J'ai donc demandé à ChatGPT de rédiger une note stratégique sur l'université de demain (et même d'aujourd'hui...). Réponse (à méditer) :
Je partirais précisément de l'étudiant qui entre à l'université en septembre 2026. Cela oblige à déplacer la réflexion : le problème n'est plus seulement « comment intégrer l'IA à l'université ? », mais pour quel monde intellectuel et professionnel l'université forme-t-elle aujourd'hui quelqu'un qui en sortira en 2031 ?
Note stratégique — L'université de demain commence en 2026
Former lorsque les capacités cognitives disponibles évoluent plus vite que les cursus
Point de départ : l'étudiant de 2026
Imaginons un étudiant qui entre à l'université en septembre 2026.
Il a dix-huit ans.
Il commence une licence. Il poursuivra peut-être en master. Il entrera alors véritablement dans la vie professionnelle vers 2031.
Cinq années seulement le séparent de cette échéance.
Cinq années sont une durée courte pour une institution universitaire.
Mais cinq années sont désormais une durée considérable dans l'évolution de l'intelligence artificielle.
Il suffit de regarder cinq ans en arrière.
En septembre 2021, ChatGPT n'existait pas. Les assistants génératifs généralistes n'appartenaient pas à l'expérience quotidienne des étudiants. Les modèles capables de produire en quelques secondes du code, des synthèses, des traductions, des analyses documentaires, des images, des raisonnements mathématiques ou des recherches approfondies n'étaient pas disponibles au grand public.
L'étudiant qui entre à l'université en 2026 commence donc une formation dont la durée est potentiellement supérieure à celle qui vient de suffire pour transformer profondément les conditions mêmes du travail intellectuel.
C'est le point de départ de toute réflexion sérieuse sur l'université.
La question n'est plus seulement :
Que devons-nous enseigner aujourd'hui ?
Elle devient :
Que devons-nous faire apprendre aujourd'hui à quelqu'un qui exercera demain dans un environnement cognitif que nous sommes incapables de décrire avec certitude ?
1. Le problème n'est plus l'arrivée de l'IA
Une grande partie du débat universitaire continue à être formulée comme si l'IA était une technologie extérieure à l'institution qu'il faudrait décider d'accepter, de réglementer ou de repousser.
Cette représentation est déjà dépassée.
L'IA est entrée dans l'environnement cognitif général.
Les étudiants l'utilisent.
Les chercheurs l'utilisent.
Les entreprises l'utilisent.
Les professions auxquelles prépare l'université l'utilisent.
Les logiciels professionnels l'intègrent.
Les moteurs de recherche l'intègrent.
Les administrations commencent à l'intégrer.
Les contenus auxquels accèdent les étudiants sont eux-mêmes de plus en plus produits, traduits, résumés, sélectionnés ou transformés avec des systèmes d'IA.
L'université peut réglementer certains usages.
Elle peut interdire l'IA dans certaines évaluations.
Elle peut exiger que certaines opérations intellectuelles soient réalisées sans assistance.
Ces décisions peuvent être pédagogiquement parfaitement justifiées.
Mais elles ne changent pas la réalité extérieure :
on peut interdire ponctuellement l'usage de l'IA ; on ne peut plus former comme si elle n'existait pas.
Le non-usage ne produit pas le non-effet.
L'université de demain commence donc par reconnaître que l'IA n'est plus seulement un outil pédagogique potentiel.
Elle est devenue une composante de l'environnement dans lequel la formation prend désormais son sens.
2. Le problème stratégique : le décalage temporel
L'université fonctionne traditionnellement selon des temporalités longues.
Les disciplines se constituent sur des décennies.
Les cursus sont élaborés, accrédités, évalués et révisés sur plusieurs années.
Les enseignants construisent leur expertise sur une carrière.
Les diplômes attestent des ensembles relativement stables de connaissances et de compétences.
L'intelligence artificielle introduit une temporalité radicalement différente.
Les capacités des systèmes peuvent changer en quelques mois.
Une opération considérée comme difficile au moment où un programme universitaire est conçu peut devenir banale avant même que la première cohorte ait obtenu son diplôme.
C'est peut-être le problème stratégique principal.
Temps institutionnel de l'université : années.
Temps technologique de l'IA : mois.
L'écart entre ces deux temporalités peut devenir plus important que l'écart entre les contenus enseignés.
L'université ne peut probablement pas gagner une course consistant à actualiser ses programmes au rythme des modèles.
Elle doit donc changer de stratégie.
Elle doit apprendre à former au changement lui-même.
