Un avatar d'IA peut-il remplacer un professeur d'université ? Plongée dans les instructeurs IA de 2026

En octobre 2025, l'architecte en chef de l'apprentissage du programme de master en informatique en ligne de Georgia Tech a présenté un nouvel assistant d'enseignement à ses étudiants. Le TA s'appelait DAI-vid. Il ressemblait exactement au professeur David Joyner, parlait exactement comme David Joyner, et était disponible 24 heures sur 24, 7 jours sur 7, en dix-sept langues. Il n'y avait qu'une seule différence entre DAI-vid et le professeur humain : DAI-vid était un avatar d'IA, affiné sur des années d'enregistrements de cours et de sessions de questions-réponses de Joyner, et déployé sur la plateforme edX pour répondre aux questions des étudiants qui, auparavant, devaient attendre une réponse humaine.

DAI-vid n'était pas un cas isolé. À la fin de l'année universitaire 2025/2026, des avatars d'IA enseignaient à l'Université de Boise State (un cours asynchrone complet enseigné par un avatar d'IA du professeur humain), à l'Université de Miami (un professeur d'informatique avec une version IA multilingue 24/7 de lui-même), à l'Université de Virginie (des avatars déployés au Center for Learning Based on Cognitive Science), au Morehouse College (des avatars numériques ressemblant à chaque professeur faisant office d'assistants d'enseignement), et sur une liste croissante de plateformes d'apprentissage en ligne. Section AI a lancé le „premier professeur avatar IA“ sur sa plateforme de formation commerciale. Le réseau Alpha School, basé au Texas, qui facture jusqu'à 75 000 dollars par an pour l'inscription de la maternelle à la 4e secondaire, dispense l'intégralité de son enseignement académique deux heures par jour via un logiciel d'IA sans enseignants humains – uniquement des „guides“ adultes pour la supervision et la motivation.

La question provocante n'est plus de savoir si un avatar d'IA peut enseigner. Il enseigne déjà des étudiants payants dans des institutions de prestige. La question cruciale est de savoir si un avatar d'IA peut remplacer un professeur humain dans un sens profond – c'est-à-dire non seulement transmettre du contenu, mais aussi susciter l'apprentissage, le mentorat, le jugement et le type de transformation intellectuelle qu'un diplôme universitaire est censé certifier. Cet article examine les preuves issues de la première vague de déploiements : là où les avatars d'IA excellent, là où ils échouent systématiquement, et à quoi ressemble leur rôle réaliste en 2026 et au-delà.

Ce qui se passe réellement : un tour d'horizon des enseignants IA de 2026

Les déploiements se divisent en trois catégories, chacune ayant des objectifs et des contraintes distincts.

• L'assistant d'enseignement IA. Un professeur humain reste responsable du cours. Un avatar d'IA répond aux questions des étudiants en dehors des heures de bureau, clarifie les concepts de base, guide les étudiants à travers le matériel requis et transmet les problèmes complexes au professeur humain. C'est le modèle dominant en 2026. Les exemples incluent l'avatar du professeur d'informatique de l'Université de Miami, les avatars numériques de la faculté de Morehouse et DAI-vid de Joyner à Georgia Tech. La satisfaction déclarée des étudiants est élevée ; les avatars d'IA réduisent le goulot d'étranglement du temps pour le professeur sans retirer l'humain du processus.
• L'instructeur de cours IA. L'avatar est la principale présence enseignante pour un cours entier, un membre de la faculté humaine supervisant la conception du programme et l'évaluation à un niveau stratégique plutôt que de prestation. Artificial Intelligence Applications à Boise State est l'exemple le plus cité : un cours d'éthique de l'IA asynchrone entièrement dispensé par un avatar d'IA créé à partir des cours précédents du professeur. Section AI applique un modèle similaire sur sa plateforme. Ces déploiements sont plus récents (la plupart sont en phase pilote en 2026) et les données sur les résultats d'apprentissage restent préliminaires.
• L'institution IA qui remplace la faculté. Le réseau Alpha School en est l'exemple emblématique. Le modèle : les étudiants reçoivent deux heures d'enseignement académique quotidien via un logiciel d'IA adaptatif, sans enseignants traditionnels. Les adultes présents (appelés guides) fournissent la motivation, supervisent le comportement et animent les activités non académiques. Les frais de scolarité varient entre 40 000 et 75 000 dollars par an, et le réseau s'est étendu à plusieurs villes en 2025/2026. Alpha affirme que les étudiants apprennent „deux fois plus en 2 heures“. Cette affirmation est controversée. Aucune évaluation indépendante des résultats d'apprentissage n'a été publiée à ce jour.

