Les établissements d'enseignement se distinguent de la plupart des autres secteurs par le fait que l'activité principale elle-même – enseigner, encadrer, évaluer – se laisse difficilement séparer des personnes qui l'exercent. Là où une usine ou un magasin peut réécrire ses processus sans porter atteinte à l'identité du travail, tout changement dans une école ou un établissement d'enseignement supérieur touche rapidement à la relation entre l'enseignant et l'élève. Cela ne rend pas le secteur plus lent sur le plan technique, mais bien plus prudent quant à la question de ce que l'IA peut réellement faire avant de parler de « reprise ».
S'ajoute à cela le fait que les établissements d'enseignement se composent souvent de plusieurs strates qui n'avancent pas à la même vitesse : une direction, un certain nombre de sites ou de facultés, et un grand groupe d'enseignants ayant chacun leurs propres méthodes de travail. La plupart des initiatives d'IA que nous rencontrons démarrent sur une de ces strates sans que les autres strates aient été associées. Un enseignant expérimente un modèle de langage pour donner du feedback, alors que le service informatique n'a aucune idée des données qui quittent ainsi l'établissement. Une direction formule une vision de l'IA, alors que la gestion des données des systèmes de suivi des élèves repose encore sur papier ou sur des feuilles de calcul isolées. Cette inadéquation n'est pas une question de mauvaise volonté, mais d'ordre de priorité.
Un membre de direction, un directeur des opérations ou un responsable informatique qui voit des pilotes d'IA s'enliser reconnaît souvent le même schéma : le pilote fonctionne isolément, mais ne se déploie pas à plus grande échelle. Cela s'explique rarement par une insuffisance technique. Plus souvent, une des couches fondamentales nécessaires pour porter un pilote fait défaut : une structure organisationnelle capable de prendre et d'attribuer des décisions relatives à l'IA, une infrastructure informatique capable d'intégrer de nouvelles applications en toute sécurité, et une gestion des données qui soit en ordre avant qu'un modèle puisse en tirer quelque chose de pertinent. Ce n'est qu'une fois ces trois éléments en place qu'il devient utile de se pencher sur les couches dépendantes : la manière dont les personnes travaillent avec l'IA, quels enseignements en tirer, et le degré d'intelligence avec lequel l'organisation finit par en faire usage.
Dans l'enseignement, cela se manifeste plus fortement qu'ailleurs, car les couches fondamentales se sont souvent construites historiquement autour de choix pédagogiques, et non techniques. Une administration scolaire est organisée en vue de la reddition de comptes à l'inspection, non en vue de données réutilisables pour des applications d'IA. Un service informatique est souvent restreint et orienté vers la gestion, non vers l'intégration de nouveaux systèmes. Ce n'est pas une lacune, c'est une autre priorité, fixée il y a des décennies, qui pèse aujourd'hui sur la rapidité avec laquelle l'IA s'implante réellement.
La mesure de hybridresourcing.com examine sept dimensions, réparties sur cinq niveaux allant de la base à l'intelligence. Pour les établissements d'enseignement, on observe que le score en matière d'organisation et de gestion des données reste souvent en retrait par rapport au score en matière d'ambition ou d'applications individuelles. Il existe régulièrement déjà quelqu'un qui travaille avec l'IA, parfois même à un niveau avancé, alors que l'organisation dans son ensemble se situe encore au premier niveau en matière de prise de décision et d'organisation des données. Cette dispersion devient visible lors du tour de scoring collectif, au cours duquel plusieurs personnes au sein d'un même établissement obtiennent des scores séparés. Dans les établissements d'enseignement, cette dispersion est souvent plus importante que la moyenne, précisément parce que la direction, l'informatique et le personnel enseignant travaillent rarement à partir de la même vision.
Cette dispersion n'est pas un problème en soi. C'est une information. Un dirigeant qui pense que l'organisation est prête pour l'IA à grande échelle, et un responsable informatique qui sait que l'infrastructure n'est pas encore en mesure de le supporter, ont tous deux raison depuis leur propre position. La mesure rend cette différence explicite, afin que la discussion puisse porter sur ce qui doit être mis en place en premier, plutôt que sur qui a raison.
Les sept dimensions ne sont pas équivalentes dans le temps. L'organisation, l'infrastructure informatique et la gestion des données sont les dimensions sur lesquelles les quatre autres reposent. Une école qui souhaite travailler sur la perspicacité ou l'intelligence sans que les données soient en ordre construit sur des sables mouvants. Cela vaut tout autant pour les établissements d'enseignement que pour les entreprises de commerce de détail confrontées à des retards comparables en matière de gestion des données ou pour l'hôtellerie-restauration, où les structures organisationnelles sont souvent tout aussi fragmentées entre établissements. Le secteur diffère, l'ordre non.
Cela fait de la question « où en sommes-nous » moins une question de score et davantage une question portant sur l'endroit où la fondation manque. Un établissement qui affiche sur le papier une ambition élevée en matière d'usage de l'IA, mais qui n'a aucune vue sur sa propre infrastructure informatique, ne pourra pas concrétiser cette ambition sans revenir d'abord à la base. C'est aussi ce que montrent les établissements du secteur des TIC et des services financiers : une ambition élevée sur les dimensions dépendantes ne compense pas une fondation fragile.
La mesure de maturité de hybridresourcing.com est en cours de construction. Quiconque souhaite savoir comment son propre établissement se situe sur les sept dimensions, et comment ce score se compare à celui de collègues au sein de la même organisation, peut s'inscrire sur la liste d'attente. Il n'existe pas encore d'outil utilisable dès aujourd'hui ; il existe en revanche une image claire de ce que la mesure permettra une fois disponible.
Cette page traite de la question de savoir si un établissement d'enseignement peut porter l'IA : si la fondation est en place avant d'y construire quoi que ce soit. Une autre question, qui ne devient pertinente qu'après, est de savoir ce que l'IA peut concrètement reprendre au sein de l'enseignement. C'est à cela que sert le scan de travail de FTE TO AI : il calcule, tâche par tâche, quelle part du travail se prête à une reprise par l'IA, indépendamment de la question de savoir si l'organisation dans son ensemble y est déjà prête. Combiner les deux questions permet non seulement d'avoir une vue sur les possibilités, mais aussi sur l'ordre dans lequel elles peuvent devenir réalité.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.