
L’affaire tient en quelques lignes. Une étudiante de master 2 en droit de l’université Paris 1 Panthéon-Sorbonne est soupçonnée d’avoir rédigé tout ou partie de son mémoire de stage avec une IA. En janvier 2026, le conseil académique refuse d’engager des poursuites disciplinaires. L’université saisit le juge des référés : sans sanction, plaide-t-elle, elle devra délivrer le diplôme. Le 12 février, le tribunal administratif de Paris rejette sa demande. L’établissement n’a produit aucune règle encadrant l’usage de l’IA au regard de laquelle la faute aurait pu être appréciée (TA de Paris, 2026).
Le juge ne consacre pas un droit à l’IA. Il constate un vide. Ce que le mémoire devait attester, et dans quelles conditions, n’avait jamais été écrit.
C’est le point de départ de ce deuxième article. Dans le premier, nous montrions comment les outils et les flux de données révèlent les priorités réelles d’une école (Seira, épisode 1). L’IA prolonge ce mouvement. Elle pose moins la question de savoir qui décide que celle des décisions qu’elle oblige à rendre explicites. Beaucoup de choses étaient tranchées sans être formulées. L’IA en touche trois à la fois : ce que l’évaluation atteste, la façon dont les responsabilités se répartissent, la frontière entre le cadre commun et le geste de l’enseignant.
Ce que le diplôme garantit encore
Dans l’enseignement supérieur, le cœur du sujet reste pédagogique. Les modalités d’évaluation, la place de l’enseignant, les compétences réellement acquises renvoient à une seule question : que garantit l’établissement quand il délivre un diplôme ?
Les étudiants n’ont pas attendu la réponse. Au Royaume-Uni, parmi les étudiants de premier cycle à temps plein interrogés, 94 % disent recourir à l’IA générative pour leurs travaux évalués (HEPI et Kortext, 2026). En France, la mission ministérielle de 2025 appelle à « repenser en profondeur les modalités d’évaluation » (Rapport ministériel IA et enseignement supérieur, 2025). Or les modalités les plus exposées (dossiers, études de cas, mémoires réalisés hors présentiel) sont souvent celles sur lesquelles reposent les référentiels de certification.
La détection ne règle rien. En 2023, une équipe internationale de chercheurs a testé quatorze outils, dont Turnitin. Leur conclusion : ils ne sont « ni précis ni fiables » (Weber-Wulff et al., 2023). Une sanction fondée sur un score expose à l’erreur, et à un contentieux que l’établissement peut perdre. Le déplacement possible est ailleurs. Il s’agit d’évaluer le raisonnement, la vérification, la capacité à arbitrer un travail produit avec l’IA, et plus seulement le livrable.
Le calendrier réglementaire pousse dans le même sens. Le règlement européen sur l’IA (AI Act) classe à haut risque les systèmes destinés à évaluer les acquis d’apprentissage ou à surveiller les comportements interdits pendant les examens (AI Act, annexe III). L’Omnibus numérique, entré en vigueur en juillet 2026, a reporté ces obligations au 2 décembre 2027 (Règlement (UE) 2026/1744). Il ne les a pas supprimées. Les évaluateurs, eux, n’attendent pas. La Commission d’évaluation des formations et diplômes de gestion (CEFDG) demande déjà que le niveau d’usage autorisé soit fixé et annoncé en début de module. Elle invite aussi à la prudence face aux détecteurs (CEFDG, 2026). Jurys, certificateurs et auditeurs poseront tôt ou tard la même question.
Une responsabilité partagée, rarement écrite
Quand l’IA entre dans les pratiques, la responsabilité se diffuse. L’enseignant qui autorise un outil, la direction qui adopte une charte, la DSI qui paramètre un environnement, l’éditeur qui livre une mise à jour, l’étudiant qui s’en sert : chacun en porte une part. La chaîne, elle, est rarement écrite. La CEFDG le rappelle : « la responsabilité reste et restera strictement humaine » (CEFDG, 2026). Reste à savoir laquelle.