Chacun de ces modèles est actuellement testé dans le monde réel. Les conclusions suivantes sont tirées de la première vague de déploiements, des recherches sur les résultats d'apprentissage qui ont suivi le rythme des systèmes de tutorat d'IA (notamment le travail sur Khanmigo de la Khan Academy, qui est l'analogue à grande échelle le plus proche), et des réalités opérationnelles visibles pour les facultés et les étudiants des institutions qui exécutent ces programmes.

Là où les avatars d'IA excellent vraiment

Il serait intellectuellement malhonnête de rejeter complètement les avatars d'IA. Dans plusieurs dimensions clés, ils surpassent en réalité les instructeurs humains, et toute analyse honnête doit commencer par là.

• Disponibilité. Un avatar d'IA est éveillé à 2 heures du matin lorsque l'étudiant s'attaque enfin aux devoirs prévus pour minuit. Aucun assistant d'enseignement humain ne peut offrir cela sans s'épuiser. La réduction du temps d'attente pour obtenir de l'aide est l'un des indicateurs les plus forts de la persévérance des étudiants dans les cours en ligne, et les avatars d'IA l'améliorent considérablement.
• Portée multilingue. DAI-vid à Georgia Tech fonctionne en dix-sept langues. Pour les étudiants internationaux dans les programmes anglophones, la différence entre pouvoir poser une question dans leur langue maternelle et devoir traduire leur confusion dans une langue seconde est la différence entre obtenir de l'aide et abandonner. Les avatars d'IA éliminent cette barrière d'une manière que les facultés humaines ne peuvent pas réaliser de manière réaliste.
• Patience à grande échelle. Un avatar d'IA répondra à la même question de base pour la millième fois avec le même soin et la même clarté que la première fois. Les instructeurs humains, quelle que soit leur bienveillance, n'ont pas cette capacité. Pour les cours d'introduction où les mêmes malentendus se répètent chaque semestre, un avatar qui guide chaque étudiant confus à travers l'explication standard a une réelle valeur pédagogique.
• Rythme personnalisé. Les données de Khanmigo de la Khan Academy, l'analogue à grande échelle le plus proche, montrent des gains clairs. Un projet pilote impliquant 15 000 étudiants dans 200 écoles en 2026 a révélé que les étudiants qui interagissaient avec Khanmigo au moins 30 minutes par semaine affichaient des progrès d'apprentissage équivalents à 2 ou 3 semaines supplémentaires d'enseignement traditionnel. L'étude de SRI International en 2025 a révélé une maîtrise 23 % plus rapide des concepts d'algèbre par rapport à l'enseignement vidéo traditionnel.
• Apprentissage sans honte. Un étudiant qui n'oserait jamais lever la main pour admettre qu'il n'a pas compris un prérequis posera la question à un avatar d'IA sans hésitation. C'est un réel avantage pédagogique, en particulier pour les étudiants dont le milieu culturel ou la personnalité rendent la recherche d'aide publique difficile.
• Cohérence. L'avatar donne la même réponse aujourd'hui à la question Q qu'il y a six mois et dans six mois. Les instructeurs humains dévient, développent des angles morts ou ont simplement de mauvaises journées. Pour la transmission de contenu, la cohérence est un atout.

Chacun de ces points est un avantage légitime. La question n'est pas de savoir si les avatars d'IA peuvent faire des choses utiles dans l'éducation. Ils le peuvent manifestement. La question est de savoir si ce qu'ils ne peuvent pas faire est encore assez important pour que le professeur humain ne puisse pas être retiré du processus.

Là où les avatars d'IA échouent systématiquement

Les modes de défaillance ne sont pas aléatoires. Ils se concentrent sur cinq domaines, et chacun d'eux indique ce qu'un professeur humain offre de manière unique.

