Base de connaissances AIEdAIEd KB
Sur cette page

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

Concepts

Conduite du changement

Création 2026-08-29 · Mise à jour 2026-10-10

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

La conduite du changement — l'ensemble délibéré de processus, de structures de gouvernance et de pratiques de leadership par lesquels les établissements d'enseignement supérieur planifient, mettent en œuvre et soutiennent l'intégration de l'IA dans l'enseignement, l'apprentissage et l'évaluation. Parce que l'IA générative est arrivée comme une « technologie d'arrivée » qui a pénétré les classes avant que les preuves pédagogiques ne s'accumulent, la conduite du changement dans l'IA en éducation doit soutenir une adaptation continue dans l'incertitude plutôt qu'une adoption ponctuelle, en équilibrant la stabilité institutionnelle et l'innovation émergente, et la gouvernance partagée entre administrateurs, corps enseignant, étudiants et décideurs publics.

Questions à examiner

  • La conduite du changement est ici décrite comme le gouvernement d'une adaptation continue dans l'incertitude, parce que l'IA générative est arrivée dans les classes avant que les preuves pédagogiques ne s'accumulent. Que signifie conduire le changement lorsqu'on ne peut attendre les meilleures pratiques mais qu'on ne peut pas non plus mettre à l'échelle de façon responsable des innovations non éprouvées ?
  • Un obstacle récurrent est l'écart entre l'intention politique descendante et la réalité de la classe — par exemple des politiques qui encouragent l'IA générative alors que les programmes de cours l'interdisent, laissant les enseignants improviser. Pourquoi, à votre avis, la politique et la pratique se séparent-elles si facilement autour de l'IA ?
  • La recherche constate que l'orientation pédagogique d'un enseignant — ce qu'il croit que l'IA signifie pour le savoir disciplinaire — est le plus fort prédicteur de l'adoption, alors que les initiatives institutionnelles et les données démographiques sont d'étonnamment faibles prédicteurs. Qu'est-ce que cela suggère quant à l'endroit où les efforts de changement devraient concentrer leur énergie ?
  • La page note que seuls 7% des établissements ont créé des postes de direction de l'IA de haut niveau alors que 49% considèrent l'IA comme une priorité stratégique. Qu'est-ce que cela signifie, à votre avis, lorsqu'un établissement qualifie une chose de stratégique mais ne la dote pas d'un leadership ?
  • Un modèle de jeu de coordination explique pourquoi les déclarations de politique échouent seules : l'usage de l'IA par les étudiants est un processus collectif de formation des normes, et de petits changements bien calibrés des incitations à l'évaluation peuvent déclencher des bascules rapides à l'échelle de la cohorte vers un usage responsable. En quoi modifier les incitations à l'évaluation pourrait-il faire plus que ce qu'une politique publiée ne fera jamais ?
  • La page avertit qu'une adoption fragmentée élargit les écarts existants — l'inclusion, l'équité et la durabilité sont souvent négligées même là où les principes éthiques fondamentaux sont adoptés. Quels apprenants ou quels établissements soupçonnez-vous de perdre lorsque le changement est conduit de façon inégale, et comment les maintiendriez-vous au centre ?

Introduction

La littérature empirique montre systématiquement qu'une conduite du changement efficace de l'IA est une entreprise sociotechnique, et non pas seulement technique. L'cadre du changement institutionnel adapte les modèles classiques du changement à l'IA générative, soutenant que les établissements « ne peuvent attendre les meilleures pratiques, mais ne peuvent pas non plus mettre à l'échelle de façon responsable des innovations non justifiées », et appelant à une enquête locale humble, à une réforme organisée autour des approches pédagogiques plutôt que d'outils éphémères, et à des étudiants engagés comme partenaires de la réforme. Ce cadrage rejoint l'argument du leadership des systèmes complexes selon lequel l'éducation est un système adaptatif complexe où les dirigeants doivent juger quand renforcer la stabilité administrative et quand ménager un « espace adaptatif » — diffusant les innovations à haut risque comme l'IA par des réseaux sociaux de confiance (contagions complexes) plutôt que par un flux linéaire de connaissances.

