Rapport – IA et éducation (MIT)

Rapport du Comité ad hoc du MIT sur
l’utilisation de l’IA dans l’enseignement, l’apprentissage et la formation à la recherche, 13 août 2026

Traduction du MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training

Plan du document

1. Introduction
- 1.1 Contexte
2. Principes directeurs
3. Recommandations
4. Conclusion

1. Introduction

Le présent rapport est un appel à l’action.

Au terme de cinq mois intenses de réunions, de recherches et de consultations au sein de la communauté du MIT, le Comité ad hoc sur l’utilisation de l’IA dans l’enseignement, l’apprentissage et la formation à la recherche a cherché à comprendre le rôle de l’IA générative dans la vie et la mission éducative de l’Institut, et à formuler des recommandations sur la manière de relever ses défis et de tirer parti de ses possibilités.

En janvier 2026, la chancelière Melissa Nobles, le vice-recteur Anantha Chandrakasan et le président du corps professoral Roger Levy nous ont confié¹ spécifiquement les missions suivantes :

Évaluer l’utilisation actuelle de l’IA au MIT.
Identifier les innovations en matière d’enseignement et d’évaluation des étudiants.
Proposer une politique d’utilisation de l’IA.

Cependant, ce que nous avons appris en tant que groupe nous a rapidement convaincus que la communauté de l’Institut, en particulier le corps professoral, doit s’attaquer à une série de questions plus profondes concernant la structure, la signification et la valeur d’une formation au MIT à une époque où l’IA est l’un des nombreux facteurs qui compliquent la mission de l’Institut.

Notre comité était composé d’étudiants de premier cycle et de cycles supérieurs, de professeurs de toutes les écoles et de membres du personnel des unités concernées, notamment les bibliothèques du MIT et le Laboratoire d’enseignement et d’apprentissage. Bien que nous ayons abordé cette mission avec un large éventail d’expériences et sans thèse préétablie, nos explorations, brèves mais intenses, nous ont conduits à une vision commune bien affirmée.

Dans ce rapport, nous :

Mettons en lumière les aspects clés du paysage éducatif actuel au MIT.
Partageons huit principes sur lesquels nous nous sommes appuyés et qui, nous l’espérons, guideront l’Institut dans les travaux à venir.
Recommandons des mesures immédiates et à long terme tant pour les enseignants que pour l’administration.

En tant qu’établissement étroitement lié à la naissance de l’IA et réputé pour son enseignement particulièrement rigoureux et axé sur la pratique, conçu pour former des diplômés qui n’ont pas peur de s’attaquer aux problèmes les plus complexes du monde, le MIT a un rôle unique à jouer en cette période. Nous croyons qu’il a également la responsabilité de montrer la voie.

Nous espérons que notre rapport aidera l’Institut à s’inspirer de l’esprit « Mind, Hand, and Heart » (l’esprit, la main et le cœur) alors qu’il continue de définir et de promouvoir un enseignement sur le campus de la plus haute qualité – dispensé par des humains, pour des humains, au service de l’épanouissement humain et pour le bien de l’humanité.

Eric Klopfer, coprésident Sam Madden, coprésident

Au nom du Comité sur l’utilisation de l’IA dans l’enseignement, l’apprentissage et la formation à la recherche

1.1 Le contexte

Les recommandations de ce rapport reflètent les observations suivantes concernant le contexte éducatif au MIT.

L’IA générative est déjà omniprésente, suscitant toute une gamme de points de vue :

Les étudiants du MIT utilisent l’IA fréquemment et de manière généralisée – avec des sentiments très mitigés, allant de la curiosité, de l’inspiration créative et de la gratitude à la résignation, à l’inquiétude et à l’anxiété.

Les attitudes des enseignants vont de l’exploration enthousiaste et d’un recours croissant à l’IA au scepticisme, à la méfiance et au « refus de l’IA » – et il existe un désir généralisé de partager des expériences, des idées et des techniques.

Bien que l’IA permette aux enseignants de développer de nouvelles expériences d’apprentissage passionnantes et donne aux étudiants la possibilité d’apprendre et d’expérimenter de manière innovante, elle a eu un certain nombre d’effets préoccupants sur la vie du campus, notamment des signes indiquant que l’IA :

Bouleverse les éléments fondamentaux de l’expérience éducative au MIT, en particulier pour les étudiants de premier cycle, qu’il s’agisse des p-set, des examens à faire à la maison, des UROP, des heures de consultation ou des groupes d’étude.
Accroît l’isolement.
Sape la maîtrise et la confiance des étudiants.
Érode le « contrat social » entre les professeurs et les étudiants.
Rend l’évaluation des progrès des étudiants beaucoup plus difficile.
Remet en question des décennies de normes et de valeurs distinctives de la communauté du MIT concernant la rigueur, la friction créative nécessaire à l’apprentissage, à la résolution collaborative de problèmes et à l’intégrité personnelle.

L’IA engendre à la fois des changements rapides et immédiats et des bouleversements tectoniques à long terme – et le MIT doit y répondre :

Les étudiants sont désorientés et préoccupés par le manque de clarté, de cohérence et de justification concernant l’utilisation de l’IA, tant au sein d’une matière donnée que dans l’ensemble du programme d’études.
Chaque matière enseignée au MIT devra probablement être réexaminée et éventuellement remaniée afin de s’assurer que la manière dont les étudiants reçoivent leur enseignement, ce qu’ils apprennent et la façon dont ils sont évalués tiennent compte de l’IA.
L’IA modifie ce que les étudiants doivent savoir et savoir faire.
Au-delà de ses implications pour des matières et disciplines spécifiques, l’avènement de l’IA exige une réévaluation plus large et holistique de la nature, de la portée et de la finalité de l’enseignement supérieur d’aujourd’hui.

Enfin, l’IA soulève d’importantes préoccupations pratiques pour notre communauté, allant de la protection des données et de la confidentialité aux questions d’inégalité d’accès, de partialité, d’équité et de la reddition de comptes. La croissance explosive et l’ascension de l’IA soulèvent également d’importantes questions pour la société, allant de l’impact environnemental des centres de données de l’IA à l’utilisation de la propriété intellectuelle et des données d’entraînement, en passant par l’impact global de cette technologie et de ce secteur sur les humains – et le MIT doit lui aussi se pencher sur ces questions.

D’autres établissements d’enseignement sont aux prises avec des questions similaires concernant l’IA et proposent des idées intéressantes – mais personne ne semble avoir trouvé toutes les réponses.

Trois remarques sur les termes que nous utilisons :

N.B. Dans le présent rapport, le terme « enseignants » désigne les professeurs et toutes les autres personnes impliquées dans l’enseignement au MIT.
La plupart des références aux « étudiants » s’appliquent tant aux étudiants de premier cycle qu’aux étudiants des cycles supérieurs, sauf dans quelques cas évidents, comme lorsque nous faisons allusion aux exigences générales de l’Institut (GIR) ou aux participants au Programme d’occasions de recherche pour les étudiants de premier cycle (UROP).
Les termes « nous », « notre » et « nos » désignent tantôt les membres du comité, tantôt l’ensemble du MIT. La distinction devrait ressortir clairement du contexte.

2. Principes directeurs

Nous commençons par définir huit principes sur lesquels nous nous sommes appuyés et qui, nous l’espérons, guideront l’Institut dans les travaux à venir.

2.1. Faire preuve d’humilité

Certaines innovations technologiques émergent progressivement : à mesure que la société et la technologie évoluent de concert, leur adaptation mutuelle atténue l’impact. L’ordinateur – précurseur de l’IA et catalyseur clé – correspond à ce modèle. D’autres innovations s’imposent plus brusquement, ayant des répercussions sociales avant même que les individus et les institutions aient le temps de s’y adapter.

La société a tendance à considérer que la « naissance » d’une nouvelle technologie correspond au moment où celle-ci devient facilement utilisable. Selon ce critère, l’intelligence artificielle générative est « née » avec le lancement de ChatGPT à la fin de 2022. L’intérêt du public pour l’IA générative remonte donc à moins de quatre ans. Depuis lors, elle a rassemblé plus d’un milliard d’utilisateurs, et les entreprises qui commercialisent la technologie d’IA en sont venues à dominer les manchettes, le marché boursier et la conscience collective.

En d’autres termes, l’IA progresse dans presque tous les domaines et à un rythme trop soutenu pour que la société puisse observer et analyser correctement ses répercussions, puis s’y adapter progressivement.

Cela nous amène à notre premier principe directeur : nous présentons nos propositions dans un esprit d’humilité. Des ajustements de cap – peut-être même majeurs – seront inévitables à mesure que la technologie poursuivra son évolution incessante et que l’Institut mènera ses expériences et tirera des leçons.

2.2. Faire preuve d’audace

Pour autant, l’incertitude ne peut servir d’excuse à l’inaction. Ce n’est pas le moment de se contenter de solutions de fortune. Les défis que pose l’IA dans l’enseignement et l’apprentissage exigent une réponse stratégique audacieuse – partout, et tout particulièrement au MIT. Alors que notre programme « Responsabilités sociales et éthiques de l’informatique »² en est à sa septième année, nous sommes dans une position unique pour trouver des moyens d’utiliser cette nouvelle technologie au profit de la société, et de nos étudiants en particulier.

L’IA offre également des occasions extraordinaires, allant de possibilités sans précédent en matière de tutorat et d’accompagnement personnalisés à une accélération spectaculaire et à une refonte de la recherche dans de nombreuses disciplines. Saisir ces occasions mérite et exige également de l’audace.

Une réflexion audacieuse est particulièrement importante, car nos étudiants contribueront à façonner l’orientation intellectuelle, éthique et technique de notre société – et ce, très bientôt. Nous leur devons un engagement profond en faveur d’utilisations enrichissantes et constructives de l’IA, ainsi qu’une compréhension approfondie de son potentiel et de ses inconvénients. Leur expérience au MIT devrait leur apporter la sagesse nécessaire pour aider à déterminer comment et où l’IA est utilisée pour le bien de la société et du monde en général.

2.3. Placer l’humanité au cœur de nos préoccupations

Face à une technologie qui dispose déjà de capacités aussi immenses – fondées sur les capacités humaines, calquées sur celles-ci et, à bien des égards, les dépassant désormais –, le défi fondamental et l’objectif le plus important de l’Institut doivent être de cultiver et de protéger notre humanité commune, et de valoriser avant tout la communauté du MIT, ses membres et leur épanouissement.

Lors d’une séance d’écoute avec les professeurs, nous avons appris que certains envisageaient d’utiliser des agents d’IA comme adjoints de recherche plutôt que d’embaucher des étudiants de premier cycle dans le cadre du programme UROP. On peut comprendre les arguments en faveur de la rapidité et de l’utilisation efficace des ressources (surtout aujourd’hui, alors que les ressources consacrées à la recherche sont si limitées). Mais si ces critères en viennent à dominer nos décisions, nous devons tous nous demander : « Pourquoi sommes-nous ici ensemble? »

En tant que communauté, nous devons garder à l’esprit que, bien que la recherche soit au cœur de la mission du MIT, elle est plus qu’une fin en soi; sur notre campus, la recherche est aussi un apprentissage, un moyen de former la prochaine génération de chercheurs afin qu’ils poursuivent notre travail et fassent progresser nos domaines de recherche. Utiliser la recherche comme une occasion d’apprendre par la pratique peut donner lieu à des « inefficacités » apparentes, mais il s’agit là d’une caractéristique, et non d’un défaut.

Mettre l’accent sur notre humanité devrait également nous alerter sur le fait que les solutions couramment utilisées aujourd’hui pour remédier aux problèmes posés par l’IA risquent de nuire aux relations entre les enseignants et les étudiants. Par exemple, de nombreux enseignants ont rapporté que le fait de devoir « surveiller » l’utilisation non autorisée de l’IA nuisait à leur relation avec les étudiants (une dynamique aggravée par le fait que, comme nous l’avons appris, les logiciels de détection de l’IA sont assez peu fiables) . De leur côté, les étudiants craignent d’être accusés à tort de tricherie à l’aide de l’IA et sont de plus en plus frustrés par le recours des enseignants à l’IA dans des domaines qui exigent une touche humaine, comme la notation, la création de devoirs et la rétroaction. Un tel courant souterrain de méfiance mutuelle ne constitue pas le fondement d’une classe saine.

2.4. Se concentrer sur l’apprentissage

De nombreux problèmes et devoirs utilisés dans les cours du MIT pour renforcer l’apprentissage et évaluer les progrès des étudiants peuvent déjà être résolus par l’IA. L’utilisation sans restriction de l’IA par les étudiants peut rendre certaines évaluations traditionnelles moins fiables en tant qu’indicateurs de l’apprentissage individuel, ce qui risque d’affaiblir la confiance dans les notes et les diplômes. Pour les enseignants, ce changement radical des normes et des attentes peut être profondément déstabilisant.

Mais en tant que communauté, ce qui devrait nous préoccuper le plus, c’est que de nombreuses utilisations de l’IA privent les étudiants de la possibilité d’apprendre.

