Que devraient apprendre les étudiants pour des carrières où l'IA est courante ?

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

Un étudiant demande pourquoi il devrait apprendre à faire quelque chose qu'un chatbot fait déjà. Un comité de programme dit que les employeurs veulent des diplômés capables d'utiliser l'IA au travail. Votre plan de cours doit satisfaire les deux, et ni l'un ni l'autre n'a dit ce que le diplômé devrait savoir faire sans aide.

Réponse courte à donner à un collègue : enseignez la tâche professionnelle entière, pas l'usage de l'outil, et évaluez à la fois le produit soutenu et la capacité indépendante de l'étudiant. Les preuves soutiennent de traiter la préparation comme connaissance disciplinaire plus jugement plus vérification plus transfert, et elles ne soutiennent aucune liste de compétences comme garantie d'emploi. Une enquête auprès de 500 enseignants d'universités américaines, comparée à un panel d'employeurs, a trouvé que les deux groupes s'accordaient sur l'importance d'exactement une des 26 compétences liées à l'IA, fixer des attentes réalistes pour un travail augmenté par l'IA ; les enseignants valorisaient l'usage critique et responsable tandis que les employeurs valorisaient le flux de travail, l'automatisation et le travail en équipe avec l'IA (Fried, 2026). Ce sont des priorités déclarées, pas des preuves d'embauche. Le résultat plus net pour un curriculum est ailleurs : dans une enquête auprès de 455 étudiants de dernière année, la littératie en IA atteignait l'employabilité perçue surtout en élevant l'adaptabilité de carrière, avec un effet indirect de β = 0.173 à côté d'un β direct de 0.447 (Hendrawan et Lestari, 2026). L'adaptabilité est une capacité que l'on peut enseigner. Un conseil d'outil, non.

La version courte

1. Écrivez la capacité comme une affirmation sur ce qu'un diplômé sait faire sans aide, puis ajoutez la version soutenue à côté.

2. Enseignez la tâche complète en six parties : cadrer, savoir, déléguer, vérifier, communiquer, s'adapter.

3. Évaluez le produit et le jugement séparément, et rendez la vérification indépendante proportionnée.

4. Gardez la pratique indépendante là où elle fait son travail, et dites pourquoi dans le plan de cours.

5. Distinguez les résultats immédiats des résultats ultérieurs quand vous évaluez le programme.

6. Traitez l'anxiété de carrière comme une préoccupation réelle et répondez-y par l'investigation, pas par des prédictions.

Ce que les employeurs et les enseignants mettent chacun en avant

Le rapport d'Ithaka S+R a demandé à 500 enseignants d'établissements américains de quatre ans de noter 26 compétences issues d'un cadre couvrant sept catégories, et a comparé leurs notes à celles d'un panel d'employeurs interrogé par les auteurs du cadre. Le désaccord est systématique plutôt qu'aléatoire : les enseignants plaçaient en tête les limites de l'IA, l'attribution et la responsabilité humaine, tandis que les employeurs classaient plus haut la conception des flux de travail, l'automatisation et le travail en équipe avec l'IA.

Deux lectures de cet écart sont tentantes et toutes deux sont fausses. La première est que les enseignants sont en retard sur le marché du travail. La seconde est que les employeurs veulent de la conformité. Une lecture plus utile est que chaque groupe décrit une moitié différente du même métier, et qu'un diplômé qui ne sait faire qu'une moitié est mal préparé pour les deux. Un étudiant incapable d'expliquer pourquoi un résultat est faux n'est d'aucune utilité à un employeur qui fait confiance au flux de travail ; un étudiant qui ne sait que critiquer la sortie de l'IA n'est d'aucune utilité à un employeur qui a besoin que la tâche soit terminée.

Les limites de ces preuves comptent. Ce sont des priorités déclarées issues d'enquêtes, et le rapport ne montre pas qu'un curriculum produise de meilleures embauches, de meilleures performances ou de meilleurs salaires. Ce qu'il vous donne, c'est une raison défendable de demander si vos étudiants s'exercent un jour à terminer et à vérifier un flux de travail soutenu par l'IA, par opposition à en discuter.

Enseigner une tâche professionnelle complète

La question de curriculum qui vaut la peine d'être écrite est : que devrait faire, expliquer et vérifier un débutant compétent dans cette situation ? Construisez ensuite la tâche en six parties.

