La demande de cours d’IA explose alors que les inscriptions en informatique reculent

Google News a mis en avant un renversement marquant sur les campus américains : la demande de cours d’intelligence artificielle augmente tandis que les inscriptions traditionnelles en informatique diminuent.

Les étudiants n’abandonnent pas simplement la technologie. Nombre d’entre eux se tournent vers des parcours plus courts, appliqués et interdisciplinaires, qui relient l’IA à la psychologie, à la musique, au commerce, à l’écriture, à la santé et au design.

Cette distinction change le récit. Le débat n’oppose plus l’enseignement de l’IA à l’enseignement non technique. Il oppose une formation spécialisée en informatique à une culture plus large de l’IA destinée à presque tous les étudiants.

Un rapport d’août 2026 sur l’IA sur les campus a documenté cette évolution dans des universités telles que Virginia Commonwealth, Northwestern, Harvard, Purdue, Ohio State et Eastern Mennonite.

L’essor signalé ne signifie pas que tous les programmes d’IA prospèrent. Les données nationales montrent un recul des inscriptions dans les programmes conventionnels d’informatique et de sciences de l’information.

Les universités font donc deux paris à la fois. Elles créent des diplômes techniques en IA tout en intégrant des compétences fondamentales en IA dans des cursus sans lien direct.

Cette approche pourrait mieux préparer un plus grand nombre d’étudiants à des environnements de travail façonnés par l’IA. Elle pourrait aussi produire des qualifications superficielles si les établissements enseignent les outils sans transmettre les compétences de raisonnement, de données et d’évaluation qui les sous-tendent.

Ce qui a changé dans les universités américaines

L’enseignement de l’IA passe d’une spécialité de l’informatique à une composante du cursus universitaire général.

Virginia Commonwealth University propose une mineure en IA destinée en partie aux étudiants hors des filières informatiques traditionnelles. L’Associated Press a dressé le portrait de Faith Maeba, étudiante en psychologie, qui a ajouté cette mineure tout en envisageant des études supérieures.

Son cas illustre la nouvelle demande. Elle ne se forme pas avant tout pour devenir ingénieure logicielle. Elle veut comprendre comment l’apprentissage automatique influence le comportement humain et les milieux de travail.

Northwestern University opère un changement similaire à plus grande échelle. Son département d’informatique se prépare à accueillir davantage d’étudiants non spécialistes, alors que les promotions entrantes en informatique se réduisent.

Le département propose déjà une mineure en IA et lance une majeure de premier cycle en IA. Il simplifie également les parcours d’accès aux cours d’IA et d’apprentissage automatique.

La nouvelle majeure en IA de Northwestern combine fondements mathématiques, programmation, structures de données, apprentissage automatique, infrastructure, éthique et conception centrée sur l’humain.

Les étudiants de toutes les écoles de Northwestern peuvent ajouter l’IA comme seconde majeure tout en restant dans leur école d’origine. Cette structure fait de l’IA une couche interdisciplinaire plutôt qu’une identité académique complète.

L’université introduit également l’IA dans des disciplines auparavant très éloignées de l’informatique. Son école de musique propose un certificat qui relie musique et intelligence artificielle.

Eastern Mennonite University prévoit une salle de cours encore plus hybride. Des étudiants en musique, théâtre, arts, ingénierie, mathématiques et informatique étudieront l’IA ensemble.

Le cours examinera des tâches telles que l’édition ou la génération de pistes de batterie. Son objectif plus large est d’enseigner la collaboration entre spécialistes créatifs et techniques.

Harvard a introduit les grands modèles de langage dans les cours d’écriture de première année. Un grand modèle de langage prédit et génère du langage à partir de motifs appris sur de vastes ensembles de données.

Ces cours relieraient la technologie au droit d’auteur, à la désinformation et à la pratique de l’écriture. Il ne s’agit pas d’un enseignement classique de la programmation, mais cela exige néanmoins une compréhension technique critique.

Purdue a instauré une exigence de diplomation liée à l’IA. Ohio State intègre un enseignement de l’IA dans la formation de premier cycle à travers ses différentes écoles.

Ensemble, ces exemples révèlent l’ampleur réelle de la demande de cours d’IA. Les universités ne se contentent pas d’ajouter des options pour les étudiants en ingénierie. Elles considèrent la culture de l’IA comme une compétence académique générale.

Le titre de Google News reflète l’essor visible, mais le mécanisme importe davantage. La demande s’étend parce que le public potentiel comprend désormais presque toutes les filières.