La menace que représente l’IA pour les méthodes d’enseignement et d’évaluation traditionnelles pourrait bien être une bénédiction déguisée – car ces changements sont trop soudains et trop profonds pour être ignorés. Comme peuvent en témoigner les professeurs membres de notre comité, depuis au moins deux décennies, les éducateurs déplorent les pressions exercées sur l’enseignement et l’apprentissage par la fragmentation de l’attention, l’omniprésence des appareils, une préoccupation excessive pour les notes plutôt que pour l’apprentissage, et un sentiment de plus en plus ténu selon lequel étudiants et enseignants sont unis dans un projet intellectuel commun.

En tant qu’institution fière de la puissance de sa formule éducative distinctive, il revient au MIT de saisir l’occasion que représente ce moment : veiller à ce que les changements indéniables imposés par l’IA deviennent un point de basculement, nous obligeant à lutter de manière décisive contre les forces qui érodent notre mission éducative commune.

S’engager pleinement dans l’apprentissage signifie créer un nouveau « contrat social » entre enseignants et étudiants. Nous tous qui enseignons au MIT devrons être prêts à aider les étudiants à comprendre à la fois que le processus d’éducation est nécessairement une lutte productive, et que le résultat le plus important de leur éducation n’est ni une moyenne cumulative ni un diplôme, mais eux-mêmes : leur épanouissement personnel, leur maturité intellectuelle ainsi que le développement de leur propre imagination, de leur perspicacité et de leur jugement.

Inculquer ces attitudes doit devenir une tâche centrale pour chaque éducateur, afin que nos étudiants sachent non seulement ce qu’ils doivent apprendre, mais aussi comment ils doivent apprendre et pourquoi l’apprentissage est important. Nous devons les aider à développer des capacités métacognitives pour réfléchir sur la réflexion, à s’engager dans des pratiques réflexives et à renforcer leur sentiment d’autonomie personnelle. Cela exigera à la fois du dévouement et une nouvelle préparation de la part des enseignants.

2.5. Enseigner de manière intentionnelle

La plupart des cours dispensés au MIT devront faire l’objet d’un examen minutieux et, dans bien des cas, d’une adaptation en profondeur pour survivre à la rencontre avec l’IA sans subir de perturbations majeures. L’IA remettra en question les hypothèses pédagogiques qui ont guidé le choix du contenu, les méthodes d’enseignement et les modes d’évaluation du rendement des étudiants.

En bref, il est temps de mener une réflexion approfondie et exhaustive sur ce que nous enseignons et sur la manière dont nous l’enseignons. Les futures structures de cours, évaluations et politiques doivent être élaborées avec une intention bien définie et un objectif clair, et non pas simplement modifiées en réaction aux réalités immédiates de l’IA. Cela ne signifie toutefois pas que chaque cours doive changer de la même manière.

La technique éprouvée connue sous le nom de « conception à rebours³ » offre ici un cadre utile. Par exemple, plutôt que de commencer par se demander si l’IA devrait être autorisée ou interdite dans une matière spécifique, les éducateurs commenceraient par définir l’objectif de l’expérience d’apprentissage elle-même : ce que les élèves devraient apprendre à connaître, à faire et à valoriser. Les travaux et les évaluations peuvent ensuite être conçus pour mesurer et favoriser ces résultats, en utilisant l’IA si est utile, mais pas si elle ne l’est pas.

Le temps et les efforts requis de la part des enseignants pour repenser, réévaluer ou préserver intentionnellement les structures existantes risquent d’être considérables. Mais ce processus de réflexion et de raisonnement pédagogiques est précieux en soi. Un enseignement intentionnel favorise un apprentissage intentionnel; lorsque les enseignants expliquent clairement pourquoi l’IA est permise, limitée ou obligatoire, les étudiants sont plus enclins à comprendre l’apprentissage qui est ainsi protégé ou développé.

De cette manière, la conception inversée peut aider le MIT à préserver l’objectif de son enseignement tout en s’adaptant honnêtement aux réalités de l’IA. (Il est encourageant de constater que le Laboratoire d’enseignement et d’apprentissage du MIT est bien équipé pour aider les enseignants à maîtriser cet outil.)

2.6. Il n’y a pas de solution universelle

Aucune approche unique de l’IA en éducation ne conviendra parfaitement au MIT. Un séminaire de poésie, un cours de démonstration mathématique et un laboratoire de conception architecturale impliquent logiquement des relations différentes avec l’IA. Dans certains cas, l’utilisation de l’IA pour générer un travail créatif ou résoudre un problème va à l’encontre de l’objectif de l’exercice; dans d’autres, la maîtrise de l’IA fait déjà partie de la pratique, et l’éviter priverait les étudiants d’une partie de leur formation.

De même, un étudiant de première année qui acquiert des compétences fondamentales et développe son sens critique entretient une relation différente avec l’IA de celle des doctorants qui accélèrent la revue de la littérature dans un domaine qu’ils connaissent en profondeur. En bref, une règle uniforme à l’échelle de l’Institut serait inévitablement trop permissive dans certains contextes et trop restrictive dans d’autres.

Cela ne signifie pas pour autant que chaque enseignant doive inventer une politique relative à l’IA à partir de zéro. Le MIT devrait fournir un cadre commun – comprenant un ensemble de politiques communes, des attentes en matière de divulgation et des normes de responsabilité – au sein duquel les départements et les enseignants pourraient faire des choix. Les départements constituent une unité naturelle pour ce travail, puisque les étudiants perçoivent leur programme d’études comme un parcours cohérent et tireraient profit d’une cohérence quant aux moments où l’IA est la bienvenue, à ceux où elle est restreinte, et aux raisons de ces choix.

2.7. L’augmentation, pas l’automatisation

À mesure que les technologies basées sur l’IA deviendront plus performantes, il sera possible – et tentant – de leur confier davantage de tâches « de réflexion »; sans surprise, les étudiants nous ont confié que la tentation était la plus forte lorsqu’ils craignaient de ne pas respecter une échéance. Certains signes précurseurs indiquent toutefois qu’une dépendance excessive aux chatbots peut avoir toute une série de conséquences négatives importantes : diminution de la pensée critique, affaiblissement de la mémoire, érosion de la confiance en soi et atteinte à la maîtrise de la matière.

Obtenir la bonne réponse d’un clavardage automatisé peut créer l’illusion d’apprendre – mais cela peut aussi déclencher un « abandon cognitif »⁴, où les étudiants se rabattent sur l’IA au premier signe de difficulté. Dans un article récent⁵, trois économistes réputés du MIT – Daron Acemoglu, David Autor et Simon Johnson – plaident en faveur de ce qu’ils appellent une « IA pro-travailleurs ». Ils soutiennent qu’au lieu de concevoir des systèmes d’IA destinés à remplacer les travailleurs, les entreprises devraient développer une IA qui permette aux êtres humains « d’être plus efficaces dans leurs tâches existantes, de s’attaquer à de nouvelles tâches et d’acquérir de nouvelles compétences ».

Dans le même esprit, nous devons, collectivement, façonner l’utilisation de l’IA par le MIT dans le domaine de l’éducation pour qu’elle soit « favorable à l’apprenant » – non pas pour remplacer le « plaisir exigeant » de penser, d’apprendre, de créer et de résoudre des problèmes, mais pour élargir l’éventail de ce que les étudiants peuvent envisager, apprendre et résoudre. En bref, l’IA devrait servir à stimuler et à renforcer la curiosité, la créativité et l’apprentissage, et non à les automatiser.

Il est important de noter que cette question est à la fois sociale et psychologique. Tout comme l’automatisation menace par la perte d’emplois, la déqualification et l’isolement croissant des travailleurs, le recours aux chatbots en éducation remplace les liens entre pairs, comme les groupes d’étude, et réduit les interactions entre les étudiants et les enseignants. Si nous voulons que l’augmentation prenne le dessus, nous devons la considérer comme plus qu’un idéal abstrait et « espéré »; c’est une pratique concrète que nos pédagogies peuvent contribuer à promouvoir.

Cela nous amène à notre dernier principe.

2.8. Voir au-delà de la salle de classe et du campus

L’IA devrait être intégrée à l’enseignement du MIT de manière à renforcer, plutôt qu’à diminuer, les capacités des étudiants à s’épanouir en tant qu’êtres humains à part entière. Dans The Culture of Education⁶, Jerome Bruner, éminent psychologue de l’éducation et figure pionnière des sciences cognitives, a soutenu que l’apprentissage n’est pas simplement une question technique de transmission de contenu de l’enseignant à l’étudiant, mais un processus par lequel les étudiants apprennent à interpréter le monde, à trouver leur place dans la société et à développer le sentiment d’être des personnes capables.

Si l’apprentissage est (mal) compris avant tout comme une transmission de contenu, alors des systèmes d’IA hautement réactifs peuvent sembler capables de remplacer les enseignants, les mentors, les pairs, les collaborateurs et, plus généralement, les dimensions interpersonnelles de l’apprentissage. Mais bien que cette attitude soit de plus en plus courante, elle manque de vision à long terme. L’éducation est une pratique culturelle grâce à laquelle les étudiants apprennent à donner du sens, à exercer leur jugement, à se forger une identité et à participer de manière responsable à la vie communautaire.

Une grande partie de ce que nos étudiants retirent du MIT n’est jamais explicitée dans un programme de cours ou un devoir; c’est ce qu’ils apprennent en vivant et en travaillant sur notre campus en compagnie les uns des autres — les attentes tacites, les habitudes, les relations et les valeurs qui façonnent la manière dont ils apprennent à résoudre des problèmes, à exercer leur jugement, à persévérer face aux difficultés et à devenir membres d’une communauté intellectuelle. L’« éducation en milieu résidentiel » est puissante en partie parce qu’elle se déroule partout : dans les résidences universitaires, les groupes de vie, les équipes sportives, les groupes artistiques, les clubs, etc.

Un danger fondamental, comme nous l’avons évoqué, réside dans le fait que l’IA peut permettre aux étudiants de contourner l’apprentissage. Tout aussi préoccupant est le risque que les étudiants intériorisent un modèle transactionnel dans lequel les travaux sont des résultats à produire, les enseignants des évaluateurs, les pairs des éléments facultatifs, et la connaissance (ou un diplôme du MIT) une marchandise optimisable à acquérir ou à produire aussi efficacement que possible.

Un tel modèle mental ne restera pas confiné à la salle de classe. Il façonnera la façon dont les étudiants en viennent à comprendre le travail, la collaboration et la responsabilité sociale, et ils emporteront cet état d’esprit avec eux dans le monde réel. Peu importe à quel point les systèmes d’IA deviennent sociables ou réactifs, ils ne peuvent se substituer aux relations et aux pratiques nécessaires pour grandir et mûrir en tant qu’être humain.

Le MIT devrait donc aborder l’IA non pas simplement comme un outil visant à améliorer l’efficacité de l’enseignement, mais comme une force qui doit être encadrée, afin de soutenir les objectifs plus larges de l’éducation. Les étudiants devraient apprendre à utiliser l’IA de manière productive et fluide, mais aussi de façon à approfondir leur capacité à bien s’intégrer dans leurs salles de classe, leurs laboratoires, leurs milieux de travail, leurs familles et leurs communautés.

L’objectif n’est pas de protéger les étudiants de l’IA, ni de préserver les anciennes formes d’enseignement pour elles-mêmes. Il s’agit de veiller à ce que l’utilisation de l’IA favorise le développement de personnes capables de penser de manière critique, d’agir avec initiative, de travailler de façon productive avec les autres et de comprendre les conséquences de leurs choix dans un monde partagé avec neuf milliards d’autres êtres humains.

3. Recommandations

Cette section détaille les changements que nous jugeons nécessaires pour que le MIT prépare ses étudiants à un monde nouveau. Fondées sur les valeurs de longue date de l’Institut, nos recommandations ne constituent pas une liste d’initiatives individuelles pouvant être mises en œuvre une à la fois, petit à petit, mais plutôt un ensemble de changements substantiels qui doivent être entrepris de concert.

Nous reconnaissons qu’un changement en profondeur prend du temps. Compte tenu des répercussions qui touchent déjà notre communauté, les changements requis devraient toutefois être mis en œuvre selon deux échéanciers : ceux qui s’appliquent immédiatement, et ceux qui commencent immédiatement, mais qui nécessitent une étude et une planification plus approfondies.

L’intelligence artificielle – sous la forme de modèles de langage à grande échelle (LLM) et d’autres technologies d’IA générative – présente au MIT des défis profonds et des possibilités fascinantes.

D’ores et déjà, ces technologies peuvent produire des solutions crédibles et fournir des réponses raisonnables à presque tous les travaux écrits de notre programme de premier cycle, y compris les dissertations, les problèmes de mathématiques et de sciences, les démonstrations, et les exercices de programmation.

Impacts observés

Comme de nombreux étudiants choisissent de se tourner vers l’apprentissage et la résolution de problèmes à l’aide de l’IA – ou se sentent poussés à le faire –, ces technologies ont entraîné, en moins de trois ans, des changements majeurs dans la culture du campus, notamment une baisse de la fréquentation des heures de consultation, une participation réduite aux discussions en ligne et, d’après ce que nous avons entendu de manière anecdotique, une diminution des groupes d’étude en personne dans les résidences universitaires, dans les bibliothèques et dans d’autres espaces d’étude. Ces problèmes se sont manifestés soudainement et de façon spectaculaire, créant un sentiment d’urgence évident. Ils surviennent également à un moment où l’enseignement supérieur est confronté à d’autres défis, et où le MIT lui-même envisage de vastes changements au programme d’études découlant des conclusions et des recommandations du Groupe de travail sur le programme académique de premier cycle (TFUAP).

