L’université américaine ne cherche plus seulement à savoir si les étudiants utilisent l’IA. Elle organise désormais les conditions de cet usage. À Drexel, à Boston et dans le Missouri, des comités dédiés, des portails d’accès et des règles inscrites dans les syllabus installent une gouvernance durable autour des outils génératifs.
Le changement le plus net concerne l’évaluation : un détecteur d’IA ne peut plus, à lui seul, servir de preuve de triche. En parallèle, les établissements ouvrent des accès institutionnels à des assistants comme ChatGPT Edu et développent leurs propres environnements, à l’image de Show-Me AI dans le Missouri.
Cette évolution ne signifie pas que toutes les pratiques deviennent permissives. Elle déplace la question : l’enjeu n’est plus seulement d’interdire ou d’autoriser l’IA, mais de définir qui peut l’utiliser, pour quelle tâche, avec quelles données et sous quelle responsabilité humaine.
Des comités IA pour remplacer les décisions isolées des enseignants
La création de comités permanents marque le passage d’une gestion improvisée à une gouvernance institutionnelle. À Drexel, un groupe de travail a recommandé une mise à jour de la politique d’intégrité académique, un site central consacré aux usages de l’IA et un répertoire de cas d’usage pédagogiques. L’université a ensuite créé un comité transversal chargé de faire évoluer les règles avec la technologie.
Cette organisation répond à un problème concret : une même université peut compter plusieurs centaines de cours, avec des attentes différentes selon les disciplines. Une règle générale qui interdirait toute utilisation de l’IA serait difficile à appliquer dans un cours d’informatique, de rédaction ou de conception. À l’inverse, une autorisation sans cadre rendrait les évaluations difficiles à interpréter.
Les comités servent donc à établir un socle commun tout en laissant une marge aux enseignants. Les politiques observées à Drexel et dans le Missouri confient aux professeurs la possibilité de définir les usages autorisés dans leur cours, à condition de les expliquer clairement dans le syllabus.
À retenir : la politique IA ne se limite plus à une consigne de comportement étudiant. Elle devient une fonction de gouvernance, avec des représentants de la pédagogie, des technologies et de l’administration.
Le syllabus devient le contrat d’usage
L’obligation d’indiquer les règles dans le syllabus donne aux étudiants une information exploitable avant l’évaluation. Le document peut préciser si l’IA est interdite, autorisée pour le brainstorming, permise pour obtenir des explications ou utilisable pour améliorer un texte déjà rédigé.
Cette approche réduit une ambiguïté fréquente : l’étudiant peut croire qu’une aide autorisée dans un cours l’est aussi dans un autre. La règle locale devient visible, datée et rattachée à un exercice précis.
Le cadre peut également distinguer le processus du résultat. Une université peut autoriser un assistant à expliquer une notion ou à commenter un brouillon, tout en interdisant la production d’une réponse remise comme travail personnel. Cette distinction rapproche l’usage pédagogique de l’objectif réel de l’évaluation : mesurer la compréhension et la capacité d’analyse de l’étudiant.
Les détecteurs d’IA sortent du rôle de preuve
Les universités étudiées écartent les détecteurs d’IA comme preuve suffisante de triche. Drexel et l’université du Missouri interdisent leur utilisation comme fondement d’une accusation, notamment en raison du risque de faux positifs. Penn a également rappelé qu’un score de détection ne respecte pas le niveau de preuve requis dans ses procédures disciplinaires.
La décision touche directement la relation entre étudiants et établissements. Un indicateur statistique peut signaler un texte atypique, mais il ne démontre pas qui l’a écrit ni comment il a été produit. Le résultat peut varier selon la langue, le style, la longueur du texte et l’outil utilisé.
Le retrait des détecteurs ne supprime pas les contrôles. Il impose plutôt de s’appuyer sur des éléments pédagogiques et procéduraux : historique des brouillons, échanges avec l’étudiant, explication orale du raisonnement ou comparaison avec les travaux précédents. Ces éléments peuvent être examinés dans le cadre d’une procédure contradictoire.
Une évaluation plus centrée sur le processus
L’essor des assistants génératifs pousse les enseignants à rendre visibles les étapes de production. Un devoir final isolé donne peu d’informations sur la manière dont l’étudiant a raisonné. Une succession de livrables permet de suivre la progression et de discuter les choix effectués.
Les formats concernés peuvent inclure :
- une proposition de sujet et une question de recherche ;
- un plan commenté ;
- une bibliographie vérifiée ;
- plusieurs versions d’un texte ;
- une courte présentation orale ;
- une déclaration indiquant les usages éventuels de l’IA.