Cela crée un marché bien plus vaste que l’ancien modèle de cours avancés d’apprentissage automatique réservés aux départements d’informatique.

Google News révèle une histoire d’inscriptions plus complexe

L’essor des cours d’IA s’accompagne d’un recul mesurable des inscriptions dans les filières informatiques traditionnelles, et ne vient pas s’ajouter à une croissance ininterrompue de l’informatique.

Les chiffres du National Student Clearinghouse montrent que les inscriptions globales dans l’enseignement supérieur américain ont progressé à l’automne 2025. Plus de 19,4 millions d’étudiants étaient inscrits, soit une hausse annuelle de 1 %.

L’informatique et les sciences de l’information ont évolué dans la direction opposée. Les inscriptions y ont reculé à tous les niveaux de diplôme et dans tous les types d’établissements couverts par le rapport.

Les baisses allaient de 3,6 % pour les étudiants de premier cycle dans les établissements principalement axés sur les diplômes d’associate à 14 % au niveau des études supérieures, selon les données d’inscription de l’automne.

L’Associated Press a ensuite signalé un nouveau recul au printemps 2026. Les inscriptions en informatique et en sciences de l’information ont diminué de plus de 8 % dans les établissements de quatre ans.

Ces chiffres compliquent toute affirmation selon laquelle les étudiants se précipiteraient simplement vers les domaines techniques à cause de l’IA. Le mouvement est plus sélectif.

Certains étudiants veulent toujours construire des modèles, des infrastructures et des produits d’IA. D’autres veulent acquérir suffisamment de connaissances pour appliquer l’IA de manière sûre dans une autre profession.

À Northwestern, le corps enseignant en informatique avait déjà doublé en réponse à une demande antérieure. Le département s’attend désormais à enseigner à davantage d’étudiants issus d’autres filières.

Samir Khuller, président du département d’informatique, a déclaré à l’AP que le département cherchait à recruter trois professeurs supplémentaires. Cela se produisait malgré la baisse du nombre de nouveaux étudiants en informatique.

La contradiction apparente disparaît lorsque l’on distingue les groupes d’étudiants. Les inscriptions dans une majeure et les inscriptions aux cours mesurent des comportements différents.

Un étudiant peut éviter une majeure de quatre ans en informatique tout en suivant des cours d’IA, de données ou de programmation. Un autre peut ajouter une mineure en IA sans modifier son diplôme de psychologie ou de musique.

Le marché du travail aide à expliquer cette distinction. Le développement logiciel débutant ne semble plus être une voie automatique vers un emploi professionnel stable.

Les systèmes de programmation par IA peuvent générer des fonctions, des tests, de la documentation et des composants courants d’applications. Les employeurs peuvent donc attendre de moins de développeurs juniors qu’ils accomplissent le même volume de travail.

Les étudiants ont remarqué cette incertitude. Certains recherchent une expertise spécifique à l’IA, tandis que d’autres privilégient des diplômes combinant aisance technique et connaissance d’un domaine.

Un étudiant en psychologie qui comprend les limites des modèles peut étudier les comportements au travail. Un musicien peut évaluer les médias synthétiques. Un étudiant en commerce peut examiner les décisions automatisées.

Ces parcours n’éliminent pas le besoin d’informatique. Tout système d’IA opérationnel dépend encore de logiciels, de structures de données, d’infrastructures, de sécurité et de raisonnement mathématique.

Cependant, le signal envoyé par les diplômes évolue. Un diplôme généraliste en informatique ne porte plus la même promesse sans ambiguïté que lors du précédent boom du recrutement dans la technologie.

La demande de cours d’IA est donc en partie défensive. Les étudiants veulent prouver qu’ils peuvent travailler avec les systèmes qui transforment les carrières auxquelles ils se préparent.

Les universités subissent une pression dans les deux sens. Elles doivent moderniser les diplômes techniques tout en créant un enseignement accessible aux étudiants qui ne possèdent pas de prérequis avancés.

C’est pourquoi la couverture de Google News sur la hausse de la demande ne doit pas être lue comme une simple victoire des inscriptions. Elle reflète une redistribution de l’intérêt au sein de l’enseignement technologique.

La culture de l’IA devient une exigence générale

Les universités considèrent de plus en plus la culture de l’IA comme le raisonnement quantitatif : une capacité dont les diplômés ont besoin même s’ils ne construisent jamais de modèle.