Des possibilités intrigantes

Bien que ces défis soient pressants, l’IA offre également des possibilités passionnantes en matière d’apprentissage et de création. De nombreux enseignants nous ont confié que les outils d’IA les aident à développer des outils d’apprentissage personnalisés et interactifs qui permettent aux étudiants d’explorer le contenu des matières de manière plus approfondie et aux enseignants de créer pour leurs étudiants des expériences d’apprentissage nouvelles ou nouvellement adaptées à chacun. Avec un peu d’accompagnement, même les enseignants qui ne maîtrisent pas le développement logiciel peuvent personnaliser des agents d’IA pour soutenir une matière ou un projet de recherche. Les étudiants peuvent réaliser des projets logiciels d’envergure dans le temps limité des cours, ce qui n’aurait jamais été possible auparavant. Ils peuvent également utiliser l’IA pour analyser des données, mener des recherches et développer des outils afin d’approfondir leur expertise et de mener à bien des projets qui leur sont bénéfiques, ainsi qu’à la société dans son ensemble. Le potentiel de ces technologies pour améliorer le travail sur l’ensemble du campus est immense.

Les recommandations que nous proposons ci-dessous visent à aider la communauté du MIT à surmonter les défis liés à l’IA et de saisir ses occasions, tout en respectant les principes énoncés à la section 2. Par exemple, l’humilité signifie que nous devons mettre en place des processus administratifs d’évaluation et de révision continues, plutôt que de présumer que tout changement que nous apportons aujourd’hui sera suffisant à l’avenir. L’audace exige que nous ne nous contentions pas de rafistoler le système existant pour limiter ou contrer les répercussions de l’IA sur nos étudiants et nos systèmes, mais que nous repensions plutôt les expériences d’apprentissage, les évaluations et les programmes d’études de manière à redéfinir l’avenir de l’éducation. Placer l’humanité au cœur de nos préoccupations signifie que nous rechercherons des utilisations de l’IA qui renforcent, plutôt qu’elles n’affaiblissent, la valeur d’une formation en présentiel au MIT. Miser sur l’apprentissage signifie enseigner de manière intentionnelle, réexaminer ce que nous voulons que les étudiants apprennent et aligner les évaluations sur ces résultats souhaités, afin de préserver la lutte productive essentielle à une éducation fondée sur l’apprentissage par la pratique. L’absence d’approche signifie que nous devons élaborer des cadres sur mesure pour nous adapter à l’IA plutôt que des règles uniformes en matière d’IA pour tous les étudiants, enseignants ou départements. L’augmentation plutôt que l’automatisation signifie que nous préparons les étudiants à utiliser l’IA avec aisance et de manière à préserver leur autonomie, leur jugement, leur intégrité et les liens humains. Penser au-delà de la salle de classe et du campus exige que nous anticipions les compétences dont nos étudiants auront besoin pour réussir dans leur vie professionnelle et personnelle, en tant que membres de la communauté, futurs leaders, et créateurs de la prochaine génération de technologies d’IA.

Trois grands axes de travail

Nous estimons que la situation exige une refonte en profondeur de l’expérience étudiante. Même si la vie d’un étudiant du MIT sera sans aucun doute différente dans 10 ou 15 ans, en tant que communauté, nous avons la responsabilité de veiller à ce qu’elle reste immédiatement reconnaissable comme une expérience du MIT. Paradoxalement, préserver ce qui est le plus important exigera un changement délibéré.

Nous regroupons nos recommandations en trois sections, brièvement résumées ci-dessous. De manière générale, nous recommandons que, grâce aux efforts conjoints du corps professoral et de l’administration, le MIT :

Adapte ses processus éducatifs à un monde tenant compte de l’IA (section 3.1)

À l’échelle du campus et dès que possible, examine ce que nos étudiants doivent apprendre. Dirigé par les enseignants et les départements, ce processus « tenant compte de l’IA » orientera la conception d’activités en classe plus sociales et expérientielles, en phase avec des travaux et des évaluations novateurs qui fournissent une rétroaction sur ces résultats clés des étudiants. Cela nécessitera également une réflexion sur la nature des notes et de l’évaluation.
Faciliter ce processus en fournissant aux enseignants des ressources dédiées (par exemple, des assistants supplémentaires) et en adaptant les espaces physiques à l’expérimentation, au renforcement de l’esprit de communauté, ainsi qu’à des interactions et à des évaluations sans IA.
Créer au MIT des « communautés de pratique » permettant à leurs membres de partager leurs défis et leurs découvertes, ainsi que des outils et des techniques visant à améliorer l’enseignement et l’apprentissage.

Mettre l’accent sur les personnes, la communauté et l’expérience en résidence (section 3.2)

Redynamiser et réaffirmer l’expérience en résidence en s’appuyant sur des expériences partagées, la transparence et une priorité accordée aux activités en personne.
Intégrer de manière réfléchie la culture de l’IA ainsi que son utilisation responsable et éthique comme fondement et fil conducteur du travail des étudiants, en prêtant une attention particulière à la manière dont cela s’articule avec des disciplines spécifiques. Cela exigera bien sûr des compétences techniques, mais cela repose avant tout sur l’adoption d’une approche centrée sur l’humain de l’IA en tant qu’outil d’augmentation.

Mettre en place des processus, des équipes et des outils pour permettre une réflexion, une itération et une amélioration continues (section 3.3)

Établir des rôles, des processus et des comités permanents pour relever ces défis.
Recueillir des commentaires et des données, se tenir au courant des recherches et des pratiques exemplaires, établir des liens avec des pairs et apprendre d’eux.
Offrir un soutien technique et pédagogique pour rendre tout cela possible.

De plus, nous identifions un ensemble de préoccupations concernant l’impact plus large de l’IA sur la société, l’emploi, l’environnement et bien d’autres aspects, qui ont également une incidence sur notre politique en matière d’IA sur le campus.

3.1. Adapter les processus éducatifs à un monde où l’IA est omniprésente

L’IA générative a une incidence sur ce que nos étudiants doivent savoir et être capables de faire (nos résultats d’apprentissage), sur la manière dont ils atteignent ces résultats, et sur la façon dont nous évaluons ce qu’ils ont appris.

Comme la capacité de l’IA à accomplir avec compétence des travaux de niveau MIT rend difficile l’évaluation des progrès des étudiants sur la base de travaux effectués en dehors des cours, les enseignants ressentent de façon urgente le besoin de nouvelles stratégies d’évaluation.

Bien que nous formulions plusieurs recommandations concernant l’évaluation, nous exhortons les enseignants à ne pas se contenter de simplement essayer de rendre leurs cours « à l’épreuve de l’IA ». En particulier, la manière dont l’IA modifie les aspects sociaux de l’apprentissage – comme la façon dont les étudiants interagissent avec les assistants d’enseignement et participent aux heures de consultation et aux groupes d’étude – posent un défi encore plus profond.

3.1.1. Revoir les objectifs du cours

Avant d’envisager comment concevoir des évaluations tenant compte de l’IA, les enseignants devraient réexaminer leurs objectifs d’apprentissage⁷ pour chaque matière qu’ils enseignent. Que devraient savoir ou être capables de faire les étudiants à la fin du cours?

Les objectifs d’apprentissage d’une matière donnée peuvent être influencés ou non par la disponibilité de l’IA, mais ils doivent tenir compte de celle-ci; c’est-à-dire qu’ils doivent reconnaître que l’IA existe dans le monde, que les enseignants peuvent en diriger ou en autoriser l’utilisation en classe ou à l’extérieur de manière structurée – et que les étudiants peuvent également chercher à l’utiliser sans autorisation.

La principale préoccupation de nombreux enseignants : lorsque l’IA permet d’alléger le travail cognitif lié à l’apprentissage, comment pouvons-nous évaluer ce que les étudiants savent et comprennent réellement?

À l’ère de l’IA, certains objectifs d’apprentissage traditionnels méritent peut-être d’être repensés; par exemple, la majorité de nos étudiants doivent-ils être capables d’écrire à la main des programmes complexes? Les enseignants et les départements devront évaluer si les objectifs établis de longue date sont toujours pertinents et, le cas échéant, mettre au point des méthodes d’évaluation résilientes face à l’IA.

Alors que les objectifs d’apprentissage impliquant des travaux en laboratoire, des projets ou axés sur la performance ne nécessiteront peut-être pas beaucoup d’ajustements, l’IA générative pourrait offrir des façons novatrices d’aider les étudiants à réfléchir, à s’exercer ou à se préparer à une prestation. Par exemple, un enseignant nous a rapporté que, pour les étudiants qui apprenaient à agir à titre de médiateurs, le fait de disposer de coachs IA personnalisés et adaptés au cours a éliminé la gêne liée à la pratique de la prise de parole en public devant les autres, ce qui a considérablement accru la volonté des étudiants de s’exercer, ce qui a à son tour amélioré leurs compétences.

L’IA pourrait également permettre aux enseignants de concevoir des objectifs d’apprentissage qui étaient auparavant impossibles à atteindre, tels que la compréhension ou l’exploitation de nouvelles façons de travailler avec des textes très complexes, des artefacts d’ingénierie ou de vastes systèmes logiciels.

3.1.2. Assurer un apprentissage durable grâce à de nouvelles politiques, structures et formes d’évaluation

Le programme d’études du MIT est réputé pour être exigeant. De plus, de nombreux étudiants surchargent leur horaire avec un nombre élevé de crédits et de multiples activités parascolaires. Ces exigences concurrentes sur leur temps poussent les étudiants à privilégier l’efficacité – et rien ne pourrait être plus efficace que d’automatiser le travail grâce à l’IA. Mais si les étudiants cèdent à cette option tentante, ils se privent de la friction cognitive et de l’effort productif nécessaires à un véritable apprentissage.

L’IA a à la fois créé et mis en évidence un décalage entre les objectifs d’apprentissage établis et les formes d’évaluation habituelles. Au MIT, nous utilisons depuis longtemps des séries d’exercices, des travaux écrits de longue haleine, des examens à faire à la maison et des projets réalisés en dehors des cours pour permettre aux étudiants de consolider leurs connaissances par la pratique et de démontrer ce qu’ils ont appris. L’IA sape la valeur de ces outils, tant pour l’enseignement que pour l’évaluation.

Les enseignants le sentent déjà : face à l’IA, ils doivent changer leur façon d’évaluer les étudiants. Déjà, nombreux sont ceux qui augmentent le poids des examens dans leur barème de notation ou qui demandent aux étudiants de rédiger ou de coder pendant les heures de cours. Cependant, ces solutions tactiques ont un coût : par exemple, accorder une importance excessive aux évaluations en classe revient à réduire la motivation des étudiants à s’investir dans les séries d’exercices et les projets difficiles et chronophages nécessaires pour gravir les échelons menant à la maîtrise. Par définition, le fait de limiter les évaluations à des périodes de cours de durée déterminée restreint la réflexion et la délibération que les étudiants peuvent y consacrer. Si nous voulons que les étudiants s’intéressent à la création et à la reconnaissance d’un travail de qualité – un travail d’envergure, rigoureux, créatif et réfléchi – et qu’ils sachent comment y parvenir, les évaluations rapides et à enjeux élevés incarnent le contraire du message que nous souhaitons leur transmettre en ce moment.

Plutôt que de se contenter de rendre les méthodes d’évaluation actuelles « à l’épreuve de l’IA », les enseignants doivent réexaminer ce qu’ils souhaitent réellement que les étudiants sachent et concevoir des évaluations qui favorisent, voire intègrent, le genre de lutte productive qui permet de développer une compréhension et une maîtrise durables.

Nous invitons les enseignants à envisager des formes d’évaluation moins vulnérables à l’IA et plus enrichissantes pour l’apprentissage, telles que les examens oraux, les portfolios semestriels et les travaux hors classe associés à des discussions en classe. Cela signifie probablement que des ressources telles que les assistants d’enseignement et le temps de classe deviendront plus centrales dans l’évaluation.

Comme décrit dans la section 3.3 ci-dessous, nous espérons également que l’Institut mettra en place des moyens efficaces permettant aux enseignants de partager de nouvelles idées d’évaluation et les pratiques exemplaires qui pourraient émerger.

3.1.3 Mettre l’accent sur l’apprentissage expérientiel et basé sur des projets

Pour s’adapter à la transition vers des méthodes d’évaluation qui ne sont pas vulnérables à l’IA, les enseignants doivent accorder une place plus importante à l’apprentissage expérientiel et basé sur des projets. Afin d’encourager ce type d’enseignement créatif, le MIT devrait soutenir le développement des compétences et des pratiques pédagogiques de tous les enseignants, et reconnaître les contributions dans ce domaine.