3. Le test de 2031
Prenons au sérieux l'étudiant de septembre 2026.
Lorsqu'il terminera son master vers 2031, que signifiera :
savoir programmer ?
savoir traduire ?
savoir rédiger ?
savoir effectuer une recherche bibliographique ?
savoir analyser des données ?
savoir résoudre un problème mathématique ?
savoir produire une synthèse ?
savoir construire une argumentation ?
savoir écrire un mémoire ?
Nous ne pouvons pas répondre avec certitude.
Mais nous savons déjà quelque chose d'essentiel :
une partie croissante des opérations permettant aujourd'hui de démontrer ces compétences pourra être accomplie avec une assistance machinique considérable.
Cela crée une difficulté pédagogique sans précédent.
Pendant longtemps, la production constituait une approximation acceptable de la compétence.
Un étudiant produisait une dissertation : on évaluait sa capacité à raisonner et écrire.
Il produisait du code : on évaluait sa capacité à programmer.
Il traduisait un texte : on évaluait sa maîtrise linguistique et traductionnelle.
Il produisait une bibliographie : on évaluait sa capacité de recherche.
Il résolvait un problème : on évaluait sa maîtrise du raisonnement nécessaire.
Cette relation devient instable.
Produit observable ≠ nécessairement capacité humaine correspondante.
Un excellent résultat peut désormais être produit avec une participation cognitive humaine très variable.
L'université perd donc progressivement l'un de ses instruments historiques fondamentaux :
déduire la capacité à partir de la production.
4. La question fondamentale devient : qu'est-ce qu'un humain formé ?
C'est probablement la question que l'université doit poser avant toutes les autres.
Pas :
Que faut-il interdire ?
Pas :
Quel outil d'IA devons-nous acheter ?
Pas même :
Comment enseigner le prompt engineering ?
Mais :
Quelles capacités voulons-nous qu'un étudiant possède personnellement à la fin de sa formation, indépendamment des capacités auxquelles il peut accéder par l'intermédiaire d'une machine ?
Cette question impose de distinguer trois catégories.
1. Ce que l'étudiant doit savoir faire sans la machine
Certaines opérations devront rester maîtrisées personnellement parce qu'elles constituent des fondations cognitives.
On ne peut probablement pas apprendre à juger une argumentation sans avoir appris à argumenter.
On ne peut pas contrôler un calcul sans certaines connaissances mathématiques.
On ne peut pas évaluer une traduction sans comprendre suffisamment les langues concernées.
On ne peut pas vérifier une source sans savoir ce qu'est une source.
L'IA ne supprime donc pas nécessairement les apprentissages fondamentaux.
Elle peut au contraire rendre leur fonction plus explicite :
on n'apprend plus seulement pour produire ; on apprend aussi pour pouvoir contrôler ce qui est produit.
2. Ce que l'étudiant doit savoir faire avec la machine
Refuser cette catégorie serait tout aussi problématique.
L'étudiant de 2031 devra vraisemblablement savoir :
interroger des systèmes ;
leur fournir un contexte approprié ;
décomposer un problème ;
comparer plusieurs résultats ;
détecter les incohérences ;
vérifier les sources ;
orchestrer plusieurs outils ;
déterminer quand automatiser ;
déterminer quand reprendre la main.
La coopération humain-machine devient elle-même un objet de formation.
3. Ce que l'étudiant ne doit plus nécessairement faire
C'est la catégorie dont l'université parle le moins.
Certaines opérations historiquement enseignées parce qu'elles étaient indispensables pourraient devenir largement automatisables.
Les conserver toutes au nom de la tradition serait aussi problématique que les supprimer toutes au nom de l'innovation.
Chaque discipline doit donc poser une question difficile :
Quelles opérations enseignons-nous parce qu'elles forment l'esprit, et lesquelles enseignons-nous seulement parce qu'elles étaient autrefois nécessaires pour produire le résultat ?
La distinction devient fondamentale.
5. De la compétence au discernement
Lorsque la machine devient capable de produire plusieurs solutions plausibles, la valeur humaine se déplace.
Il faut pouvoir déterminer :
laquelle est pertinente ;
laquelle est vraie ;
laquelle est acceptable ;
laquelle est adaptée au contexte ;
laquelle respecte les contraintes ;
laquelle comporte un risque ;
laquelle doit être rejetée ;
et parfois si la question elle-même a été correctement posée.
La formation supérieure doit donc déplacer progressivement son centre de gravité :
Produire → Évaluer
Exécuter → Superviser
Trouver → Vérifier
Répondre → Questionner
Appliquer → Choisir
Compétence → Discernement
Mais cette évolution comporte un piège.
