Directives sur l’Usage de l’Intelligence Artificielle dans les Universités

L’intelligence artificielle générative a révolutionné l’enseignement supérieur en l’espace de quelques années. Face à cette transformation rapide, les universités du monde entier se trouvent dans l’urgence d’établir des directives claires et éthiques pour encadrer l’usage de ces technologies. Selon l’enquête UNESCO de septembre 2025, 67% des établissements d’enseignement supérieur ont développé ou développent actuellement des directives sur l’usage de l’IA, témoignant de la nécessité impérieuse de ces cadres réglementaires.

Ce guide s’adresse aux dirigeants universitaires, responsables académiques, et équipes chargées de l’élaboration des politiques institutionnelles. Il propose une approche structurée et pragmatique pour développer des directives IA complètes qui concilient innovation pédagogique, intégrité académique et protection des données.

I. Contexte et Nécessité des Directives IA

L’Adoption Massive et Ses Implications

L’intégration de l’IA dans l’enseignement supérieur n’est plus une question d’avenir mais une réalité présente. Les outils d’IA générative comme ChatGPT, Claude, ou Gemini sont désormais accessibles à tous et utilisés quotidiennement par étudiants et enseignants. Cette démocratisation soulève des questions fondamentales sur l’intégrité académique, la propriété intellectuelle et l’équité d’accès.

L’étude du Digital Education Council révèle que 72% des étudiants attendent de leurs universités qu’elles proposent davantage de cours sur la littératie IA, tandis que 73% demandent une formation renforcée du personnel enseignant. Cette demande massive illustre l’écart entre les besoins terrain et l’offre institutionnelle actuelle.

Défis Émergents pour l’Intégrité Académique

La facilité d’accès aux outils IA génère de nouveaux défis pour l’intégrité académique. Les universités doivent redéfinir leurs concepts de plagiat, d’originalité et d’évaluation. L’Université d’Alberta définit désormais l’intégrité académique comme « un engagement à respecter les valeurs fondamentales d’honnêteté, de confiance, d’équité, de respect, de responsabilité et de courage dans tous les aspects des activités académiques et savantes ».

Lire Aussi

Sorbonne Université quitte les classements internationaux du Times Higher Education

Gabon : Suppression des bourses d’études vers les États-Unis et le Canada

L’Australie revoit à la hausse sa capacité d’accueil des étudiants internationaux en 2026

L’année des grands bouleversements dans l’enseignement supérieur mondial

Les violations potentielles incluent la triche contractuelle (utilisation de services IA pour compléter des travaux), le plagiarisme par défaut de citation des contributions IA, et la falsification par manipulation de contenus générés automatiquement.

Cadre Légal en Évolution

Le paysage juridique autour de l’IA éducative évolue rapidement. La France a publié en 2025 le premier cadre national d’usage de l’IA en éducation, établissant des standards pour l’usage autorisé à partir de la 4e classe et imposant une formation obligatoire via la plateforme Pix. Ce modèle inspire d’autres nations dans l’élaboration de leurs propres cadres réglementaires.

Les questions de propriété intellectuelle demeurent complexes, particulièrement concernant l’usage de contenus protégés par droits d’auteur dans l’entraînement des modèles IA et la protection des œuvres générées par IA.

II. Principes Fondamentaux pour les Politiques IA

Le Framework ETHICAL : Une Référence Structurante

Le framework ETHICAL développé par la California State University propose huit principes fondamentaux pour l’usage responsable de l’IA dans l’enseignement supérieur :

Exploration et Évaluation : Encourager l’expérimentation critique des outils IA tout en développant les compétences d’analyse et de vérification des contenus générés.

Transparence et Responsabilité : Maintenir une communication ouverte sur l’usage de l’IA dans les contextes académiques et administratifs, avec des mécanismes de signalement et d’audit réguliers.

Approche Centrée sur l’Humain : Prioriser le jugement et la prise de décision humaine, en utilisant l’IA comme outil d’augmentation plutôt que de remplacement des capacités humaines.

Intégrité et Citoyenneté : Préserver les valeurs académiques fondamentales tout en formant des citoyens numériques responsables.

Conformité et Accès : Assurer le respect des réglementations en vigueur et garantir un accès équitable aux outils IA.

Apprentissage et Innovation : Favoriser l’innovation pédagogique tout en maintenant la rigueur académique.

