Comment rédiger et mettre en œuvre une politique institutionnelle sur l'IA ?

Traduction automatique de la page anglaise, non encore relue par une personne de langue maternelle.

Le projet circule depuis le printemps, et chaque phrase opératoire dit « peut ». Ou bien un fournisseur veut faire signer une licence de site avant la fin du trimestre, et personne sur l'appel ne sait dire ce que l'établissement a accepté au sujet des données des étudiants. Ou bien un signalement de détecteur est devenu un recours, et la politique censée le régler ne dit rien, en fin de compte, sur les preuves sur lesquelles une accusation peut reposer.

Ce qu'un comité peut défendre est plus étroit que ce que tentent la plupart des projets, et la publication est la plus petite partie du travail. Quatre choses transforment un document en règle opérante : un responsable exécutif nommé, une révision programmée, un chemin de traduction vers les cours avec quelqu'un qui en répond, et une conception de l'évaluation graduée qui récompense le comportement que vous demandez. Ajoutez une phrase de périmètre qui dit quelles obligations le document porte et lesquelles relèvent d'une autre politique, car un document qui absorbe la protection des données, l'éthique de la recherche, la réglementation clinique et la conduite académique sera long, non lu et inapplicable.

La version courte

1. Déclarez ce que le document régit. Si c'est un instrument de gestion des risques, dites-le, et placez le détail pédagogique au niveau du département.

2. Comptez les verbes modaux. Chaque « peut » là où vous voulez dire « doit » est une disposition que personne ne peut faire appliquer.

3. Nommez un responsable, un comité permanent et une date de révision avant la publication, pas après le premier recours.

4. Écrivez où vivent les obligations FERPA, RGPD, HIPAA, IRB et d'intégrité de la recherche, et nommez le service qui détient chacune.

5. Financez la formation du personnel et l'accès des étudiants dans la même décision budgétaire. L'un sans l'autre produit une règle que certains étudiants ne peuvent pas suivre.

6. Demandez combien de cours traduisent le document de façon décelable, et lisez la réponse comme un indicateur de soutien plutôt que de conformité.

Décider ce que le document régit

Avant la formulation, le périmètre. Manikonda et Outlaw (2026) ont aspiré les politiques d'IA de 149 universités américaines de catégorie R1 et R2 et vérifié 130 politiques au niveau de l'établissement dans 34 États. Le registre est consultatif plutôt que directif : 95% des politiques avaient un score négatif de force-clarté, si bien que le langage faible (« peut », « pourrait ») domine sur les directives (« doit », « interdit »).

Ce que ces documents priorisent vous dit ce que leurs auteurs croyaient que le document servait à faire. Les politiques au niveau de l'université couvrent la sécurité des données, l'atténuation des risques, les achats et la conformité juridique, avec peu d'orientations pédagogiques. Les politiques au niveau de l'école qui existent se concentrent sur l'enseignement et la littératie en IA. Huit écoles de commerce seulement avaient leur propre politique, et celles-ci différaient de leur cadre d'accueil dans six cas sur huit.

Le remède que proposent les auteurs est une structure en couches : une couche de gestion des risques à l'échelle de l'université, des politiques au niveau des départements, et des comités inter-départementaux avec des enseignants et des étudiants. Adoptez cela et vous obtenez une phrase de périmètre que vous pouvez défendre devant le sénat académique. Ce document gère le risque institutionnel ; les décisions pédagogiques reviennent au département qui note le travail. La stratification répond aussi au reproche de flou sans produire 40 pages.

Écrire des dispositions qui contraignent, ou les retirer

Regardez ce que les programmes publient quand rien ne force la question. Eldredge et al. (2026) ont passé au crible les 48 masters américains en informatique de santé et en gestion de l'information de santé accrédités par la CAHIIM. Quarante (83%) publiaient au moins un document lié à l'IA. Dans l'échantillon analytique, 21 documents (53%) étaient des lignes directrices, 9 (23%) informatifs et seulement 7 (18%) de véritables politiques.

