre, le maintien de l’autonomie cognitive pose les questions les plus épineuses. En effet, on peut se demander comment éviter la dépendance algorithmique qui affaiblirait les capacités de raisonnement propres des étudiants ? Vaste champ d’interrogation que celui des capacités de raisonnement des étudiants, ou plus largement des individus dans nos sociétés occidentales. On le voit en ces temps troubles, les algorithmes des réseaux sociaux sont éminemment critiquables puisque fournisseurs de platitudes et de « deep fake », déjouant les régulations européennes ou nationales et provoquant le chaos dans les démocraties.

Ainsi le sociologue français Gérald Bronner, professeur de sociologie à Sorbonne Université, prévenait-il dans un ouvrage paru en 2021, Apocalypse sociologique,  « La libération du temps de cerveau disponible a été captée par des algorithmes qui flattent nos biais cognitifs plutôt que notre esprit critique. L’autonomie cognitive devient alors une résistance : c’est la capacité à ne pas céder à la pente naturelle de notre esprit face à la facilité algorithmique. »

Or, si l’étudiant accepte la synthèse sans vérifier les sources ou sans avoir fait l’effort intellectuel de confronter les idées par lui-même, il effectue une délégation de jugement. L’enjeu éthique, le risque est alors que l’étudiant ne « pense » plus la controverse scientifique ; il devient un simple éditeur de contenus générés par une machine. Son autonomie est érodée car ses conclusions ne sont plus le fruit d’une maturation intellectuelle personnelle, mais le résultat d’un calcul probabiliste qu’il est incapable d’expliquer.

On ne saurait évoquer l’éthique dans les usages de l’IA sans remettre dans le contexte français, la protection des données (RGPD) et l’indépendance vis-à-vis des « Big Tech ». Si nous réagissons vivement à ce sentiment d’envahissement et de dépendance vis-à-vis des « géants de l’IA », c’est parce que notre culture, notre vision de l’éducation, exige la souveraineté. L’Europe et la France veulent continuer à diffuser un modèle d’enseignement respectueux de la science et des chercheurs, un modèle basé sur le respect des libertés individuelles à commencer par la liberté de parole et de critique. Or l’IA pose de nombreuses questions, tant sur les données personnelles que sur le respect de la propriété intellectuelle.

La protection des données personnelles est un risque majeur auquel sont confrontés tous les établissements d’enseignement supérieur, quel que soit leur statut. On citera, par exemple, les risques de profilage des étudiants par les plateformes d’IA privées. Mais aussi les opérations de hacking à l’échelle d’une université, mettant en péril toute une communauté, et la plongeant dans le chaos. Dès l’instant que l’IA provoque une immense course à la Data, on comprend que les data centers sont des cibles permanentes.

C’est pourquoi de nombreuses initiatives visent à installer une alternative souveraine. Il en est ainsi du développement et de l’usage de LLM (modèles de langage) français ou européens, hébergés sur des infrastructures de recherche nationales. Développer des outils « souverains » est une voie, tandis que d’autres s’engagent sur des actions de sensibilisation à la responsabilité numérique. L’Université de Lille, par exemple, a été l’une des premières à formaliser un cadre où l’usage de l’IA doit être transparent et où l’intégrité académique prévaut. Ces chartes insistent souvent sur l’utilisation de logiciels libres ou de solutions hébergées localement pour éviter les fuites de données vers l’étranger.

Reste que l’évolution de la notion de propriété intellectuelle est préoccupante. Comment déterminer à qui appartiennent les contenus générés ou co-créés avec une IA au sein de la recherche universitaire ? Comment attribuer avec certitude un papier de recherche, ou même un brevet ? Des questions qui perturbent la communauté scientifique, tout autant que les enseignants.

Sur cette question de souveraineté, une autre initiative récente va certainement impacter les établissements, puisqu’il sera désormais possible, voire recommandé de calculer un Indicateur de Résilience Numérique (IRN). Cet indicateur a été présenté le 26 janvier dernier par le Ministère de l’Économie et des Finances, comme un instrument de pilotage stratégique destiné à éclairer les décisions des directions générales, des DSI et des fonctions risques. Il sera très probablement adopté par les gouvernances des établissements du supérieur pour évaluer les axes de progrès dans les prochains plans stratégiques à mettre en œuvre.

