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.

Vous êtes le ou la provost, le doyen ou la doyenne, le responsable de la gouvernance, le directeur ou la directrice d'un centre d'appui à l'enseignement ou le président ou la présidente d'une commission qui doit produire ou défendre cette politique, et répondre à un collègue qui la trouve trop stricte ou trop vague. L'essentiel, sans détour : publier une politique est la partie facile, et un document seul ne change rien. La plupart des établissements ont déjà répondu à la question de savoir s'il en fallait une en en publiant une, et le parc qui en résulte est vaste mais superficiel : consultatif plutôt que contraignant, centré sur l'intégrité académique, et pauvre sur les questions de données, d'équité et de capacités qui décident si l'usage de l'IA se passe bien. Ce qui sépare une politique défendable d'un document qui prend la poussière, c'est un responsable nommé, un calendrier de révision, un chemin de traduction vers les cours et une conception de l'évaluation qui récompense le comportement que vous demandez.

La version courte

Soyez bref sur les aspirations et explicite sur les obligations. Passez votre projet au crible pour repérer chaque « peut » et chaque « il est possible » là où vous voulez dire « doit », et définissez le plagiat et les usages interdits dans des termes qu'un étudiant de première année peut appliquer. Nommez un responsable exécutif et un cycle de révision avant de publier. Dites où se situent les obligations liées à FERPA, au RGPD, à HIPAA, au comité d'éthique de la recherche et à l'intégrité scientifique plutôt que de les fondre dans le document : un seul texte absorbant la protection des données, l'éthique de la recherche, la réglementation clinique et la conduite académique sera long, non lu et inapplicable. Financez ensemble les capacités du personnel et l'accès des étudiants, car ils échouent ensemble. Demandez combien de cours ont réellement mis la politique en œuvre, et traitez un chiffre faible comme un échec d'accompagnement plutôt que comme un problème de conformité. Intégrez une réflexion sur l'usage de l'IA dans les travaux notés, à un niveau proportionné à l'effort qu'elle demande, et joignez un plan d'évaluation, car personne ne peut affirmer que la politique a amélioré quoi que ce soit tant qu'elle n'est pas mesurée.

Première décision : ce que votre document régit

Manikonda et Outlaw (2026) ont exploré les politiques relatives à l'IA de 149 universités américaines de catégorie R1 et R2 et vérifié 130 politiques au niveau de l'établissement couvrant 34 États. Le registre est consultatif plutôt que directif : 95% des politiques avaient un score négatif de force-clarté, de sorte qu'un langage faible (« peut », « il est possible ») domine sur les directives (« doit », « interdit »). Les politiques de niveau universitaire privilégient la sécurité des données, la réduction des risques, les achats et la conformité juridique avec peu d'orientations pédagogiques, tandis que les politiques de niveau faculté, lorsqu'elles existent, portent sur l'enseignement et l'AI Literacy. Seules huit écoles de commerce avaient une politique propre à leur faculté, et celles-ci différaient de leur cadre institutionnel dans six cas sur huit. Le remède proposé par les auteurs est une structure en couches : un niveau universitaire de gestion des risques, des politiques au niveau des départements et des comités inter-départementaux réunissant des enseignants et des étudiants.

Cela vous donne une décision de périmètre à énoncer par écrit : déclarez le document instrument de gestion des risques, et placez le détail opérationnel au niveau du département, ce qui répond aussi à l'accusation de flou.

Deuxième décision : les dispositions sont-elles contraignantes

Regardez ce que les établissements publient lorsque rien ne force la question. Eldredge et al. (2026) ont examiné les 48 programmes de master en informatique de la santé et en gestion de l'information de la santé accrédités par la CAHIIM aux États-Unis. Quarante programmes (83%) publiaient au moins un document lié à l'IA ; dans l'échantillon analysé, 21 documents (53%) étaient des lignes directrices, 9 (23%) des documents d'information et seulement 7 (18%) de véritables politiques. L'intégrité académique était le mot-clé le plus fréquent (n = 139), devant la citation (59), l'Assessment (50) et le plagiat (38) ; la divulgation de l'usage de l'IA et le recours à des prestataires de rédaction apparaissaient chacun une fois ; HIPAA apparaissait cinq fois, FERPA onze fois 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 à la hauteur.