Principes Éthiques selon EDUCAUSE

Le framework éthique d’EDUCAUSE, inspiré du Rapport Belmont, structure l’approche éthique autour de huit dimensions interconnectées :

Bienfaisance : S’assurer que l’IA profite à tous les étudiants et enseignants sans compromettre l’intégrité éducative.

Justice : Promouvoir l’équité dans l’accès et l’usage des outils IA, en évitant d’accentuer les inégalités existantes.

Respect de l’Autonomie : Préserver le droit des individus à prendre des décisions éclairées concernant leur interaction avec l’IA.

Transparence et Explicabilité : Fournir des informations claires sur le fonctionnement des systèmes IA utilisés.

Responsabilité : Établir des mécanismes de responsabilisation pour les décisions assistées par IA.

Protection des Données : Sauvegarder les informations personnelles contre les accès non autorisés.

Non-discrimination : Prévenir les biais algorithmiques pouvant conduire à des résultats discriminatoires.

Évaluation Risques-Bénéfices : Peser les impacts potentiels pour équilibrer avantages et risques.

III. Catégorisation des Usages de l’IA

Modèle de Classification à Quatre Niveaux

La plupart des universités adoptent une approche graduée de l’usage de l’IA, structurée autour de quatre catégories principales :

Usage Interdit (Closed Use)

Cette catégorie interdit totalement l’usage d’outils IA pour certaines activités. L’Université Carnegie Mellon propose cette formulation : « Pour mieux soutenir votre apprentissage, vous devez réaliser tous les devoirs notés de ce cours par vous-même, sans utilisation d’intelligence artificielle générative ».

Les contextes d’interdiction incluent :

• Examens surveillés sans autorisation explicite
• Travaux évaluant spécifiquement les compétences que l’IA pourrait court-circuiter
• Recherche avec des tiers externes sans leur consentement explicite
• Manipulation de données sensibles ou confidentielles

Usage Restreint (Restricted Use)

Cette approche permet l’usage d’IA pour des tâches limitées et approuvées par l’instructeur. L’Université du Maine illustre cette catégorie : « Vous pouvez utiliser l’IA de façon minimale pour relire ou corriger vos travaux en vérifiant la grammaire, la syntaxe, la clarté et la cohérence ».

Les restrictions typiques portent sur :

• Vérification grammaticale et orthographique uniquement
• Aide à la structuration d’idées (brainstorming encadré)
• Support technique pour le formatage de documents
• Usage limité à un pourcentage maximal du travail final (généralement 25%)

Usage Autorisé (Permitted Use)

Dans cette catégorie, l’IA peut être utilisée pour diverses tâches avec obligation de transparence et de citation. L’Université de Singapour National illustre cette approche : « Vous pouvez utiliser l’IA pour les devoirs, mais suivez les règles d’honnêteté académique et de plagiat. Reconnaissez l’usage de l’IA ».

Les conditions d’autorisation incluent :

• Citation obligatoire de tous les usages IA
• Documentation du processus d’interaction avec l’outil
• Vérification et validation des contenus générés
• Respect des limitations de données sensibles

Usage Encouragé (Required Use)

Certains cours intègrent l’IA comme compétence pédagogique essentielle. Cette approche vise à développer la littératie IA des étudiants. Les objectifs incluent :

• Développement d’une utilisation critique et éthique de l’IA
• Formation aux techniques de prompt engineering
• Analyse comparative entre production humaine et IA
• Évaluation de la qualité et fiabilité des outputs IA

Framework HEAT-AI : Approche Basée sur les Risques

L’Université des Sciences Appliquées de St. Pölten a développé le framework HEAT-AI (Higher Education Act for AI), adaptant la structure de l’AI Act européen pour l’éducation. Ce modèle catégorise les usages selon quatre niveaux de risque :

Risque Inacceptable : Usage interdit car contraire aux valeurs éducatives fondamentales.

Risque Élevé : Usage soumis à autorisation préalable et supervision stricte.

Risque Modéré : Usage autorisé avec transparence obligatoire.

Risque Minimal : Usage libre avec bonnes pratiques recommandées.