L’éthique de l’IA ne se limite pas au code, elle touche aussi aux ressources humaines et planétaires, deux enjeux majeurs sur lesquels le monde de l’ESR est traditionnellement très engagé.

Comment résoudre la « nouvelle » fracture numérique et garantir ainsi que l’accès aux versions « Pro » les plus performantes ne devienne pas un nouveau critère de sélection sociale ? C’est une question plutôt embarrassante alors que la plupart des outils proposés en SAS sont rapidement hors de prix pour des usages premium. Ces modèles économiques (pour la plupart nord-américains) sont construits sur des grilles tarifaires croissant avec l’accès aux fonctionnalités les plus puissantes. Ce qui laisse planer la crainte d’une production de contenus ou d’accès à des sources plus finement sélectionnées à ceux qui en ont les moyens. Une vision de l’accès à la connaissance totalement opposée à celle des universités, par exemple.

Autres sujets de préoccupation forte, l’inclusion et l’accessibilité. Ici l’IA serait à considérer comme une opportunité davantage que comme une menace. En effet, elle peut être un levier pour les étudiants en situation de handicap (transcription, simplification de textes), à la condition de surveiller étroitement les biais discriminatoires des algorithmes. Citons, l’Université de Montréal, via l’École de santé publique et le Centre de recherche en santé publique (CReSP), qui pilote actuellement le projet HAND‑IA « Intelligence artificielle sans barrières – Inclusion et équité pour la population en situation de handicap », afin de répondre à ces exigences éthiques [1]. L’équipe canadienne adopte une approche transdisciplinaire, en associant chercheurs, organisations de personnes handicapées et experts de l’éthique de l’IA, ce qui permet de travailler à la fois sur les usages (accessibilité, transcription, interfaces) et sur la réduction des biais discriminatoires.

Enfin, il ne saurait être question de responsabilité sans intégrer l’éthique environnementale. Il est ainsi urgent de sensibiliser les usagers au coût énergétique des requêtes IA. Un coût qu’il faut apprendre à maîtriser conformément aux objectifs de décarbonation des campus.

À l’échelle d’une université, quelques hypothèses simples (par exemple 20 000 usagers, 10 requêtes IA par jour à 2 Wh) peuvent conduire à plusieurs MWh par an uniquement pour l’“inférence” IA, auxquels s’ajoutent la formation des modèles, l’hébergement et le parc d’équipements locaux. Les chiffres récents montrent à ce sujet, qu’une requête de type ChatGPT consomme autour de 2 à 3 Wh d’électricité en moyenne, soit environ 5 à 10 fois plus qu’une recherche web classique.

Paradoxalement, les modèles d’IA permettent aussi d’optimiser la consommation énergétique des établissements. Tandis qu’un travail de recherche sera indispensable pour réduire la taille des modèles IA, minimisant ainsi leur consommation.

À nouveau les deux faces d’une même pièce, que nous imaginons tomber du bon côté, sans certitude mais avec l’espoir que la responsabilité l’emporte sur le temps long.

A l’instar de toutes les organisations et sans doute plus encore que les entreprises, l’université doit s’auto-organiser pour piloter cette transition. Trois dispositifs couramment observés se répondent et créent une vraie “écosystème éthique” de l’IA dans l’université : charte éthique locale, comité d’éthique de l’IA, et enfin, formation continue des personnels et littératie numérique ?

Chartes éthiques locales

Elles posent les principes (intégrité académique, transparence, non‑discrimination, protection des données, sobriété numérique) et déclinent les usages autorisés, encadrés ou interdits selon les situations pédagogiques. Elles servent de base aux règlements d’examens, aux consignes données aux étudiants et aux lignes de conduite pour les enseignants. Ainsi, à l’Université de Toulouse, la “Charte du bon usage des IA génératives” rappelle que l’IA doit rester un outil d’assistance et non de substitution aux démarches intellectuelles. Elle pose des principes comme la transparence (déclarer l’usage d’IA), l’intégrité académique (interdiction de présenter un texte généré comme un travail personnel) et la protection des données, et prévoit des sanctions en cas de fraude ou de non‑respect du cadre.