Un obstacle récurrent au changement est l'écart entre l'intention politique descendante et la réalité de la classe. L'analyse comparative des politiques a constaté que, si 63% des politiques des universités américaines R1 encouragent l'usage de l'IA générative, la moitié des programmes de cours d'informatique l'interdisent purement et simplement, laissant les enseignants improviser des règles locales incohérentes. De même, l'examen de la politique d'enseignement supérieur au Royaume-Uni documente une division entre établissements à dominante recherche et établissements à dominante enseignement, les orientations nationales étant critiquées pour leur manque de spécificité et de pouvoir de mise en application, tandis que l'analyse de la gouvernance institutionnelle montre que les politiques à l'échelle de l'université mettent l'accent sur la sécurité des données et l'atténuation des risques alors que les politiques au niveau scolaire (lorsqu'elles existent) se concentrent sur la pédagogie — un désalignement structurel qui reste en deçà des attentes d'accréditation pour une intégration unifiée du programme, de la politique, de l'évaluation et des infrastructures.

Change management in AI education research

Les travaux académiques convergent vers plusieurs leviers de conduite du changement. Les cadres de gouvernance fournissent des modèles fondés sur le consensus : l'étude Delphi mondiale propose un cadre de gouvernance de l'IA générative en huit domaines (intégrité académique, usage éthique, vie privée, accès équitable, littératie, intégration, supervision humaine, soutien institutionnel) ainsi qu'un mécanisme de réexamen en six parties pour maintenir la politique à jour, positionnant les politiques comme des structures habilitantes au sein d'un écosystème institutionnel interconnecté. Le leadership anticipateur est le volet complémentaire : l'examen de cadrage constate que les établissements doivent passer d'une gouvernance réactive à une gouvernance fondée sur la prospective, le leadership habilitant et distributif augmentant l'adoption — or seuls 7% des établissements ont créé des postes de direction de l'IA de haut niveau alors que 49% considèrent l'IA comme une priorité stratégique.

Les moteurs de l'adoption révèlent pourquoi le changement s'enlise ou réussit. L'étude des moteurs organisationnels montre que la culture organisationnelle interne et les attributs technologiques (compatibilité, avantage relatif, faible complexité) catalysent l'adoption de l'IA, la réglementation gouvernementale agissant comme un facilitateur externe — des dynamiques sensibles au contexte que les modèles de technologie acceptée au niveau individuel ne saisissent pas. À l'inverse, l'étude sur l'orientation des enseignants constate que l'interprétation épistémique qu'un enseignant fait de l'IA — son orientation pédagogique quant à ce que l'IA signifie pour le savoir disciplinaire — est le plus fort prédicteur de l'adoption, alors que les initiatives institutionnelles et les données démographiques sont d'étonnamment faibles prédicteurs. Cela invite à la prudence : les plans stratégiques descendants ont un impact limité s'ils n'engagent pas les croyances du corps enseignant, et les réseaux entre pairs ascendants (les collègues de département constituaient la principale source d'information) comptent plus que les initiatives centrales.

Les études de cas de transformation institutionnelle montrent comment ces leviers se déploient dans la pratique. Qin (2026) analyse le changement stratégique de l'université Lingnan selon quatre dimensions — la montée en gamme de l'enseignement par l'IA, la priorisation des compétences humaines irremplaçables, le renouvellement des programmes et la préservation des valeurs éthiques et culturelles — illustrant comment un établissement de longue date peut conduire un changement sous l'effet de l'IA générative sans renoncer à son identité. Il formule la transformation comme intellectuelle plutôt que technocentrique, offrant aux dirigeants institutionnels un modèle par étapes pour imposer la littératie en IA tout en préservant la mission humaniste.