Le sujet traité était plus étroit que le volume ne le suggère. L'intégrité académique était le mot-clé le plus fréquent (n = 139), devant la citation (59), l'évaluation (50) et le plagiat (38). La déclaration d'usage de l'IA et le recours à des rédacteurs à la carte apparaissaient chacun une fois. HIPAA apparaissait cinq fois, FERPA onze, et les dossiers médicaux électroniques pas du tout. Le vocabulaire de l'équité était quasi absent : inclusion (n = 9), accessibilité (n = 9), accès équitable (n = 2).

C'est de l'attention sans engagement contraignant derrière, ce qui est le défaut le moins coûteux à corriger. Comptez vos verbes modaux et écrivez une conséquence là où vous en voulez une. Définissez le plagiat et les usages interdits dans des mots qu'un étudiant de première année peut appliquer. Puis notez le résultat contre l'instrument que Gutowski et Hurley (2025) ont construit : cinq dimensions avec des grilles explicites, couvrant le caractère prohibitif, la permissivité, l'intégration pédagogique, la transparence et la responsabilité, et la profondeur. La plupart des établissements de leur secteur adoptaient des positions généralement prohibitives tout en réservant la discrétion aux enseignants individuels. Aucune approche ne faisait consensus, et la clarté elle-même était traitée comme la condition préalable d'une application défendable. Leurs recommandations sont procédurales : des lignes directrices complètes quelle que soit votre position, les parties prenantes associées à la rédaction, une formation proactive, une gouvernance conçue pour s'adapter, et des cycles de révision.

Décider qui en est responsable et qui siège au comité

Deux revues situent la faiblesse dans la capacité plutôt que dans l'intention. Ashiq (2026) a synthétisé plus de soixante-dix sources britanniques et a trouvé que seule une minorité d'établissements maintiennent des plans officiels de gouvernance de l'IA. Les lacunes de planification stratégique produisent une dérive des politiques et une conformité de façade. Les orientations nationales du Office for Students et de Jisc ont été critiquées pour leur manque de spécificité et de pouvoir d'application. L'investissement dans la formation du personnel à l'IA et dans l'infrastructure se concentre dans les établissements à forte intensité de recherche, tandis que les établissements centrés sur l'enseignement font face à des contraintes de capacité, ce qui élargit une fracture numérique. Baroudi (2026) a examiné 19 sources et a trouvé que 7% des établissements avaient créé des postes de direction senior dédiés à l'IA, contre 49% qui traitaient l'IA comme une priorité stratégique. Des cadres politiques faibles et une infrastructure numérique limitée expliquent cet écart, en particulier dans les pays du Sud.

La responsabilité, les moyens et la révision sont là où l'effort doit porter, donc tranchez la présidence et la composition avant que la rédaction commence. Crompton et al. (2026) ont réuni un panel Delphi issu de 22 pays et territoires sur six continents et ont produit un cadre consensuel à huit domaines centraux : intégrité académique, usage éthique et responsable, confidentialité et protection, accès équitable, littératie en IA générative, stratégie d'intégration, supervision humaine et responsabilité, et soutien et infrastructure institutionnels. Le panel a aussi produit un mécanisme en six volets pour garder la politique à jour : un comité de gouvernance multidisciplinaire (soutenu par plus de la moitié du panel), des cycles de révision programmés (la moitié), le développement professionnel, la communication avec toutes les parties prenantes, l'évaluation de l'efficacité et la veille sur les évolutions externes.

Lisez le cadre comme une liste de contrôle de couverture et le mécanisme comme un modèle opératoire. La pondération du panel lui-même est l'avertissement. L'usage éthique et responsable était cité par deux tiers des panélistes et la confidentialité par plus de la moitié, tandis que l'accès équitable n'attirait qu'un tiers. Un processus consensuel sous-pondère d'abord l'équité, et votre comité dérivera de la même façon à moins que quelqu'un ne tienne ce point.