Formation continue et littératie numérique

L’éthique devient opérationnelle si les personnels comprennent comment fonctionnent les systèmes, leurs limites et leurs impacts. Des modules de formation (enseignants, BIATSS, encadrants) visent à sortir de la logique de “boîte noire”, à outiller les collègues pour rédiger des consignes claires, dialoguer avec les étudiants et participer aux choix d’outils plutôt que de les subir. À l’Université d’Angers, la charte sur l’IA générative insiste aussi sur le rôle des enseignants : ils doivent expliquer aux étudiants les limites des outils (résultats biaisés ou inexacts), les avertir de l’impact environnemental et les accompagner vers un usage critique. On voit bien ici le lien entre texte normatif et formation continue, l’éthique n’étant pas pensée sans une montée en compétence des personnels et des apprenants.

Comités d’éthique de l’IA

Insérés dans la gouvernance existante, ils examinent les projets IA (recherche, outils administratifs, dispositifs d’évaluation ou de proctoring), identifient les risques (biais, discrimination, atteinte à la vie privée) et peuvent conditionner ou refuser un déploiement. Ils jouent aussi un rôle de médiation quand la communauté s’inquiète d’un outil.

Allons-nous vers une « IA humaniste » à la française, capable de concurrencer les modèles anglo-saxons par sa rigueur éthique ? En sommes-nous capables ?

La réponse de la communauté est positive. Faut-il y voir une habitude à se voiler la face lorsque les périls frappent à notre porte ? Ou au contraire, cette confiance éternelle en la science et dans les chercheurs qui sont la marque d’excellence de notre système universitaire et d’enseignement supérieur.

Envie de découvrir d’autres articles sur l’enseignement supérieur et la EdTech ? Rendez-vous sur le Blog des Robots !

Envie de découvrir d’autres articles sur l’enseignement supérieur et la EdTech ? Rendez-vous sur le Blog des Robots !

[1] Gantz J, Reinsel D (2012) The digital universe in 2020: big data, bigger digital shadows, and biggest growth in the far east. IDC Analyze the Future, Framingham

L’IA passe de simples chatbots à de véritables agents capables d’orchestrer des tâches : personnaliser les parcours de formation, interfacer d’autres services, produire des feedbacks riches aux apprenants, co-piloter des activités, …

Ces agents peuvent jouer des rôles variés : assistant pédagogiques qui répondent aux questions fréquentes et apportent des explications supplémentaires, tuteur personnalisé qui proposent des feedback individualisé ou des activités de remédiation, aide à la gestion de classe pour l’enseignant (rappels, suivi des devoirs) ou encore soutien à la recherche et à la veille scientifique. Dans le contexte de l’enseignement supérieur, leur vocation n’est pas de remplacer l’enseignant, mais de déléguer des tâches répétitives pour permettre une plus grande concentration sur les dimensions d’encadrement, de recherche et de relation pédagogique.

Certains d’entre vous savent que l’expérimentation n’est pas nouvelle. Déjà en 1996, le professeur Ashok Goel, à Georgia Tech university, développait et testait Jill Watson, un assistant pédagogique virtuel basé sur la technologie d’Intelligence Artificielle d’IBM, auprès de ses étudiants (https://youtu.be/WbCguICyfTA?si=b9WKxjypaLXkfv5S). Mais depuis cette époque, peu de cas d’usages se sont développés et ce n’est que récemment que des EdTech ont commencé à proposer de véritables solutions performantes.

En France, l’usage d’agents IA dans l’enseignement supérieur se développe dans un cadre encore en structuration, fortement marqué par les exigences de souveraineté numérique, de protection des données et d’égalité d’accès. La mission nationale sur l’impact de l’IA dans les pratiques d’enseignement supérieur confiée à François Taddéi et Frédéric Pascal propose explicitement un cadre d’intégration, identifie les besoins de formation et définit des règles éthiques et réglementaires pour ces nouveaux outils (consulter le rapport).

Si on regarde d’un peu plus près, les « assistants pédagogiques IA » peuvent intervenir à plusieurs niveaux du processus d’apprentissage :

Conception pédagogique : aide à la génération de plans de cours, de QCM, de banques d’exercices ou de scénarios de simulation, avec possibilité de personnaliser les contenus selon le niveau et la discipline.