On ne forme pas le discernement dans le vide.
Pour juger une production, il faut posséder suffisamment de connaissance et d'expérience du domaine concerné.
Le paradoxe éducatif de l'IA devient alors :
il faut continuer à apprendre à faire certaines choses que la machine sait déjà faire afin de devenir capable de juger correctement ce qu'elle fait.
C'est probablement l'un des principes pédagogiques fondamentaux de l'université à venir.
6. L'évaluation doit être repensée
L'IA ne crée donc pas seulement un problème de fraude universitaire.
Elle révèle une crise beaucoup plus profonde de l'évaluation.
Demander :
« Cet étudiant a-t-il utilisé ChatGPT ? »
est une question transitoire.
La question durable est :
Quelle part de la capacité que nous cherchons à certifier appartient effectivement à l'étudiant ?
Cela oblige à diversifier les modalités.
Un même étudiant pourrait devoir démontrer successivement :
capacité autonome — sans assistance ;
capacité augmentée — avec les outils disponibles ;
capacité critique — en évaluant une production de l'IA ;
capacité réflexive — en expliquant ses choix, ses délégations et ses vérifications.
Le résultat final ne suffira plus.
Il faudra parfois évaluer le processus cognitif.
Pourquoi avez-vous choisi cette source ?
Pourquoi avez-vous rejeté cette réponse ?
Qu'avez-vous confié à la machine ?
Pourquoi ?
Qu'avez-vous vérifié ?
Comment ?
À quel moment avez-vous repris la main ?
L'évaluation devient ainsi progressivement une évaluation de l'architecture du travail intellectuel.
7. Il faut enseigner l'IA — mais surtout apprendre à vivre avec son instabilité
Former les étudiants à GPT-5.6, Claude ou Gemini serait insuffisant.
Les modèles qu'ils utiliseront en 2031 seront différents.
Certaines interfaces actuelles auront disparu.
Les pratiques de prompting elles-mêmes pourront devenir largement automatisées.
L'université ne doit donc pas seulement former aux modèles.
Elle doit former au-delà des modèles.
Cela signifie notamment apprendre :
- ce qu'est une délégation cognitive ;
- comment un système probabiliste produit ses résultats ;
- comment évaluer une source et une provenance ;
- comment vérifier une affirmation ;
- comment travailler dans l'incertitude ;
- comment comparer humain et machine selon la tâche ;
- comment mesurer le risque d'une délégation ;
- comment préserver son autonomie intellectuelle ;
- comment apprendre continuellement de nouveaux systèmes.
L'objectif n'est pas de produire des spécialistes de chaque génération d'IA.
C'est de produire des personnes capables de reconfigurer continuellement leur rapport aux technologies cognitives.
8. Le professeur change lui aussi de fonction
Si l'étudiant dispose vingt-quatre heures sur vingt-quatre d'un système capable d'expliquer une notion de dix manières différentes, de générer des exercices, de corriger du code et de répondre instantanément à des questions, la fonction professorale ne disparaît pas.
Mais une partie de sa rareté historique disparaît.
Le professeur n'est plus nécessairement la principale source accessible d'explication.
Sa valeur se déplace alors vers ce que la machine ne garantit pas :
construire un parcours ;
sélectionner ce qui mérite d'être appris ;
mettre les connaissances en perspective ;
identifier les incompréhensions profondes ;
organiser la confrontation ;
transmettre une discipline intellectuelle ;
faire exercer le jugement ;
évaluer une progression ;
incarner une responsabilité.
Le professeur pourrait devenir moins distributeur du savoir et davantage architecte des conditions de formation.
Ce déplacement ne diminue pas nécessairement son importance.
Il peut l'accroître.
9. Le diplôme doit lui aussi changer de signification
Le diplôme a longtemps certifié implicitement :
cette personne sait produire certaines opérations intellectuelles.
Dans un environnement fortement augmenté, il devra progressivement certifier quelque chose de plus complexe :
cette personne possède les connaissances fondamentales du domaine, sait agir avec et sans assistance, sait déterminer ce qu'elle peut déléguer, sait contrôler ce qu'elle reçoit et peut répondre des décisions qu'elle prend.
Le diplôme devient moins exclusivement certification d'un stock de connaissances.
Il devient certification d'une capacité cognitive durable.
Et cette capacité devra probablement être entretenue beaucoup plus longtemps après l'obtention du diplôme.
La séparation :
école → université → travail
devient elle-même moins évidente.
Lorsque les capacités technologiques se renouvellent en quelques mois, la formation ne peut plus être concentrée presque entièrement dans les vingt premières années de l'existence.