La leçon ne coûte rien : comptez vos verbes modaux et écrivez une conséquence là où vous en voulez une.

Troisième décision : qui l'écrit, et qui est lié

Deux revues situent la faiblesse dans les capacités, non dans l'intention. Ashiq (2026) a synthétisé plus de soixante-dix sources britanniques et constaté que seule une minorité d'établissements maintiennent des plans officiels de gouvernance de l'IA, que les lacunes de planification stratégique produisent une dérive des politiques et une conformité de façade, que les orientations nationales de l'Office for Students et de Jisc ont été critiquées pour leur manque de spécificité et de pouvoir de contrainte, et que les investissements dans la formation du personnel et les infrastructures se concentrent dans les établissements à forte intensité de recherche tandis que ceux centrés sur l'enseignement font face à des contraintes de capacités. Baroudi (2026) a examiné 19 sources et constaté que seulement 7% des établissements avaient créé des postes de direction de haut niveau dédiés à l'IA, alors que 49% traitaient l'IA comme une priorité stratégique, avec un écart entre la théorie et la mise en œuvre alimenté par des cadres politiques faibles et une infrastructure numérique limitée, en particulier dans les pays du Sud. Écrire une politique n'est pas le goulot d'étranglement ; c'est de la porter, de la doter en ressources et de la réviser qui l'est.

Décidez donc qui préside cette instance et qui y siège avant de rédiger. Crompton et al. (2026) ont réuni un panel Delphi issu de 22 pays et territoires de six continents et produit un cadre consensuel à huit domaines essentiels (intégrité académique, usage éthique et responsable, vie privée et protection, accès équitable, littératie en IA générative, stratégie d'intégration, supervision humaine et responsabilité, et accompagnement et infrastructure institutionnels), complété par un mécanisme en six volets pour maintenir la politique à jour : un comité de gouvernance pluridisciplinaire (plus de la moitié du panel), des cycles de révision programmés (la moitié du panel), du développement professionnel, une communication avec toutes les Stakeholders, l'évaluation de l'efficacité et la veille sur les évolutions externes. Utilisez le cadre comme liste de contrôle de couverture et le mécanisme comme modèle de fonctionnement. Notez où le consensus est déséquilibré, car votre comité dérivera de la même façon : l'usage éthique et responsable était cité par deux tiers des panélistes et la vie privée par plus de la moitié, mais l'accès équitable par seulement un tiers ; c'est l'équité qu'un processus consensuel sous-pondère en premier. La moitié du panel insistait pour que les productions significatives d'IA générative soient revues par un humain, et favorisait une évaluation centrée sur le processus et orale.

Une décision de participation mérite d'être prise délibérément. Hingle et Johri (2026) ont fait co-concevoir par des étudiants une politique de cours sur l'IA générative par le biais d'une enquête guidée ; les priorités qui ont émergé étaient une formation pour les étudiants et les enseignants, des procédures de divulgation normalisées, 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, ce qui plaide pour une présence étudiante au comité plutôt que pour une simple consultation. Baroudi a associé des styles de leadership autonomisant et distributif à un engagement accru des enseignants et à une plus grande ouverture au changement, et documenté les dispositifs de Change Management (le modèle de contagion de Valente, le cadre en cinq étapes de Rieber et Welliver) comme appui à l'adoption. Le style de leadership, selon ces données, fait partie de la politique.

Tan et al. (2026) proposent un cadre organisationnel à six dimensions dont les propositions sont explicitement laissées à une validation empirique future. C'est une liste de contrôle de ce qu'une politique devrait couvrir, non une preuve de ce qui fonctionne : utile pour la structure, excessif si on le cite comme une preuve.

