Enseignement de la gestion et du management

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

L'IA dans l'enseignement de la gestion — l'application de l'intelligence artificielle à l'enseignement et à l'apprentissage de la gestion, de l'économie et du management, et à la préparation des étudiants à un monde du travail intégrant l'IA générative. Les écoles de commerce font face à une double exigence : intégrer l'IA au programme comme objet et outil pédagogique, tout en préparant les étudiants à utiliser l'IA générative de façon responsable et efficace dans la pratique professionnelle.

Questions à examiner

Les écoles de commerce font face à une double exigence : intégrer l'IA au programme comme objet et outil, tout en préparant les étudiants à utiliser l'IA de façon responsable dans la pratique professionnelle. Avant de lire, laquelle de ces deux tâches pensez-vous que la plupart des programmes de gestion réussissent actuellement, et laquelle est-elle négligée ?
Un cadre informé par les étudiants a constaté que ceux-ci étaient fortement engagés et reconnaissaient avoir besoin de compétences en IA générative pour leur carrière — mais qu'ils souhaitaient aussi utiliser l'IA sans commettre involontairement une faute académique. Pourquoi un étudiant pourrait-il vouloir utiliser l'IA tout en craignant simultanément d'enfreindre les règles qui l'encadrent ?
La recherche sur l'alignement constructif a constaté que le fait que les bénéfices ou les risques de l'IA générative dominent était façonné par le degré d'intégration au programme — intégrer, et non pas ajouter. À quoi ressemble une « intégration » dans un programme de gestion, par opposition au simple fait d'ajouter des outils d'IA par-dessus ?
Une décennie de recherche signale des lacunes persistantes en matière de cohérence des programmes, de préparation des enseignants et d'validité de l'évaluation. Si vous redessiniez un cours de gestion pour un monde du travail intégrant l'IA, laquelle de ces trois lacunes traiteriez-vous en premier, et pourquoi ?
La gestion est l'un des domaines où l'adoption de l'IA générative est la plus rapide ; les diplômés subissent donc une pression aiguë pour être prêts à l'IA. En quoi les compétences en IA que les employeurs de la finance, du marketing ou du management valorisent réellement pourraient-elles différer de ce que les étudiants apprennent actuellement en classe ?

Introduction

L'IA dans l'enseignement de la gestion est un volet disciplinaire croissant de l'IA en éducation. Les écoles de commerce doivent préparer les étudiants à une future main-d'œuvre où l'IA générative est omniprésente, ce qui exige à la fois une littératie en IA et une application propre au domaine (finance, marketing, management, économie, entrepreneuriat). La recherche met en évidence une tension entre l'intégration de l'IA comme outil pédagogique et professionnel et la gestion de l'intégrité académique, de l'usage éthique et de la refonte de l'évaluation.