Cette méthode ne constitue pas une garantie absolue contre la triche. Elle rend toutefois l’évaluation moins dépendante d’un outil automatique et plus directement liée aux compétences attendues.
Drexel généralise l’accès à ChatGPT Edu
Drexel déploie ChatGPT Edu par étapes et prévoit un accès pour l’ensemble de ses étudiants au début du trimestre d’automne 2026. L’université dispose déjà de Microsoft Copilot pour les enseignants et le personnel, mais son déploiement de ChatGPT Edu élargit l’accès à un environnement institutionnel dédié.
La logique est différente de celle d’un usage individuel non encadré. Un accès fourni par l’établissement permet de centraliser les règles, de publier des ressources pédagogiques et de définir des groupes ou des permissions. Il donne aussi à l’université un interlocuteur institutionnel pour les questions de déploiement et de sécurité.
ChatGPT Edu a été lancé par OpenAI en mai 2024 pour les universités. L’offre comprenait notamment GPT-4o à son lancement, l’analyse de données, les GPT personnalisés partageables dans un espace universitaire, l’authentification unique et la gestion des groupes. OpenAI indique que les conversations et les données de ces espaces ne servent pas à entraîner ses modèles.
| Dispositif | Établissement | Fonction principale | Règle pédagogique associée |
|---|---|---|---|
| ChatGPT Edu | Drexel | Accès institutionnel à un assistant génératif | Les usages autorisés doivent figurer dans le syllabus |
| Show-Me AI | Université du Missouri | Assistants et groupes dédiés aux cours | L’IA peut accompagner le feedback, mais pas noter les travaux |
| Comité IA permanent | Drexel | Mise à jour des règles et centralisation des ressources | Les détecteurs ne servent pas de preuve de triche |
L’accès égalitaire ne règle pas la question de l’usage
Fournir le même outil à tous les étudiants réduit une inégalité d’accès, mais ne suffit pas à garantir une utilisation pertinente. La maîtrise de la formulation des requêtes, la capacité à contrôler une réponse et la connaissance des limites du modèle restent déterminantes.
Un étudiant peut disposer d’un assistant performant tout en acceptant une référence inventée ou une explication erronée. L’accès institutionnel doit donc s’accompagner de consignes sur la vérification des sources, la confidentialité des données et la responsabilité de l’auteur du travail rendu.
L’université conserve également un rôle de médiation. Elle peut expliquer quelles informations ne doivent pas être copiées dans un outil externe, quels usages sont acceptables pour un devoir et quand une réponse générée doit être vérifiée par une source primaire.
Show-Me AI privilégie les assistants qui accompagnent au lieu de produire
L’université du Missouri a lancé Show-Me AI, une plateforme générative sécurisée destinée à l’enseignement et à l’apprentissage. Les enseignants peuvent y créer des groupes de cours et des assistants personnalisés. Un exemple cité par l’université est un assistant d’écriture conçu pour guider l’étudiant et formuler des commentaires plutôt que rédiger le devoir à sa place.
Ce choix illustre une orientation pédagogique précise : l’IA doit soutenir une activité cognitive identifiée. Elle peut poser des questions, proposer des pistes ou signaler une faiblesse argumentative. Elle ne doit pas nécessairement fournir la version finale du travail.
La différence est importante pour les exercices évalués. Un assistant qui donne directement une dissertation remplace une partie de la tâche. Un assistant qui demande à l’étudiant de justifier sa thèse ou de comparer deux arguments peut au contraire renforcer l’apprentissage.
Le feedback reste sous responsabilité humaine
La politique du Missouri autorise les enseignants à utiliser l’IA pour les aider à formuler des retours, mais leur interdit de lui confier la notation des travaux. Cette séparation maintient la décision évaluative du côté de l’enseignant.
Elle répond aussi à une limite structurelle des modèles génératifs : leur réponse peut sembler cohérente sans appliquer correctement le barème. La notation implique une interprétation du contexte, des objectifs du cours et parfois des aménagements individuels.
L’usage du modèle comme outil préparatoire ne dispense donc pas l’enseignant de lire le travail et de vérifier le feedback. La responsabilité finale reste attachée à la personne qui évalue.
Les nouvelles règles américaines privilégient la transparence à l’interdiction générale
Les politiques universitaires observées en 2026 ne convergent pas vers une autorisation uniforme. Elles organisent plutôt une transparence minimale : l’enseignant indique les usages acceptés, l’étudiant respecte le cadre du cours et l’établissement définit les procédures en cas de soupçon.