L'écart dans la pratique sépare les règles individuelles des règles institutionnelles. L'enquête AAC&U/Elon auprès de 1,057 enseignants américains (Watson et Rainie 2026) a constaté que 87% avaient créé leurs propres règles pour leurs étudiants sur l'usage de l'IA générative, alors que seulement 48% déclaraient que leur établissement avait rédigé de telles lignes directrices et 35% que leur département l'avait fait. Sur le plan structurel, 55% signalaient un groupe de travail ou de supervision, 37% de nouveaux cours consacrés à l'IA, 17% une filière ou une mineure en IA, 16% de nouveaux bureaux de direction académique, et seulement 13% avaient adopté la littératie en IA comme acquis d'apprentissage de formation générale. L'échantillon n'est pas scientifique et les auteurs précisent qu'il n'est pas généralisable, mais l'asymétrie est tout l'intérêt : les règles que les étudiants rencontrent réellement sont écrites par l'enseignant en face d'eux, ce qui explique pourquoi la traduction vers les cours compte davantage que la publication. Coates, Croucher et Calderon (2025) fournissent l'instrument de gouvernance pour l'autre extrémité : un cadre d'indicateurs d'intégrité académique conçu pour les instances de gouvernance par des revues de littérature, des études de cas multi-établissements, du prototypage et une validation par des experts, assorti de réformes des architectures de gouvernance, des personnes et des technologies.

Quatrième décision : où se situent les obligations de données, de vie privée et de consentement

La conformité aux lois de référence n'est pas une gouvernance éthique des données. Varadaraju et Vijayakumar (2026) soutiennent que la gouvernance des Learning Analytics dans l'enseignement supérieur est restée centrée sur la conformité, autour du respect de FERPA et du RGPD, et proposent le cadre LEAGUE (Lawfulness, Equity, Agency, Governance, Utility et Ethics by Design), démontré sur une étude de cas d'alerte précoce. Le panel Delphi a indépendamment placé la vie privée et la protection des données comme thème critique pour plus de la moitié de ses membres, et le troisième pilier politique de l'OECD Digital Education Outlook (2026) est un environnement favorable à une IA générative digne de confiance couvrant Privacy, la sécurité, les tests de biais et la transparence.

La leçon du corpus en informatique de la santé est la discipline de périmètre : ses documents sur l'IA mentionnaient à peine HIPAA, FERPA ou les orientations des comités d'éthique de la recherche et jamais les dossiers médicaux électroniques, parce que ces obligations vivent dans des politiques de conformité plus larges. Nommez où se situe chaque obligation et exigez que les étudiants la rencontrent dans leurs travaux de cours.

Cinquième décision : comment la politique atteint la salle de cours

C'est la décision que la plupart des politiques ratent, et elle est mesurable. Ganguly et al. (2026) ont analysé 116 politiques institutionnelles sur l'IA générative issues de 131 universités R1, ainsi que 98 plans de cours d'informatique de 54 établissements R1. Les établissements encourageaient surtout l'usage de l'IA générative (73, 63%) tandis que 31 (27%) le décourageaient ; au niveau des cours, 90 plans de cours (92%) donnaient des lignes directrices explicites, mais 49 (50%) interdisaient purement et simplement l'usage de l'IA générative, 40 (41%) autorisaient un usage partiel et seulement 7 (7%) l'encourageaient. Seuls 47 des 131 établissements avaient à la fois une politique institutionnelle et une traduction détectable au niveau des cours. La gouvernance, selon ces données, signifie traduire la politique en un appui concret aux enseignants, faute de quoi les enseignants improviseront des règles locales qui risquent de ne pas s'aligner sur les orientations institutionnelles.

Demandez à votre comité combien de cours traduisent la politique de manière détectable, et traitez la réponse comme un indicateur d'accompagnement, non de conformité.