Paradoxalement, dans certains cas, l’IA elle-même peut contribuer à ouvrir la voie à des occasions d’apprentissage expérientiel. Par exemple, comme l’IA excelle dans des tâches telles que le codage et certains types de conception, les enseignants peuvent désormais confier des projets beaucoup plus ambitieux. Ainsi, dans le , dans le cours de fin de programme en génie logiciel, les projets que les étudiants pouvaient raisonnablement entreprendre en un semestre devaient souvent être limités en portée et irréalistes à certains égards clés; aujourd’hui, il est tout à fait raisonnable de s’attendre à ce que les étudiants utilisent des outils de codage basés sur l’IA pour créer des artefacts logiciels de qualité quasi-production en un seul trimestre universitaire. Cela peut à son tour laisser place à un apprentissage expérientiel plus approfondi : les étudiants peuvent explorer comment différentes conceptions fonctionnent dans le monde réel, réfléchir aux cas où certaines conceptions surpassent d’autres, et examiner comment les systèmes qu’ils conçoivent fonctionnent dans des contextes réalistes.

Les possibilités s’étendent bien au-delà de l’informatique : les étudiants en architecture utilisent l’IA pour expérimenter de nouvelles façons de visualiser et de tester rapidement leurs idées, bien au-delà de ce qui les techniques de représentation traditionnelles permettent. Cela élargit l’éventail des projets créatifs qu’ils peuvent entreprendre (même si cela ne fait que renforcer l’importance d’acquérir des compétences conceptuelles et techniques fondamentales, ainsi que le discernement et le raisonnement social, afin de s’assurer que les étudiants gardent le contrôle de leurs idées).

Dans une récente entrevue accordée au Wall Street Journal, l’économiste de Harvard Rafella Sadun a fait remarquer que les travailleurs qui réussiront à l’ère de l’IA sont ceux « qui sont capables de réfléchir de manière créative aux façons dont l’IA peut générer de la valeur, de traduire rapidement leurs idées en actions, et qui sont prêts à revoir leur intuition par l’expérimentation et la validation. Les bricoleurs et les gens d’action s’épanouissent dans cet environnement » – ce qui correspond parfaitement à l’esprit pratique du MIT et à l’importance qu’il accorde à l’impact sociétal. Alors que l’IA permet à nos étudiants de s’attaquer à des tâches plus sophistiquées et plus exigeantes, une façon de rester fidèles à notre devise Mens et Manus consistera à élargir la portée et l’application concrète des projets et des initiatives que nous leur confions.

La recherche de nouvelles occasions de projets collaboratifs en classe offre d’importantes possibilités de croissance allant au-delà de la simple maîtrise d’un contenu particulier. Bien structurés et bien encadrés, ces projets peuvent renforcer les en matière de collaboration, de communication, de résolution de problèmes et d’intelligence émotionnelle. Ces compétences humaines durables comptent toujours parmi celles que les employeurs valorisent le plus. Nous aurions tout intérêt à offrir davantage d’occasions à nos étudiants de les développer.

L’IA peut également enrichir ces expériences, en offrant aux étudiants de nouvelles façons d’analyser des données, de mener des recherches et de créer des outils pour approfondir leur expertise et mener à bien des projets qui leur sont bénéfiques ainsi qu’à la société dans son ensemble. Le potentiel de cette technologie pour améliorer le travail sur l’ensemble du campus est immense.

3.1.4. Intégrer un apprentissage social en personne structuré dans les matières

Comme les outils d’IA bouleversent les modèles traditionnels d’apprentissage social au MIT, chaque matière devrait inclure une composante sociale régulière en personne (et non pas se limiter à assister à un cours magistral ou à un cours de révision en prenant tranquillement des notes). Les enseignants devraient structurer intentionnellement ces interactions afin d’atteindre les objectifs d’apprentissage souhaités et de maintenir la qualité, même dans les grandes classes.

Voici quelques exemples d’apprentissage social structuré :

Des projets de groupe avec des suivis hebdomadaires par le personnel et des livrables qui évaluent à la fois les contributions individuelles et collaboratives.
Des séances de résolution de problèmes en groupe guidées par un assistant de laboratoire ou un assistant d’enseignement.
Des discussions de rétroaction structurées autour d’une grille d’évaluation de la classe.
Des discussions en classe animées par un assistant d’enseignement ou un professeur formé, où la participation individuelle est notée.

Pour tirer le meilleur parti de ces interactions en personne, les enseignants devraient expliquer clairement dès le premier jour de cours pourquoi elles sont importantes pour l’apprentissage individuel et la création d’un esprit de communauté. Les cours qui comprennent des projets de groupe de grande envergure devraient offrir des conseils pratiques et des structures permettant de travailler ensemble avec succès.

Bien que la présence de l’IA perturbe l’apprentissage social sur le campus, les outils d’IA peuvent également offrir de réels avantages pour l’apprentissage des étudiants, notamment une aide opportune, des commentaires personnalisés, l’accessibilité et un soutien aux étudiants qui, autrement, pourraient se retrouver bloqués, ainsi que des moyens ponctuels d’aider les groupes à collaborer.

Malheureusement, ces avantages deviennent contre-productifs s’ils permettent aux étudiants de contourner les contextes humains où ils apprendraient à travailler avec les autres, à communiquer leurs idées, à recevoir des critiques de manière constructive, à renforcer leur confiance, à développer leur jugement et à agir en tant que membres d’une communauté.

Le MIT devrait donc considérer l’IA non seulement comme un défi pédagogique ou technique, mais aussi comme un test visant à déterminer si l’enseignement en résidence peut être renouvelé autour de la présence humaine, du travail partagé et d’un mentorat significatif.

3.1.5. Préserver et élargir les expériences de recherche et de carrière en dehors des cours

Lors de son lancement en 1969, le Programme d’occasions de recherche pour les étudiants de premier cycle du MIT⁸(UROP) a ouvert de nouvelles voies en créant un moyen systématique d’offrir aux étudiants de premier cycle une expérience pratique de la recherche de pointe dirigée par des professeurs. Aujourd’hui, l’UROP est un élément phare de l’expérience du MIT, impliquant directement 93 % des étudiants de premier cycle et 58 % du corps professoral.

L’UROP et d’autres expériences de recherche et d’apprentissage hors classe offrent aux étudiants des avantages pratiques évidents, tels que des crédits universitaires et un emploi rémunéré. Mais les avantages plus larges – notamment le développement personnel, les liens avec des mentors et des pairs, ainsi que l’exploration de carrière – sont encore plus importants. L’UROP illustre de manière éloquente la raison d’être et la valeur de l’éducation en collège résidentiel.

Le MIT devrait préserver, renouveler et, idéalement, élargir son engagement envers l’UROP et d’autres expériences d’apprentissage qui mettent l’accent sur le mentorat, la collaboration et l’apprentissage par la pratique; trouver des moyens de les rendre plus accessibles; et envisager de les étendre au-delà du laboratoire.

Nous encourageons également l’Institut à explorer des initiatives connexes visant à rehausser la valeur de l’expérience en résidence au MIT, telles que la mise en place de programmes coopératifs⁹ (que l’Institut étudie activement), la possibilité de faire valoir des expériences de type UROP pour satisfaire aux exigences du diplôme, ou l’élargissement des programmes de recherche de deuxième cycle axés sur l’industrie ou la formation coopérative. Cela devrait inclure une collaboration avec les organismes du campus qui soutiennent déjà ce genre d’expériences, notamment le Centre de service public PKG et le MISTI.

Les programmes UROP, les postes d’assistants de recherche (AR) et d’autres formes de participation étudiante peuvent permettre aux étudiants d’intégrer de nouvelles communautés intellectuelles : rejoindre un laboratoire, apprendre auprès d’étudiants à la maîtrise et de postdoctorants, collaborer avec des pairs à différentes étapes de leur carrière, présenter leurs travaux lors de réunions de groupe, contribuer à la rédaction d’articles, se rendre à des congrès et en venir progressivement à se considérer comme des membres à part entière d’un domaine. Les étudiants acquièrent non seulement des méthodes et des compétences techniques, mais apprennent également comment les questions de recherche se formulent, comment le jugement se développe, comment les erreurs sont interprétées de manière constructive, comment le mérite est partagé, comment les désaccords sont gérés et comment la connaissance est produite collectivement.

Une remarque concernant l’UROP en particulier : bien que les étudiants de premier cycle puissent fournir aux professeurs une aide utile en matière de recherche, ce n’est pas là l’objectif du programme. Celui-ci existe pour former. C’est pourquoi la possibilité que les professeurs trouvent avantageux de remplacer des chercheurs novices par des agents d’IA mérite une attention particulière.

À mesure que les systèmes d’IA deviendront un substitut moins coûteux ou plus efficace aux étudiants de l’UROP ou aux assistants de recherche, les étudiants pourraient perdre l’accès aux relations, aux pratiques et aux modes de travail partagés grâce auxquels se forgent le sentiment d’appartenance, la confiance, le jugement et l’identité professionnelle. Le danger ne réside pas seulement dans le fait que les étudiants auraient moins d’occasions de mener des recherches, mais aussi moins d’occasions de s’intégrer aux communautés de recherche.

3.1.6. Repenser les notes et les mesures incitatives

Plusieurs établissements comparables ont récemment imposé des limites au nombre de « A » que les professeurs peuvent attribuer dans une matière. Nous ne préconisons pas ce genre de rationnement des notes, en partie parce que nous estimons qu’il serait contre-productif pour aider l’Institut à relever les défis liés à l’IA. En réponse à l’importance considérable accordée par la société aux titres de compétences et aux notes, les étudiants déterminés à maximiser leur moyenne cumulative sont fortement incités à utiliser tous les moyens qu’ils jugent les plus efficaces pour atteindre cet objectif. Le rationnement des notes maximales renforcerait la tentation de négliger l’apprentissage réel en s’appuyant davantage sur l’IA.

Alors que les professeurs explorent de nouvelles formes d’évaluation et d’activités d’apprentissage expérientiel, le MIT devrait saisir cette occasion pour examiner le rôle que jouent les notes dans notre système global, et déterminer si l’approche actuelle pourrait être améliorée. Par exemple, si les professeurs réagissent principalement en accordant plus d’importance aux examens en classe, on risque de réduire la portée de ce que le diplôme du MIT symbolise depuis longtemps : à savoir que les étudiants du MIT sont capables de résoudre des problèmes complexes, de manière autonome et en faisant appel à une réflexion approfondie, et non pas simplement d’obtenir d’excellentes notes à des examens sur papier.

Le comité encourage le MIT à explorer d’autres systèmes de notation et d’évaluation, y compris ceux qui fonctionnent dans d’autres pays (comme le système britannique, qui utilise des pourcentages pour exprimer la maîtrise relative par rapport à une norme d’expertise), ainsi que des paradigmes plus récents tels que les évaluations fondées sur les compétences et la maîtrise. À titre d’expérience de réflexion, le comité a discuté de l’idée selon laquelle, si le MIT n’attribuait pas de notes, bon nombre des incitatifs liés à la tricherie assistée par l’IA disparaîtraient. Il convient de noter que le MIT s’abstient déjà de la pratique courante consistant à décerner des diplômes summa/magna/cum laude, car nous estimons que l’obtention d’un diplôme du MIT constitue en soi une distinction suffisante.

Les notes sont loin d’être le seul moyen pour les étudiants de démontrer leur maîtrise ou d’évaluer leurs propres progrès; les commentaires en temps réel lors d’un examen oral ou d’une présentation, ou encore les remarques écrites sur un projet remis, fournissent probablement aux étudiants des renseignements plus utiles sur leur maîtrise des concepts que ce qu’ils pourraient tirer d’une note quelconque.

Compte tenu de l’importance croissante accordée aux projets et à l’apprentissage par l’expérience, les enseignants devraient se demander si les notes constituent le seul, voire le meilleur, mécanisme pour attester la maîtrise dans tous les contextes. Parmi les solutions de rechange, on pourrait envisager de rehausser le statut des portfolios de projets en tant que vitrine des réalisations des étudiants, dans tous les domaines. Déjà, de nombreux employeurs accordent moins d’importance aux notes des candidats qu’à leur rendement lors d’évaluations internes, comme la capacité de répondre à des questions difficiles lors d’une entrevue ou de démontrer leur capacité à résoudre des problèmes et leur maîtrise par le biais d’exercices sur mesure.

3.1.7. Élargir les espaces en personne destinés aux laboratoires et à l’évaluation en personne

À plusieurs égards, nos recommandations préconisent davantage d’activités en présentiel, qu’il s’agisse d’apprentissage pratique, de projets collaboratifs en laboratoire ou d’évaluations en personne. Toutes ces activités nécessitent un espace physique.

Plusieurs enseignants ont exprimé le souhait de disposer d’espaces collaboratifs où les étudiants pourraient réaliser des travaux de longue haleine ou passer des examens. Il pourrait s’agir d’espaces entièrement analogiques ou d’espaces équipés d’ordinateurs sans IA (ou à utilisation limitée de l’IA). De nombreux départements disposent d’espaces de laboratoire qui pourraient accueillir des activités collaboratives, mais manquent de ressources pour y affecter du personnel à temps plein. (Dans les domaines qui utilisent de l’équipement et du matériel coûteux et potentiellement dangereux, les laboratoires en libre-service ne sont souvent pas envisageables.)

