Français
Posez vos questions

novembre 1, 2026 · Intelligence artificielle

Avenir de l’éducation : ce qui manque dans le prospectus d’introduction en bourse d’Anthropic

Reda Sadki
Future of education: what is missing from Anthropic’s S1 prospective

Le prospectus d’Anthropic décrit l’IA dans l’éducation comme un tuteur pour les élèves et une aide administrative pour les enseignants. Les recherches et les débats des deux dernières années soulèvent de plus grandes questions : les élèves apprennent-ils vraiment ou se contentent-ils de performer, que certifie un diplôme quand l’IA peut produire les travaux, comment les professions formeront leurs prochains experts, et qui sera propriétaire des systèmes que les écoles louent.

Le S-1 d’Anthropic, le prospectus de son introduction en bourse, promet « une éducation adaptée à chaque personne » et un mode d’apprentissage « conçu pour renforcer la pensée critique », sans présenter aucun résultat d’apprentissage. Dans le premier article, j’ai examiné ce que le document dit de l’éducation, du travail et du capital humain, et pourquoi il en dit si peu. Cet article présente ce que le document omet.

Je m’appuie sur trois ensembles de travaux qui m’ont été les plus utiles dans ma pratique : soutenir un réseau de plus de 80 000 professionnels de la santé et de l’action humanitaire dans 137 pays (Sadki, 2026h), et créer des assistants IA pour soutenir leur apprentissage (Sadki, 2025a).

  • Le premier ensemble regroupe les preuves expérimentales qui séparent la performance de l’apprentissage.
  • Le deuxième est l’analyse de l’économiste Jason Potts sur ce que vendent les universités, qui explique pourquoi l’IA menace leur modèle économique et pas seulement leurs examens.
  • Le troisième est le témoignage de George Siemens, deux ans de reportages depuis l’intérieur de directions universitaires, qui montre comment les institutions réagissent.

J’ajoute mes propres travaux sur la façon dont les professionnels de la santé deviennent experts.

Les études séparent la performance assistée de l’apprentissage

Une personne qui utilise l’IA peut produire un meilleur travail aujourd’hui sans être capable de faire ce travail demain. Les études ci-dessous testent trois affirmations : l’IA améliore la performance pendant qu’elle est disponible, elle développe une capacité qui reste après son retrait, et cette capacité devient un capital humain durable au travail.

  • L’IA sans restriction a nui aux résultats d’examen. Dans une expérience de terrain avec près de 1 000 élèves de mathématiques du secondaire en Türkiye, Bastani et ses collègues (2025) ont comparé un tuteur GPT-4 sans restriction, une version avec des garde-fous, et des manuels et notes ordinaires. L’accès sans restriction a augmenté les scores d’entraînement d’environ 14 points sur une échelle de 100. À l’examen sans documents qui a suivi, les mêmes élèves ont obtenu environ 5 points de moins que le groupe témoin : l’outil faisait le travail, et les élèves ont moins appris. Le tuteur avec garde-fous, qui ne donnait pas de réponses directes et utilisait des indices écrits par les enseignants, a largement éliminé ce problème mais n’a pas dépassé l’entraînement ordinaire. L’examen était immédiat, donc l’étude ne peut pas dire ce que les élèves ont retenu des mois plus tard.
  • Un tutorat bien conçu a produit des gains immédiats. StudentBench, une prépublication de septembre 2026, a assigné au hasard 2 383 adultes à un tutorat par IA, un tutorat humain ou un groupe témoin, pour une heure de préparation au GRE (Northcutt et al., 2026). Le tutorat par IA a augmenté les scores du post-test sans aide d’environ 6 points de pourcentage par rapport aux témoins qui regardaient des vidéos sans rapport, et les auteurs rapportent une équivalence statistique avec un tutorat humain expert. Le post-test était immédiat, le groupe témoin n’a fait aucune pratique pertinente, le groupe humain était petit, l’échantillon a été filtré après l’assignation, et le financeur a fourni les participants par sa plateforme.
  • Les novices ont le plus gagné au travail. Parmi 5 172 agents du service client, un assistant IA a augmenté les demandes résolues par heure de 15 % en moyenne, et de 30 % pour les travailleurs moins expérimentés et moins qualifiés (Brynjolfsson et al., 2025). Pendant les pannes, les travailleurs traités dépassaient encore leur niveau de base d’avant l’IA, ce que les auteurs interprètent comme un « apprentissage durable ». Leurs données « ne permettent pas d’observer les changements de salaires, la demande globale de travail ou la composition des compétences des travailleurs embauchés ». Les meilleurs performeurs suivaient les suggestions de l’IA même quand la qualité des suggestions baissait.
  • L’IA a aidé les scientifiques individuels et a rétréci la science. Hao et ses collègues (2026) ont analysé 41,3 millions d’articles de recherche. Les scientifiques qui utilisaient l’IA ont publié 3,02 fois plus d’articles, ont reçu 4,84 fois plus de citations et sont devenus responsables de projets de recherche 1,37 an plus tôt que ceux qui ne l’utilisaient pas. À l’échelle de la science, l’adoption de l’IA a réduit la gamme de sujets étudiés de 4,63 % et a réduit les échanges entre scientifiques de 22 %, car le travail assisté par IA s’est déplacé vers les domaines les plus riches en données. Les équipes utilisant l’IA avaient aussi moins de jeunes scientifiques, 1,99 en moyenne contre 2,89 dans les autres équipes. Les auteurs concluent que les outils d’IA « semblent automatiser les domaines établis plutôt que d’en explorer de nouveaux ». Une université qui récompense la production individuelle verrait ses chercheurs prospérer tandis que les questions qu’elle pose, et les places de jeunes dans ses équipes, diminueraient.