Évaluation et feedback : correction automatisée de tests fermés, feedback de premier niveau sur des travaux écrits ou codés, orientation vers l’enseignant lorsque les réponses exigent un jugement expert.​

Accompagnement des étudiants : réponses 24/7 aux questions fréquentes, explications supplémentaires ciblées, recommandations de ressources, détection précoce des difficultés via l’analyse des interactions et des traces d’apprentissage.​

Soutien administratif : gestion de rappels, suivi des inscriptions aux examens, communication individualisée à grande échelle, ce qui rapproche ces agents d’une forme de « personnel administratif numérique » au service de la pédagogie.​

Ainsi, l’implantation de tels assistants soulève plusieurs enjeux qui structurent aujourd’hui la réflexion et l’avancement des projets. Cadre réglementaire et RGPD, souveraineté et éthique, place de l’enseignant, et notamment des assistants, enfin inégalité et accessibilité, sont au cœur des débats actuels et sont des contraintes majeures à prendre en compte. C’est ce que tente de réaliser Mistral AI. Le développement d’un agent conversationnel pour étudiants, enseignants et personnels administratifs, qui couvre pour l’instant trois cas d’usage : tuteur virtuel personnalisé pour les étudiants, assistant à la préparation de cours et au suivi pédagogique pour les enseignants, et aide à la rédaction de documents et réponses aux usagers pour les personnels. Il devrait être déployé en 2026, à en croire les annonces officielles.

Des acteurs EdTech sont également à l’œuvre pour proposer des solutions dans le respect des contraintes et surtout des intérêts des étudiants et des enseignants. L’année qui s’ouvre promet d’être riche en innovations sur ce thème.

Les micro‑certifications (micro-credentials), blocs de compétences constituent un axe de développement central pour les EdTech. Pourquoi ? Parce que l’arrivée massive de l’IA bouleverse tout dans les organisations et rend ainsi la formation des salariés comme des étudiants indispensable.

Rappelons que si au niveau européen une micro-certification est une preuve de l’acquisition de compétences spécifiques à l’issue d’un apprentissage de petit volume évalué selon des critères transparents, partageables, transférables, empilables et adossée à une assurance qualité, il n’en va pas de même en France. En effet, dans l’hexagone, les blocs de compétences sont définis par le Code du travail comme des ensembles homogènes et cohérents de compétences contribuant à l’exercice autonome d’une activité professionnelle, pouvant être validés séparément au sein d’une certification [1].

Si des initiatives se sont développées à l’international, en Ontario d’abord puis en Nouvelle-Zélande et en Australie (2023), en France c’est le consortium Digital FCU rassemblant 19 universités et 4 partenaires répartis sur l’Hexagone, qui semble s’être emparé du sujet. Digital FCU ambitionne « d’accompagner l’évolution des besoins en compétences des métiers de la formation » en développant notamment l’offre de formation continue dans le supérieur. C’est d’ailleurs sous la marque Unicamp que sont proposées les micro-certifications du consortium Digital FCU, sur la plateforme numérique et place de marché FUN Mooc.

Côté EdTech, outre les LMS et les plateformes de formation (360Learning, Apolearn, Bealink, Edflex, Kwark, Rise Up, Teach Up, etc.) qui mettent en avant la micro-certification comme brique de leur stratégie compétences, ce sont les solutions de certification qui sont les plus impliquées dans ce développement. C’est le cas, par exemple, de BC Diploma, plateforme spécialisée proposant des badges numériques et micro-certifications, très utilisée par les universités, écoles et organismes de formation, en marque blanche et sécurisée par une technologie blockchain.

Au niveau mondial, le marché du e-learning est estimé autour de 320 milliards de dollars en 2025, avec une croissance annuelle proche de 14%, et des projections au‑delà de 350 milliards de dollars en 2026. L’Europe, quant à elle, représente environ 30% de ce marché, tandis que la France prend place dans le trio de tête européen sur le e‑learning, portée par un niveau de compétences numériques supérieur à la moyenne européenne [2].