Les espaces collaboratifs axés sur la pratique sont utiles pour l’enseignement, l’apprentissage et le renforcement de l’esprit de communauté dans toutes les disciplines, et pas seulement dans les sciences de laboratoire traditionnelles. Nous exhortons le MIT à investir dans la création et la dotation en personnel de tels espaces.

3.1.8. Fournir des politiques d’utilisation de l’IA, accompagnées d’une justification

Les étudiants signalent que les directives sur l’IA qu’ils reçoivent de la part des professeurs sont souvent déroutantes et peu claires. De plus, les règles et la manière dont elles sont communiquées varient considérablement d’un professeur à l’autre.

Bien que nous déconseillions d’imposer une politique uniforme en matière d’utilisation de l’IA, les étudiants souhaitent vivement obtenir des précisions à ce sujet : dans chaque cours, ils veulent savoir avec certitude quand, où et pourquoi l’IA est interdite, autorisée ou obligatoire.

Par conséquent, les professeurs, et peut-être les départements, devraient s’assurer que chaque matière du MIT dispose d’une politique claire concernant l’utilisation de l’IA générative, affichée bien en évidence dans le programme de cours et sur le site Web du cours.

Pour que cela soit réalisable, le MIT doit élaborer dès que possible un ensemble clair et cohérent de lignes directrices parmi lesquelles les enseignants et les départements pourront choisir et qu’ils pourront adapter au besoin. Les départements souhaiteront probablement adopter une approche coordonnée afin que les lignes directrices et les justifications soient bien comprises et largement cohérentes au sein d’une filière donnée.

Nous encourageons les enseignants à utiliser un format normalisé pour communiquer ces renseignements, afin que les étudiants puissent facilement comprendre ce qui est autorisé et ce qui ne l’est pas, cours par cours. L’annexe B ci-dessous fournit un exemple de politique.

Les politiques relatives à l’IA devraient inclure une justification. Bien que de nombreux cours disposent déjà d’une politique d’utilisation de l’IA, nous recommandons à tous les enseignants de s’assurer que leurs politiques comprennent une justification claire, explicitement liée aux objectifs d’apprentissage du cours en question, expliquant pourquoi l’IA doit, peut ou ne peut pas être utilisée.

Par exemple, si un enseignant souhaite interdire l’utilisation d’outils d’IA générative, au lieu de se contenter de déclarer que l’utilisation de l’IA constitue une forme de tricherie, il est plus efficace d’expliquer en quoi ces outils empêchent les étudiants d’acquérir les notions fondamentales du cours ou de s’entraîner à résoudre le genre de problèmes qu’ils rencontreront lors des examens, dans leurs futurs cours et dans la vie réelle. Cette approche est plus susceptible de favoriser la prise de conscience et une culture saine autour de l’utilisation de l’IA.

De même, les enseignants qui souhaitent encourager l’utilisation de l’IA dans un devoir particulier devraient expliquer clairement pourquoi cette utilisation est importante pour l’expérience d’apprentissage. Pour les devoirs faisant appel à l’IA, les enseignants pourraient inclure des exercices invitant les étudiants à réfléchir aux moments et aux façons où l’IA aide ou nuit à leur apprentissage, à leur réflexion et à leur moral, ainsi qu’à la manière dont elle modifie ou enrichit le travail qu’ils produisent.

Enfin, lorsqu’ils autorisent ou encouragent l’utilisation de l’IA, les enseignants doivent s’assurer que les étudiants comprennent que les modèles de langage à grande échelle (LLM) peuvent inventer des faits et des citations, que les outils de génération de code peuvent produire du code incorrect ou non sécurisé, et que les outils de génération d’images peuvent produire des résultats biaisés, offensants ou inappropriés de toute autre manière.

L’IA n’est qu’un outil, et les étudiants sont responsables de tout le travail qu’ils soumettent, y compris tout contenu inexact, biaisé, offensant ou contraire à l’éthique produit avec l’aide de l’IA générative.

3.1.9. Faites preuve de prudence avec les détecteurs d’IA et les plateformes d’examens en ligne

De nombreux outils prétendent détecter l’utilisation de l’IA, et certains sont raisonnablement précis lorsqu’on leur soumet un texte généré exclusivement par l’IA. Cependant, la plupart des situations réelles sont plus nuancées : si un étudiant utilise l’IA pour compléter un plan ou réviser une section, ces outils ont peu de chances de le détecter.

Ces outils s’amélioreront sans aucun doute. Néanmoins, nous déconseillons de se fier aux détecteurs d’IA, car cela risque d’entraîner une course à l’armement dans laquelle les étudiants réagiraient à la détection automatisée en utilisant des « humaniseurs d’IA » de plus en plus puissants pour supprimer les indices que les détecteurs d’IA sont programmés pour repérer. Résultat : beaucoup d’efforts de part et d’autre qui, en fin de compte, ne profitent à personne.

Les systèmes de détection de l’IA peuvent également confondre les textes rédigés par des locuteurs non natifs de l’anglais ou par des étudiants neurodivergents avec des textes générés par l’IA. Même de faibles taux de faux positifs peuvent mettre les étudiants sur les nerfs et entraîner de graves conséquences individuelles. Plus généralement, le renforcement de la « surveillance » autour de l’utilisation de l’IA crée une atmosphère conflictuelle de méfiance entre les enseignants et les étudiants, ce qui, naturellement, nuit à la motivation et au moral des étudiants.

Certains enseignants ont demandé si le MIT mettrait à disposition des navigateurs « verrouillés » pour évaluer les étudiants. Il s’agit d’environnements d’évaluation en ligne qui prennent le contrôle de l’ordinateur pendant un examen, empêchant ainsi l’accès à toute ressource en ligne autre que celles fournies dans le cadre de l’examen. Le comité recommande que le MIT étudie ces outils, mais souligne que la génération actuelle présente des bogues, est sujette aux erreurs et donne l’impression d’une surveillance. Du moins pour l’instant, les examens surveillés en personne – la norme actuelle au MIT – constituent un meilleur choix dans la plupart des cas, bien qu’ils nécessitent des espaces physiques adaptés.

Des solutions de rechange à ces solutions technologiques trop intrusives sont plus susceptibles d’instaurer la confiance et de favoriser l’apprentissage des étudiants. Parmi les options possibles, on peut citer le fait de travailler à la main en classe pour les premières ébauches et les brouillons, la mise en place d’échéances régulières pour les projets ou de réunions pour faire le point sur leur avancement, afin d’éviter que des quantités massives de travail ne s’accumulent à l’approche de la date limite, et la possibilité pour les enseignants de donner des commentaires à différentes étapes (et non pas uniquement sur le produit final).

D’autres outils techniques peuvent également s’avérer utiles. Par exemple, les professeurs peuvent exiger des étudiants qu’ils effectuent leur travail sur des plateformes qui conservent un historique des versions, et qu’ils soumettent cet historique avec leur travail. Cela peut fournir des preuves utiles du processus – par exemple, si un étudiant soumettait un devoir en quelques minutes alors qu’un travail comparable prendrait habituellement des heures. Et les étudiants eux-mêmes trouvent souvent ces outils utiles pour réfléchir à la façon dont leurs idées ont évolué.

Préparer notre système disciplinaire

Bien que nous espérions que les étudiants respectent les politiques relatives à l’IA dans leur propre intérêt, le MIT doit être mieux préparé à gérer les violations graves. Le cadre actuel d’intégrité académique du MIT, ainsi que les processus du Comité de discipline (COD) qui en assurent l’application, ont été conçus selon un modèle de paternité de l’œuvre dans lequel le travail soumis par les étudiants était soit le leur, soit celui de quelqu’un d’autre. L’IA générative fait voler en éclats cette simple dichotomie. Un étudiant qui utilise un outil d’IA pour trouver des idées, déboguer une fonction, peaufiner un paragraphe ou générer un brouillon complet ne « copie » pas au sens traditionnel du terme, et les professeurs, lors de nos séances de consultation, ont systématiquement fait part de leur incertitude quant à la ligne de démarcation actuelle, tant pour formuler leurs propres politiques de cours que pour décider quels cas renvoyer au COD.

Le MIT doit s’assurer que les politiques de l’Institut précisent quelles preuves seraient requises pour porter une affaire d’intégrité académique devant le COD lorsque l’IA est en cause; le COD lui-même ne considère pas que les résultats d’un détecteur d’IA soient suffisants à eux seuls.

Les étudiants ne devraient pas se sentir surveillés. Pour qu’un changement durable s’installe, il faudra que les enseignants soient aussi clairs que possible quant à leurs attentes et que les étudiants comprennent que l’utilisation abusive de l’IA constitue un écart inacceptable par rapport aux normes partagées entre pairs et aux valeurs communautaires, plutôt qu’une violation d’une règle bureaucratique arbitraire.

3.1.10. Soutenir l’expérimentation responsable dans le programme d’études

De nombreuses inconnues subsistent quant à la meilleure façon d’intégrer l’IA dans le programme d’études et de concevoir des expériences permettant d’en éviter les écueils. Nous encourageons les enseignants et les départements à mener des expérimentations coordonnées dans ces deux domaines. Il pourrait également être judicieux de proposer différentes options, par exemple en développant à la fois des cours ou des parcours rigoureux « IA légère » ou « IA intensive » au sein du programme d’études.

Certains étudiants et enseignants préfèrent ne pas utiliser l’IA (pour diverses raisons). Nous encourageons les enseignants à prendre au sérieux cette réticence des étudiants et, lorsque la matière le permet, à proposer un parcours qui limite au minimum l’utilisation de l’IA.

Créer des expériences d’apprentissage qui répondent à des objectifs clairs mais peut-être en évolution, en intégrant l’IA lorsque cela est pertinent et en reconnaissant toujours sa présence – tout en maintenant des normes élevées – ne se fera pas par des ajustements superficiels. Cela exigera plutôt une expérimentation et une évaluation audacieuses et imaginatives à l’échelle du système. Notre travail au sein de ce comité témoigne de la volonté commune des étudiants, des professeurs et du personnel de tous les coins de l’Institut de relever ensemble, de manière créative, ce défi historique.

Le comité a entendu de nombreux professeurs indiquer que le processus administratif nécessaire pour apporter ne serait-ce que de légères modifications aux exigences du programme d’études est chronophage et fastidieux, ce qui rend difficile pour le MIT de réagir, et encore moins d’anticiper, des bouleversements rapides et de grande envergure.

Nous exhortons le MIT à revoir ses processus de gouvernance afin de favoriser une exploration plus rapide des programmes d’études, accompagnée, bien sûr, d’une évaluation approfondie des résultats. Les départements doivent avoir les moyens d’explorer régulièrement des substitutions et des modifications de leur programme d’études tenant compte de l’IA, sans passer par des processus d’examen rigides, impliquant plusieurs comités et s’étalant sur une année entière – sinon, nous serons laissés pour compte. Parallèlement, il est bien sûr essentiel de maintenir la cohérence à long terme de notre programme d’études, qui a toujours été la marque de commerce de l’enseignement au MIT (voir §3.3 ci-dessous) .

3.2. Mettre au cœur les personnes, la communauté, et l’expérience résidentielle

L’IA bouleverse le tissu social de notre campus – et du monde en général. La réaction hostile à l’IA exprimée dans les discours de remise des diplômes de l’été 2026 n’était qu’une manifestation parmi d’autres du mécontentement que beaucoup éprouvent à l’égard de l’IA elle-même et du rôle que jouent désormais les géants de la technologie dans notre société.

Une formation au MIT a toujours signifié être mis au défi par une communauté intellectuelle profonde qui prône la créativité et la rigueur. Nous devons préserver le pouvoir transformateur de cette expérience pour nos étudiants.

L’IA fait son apparition à un moment où les fondements sociaux de la vie sur le campus sont déjà mis à rude épreuve. Dans l’ensemble du secteur de l’enseignement supérieur, les étudiants font état de¹⁰ niveaux élevés d’anxiété, de dépression, de solitude et de déconnexion. La confiance envers les institutions s’est affaiblie, la polarisation politique a rendu les campus plus fragiles, et la reprise post-pandémique des communautés en personne reste incomplète. L’IA n’arrive donc pas dans un environnement socialement neutre.

Elle impose de nouvelles pressions à une communauté qui s’efforce encore de rétablir les habitudes et les attitudes fondamentales dont dépend l’éducation en résidence : être présent, établir la confiance, participer avec enthousiasme aux efforts collectifs et vivre dans un esprit de responsabilité mutuelle. L’IA pourrait accélérer cette érosion. Ou bien elle pourrait être le catalyseur d’une reconstruction délibérée.

Le défi pour le MIT n’est donc ni de préserver telles quelles les pratiques existantes, ni de rejeter les outils d’IA susceptibles de soutenir l’apprentissage et la recherche. Il s’agit d’agir de manière décisive pour s’assurer que l’IA vienne enrichir les communautés humaines au sein desquelles s’inscrit l’éducation, plutôt que de les remplacer discrètement – afin que les machines soient à notre service et non l’inverse.