Cette architecture laisse subsister des différences entre disciplines. Une formation en programmation peut encourager l’utilisation d’un assistant pour expliquer une erreur de code. Un cours de langue peut interdire la génération d’un texte complet tout en autorisant la correction grammaticale. Un séminaire de recherche peut demander une déclaration détaillée des interactions avec un modèle.
La règle la plus efficace n’est donc pas nécessairement la plus stricte. Elle doit être suffisamment précise pour distinguer l’aide à l’apprentissage de la substitution au travail demandé.
Trois niveaux d’usage deviennent plus faciles à distinguer
Les politiques peuvent être lues selon trois niveaux pratiques :
- assistance : explication, reformulation, questions de révision ou commentaires sur un brouillon ;
- collaboration encadrée : génération de pistes, comparaison d’arguments ou production d’exemples, avec déclaration et vérification ;
- substitution : production d’un devoir, d’une analyse ou d’une réponse évaluée remise comme travail personnel.
Cette grille ne remplace pas le règlement de chaque cours. Elle permet toutefois de clarifier pourquoi deux usages d’un même outil peuvent recevoir des traitements différents.
L’étudiant demeure responsable du contenu remis, y compris lorsque l’outil a contribué à sa préparation. Cette responsabilité concerne les erreurs factuelles, les références, le respect des consignes et la déclaration des usages exigée par l’enseignant.
Une gouvernance qui dépasse la seule intégrité académique
Les comités IA ne traitent pas uniquement la triche. Les recommandations de gouvernance dans l’enseignement supérieur couvrent également la transparence, l’accessibilité, la confidentialité, la supervision humaine, les achats et les usages par les étudiants, les enseignants et les prestataires.
La question des données devient centrale lorsque les outils sont utilisés dans des cours, des travaux de recherche ou des services administratifs. Une politique institutionnelle doit préciser quelles informations peuvent être transmises à un assistant, qui peut accéder aux conversations et dans quelles conditions les données sont conservées.
Les universités doivent aussi distinguer les usages pédagogiques des décisions à fort impact. L’admission, la notation et les procédures disciplinaires ne reposent pas sur les mêmes exigences qu’une aide à la rédaction d’un plan de cours. Plus l’IA intervient dans une décision concernant un étudiant, plus la traçabilité et la supervision humaine deviennent importantes.
L’achat d’un outil devient une décision pédagogique
Le choix entre ChatGPT Edu, Gemini for Education, Claude for Education ou Microsoft 365 Copilot ne relève pas seulement du service informatique. Il engage les enseignants, les étudiants, les responsables de la conformité et les directions pédagogiques.
Les critères peuvent inclure :
- la gestion des identités et des groupes ;
- les règles d’utilisation des données ;
- la possibilité de créer des assistants spécialisés ;
- la supervision des usages ;
- l’intégration avec les environnements de cours ;
- la clarté des conditions de responsabilité ;
- la capacité à séparer l’aide pédagogique de la notation.
Le déploiement de Drexel et la plateforme Show-Me AI du Missouri montrent deux voies complémentaires. La première fournit un accès institutionnel à un outil largement connu. La seconde met l’accent sur des assistants configurés pour des objectifs de cours précis.
Notre avis : les universités qui encadrent gagneront en crédibilité
Le mouvement engagé par Drexel, Boston et le Missouri est plus solide qu’une interdiction générale annoncée puis difficile à appliquer. Les comités permanents, les règles publiées dans les syllabus et le refus des détecteurs comme preuve de triche forment un cadre cohérent : accès organisé, attentes explicites et procédure plus équitable.
Le point le plus convaincant reste la séparation entre assistance et décision. Un modèle peut aider un étudiant à comprendre un concept ou un enseignant à préparer un commentaire. Il ne doit pas devenir l’arbitre automatique d’une note ou d’une accusation disciplinaire.
Dans les six prochains mois, la question décisive sera la capacité des universités à transformer ces principes en pratiques de cours vérifiables. Les établissements qui fourniront à la fois un accès sécurisé, des exemples concrets et des évaluations adaptées auront une longueur d’avance sur ceux qui se contenteront d’ajouter une interdiction au règlement.
La prochaine étape ne consistera pas à choisir entre université et IA, mais à décider quelles compétences l’université veut encore mesurer directement : la rédaction, le raisonnement, la vérification, l’oral ou la capacité à travailler avec un assistant sans lui déléguer la pensée.