Deux décisions de composition méritent d'être prises délibérément. Hingle et Johri (2026) ont fait co-concevoir par des étudiants une politique de cours sur l'IA générative, par enquête guidée. Les priorités qui ont émergé étaient la formation des étudiants et des enseignants, des procédures de déclaration standardisées, un soutien institutionnel plus fort plutôt qu'un report sur les enseignants individuels, et un rôle dans les décisions sur les règles régissant leur propre apprentissage. Cela plaide pour des étudiants membres plutôt que pour une consultation ponctuelle. Baroudi a trouvé que les styles de leadership autonomisant et distributif étaient associés à un engagement et à une ouverture au changement plus élevés du corps enseignant, et a documenté les dispositifs de conduite du changement (le modèle de contagion de Valente, le cadre en cinq étapes de Rieber et Williver) comme soutien à l'adoption.

Tan et al. (2026) proposent un cadre organisationnel à six dimensions dont les auteurs laissent explicitement les propositions à une validation empirique future. Utilisez-le pour structurer ce que le document couvre, et tenez-le hors de la phrase où vous affirmez que quelque chose fonctionne.

Placer les obligations légales là où elles peuvent être appliquées

La conformité au droit de base n'est pas une gouvernance éthique des données. Varadaraju et Vijayakumar (2026) soutiennent que la gouvernance de l'analytique de l'apprentissage dans l'enseignement supérieur est restée centrée sur la conformité, autour du respect de FERPA et du RGPD, et proposent le cadre LEAGUE : légalité, équité, autonomie, gouvernance, utilité et éthique dès la conception, démontré sur une étude de cas d'alerte précoce. Le panel Delphi a indépendamment classé la confidentialité et la protection des données comme critiques pour plus de la moitié de ses membres. L'OCDE, Perspectives de l'éducation numérique (2026) fait d'un environnement propice à une IA générative digne de confiance son troisième pilier politique, couvrant la confidentialité, la sécurité, les tests de biais et la transparence.

Le corpus de l'informatique de santé montre à quoi ressemble une discipline de périmètre quand elle fonctionne. Ces programmes mentionnaient à peine HIPAA, FERPA ou les orientations IRB et ne mentionnaient jamais les dossiers médicaux électroniques, parce que ces obligations vivent dans une politique de conformité plus large qui a déjà un responsable, une procédure et une sanction. Nommez où siège chaque obligation, nommez le service qui la détient, et exigez que les étudiants la respectent dans leurs travaux plutôt que dans une note de bas de page.

Ce paragraphe règle aussi une question d'achat. Si les tests de biais et la transparence sont des conditions de pilier plutôt que des aspirations, elles appartiennent aux conditions d'achat, et la politique est l'endroit pour le dire.

Combler l'écart entre la politique et les cours

C'est la décision sur laquelle la plupart des politiques échouent, et elle est mesurable par les deux bouts.

D'abord l'enquête auprès du corps enseignant. L'enquête AAC&U/Elon auprès de 1.057 enseignants américains (Watson et Rainie, 2026) a trouvé que 87% avaient créé leurs propres règles pour les étudiants sur l'usage de l'IA générative, tandis que 48% disaient que leur établissement avait écrit des lignes directrices et 35% que leur département l'avait fait. Sur la structure, 55% signalaient un groupe de travail ou de supervision, 37% de nouveaux cours centrés sur l'IA, 17% une majeure ou une mineure en IA, 16% de nouveaux services de direction académique, et 13% avaient adopté la littératie en IA comme acquis d'apprentissage de formation générale. L'échantillon n'est pas scientifique et les auteurs disent qu'il n'est pas généralisable. L'asymétrie tient quand même : les règles que les étudiants rencontrent réellement sont écrites par l'enseignant en face d'eux.