IV. Stratégies de Mise en Œuvre

Formation et Développement des Compétences

Programmes de Littératie IA pour Étudiants

Les universités développent des programmes structurés de formation à l’IA. L’Université de Lourdes propose un mineur en Littératie IA de six cours, intégrable à tout programme académique. Le curriculum couvre :

• AI 100 – IA pour Tous : Concepts fondamentaux et applications pratiques
• AI 200 – IA pour la Prise de Décision : Usage de l’IA dans les processus décisionnels
• AI 201 – IA pour la Créativité et le Design : Applications créatives de l’IA
• ENG 352 – Technologie et Culture : Contexte socioculturel de l’IA

L’Université Columbia Teachers College propose un programme « AI Literacy for Educators » structuré en cinq modules couvrant les concepts fondamentaux, la perception machine, l’apprentissage supervisé et les implications éthiques.

Formation du Personnel Enseignant

Boston University recommande une approche d' »Embrassement Critique » pour la formation du personnel. Les principes directeurs incluent :

• Adoption Permissive mais Informée : Éviter les politiques restrictives inefficaces tout en promouvant un usage réfléchi
• Modélisation d’Usage Exemplaire : Démontrer un usage responsable qui soutient plutôt que remplace l’expertise humaine
• Supervision Humaine Permanente : Maintenir un contrôle humain sur tous les contenus générés par IA

Gouvernance et Structure Organisationnelle

Comité Institutionnel d’Éthique IA (AIERB)

EDUCAUSE recommande la création d’un Comité d’Éthique IA institutionnel (AI Ethical Review Board – AIERB) pour assurer une supervision éthique continue. Les responsabilités incluent :

• Évaluation éthique des nouveaux outils et applications IA
• Révision des politiques institutionnelles en matière d’IA
• Investigation des incidents et violations éthiques
• Formation et sensibilisation de la communauté universitaire

Approche Collaborative Intégrée

L’Université de Wellington en Nouvelle-Zélande illustre une approche collaborative exemplaire. Leur politique implique :

• Coordination Technique : Te Tai Matihiko (Solutions Digitales) maintient un registre des outils IA approuvés
• Évaluation d’Impact : Évaluations obligatoires de l’impact sur la vie privée pour nouveaux outils
• Délégation d’Autorité : Respect des procédures d’achat et limites d’autorité financière

Outils Technologiques et Infrastructure

Solutions de Confidentialité des Données

Les universités investissent dans des solutions IA respectueuses de la vie privée. Boston University recommande TerrierGPT pour l’usage institutionnel, garantissant la protection des données universitaires. Les caractéristiques essentielles incluent :

• Chiffrement des données en transit et au repos
• Non-utilisation des inputs utilisateur pour l’entraînement du modèle
• Conformité avec les réglementations FERPA et GDPR
• Contrôle d’accès granulaire par rôles utilisateur

Systèmes de Détection et Monitoring

Les universités déploient des solutions de détection d’usage IA non autorisé, bien que leur efficacité reste débattue. Les outils incluent :

• Logiciels de détection de contenu généré par IA (avec taux de faux positifs élevés)
• Systèmes de monitoring des accès aux outils IA externes
• Plateformes d’analyse des patterns d’écriture étudiante
• Solutions de watermarking pour les contenus IA institutionnels

V. Défis et Solutions

Résistance au Changement et Adoption

Défis d’Implémentation Identifiés

L’étude de Sage Publications révèle les principaux défis d’implémentation des politiques IA dans les universités britanniques :

Équilibrage Bénéfices-Risques : Maximiser les avantages de l’IA tout en préservant l’intégrité académique.

Redéfinition du Plagiat : Adapter les concepts traditionnels de plagiat à l’ère de l’IA générative.

Évolution des Stratégies d’Évaluation : Développer de nouvelles méthodes d’évaluation qui intègrent ou contournent l’usage d’IA.

Accès Équitable : Garantir que les disparités d’accès aux outils IA n’accentuent pas les inégalités éducatives existantes.

Solutions Collaboratives

L’approche collaborative émerge comme solution privilégiée. Le Generative AI Network (GAIN), géré par l’Université de Liverpool, facilite le partage de politiques et bonnes pratiques entre institutions. Cette approche favorise :

• Mutualisation des expériences et leçons apprises
• Développement de standards sectoriels harmonisés
• Réduction des coûts de développement individuels
• Accélération de l’adoption institutionnelle

Contraintes de Ressources

Formation et Développement Personnel

L’implémentation réussie des politiques IA nécessite des investissements substantiels en formation. L’Illinois Institute of Technology recommande une approche par étapes :

Phase 1 – Formation des Leaders : Former d’abord les responsables académiques et administratifs aux enjeux IA.