AI in business education across the knowledge base's research

Les cadres informés par les étudiants. Drummond et Dale (2026) présentent un cadre conceptuel informé par les étudiants pour intégrer l'IA générative dans l'ensemble des programmes de gestion, fondé sur une étude de cas britannique portant sur 149 étudiants. Ceux-ci étaient fortement engagés, reconnaissaient le besoin de compétences en IA générative pour leur carrière, et souhaitaient utiliser l'IA sans commettre involontairement une faute académique.
Une décennie de recherche. Espino et Espino (2026) ont cartographié bibliométriquement 213 articles (2015–2024) sur l'IA dans l'enseignement de la gestion, identifiant quatre grappes : la transformation de l'enseignement de la gestion sous l'effet de l'IA, les pédagogies numériques novatrices, la personnalisation renforcée par l'IA, et un enseignement de la gestion aligné sur l'économie numérique — avec des lacunes persistantes en cohérence des programmes, préparation des enseignants et validité de l'évaluation.
L'alignement constructif. Zhou et al. (2026) ont analysé 17 cas d'adoption de l'IA générative dans une école de commerce britannique, constatant que l'équilibre entre bénéfices pédagogiques et risques était façonné par le degré d'intégration au programme — l'intégration constructive produisait de meilleurs résultats.
Les éclairages des étudiants sur les programmes. Rook et Plumb (2026) se sont appuyés sur 166 étudiants de premier cycle en gestion dans une unité de synthèse, constatant un fort soutien à l'intégration de l'IA générative dans les programmes, avec trois domaines prioritaires : comprendre et optimiser les fonctionnalités de l'IA générative, explorer les applications dans divers contextes, et appréhender les dimensions éthiques et juridiques.
De la mémorisation au jugement dans l'ambiguïté. Shi, Dai et Zhang (2026) proposent trois mécanismes d'IA générative pour les cours de management — décomposer les théories classiques en hypothèses et conditions aux limites confrontées à de véritables documents réglementaires, suivre les cas émergents entre deux éditions de manuel, et une simulation dont le rôle d'IA génère des événements perturbateurs et des conséquences en cascade.
L'adoption organisationnelle. Al-Rahmi (2026) a examiné les facteurs organisationnels et technologiques de l'adoption de l'IA dans l'enseignement supérieur (au moyen des cadres TOE et Diffusion of Innovations, n=300 membres du personnel), ce qui éclaire la manière dont les écoles de commerce et leurs établissements adoptent l'aide à la décision fondée sur l'IA et les plateformes d'apprentissage intelligentes.
Les agents conversationnels dans les jeux de simulation commerciale. Wenzel, Geiger et Liening (2026) développent et évaluent un agent conversationnel enrichi par l'IA (Lara) pour un soutien pédagogique adaptatif dans les jeux de simulation commerciale utilisés pour l'apprentissage entrepreneurial expérientiel. Ancré dans une posture d'équité par la conception et de conception universelle de l'apprentissage, le cadre CAIS-GBL vise l'engagement cognitif, motivationnel, affectif et socioculturel, les évaluations menées auprès d'étudiants enseignants et de participants aux jeux de simulation commerciale montrant des perceptions positives de la présence cognitive/sociale et du soutien à l'apprentissage autorégulé — un modèle pour passer à l'échelle une rétroaction formatif dans l'enseignement commercial fondé sur la simulation.
L'IA générative agentique pour les tâches appliquées complexes. Ilieva et al. (2026) développent le cadre AGAI-HE autour d'un cours de commerce électronique, où la tâche d'apprentissage exige de comparer des modèles d'affaires, de peser des contraintes de marché et opérationnelles, et de défendre des recommandations stratégiques — un travail appliqué en plusieurs étapes que les chatbots d'interrogation-réponse soutiennent mal. Leur étude de perception menée auprès de 130 étudiants a constaté que tant le chatbot que le soutien agentique étaient notés au-dessus de l'apprentissage en ligne traditionnel pour l'amélioration de l'apprentissage, la personnalisation, le soutien à la décision et l'organisation du travail, sans différence significative entre agent et chatbot, l'approbation la plus forte allant à la combinaison des trois modes. Pour les programmes de gestion, la lecture est que l'adoption est une question de conception pédagogique portant sur la manière dont le soutien de l'IA est séquencé et encadré, et non une simple mise à niveau d'outillage (IA agentique).
L'innovation en matière d'évaluation et de notation est peu étudiée. Mesny, Roberge-Maltais et Galy (2026) ont passé en revue 58 articles portant sur l'évaluation sur 20 ans, dans quatre revues de premier plan en enseignement du management (AMLE, JME, Management Learning, IJME) — environ trois par an, dont beaucoup dans des numéros spéciaux de 2010 et 2014 — constatant que l'évaluation et la notation sont peu étudiées au regard de leur rôle central dans le façonnement de l'apprentissage. L'auto-évaluation et l'évaluation par les pairs dominent le discours (près de la moitié du corpus, principalement pour l'évaluation sommative du travail en groupe) ; l'évaluation authentique apparaît surtout via les simulations médiatisées par la technologie et est souvent confondue avec l'apprentissage expérientiel ; la réévaluation, la notation fondée sur les standards et l'abandon des notes (ungrading) sont quasi absentes. Les auteurs invitent les enseignants en management à s'engager plus activement et réciproquement avec ces innovations, recommandant une expérimentation incrémentale (devoirs non notés, réévaluation pour une seule tâche, grilles fondées sur les standards) soutenue par une coordination au niveau du programme et des preuves documentées issues du Scholarship of Teaching and Learning.
La notation automatisée des travaux de gestion exige une validation propre au corpus. Sur 60 publications marketing d'étudiants issues d'une simulation BrandSim, Li (2026) a constaté qu'un LLM n'atteignait qu'un ICC(2,1) = .435 avec la moyenne humaine — les règles déterministes .091, un hybride à poids égaux .266 — alors que l'ajout de repères rédigés par le chercheur faisait monter le LLM à .846 sans modifier aucune note d'étudiant.
Enseigner l'IA comme élément de conception de processus à part entière. Jalali (2026) place un point de contrôle des décisions d'IA à chaque phase du cycle de vie de la gestion des processus d'affaires, dans six modules d'un cours de 152 étudiants, si bien que les étudiants construisent un agent fonctionnel de prise en charge par LLM puis découvrent, à un point de contrôle, que le véritable goulot d'étranglement est une file d'attente à deux personnes pour les enquêtes anti-fraude.