Puis le compte des traductions. Ganguly et al. (2026) ont analysé 116 politiques institutionnelles sur l'IA générative de 131 universités R1, avec 98 programmes de cours d'informatique de 54 de ces établissements. Les établissements encourageaient surtout l'usage de l'IA générative (73, 63%) tandis que 31 (27%) le décourageaient. Au niveau des cours, 90 programmes (92%) donnaient des lignes directrices explicites, mais 49 (50%) interdisaient purement et simplement l'IA générative, 40 (41%) autorisaient un usage partiel pour des activités spécifiées et 7 (7%) communiquaient un encouragement. Seuls 47 des 131 établissements avaient à la fois une politique institutionnelle et une traduction décelable au niveau des cours.

Posez cette question à votre comité dans ces termes : combien de nos cours traduisent ce document de façon décelable ? Un chiffre bas est un échec de soutien, et le remède est des exemples travaillés, du développement professionnel et un appui à l'évaluation publiés à côté de la règle. Cet écosystème de soutien est ce par quoi Qian (2026) distingue les établissements les uns des autres, et c'est la différence entre une politique que les étudiants reçoivent et une politique autour de laquelle leur enseignant improvise.

Coates, Croucher et Calderon (2025) fournissent l'instrument pour le versant responsabilité : un cadre d'indicateurs d'intégrité académique construit pour les administrateurs d'établissement par des revues de recherche, des études de cas multi-établissements, du prototypage et une confirmation par experts, ainsi que des réformes des architectures de gouvernance, des personnes et des technologies. Les indicateurs permettent à un comité de rendre compte vers le haut sans commander une autre revue de littérature.

Écrire la norme de preuve avant d'en avoir besoin

Là où l'application échoue, l'échec est généralement probatoire, et c'est là que siège l'exposition institutionnelle.

Munoz et al. (2026) ont analysé de vrais dossiers d'allégations de faute liées à l'IA générative. La base probatoire était plus mince que la politique ne le laisse croire. Les traces comportementales enregistrées par le système n'existent que dans l'évaluation surveillée. Les preuves de processus plus faibles, c'est-à-dire les brouillons, les réunions de supervision et les présentations, n'existent que là où ces pratiques étaient déjà routinières. La justice naturelle exige que l'étudiant soit informé de l'allégation et ait la possibilité de répondre avant toute décision, généralement dans une réunion d'enquête ou un entretien devant un panel, ce qu'il dit entrant au dossier probatoire.

La sortie d'un détecteur ne peut pas porter cette charge. Hadra et al. (2026) ont mesuré une exactitude de 0.69 et 0.61 pour deux outils commerciaux largement utilisés, tous deux en échec sur les textes hybrides humain-IA, et tous deux porteurs d'un risque de mauvaise classification limite pour l'écriture d'étudiants en anglais langue étrangère. Bassett et al. montrent qu'aucun seuil ne résout le compromis entre signaler un travail honnête et manquer un usage dissimulé. Une conclusion qui repose sur un score que personne ne peut interroger est l'affaire qui génère le recours, la plainte et parfois la réclamation.

Trois phrases appartiennent au document lui-même : sur quelles preuves une conclusion peut reposer, qu'un score de détecteur seul ne constitue pas cette preuve, et qui décide qu'une affaire est instruite. Placez la procédure à côté des obligations rassemblées dans questions et risques juridiques.

Dire ce que vous mesurerez avant de publier

Aucune étude de ce corpus ne mesure si la politique d'IA d'un établissement a changé le comportement des étudiants, les pratiques du personnel ou les résultats d'apprentissage. Ce qui existe est descriptif. Manikonda et Outlaw trouvent un langage politique faible et mal aligné. Ashiq documente la dérive. Baroudi nomme l'absence de données longitudinales et causales comme une lacune. Eldredge et al. avertissent qu'analyser des documents publics crée un biais de visibilité, de sorte que l'absence de langage sur la confidentialité ou l'équité est une conclusion sur les orientations publiées plutôt que sur les pratiques.