Phase 2 – Formation des Formateurs : Développer une cohorte d’enseignants experts en IA capables de former leurs pairs.

Phase 3 – Formation Généralisée : Déployer la formation à l’ensemble de la communauté universitaire.

Solutions Économiques

Pour réduire les coûts d’implémentation, les universités adoptent plusieurs stratégies :

• Consortiums d’Achat : Négociation collective des licences d’outils IA
• Ressources Ouvertes : Utilisation de frameworks sous licence Creative Commons comme ETHICAL
• Partenariats Public-Privé : Collaboration avec les fournisseurs d’IA pour des solutions éducatives dédiées
• Mutualisation des Développements : Partage des coûts de développement entre institutions partenaires

Évolution Technologique Rapide

Approche Adaptative

Face au rythme rapide d’évolution technologique, les universités privilégient des approches flexibles et adaptatives. Le framework HEAT-AI illustre cette approche en proposant des catégories de risque ajustables plutôt que des règles rigides.

Révision Périodique : Les politiques sont révisées au minimum annuellement, avec des ajustements trimestriels si nécessaire.

Veille Technologique : Mise en place d’équipes dédiées au monitoring des évolutions technologiques et réglementaires.

Pilotes Contrôlés : Expérimentation encadrée de nouveaux outils avant déploiement institutionnel.

VI. Meilleures Pratiques et Exemples

Universités Leaders et Leurs Approches

Modèle Harvard : Flexibilité et Responsabilité

Harvard University adopte une approche décentralisée où chaque école et instructeur définit ses propres politiques tout en respectant le Honor Code institutionnel. Cette approche favorise :

• Adaptation Contextuelle : Politiques ajustées aux spécificités disciplinaires
• Responsabilisation Individuelle : Autonomie des enseignants dans la définition des règles
• Cohérence Institutionnelle : Respect des valeurs fondamentales de l’université

Starting Fall 2025, Harvard déploie Respondus, un outil de verrouillage navigateur pour les examens, permettant de contrôler l’accès aux outils IA durant les évaluations.

Modèle Stanford : Innovation Pédagogique Encadrée

Stanford University encourage l’innovation pédagogique tout en maintenant des garde-fous stricts. Leur approche combine :

• Interdiction par Défaut : Usage IA interdit sauf autorisation explicite de l’instructeur
• Documentation Obligatoire : Citation et documentation de tout usage IA autorisé
• Formation Continue : Programmes de formation pour étudiants et enseignants

Modèle MIT : Excellence Technique et Éthique

Le MIT intègre l’éthique IA dans sa culture d’excellence technique. Leur framework emphasise :

• Usage Éthique : Formation systématique aux considérations éthiques
• Protection des Données : Standards élevés de protection des informations sensibles
• Innovation Responsable : Encouragement de l’innovation dans le respect des principes éthiques

Retours d’Expérience et Leçons Apprises

Université de Utah : Approche Pragmatique

L’Université de Utah a organisé des forums publics pour impliquer la communauté dans l’élaboration de ses directives IA. Les leçons apprises incluent :

Engagement Communautaire : L’implication précoce de toutes les parties prenantes améliore l’acceptation des politiques.

Communication Transparente : Des forums réguliers (toutes les six semaines) maintiennent le dialogue et l’adaptation continue.

Approche Itérative : Les directives évoluent basées sur les retours terrain et les évolutions technologiques.

Université d’Édimbourg : Confiance et Autonomie

L’approche d’Édimbourg repose sur la confiance institutionnelle : « L’Université vous fait confiance pour agir avec intégrité dans votre usage de l’IA générative pour vos études ». Cette approche génère :

• Responsabilisation Étudiante : Les étudiants développent leur jugement éthique autonome
• Flexibilité Pédagogique : Les enseignants adaptent leurs méthodes sans contraintes excessives
• Culture d’Intégrité : Renforcement des valeurs institutionnelles par la confiance mutuelle

VII. Protection des Données et Enjeux de Confidentialité

Cadre Réglementaire et Conformité

Réglementations Applicables

Les universités doivent naviguer un paysage réglementaire complexe incluant :

FERPA (Family Educational Rights and Privacy Act) : Protection des dossiers éducatifs aux États-Unis, s’appliquant aux données utilisées par les outils IA.