Les données probantes de la mise en œuvre dans les systèmes scolaires déplacent la question du produit à adopter vers la manière dont il est utilisé. Le travail de terrain mené par Instruction Partners — 32 classes dans 16 systèmes scolaires répartis sur sept États — a constaté qu'un même produit aboutissait bien ou mal selon la manière dont l'enseignant formulait l'objectif, observait le tableau de bord et agissait sur ce qu'il rapportait, des activités de dix minutes s'étirant sur toute une classe là où manquaient des routines et une place claire dans la progression pédagogique. Les produits qui précisaient les actions attendues de l'enseignant pendant l'usage étaient employés plus près de l'approche envisagée, et les enseignants avaient besoin d'un accompagnement soutenu plutôt que d'un déploiement unique ; là où les dirigeants connaissaient bien un produit, les enseignants réalisaient plus souvent les actions souhaitées.

La durabilité est une propriété de l'organisation, et non de l'outil. Une évaluation randomisée sur quatre ans d'un chatbot de messagerie textuelle à IA non générative à la California State University, Northridge, rattache la pérennité à un rattachement administratif (supervision conjointe par l'Office of Undergraduate Studies et l'Office of the Registrar), à un spécialiste de la communication rédigeant chaque campagne pour une voix cohérente, et à une souplesse suffisante dans le mélange des messages pour absorber le choc de la COVID-19 — alors que le partage de données entre services pour la sensibilisation ciblée s'est révélé assez lourd pour que les campagnes ciblées tombent de 36% à 6% du total annuel (Mata, Russell et Page 2026, document de travail dont les constats de mise en œuvre reposent sur l'observation du système et des entretiens avec les administrateurs plutôt que sur l'essai). Son résultat d'engagement renforce la même leçon : les taux de désinscription annuels n'ont jamais dépassé 4% sur quatre ans, ce que les auteurs lisent comme une réceptivité soutenue par la manière dont l'établissement a adapté la mise en œuvre plutôt que par la technologie elle-même.

La réforme de l'évaluation est un champ de bataille central de la conduite du changement. L'étude sur l'AI Assessment Scale montre la mise en œuvre du cadre entravée par des incohérences entre départements, des pressions de charge de travail et de l'incertitude, les personnels décrivant le processus comme « un peu de chaos et de folie ». L'modèle de jeu de coordination offre un compte formel de la raison pour laquelle les déclarations de politique échouent seules : l'usage de l'IA par les étudiants est un processus collectif de formation des normes, et de petits changements bien calibrés des incitations à l'évaluation réflexive peuvent déclencher des bascules rapides à l'échelle de la cohorte vers un usage responsable, alors que des incitations faibles ou désalignées laissent persister les pratiques opportunistes. Cela soutient une gouvernance menée par la pédagogie plutôt que par la surveillance. L'enquête sur l'écart d'adaptation à l'IA ajoute une dimension de parties prenantes : les étudiants déclarent une intensité d'usage de l'IA et une utilité perçue plus élevées que le corps enseignant et le personnel administratif, alors que ces derniers font état de préoccupations plus fortes en matière d'intégrité académique — et l'utilité perçue pilote la confiance (β = 0.402) plus fortement que la clarté de la politique institutionnelle (β = 0.223).

Un atelier sur les pratiques d'évaluation réunissant 73 éducateurs en informatique fournit la contrepartie du côté de la classe. Presque chaque changement décrit par les participants avait été opéré par un enseignant individuel dans un seul cours, sans coordination institutionnelle — des collègues d'un même département adoptant des positions opposées sans rien pour les concilier — et la réponse curriculaire que préconise le rapport ne se conclura pas à temps pour aider les étudiants actuellement inscrits ; on a aussi observé que la difficulté des devoirs se périme sur un cycle d'environ un semestre, ce qui fait du calibrage par rapport à la capacité actuelle des modèles un atout institutionnel périssable plutôt qu'une décision ponctuelle (Akbar et al., 2026).