Deux habitudes en découlent. Attachez un plan d'évaluation à la politique : ce que vous mesurerez, quand, et qui détient le résultat. Et quand un collègue cite la politique d'un autre établissement comme preuve qu'une mesure fonctionne, vérifiez si l'affirmation porte sur un document ou sur un résultat. Tran, Liu et Nguyen (2026) ont examiné 65 articles évalués par les pairs sur l'IA et l'apprentissage socio-émotionnel et ont trouvé que près des trois quarts ne mentionnaient aucune implication politique. Parmi la minorité qui le faisait, la plupart manquaient du détail propre aux acteurs dont la vraie fabrique des politiques a besoin : qui devrait agir, sur quoi, pourquoi, quand et comment.

Ce que les établissements font mal là-dessus

La publication est la ligne d'arrivée. Le domaine que Manikonda et Outlaw ont cartographié est large et superficiel, de ton consultatif, et mince sur les problèmes qui décident si l'usage de l'IA se passe bien. Un document sans responsable ni date de révision est un communiqué de presse avec un numéro de politique.

Une formulation vague est la formulation sûre. Elle est plus sûre pour la personne qui signe, et c'est la chose la plus faible à défendre en recours. Gutowski et Hurley traitent la clarté comme la condition préalable d'une application défendable, et 95% des politiques du registre R1 ont un score négatif de clarté.

L'intégrité académique est la partie difficile, donc couvrez-la et le reste peut attendre. L'intégrité est la disposition la plus facile à écrire, ce qui explique qu'elle domine les décomptes de mots-clés tandis que le vocabulaire de l'équité, l'accès et les obligations sur les données restent quasi absents. Les dispositions qu'un code d'intégrité ne peut atteindre comprennent les achats, la procédure de déclaration, l'accessibilité, la formation du personnel et les conditions d'évaluation dans lesquelles l'intégrité est atteignable.

Un seul document peut porter toutes les obligations. Il peut les porter et n'en appliquer aucune. HIPAA apparaissait cinq fois dans les documents sur l'IA de 48 programmes et les dossiers médicaux électroniques jamais, parce que ces obligations appartiennent déjà à la politique de conformité.

Le corps enseignant suivra une fois la politique publiée. 87% des enseignants avaient écrit leurs propres règles avant que leur établissement n'en publie une. La contre-mesure est le développement professionnel, les exemples travaillés et le leadership distributif. Un courriel de rappel ne déplace rien.

Les étudiants ignorent les politiques, donc la clarté est perdue avec eux. Braun et Khafizov (2026) ont interrogé 1.809 étudiants, 250 enseignants et 62 membres du personnel administratif d'une université de formation des enseignants. Les étudiants rapportaient une intensité d'usage de l'IA et une utilité perçue plus élevées, tandis que les enseignants et le personnel rapportaient des préoccupations d'intégrité plus fortes, et les étudiants percevaient la clarté des politiques comme plus grande que les enseignants. Ce qui les fait bouger, c'est de savoir si l'outil est assez utile pour valoir la peine de suivre une règle à son sujet.

Ce qui va vous revenir dessus

« Nous avons déjà une politique d'intégrité académique. » Elle est nécessaire et non suffisante. Ce que les données soutiennent, c'est une division du travail : les règles de conduite restent là où le processus d'intégrité peut les appliquer, et la politique d'IA porte les achats et la sécurité des données, la procédure de déclaration, l'accessibilité et l'accès, la formation du personnel, et les conditions d'évaluation dans lesquelles l'intégrité est atteignable. L'insistance du panel Delphi à ce que les productions significatives d'IA générative soient revues par un humain, et sa préférence pour une évaluation centrée sur le processus et orale, n'ont pas de place dans un code d'intégrité.

« Le corps enseignant l'ignorera. » Certains le feront, et la raison est rarement la volonté. Les données d'Ashiq portent sur la capacité. Celles de Baroudi portent sur la structure : 7% des établissements avaient créé des postes de direction senior dédiés à l'IA, contre 49% qui traitaient l'IA comme une priorité stratégique. Celles de Ganguly et al. portent sur la traduction : 47 établissements sur 131 avaient à la fois une politique et une mise en œuvre décelable au niveau des cours. Les enseignants sont laissés seuls avec le document.