Cadrer le problème. Identifiez l'objectif, le public, les contraintes, les preuves disponibles et le coût d'une erreur. Un étudiant incapable de reconnaître une demande sous-spécifiée la transmettra à un modèle et acceptera tout ce qui revient.

Apporter la connaissance disciplinaire. Les étudiants ont besoin d'une compréhension suffisante pour inspecter le résultat : interpréter un cas, estimer une réponse plausible, remarquer une comparaison trompeuse, repérer ce qui manque. Définissez ce socle explicitement au lieu de traiter toute pratique indépendante comme une exigence héritée du passé.

Déléguer délibérément. Décidez quelles étapes l'IA peut assister et lesquelles exigent un travail indépendant ou une autorisation professionnelle, et sachez en donner la raison. Rédiger une formulation de routine et décider ce que devrait dire un document conséquent sont des responsabilités différentes avec des redevabilités différentes.

Vérifier contre les preuves. Contrôlez les calculs, les affirmations, les sources, les hypothèses et la conformité à l'exigence. Apprenez aux étudiants à consigner comment une vérification a tranché la question. Demander au même modèle s'il est sûr ne tranche rien, un point que la pratique de vérification développe directement.

Communiquer et collaborer. Expliquez la décision à un collègue, un client ou un supérieur : ce qui a changé, ce qui reste incertain, quand quelqu'un d'autre doit intervenir. Un travail soutenu par l'IA a encore un public et une chaîne de responsabilité.

S'adapter et transférer. Répétez une tâche comparable avec un autre outil ou une nouvelle contrainte, puis demandez ce qui est resté utile et ce qui a dû changer. C'est ce qui rend l'adaptabilité observable plutôt qu'adjectif dans une liste d'attributs de diplôme.

L'intégrer au travail de cours existant

Ce sont des adaptations des thèmes de recherche, pas des interventions d'emploi testées.

Composition et communication professionnelle : faites critiquer et réviser par les étudiants une réponse rédigée par l'IA à une réclamation de client. La preuve de la capacité est de nommer les promesses non étayées, d'expliquer les choix de public et de défendre la formulation finale.

Un cours quantitatif peut faire de même avec une estimation produite par l'IA pour un problème de planification réaliste, où les étudiants construisent leur propre estimation, énoncent les hypothèses et testent la plausibilité.

Pour un cours de tableur ou d'informatique, distribuez une formule générée et des données synthétiques, puis demandez des cas de test, une explication des références et une condition d'échec.

Professions de santé : les étudiants évaluent une explication générée pour un cas fictif au regard de sources approuvées, nomment ses limites et indiquent quand un professionnel qualifié doit décider.

L'exploration de carrière a sa propre version : comparer la composition des tâches de deux métiers à partir d'informations professionnelles crédibles, puis planifier une étape concrète de développement de compétence ou de demande d'aide.

Pour un enseignement asynchrone, demandez une tentative initiale, une courte trace de vérification et une note de deux phrases sur une décision conséquente. En laboratoire ou en séminaire, l'explication peut se faire en conversation. Utilisez des supports synthétiques ou autorisés chaque fois que l'alternative est constituée de données professionnelles ou étudiantes confidentielles.

Évaluer la performance soutenue et la compréhension individuelle

Un artefact poli vous dit ce qui a été produit dans les conditions autorisées. Il ne vous dit pas ce que l'étudiant sait faire. Ajoutez une vérification indépendante proportionnée : expliquer une décision, réparer une erreur, adapter le travail à une condition modifiée, ou réaliser sans aide une sous-tâche fondamentale.

Choisissez ces exigences parce qu'elles soutiennent une capacité énoncée, et dites laquelle chaque évaluation mesure. Les étudiants acceptent la pratique indépendante quand elle est liée à ce à quoi on les prépare ; « vous en aurez besoin un jour » fait moins de travail que montrer en quoi le calcul est ce qui leur permettra plus tard de repérer une mauvaise estimation.