Sixième décision : les capacités, l'accès et la révision que vous avez promise

Deux dispositions souvent omises sont le développement du personnel et l'accès équitable. Le panel Delphi a placé l'accompagnement institutionnel et l'infrastructure comme le facteur habilitant fondamental ; Baroudi a constaté la rareté des postes de direction dédiés à l'IA et souligné l'importance de la littératie en IA et d'une formation pratique pour les enseignants et le personnel. Ashiq a constaté que la formation du personnel à l'IA se concentrait dans les établissements à forte intensité de recherche, creusant une Digital Divide. Adarkwah et al. (2026) ont analysé 159 documents de 30 universités parmi les mieux classées des dix pays les mieux placés sur l'indice de préparation à l'IA du FMI, évalués selon le cadre en huit composantes de l'UNESCO pour l'IA générative. Quatre universités ont été exclues faute de politiques accessibles au public, ce qui en laissait 26, et aucune politique publique n'a été trouvée pour les universités allemandes ni pour l'université de technologie de Tallinn. Les principes éthiques et de gouvernance fondamentaux étaient largement adoptés, tandis que l'inclusion, l'équité, l'accès à internet, la parité de genre et l'impact environnemental étaient souvent négligés, et de nombreuses dispositions restaient déclaratives plutôt qu'opérationnellement garanties : le même schéma que celui trouvé dans le corpus en informatique de la santé, où le vocabulaire de l'équité était quasi absent. Le quatrième pilier de l'OCDE est une infrastructure numérique équitable, incluant de petits modèles de langue hors ligne pour les contextes à faible connectivité. Tan et al. étendent la dimension de compétence au-delà de l'AI Literacy à la littératie des données, à l'éthique numérique, à la pensée stratégique, au leadership du changement et à l'apprentissage tout au long de la vie.

Budgétez ces éléments ensemble et nommez un responsable : une politique qui impose l'usage de l'IA sans financer les appareils, la connectivité, les aménagements ou la formation a assigné une obligation qu'elle ne peut pas soutenir.

Deux études récentes sur les politiques vous donnent un instrument d'audit et un avertissement sur l'accompagnement. Gutowski et Hurley (2025) ont noté les politiques institutionnelles sur cinq dimensions avec des grilles explicites (caractère prohibitif, permissivité, intégration pédagogique, transparence et responsabilité, profondeur) et constaté que la plupart des établissements de leur secteur adoptaient des positions généralement prohibitives tout en réservant un pouvoir d'appréciation aux enseignants individuels, qu'aucune approche unique n'était acceptée et que la clarté elle-même était traitée comme la condition préalable d'une sanction défendable. Leur recommandation est délibérément procédurale : des lignes directrices complètes quelle que soit votre position, les parties prenantes associées à la rédaction, une formation proactive, une gouvernance conçue pour être souple et des cycles de révision, dans l'idée que la production d'une politique n'est pas un événement ponctuel. Qian (2026) aboutit au même point structurel depuis le versant de l'accompagnement : ce qui distingue les établissements n'est pas la règle seule mais l'écosystème d'accompagnement publié à côté d'elle (développement des enseignants, orientation des étudiants, appui à l'évaluation et structures de gouvernance qui rendent la politique opérationnelle). Lisez votre projet comme un engagement d'accompagnement assorti de règles, et non l'inverse.

Quatre objections que vous entendrez

« Nous avons déjà une politique d'intégrité académique. »

Elle est nécessaire et non suffisante, et le corpus montre pourquoi : l'intégrité est la disposition la plus facile à écrire, ce qui explique qu'elle domine les comptages de mots-clés tandis que le vocabulaire de l'équité, les obligations d'accès et les obligations relatives aux données sont quasi absents. Ce que les données soutiennent, c'est une division du travail, non une fusion : les règles de conduite restent là où le processus d'intégrité académique peut les faire appliquer, et la politique sur l'IA porte ce qu'un code d'intégrité ne peut pas atteindre : les achats et la sécurité des données, la procédure de divulgation, l'accessibilité et l'accès, la formation du personnel, et les conditions d'évaluation dans lesquelles l'intégrité est réalisable. L'insistance du panel Delphi sur la relecture humaine des productions significatives d'IA générative, et sa préférence pour une évaluation centrée sur le processus et orale, n'a pas sa place dans un code d'intégrité.

« Les enseignants l'ignoreront. »

Certains l'ignoreront, et c'est rarement une question de volonté. Les données d'Ashiq portent sur les capacités : les plans de gouvernance sont rares, les lacunes de planification produisent une dérive des politiques et une conformité de façade, et les investissements en formation et en infrastructure se concentrent dans les établissements à forte intensité de recherche tandis que ceux centrés sur l'enseignement font face à des contraintes. Celles de Baroudi portent sur la structure : 7% des établissements avaient créé des postes de direction de haut niveau dédiés à l'IA, contre 49% qui traitaient l'IA comme une priorité stratégique. Celles de Ganguly et al. portent sur la traduction : seuls 47 des 131 établissements avaient à la fois une politique et une mise en œuvre détectable au niveau des cours. Les enseignants n'ignorent pas tant la politique qu'ils sont laissés seuls avec elle. La contre-mesure est le développement professionnel, des exemples travaillés et un leadership distributif, que Baroudi associe à un engagement accru des enseignants et à une plus grande ouverture au changement.