Peter Stone, président du département d’informatique de l’University of Texas at Austin, a exprimé directement cette position. Il a soutenu que les étudiants ont besoin d’une certaine culture de l’IA, tout comme ils ont besoin de mathématiques, de lecture et d’écriture.

Stone a récemment élaboré un cours d’introduction aux fondamentaux de l’IA pour les étudiants hors informatique. Le mot « fondamentaux » indique un objectif pédagogique différent de celui d’un parcours d’ingénierie.

Les étudiants de ces cours doivent comprendre ce que l’IA peut faire, d’où viennent ses résultats et pourquoi ses réponses peuvent échouer.

Ils doivent aussi reconnaître les hallucinations, c’est-à-dire des résultats plausibles mais non étayés par des preuves fiables. Cette compétence est importante dans le droit, la médecine, la recherche, le journalisme et le travail de bureau courant.

Ohio State a transformé cette idée en programme à l’échelle de l’université. Son objectif est que chaque étudiant, à partir de la promotion 2029, obtienne son diplôme avec une maîtrise de l’IA propre à son domaine.

Le programme AI Fluency de l’université comprend une formation fondamentale à l’IA générative dans un séminaire obligatoire et des ateliers intégrés à l’expérience de première année.

Ses résultats d’apprentissage annoncés vont au-delà de la rédaction de prompts. Les étudiants doivent comprendre les concepts fondamentaux, évaluer les entrées et les sorties, apprécier l’exactitude et examiner les implications juridiques et éthiques.

L’approche d’Ohio State pourrait à terme atteindre environ 53 000 étudiants de premier cycle, à mesure que ses écoles élaborent leurs propres plans de mise en œuvre.

Cette ampleur montre pourquoi les programmes universitaires d’IA ne se limitent plus aux départements d’informatique. Un seul cursus technique ne peut répondre à tous les contextes professionnels.

Un étudiant en soins infirmiers doit évaluer les systèmes d’aide clinique et la confidentialité des patients. Un designer doit examiner la paternité des œuvres, les biais et les médias synthétiques.

Un chef de produit doit vérifier si un flux de travail automatisé résout le problème visé. Un chercheur doit indiquer lorsque l’IA a contribué à l’analyse ou à la rédaction.

Ces applications reposent sur plusieurs fondements communs, mais elles exigent des exemples, des risques et des méthodes d’évaluation différents.

Le changement affecte aussi la manière dont les étudiants organisent leurs connaissances. Les outils d’IA peuvent fournir des réponses rapides, mais les étudiants ont toujours besoin de sources fiables et d’un contexte durable.

Un système de connaissances personnelles peut aider les étudiants à conserver leurs lectures, leurs notes de cours et leurs éléments de preuve avant de demander à l’IA de les relier. L’outil ne remplace pas l’expertise disciplinaire.

Cette distinction est essentielle. La maîtrise de l’IA doit signifier un usage éclairé, et non une dépendance continue à un chatbot.

Les universités doivent également décider si l’IA doit être enseignée dans des cours dédiés ou dans les matières existantes. Des cours distincts apportent de la concentration, tandis qu’un enseignement intégré peut relier l’IA à un travail disciplinaire authentique.

Ohio State utilise les deux voies. L’université propose un enseignement général tout en demandant aux différentes écoles de définir comment l’IA s’applique à leurs domaines.

La structure de Northwestern suit la même logique générale. Elle propose une majeure technique, une mineure interdisciplinaire et des points d’entrée pour les étudiants recherchant des cours individuels.

Ce modèle à plusieurs niveaux devient la réponse dominante, car les objectifs des étudiants varient fortement. Certains ont besoin d’une culture générale, d’autres de compétences appliquées, et d’autres encore d’une profondeur d’ingénierie.

L’intérêt de Google News pour cette tendance reflète son large public. Presque chaque étudiant, parent, enseignant et employeur a intérêt à définir correctement ces niveaux.

L’essor dépasse les normes des programmes d’études

L’expansion rapide crée un problème de qualité, car des programmes portant des intitulés similaires liés à l’IA peuvent exiger des niveaux très différents de préparation technique et éthique.

Des chercheurs de la Northeastern University ont recensé plus de 350 programmes universitaires de premier cycle en IA dans des universités américaines de quatre ans au printemps 2026.

Leur étude de cartographie des programmes a examiné plus de 560 établissements représentant 86 % des diplômés américains de premier cycle en informatique.