COPPA (Children’s Online Privacy Protection Act) : Protection des enfants de moins de 13 ans, pertinent pour les programmes pré-universitaires.

RGPD (Règlement Général sur la Protection des Données) : Standard européen s’appliquant aux institutions opérant dans l’UE.

Stratégies de Conformité

Les institutions adoptent plusieurs stratégies pour assurer la conformité :

Audit des Données : Classification et cartographie de toutes les données collectées par les outils IA.

Évaluations d’Impact : Analyses obligatoires de l’impact sur la vie privée pour tout nouveau déploiement IA.

Contractualisation Stricte : Négociation de clauses de protection des données avec les fournisseurs IA.

Risques et Mesures de Protection

Identification des Risques

Les principaux risques identifiés incluent :

Violations de Données : Les plateformes IA externes peuvent subir des cyberattaques exposant les données étudiantes.

Exploitation Commerciale : Usage des données éducatives à des fins marketing ou commerciales non autorisées.

Surveillance Constante : Création d’un environnement de monitoring permanent affectant la liberté d’expression étudiante.

Mesures de Protection Recommandées

Chiffrement et Anonymisation : Techniques cryptographiques robustes et suppression des identifiants personnels.

Contrôle Utilisateur : Mécanismes permettant aux étudiants de gérer leurs données et paramètres de confidentialité.

Audits Réguliers : Évaluations périodiques des pratiques de gestion des données.

VIII. Propriété Intellectuelle et Droits d’Auteur

Enjeux Juridiques Émergents

Complexité du Cadre Légal

L’intersection entre IA et propriété intellectuelle soulève des questions juridiques complexes non résolues :

Formation des Modèles : L’usage de contenus protégés pour l’entraînement des IA peut constituer une violation du droit d’auteur.

Propriété des Outputs : La question de la propriété des œuvres générées par IA demeure juridiquement floue.

Usage Transformatif : Les concepts de « fair use » varient significativement entre juridictions.

Recommandations Pratiques

L’Université de York propose des directives pratiques pour l’usage respectueux du droit d’auteur :

Usages Autorisés :

• Upload de matériaux sous licence Creative Commons avec attribution complète
• Usage de contenus dans le cadre d’exceptions légales (recherche, enseignement, analyse computationnelle)
• Utilisation de matériaux du domaine public

Usages Proscrits :

• Upload vers des outils sans garanties de confidentialité
• Usage de matériaux sensibles ou confidentiels
• Utilisation de contenus obtenus illégalement

Stratégies Institutionnelles

Protection de la Propriété Intellectuelle Institutionnelle

Les universités développent des stratégies pour protéger leur propriété intellectuelle :

Politiques d’Usage Interne : Distinction claire entre usage personnel et institutionnel des outils IA.

Licences Institutionnelles : Négociation de termes spécifiques avec les fournisseurs d’IA pour protéger la propriété intellectuelle universitaire.

Formation aux Droits d’Auteur : Programmes éducatifs sur les implications légales de l’usage IA.

IX. Évaluation et Suivi de l’Implémentation

Métriques et Indicateurs de Performance

Indicateurs d’Adoption

Les universités développent des tableaux de bord pour suivre l’implémentation de leurs politiques IA :

Taux d’Adoption : Pourcentage d’enseignants ayant intégré des directives IA dans leurs syllabi.

Engagement Communautaire : Participation aux formations et workshops sur l’IA.

Incidents Rapportés : Nombre et nature des violations des politiques IA.

Satisfaction Utilisateur : Enquêtes de satisfaction auprès des étudiants et enseignants.

Métriques d’Efficacité

Réduction des Violations Académiques : Évolution du nombre de cas de plagiat et tricherie.

Amélioration de la Littératie IA : Évaluations des compétences IA des étudiants et personnel.

Innovation Pédagogique : Nombre de nouvelles pratiques pédagogiques intégrant l’IA.

Processus d’Amélioration Continue

Révision Périodique des Politiques

L’Université de St. Pölten illustre une approche d’amélioration continue avec HEAT-AI :

Collecte de Témoignages : Retours systématiques de tous les départements sur l’usage du framework.

Groupes de Discussion : Sessions régulières avec enseignants et étudiants pour identifier les améliorations.