10. L'université doit devenir une institution d'anticipation
C'est peut-être la transformation stratégique la plus importante.
Traditionnellement, l'université transmet largement un patrimoine constitué.
Elle doit désormais simultanément :
transmettre ce qui demeure,
observer ce qui change,
et préparer à ce qui n'existe pas encore.
Cela suppose une fonction institutionnelle nouvelle : l'anticipation permanente des transformations cognitives et professionnelles.
Chaque université devrait pouvoir répondre annuellement, discipline par discipline, à quatre questions :
- Quelles opérations intellectuelles l'IA sait-elle désormais accomplir de manière crédible dans ce domaine ?
- Quelles capacités humaines restent indispensables pour contrôler, compléter ou dépasser ces opérations ?
- Qu'enseignons-nous encore principalement parce que les technologies antérieures l'exigeaient ?
- Quelles nouvelles capacités deviennent nécessaires alors qu'elles n'existaient pas dans le cursus cinq ans auparavant ?
Ce ne devrait pas être un exercice exceptionnel de réforme des programmes.
Cela devrait devenir une fonction permanente de l'université.
11. Une stratégie à trois horizons
L'université pourrait organiser sa réponse autour de trois horizons.
Aujourd'hui — 2026
Reconnaître l'IA comme réalité générale de l'environnement cognitif.
Identifier les usages réels.
Redéfinir clairement les règles d'évaluation.
Former enseignants et étudiants non pas seulement aux outils, mais aux principes de délégation, vérification et discernement.
Demain — 2027-2028
Revoir chaque cursus en distinguant :
fondamentaux incompressibles / opérations augmentables / opérations automatisables / nouvelles capacités nécessaires.
Introduire systématiquement des évaluations avec et sans IA.
Créer des observatoires disciplinaires de transformation du travail intellectuel.
Horizon diplômé — 2031
Ne plus considérer comme suffisamment formé celui qui sait seulement produire.
Considérer comme formé celui qui sait :
comprendre → produire → déléguer → contrôler → choisir → répondre.
C'est une transformation considérable de la finalité éducative.
12. Ce que Shanghai ne mesure pas encore
Le classement de Shanghai mesure notamment :
publications ;
citations ;
prix scientifiques ;
chercheurs fortement cités ;
production scientifique.
Ces indicateurs renseignent sur une dimension réelle et importante de la puissance universitaire.
Mais l'université confrontée à l'IA devra peut-être développer d'autres critères d'excellence :
capacité d'adaptation des cursus ;
qualité du discernement formé ;
capacité des diplômés à apprendre continuellement ;
maîtrise de la coopération humain-machine ;
préservation des fondamentaux cognitifs ;
capacité de l'institution à anticiper les transformations du travail ;
capacité des étudiants à rester intellectuellement autonomes dans un environnement cognitivement augmenté.
La meilleure université de 2031 ne sera donc peut-être pas seulement celle qui produit le plus de recherche excellente.
Ce pourrait aussi être :
celle qui aura le mieux compris ce que signifie former un humain lorsque produire de l'intelligence n'est plus exclusivement une activité humaine.
Conclusion — Former pour 2031
L'étudiant qui entre à l'université en septembre 2026 ne peut pas attendre que nous sachions ce que sera exactement 2031.
Il y sera dans cinq ans.
C'est cela qui transforme une réflexion prospective en urgence éducative.
L'université ne peut ni courir derrière chaque nouvelle génération de modèles, ni se protéger de leur existence en préservant artificiellement les conditions cognitives du monde antérieur.
Elle doit accomplir quelque chose de plus difficile :
identifier ce qui doit demeurer humain dans un environnement où ce qui peut être confié à la machine ne cessera de changer.
Cela exige de renoncer à deux illusions symétriques.
La première serait :
puisque la machine sait faire, il n'est plus nécessaire d'apprendre.
La seconde :
pour continuer à apprendre, faisons comme si la machine n'existait pas.
Entre les deux se trouve probablement la mission renouvelée de l'université :
Former non pas pour un monde sans intelligence artefactuelle, ni pour un monde abandonné à l'intelligence artefactuelle, mais pour un monde où l'humain devra continuellement décider de ce qu'il fait lui-même, de ce qu'il délègue et de ce dont il accepte de répondre.
L'université de demain n'a donc pas seulement à transmettre des connaissances.
Elle doit apprendre à chacun à rester capable dans un monde de capacités disponibles.
Et peut-être surtout à rester capable de choisir lorsque la machine peut toujours proposer de choisir à votre place.