Economics and management education

L'IA dans l'enseignement de la gestion couvre l'économie et le management comme disciplines centrales. La couverture de la base de connaissances se concentre sur les dimensions pédagogiques et curriculaires (comment l'IA est enseignée et utilisée dans les programmes de gestion) et sur la dimension de préparation professionnelle (préparer les étudiants à des lieux de travail intégrant l'IA). Les thèmes clés incluent la littératie en IA, l'application de l'IA générative aux diverses fonctions de l'entreprise, les considérations éthiques et d'intégrité, et la refonte du programme et de l'évaluation pour refléter la pratique professionnelle intégrant l'IA.

Why AI in business education matters

La gestion est l'un des domaines où l'adoption de l'IA générative est la plus rapide ; les écoles de commerce subissent donc une pression aiguë pour préparer les étudiants à un monde du travail intégrant l'IA. La recherche souligne qu'une intégration efficace est pilotée par le programme et informée par les étudiants — il ne s'agit pas seulement d'ajouter des outils d'IA mais de redessiner les programmes pour que la littératie en IA générative, le jugement éthique et l'application authentique soient tissés dans les structures de diplôme. Cela rattache l'enseignement de la gestion aux thèmes plus larges de la base de connaissances que sont la littératie en IA, la préparation des enseignants, la refonte de l'évaluation et la réforme des programmes à l'ère de l'IA.

Implications for business instructors

Intégrer l'IA de façon pilotée par le programme et informée par les étudiants. Les cadres informés par les étudiants et les éclairages des étudiants montrent que les étudiants veulent des compétences en IA générative pour leur carrière et utiliser l'IA sans faute involontaire — concevez des programmes qui tissent la littératie en IA, le jugement éthique et l'application authentique dans les structures de diplôme.
Aligner le programme de façon constructive. La recherche sur l'alignement constructif constate que le degré d'intégration au programme détermine si les bénéfices ou les risques de l'IA générative dominent — intégrez, et n'ajoutez pas.
Traiter les lacunes persistantes. Une décennie de recherche signale des lacunes en cohérence des programmes, préparation des enseignants et validité de l'évaluation — faites-en des priorités dans la conception des programmes.
Préparer les étudiants à un monde du travail intégrant l'IA. Mettez l'accent sur la littératie en IA, l'usage éthique et l'application propre au domaine (finance, marketing, management, économie) comme compétences centrales, et non comme options.

Concepts liés

Métadonnées

Discipline	Business Education
Niveau	Higher Ed
Technologies et techniques	L'IA générative
Fondements de l'IA dans l'éducation	L'IA en éducation, La conception de programme d'études

Source History Edit Chat