Préparation à l’IA dans l’enseignement supérieur indien : analyse d’EY

Un campus peut installer des outils d’IA dans un laboratoire, ajouter un module à un programme de cours, et pourtant laisser les étudiants se demander ce qui compte comme un travail compétent. C’est l’écart inconfortable qui se cache derrière la nouvelle conversation sur la préparation à l’IA dans l’enseignement supérieur indien. La page d’EY sur « Building AI readiness in Indian higher education » met l’accent au bon endroit : non pas sur la présence de l’IA sur le campus, mais sur la capacité des établissements à transformer l’exposition à l’IA en compétences réelles.

Pour les apprenants, cette distinction est importante, car le marché du travail se méfie déjà des affirmations vagues sur l’IA. « A utilisé ChatGPT pour des devoirs » ne constitue pas un portfolio. Un signal plus solide est un flux de travail documenté : le problème que vous avez défini, les données ou les sources que vous avez utilisées, la façon dont vous avez vérifié les résultats, ce que vous avez déclaré, et ce que vous avez amélioré après relecture.

Le signal de préparation d’EY va au-delà de l’accès aux outils

« Building AI readiness in Indian higher education » d’EY est utile parce que la préparation y est présentée comme le véritable problème, et pas seulement l’adoption. Cela peut sembler être un simple changement sémantique, mais c’est la différence entre acheter un logiciel et transformer la façon dont les personnes apprennent, évaluent et encadrent le travail. Les établissements d’enseignement supérieur indiens qui s’arrêtent à l’accès risquent de former des étudiants qui connaissent le vocabulaire de l’IA, mais pas les habitudes de travail qui l’accompagnent.

C’est là que l’inflation des certifications s’installe discrètement. Un court certificat en IA peut enseigner des termes, mais il ne prouve pas qu’un étudiant sait évaluer les résultats d’un modèle, protéger des informations sensibles ou expliquer quand il ne faut pas automatiser une tâche. Si les universités veulent que leurs diplômés se démarquent, les preuves doivent passer des badges aux réalisations concrètes : projets, politiques, notes d’évaluation et cas d’usage supervisés par des enseignants.

La préparation des enseignants fait partie du parcours vers l’emploi

Sanskriti Rawat et Robert Linton Tavis Ashton-Bell, de Christ University, rendent explicite le rôle des enseignants dans « Responsible AI-Readiness in Higher Education », publié dans le Journal of Information Technology Education: Research en 2025. Leur étude valide un cadre d’IA responsable conçu pour renforcer la préparation à l’IA du personnel enseignant dans l’enseignement supérieur en Inde. C’est autant une question de carrière qu’une question d’éducation, car les pratiques des enseignants façonnent ce que les étudiants apprennent à considérer comme normal.

Si les enseignants reçoivent un soutien inégal, les étudiants reçoivent des signaux inégaux. Un cours peut exiger la déclaration de l’usage de l’IA, un autre peut interdire les outils sans enseigner d’alternatives, et un troisième peut autoriser des travaux générés par l’IA sans vérification. Le résultat est familier à toute personne qui lit des CV de débutants : beaucoup de vocabulaire lié à l’IA, mais pas assez de preuves de discernement.

La gouvernance devient une compétence professionnelle

L’OCDE présente l’intelligence artificielle comme un défi de gouvernance : comment appliquer une gouvernance efficace pour en exploiter les bénéfices et en atténuer les risques. Pour les étudiants et les professionnels en début de carrière, ce n’est pas un langage politique abstrait. C’est la différence entre être quelqu’un qui sait utiliser un outil et quelqu’un à qui l’on peut confier cet outil dans une vraie organisation.

C’est particulièrement important pour les rôles non techniques. Un étudiant en commerce, en droit, en design, en éducation ou en politiques publiques ne formera peut-être jamais un modèle, mais il pourra tout de même devoir examiner des résultats, documenter des hypothèses, repérer des risques de biais et savoir quand une revue humaine est nécessaire. Le parcours pratique de montée en compétences ne consiste pas à « devenir ingénieur en IA » par multiplication des intitulés. Il consiste à acquérir une culture suffisante de l’IA pour travailler de manière responsable dans son domaine.

La préparation devrait être mesurée, pas mise en scène

Le rapport GivingTuesday’s India AI Readiness Survey Report 2024 propose une définition utile en dehors du cadre universitaire. Il décrit la préparation à l’IA comme une mesure de qui utilise déjà l’IA, de la façon dont elle est utilisée, et des caractéristiques organisationnelles liées à son adoption. Les établissements d’enseignement supérieur indiens peuvent emprunter cette rigueur : cartographier les usages réels, nommer les obstacles et cesser de traiter des projets pilotes dispersés comme une stratégie.

Cela donne aussi aux étudiants une manière plus claire de choisir où investir leur temps. Recherchez des programmes qui exigent des projets avec évaluation, et pas seulement des listes de prompts. Demandez si les enseignants reçoivent une formation à l’IA, si les règles d’évaluation sont claires, et si les étudiants apprennent la gouvernance en même temps que les outils. Le prochain signal d’embauche ne sera pas l’étiquette IA la plus voyante sur un CV. Ce sera la capacité à montrer un travail soigneux et reproductible, lorsque l’outil n’est qu’une partie du métier.