Le MIT devrait saisir cette occasion pour se demander quelles formes de présence, de collaboration, de mentorat et de vie intellectuelle partagée sont essentielles à l’éducation en milieu résidentiel – puis concevoir des politiques en matière d’IA, des pédagogies et des pratiques de recherche qui les renforcent plutôt que de permettre leur érosion, leur remplacement ou leur effondrement.

3.2.1. Définir et communiquer la valeur de l’éducation en milieu résidentiel

En tant qu’établissement résidentiel, le MIT doit définir clairement la valeur qu’il y a à faire venir les étudiants sur le campus et à les engager activement dans des discussions en personne, des échanges et la résolution de problèmes. Aucune des personnes qui lisent ce rapport n’a reçu une formation dépourvue de ces interactions humaines fondamentales. Mais nous ne pouvons pas tenir pour acquis que les nouveaux étudiants en apprécieront la valeur.

C’est là l’essence même du MIT : dans l’esprit de « Mind and Hand », nous travaillons ensemble sur de vrais projets qui exigent une réflexion approfondie et un travail minutieux et rigoureux.

Il est clair qu’une utilisation irréfléchie et « opportuniste » des outils d’IA pour réaliser des travaux diminue l’apprentissage des étudiants et nuit aux communautés d’apprentissage auxquelles ils appartiennent. L’apprentissage fonctionne lorsqu’il est à la fois stimulant et social; la connaissance se construit par le frottement cognitif, qu’il s’agisse de démêler les étapes d’une démonstration mathématique avec son groupe d’étude, d’ajuster une expérience encore et encore jusqu’à ce qu’elle fonctionne, ou d’avoir une discussion animée avec un pair (plutôt que d’obtenir « la » réponse de l’IA). C’est pourquoi il est important que les étudiants fréquentent l’université!

Les étudiants doivent être convaincus qu’il est dans leur intérêt de faire le travail eux-mêmes. Il faudra plus que des politiques d’utilisation de l’IA imposées d’en haut pour susciter cette conviction. En tant que communauté, nous devons cultiver une culture universitaire dans laquelle (1) les restrictions relatives à l’IA imposées par les professeurs soutiennent clairement l’apprentissage des étudiants, leur épanouissement personnel et leur réussite professionnelle; et (2) les étudiants partagent une culture qui valorise et favorise l’apprentissage sur le campus et décourage le recours excessif à l’IA.

La mission officielle¹¹ et les valeurs¹² du MIT nous unissent tous. Mais nos décisions quotidiennes, conscientes ou inconscientes, sont largement façonnées par les normes et les valeurs tacites de nos communautés immédiates : cours, groupes d’étude, départements, laboratoires, bureaux, équipes, clubs, groupes de vie en résidence, etc.

Pour nos étudiants, ce sont ces communautés en personne qui favorisent les relations sociales – formelles et informelles – qui leur permettent de grandir, de s’épanouir et de se préparer à leur vie au-delà du MIT.

Les employeurs apprécient les diplômés du MIT pour leurs excellentes compétences techniques et en résolution de problèmes. Mais de plus en plus, ils recherchent également des personnes dotées de compétences en matière de relations humaines. En incitant les étudiants à se tourner vers l’IA plutôt que vers leurs camarades, leurs assistants d’enseignement ou leurs professeurs, ces technologies donnent l’illusion que l’interaction humaine est sans importance. Or, apprendre avec et auprès d’autres personnes favorise à la fois l’apprentissage et le développement des compétences humaines qui font tourner le monde.

3.2.2. Renforcer les liens sociaux et le bien-être personnel

L’IA menace le tissu social commun du MIT et crée de nouveaux risques pour le bien-être de nos étudiants. Le MIT doit investir dans la création de normes communes, l’établissement de nouveaux rituels communautaires et la résolution des nouveaux défis académiques, sociaux et émotionnels introduits (ou exacerbés) par l’IA.

Bien que nos recommandations principales portent sur les politiques relatives aux salles de classe et à la formation en IA, nous encourageons l’Institut à prendre de nombreuses autres mesures pour bâtir le genre de communauté que l’IA ne peut remplacer. (Le récent rapport du groupe de travail du MIT sur le programme académique de premier cycle¹³ comprend des recommandations similaires.)

Par le passé, les exigences techniques générales de l’Institut (GIR) offraient non seulement une base académique commune et un ensemble de compétences en résolution de problèmes aux étudiants de premier cycle, mais aussi une expérience de cohésion intense autour d’un noyau commun. Or, ce noyau se fragmente à mesure que les étudiants se précipitent pour suivre des cours spécifiques à leur programme dès leur première année et reportent certaines des GIR jusqu’au printemps de leur dernière année. Les autres rituels communs aux étudiants – la fin de semaine de découverte du campus, l’orientation, la cérémonie d’ouverture de l’année universitaire, le « brass rat » et la remise des diplômes – sont des jalons très espacés. En dehors de leurs groupes de recherche ou de leurs laboratoires, les étudiants des cycles supérieurs ont encore moins de rythmes et de rituels communs.

D’après certaines anecdotes, il semble que l’adoption rapide de l’IA affecte déjà le bien-être des étudiants et crée de nouveaux défis à long terme. Certains étudiants deviennent dépendants de l’IA pour leurs travaux scolaires ou pour un soutien émotionnel; ils perdent leur sentiment d’autonomie, leur sens du but et leur confiance en eux; et s’inquiètent de leurs perspectives de carrière dans un monde saturé d’IA. Les enseignants et les autres membres du personnel universitaire devraient être prêts à reconnaître les défis académiques, sociaux et émotionnels liés à l’IA et à orienter les étudiants vers un soutien approprié.

Nous devons également impliquer beaucoup plus de personnes à l’échelle du campus dans une conversation sur les normes communes et sur l’importance de la communauté. Un exemple pourrait être une série de tables rondes réunissant des étudiants, des représentants de l’industrie, des professeurs et des membres du personnel, afin de discuter de leurs origines et de ce qu’ils aiment : non seulement ce qu’ils font, mais aussi comment ils ont surmonté les obstacles et pris des choix difficiles dans leur vie et leur carrière. Parmi les autres idées, citons des célébrations à l’échelle du campus mettant en valeur les compétences et les réalisations humaines, des « périodes sans technologie » (périodes pendant lesquelles le MIT ne prévoirait ni cours, ni heures de bureau, ni réunions, mais favoriserait plutôt des activités axées sur les interactions en personne), ainsi que l’élargissement de l’initiative « MIT Reads¹⁴ », peut-être au niveau des départements ou des résidences, afin d’encourager davantage de personnes à participer à des activités collectives de lecture, de réflexion et de discussion.

3.2.3. Encourager les enseignants à faire preuve de transparence quant à leur propre utilisation de l’IA

Tout comme le MIT a besoin de normes concernant l’utilisation de l’IA par les étudiants, la communauté doit également s’entendre sur des normes relatives à l’utilisation appropriée de l’IA par les enseignants et s’y conformer. Si les enseignants prévoient de présenter aux étudiants du contenu généré en grande partie par l’IA, ou d’utiliser l’IA pour certains aspects de l’évaluation, de la notation ou de la rétroaction, nous leur recommandons fortement de faire preuve de transparence envers leurs étudiants quant à la manière dont l’IA est utilisée et aux raisons de cette utilisation.

Bien que l’IA puisse être un outil remarquablement utile pour aider les enseignants à améliorer leurs notes de cours, à générer des diapositives et à créer des animations ou des simulations, les étudiants ont clairement indiqué que son utilisation excessive en classe peut leur donner l’impression que l’enseignement n’est pas une priorité pour leurs enseignants. Une remarque récurrente : « Pourquoi devrais-je me donner la peine de venir en classe ou de faire le travail si le professeur ne fait que donner un cours généré par l’IA? » Dans un sondage, la plupart des étudiants ont déclaré au Tech qu’ils n’étaient pas à l’aise avec l’idée d’assistants d’enseignement basés sur l’IA.

Nos séances d’écoute ont confirmé à quel point les étudiants sont attentifs au comportement des professeurs : ils remarquent lorsque ceux-ci utilisent manifestement l’IA pour les diapositives, la rétroaction ou la notation tout en imposant des restrictions à leur propre utilisation, et ils y voient un double standard. Cela met en évidence non seulement un risque, mais aussi une occasion : en donnant l’exemple d’une utilisation responsable de l’IA, les professeurs peuvent contribuer à renforcer le nouveau contrat social dont notre communauté aura besoin pour s’adapter à un monde imprégné d’IA.

En ce qui concerne l’évaluation, bien que l’IA puisse être un bon moyen de vérifier les travaux par rapport à une grille d’évaluation ou d’automatiser certains aspects de l’évaluation, de nombreux étudiants ont également une réaction fortement négative, à juste titre, si, après avoir consacré leur temps à un devoir, le seul retour qu’ils reçoivent provient d’une machine. Une autre façon d’utiliser les correcteurs basés sur l’IA consiste à les mettre directement à la disposition des étudiants en même temps que le devoir, afin qu’ils obtiennent une rétroaction utile sur leur rendement plutôt que comme moyen de déterminer les notes finales. Si nous considérons les travaux comme un outil essentiel d’apprentissage, tant l’enseignant que l’étudiant doivent investir leurs propres réflexions et efforts dans le processus.

3.2.4. Enseigner une utilisation efficace, responsable et éthique de l’ IA

Dans le sondage Tech Survey de l’automne 2025, plus des deux tiers des étudiants ayant répondu estimaient que l’IA serait importante dans leur carrière, mais seulement 25 % estimaient que le MIT les préparait adéquatement à l’utiliser.

Les utilisations efficaces, responsables et éthiques de l’IA sont distinctes – mais interdépendantes. Les étudiants ont besoin de moyens pour renforcer leurs compétences dans chacun de ces domaines. Nous recommandons d’intégrer immédiatement ces thèmes dans les séances d’orientation des étudiants de premier cycle et des cycles supérieurs, et de les intégrer dans l’ensemble du programme d’études dès que possible, afin que les membres de la communauté puissent développer un sens commun de la compétence en matière d’analyse et d’évaluation des systèmes d’IA.

Pour utiliser efficacement l’IA, les étudiants doivent apprendre à cerner un problème ou à formuler une demande, à vérifier un résultat, à reconnaître quand un modèle est susceptible de produire des « hallucinations », et à savoir quand il ne faut pas recourir à l’IA du tout.
Une utilisation responsable commence par la compréhension de la différence entre l’augmentation et l’automatisation dans le contexte de l’éducation : lorsque l’IA aide un humain à mieux accomplir son travail, par opposition à lorsqu’elle remplace l’humain (et élimine ainsi l’apprentissage qui découlerait du fait que ce soit l’humain qui effectue le travail). Une utilisation responsable implique également de savoir comment divulguer honnêtement la contribution de l’IA dans les travaux de cours, les mémoires, les rapports internes et les recherches publiées.
Une utilisation éthique exige que chacun d’entre nous, et que nous tous ensemble, explorions des enjeux que notre communauté n’a pas encore résolus, notamment les jugements concernant la provenance des données d’entraînement; le risque de partialité; le risque d’homogénéisation des résultats; les coûts environnementaux et en ressources; les questions de propriété intellectuelle; et la frontière entre l’assistance et la fausse attribution de la paternité.

Ces thèmes peuvent être intégrés au programme d’études de diverses façons : les projets de fin d’études dans une filière donnée pourraient inclure des composantes liées à l’IA , comme des occasions de réfléchir aux limites de l’IA et à son utilisation appropriée au sein de la discipline. Les départements peuvent également choisir de mettre sur pied des cours « AI-I-M » (IA intensive dans la majeure) et des cours fondamentaux similaires destinés aux étudiants aux cycles supérieurs, afin d’enseigner aux étudiants comment l’utilisation de l’IA s’intègre aux pratiques de leur discipline. Les cours intensifs en communication devraient également offrir un enseignement et des exercices pratiques sur la manière d’utiliser l’IA dans la rédaction et sur les cas où il convient de l’éviter, y compris les risques de citations « hallucinatoires » et d’homogénéisation du langage et des idées.

Les conseillers aux études supérieures et les groupes de recherche devraient intégrer des discussions sur l’utilisation appropriée de l’IA dans la conduite et la publication de la recherche.

3.2.5. Reconnaître et atténuer les impacts négatifs de l’IA

Comme nous l’avons appris tant lors des séances d’écoute que grâce aux résultats du sondage, de nombreuses personnes au MIT s’opposent à la manière dont la plupart des modèles d’IA ont été entraînés – en analysant de vastes quantités de données provenant d’Internet, souvent sans le consentement explicite des auteurs. Certains membres de la communauté refusent tout simplement d’utiliser l’IA parce qu’ils s’opposent à la façon dont les données ont été recueillies sans que leurs créateurs n’en tirent aucun bénéfice ni ne soient mentionnés.

Le MIT doit reconnaître la grande diversité des attitudes et des points de vue concernant l’IA, allant de l’enthousiasme au scepticisme en passant par le rejet catégorique, et créer des expériences éducatives qui permettront à tous les étudiants de s’épanouir tant sur le plan académique que personnel. Le MIT devrait également encourager les efforts de recherche et d’élaboration de politiques visant à atténuer les répercussions négatives de l’IA.