Dans ces études, l’effet de l’IA dépend de sa conception, de ce qui est mesuré et du moment où c’est mesuré. Aucune ne suit les apprenants d’une intervention soutenue par IA jusqu’à une capacité durable, puis jusqu’à l’emploi et aux revenus.

Le MIT conclut que l’IA a vidé ses outils d’enseignement de base

En août 2026, le Comité ad hoc du MIT sur l’usage de l’IA dans l’enseignement, l’apprentissage et la formation à la recherche a rapporté que l’IA peut déjà « produire des solutions crédibles et fournir des réponses raisonnables à presque n’importe quel devoir écrit de notre programme de premier cycle, y compris les dissertations, les problèmes de maths et de sciences, les démonstrations et les devoirs de programmation ». Les séries de problèmes, les longs travaux écrits, les examens à faire à la maison et les projets hors classe sont depuis longtemps les moyens par lesquels les étudiants du MIT pratiquent et montrent ce qu’ils savent. « L’IA vide ces outils de leur valeur, tant pour l’enseignement que pour l’évaluation » (Massachusetts Institute of Technology, 2026).

Le rapport commence ainsi : « Ce rapport est un appel à l’action. » Chargé de proposer une politique d’usage de l’IA, le comité a conclu que le MIT « doit s’attaquer à des questions plus profondes sur la structure, le sens et la valeur d’une formation au MIT ». Sa conclusion soigneusement formulée, selon laquelle « la plupart des cours donnés au MIT devront être examinés attentivement et, dans bien des cas, adaptés de façon importante pour survivre à une rencontre avec l’IA sans perturbation grave », revient à réexaminer presque tout le programme. Le rapport le dit clairement ailleurs : « Chaque matière enseignée au MIT devra probablement être réexaminée et possiblement transformée. » Il va encore plus loin : « l’arrivée de l’IA exige une réévaluation plus large et globale de la nature, de la portée et du but de l’enseignement supérieur aujourd’hui ». Selon les mots du comité, « ce n’est pas le moment de faire des rustines ». Ses recommandations touchent les fondements de l’institution :

  • Revoir, « à l’échelle de tout le campus et dès que possible », ce que les étudiants doivent apprendre, et se demander si des objectifs de longue date tiennent toujours, comme celui selon lequel la plupart des étudiants « doivent être capables d’écrire des programmes complexes à la main ».
  • Examiner « la nature des notes et de la notation ». Le comité a discuté de cette idée : « si le MIT n’avait pas de notes, bon nombre des incitations à tricher avec l’IA disparaîtraient ».
  • Changer la gouvernance pour que les départements puissent modifier les programmes « sans processus d’examen fixes, avec plusieurs comités et qui durent un an, sinon nous prendrons du retard ».
  • Protéger la recherche de premier cycle, car les professeurs « pourraient trouver avantageux de remplacer les chercheurs débutants par des agents d’IA », et les étudiants perdraient des « occasions de devenir participants aux communautés de recherche ».