« Les étudiants ne la liront pas. »

Ils y réagiront quand même, ce qui est le fait le plus utile. Braun et Khafizov (2026) ont interrogé 1,809 étudiants, 250 enseignants et 62 membres du personnel administratif d'une université de formation des enseignants et constaté que les étudiants rapportaient une intensité d'usage de l'IA et une utilité perçues plus élevées, tandis que les enseignants et le personnel rapportaient des inquiétudes plus fortes en matière d'intégrité. Dans leur modèle regroupé, l'utilité perçue avait l'association standardisée la plus forte avec Trust (β = 0.402) et la clarté de la politique institutionnelle était positive mais plus faible (β = 0.223) ; les étudiants rapportaient une clarté perçue de la politique plus élevée que les enseignants. Ce sont des associations transversales et auto-déclarées, mais l'ordre des facteurs met en garde contre le fait de traiter une politique bien écrite comme un instrument de confiance à elle seule. Ogbo et al. (2026) modélisent l'usage étudiant de l'IA comme un problème de coordination dans lequel les normes de la cohorte, et non les règles énoncées, régissent les comportements, et montrent des transitions guidées par des seuils : l'évaluation réflexive doit être récompensée au-dessus d'un niveau critique avant que l'usage responsable ne déloge les pratiques opportunistes, la récompense doit être proportionnée à l'effort que la réflexion exige, et la sensibilité aux pairs détermine la vitesse de propagation. Les étudiants réagissent aux structures d'évaluation plutôt qu'aux proclamations, ce qui plaide pour une gouvernance menée par la pédagogie plutôt que par la surveillance. L'OCDE ajoute que les agents conversationnels généralistes améliorent la qualité des productions, mais que cet avantage disparaît et parfois s'inverse lors des examens lorsque l'accès à l'IA est retiré, l'engagement métacognitif diminuant à mesure que le travail est déchargé. Placez l'exigence dans l'évaluation notée.

« Nous ne pouvons pas la faire respecter par la surveillance. »

Vous ne le pouvez pas, et les données indiquent que vous n'avez pas à le faire. Ogbo et al. offrent le seul résultat formel de ce corpus (les proclamations politiques seules laissent intactes les pratiques opportunistes lorsque les incitations de l'évaluation sont mal alignées), donc le levier est la conception, non la détection. Le facteur mesuré le plus fort de Braun et Khafizov est l'utilité perçue, non la clarté de la politique, de sorte qu'une politique qui rend l'usage responsable utile aux étudiants porte plus loin qu'une politique qui menace de détecter. Là où vous faites effectivement appliquer, restez étroit et procédural : des usages interdits définis, des règles de divulgation que les étudiants peuvent suivre, et les pratiques de relecture humaine et d'évaluation orale qu'a approuvées la moitié du panel Delphi. Votre véritable exposition est l'écart de traduction, non la fraude étudiante : 92% des plans de cours donnaient des lignes directrices explicites tandis que 50% interdisaient purement et simplement l'IA générative, contre 63% des politiques institutionnelles qui l'encourageaient. L'incohérence que rencontrent les étudiants se situe entre votre politique et vos propres cours.