Le marché du e-learning en France est aujourd’hui l’un des plus dynamiques d’Europe, avec un taux de croissance annuel estimé autour de 20,5% sur la période 2024–2031, supérieur à la moyenne européenne. Les projections convergent vers une poursuite de cette expansion jusqu’au début des années 2030, portée par l’IA, le mobile learning et les besoins de montée en compétences.

Sur ce marché, c’est donc encore l’IA qui bouleverse les comportements et irrigue les nouvelles solutions. Ainsi, une large majorité d’acteurs déclarent l’utiliser ou vouloir l’utiliser pour concevoir des contenus, adapter les parcours et fournir des recommandations personnalisées.​ Le développement se fait autour des systèmes cognitifs avancés, de l’adaptive learning, des chatbots pédagogiques et agents conversationnels (voir tendance 1), qui ajustent les contenus, la difficulté et le rythme selon les données apprenant.

Mais les principaux progrès attendus sont orientés vers l’expérience apprenant. Vantant la simplicité d’usage, d’accès aux connaissances comme aux évaluations, les fournisseurs de solution travaillent en priorité sur les interfaces, l’ergonomie des outils auteurs, la scénarisation engageante et le suivi des données. Formats courts, expériences immersives, gamification sont les maitres mots de cette croissance et des innovations à venir sur ce domaine.

Soucieux de la souveraineté en la matière, 91% des responsables formation déclarent privilégier une solution française à fonctionnalité équivalente, avec une forte attente de solutions robustes, souveraines et orientées montée en compétences technologiques [3].

Alors qu’on observe une multiplication des outils numériques et des applicatifs adaptés au monde de l’enseignement supérieur et de la formation, il est important de souligner que de plus en plus d’établissements cherchent à rationaliser leur environnement numérique et à déployer pour cela des plateformes intégrées permettant de réduire le nombre d’applications sans réduire l’étendue des fonctionnalités et services rendus.

En France, cette tendance concerne aussi bien des universités que des grandes écoles de management ou d’ingénieur.

Un schéma fréquent dans l’ESR est le suivant :

• ENT unique (accès messagerie, scolarité, notes, bibliothèques).
• LMS central (Moodle, Blackboard, etc.) interfacé avec l’ENT (SSO), l’outil de visioconférence (Teams, Zoom, BigBlueButton) et parfois des outils d’évaluation en ligne et d’anti‑plagiat.

Connecteurs vers le SI de scolarité (inscriptions, groupes) pour créer automatiquement les espaces de cours et inscrire les étudiants.

De nombreux établissements d’enseignement supérieur déploient effectivement des plateformes intégrées (LMS/LXP) pour rationaliser leur environnement numérique, en concentrant vidéo, évaluation, analytics et autres services sur une seule interface. Voici des exemples concrets qui illustrent cette tendance :

Université de Montpellier (FlexiEval / Moodle)

• L’université de Montpellier a déployé FlexiEval intégré à Moodle (LMS emblématique), centralisant évaluations en ligne, suivi des notes, reporting et analytics pédagogiques, réduisant ainsi le nombre d’outils dédiés à l’évaluation tout en étendant les services (suivi personnalisé, export SI).​
• Résultat observé : une interopérabilité native avec le SI scolarité (Apogée) avec un puissant focus IA pour l’analyse des performances.​

Université Paris Dauphine-PSL

• L’université Paris Dauphine-PSL a construit un learning ecosystem autour d’une plateforme intégrée, combinant LMS, outils collaboratifs, analytics et contenus personnalisés. Le projet est inscrit dans la stratégie d’établissement.​
• Objectif : la consolidation des solutions pour un environnement hybride fluide, avec une réelle scalabilité pour les masters multidisciplinaires et MOOCs.​

Université de Liège (Learning Analytics)

• Liège a implémenté des learning analytics au sein de son LMS principal, intégrant suivi en temps réel, prédiction d’échec et tableaux de bord enseignants, pour rationaliser le suivi pédagogique sans multiplier les outils.​
• Résultat observé : l’accent est mis sur l’interopérabilité et l’éthique des données.​

Autres cas inspirants

• Université de Lorraine (UFR STAPS Nancy) utilise une plateforme LMS avec analyse vidéo intégrée (Dartfish) pour évaluation sportive, incluant tagging live, stats et reporting, remplaçant des outils disparates.​
• Tendance générale : la migration vers des LMS/LXP (Moodle, Canvas) enrichis en IA native et API ouvertes (LTI, xAPI), avec scalabilité pour les multi‑campus.​