Le comité rapporte aussi qu’en moins de trois ans, l’IA a réduit la fréquentation des heures de bureau et la participation aux discussions en ligne, et, selon des témoignages, les groupes d’étude en personne. Des étudiants lui ont dit que les consignes des enseignants « sont souvent confuses et peu claires ». Son enquête a recueilli 1 632 réponses, avec un taux de réponse de 12 %, alors ces opinions ne représentent peut-être même pas l’ensemble du MIT. Une des universités les mieux financées au monde se dit que ses évaluations, ses notes et ses processus d’approbation ont tous besoin d’être repensés.

Potts soutient que les universités vendent la vérification

Jason Potts explore dans The University after AI pourquoi la perturbation que décrit le MIT va au-delà de la salle de classe (Potts, 2026). Il décrit l’université comme « ni un cloître ni une usine » mais une plateforme multi-faces, un système de systèmes qui coordonne « au moins quinze faces distinctes » : les étudiants de premier cycle, les étudiants internationaux, les étudiants chercheurs, les employeurs, les gouvernements, les anciens, les donateurs, les lycées, les parents et d’autres. Chaque face « tire sa valeur de la présence et de la qualité des autres », et des subventions croisées les lient. Les revenus de l’enseignement paient la recherche, et la recherche construit la réputation qui attire les étudiants.

Les technologies précédentes ont réduit le coût du contenu, mais « le contenu n’a jamais été le produit que les universités vendaient ». Les universités vendent « la mise en relation et la vérification » : elles rassemblent les gens et garantissent aux employeurs qu’un diplômé sait ce que le diplôme affirme.

Potts soutient que l’IA est la première technologie à atteindre les deux fonctions. Dans « l’effondrement du signal », l’IA réduit le coût de produire un travail évaluable pour les étudiants capables et moins capables de la même façon, alors le diplôme ne les distingue plus.

Les résultats de Bastani et le récit du MIT sur des séries de problèmes vidées montrent que cela se produit dans les salles de classe.

La désintermédiation enlève « les faces informationnelles de la plateforme, qui sont aussi les faces payantes ».

L’atout stratégique de l’université devient sa capacité à agir comme « un vérificateur crédible », ce qui exige son indépendance « des parties dont elle vérifie la production ». Ces mécanismes restent des hypothèses, et leur force dépendra de la façon dont les institutions et les employeurs répondent.

Parce que les faces sont liées ensemble, un outil qui améliore l’une peut endommager une autre.

  • Un tuteur IA moins cher affaiblit les revenus de l’enseignement qui paient la recherche.
  • Des devoirs faciles écrits par IA affaiblissent le diplôme sur lequel les employeurs comptent.

Potts décrit aussi une « boucle junior manquante » : l’IA « supprime les tâches juniors par lesquelles l’apprentissage se faisait », ce qui affaiblit l’incitation des entreprises à former. Il appelle cela « une défaillance du marché avec un remède institutionnel évident » et propose des stages supervisés, des années d’apprentissage et une formation basée sur la simulation. Le nombre décroissant de jeunes scientifiques dans les équipes assistées par IA dans l’étude de Hao est la même boucle qui se brise à l’intérieur de la recherche.

Siemens demande aux universités de construire leur propre IA

George Siemens fait partie des premiers à avoir formulé une théorie de l’apprentissage pour l’ère numérique. Sa lettre d’information aujourd’hui disparue, SAIL: Sensemaking AI Learning, a consigné deux ans de rencontres avec des dirigeants d’université et des bâtisseurs de solutions.