Le droit désigne déjà un responsable. Au regard du RGPD, l’établissement répond des traitements de données de ses étudiants, y compris quand ils passent par un outil d’IA. Dans une FAQ destinée aux écoles, collèges et lycées, la CNIL recommande d’associer systématiquement le délégué à la protection des données. Elle exclut aussi que l’éditeur réutilise les données des élèves pour améliorer ses services (CNIL, 2025). Ces recommandations ne visent pas l’enseignement supérieur, mais elles donnent un repère utile à tout établissement qui déploie un outil d’IA. Au sens de l’AI Act, l’établissement est par ailleurs « déployeur ». L’article 4 lui demande de prendre des mesures pour favoriser le développement de la maîtrise de l’IA de son personnel (AI Act, article 4). Les systèmes à haut risque y ajouteront des obligations de supervision humaine.
Côté systèmes d’information, ces principes deviennent très concrets : clauses des contrats éditeurs, localisation et réutilisation des données, traçabilité des usages. L’enjeu n’est pas d’empiler les contrôles. Il est de rendre lisible la chaîne d’autorisation, de supervision et de traçabilité. Qui autorise, qui vérifie, qui garde la trace.
Où en êtes-vous avec l’IA dans l’enseignement supérieur ?
8 questions, moins de 2 minutes. Vos réponses restent confidentielles et nous aident à mieux comprendre vos besoins.
En répondant, vous acceptez l’enregistrement anonyme de vos réponses (sans données personnelles). Option : vous pourrez laisser un e-mail à la fin pour être recontacté.
Merci !
Vos réponses ont bien été enregistrées. Nous publierons prochainement une synthèse et poursuivrons nos analyses sur Seira.
Des décisions qui ne se prennent pas au même endroit
Tous les points de décision ne sont pas de même nature. Cette différence indique où les trancher.
Certaines décisions tiennent à la structure : choix et paramétrage des outils, données, conformité, modalités certifiantes. Elles engagent l’établissement et appellent un cadre collectif. D’autres relèvent de l’art d’enseigner : scénariser un cours, fixer la place de l’IA dans une activité, accompagner un étudiant. Elles appartiennent au geste pédagogique. Entre les deux s’étend une zone intermédiaire : l’équipe pédagogique, le programme, le bloc de compétences. La plupart des points hybrides s’y trouvent. C’est souvent là que personne ne tranche.
Pour chaque activité, une grille simple aide à décider : ce qu’on automatise, ce qu’on augmente, ce qu’on préserve. Prenons le déploiement d’un ERP de scolarité. L’un de nous se sert largement de l’IA pour concevoir les documents, les supports de formation et les modes opératoires. Le gain est réel, et il compte : la qualité de la documentation et de l’accompagnement des utilisateurs pèse lourd dans la réussite d’un déploiement. La production peut être augmentée. Le choix de ce que les utilisateurs doivent comprendre, et la manière de les accompagner, restent à préserver.
Des décisions prises par sédimentation
Dans les faits, la plupart des décisions sur l’IA ne sont pas arbitrées. Elles s’accumulent. Une mise à jour active une fonction d’IA sans débat préalable. Une pratique individuelle finit par faire référence. Une contestation de note ou une demande d’étudiant appelle une réponse au cas par cas. Une charte est adoptée, sans jamais être traduite en consignes.
Le rythme des éditeurs accentue le phénomène. Chez les éditeurs d’ERP, l’IA sert déjà à accélérer le développement et à faciliter certaines tâches techniques. Les nouvelles fonctions arrivent au rythme des versions, pas à celui des conseils pédagogiques.