La base de données comprend des majeures, des mineures, des spécialisations et des certificats. Ces catégories correspondent à des engagements très différents, mais les étudiants peuvent les rencontrer sous la même bannière de l’IA.

Les chercheurs ont analysé les exigences de 66 majeures et 87 mineures en IA. Ils ont constaté des variations considérables dans la taille des programmes et les cursus.

Chaque majeure examinée imposait soit un cours général d’intelligence artificielle, soit d’apprentissage automatique. Cela établit un socle technique minimal, mais les exigences éthiques étaient moins homogènes.

Plus d’un tiers des majeures exigeaient un cours d’éthique de l’IA. Moins d’un quart des mineures incluaient cette exigence.

Ces résultats mettent en lumière un arbitrage central. Les universités veulent lancer rapidement des programmes pertinents, mais un enseignement responsable de l’IA exige davantage que des démonstrations d’outils.

Les étudiants doivent comprendre les données d’entraînement, l’incertitude statistique, les méthodes d’évaluation, la confidentialité, la sécurité, la propriété intellectuelle et les coûts environnementaux de l’informatique.

Les étudiants en filières techniques ont également besoin de bases solides et durables. Les interfaces actuelles et les marques de modèles peuvent évoluer bien plus vite que les mathématiques, les algorithmes, la conception de systèmes et le raisonnement expérimental.

Murtaza Ali, doctorant à l’University of Washington qui étudie l’enseignement de l’informatique, a identifié un autre risque dans le reportage d’AP.

Lorsque les étudiants demandent à une IA d’écrire du code, le système peut également réaliser une partie de l’analyse du problème sous-jacent. Le résultat peut fonctionner alors même que l’étudiant passe à côté du raisonnement.

Cela crée un difficile problème d’évaluation. Un programme soumis ne permet plus de montrer de manière fiable si l’étudiant sait décomposer la tâche, choisir une approche et diagnostiquer les erreurs.

La même préoccupation s’applique au-delà du code. Un essai bien rédigé ne prouve pas que son auteur a évalué les sources ou compris l’argumentation.

Une analyse de marché générée peut dissimuler des chiffres inventés. Une image synthétique peut enfreindre des règles de licence ou reproduire des schémas biaisés.

Des programmes universitaires efficaces en IA doivent donc évaluer le processus autant que le résultat. Les étudiants devraient expliquer leurs décisions, tester les résultats, documenter les sources et identifier les défaillances des modèles.

Les devoirs pourraient nécessiter des soutenances orales, des exercices en classe, des journaux de développement ou des évaluations pratiques encadrées. Sans cela, les universités risquent de certifier l’accès aux outils plutôt que la compétence.

La capacité du corps enseignant représente une autre contrainte. La demande de cours d’IA peut augmenter en quelques mois, mais recruter des spécialistes et approuver des cursus prend généralement bien plus de temps.

Paul LeBlanc, chercheur en éducation à Harvard et ancien président d’université, a reconnu que les établissements ne peuvent pas suivre parfaitement le rythme de la technologie.

Ce décalage ne justifie pas des cursus figés. Il signifie en revanche que les établissements devraient éviter de concevoir des programmes entiers autour de fonctionnalités temporaires de produits.

Il existe également une incitation liée à l’image de marque. L’IA attire des candidats, des donateurs, des partenaires de recherche et l’attention institutionnelle.

Les universités peuvent rebaptiser des parcours existants de science des données ou d’informatique plus vite qu’elles ne peuvent créer des programmes académiques réellement distincts.

Les étudiants devraient donc examiner les exigences des cours plutôt que de se fier aux intitulés des programmes. Un diplôme technique crédible devrait révéler ses fondements en mathématiques, informatique, données, systèmes et évaluation.

Une mineure appliquée devrait définir clairement ce que les diplômés peuvent évaluer ou produire. Une exigence générale de culture de l’IA devrait aborder les preuves, les limites et l’usage responsable.

Les résultats 2026 sur l’enseignement de l’IA ajoutent un autre avertissement. Les programmes liés à l’IA se développent alors que l’accès et la préparation restent inégaux.

L’expansion ne résout pas automatiquement ces écarts. Les étudiants des universités bien financées peuvent bénéficier d’un enseignement spécialisé, d’un accès aux ressources informatiques et d’opportunités de recherche.

D’autres peuvent recevoir un court atelier centré sur des outils commerciaux. Les deux groupes pourraient repartir avec des titres attestant une maîtrise de l’IA, malgré une préparation différente.