• Jugement face à l'ambiguïté. Une étudiante se présente aux heures de bureau avec une préoccupation vague concernant le sujet de sa thèse et l'insinuation qu'elle n'est peut-être pas faite pour les études supérieures. Un professeur humain décode la situation, pose deux questions ciblées, se rend compte que le véritable problème est une perte de confiance après les commentaires sévères d'un conseiller, et intervient de manière pédagogique et personnelle. Un avatar d'IA traite la question de surface (méthodologie de la thèse) avec compétence et manque complètement le point d'intervention réel. L'étudiante repart techniquement informée et personnellement non soutenue.
• Le mentorat qui se construit dans le temps. Le véritable mentorat est le résultat cumulatif de dizaines de petites interactions sur des mois et des années – un professeur qui se souvient que cet étudiant s'intéressait aux systèmes distribués en L3, lui a recommandé un article spécifique en M1, et est maintenant en position de lui proposer une opportunité de recherche en M2. Les avatars d'IA s'améliorent dans la mémoire conversationnelle, mais l'intégration à travers les contextes, les années et les domaines que les mentors humains réalisent de manière fiable reste hors de leur portée. Les diplômés qui sont embauchés, admis dans les meilleurs programmes de doctorat et qui obtiennent des opportunités inhabituelles sont disproportionnellement ceux qu'un mentor humain a vus et soutenus. Aucun avatar n'a encore fait cela.
• L'autorité calibrée. Lorsqu'un étudiant prend une décision importante – changer de majeure, abandonner un cours, prendre une année sabbatique – le poids de la recommandation d'un professeur humain vient en partie du fait que le professeur porte une responsabilité. Il reverra cet étudiant. Il aura honte si son conseil était mauvais. Il est responsable devant ses pairs. La recommandation d'un avatar n'a pas le même poids, même si elle est techniquement meilleure, car l'étudiant sait que l'avatar n'en subira aucune conséquence. Ce n'est pas un défaut technique à corriger ; c'est une caractéristique de la responsabilité humaine que l'IA ne peut pas reproduire.
• Lire la salle. Certains des enseignements les plus importants ont lieu lorsqu'un instructeur remarque que la classe est confuse par la troisième étape de la dérivation d'hier, que l'engagement vient de baisser, que l'étudiant brillant au fond a une question qu'il n'ose pas poser. Il s'agit d'une perception multimodale en temps réel de la dynamique de groupe. Les avatars d'IA ne font pas cela du tout en 2026. Ils traitent les demandes individuelles dans une file d'attente.
• Génération de nouvelles connaissances. Le modèle de l'université de recherche repose sur l'hypothèse que les personnes qui enseignent sont également celles qui mènent les recherches qui produisent la prochaine génération de connaissances. Les avatars d'IA, formés sur des travaux passés, ne peuvent pas générer de recherches qui n'existent pas encore. Une université qui remplacerait entièrement sa faculté par des avatars formés sur le travail des facultés précédentes se réduirait à une institution de transmission des connaissances. Elle ne serait plus une institution de production des connaissances.

Ce ne sont pas des préoccupations philosophiques inventées pour protéger les emplois des facultés. Ce sont les raisons opérationnelles pour lesquelles chaque déploiement sérieux en 2026 a structuré l'avatar d'IA comme un complément de la faculté, et non comme son remplacement. Même les déploiements les plus agressifs – l'avatar de cours complet de Boise State, le programme de maternelle à la 4e secondaire d'Alpha School – maintiennent la structure humaine à un niveau supérieur à celui de l'avatar (le concepteur du programme, le guide, la supervision institutionnelle). La question n'est pas de savoir si les humains doivent rester dans le processus. Il s'agit de savoir à quel niveau ils doivent opérer.

La recherche sur les résultats d'apprentissage : ce que nous savons vraiment

Les preuves empiriques sur le tutorat par IA sont particulièrement intéressantes et plus nuancées que ce que les partisans ou les sceptiques présentent souvent. Trois conclusions ressortent des recherches publiées au cours des 18 derniers mois.

Les preuves de Khanmigo sont les plus solides. L'infrastructure de test de la Khan Academy est ce qui se rapproche le plus d'un essai contrôlé randomisé (ECR) à l'échelle industrielle pour le tutorat par IA. Leurs conclusions internes (publiées en avril 2026 dans How Khan Academy is Building a Better AI Tutor) intègrent des tests A/B rigoureux sur des centaines de milliers de discussions de tutorat. Les résultats sont positifs mais modestes : l'inclusion de résumés de conversation a amélioré l'engagement cognitif de 5,09 % (degré de confiance de 99,4 %), la synthèse de l'historique de résolution de problèmes des étudiants a amélioré la justesse de l'élément suivant de 3,4 %. Ce sont des gains réels et ils s'accumulent, mais ce ne sont pas les chiffres du genre „apprentissage doublé“ que l'on voit parfois dans les documents marketing.