Le choix de l’outil précède souvent la réflexion sur les usages. Dans la dernière école où l’un de nous a exercé, la direction avait retenu Copilot. La raison tenait sans doute davantage à son intégration dans l’environnement Microsoft déjà en place qu’à un véritable choix stratégique. Cette intégration a un intérêt réel. Mais l’outil reste généraliste, sans réponse pensée pour les métiers de l’enseignement supérieur. Il ne s’agit pas d’imputer une faute individuelle. Reste que le choix de l’environnement technique a précédé une réflexion formalisée sur les besoins et les usages : cet arbitrage avait donc une portée organisationnelle, même s’il semblait avant tout pratique.
Chaque acteur décide de bonne foi dans son périmètre. La difficulté tient à l’articulation entre ces décisions, pas à leur absence. Elles sont d’ailleurs rarement inscrites dans les rôles. Dans une enquête menée auprès de 80 directions pédagogiques, aucune fiche de poste ne mentionnait l’IA (Thibault Servenière, mémoire de master recherche, université de Strasbourg, 2025).
Formaliser les processus : de la connaissance individuelle à l’organisation collective
L’introduction d’un nouvel outil, qu’il s’agisse d’un ERP ou d’une solution d’IA, oblige souvent les équipes à expliciter ce qu’elles savent déjà faire. Les professionnels maîtrisent les opérations, leurs échéances, leurs enchaînements et les ajustements nécessaires au quotidien. Mais cette connaissance, acquise par l’expérience, n’a pas toujours été décrite, partagée ni confrontée collectivement. Paramétrer un outil ou envisager une automatisation impose alors de préciser les étapes, les règles de gestion, les responsabilités, les validations et le traitement des situations particulières.
Dans une expérience professionnelle récente de l’un de nous, le fonctionnement de plusieurs activités reposait presque entièrement sur quelques personnes de référence. Pour comprendre un périmètre, retrouver une règle ou résoudre une difficulté, il fallait s’adresser à la personne qui « savait ». Les compétences individuelles étaient réelles, parfois remarquables, mais les processus et leurs règles n’étaient pratiquement ni consignés ni organisés. En l’absence de ces personnes, la continuité des activités pouvait être compromise : une partie du fonctionnement de l’établissement n’existait, en pratique, qu’à travers elles.
La formalisation permet précisément de transformer ce savoir individuel en une ressource collective. Entre « je sais comment faire » et « voici notre processus, les règles qui le structurent et les responsabilités de chacun », il y a un changement de nature. Le travail devient transmissible, vérifiable et discutable ; les équipes peuvent identifier les incohérences, clarifier les exceptions et remettre en question des habitudes que la seule expérience avait rendues évidentes.
Diagnostic rapide — Organisation & Systèmes
En 5 étapes, aidez-nous à comprendre votre contexte pour vous proposer un plan d’action adapté.
Temps estimé : 3–4 minutes. Vous pouvez interrompre à tout moment.
En envoyant, vous acceptez d’être recontacté par Seira au sujet de ce diagnostic.
Merci, bien reçu
Vos réponses ont été enregistrées. Nous revenons vers vous rapidement avec une proposition adaptée.
Cette démarche ne consiste ni à nier la compétence des professionnels ni à réduire leur activité à des procédures figées. Elle offre au contraire l’occasion d’examiner le travail réel avec un regard critique, d’en préserver les ajustements utiles et d’organiser sa continuité au-delà des personnes. L’IA peut faciliter la collecte et la documentation des pratiques ; elle ne peut pas décider seule de ce qui doit faire règle. Le progrès tient autant dans cette capacité nouvelle de l’établissement à décrire et à discuter son fonctionnement que dans l’outil lui-même.
Des critères à poser avant les cas difficiles
Arbitrer suppose des critères partagés, posés avant que les cas difficiles n’arrivent. Trois regards éclairent la plupart des décisions. Le métier d’abord : ce que cela change au geste pédagogique et à l’accompagnement. L’IA ensuite : ce que fait réellement l’outil, et avec quelles données. Les autres enfin : ce que cela change pour les étudiants, les intervenants, les employeurs, les certificateurs.