Implications

La conduite du changement dans l'IA en éducation porte des implications à la fois positives et négatives. Positivement, des cadres structurés donnent aux établissements un chemin pour passer d'une gestion réactive des crises à une gouvernance proactive et participative ; le consensus Delphi et la gouvernance anticipatrice soutiennent tous deux le traitement de l'littératie en IA et de l'éthique comme des capacités institutionnelles transversales plutôt que comme des règles isolées. Négativement, une adoption fragmentée élargit les écarts existants : l'analyse du cadre UNESCO menée sur 30 universités de premier plan constate que les principes éthiques et de gouvernance fondamentaux sont largement adoptés, mais que l'inclusion, l'équité et la durabilité (accès à internet, parité entre les genres, impact environnemental) sont souvent négligées — et que les classements nationaux de préparation à l'IA ne prédisent pas une politique institutionnelle robuste. Le cadre LEAGUE étend cette préoccupation à l'analytique de l'apprentissage, soutenant que la gouvernance doit aller au-delà de la conformité (FERPA/GDPR) vers la légalité, l'équité, l'autonomie, l'utilité et l'éthique par la conception, en examinant de façon transparente et éducative les pratiques relatives aux données des étudiants.

Dans les établissements où la stratégie devance les infrastructures, le travail se cumule : les développeurs pédagogiques de deux établissements sud-africains historiquement défavorisés qualifiaient la stratégie d'IA de « performance plus que pratique », et l'article insiste sur la nécessité de maintenir séparées l'inégalité numérique — un problème distributif — et la colonialité algorithmique, un problème épistémique qui survit à un accès pleinement assuré (Sithole, 2026).

Pour les administrateurs et les décideurs publics, les données probantes plaident en faveur d'une gouvernance participative, d'un investissement dans les infrastructures et du renforcement des capacités plutôt que de documents de stratégie aspirationnels, en traduisant la politique nationale en un soutien concret aux enseignants plutôt qu'en injonctions descendantes. Pour les enseignants, la conduite du changement signifie passer du statut d'adoptant à celui d'expérimentateur guidé par l'enquête, en engageant les étudiants comme partenaires et en ancrant la réforme dans des principes pédagogiques durables plutôt que dans des outils susceptibles d'être obsolètes en quelques mois — avec la réserve que le développement professionnel doit viser un cycle de conception complet (analyse des besoins, rétroaction) et non le seul usage des outils, comme le montre l'enquête sur le cadre DOT.

Une étude de cas institutionnelle retrace un arc de diffusion de dix ans en mathématiques de premier cycle, allant de l'initiative individuelle et des ateliers entre pairs à l'acquisition conjointe de licences par le corps enseignant et au financement central (Law, 2026).

Connections to other concepts

La conduite du changement est le complément institutionnel de l'intégration au niveau de la classe. Elle opérationnalise les conditions systémiques — gouvernance, développement du corps enseignant, engagement des parties prenantes et garde-fous en matière d'équité — qui permettent à l'innovation pédagogique de prendre racine, reliant la conception des politiques de l'IA dans l'éducation à la gouvernance, à l'développement pédagogique et aux résultats en matière d'équité.

Concepts liés

Articles liés

FAQ liées

Ressources liées

  • Campus AI Framework
    Un modèle opérationnel pour l'enseignement supérieur appliqué à la stratégie et à la gouvernance de l'IA : huit piliers institutionnels, quatre domaines d'application et une boussole stratégique pour choisir les initiatives, avec un schéma reliant ses sites compagnons.
  • The Institutional AI Readiness Pack
    Une évaluation de l'état de préparation à l'IA à l'échelle de l'université et une boîte à outils de mise en œuvre : auto-évaluation de maturité, enquêtes auprès des chercheurs et des encadrants, analyse des écarts, briefings par rôle et modèle de politique.

Métadonnées

NiveauHigher Ed
Institutions et politiquesConduite du changement
Fondements de l'IA dans l'éducationL'IA en éducation
SourceHistoryEditChat

Intégrer cette page

Copiez le code ci-dessous pour intégrer cette page dans un système de gestion de l'apprentissage ou un autre site. La version intégrée n'affiche que le contenu de la page : l'en-tête, la navigation et le pied de page du site sont masqués.