  • Sur l’achat. « Je me répète sur ce point, mais les universités doivent devenir des concepteurs de produits d’IA, et non simplement des acheteurs de ce que développent les startups et les laboratoires de pointe » (Siemens, 2025e). La plupart des établissements, écrit-il, « ont surtout signé des licences avec OpenAI, Anthropic ou Google. Acheter une technologie n’est guère une vision » (Siemens, 2025c). Sans vision partagée, a-t-il déclaré dans un entretien de décembre 2025, « nous finissons par signer des chèques pour des solutions qui n’ont pas été conçues en pensant à nous », et nous retrouvons à « louer des systèmes qui ne reflètent pas nos valeurs et à céder le contrôle, surtout celui de nos données » (Salisbury, 2025).
  • Sur l’accès. Lors d’une table ronde, se souvient-il, « le représentant du fournisseur de LLM a affirmé que cette approche était excessive et qu’il suffisait de donner aux étudiants accès aux outils d’IA ». Il distingue les solutions ponctuelles, qui corrigent un problème à l’intérieur du système existant, du changement de système : « Chaque université adoptera des solutions ponctuelles. Seules quelques-unes, dotées d’un leadership visionnaire et tourné vers l’avenir, réaliseront le changement de système » (Siemens, 2025a).
  • Sur le leadership. Après avoir visité plusieurs réseaux universitaires en août 2025 : « La reconnaissance d’un changement imminent est palpable. Ce qui manque, c’est une vision, une direction, un point vers lequel se tourner » (Siemens, 2025g). « Votre DSI ne vous mènera pas à un changement systémique grâce à l’IA. Votre vice-recteur à la vie académique non plus » (Siemens, 2025h).
  • Sur l’évaluation. « Si le devoir d’un étudiant peut être produit par l’IA, il n’est peut-être pas un outil d’évaluation significatif, si ce n’est par sa capacité à passer à l’échelle » (Siemens, 2025f). Avec des collègues, il a soutenu dans Nature que les universités « doivent repenser radicalement les examens à l’ère de l’IA » (Kovanović et al., 2025), et il estime que « les décisions à forts enjeux doivent rester entre des mains humaines » (Salisbury, 2025).
  • Sur les diplômes. Siemens nomme le levier qui permettrait aux nouveaux modèles d’apprentissage de rivaliser : « Une fois que quelqu’un résoudra le goulot d’étranglement de la certification (c’est-à-dire l’exigence que la validation des acquis provienne d’un organisme agréé), un véritable changement de système commencera dans l’apprentissage, surtout chez les apprenants que le secteur existant ne sert pas » (Siemens, 2025b).
  • Sur ce que les universités enseignent. Par « escalade cognitive », les tâches que les gens apprenaient autrefois « peuvent désormais être en partie automatisées et confiées à une machine », si bien que les universités passent de « enseigner aux apprenants certains types de choses » à « enseigner aux apprenants à devenir certains types de personnes » (Siemens, 2025d). Il prévoit « un vaste glissement de l’épistémologie vers l’ontologie », c’est-à-dire de ce que les étudiants savent vers ce qu’ils deviennent, ce qui « signale un besoin critique d’énoncer un nouveau contrat social et économique avec la société ». Il qualifie la communauté et les liens sociaux de « fossé méta-durable à l’ère de l’IA » (Siemens, 2025i).
  • Sur les emplois de début de carrière et la difficulté. Les données sur les emplois d’entrée sont « alarmantes », « touchant particulièrement les nouveaux diplômés tout en aidant les employés en poste à continuer de réussir » (Siemens, 2025g). Il souligne l’avertissement selon lequel les étudiants qui dépendent de l’IA risquent de perdre des « occasions essentielles de développer ces compétences fondamentales », un « affaiblissement du processus même de devenir mathématicien » (Siemens, 2025h). Avec des collègues de Georgetown, de l’Université du Minnesota et de l’Université d’Australie-Méridionale, il bénéficie d’un financement de la Fondation Gates pour étudier l’usage inadapté de l’IA dans l’apprentissage (Siemens, 2025g).

Dans Reclaiming Purpose: The University in an AI World (LeBlanc et al., 2026) et dans leurs travaux sur l’« apprentissage de précision » (Gamby et al., 2025), Siemens, Paul LeBlanc et Tanya Gamby soutiennent que les établissements doivent passer de la transmission des connaissances au développement des capacités humaines.

Les diplômes portaient déjà un signal faible avant l’IA

L’effondrement du signal décrit par Potts et le goulot d’étranglement des certifications évoqué par Siemens supposent tous deux que le diplôme porte un signal qui mérite d’être protégé. Les preuves montrent que ce signal était déjà faible bien avant l’IA.

La formation des professionnels de la santé suit le même schéma. La revue Cochrane actuelle sur la formation continue a regroupé 215 études portant sur plus de 28 000 praticiens. Elle montre que les séances de formation améliorent peu le respect des pratiques cliniques souhaitées (4 points de pourcentage en médiane). Elles améliorent aussi peu les résultats pour les patients. La question de savoir si les séances interactives fonctionnent mieux que les cours magistraux a été classée comme ayant une certitude très faible (Forsetlund et al., 2021).