Lorsque l'application échoue, c'est plus souvent un problème de preuves qu'un problème de détection, et c'est là que se situe l'exposition institutionnelle. Munoz et al. (2026), en documentant des dossiers réels d'allégations, ont trouvé que la base probatoire est plus mince que la politique ne le laisse entendre : les traces enregistrées par le système n'existent que dans l'évaluation surveillée, les preuves de processus (brouillons, rencontres de suivi, présentations) n'existent que là où ces pratiques étaient déjà exigées, et la justice naturelle exige que l'étudiant soit informé de l'allégation et ait la possibilité de répondre avant toute décision. La production d'un détecteur ne peut pas s'y substituer : 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 avec un risque de mauvaise classification limite pour les écrits d'étudiants en anglais langue étrangère, et Bassett et al. montrent qu'aucun seuil ne résout l'arbitrage entre signaler un travail honnête et manquer un usage dissimulé. Une conclusion qui repose sur un score que personne ne peut interroger est le cas qui génère le recours, la plainte et parfois la poursuite. Écrivez la norme de preuve dans la politique, interdisez les preuves issues d'un détecteur utilisé seul, et reliez la procédure aux obligations en matière de Legal Issues and Risks.

Ce que les données ne peuvent pas encore vous dire

Ce corpus ne contient aucune étude mesurant si la politique sur l'IA d'un établissement a changé le comportement des étudiants, les pratiques du personnel ou les acquis d'apprentissage. Ce qui existe est descriptif : Manikonda et Outlaw trouvent le langage des politiques faible et mal aligné ; Ashiq documente la dérive des politiques ; Baroudi nomme comme lacune l'absence de données longitudinales et causales. Eldredge et al. avertissent que l'analyse de documents publics seulement crée un biais de visibilité, de sorte que l'absence de langage sur la vie privée ou l'équité est une observation sur les orientations publiées plutôt que sur les pratiques. Tran, Liu et Nguyen (2026) ont examiné 65 articles évalués par les pairs sur l'IA et l'apprentissage socio-émotionnel et constaté que près de trois quarts ne mentionnaient aucune implication politique, et que la minorité qui le faisait manquait le plus souvent du détail propre à chaque acteur (qui devrait agir, sur quoi, pourquoi, quand et comment) dont une véritable élaboration de politiques a besoin. Traitez cette lacune comme une raison d'instrumenter votre propre politique, non d'attendre.

La position défendable est que la politique n'est pas le livrable ; le mécanisme l'est. Publiez des dispositions contraignantes là où vous les voulez contraignantes, donnez au document un responsable nommé et une révision programmée, traduisez-le en un accompagnement au niveau des cours, placez les obligations de conformité là où les étudiants les rencontreront, financez ensemble les capacités du personnel et l'accès, et joignez un plan d'évaluation : personne ne peut affirmer que la politique a amélioré quoi que ce soit tant qu'elle n'est pas mesurée.

À faire cette semaine

• Comptez vos verbes modaux. Cherchez dans le projet « peut » et « il est possible », réécrivez chaque occurrence là où vous voulez dire « doit » ou « interdit », et définissez explicitement le plagiat et les usages interdits.
• Nommez un responsable et une date. Un comité de gouvernance permanent, un cycle de révision programmé, un parrain exécutif nommé et une ligne attribuant la responsabilité de la veille sur les évolutions externes.
• Programmez la conversation sur les niveaux de décision. Réunissez les responsables départementaux et un comité comprenant des enseignants et des étudiants, et décidez quelles dispositions sont à l'échelle de l'établissement et lesquelles relèvent du département.
• Rédigez les dispositions manquantes. Les aménagements, l'accessibilité, les hypothèses en matière d'appareils et de connectivité et la couverture linguistique vont avec la règle qui impose l'usage de l'IA ; nommez ensuite où se situent les obligations liées à FERPA, au RGPD, à HIPAA, au comité d'éthique de la recherche et à l'intégrité scientifique.
• Demandez le chiffre de la traduction. Traitez une réponse faible comme un échec d'accompagnement et associez les restrictions à des exemples travaillés.
• Changez une évaluation et une question d'évaluation. Intégrez une réflexion sur l'usage de l'IA dans les travaux notés à un niveau proportionné à l'effort qu'elle demande, puis énoncez ce que vous mesurerez, quand, et qui porte le résultat.

Pour le pendant de ce travail au niveau du cours, voir rédiger une politique d'usage de l'IA en cours et la communiquer aux étudiants. 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 ; voir Administrators et Change Management pour les dimensions de leadership et de mise en œuvre. Educational AI Policy rassemble la littérature sectorielle, et AI Governance couvre la répartition de l'autorité et de la responsabilité.