Le versant du soutien a son propre risque. Shojaei et al. (2026) ont trouvé l'usage de la GenAI positivement associé à la dépendance à la GenAI, et la dépendance négativement associée à la fois à la pensée critique et à l'employabilité dans leur modèle d'enquête. C'est une association et non une affirmation causale, et elle pointe la question de conception : un cours qui n'évalue jamais que la performance soutenue peut entraîner la dépendance qu'il signale.

Pour la revue de programme, séparez les mesures. La performance en cours, la littératie en IA démontrée, l'évaluation par un superviseur de stage, le statut d'emploi et la qualité de l'emploi sont des résultats différents avec des horizons temporels différents, et une seule intervention ne peut pas établir tous ces résultats. La page sur les preuves de la littératie en IA est l'inventaire honnête de ce que les études d'intervention soutiennent réellement.

Aborder l'anxiété de carrière sans promettre la certitude

Les étudiants arrivent avec de vraies peurs, et la littérature d'enquête à leur sujet est une description des peurs plutôt qu'une prévision du marché du travail. Duan et al. (2026) ont trouvé que l'anxiété liée à l'IA prédisait directement et négativement les décisions de carrière, ce qui est un résultat sur la paralysie décisionnelle, pas sur les emplois. Le tableau du bien-être couvre les preuves plus larges.

Ce qui aide, c'est l'investigation à l'échelle où un étudiant peut agir : quelles tâches ce rôle contient réellement, à quoi ressemble une semaine, que devrais-je savoir faire, qui peut me le dire. Les services de carrière, les anciens et le personnel de placement détiennent cette information. Une démonstration d'outil, l'impression d'un enseignant ou la présentation d'un fournisseur ne sont pas des prévisions du marché du travail, et présenter l'une d'elles comme une prévision est la façon dont les programmes perdent leur crédibilité auprès d'étudiants qui vérifient ensuite.

Ce qui va vous revenir dessus

« Les étudiants ont juste besoin de mieux prompter. » Le prompting est une proposition d'une des six parties. Une demande bien spécifiée ne fournit pas la connaissance nécessaire pour reconnaître un mauvais résultat, et les employeurs du panel Ithaka ne classaient pas non plus l'art du prompt en premier.

« Si les lieux de travail autorisent l'IA, les travaux de cours devraient l'autoriser. » Un cours construit aussi la capacité qui rend l'usage responsable possible. Dites laquelle des deux vous évaluez dans chaque tâche, et l'objection devient une question de conception plutôt qu'une contradiction.

« Les outils changent trop vite pour enseigner tout cela. » Enseignez les opérations propres aux outils là où elles aident et évaluez les pratiques durables : cadrer, vérifier, tester, documenter, communiquer, escalader. Les preuves ci-dessus portent sur ces pratiques, et aucune n'en dépend du modèle actuellement en vogue.

« Un cours de littératie en IA améliorera leurs perspectives d'emploi. » Le résultat de médiation est ici l'avertissement. La littératie en IA atteignait l'employabilité perçue directement et par l'adaptabilité, et l'employabilité perçue n'est ni une offre d'emploi, ni une évaluation de performance, ni un salaire. Le plan d'enquête ne peut pas exclure que des étudiants confiants se notent plus haut sur tout.

À faire cette semaine

1. Choisissez une tâche que les diplômés de votre programme affronteront réellement, et écrivez ses six parties en cinq lignes.

2. Marquez quelles parties l'évaluation actuelle mesure réellement et lesquelles elle suppose.

3. Ajoutez une vérification indépendante à un devoir existant : une décision expliquée, une erreur réparée, ou une sous-tâche réalisée sans aide.

4. Dites aux étudiants quelle capacité cette vérification sert, dans les consignes du devoir.

5. Vérifiez si une tâche du cours n'évalue que la performance soutenue, et décidez si c'est délibéré.

Où aller ensuite

Développement de carrière et préparation professionnelle est la page de concept pour l'employabilité, l'adaptabilité et les preuves sur le marché du travail, et Littératie en IA couvre ce que la littératie signifie au-delà de l'usage des outils. Pour l'intégrer à un cours précis, voir intégrer la littératie en IA et quelles compétences les enseignants doivent avoir.

Pour la conception d'évaluation qui rend la performance soutenue et la performance indépendante distinguables, voir repenser l'évaluation à l'ère de l'IA et la notation par IA. Pour éviter que le soutien ne devienne dépendance, voir réduire la sur-dépendance.