L’accréditation explique pourquoi ces signaux faibles persistent. En 2012, Burck Smith a montré que l’accréditation repose « principalement sur les moyens mis en œuvre par un établissement d’enseignement supérieur plutôt que sur ses résultats ». Une accréditation centrée sur les moyens, des subventions publiques qui y sont liées, et le contrôle que les établissements exercent sur les crédits qu’ils acceptent forment un « triangle de fer ». Ce triangle maintient les prix élevés et tient les innovateurs à l’écart (Sadki, 2012). En 2021, j’ai écrit que l’appel de l’Organisation mondiale de la Santé à une « révolution » de la formation en santé publique ne serait « probablement pas entendu par des établissements qui forment un monopole protégé ». Je posais aussi la question suivante: pourrions-nous inventer « une certification à vie » dont la valeur augmenterait avec le temps, à mesure que la personne applique ce qu’elle a appris (Sadki, 2021).

Lues avec ces preuves, l’IA menace plus le monopole bâti autour de la délivrance des diplômes que l’information que ces diplômes portent. C’est pourquoi les certifications des fournisseurs comptent. Le programme de certification d’Anthropic évalue des compétences lors d’examens surveillés. Il pourrait faire mieux que des relevés de notes qui prédisent peu, tout en certifiant le produit du fournisseur lui-même. Les universités pourraient rivaliser en certifiant, de manière indépendante, ce qu’une personne sait vraiment faire.

L’évaluation peut mesurer comment les gens travaillent avec l’IA

Depuis ChatGPT, la plupart des réformes de l’évaluation ont cherché à tenir l’IA à l’écart: examens surveillés, défenses orales, brouillons écrits à la main. Le MIT recommande les examens oraux, les portfolios de trimestre et les discussions en classe. Il déconseille de se fier aux détecteurs d’IA, qui peuvent confondre les textes d’anglophones non natifs ou d’étudiants neuroatypiques avec du texte généré par machine (Massachusetts Institute of Technology, 2026). Ces méthodes testent ce qu’une personne sait sans aide. Elles ne testent pas ce que les employeurs paient maintenant, c’est-à-dire la capacité à produire des résultats avec l’IA.

Lovett appelle cette capacité la maîtrise distribuée: produire des résultats en coordonnant les connaissances réparties entre personnes et outils, y compris « choisir un système d’intelligence artificielle, rédiger des instructions utiles, comparer les résultats, organiser un flux de travail et combiner les résultats de la machine avec le matériel de collègues ou de bases de données » (Sadki, 2026f, discutant Lovett, 2026). Ce sont de vraies formes de compétence professionnelle. Les évaluer ne devrait pas être difficile, parce que le travail laisse une trace. Les équipes d’ingénierie jugent déjà les agents d’IA selon que la tâche a été accomplie, comment, et si le résultat tient quand on le vérifie (Sadki, 2025b). Le travail d’un apprenant avec l’IA peut être jugé de la même manière:

  • Résultat. L’apprenant a-t-il livré une solution qui fonctionne pour un vrai problème? Le MIT attend maintenant de ses étudiants de projet final qu’ils « utilisent des outils de codage d’IA pour construire des artefacts logiciels de qualité presque professionnelle en un seul trimestre universitaire ».
  • Processus. Qu’est-ce que l’apprenant a demandé, quels résultats a-t-il rejetés, et pourquoi? Le MIT suggère des plateformes « qui gardent un historique des versions », soumis avec le travail comme « preuve du processus ».
  • Vérification. L’apprenant a-t-il repéré les erreurs du modèle? Les étudiants restent « responsables de tout le travail qu’ils soumettent, y compris tout contenu inexact, biaisé, offensant ou contraire à l’éthique produit avec l’aide de l’IA générative » (Massachusetts Institute of Technology, 2026).
  • Déclaration. Le Code d’honneur de la Fondation « demande une déclaration, pas une abstention: l’usage déclaré de l’IA est un contexte, jamais une infraction » (Sadki, 2026d).

Les deux types d’évaluation dépendent l’un de l’autre. La Validation Tether affirme que « les gens ne peuvent superviser l’intelligence artificielle que lorsqu’ils possèdent assez de connaissances indépendantes pour juger son travail » (Sadki, 2026f). Un système d’évaluation a donc besoin de vérifications sans aide sur les fondements, pour que les apprenants puissent juger les résultats de la machine, et de tâches assistées qui testent s’ils peuvent livrer avec elle.

L’expertise se forme dans un travail que l’IA fait disparaître

Mes propres travaux sur les effectifs de santé et d’action humanitaire montrent la même pression sur la façon dont les experts se forment.