Alors que les entreprises font la promotion agressive de leurs produits d’IA dans le secteur de l’éducation, y compris sur notre propre campus, les gens s’inquiètent de plus en plus de la taille et de la puissance croissantes des grandes entreprises technologiques. Cela est particulièrement vrai pour les étudiants, qui ont grandi sous l’emprise de puissantes entreprises de médias sociaux. Ils souhaitent voir à la fois une plus grande responsabilité et une plus grande transparence concernant l’impact sociétal, environnemental et social des outils d’IA.

3.2.6. Reconnaître l’utilisation de l’IA dans les mémoires et autres travaux de recherche

La recherche étudiante est une caractéristique distinctive de la formation au MIT. Bon nombre de nos étudiants contribuent à des publications de recherche, et les mémoires d’étudiants, rendus accessibles au public par l’entremise du dépôt MIT Open Scholarship¹⁵ des bibliothèques du MIT, partagent nos travaux de recherche avec le monde entier. Comme ces publications ne se contentent pas de diffuser des connaissances, mais lancent également des carrières, elles doivent refléter la valeur et l’intégrité de la formation au MIT.

Toutes les thèses devraient inclure une déclaration expliquant comment l’IA a été utilisée dans leur élaboration. L’IA ne devrait jamais être mentionnée comme coauteur. La plupart des revues et des congrès exigent également la mention de l’utilisation de l’IA, et certains interdisent certains cas d’utilisation; les chercheurs devraient donc vérifier les lignes directrices avant de préparer leurs manuscrits en vue de leur publication. Les bibliothèques du MIT fournissent des conseils sur la manière et le moment de citer les outils d’IA¹⁶.

Tout comme en classe, les normes jouent un rôle important dans la manière dont l’IA est utilisée en recherche, en particulier dans la préparation des manuscrits et des thèses. Quelles utilisations de l’IA en recherche sont acceptables? Comment former les chercheurs à discerner quand les résultats générés par l’IA sont utiles et factuels? Les normes et les pratiques varient d’une communauté à l’autre. Mais nous croyons que tous les chercheurs du MIT devraient considérer l’IA comme un outil placé sous la direction d’un humain chargé de vérifier l’exactitude de ses résultats.

3.3. Mettre en place des processus, des équipes et des outils pour une réflexion continue, une itération, et une amélioration

Les sections précédentes ont décrit de nombreux changements, tant immédiats qu’à long terme, que le MIT devra mettre en œuvre pour s’adapter à l’IA. Compte tenu du rythme effréné des changements dans le domaine de l’IA, les solutions que nous proposons aujourd’hui doivent toutefois évoluer sans cesse. Nos recommandations dans cette section visent à répondre à ce besoin d’adaptation continue et réfléchie.

3.3.1. Mettre sur pied un comité permanent sur l’IA et l’éducation comité

Il était clair pour tous les membres du comité que, bien que notre rapport soit terminé, le travail du MIT sur ce sujet ne fait que commencer.

Pour mettre nos recommandations en pratique, le MIT devrait mettre sur pied un comité permanent. Celui-ci aura pour mission de surveiller les répercussions de l’IA sur le campus et à l’extérieur; d’évaluer les changements dans les modèles et la technologie de l’IA; et d’intégrer les données émergentes issues de l’économie, des sciences de l’apprentissage et de l’expérience sur le campus dans les politiques et les pratiques.

Le comité sera le principal groupe responsable de la stratégie, du suivi, de l’évaluation et de la coordination des politiques, en étroite collaboration avec les responsables de l’IA, les boursiers en IA et l’équipe de mise en œuvre de l’IA (dont nous décrivons les rôles dans les sections ci-dessous).

3.3.2. Créer des responsables de l’IA au niveau des écoles/facultés ou des départements

Nous recommandons de nommer des responsables de l’IA dans chaque école et faculté (ou éventuellement dans chaque département) pour contribuer à la planification, à l’adaptation et à l’adoption des programmes d’IA à l’échelle locale.

Leurs responsabilités pourraient inclure l’élaboration de politiques d’IA sur mesure, la planification de l’adaptation de l’offre de cours de chaque unité à la lumière de l’IA, ainsi que le développement de nouveaux modèles d’enseignement et d’évaluation au niveau de l’unité, tels que l’apprentissage axé sur les compétences, les portfolios, ou les deux.

3.3.3. Financer les boursiers en IA et une équipe de mise en œuvre de l’IA

Nous recommandons également que le MIT finance une équipe de mise en œuvre de l’IA ainsi que des boursiers en IA – membres du personnel, postdoctorants, participants au programme UROP et étudiants à la maîtrise ou au doctorat possédant les compétences nécessaires pour aider les enseignants à adapter leurs cours à l’IA de manière à tirer le meilleur parti des dernières technologies en la matière, tout en s’appuyant sur les principes des sciences de l’apprentissage.

Composés d’experts en technologie, en IA et en sciences de l’apprentissage, l’équipe et les boursiers travailleraient à trois niveaux : soutenir les enseignants individuellement; développer des outils à l’échelle du campus; et agir à titre d’experts en mise en œuvre, en restant « oreille à l’écoute » pour étudier comment ces outils sont utilisés à l’échelle du campus et avec quels résultats.

Passer de pratiques et d’évaluations en classe bien établies à un nouvel ensemble de pratiques et d’évaluations tenant compte de l’IA ou fondées sur l’IA représente une tâche intimidante pour tout enseignant pris individuellement. Réussir cette transition à grande échelle à l’échelle de l’Institut constituera un projet colossal.

Si nous attendons des enseignants qu’ils apportent plus que des améliorations progressives, nous devons leur offrir des conseils, un soutien direct et un esprit de communauté. Étant donné que les unités existantes de soutien aux enseignants et aux programmes d’études, comme le Laboratoire d’enseignement et d’apprentissage, fonctionnent déjà à pleine capacité, le succès de cette initiative nécessitera d’élargir le bassin de personnel spécialisé.

3.3.4. Créer un fonds pilote pour l’IA

Les changements au niveau des programmes d’études ne sont pas faciles, et bon nombre de nos enseignants, en particulier ceux qui enseignent dans les classes les plus nombreuses et qui doivent s’adapter le plus rapidement à l’IA, se sentent déjà surchargés de travail et ne savent pas comment s’y prendre. Afin de soutenir une révision des objectifs et des méthodes de cours tenant compte de l’IA à l’échelle du campus, le MIT doit fournir des ressources substantielles.

Nous recommandons que le MIT et les départements, écoles et facultés créent un Fonds pilote pour l’IA auquel les enseignants pourront faire appel pour obtenir des ressources (telles que des crédits liés à l’IA, des assistants d’enseignement, des stagiaires UROP et du soutien estival) afin de mener des projets axés sur l’IA, d’explorer l’impact de l’IA sur la pédagogie et de créer des expériences délibérément exemptes d’IA.

3.3.5. Offrir une formation continue et un soutien aux enseignants

En plus des ressources matérielles, les enseignants ont besoin d’occasions continues d’apprendre comment l’IA transforme l’enseignement, l’apprentissage et leur propre travail. De nombreux enseignants ont indiqué avoir une expérience relativement limitée de l’IA et se sentir dans l’incertitude quant à la façon dont les étudiants l’utilisent et quant à la manière de s’en servir eux-mêmes. D’autres nous ont confié que l’utilisation de l’IA les avait aidés à développer des outils d’apprentissage interactifs, de créer des animations pour des présentations, d’améliorer leurs notes de cours et de réduire diverses tâches administratives liées à la gestion des cours, tout en offrant de nouvelles expériences d’apprentissage à leurs étudiants. Ces outils ont déjà atteint un niveau de sophistication tel que même les enseignants sans expérience en développement de logiciels peuvent obtenir des résultats impressionnants.

Pour aider les enseignants à gérer à la fois les risques et les occasions, nous recommandons que le MIT suive l’exemple du MIT Sloan¹⁷ et élabore un ensemble de ressources destinées aux enseignants, notamment :

Organiser régulièrement des séminaires de type « dîner-conférence » où les enseignants peuvent écouter leurs collègues expliquer comment ils utilisent l’IA et s’y adaptent. Les enseignants de tout l’Institut se sont montrés très enthousiastes à l’idée de telles « communautés de pratique », tant au sein des disciplines qu’entre elles.
La création de formations en ligne et en personne sur l’utilisation de l’IA pour l’enseignement et les tâches administratives, notamment sur la façon de développer des animations et des simulations, d’utiliser des outils de codage, de mettre en place des systèmes de suivi des tâches, etc. Bien que ces formations puissent intégrer des volets sur l’éthique et la sécurité de l’IA, nous exhortons le MIT à éviter de « cocher une case » en adoptant des programmes de formation génériques sur l’IA proposés par des tiers, et d’investir plutôt dans des moyens permettant à notre propre communauté de fournir ces ressources.
Des ateliers annuels ou semestriels parrainés par l’Institut sur l’IA et l’éducation, destinés à la fois au MIT et à la communauté universitaire au sens large, afin de se réunir et de discuter des développements et des pratiques exemplaires.

Certains de ces changements peuvent être facilités par l’équipe de mise en œuvre de l’IA et les boursiers mentionnés ci-dessus. Le Laboratoire d’enseignement et d’apprentissage, qui se consacre exclusivement au soutien de l’enseignement sur le campus, peut jouer un rôle clé en aidant à organiser et à mener certaines de ces activités.

3.3.6. Élaborer des indicateurs

Afin de comprendre comment l’IA transforme notre communauté et nos salles de classe, le MIT devrait commencer à suivre des indicateurs relatifs à l’utilisation de l’IA, à l’engagement sur le campus, à la satisfaction des étudiants et aux commentaires post-diplôme. Cela pourrait inclure des questions supplémentaires axées sur l’IA dans le sondage semestriel du MIT sur la qualité de vie, ou peut-être d’autres indicateurs, tels que des questions supplémentaires dans les évaluations de cours concernant l’engagement des étudiants et du personnel ainsi que l’utilisation de l’IA.

3.3.7. Garantir un accès équitable à la technologie IA

Le MIT devrait continuer à fournir une plateforme d’IA « indépendante de tout modèle », telle que Parley, qui ne lie pas notre communauté à un seul fournisseur de modèles, et veiller à ce que cette plateforme offre le niveau d’accès dont notre communauté a besoin.

Les différents modèles d’IA générative varient considérablement en termes de performance et de comportement selon les tâches. Les fournisseurs commerciaux d’IA comme OpenAI, Google et Anthropic offrent tous des services hébergés payants, les forfaits les plus élevés pouvant coûter jusqu’à 200 $ par mois (en juin 2026). Certains chercheurs dépenseraient, selon certaines sources, des milliers de dollars de plus par mois en demandes facturées à l’invocation (« accès API ») pour des outils de codage et d’autres cas d’utilisation. Ces fournisseurs commerciaux renouvellent continuellement leurs modèles afin d’offrir des performances de pointe.

Pour la communauté du MIT, il en résulte une inégalité préoccupante : De nombreux étudiants ici peuvent débourser 200 $ ou plus par mois de leur poche pour accéder à des systèmes d’IA de pointe; ce n’est pas le cas de bon nombre de leurs pairs. Certains étudiants peuvent ainsi accéder à des outils capables de mener à bien des projets de cours importants ou de résoudre du jour au lendemain des exercices de mathématiques et de programmation très difficiles; d’autres doivent se contenter de modèles moins avancés, même si la politique du cours autorise l’utilisation illimitée de l’IA. Ce déséquilibre risque de créer d’énormes disparités dans le rendement scolaire.

Des préoccupations similaires s’appliquent à l’extérieur de la salle de classe, aux administrateurs et aux chercheurs dont la productivité est comparée à celle de collègues ayant accès à des modèles plus ou moins puissants.

Comme première étape importante pour répondre aux préoccupations liées à l’accès et à la protection de la vie privée, IS&T propose le système Parley¹⁸, qui donne à tous les membres du MIT accès à une gamme de modèles variés, tant commerciaux qu’ouverts, et offre à chaque utilisateur jusqu’à 30 $ par mois de crédits gratuits pour les utiliser. L’accès à l’API pour une utilisation avec des outils de programmation a été lancé à l’été 2026.

L’accès offert par Parley est très utile, mais il pourrait ne pas être suffisant pour tous les cours du MIT, en particulier en génie logiciel où l’industrie adopte rapidement ces outils. Certains utilisateurs ont également exprimé leur inquiétude quant au fait que le « budget » de 30 $ par mois alloué à chaque utilisateur soit trop faible. Nous recommandons que le MIT continue de sonder la communauté et envisage d’offrir un accès élargi pour certains types d’utilisations (p. ex., des cours spécifiques axés sur l’IA) où les étudiants ont besoin de ressources supplémentaires. De plus, plusieurs groupes nous ont fait savoir que, même à l’heure actuelle, ils continuent de payer pour des modèles commerciaux, car les forfaits d’abonnement subventionnent en fait l’utilisation des jetons par rapport à la tarification au jeton de Parley.