La validation externe est mitigée. Le projet pilote de l'Université de MSU sur les logiciels de tutorat d'IA début 2025 a révélé des gains d'apprentissage significatifs dans toutes les conditions, mais aucune différence statistiquement significative entre les groupes avec et sans IA sur les résultats d'apprentissage finaux. Les étudiants percevaient l'IA de manière positive, mais la perception ne se traduisait pas toujours par des améliorations mesurables des performances.

Les affirmations les plus spectaculaires sont les moins vérifiées. L'affirmation phare d'Alpha School „Deux fois plus en 2 heures“ repose entièrement sur des analyses internes qui n'ont pas été auditées de manière indépendante ou examinées par des pairs. Les chercheurs de la DeepLearning.ai Newsletter, dans leur analyse de janvier 2026, ont souligné l'absence de vérification externe. CBC News a rapporté les avertissements d'experts canadiens en éducation appelant à la prudence face à ce modèle. L'affirmation pourrait s'avérer vraie, partiellement vraie, ou gonflée par le marketing ; ce qui compte actuellement, c'est que les institutions qui prennent des décisions sur l'enseignement assisté par l'IA ne disposent pas de données de performance solides pour appuyer ces décisions.

L'évaluation honnête des preuves à la mi-2026 : le tutorat par IA entraîne des gains d'apprentissage mesurables petits à modérés dans les tests contrôlés, les gains semblent assez robustes pour justifier un investissement continu, et les plus grandes affirmations marketing dépassent largement les preuves qui les soutiennent. L'IA comme complément : soutenue empiriquement. L'IA comme remplacement : encore spéculative.

Pourquoi la réponse honnête est „Pas encore, et peut-être jamais“

Lorsque les chercheurs dans ce domaine parlent en privé de l'évolution de l'enseignement assisté par l'IA, la conversation se concentre souvent sur une distinction entre deux types d'enseignement. Le premier type est la transmission de contenu et le tutorat de routine : expliquer un concept, guider un étudiant à travers une procédure, répondre aux questions courantes, répéter patiemment la même explication. L'IA est déjà très bonne dans ce domaine et va encore s'améliorer.

Le second type est la transformation intellectuelle : aider un étudiant à se forger une identité de penseur dans sa discipline, identifier un potentiel que l'étudiant ne voit pas encore en lui-même, naviguer à travers les transitions ambiguës où un apprenant passe de compétent à original, le connecter au tissu social de son domaine. C'est ce que les bonnes universités ont toujours fait à leur meilleur niveau, et c'est ce que l'IA ne fait pas du tout en 2026. La question intéressante est de savoir si elle le fera un jour, ou si ce travail de transformation dépend constitutivement d'un être humain qui est lui-même membre de la communauté intellectuelle dans laquelle l'étudiant est introduit.

Notre propre point de vue, après dix-huit mois d'observation attentive des déploiements : le travail de transformation est constitutivement humain, et les déploiements qui réussiront à long terme sont ceux qui intégreront cela correctement. L'université performante de 2030 utilisera massivement l'IA pour la transmission de contenu, le tutorat, la planification, la portée multilingue et la disponibilité 24/7. Elle préservera la faculté humaine pour les tâches qui exigent du jugement, de la responsabilité, du mentorat et de la présence. La version non performante – celle que nous nous attendons à voir échouer visiblement dans les années à venir – est celle qui tentera d'éliminer complètement le professeur humain, optimisant les coûts à court terme pour constater, dans des études de cohortes sur cinq ans, que ses diplômés sont peut-être techniquement informés, mais professionnellement mal formés.

Le modèle hybride qui émerge réellement

Ce qui fonctionne en 2026 est une division du travail structurée entre l'IA et la faculté humaine. Le modèle est cohérent parmi les institutions qui obtiennent de bons résultats.