  • Postes juniors. Nolan Lovett soutient que les organisations « embauchaient des juniors parce que les juniors faisaient le travail de junior, et l’expertise se transmettait au passage. L’IA rompt ce lien » (Sadki, 2026e, à propos de Lovett, 2026). Une organisation qui supprime les postes d’entrée garde les économies et répartit le coût sur tous ceux qui devront plus tard recruter un expert.
  • Apprentissage. Lors de la conférence OECD Digital Education Outlook 2026, des chercheurs ont relevé des « gains de performance accompagnés de pertes d’apprentissage » et ce que Dragan Gašević a appelé une « paresse métacognitive » (Sadki, 2026a). Lors de la conférence Empowering Learners for the Age of AI, que Siemens coorganise, Stéphan Vincent-Lancrin de l’OCDE a déclaré : « la performance en éducation, c’est l’apprentissage » (Sadki, 2025c). Beatriz Moutinho s’est dite « encore plus inquiète de voir les jeunes se remplacer eux-mêmes par avance » que de voir l’IA les remplacer (Sadki, 2026b).
  • Certifications et intégrité. Dans Les formations sont-elles obsolètes ?, j’ai proposé de séparer « ce qu’une formation apporte et ce qu’une formation est ». L’IA peut aujourd’hui produire ce qu’une formation apporte, mais la formation reste « la seule forme institutionnelle que le monde ait accepté de reconnaître, mesurer et financer » (Sadki, 2026g). Lorsque nous avons examiné chaque réponse et chaque revue par les pairs dans une formation de certification sur le paludisme, et lorsque nous avons construit une couche d’intégrité pour soutenir l’apprentissage par les pairs à grande échelle, nous avons dû distinguer le véritable effort du travail vide ou généré, et cela à grande échelle (Sadki, 2026d, 2026j). La Fondation ne certifie que ce que sa plateforme et son équipe vérifient : « qu’un professionnel de la santé a suivi un cycle rigoureux d’analyse, d’échange entre pairs et de planification sur sa propre pratique, documenté dans ses propres mots ». Ce que ce cycle a changé est suivi à part. Dans le projet pilote, 45,9 % des projets analysés se sont engagés sur un changement de pratique précis et daté, et chaque déclaration est publiée comme auto-rapportée et non vérifiée de façon indépendante (Sadki, 2026d). Vu le peu que les diplômes et les réunions de formation continue semblent prédire, un certificat qui dit exactement ce qu’il a vérifié ne perd rien en crédibilité.
  • Souveraineté. Mon conseil aux ministères de la Santé dans On ne télécharge pas un centre de données vaut aussi pour l’éducation : « investir dans la couche que personne ne peut vous vendre, c’est-à-dire vos gens, votre effectif et les connaissances locales que vous possédez », et garder « les personnes capables de vérifier la validité de ce que ces systèmes produisent » (Sadki, 2026i). La stratégie de la Banque mondiale pour l’emploi suppose, comme je l’ai noté, que les personnes appelées à remplir de nouveaux postes « peuvent les tenir, s’adapter au changement et continuer à donner des résultats une fois le projet terminé » (Sadki, 2026c).

Six lacunes dans le programme de recherche sur l’éducation et l’intelligence artificielle

Le dossier S-1 d’Anthropic suppose que la chaîne entre le tutorat et la productivité fonctionne déjà. Les études s’arrêtent pour l’instant au test final. Voici six lacunes que nous devons combler pendant que nous traçons l’avenir de l’éducation.

  1. Mesurer la rétention différée et le transfert vers des problèmes inconnus, pas seulement les tests finaux immédiats.
  2. Tester quelles approches, comme les restrictions de réponse et les indices rédigés par l’enseignant, préservent la capacité indépendante.
  3. Évaluer à la fois les bases sans IA et la prestation avec IA, en utilisant les résultats, les dossiers de processus, la vérification et la divulgation.
  4. Rebâtir la pratique supervisée là où les tâches juniors ont été automatisées, dans les lieux de travail et dans les équipes de recherche, et évaluer quels remplacements fonctionnent.
  5. Remplacer l’accréditation basée sur les intrants par des certificats qui indiquent ce qui a été vérifié, par qui, et avec quelles limites.
  6. Suivre les apprenants depuis l’apprentissage assisté par IA jusqu’au travail et aux revenus, et enregistrer qui perd l’accès à la pratique qui construit l’expertise.