« Nous ne pouvons pas la contrôler, donc la politique est décorative. » Vous ne pouvez pas la contrôler, et les données disent que vous n'avez pas à le faire. Ogbo et al. (2026) modélisent l'usage étudiant de l'IA comme un problème de coordination où les normes de la cohorte régissent le comportement, avec des effets de seuil. L'évaluation réflexive doit être récompensée au-delà d'un niveau critique pour que l'usage responsable déplace les pratiques opportunistes, la récompense doit être proportionnée à l'effort que la réflexion exige, et la sensibilité aux pairs fixe la vitesse à laquelle une norme se propage. Les étudiants répondent à des structures d'évaluation plutôt qu'à des déclarations. Sur les données transversales d'auto-déclaration de Braun et Khafizov, l'utilité perçue est l'association standardisée la plus forte avec la confiance (β = 0.402), contre la clarté de la politique institutionnelle (β = 0.223). L'OCDE ajoute que les chatbots généralistes améliorent la qualité de la production, que cet avantage disparaît et parfois s'inverse en examen quand l'accès à l'IA est retiré, et que l'engagement métacognitif baisse à mesure que le travail est déchargé. Mettez l'exigence dans l'évaluation notée.

« Les étudiants ne le liront pas. » Ils y répondent quand même, et la réponse est façonnée par ce que leur enseignant dit en première semaine. Une politique que seul un comité a lue n'a qu'un lecteur.

« Nous ne pouvons pas financer le soutien que le cadre demande. » Alors réduisez le cadre à ce que vous pouvez financer et dites-le dans le document. Le panel a placé le soutien institutionnel et l'infrastructure comme le facilitateur fondationnel, et Adarkwah et al. (2026) ont analysé 159 documents de 30 universités très bien classées dans les dix pays les mieux placés sur l'Indice de préparation à l'IA du FMI, dont quatre ont été exclus faute de politiques accessibles au public, ce qui en laisse 26, et ont trouvé beaucoup de dispositions déclaratives plutôt qu'opérationnellement garanties. Un mandat d'usage de l'IA sans appareils, connectivité, aménagements ni formation est une obligation que l'établissement a assignée et ne peut pas soutenir.

À faire cette semaine

1. Cherchez « peut » et « pourrait » dans le projet, réécrivez chaque occurrence où vous voulez dire « doit » ou « interdit », et définissez le plagiat et les usages interdits dans des mots qu'un étudiant de première année peut appliquer.

2. Nommez un responsable exécutif, un comité permanent avec des enseignants et des étudiants, et une date de révision. Confiez la veille sur les évolutions externes à un rôle nommé.

3. Tranchez la stratification : quelles dispositions sont à l'échelle de l'université, lesquelles le département écrit, et quelles obligations relèvent de FERPA, du RGPD, de HIPAA, de l'IRB et de la politique d'intégrité de la recherche.

4. Écrivez la norme de preuve et la phrase sur les détecteurs, puis relisez votre propre procédure de recours à leur lumière.

5. Demandez le chiffre de traduction, et associez toute nouvelle restriction à un exemple travaillé et à une date de formation.

Où aller ensuite

Comment rédiger une politique d'usage de l'IA pour un cours et la communiquer aux étudiants ? est le pendant côté classe, où le document devient une feuille de consignes et une phrase prononcée. La base de recherche se trouve dans la recherche sur la gouvernance institutionnelle, le cadre Delphi mondial et les audits de politiques au niveau des programmes. Administrateurs et Conduite du changement couvrent les dimensions de leadership et de mise en œuvre, La politique d'IA en éducation rassemble la littérature sectorielle, et La gouvernance de l'IA couvre la répartition de l'autorité et de la responsabilité. Côté application, Questions juridiques et risques porte les obligations auxquelles une conclusion de détecteur doit satisfaire.