• Niveau 1 (géré de manière autonome par l'avatar d'IA) : questions courantes sur le contenu, tutorat sur les prérequis, clarifications techniques, planification, exécution des procédures standard, retours de base sur les ébauches. Disponible 24/7 en plusieurs langues. L'avatar signale au professeur humain les questions auxquelles il n'a pas pu répondre avec certitude.
• Niveau 2 (géré par l'avatar d'IA avec examen humain) : premiers commentaires sur les travaux (l'avatar génère un projet de critique, le professeur humain l'examine et le modifie avant l'envoi). Évaluation des travaux structurés, où l'IA applique la grille d'évaluation et l'humain la valide. Triage des heures de bureau, où l'avatar répond aux questions courantes et transmet les questions inédites à l'humain.
• Niveau 3 (professeur humain uniquement) : sessions de mentorat en personne. Accompagnement dans les décisions clés (changement de majeure, lettres de recommandation pour les études supérieures, conseils de carrière). Supervision des projets de recherche. Interventions en cas de crise personnelle. Les cas difficiles qui exigent de la responsabilité et du jugement.
• Niveau 4 (professeur humain avec l'IA comme outil) : conception du programme (l'IA aide à rédiger, l'humain décide), recherche (l'IA aide à la revue de littérature, l'humain produit la recherche réelle), conception des examens (l'IA aide à générer des problèmes, l'humain sélectionne et valide).

Cette division du travail multiplie par 5 à 10 la bande passante d'un seul professeur pour les tâches de transmission de contenu, tout en préservant le travail exclusif des humains là où il compte. Plusieurs institutions rapportent qu'elles peuvent prendre en charge des ratios d'étudiants par professeur nettement plus élevés sans perte de qualité en déplaçant le niveau 1 et la majeure partie du niveau 2 vers l'IA. Les économies de coûts se traduisent par des frais de scolarité moins élevés, de meilleurs ratios professeur-étudiant sur le travail de niveau 3, ou les deux. C'est le modèle qui s'imposera au cours des cinq prochaines années.

Ce que ce modèle ne fait pas, c'est remplacer le professeur humain. Il restructure la manière dont le professeur humain utilise son temps. Les étudiants qui sortent de ces programmes interagissent avec un professeur humain différemment des étudiants de 2020 : moins de temps consacré à la transmission de contenu, plus de temps consacré au travail personnel, de jugement et de transformation pour lequel le professeur humain est irremplaçable. Ce n'est pas une régression. Pour la plupart des étudiants, c'est une amélioration significative.

Ce que cela signifie pour les programmes qui décident maintenant

Si vous êtes un administrateur ou un directeur de département qui envisage un déploiement d'avatar d'IA, voici trois directives pratiques tirées de cette année d'observation de ces décisions.

• Commencez par le niveau 1, pas par le niveau 3. Les déploiements qui ont fonctionné ont commencé par faire répondre l'avatar aux questions courantes sur le contenu en dehors des heures de bureau. Les déploiements qui ont connu des difficultés ont commencé par confier à l'avatar des fonctions d'évaluation, de notation ou de mentorat avant que la technologie sous-jacente ne soit prête. Construisez le déploiement de manière à ce que l'avatar assume des responsabilités plus importantes en fonction des performances observées, et non de capacités théoriques.
• Construisez la couche de vérification en même temps que l'avatar. Si l'avatar doit aider les étudiants à coder ou à écrire, l'institution doit être en mesure de vérifier quels travaux sont réellement le produit de l'effort de l'étudiant et lesquels proviennent de l'avatar. Des outils comme Plagly.ai remplissent cette fonction de vérification pour les travaux écrits et le code, et l'institution qui implémente le tutorat d'IA sans implémenter la vérification s'expose à des faiblesses d'évaluation qu'elle ne pourra pas diagnostiquer plus tard.
• Planifiez la conversation avec la faculté de manière délibérée. Les déploiements d'avatars réussissent lorsque les professeurs sont des partenaires dans la conception, et échouent lorsqu'on leur présente les avatars comme un fait accompli. La faculté sait des choses sur l'enseignement que l'équipe technique ignore. Traitez l'expertise de la faculté comme un apport pour le déploiement, et non comme une résistance à surmonter. Les institutions qui ont fait cela en 2025/2026 sont celles qui affichent des déploiements réussis aujourd'hui.

La question fondamentale n'est pas de savoir si l'IA sera à l'université. Elle y est. Elle y est déjà. La question est de savoir quel rôle elle joue et quel rôle joue la faculté humaine, et les institutions qui prennent des décisions éclairées sur cette division du travail surpasseront celles qui choisissent l'un des deux extrêmes. La réponse à „Un avatar d'IA peut-il remplacer un professeur d'université ?“ en 2026 est honnête : il peut remplacer des parties de ce que fait le professeur, il ne peut pas remplacer la partie la plus importante, et les universités qui intègrent les deux moitiés de cette phrase produiront des diplômés mieux formés que celles qui n'en intègrent qu'une seule.