Références

  1. Anthropic, PBC. (2026). Form S-1 registration statement under the Securities Act of 1933. U.S. Securities and Exchange Commission. https://www.sec.gov/Archives/edgar/data/2130357/000162828026067168/anthropicpbc-sx1.htm
  2. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
  3. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
  4. Ferrer, A. M., & Riddell, W. C. (2002). The role of credentials in the Canadian labour market. Canadian Journal of Economics, 35(4), 879–905. https://econ.queensu.ca/pub/jdi/deutsch/edu_conf/Ferrer.pdf
  5. Finley, A. (2023). The career-ready graduate: What employers say about the difference college makes. American Association of Colleges and Universities. https://www.aacu.org/research/the-career-ready-graduate-what-employers-say-about-the-difference-college-makes
  6. Forsetlund, L., O’Brien, M. A., Forsén, L., Mwai, L., Reinar, L. M., Okwen, M. P., Horsley, T., & Rose, C. J. (2021). Continuing education meetings and workshops: Effects on professional practice and healthcare outcomes. Cochrane Database of Systematic Reviews, (9), CD003030. https://doi.org/10.1002/14651858.CD003030.pub3
  7. Fuller, J. B., & Raman, M. (2017). Dismissed by degrees: How degree inflation is undermining U.S. competitiveness and hurting America’s middle class. Harvard Business School. https://www.hbs.edu/ris/Publication%20Files/dismissed-by-degrees_707b3f0e-a772-40b7-8f77-aed4a16016cc.pdf
  8. Gamby, T., Kil, D., Koblic, R., LeBlanc, P., Moldoveanu, M., & Siemens, G. (2025). From personalized to precision learning: Unlocking the next transformation in higher education. EDUCAUSE Review. https://er.educause.edu/articles/2025/11/from-personalized-to-precision-learning-unlocking-the-next-transformation-in-higher-education
  9. Hao, Q., Xu, F., Li, Y., & Evans, J. (2026). Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature, 649, 1237–1243. https://doi.org/10.1038/s41586-025-09922-y
  10. Kovanović, V., Barthakur, A., Joksimović, S., & Siemens, G. (2025). Why universities need to radically rethink exams in the age of AI. Nature, 648(8092), 35–37. https://doi.org/10.1038/d41586-025-03915-7
  11. LeBlanc, P., Gamby, T., & Siemens, G. (2026). Reclaiming purpose: The university in an AI world. John Wiley & Sons. https://bpl.bibliocommons.com/v2/record/S75C9736007
  12. Lovett, N. (2026). The tragedy of the cognitive commons: How AI could disrupt the regeneration of professional expertise. Human Resource Development Review. https://doi.org/10.1177/15344843261470602
  13. Massachusetts Institute of Technology. (2026). Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. https://aiandeducation.mit.edu/report/
  14. Northcutt, C., Hasmani, I., Feng, K., Khangi, T., Plesner, A., & Mueller, J. (2026). StudentBench: AI and human tutoring yield equivalent GRE learning gains (arXiv:2609.28470) [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2609.28470
  15. Potts, J. (2026). The university after AI. Social Science Research Network. https://ssrn.com/abstract=7453440
  16. Roth, P. L., BeVier, C. A., Switzer, F. S., III, & Schippmann, J. S. (1996). Meta-analyzing the relationship between grades and job performance. Journal of Applied Psychology, 81(5), 548–556. https://doi.org/10.1037/0021-9010.81.5.548
  17. Sadki, R. (2012). Accreditation in higher education is based primarily on inputs rather than outcomes. The Geneva Learning Foundation. https://www.learning.foundation/2012/09/22/accreditation-in-higher-education-is-based-primarily-on-inputs-rather-than-outcomes/
  18. Sadki, R. (2021). Can the transformation of global health education for impact rely on input-based accreditation?. The Geneva Learning Foundation. https://www.learning.foundation/2021/04/01/should-the-transformation-of-global-health-education-for-impact-rely-on-input-based-accreditation/
  19. Sadki, R. (2025a). A global health framework for Artificial Intelligence as co-worker to support networked learning and local action. The Geneva Learning Foundation. https://doi.org/10.59350/gr56c-cdd51
  20. Sadki, R. (2025b). The agentic AI revolution: What does it mean for workforce development?. The Geneva Learning Foundation. https://doi.org/10.59350/redasadki.21092
  21. Sadki, R. (2025c). The great unlearning: Notes on the Empower Learners for the Age of AI conference. The Geneva Learning Foundation. https://www.learning.foundation/2025/10/14/the-great-unlearning-notes-on-the-empower-learners-for-the-age-of-ai-conference/
