L’agent IA de Bar-Ilan University aide les étudiants à rattraper leur retard, mais les enseignants continuent d’enseigner

Bar-Ilan University a étendu son agent d’apprentissage par IA après qu’un pilote portant sur 71 cours a atteint environ 2 400 étudiants, malgré des preuves limitées de son impact académique. L’agent IA de Bar-Ilan University explore des supports de cours approuvés, crée des résumés et génère des questions d’entraînement dans Moodle.

Cette conception contrôlée distingue le projet des étudiants qui collent leurs notes de cours dans un chatbot public. Les membres du corps enseignant décident quels enregistrements, transcriptions, présentations et articles intègrent le système. Les étudiants interrogent ensuite une base de connaissances propre au cours plutôt que le web ouvert.

Cette distinction crée aussi la tension centrale du projet. Restreindre les sources de l’agent peut réduire les réponses non pertinentes, mais ne peut garantir des explications exactes ni un meilleur apprentissage. Bar-Ilan doit désormais démontrer que la recherche pratique d’informations favorise la compréhension au lieu de remplacer le travail difficile qui la produit.

L’agent IA de Bar-Ilan University dépasse le cadre d’un petit pilote

Bar-Ilan a transformé un assistant d’apprentissage expérimental en un test plus vaste d’IA ancrée dans les cours.

L’université a piloté l’agent en février 2026, selon le déploiement rapporté par Microsoft. Le déploiement initial couvrait 71 cours et environ 2 400 étudiants.

Bar-Ilan prévoit d’ajouter 100 autres cours au cours du premier semestre de l’année universitaire 2026/27. Cette extension est significative, car elle fait passer le système au-delà de quelques enseignants enthousiastes.

L’université compte plus de 20 000 étudiants à Ramat Gan, près de Tel Aviv. Le déploiement élargi ne représente encore qu’une partie de l’établissement, mais il constitue un test opérationnel à plus grande échelle.

Les étudiants accèdent à l’agent par Moodle, le système de gestion de l’apprentissage déjà utilisé pour les activités de cours. Ce lieu familier compte, car les étudiants n’ont pas besoin d’adopter une plateforme d’étude distincte.

L’agent prend en charge l’hébreu, l’arabe et l’anglais. Sa base de connaissances de cours peut inclure des cours enregistrés, des transcriptions, des diapositives, des articles académiques, des devoirs et d’autres ressources sélectionnées par les enseignants.

Un étudiant peut demander à quel moment un enseignant a abordé un concept précis. L’agent peut retrouver le contenu pertinent, le synthétiser et produire des questions d’autoévaluation.

Ces fonctions répondent à un problème courant après une absence. Manquer un cours ne laisse pas seulement une page vide dans un cahier. Les contenus ultérieurs reposent souvent sur des définitions, des exemples et des arguments introduits durant cette séance.

Yarden Shay, étudiante de premier cycle en criminologie et psychologie, a décrit cet écart qui s’accumule dans le récit de Microsoft. Elle dépendait auparavant des notes de ses camarades tout en gérant six à huit heures de nouveaux cours chaque jour.

Shay utilise désormais l’agent pour réviser les supports de cours et s’évaluer à l’aide de questions à choix multiples et de questions ouvertes. Elle a déclaré à Microsoft que son temps d’étude quotidien après les cours était passé de cinq ou six heures à environ trois heures.

Ce témoignage fournit un cas d’usage concret, mais il reste l’expérience d’une seule étudiante. Il ne démontre pas que chaque participant a gagné du temps ou appris plus efficacement.

Le projet a également une histoire plus longue que ne le laisse entendre le dernier déploiement. Bar-Ilan a annoncé un pilote initial en 2024 portant sur 15 cours et 15 enseignants dans des domaines comprenant le droit, la psychologie, la physique, l’ingénierie et l’histoire.

Cet assistant antérieur est né d’un outil développé pour les soldats réservistes qui avaient besoin d’aide pour rattraper des cours manqués. Sa conception visait donc d’abord la continuité et l’accès, et non la production automatisée de dissertations.

Sa forme élargie reflète le même objectif. L’agent aide les étudiants à naviguer parmi des supports déjà approuvés par leurs enseignants, plutôt que de produire un programme indépendant.