C’est le principal défi derrière cet essor. Les universités doivent élargir l’accès sans réduire l’enseignement de l’IA à des prompts et à des tutoriels de produits.

L’informatique traditionnelle fournit toujours les fondements

L’essor de l’IA interdisciplinaire ne rend pas l’informatique obsolète ; il rend les frontières autour de l’informatique moins visibles.

Les systèmes d’IA modernes reposent sur des décennies de travaux en algorithmes, génie logiciel, statistiques, bases de données, systèmes distribués et architecture informatique.

La nouvelle majeure de Northwestern reconnaît cet héritage. Son cursus comprend les structures de données, les fondements mathématiques, la programmation, l’infrastructure, l’apprentissage automatique et le traitement du langage naturel.

Elle ajoute également des domaines que les programmes conventionnels ont parfois considérés comme secondaires. Il s’agit notamment de la conception centrée sur l’humain, de la confidentialité, de la durabilité et de la propriété intellectuelle.

Cette combinaison montre pourquoi opposer « IA contre informatique » constitue un cadre incomplet. L’enseignement de l’IA réorganise le cursus, mais il n’échappe pas aux fondements de l’informatique.

Un étudiant qui apprend à déployer un modèle doit comprendre comment les données circulent dans un système. La fiabilité exige des tests, une surveillance, des contrôles d’accès et une gestion des défaillances.

Un étudiant qui évalue des résultats générés a besoin de statistiques et de connaissances du domaine. Sans ces fondements, la confiance peut progresser plus vite que la compétence.

La meilleure grille d’opposition est donc celle entre une large culture de l’IA et la profondeur d’une qualification. Les universités doivent déterminer ce dont chaque étudiant a besoin et ce que seuls des spécialistes peuvent accomplir de manière responsable.

Pour les étudiants hors majeure, l’objectif devrait être une application éclairée. Ils devraient savoir quand l’IA convient à une tâche, comment valider les résultats et quand le jugement humain doit rester décisif.

Pour les spécialistes techniques, les attentes devraient être plus élevées. Ils devraient comprendre l’entraînement des modèles, l’évaluation, l’infrastructure, la sécurité, l’optimisation et les conséquences du déploiement.

Les universités ont également besoin de passerelles entre ces groupes. Les projets interdisciplinaires fonctionnent mieux lorsque les participants comprennent les hypothèses et les limites des uns et des autres.

Un étudiant en musique pourrait définir une exigence artistique tandis qu’un étudiant en informatique conçoit le système de traitement. Tous deux devraient évaluer l’attribution, le consentement et la qualité des résultats.

Un étudiant en psychologie pourrait identifier une question de recherche tandis qu’un spécialiste des données construit un flux de travail d’analyse. Tous deux doivent reconnaître les problèmes d’échantillonnage et les risques liés à la confidentialité.

Ces collaborations expliquent pourquoi les départements d’informatique restent très sollicités malgré la baisse des inscriptions en majeure. Leur enseignement sert désormais une part plus large de l’université.

Toutefois, les départements ne peuvent absorber une demande illimitée sans modifier les effectifs et la conception des cours. Les cours d’introduction destinés aux non-spécialistes exigent un rythme différent de celui des parcours spécialisés.

Le corps enseignant doit également déterminer quels prérequis sont réellement nécessaires. Supprimer les barrières inutiles peut élargir l’accès, mais supprimer les fondements essentiels peut affaiblir l’apprentissage.

La couverture de Google News tend à réduire ces distinctions à un récit unique de croissance rapide. La transformation sous-jacente des campus est plus structurelle.

L’informatique passe d’une majeure de destination à une infrastructure académique partagée. Ses concepts soutiennent de plus en plus de cours dans l’ensemble de l’établissement.

Cette transition peut renforcer le domaine si les universités la financent. Elle peut aussi surcharger les départements si les dirigeants ajoutent des exigences sans enseignants, assistants d’enseignement ni ressources informatiques.

La baisse des inscriptions ne devrait donc pas être considérée comme la preuve que l’informatique a perdu sa pertinence. Elle montre que les étudiants réévaluent la manière dont ils souhaitent acquérir cette pertinence.

Certains choisiront des diplômes techniques complets. D’autres associeront des cours d’informatique ciblés à une expertise en santé, finance, science, administration publique ou travail créatif.

Les employeurs finiront par vérifier si ces combinaisons produisent un jugement utile. Les seuls noms des diplômes ne trancheront pas cette question.