Comme les systèmes et outils agentiques font de plus en plus partie intégrante de la pratique de l’IA, quels que soient les systèmes que nous utilisons, ils devraient offrir un accès au codage agentique et à des outils de travail, en plus des interfaces de clavardage. Nous devons également veiller à fournir un accès adéquat aux ressources informatiques dont les étudiants ont besoin pour leurs cours et leurs projets, notamment lorsqu’ils entraînent ou affinent des modèles, en envisageant à la fois des ressources sur le campus et hébergées dans le nuage.

3.3.8. Protéger les données sensibles et préserver le choix du modèle

Nous recommandons que le MIT continue d’investir dans l’accès à des outils de pointe permettant aux étudiants, aux enseignants et au personnel d’accomplir leur travail sans avoir à s’inquiéter de la confidentialité des clavardages, des données ou des applications qu’ils utilisent. Le MIT doit assumer la responsabilité de garantir ce niveau de confidentialité tout en restant indépendant des modèles.

L’une des préoccupations concernant les outils d’IA commerciaux est que des données sensibles puissent être intégrées à leurs ensembles d’apprentissage. La plupart des forfaits, en particulier ceux payants, permettent aux utilisateurs de désactiver délibérément la collecte de leurs données à des fins d’apprentissage – mais le paramètre par défaut consiste souvent à enregistrer les séances des utilisateurs pour l’apprentissage. Cela entraîne le risque que des données privées et sensibles provenant des utilisateurs du MIT se retrouvent dans les réponses fournies par ces modèles.

Le service IS&T du MIT fournit une bonne référence concernant les utilisations autorisées¹⁹ pour différents types de données auprès de ces fournisseurs d’IA commerciaux.

Certains étudiants et membres du corps professoral s’inquiètent de la manière dont leurs publications (y compris les mémoires d’étudiants, les articles de revues et les livres) pourraient être utilisées pour l’entraînement de l’IA. Le groupe de travail du MIT sur le contenu savant et l’IA générative a élaboré des lignes directrices et des ressources sur ce sujet, qui seront publiées prochainement.

Nous appuyons fermement l’approche indépendante de Parley et nous exhortons le MIT à ne pas s’engager envers un seul écosystème d’IA commercial, tout en maintenant un accès de premier ordre pour tous. Nous aimerions également que le MIT offre davantage d’accès hébergé à des modèles d’IA locaux où les utilisateurs peuvent émettre des requêtes sans craindre que leurs données d’entraînement ne soient capturées par des fournisseurs commerciaux. Les modèles open source récents pouvant être exécutés sur des GPU locaux offrent des capacités similaires à celles des modèles commerciaux pour de nombreuses tâches et continueront de s’améliorer; toutefois, pour fonctionner localement, ces modèles ouverts de grande envergure nécessitent de très grands grappes de GPU .

3.3.9. Établir des politiques en matière de protection de la vie privée, de journalisation et d’audit

Les systèmes d’IA ne sont pas seulement des outils de travail. Depuis les tout débuts de cette technologie, les gens les utilisent pour obtenir un soutien émotionnel et psychologique. Cela s’est même produit avec l’un des tout premiers systèmes, le chatbot ELIZA créé par le MIT (bien que, ironiquement, il ait été principalement conçu pour démontrer la superficialité des interactions entre les humains et l’IA).

Aujourd’hui, les membres de la communauté du MIT partagent avec les systèmes d’IA des renseignements qui englobent les aspects les plus personnels et les plus sensibles de leur identité et de leur expérience, en posant des questions sur leur santé, leurs relations, leur vie émotionnelle, leurs objectifs, leurs aspirations et leurs angoisses. Nos étudiants font partie de la génération la plus susceptible d’utiliser l’IA pour ce genre de conseils personnels²⁰.

Comme Parley est un système géré par le MIT, il offre notamment la possibilité de vérifier l’utilisation des modèles d’IA; en théorie, l’IS&T peut voir chaque demande des utilisateurs adressée à Parley ainsi que les réponses provenant des modèles d’API du backend.

Le MIT doit donc établir une politique claire concernant les types de journalisation et de vérification qui seront autorisés. Il existe des intérêts contradictoires : d’une part, les utilisateurs pourraient vouloir utiliser ces modèles pour poser des questions privées ou de nature personnelle, en s’attendant à ce que leurs données restent confidentielles. D’autre part, les enseignants pourraient juger utile de voir comment leurs étudiants utilisent les séances de clavardage avec l’IA ou les journaux de conversation afin de vérifier si les objectifs d’apprentissage sont atteints. Le MIT devra peut-être explorer les technologies d’anonymisation ou établir une pratique selon laquelle les travaux en classe pour lesquels les journaux de conversation sont partagés avec les enseignants soient clairement identifiés et annoncés.

Voici quelques questions auxquelles le MIT devrait répondre : Comment devrions-nous conserver et stocker les données? Comment devrions-nous surveiller (ou intervenir dans) les interactions avec l’IA lorsque les utilisateurs laissent entrevoir la possibilité de se faire du mal ou de nuire à autrui, ou montrent d’autres signes de détresse psychologique? Comment pouvons-nous communiquer au mieux ces politiques (et leurs implications) à la communauté du campus? Ces questions doivent être discutées ouvertement et résolues de manière transparente.

3.3.10. Surveiller les coûts de l’IA et son impact environnemental

De nombreux membres de la communauté ont fait part de graves préoccupations concernant les coûts environnementaux de l’IA et l’impact des centres de données sur les collectivités où ils sont construits. Les enjeux comprennent la consommation d’énergie et d’eau des centres de données, l’impact de leur construction et les matériaux utilisés pour fabriquer leur matériel. Ces préoccupations ont trouvé un écho dans la littérature grand public et ont fait l’objet d’un rapport au MIT²¹,²². Tant l’entraînement que l’inférence entraînent des coûts énergétiques, et la rapidité de réponse des modèles, ainsi que le renouvellement constant visant à entraîner des modèles plus récents et plus puissants, ont un impact environnemental.

Le MIT devrait s’attaquer à ce problème tant par ses pratiques sur le campus que par la recherche.

Bien que nous estimions qu’il soit essentiel que le MIT donne accès à des outils d’IA, nous recommandons également que l’Institut investisse dans des moyens de fournir de l’information sur les coûts environnementaux et financiers réels liés à l’utilisation de l’IA. Cela pourrait inclure la publication d’estimations du coût environnemental de différents modèles sur Parley, ou la promotion de l’utilisation d’outils d’IA à moindre impact. Nous encourageons également le MIT, dans la mesure du possible, à évaluer sa propre empreinte en matière d’IA.

Des travaux sont en cours sur le campus pour mesurer les coûts environnementaux des centres de données et trouver des moyens de les réduire. Ces impacts sont souvent difficiles à quantifier, à la fois parce que les entreprises gardent ces données confidentielles et parce qu’ils sont diffus, englobant tout, depuis les coûts de construction jusqu’aux coûts de formation répartis sur toute la durée de vie des modèles d’inférence. De nombreux groupes au MIT – notamment la MIT Energy Initiative, le MIT Climate Project et le MIT Climate and Sustainability Consortium — explorent des solutions novatrices concernant l’avenir des centres de données et des collectivités. Le MIT pourrait également apporter une contribution importante à la conception de modèles d’IA beaucoup moins énergivores.

4. Conclusion

Nous espérons que ce rapport reflète la complexité, l’urgence et les nuances des défis et des possibilités que l’IA présente pour le MIT, et qu’il aide la communauté de l’Institut à s’unir pour passer à l’action.

L’IA a le potentiel d’aider nos étudiants à être plus productifs, à apprendre plus efficacement et à acquérir des compétences qui leur permettront de bâtir un monde meilleur. De plus – bien que cela dépasse le cadre du présent rapport –, les capacités extraordinaires de l’IA transforment déjà la pratique de la recherche scientifique, sur notre campus comme ailleurs. Mais l’IA comporte également de nombreux risques perturbateurs pour le processus d’apprentissage, la pratique de l’enseignement et le tissu social de l’éducation en résidence.

Une vision commune forte

L’une des conclusions marquantes de nos travaux au sein du comité a été que — bien que nos membres proviennent de tous les horizons de l’Institut, y compris des cinq écoles du MIT et du Collège, et qu’ils aient des perspectives professionnelles et appartiennent à des générations différentes — nous partagions tous les mêmes préoccupations fondamentales concernant les risques que l’IA fait peser sur nos étudiants et notre communauté, ainsi que la même détermination urgente à ce que le MIT joue un rôle de chef de file dans la mise en place d’un nouveau modèle d’éducation qui valorise la sagesse humaine et les liens entre les personnes.

La position unique du MIT

Grâce à son leadership de longue date en matière d’IA, à son rôle parmi les institutions de recherche et d’enseignement les plus éminentes au monde, ainsi qu’à sa longue tradition d’enseignement pratique, l’Institut occupe une position unique pour mener l’enseignement supérieur dans cette adaptation rapide et cruciale à l’ère de l’IA.

Il ne s’agit pas d’un exercice facultatif. Nous devons montrer comment intégrer l’IA de manière réfléchie et délibérée dans les salles de classe, les activités de recherche et l’expérience de la formation en résidence, de façon à garantir l’apprentissage, à favoriser les découvertes et à préparer les étudiants à l’avenir.

Il y a beaucoup à faire.

Dès maintenant, la communauté du MIT doit s’engager dans une série de changements visant à rendre nos approches pédagogiques plus sensibles à l’IA. Cela ne signifie pas nécessairement intégrer l’IA dans tout ce que nous faisons, ni même dans la plupart des choses. Mais aucun d’entre nous ne peut se permettre d’ignorer le fait que l’IA influence ce que nos étudiants apprennent et la manière dont ils l’apprennent.

Pour les étudiants

Dans le cadre de ce travail, nous serons au service de nos étudiants en mettant l’accent sur ce qui rend l’expérience en résidence si transformatrice et en la renforçant; en repensant ce qu’ils doivent savoir et en réorganisant nos évaluations en conséquence; en leur apprenant à utiliser l’IA de manière appropriée dans leurs disciplines; et en les aidant à développer les compétences, le jugement et les attitudes nécessaires pour réussir au-delà du MIT dans un monde imprégné d’IA. Nous devons favoriser une communauté qui valorise et tire le meilleur parti de l’expérience MIT partagée en expérience en personne au MIT et qui inspire les étudiants à se lancer dans la lutte productive que représente l’apprentissage.

Pour les enseignants

L’Institut doit également s’assurer que les enseignants savent comment utiliser l’IA et quand il vaut mieux s’en abstenir. Bien que les enseignants eux-mêmes doivent prendre l’initiative d’évaluer ce que les étudiants doivent savoir dès maintenant et de concevoir des évaluations « tenant compte de l’IA », le MIT – et peut-être surtout les départements – devront probablement fournir un soutien, une coordination et des conseils considérables. Nous devons créer des « communautés de pratique » au sein des écoles et entre elles, afin que les enseignants puissent apprendre les uns des autres comment utiliser l’IA, s’y adapter et s’en prémunir. Cela exige donc que l’Institut et les départements autorisent et appuient l’expérimentation de l’IA, ainsi que les recherches sur l’IA et autour de celle-ci, en classe, et qu’ils fournissent des moyens de consigner et de partager ces expériences.

Au fil du temps

Certains changements prendront du temps. Nous devons trouver des moyens d’offrir aux étudiants des expériences d’apprentissage appropriées en matière d’IA, depuis leur arrivée au MIT jusqu’à l’obtention de leur diplôme. Nous devons surveiller et étudier en permanence les compétences techniques et les aptitudes humaines durables exigées par l’industrie, et veiller à ce que nous préparions nos étudiants de manière adéquate. Nous devons approfondir notre compréhension scientifique de la manière dont l’IA influe sur l’apprentissage et nous assurer que nos pratiques éducatives reflètent ces connaissances en constante évolution. Et tandis que nous tirons parti des avantages de l’IA, peut-être surtout dans le domaine de la recherche, nous devons travailler activement à réduire ses inconvénients.

Une feuille de route pour l’avenir

C’est avec humilité que nous présentons ce rapport comme une feuille de route destinée à aider l’Institut à naviguer dans cette transition, dès maintenant et à long terme. Ce travail exigera un engagement réfléchi et des efforts ciblés de la part de toute la communauté du MIT – étudiants, professeurs, personnel et direction. L’objectif : préserver et renforcer le pouvoir transformateur unique de l’éducation offerte par le MIT.

Il n’est pas exagéré de dire que la mission du MIT en dépend. Heureusement, notre travail au sein du comité nous a convaincus que la communauté du MIT est vivement désireuse de relever ce défi et qu’elle dispose des atouts uniques pour y parvenir, afin que l’Institut puisse continuer à développer chez ses étudiants « la capacité et la passion de travailler avec sagesse, créativité et efficacité pour le bien de l’humanité ».

Liste évolutive des articles traduits par Gilles en vrac
Les caractères gras dans le texte sont de l’auteur.e

Rapport​ du Comité ad hoc du MIT surl’utilisation de l’IA dans l’enseignement, l’apprentissage et la formation à la recherche, 13 août 2026