Le système utilise Azure AI Services et Microsoft Copilot Studio. KPMG et OpenApp ont participé à son développement, tandis que le personnel enseignant de Bar-Ilan a fourni et examiné le contenu académique.

Cette combinaison rend le déploiement moins autonome que le terme « agent » pourrait le laisser penser. Le logiciel retrouve, résume et génère des activités d’étude, mais les enseignants définissent ses limites informationnelles.

Ce rôle restreint explique pourquoi le projet mérite l’attention. Bar-Ilan teste la possibilité de rendre l’IA générative utile aux universités en limitant ce qu’elle sait.

Des réponses ancrées changent le débat sur l’IA à l’université

Sa principale force n’est pas une intelligence sans restriction, mais une base de connaissances délibérément limitée.

Les chatbots à usage général peuvent répondre à des questions sur presque tous les sujets. Cette étendue est utile, mais elle convient mal aux cours dotés d’une terminologie spécifique, de lectures imposées ou d’interprétations contestées.

Un modèle généraliste pourrait expliquer un concept juridique en s’appuyant sur un autre système de droit. Il pourrait mettre l’accent sur une théorie que l’enseignant n’a jamais prescrite ou présenter une définition obsolète.

L’agent de Bar-Ilan utilise plutôt l’ancrage par récupération. Ce processus fournit à un modèle de langage des sources sélectionnées afin que sa réponse suive plus étroitement ces documents.

Les contrôles d’ancrage de Microsoft permettent aux créateurs de connecter des agents à des fichiers précis et à d’autres sources de connaissances. Ils peuvent également décider si un agent doit utiliser les connaissances générales du modèle.

Microsoft affirme que l’implémentation de Bar-Ilan est ancrée exclusivement dans les supports téléversés par le personnel enseignant. L’agent fonctionne donc davantage comme une interface conversationnelle pour chaque cours que comme un tuteur en ligne indépendant.

Cette approche améliore la pertinence, mais « ancré » ne signifie pas infaillible. Un modèle peut toujours mal résumer un passage, fusionner des idées distinctes ou exprimer une incertitude avec une assurance injustifiée.

La qualité des sources devient également déterminante. Des diapositives succinctes peuvent servir de repères durant un cours en direct, tout en apportant trop peu de contexte pour une explication automatisée.

L’enseignant Eliyahu Biton a rencontré cette limite en préparant des cours de droit et d’éthique de la santé. Il a développé les puces de ses diapositives, ajouté des articles détaillés, fourni des transcriptions de cours et testé les réponses à plusieurs reprises.

Son expérience révèle le mécanisme caché derrière l’interface étudiante soignée. L’agent ne devient utile qu’après que les enseignants ont transformé les connaissances implicites de la salle de classe en supports explicites, lisibles par machine.

C’est un défi bien connu dans la gestion des connaissances personnelles. La qualité de la récupération dépend de la clarté avec laquelle l’information est saisie, organisée et reliée avant qu’une question ne soit posée.

Pour les étudiants, le corpus contrôlé offre un autre avantage. Un résumé peut rester aligné sur la progression pédagogique de l’enseignant au lieu d’extraire des définitions de sites web sans lien avec le cours.

Cette cohérence peut être particulièrement utile lorsque les étudiants travaillent dans une seconde langue. Elle peut aussi réduire le temps passé à naviguer entre enregistrements vidéo, présentations, lectures et notes de camarades.

L’interface en trois langues améliore l’accessibilité, bien que les informations disponibles ne comparent pas la qualité des réponses entre l’hébreu, l’arabe et l’anglais. La traduction et la récupération multilingue restent des domaines importants à tester.

L’ancrage dans le cours change également la manière dont les enseignants peuvent évaluer les erreurs. Lorsqu’une réponse semble erronée, ils peuvent examiner les supports approuvés et déterminer si le problème provient du contenu ou du modèle.

Un chatbot public offre moins de contrôle. Sa réponse peut refléter des données d’entraînement, des résultats web en direct, des fichiers téléversés par l’utilisateur, des instructions système ou plusieurs sources mêlées.

L’approche de Bar-Ilan offre aux enseignants une surface d’erreur plus réduite. Elle ne supprime pas cette surface d’erreur.