Pour les éditeurs, cela impose effectivement interopérabilité (LTI/Caliper), IA embarquée (prédiction, personnalisation) et scalabilité au 1e jour, sous peine d’être marginalisés.​

Cette évolution a nécessairement des conséquences pour le secteur et les éditeurs. Il y a une nécessité absolue de mettre l’accent sur l’interopérabilité de la solution, l’intégration native de l’IA, et comme on le dit depuis très longtemps « penser la scalabilité de la solution dès le départ ». Ces conditions seront très bientôt absolument incontournables pour le monde des EdTechs, d’autant plus que les budgets consacrés au numérique ne peuvent augmenter sans limite.

Si on parle de Learning analytics depuis déjà plusieurs années, leur utilisation était jusqu’ici assez peu répandue. Aujourd’hui, cette utilisation des données d’apprentissage devient un standard, pour la pédagogie à destination des enseignants et des apprenants mais aussi pour le renforcement du pilotage par la donnée des dispositifs de formation et des politiques d’établissement.

Jusqu’en 2020 environ, les learning analytics restaient confinés à des projets de recherche (ex. tracking LMS basique) ou à des cas isolés, avec une utilisation sporadique souvent due à des réticences éthiques sur la protection des traces numériques. La massification étudiante (3,01 millions d’étudiants inscrits en France en 2024-25), la généralisation des ENT/LMS et les crises (Covid) ont accéléré leur déploiement, passant d’une « mode » à une opportunité stratégique mesurée par des indicateurs de réussite et de rétention.

Désormais, la preuve par l’exemple a démontré que l’utilisation des learning analytics avait un impact réel et très positif sur le niveau d’apprentissage des étudiants. C’est le cas, par exemple, à Rennes, où le pôle Data Tank de l’ENSAI analyse en temps réel les données d’apprentissage rassemblées dans des dashboards personnalisés. Cela permet aux étudiants un suivi de progrès et aux enseignants d’ajuster les parcours, avec une optimisation continue des indicateurs prédictifs. A l’Université de Manchester où 80% des cours ont été trackés dès 2015, 95% des étudiants plébiscitent le dispositif. Les « Course Signals » boostent les notes A/B de 10% et réduisent les abandons. Des résultats probants dans les deux cas et qui incitent fortement à ces nouveaux usages, tout à fait acceptés par les étudiants et les enseignants.

C’est également un moyen de pilotage des parcours apprenants. En effet, il devient possible et pertinent de construire des indicateurs prédictifs à partir de ces analyses. C’est le cas pour le New York Institute of Technology qui a mis en place ces modèles prédictifs lesquels identifient ainsi 74% des risques d’abandons.

C’est vrai aussi pour la France et des initiatives comme AgilHybrid à l’Université de Montpellier qui intègrent les learning analytics dans le pilotage. Ce qui débouche sur l’analyse des taux d’échec en L1 (38-44% pour les non redoublants), une meilleure allocation des ressources de tutorat et surtout la personnalisation des parcours.

Cette dynamique de standardisation s’appuie sur les avancées en IA (notamment prédictive), en interopérabilité (LTI, Caliper) et en gouvernance des données (RGPD, éthique), afin de convertir les données brutes en leviers d’équité et d’amélioration de la qualité pédagogique.

Ces exemples illustrent les impacts positifs majeurs des technologies sur l’évolution de l’enseignement supérieur et de la formation. Bien que souvent perçue comme disruptive et source de fragilités pour les populations concernées, elle constitue pourtant une réelle opportunité de progrès. Les usages des technologies avancées doivent néanmoins être strictement régulés et orientés vers l’intérêt premier des utilisateurs, à savoir les apprenants et les enseignants.

2026 nous réserve certainement d’autres découvertes, d’autres innovations.

Les Robots veilleront à les détecter et les analyser pour vous en faire part, tant il est évident que les tendances de demain sont ce que vous en ferez.

Envie de découvrir d’autres articles sur l’enseignement supérieur et la EdTech ? Rendez-vous sur le Blog des Robots !