Ce que les étudiants et les universités devraient surveiller ensuite

Le prochain test consistera à déterminer si la hausse des inscriptions en IA produit des compétences durables, une évaluation crédible et de meilleurs résultats en matière d’emploi.

Le premier indicateur sera l’achèvement des cours et la progression. Les inscriptions initiales peuvent refléter la curiosité, mais l’adoption de cours avancés montre si les étudiants développent une compétence durable.

Les universités devraient publier le nombre d’étudiants qui passent de cours d’introduction à la culture de l’IA vers des mineures, des majeures, des projets de recherche ou des travaux appliqués dans leur discipline.

Si la progression reste forte, l’essor reflète davantage qu’un intérêt temporaire. Si les inscriptions s’effondrent après un seul cours d’introduction, la demande peut être large mais superficielle.

Le deuxième indicateur sera la qualité des cursus. La recherche de cartographie des programmes montre déjà de grandes variations dans les exigences techniques et éthiques.

Les organismes d’accréditation, les groupes de professeurs et les employeurs pourraient commencer à définir des attentes plus claires pour les majeures, les mineures et les titres généraux de culture de l’IA.

Cela renforcerait l’évolution actuelle en rendant les qualifications plus faciles à interpréter. Une incohérence persistante affaiblirait la confiance dans les nouveaux intitulés de programmes.

Le troisième indicateur viendra du marché du travail. Les universités répondent en partie aux questions des employeurs sur les capacités des diplômés en IA.

Les établissements devront démontrer que les diplômés formés à l’IA peuvent évaluer des systèmes, travailler entre disciplines et accomplir des tâches allant au-delà de l’utilisation routinière d’outils.

Les résultats des stages, l’emploi des diplômés, la qualité des portfolios et les retours des employeurs compteront davantage que le nombre de cours nouvellement annoncés.

Les étudiants devraient également surveiller l’évolution des postes de début de carrière. Moins d’offres conventionnelles en développement logiciel ne signifient pas nécessairement moins de travail technique.

Les entreprises peuvent rechercher des candidats qui associent la programmation au jugement produit, à la sécurité, à la recherche, aux opérations ou à des connaissances sectorielles spécialisées.

Les universités doivent faire preuve de prudence dans l’interprétation de ces signaux. Une faiblesse temporaire des recrutements peut évoluer avant qu’une cohorte de quatre ans n’obtienne son diplôme.

Un cursus conçu uniquement pour les offres d’emploi actuelles peut rapidement devenir obsolète. Un raisonnement durable et des fondements techniques offrent une meilleure protection contre ce cycle.

Les programmes universitaires d’IA les plus solides partageront probablement quatre qualités.

• Ils distinguent la culture générale de l’ingénierie spécialisée.

• Ils exigent des étudiants qu’ils vérifient les résultats et documentent les sources.

• Ils associent l’expertise du domaine à une profondeur technique appropriée.

• Ils évaluent le raisonnement autonome, et pas seulement des résultats soignés assistés par l’IA.

Les étudiants qui évaluent un programme devraient poser des questions tout aussi directes. Que peuvent construire ou évaluer les diplômés, et comment l’université teste-t-elle ces capacités ?

Ils devraient examiner les prérequis, les cours obligatoires, l’expertise du corps enseignant, les possibilités de projets et les règles d’utilisation responsable de l’IA.

Ils devraient également se demander si une mineure complète leur domaine principal ou ajoute simplement une qualification de plus. La réponse dépend du travail qu’ils souhaitent accomplir.

Pour les universités, la tâche est plus difficile. Elles doivent élargir l’accès sans prétendre qu’un seul cours fait de chaque étudiant un spécialiste de l’IA.

Elles doivent préserver les fondements de l’informatique tout en reconnaissant que la compétence en IA concerne désormais l’ensemble du cursus.

La hausse observée dans Google News constitue donc un indicateur précoce, et non un verdict final. Les inscriptions prouvent l’attention portée au sujet, mais ne démontrent pas encore la valeur éducative.

Le résultat significatif apparaîtra lorsque les diplômés seront confrontés à des systèmes inconnus et à des éléments de preuve ambigus. Peuvent-ils remettre en question les résultats, tester les hypothèses et prendre des décisions responsables ?

Les étudiants qui choisissent leurs cours cette année devraient regarder au-delà de l’étiquette IA. Trouvez le programme qui vous apprend ce que le système ne peut pas décider à votre place.