  22. Sadki, R. (2026a). OECD Digital Education Outlook 2026: How can AI help human beings learn and grow?. The Geneva Learning Foundation. https://doi.org/10.59350/1bqm0-1d126
  23. Sadki, R. (2026b). AI self-replacement: What happens when we delegate our thoughts to artificial intelligence?. The Geneva Learning Foundation. https://www.learning.foundation/2026/04/03/ai-self-replacement-what-happens-when-we-delegate-our-thoughts-to-artificial-intelligence/
  24. Sadki, R. (2026c). Future of the workforce: The 780 million job gap, the AI reckoning, and the missing link in the World Bank’s biggest bet. The Geneva Learning Foundation. https://www.learning.foundation/2026/04/07/future-of-the-workforce-the-780-million-job-gap-the-ai-reckoning-and-the-missing-link-in-the-world-banks-biggest-bet/
  25. Sadki, R. (2026d). The integrity layer: Using assessment to scaffold peer learning at scale. The Geneva Learning Foundation. https://doi.org/10.59350/ympfp-gzg71
  26. Sadki, R. (2026e). Health workforce development in the Age of Intelligence: A tragedy of the cognitive commons?. The Geneva Learning Foundation. https://doi.org/10.59350/t0630-9wt12
  27. Sadki, R. (2026f). What is the Validation Tether?. The Geneva Learning Foundation. https://www.learning.foundation/2026/08/17/what-is-the-validation-tether/
  28. Sadki, R. (2026g). Are courses obsolete?. The Geneva Learning Foundation. https://www.learning.foundation/2026/08/19/are-courses-obsolete/
  29. Sadki, R. (2026h). What does the Jevons Paradox mean for artificial intelligence in global health?. The Geneva Learning Foundation. https://www.learning.foundation/2026/09/30/what-does-the-jevons-paradox-mean-for-artificial-intelligence-in-global-health/
  30. Sadki, R. (2026i). You cannot download a data centre: What does AI sovereignty mean for ministries of health?. The Geneva Learning Foundation. https://www.learning.foundation/2026/10/04/you-cannot-download-a-data-centre-what-does-ai-sovereignty-mean-for-ministries-of-health/
  31. Sadki, R. (2026j). Assessment in the Age of Artificial Intelligence: What a malaria course taught us about protecting peer learning. The Geneva Learning Foundation. https://www.learning.foundation/2026/10/07/assessment-in-the-age-of-artificial-intelligence-what-a-malaria-course-taught-us-about-protecting-peer-learning/
  32. Salisbury, A. D. (2025). George Siemens on why universities must stop outsourcing AI, and start building it. The Humanist. https://humanistxyz.substack.com/p/george-siemens-on-why-universities
  33. Schmidt, F. L., & Oh, I.-S. (2016). The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 100 years of research findings [Working paper]. https://home.ubalt.edu/tmitch/645/session%204/Schmidt%20%26%20Oh%20validity%20and%20util%20100%20yrs%20of%20research%20Wk%20PPR%202016.pdf
  34. Siemens, G. (2025a). SAIL: Systems, but still about those agents [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  35. Siemens, G. (2025b). SAIL: Critical thinking, more DeepSeek [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  36. Siemens, G. (2025c). SAIL: AI & science, higher education landscape [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  37. Siemens, G. (2025d). SAIL: Students, life coach, agents [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  38. Siemens, G. (2025e). SAIL: Meeker AI trends, fluency, model use, data centers [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  39. Siemens, G. (2025f). SAIL: Cheating, agents, context, Meta [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  40. Siemens, G. (2025g). SAIL: Labor [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  41. Siemens, G. (2025h). SAIL: Systems change, head of AI, robots, hype [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  42. Siemens, G. (2025i). SAIL: Conference, Comet, agents [Newsletter]. SAIL: Sensemaking AI Learning. https://buttondown.com/SAIL/archive/
  43. Sigelman, M., Fuller, J. B., & Martin, A. (2024). Skills-based hiring: The long road from pronouncements to practice. The Burning Glass Institute and Harvard Business School. https://www.burningglassinstitute.org/research/skills-based-hiring-2024

Ne loupez pas les prochaines opportunités

Abonnez-vous pour recevoir les dernières opportunités de la Fondation Apprendre Genève (TGLF)..

Nous vous demandons tout d’abord votre autorisation pour vous envoyer des e-mails. Veuillez rechercher cet e-mail sécurisé dans votre boîte de réception et cliquer sur le lien sécurisé qu’il contient.