Le deuxième critère tient à ce qui distingue un établissement. La relation, l’accompagnement, la mise en situation, le réseau ne se délèguent pas à un outil. Une décision qui les fragilise doit être solidement justifiée.
Le troisième porte sur la légitimité de chacun, car l’IA fait se croiser les rôles. OpenAI a analysé plus de 800 000 messages d’utilisateurs américains de ChatGPT. Parmi les messages liés au travail, 16,8 % portent sur des tâches historiquement associées à un autre métier. La part atteint 43,5 % lorsqu’on écarte les tâches génériques communes à tous les métiers, comme rédiger, résumer ou planifier (OpenAI, Work at the Frontier, 2026). Le responsable pédagogique qui paramètre un assistant s’avance sur le terrain de la DSI. Le technicien qui génère un support de cours fait un travail d’ingénierie pédagogique. Sur chaque point, il faut donc dire qui est légitime pour décider.
Dernier critère : la réversibilité. Une décision sur l’IA gagne à être traitée comme un test daté, avec un indicateur et une date de revue. L’établissement peut alors se tromper sans s’enfermer.
Faire vivre la décision
Une décision sur l’IA vieillit vite : les outils changent plus vite que les chartes. Elle appelle un cycle plutôt qu’un texte figé. Cartographier les usages réels, ajuster, recommencer.
Ce cycle a besoin d’un lieu. Une instance transverse légère peut suffire : direction pédagogique, DSI, qualité, DPO, un représentant des intervenants, un des étudiants. Dotée d’un mandat écrit et d’un rythme court, elle tranche ce qui relève du cadre commun et renvoie le reste aux équipes.
La formation fait partie du même mouvement. Depuis l’Omnibus, l’article 4 de l’AI Act n’exige plus de garantir un niveau donné de maîtrise de l’IA pour chaque personne (AI Act, article 4). L’obligation relève désormais d’une logique de moyens. Elle reste à la charge de l’établissement, et le chantier est entier : moins de 10 % des répondants à la consultation ministérielle avaient suivi une formation dispensée par leur établissement (Rapport ministériel IA et enseignement supérieur, 2025). Une décision tient mieux, enfin, quand elle est inscrite dans les rôles : fiches de poste, lettres de mission des intervenants.
Une question demeure. Que se passe-t-il quand les usages ont déjà pris de l’avance ? Selon la même consultation, plus de 85 % des répondants n’utilisent que leurs propres outils d’IA (Rapport ministériel IA et enseignement supérieur, 2025). Ce sera l’objet de notre troisième et dernier article.
À vous de décider
Mini-quiz : trois arbitrages autour de l’IA
Avant de découvrir les réponses, demandez-vous qui doit décider et pourquoi.
1. Un enseignant souhaite utiliser l’IA pour une évaluation : qui fixe les règles ?
L’établissement définit le cadre commun et les exigences de certification. Les équipes pédagogiques précisent les modalités d’enseignement et d’évaluation dans ce cadre, avec la DSI et le DPO pour les enjeux techniques et les données.
2. Avant d’automatiser un processus, que faut-il rendre explicite ?
Ses étapes, ses règles de gestion, les validations, les responsabilités et le traitement des exceptions. L’outil peut aider à documenter le travail, mais il ne décide pas à la place des professionnels.
3. Un outil d’IA est déjà déployé : la gouvernance est-elle réglée ?
Non. Il reste à définir les usages, les données accessibles, les responsabilités, les critères de succès, le contrôle humain et les conditions de révision de la décision.
GOUVERNANCE · MÉTIERS ET DSI
Faire des décisions un levier de transformation.
Lorsque pédagogie, scolarité et DSI ne partagent pas les mêmes priorités, Seira aide à clarifier les responsabilités et les arbitrages.