Évaluation Annuelle : Révision complète du framework à la fin de chaque année académique.

Adaptation aux Évolutions Technologiques

Veille Technologique : Monitoring continu des nouvelles technologies IA et leurs implications éducatives.

Pilotes Expérimentaux : Tests contrôlés de nouveaux outils avant déploiement généralisé.

Collaboration Inter-institutionnelle : Partage d’expériences et bonnes pratiques avec d’autres universités.

X. Recommandations Stratégiques

Phase de Démarrage (0-6 mois)

Évaluation Institutionnelle

Audit de Maturité IA : Utilisation du Ten Dimension AI Readiness Framework pour évaluer l’état actuel.

Analyse des Parties Prenantes : Identification et engagement de tous les acteurs institutionnels concernés.

Benchmark Concurrentiel : Analyse comparative des politiques adoptées par institutions similaires.

Formation des Équipes

Constitution du Comité IA : Création d’une équipe multidisciplinaire incluant représentants académiques, juridiques, techniques et étudiants.

Formation des Leaders : Programme intensif pour les responsables du projet.

Communication Institutionnelle : Sensibilisation de la communauté universitaire aux enjeux et opportunités de l’IA.

Phase de Développement (6-12 mois)

Élaboration des Politiques

Co-création Collaborative : Ateliers participatifs pour développer les directives avec toutes les parties prenantes.

Pilotes Sectoriels : Tests des politiques dans des départements volontaires avant déploiement généralisé.

Validation Juridique : Révision par les services juridiques pour assurer la conformité réglementaire.

Développement des Outils

Sélection des Plateformes : Évaluation et sélection des outils IA institutionnels respectant les critères de confidentialité.

Développement de Ressources : Création de guides, tutoriels et supports de formation.

Systèmes de Monitoring : Mise en place des outils de suivi et évaluation.

Phase de Déploiement (12-18 mois)

Implémentation Progressive

Déploiement par Phases : Mise en œuvre graduelle par départements ou facultés.

Formation Généralisée : Programmes de formation pour tous les membres de la communauté universitaire.

Support Continu : Services d’accompagnement et de résolution de problèmes.

Évaluation et Ajustement

Monitoring Continu : Suivi des indicateurs de performance et d’adoption.

Retours d’Expérience : Collecte systématique des retours utilisateurs.

Ajustements Itératifs : Modifications des politiques basées sur les apprentissages terrain.

Conclusion

L’élaboration de directives sur l’usage de l’IA dans les universités représente un défi complexe nécessitant une approche holistique et collaborative. Les institutions qui réussissent combinent vision stratégique, engagement communautaire et flexibilité opérationnelle.

Les frameworks éprouvés comme ETHICAL, HEAT-AI ou les principes EDUCAUSE fournissent des fondations solides, mais chaque institution doit les adapter à son contexte spécifique. L’emphase sur la formation, la transparence et l’éthique émerge comme facteur critique de succès.

L’évolution rapide des technologies IA exige des approches adaptatives privilégiant l’apprentissage continu plutôt que des règles rigides. Les universités leaders investissent massivement dans la formation de leur communauté, reconnaissant que la littératie IA constituera une compétence fondamentale du 21e siècle.

Le succès de ces initiatives dépendra ultimement de la capacité des institutions à maintenir l’équilibre délicat entre innovation pédagogique, intégrité académique et protection des données, tout en préparant leurs étudiants aux réalités d’un monde transformé par l’intelligence artificielle.

Ressources et Références Complémentaires

Frameworks et Outils Recommandés

• ETHICAL Principles Framework : Disponible sous licence Creative Commons
• HEAT-AI Framework : Modèle adapté de l’AI Act européen
• Ten Dimension AI Readiness Framework : Outil d’évaluation de maturité IA
• UNESCO AI Ethics Recommendation : Standards éthiques mondiaux

Organismes et Réseaux Professionnels

• EDUCAUSE : Ressources et guidelines pour l’IT éducatif
• Russell Group : Principes pour l’usage de l’IA générative
• Digital Education Council : Frameworks et bonnes pratiques
• Generative AI Network (GAIN) : Réseau de partage inter-institutionnel

Cette approche structurée et collaborative permettra aux universités de naviguer avec succès la révolution de l’intelligence artificielle tout en préservant les valeurs fondamentales de l’enseignement supérieur.