Foire aux questions

Un avatar d'IA pourrait-il remplacer un professeur dans un cours en ligne asynchrone où le mentorat est déjà minimal ?

En principe oui, et plusieurs programmes pilotes testent cela en 2026. Le succès dépend fortement de la nature du cours : s'il s'agit principalement de transmission de contenu (l'avatar peut le faire) ou s'il implique des commentaires substantiels et une transformation intellectuelle (l'avatar prend en charge des parties, l'humain reste requis). Le déploiement à Boise State est l'exemple le plus suivi. La réponse honnête à la mi-2026 est que nous disposons de données pilotes prometteuses, mais pas encore de données longitudinales sur les résultats des diplômés. Les programmes qui déploient ce modèle doivent s'engager dans des suivis longitudinaux et être prêts à corriger le cours en fonction de ce que montrent réellement les résultats des diplômés.

Les avatars d'IA vont-ils réduire les frais de scolarité ?

Probablement oui pour la transmission de contenu et le support de routine, mais les économies sont moindres que ce que les arguments marketing des fournisseurs suggèrent, car le travail humain que l'avatar ne peut pas faire est celui qui se prête le moins à l'échelle. Les coûts les plus importants d'une université de recherche intensive sont l'infrastructure de recherche et le temps des professeurs seniors, dont rien n'est remplacé par l'avatar. Une institution axée sur l'enseignement pourrait connaître des réductions de coûts significatives sur les cours de routine, mais le scénario réaliste est une baisse des coûts d'enseignement d'environ 15 à 30 % pour les programmes de licence typiques, et non les chiffres de plus de 50 % parfois cités dans les analyses de l'industrie. Les économies se traduisent le plus souvent par de meilleurs ratios d'encadrement sur le travail de niveau 3 plutôt que par des réductions forfaitaires des frais de scolarité.

Qu'advient-il de l'intégrité académique dans un cours enseigné par un avatar d'IA ?

Elle devient plus importante, et non moins, et exige des outils différents. Lorsqu'un avatar d'IA est l'instructeur principal, l'institution a besoin de mécanismes de vérification capables de distinguer le travail des étudiants de la sortie de l'avatar, de l'utilisation d'autres IA par l'étudiant, et des combinaisons des deux. Les outils de détection comme Plagly.ai deviennent opérationnellement critiques et non plus facultatifs. Les institutions qui gèrent des cours assistés par l'IA sans vérification intégrée prennent un risque auquel la plupart n'ont pas encore clairement réfléchi.

Les étudiants sont-ils satisfaits des enseignants avatars d'IA ?

La satisfaction déclarée est élevée, en particulier pour les cas d'utilisation de niveau 1 (disponibilité 24/7, support multilingue, tutorat patient). La satisfaction chute lorsque l'avatar est invité à assumer des tâches dans lesquelles il n'est pas bon – commentaires substantiels sur des travaux créatifs, conversations de mentorat, jugements sur l'orientation académique. Les résultats qualitatifs de Khanmigo montrent systématiquement que les étudiants perçoivent positivement l'IA pour ce qu'elle fait de bien. Ils ne montrent pas encore que les étudiants préfèrent l'IA à la faculté humaine pour les tâches que les humains accomplissent de manière exclusive. Ce modèle restera probablement stable pendant des années.

L' „université IA“, entièrement gérée par l'IA, réussira-t-elle ?

Une version de cela sera sérieusement tentée dans les années à venir, et certaines versions produiront des diplômés qui s'en sortiront bien, et d'autres non. La variation proviendra de ce que l'institution fera des ressources humaines libérées par la prise en charge de l'enseignement de routine par l'IA. Les institutions qui réinvestiront cette capacité dans un mentorat plus approfondi, davantage d'opportunités de recherche pour les étudiants et un travail de transformation plus exigeant produiront d'excellents diplômés. Celles qui utiliseront la capacité de l'IA principalement pour réduire les coûts et augmenter les inscriptions produiront des diplômés peut-être techniquement informés, mais professionnellement mal formés, et en découvriront les conséquences dans des études de résultats sur cinq à dix ans. La technologie n'est pas le facteur déterminant. Les choix de conception institutionnelle autour de la technologie le sont.