Cette distinction devrait orienter l’usage que les étudiants font de l’outil. L’agent peut aider à retrouver et à réviser les connaissances du cours, mais les réponses contestées exigent toujours l’avis d’un enseignant ou une lecture faisant autorité.

Cette conception évite également un malentendu fréquent sur l’IA éducative. Davantage d’informations ne constitue pas toujours l’objectif.

Les étudiants disposent déjà d’enregistrements, de diapositives, d’articles et de bases de données en ligne. Leur problème consiste souvent à trouver la bonne explication au moment où ils rencontrent une difficulté.

Un agent ancré dans le cours transforme l’interface d’accès à cette information. Son effet sur l’apprentissage dépend de la manière dont les étudiants réagissent après la récupération.

Un assistant pédagogique IA crée davantage de travail avant d’en faire gagner

L’assistant pédagogique IA déplace l’effort des enseignants, des réponses aux questions répétées vers la préparation et la supervision de connaissances de cours réutilisables.

Le projet de Bar-Ilan est souvent présenté sous l’angle de la commodité pour les étudiants, mais la préparation de Biton révèle son coût institutionnel. Un agent efficace exige davantage que le téléversement d’un ancien dossier de diapositives.

Les enseignants doivent examiner les enregistrements, nettoyer les transcriptions, développer les formulations abrégées, résoudre les contradictions et identifier les lectures obsolètes. Ils doivent aussi tester les questions que les étudiants sont susceptibles de poser.

Ce travail ressemble à la création d’une nouvelle ressource pédagogique. La différence est que les étudiants peuvent l’explorer par la conversation au lieu de suivre un document fixe.

Pour Biton, cet investissement semble avoir réduit les questions courantes et administratives. Il a également indiqué que les étudiants semblaient moins anxieux avant les examens.

Les étudiants peuvent demander à l’agent de créer de nouveaux examens d’entraînement au lieu de se limiter à des questions archivées. Ils reçoivent immédiatement des explications indiquant pourquoi une réponse est correcte ou incorrecte.

Cet usage fait passer le système au-delà de la simple synthèse passive. La récupération trouve l’information, tandis que les quiz générés demandent aux étudiants de la rappeler et de l’appliquer.

L’entraînement peut favoriser l’apprentissage lorsque les étudiants tentent véritablement de répondre. Il devient moins utile lorsqu’ils demandent immédiatement une solution et confondent reconnaissance et maîtrise.

L’assistant pédagogique IA a donc besoin de contraintes délibérées. Il devrait encourager l’effort, montrer des éléments probants et renvoyer les questions ambiguës vers les enseignants.

Le rôle de l’enseignant évolue dans ce modèle, mais ne disparaît pas. Les membres du corps enseignant deviennent responsables à la fois de l’enseignement de leur discipline et de l’environnement informationnel qui entoure l’agent.

Biton a décrit l’évolution de son rôle comme davantage axée sur le mentorat. Il continue d’organiser des séances de 90 minutes, quatre à six fois par an, pour des discussions plus approfondies.

Ces rencontres préservent quelque chose qu’un système de récupération ne peut reproduire de manière fiable. Un enseignant peut examiner le raisonnement d’un étudiant, remettre en question ses hypothèses et s’adapter à une confusion qui n’avait jamais été anticipée.

Cette répartition du travail est plus crédible qu’un récit de remplacement. L’agent gère les tâches répétées d’accès et d’entraînement, tandis que l’enseignant assure le jugement et le développement intellectuel.

Toutefois, cette organisation peut imposer des charges inégales aux enseignants. Un enseignant disposant de nombreux supports numériques peut préparer un agent plus facilement qu’une personne qui enseigne par la discussion, les laboratoires ou un travail de terrain évolutif.

La conception du cours influe également sur son adéquation. Un module d’introduction riche en faits offre des supports d’ancrage plus clairs qu’un séminaire fondé sur l’interprétation et le désaccord.

Les universités doivent donc éviter de considérer l’état de préparation à l’usage d’un agent comme un indicateur de la qualité de l’enseignement. Certains excellents cours ne produisent pas une vaste archive de documents réutilisables.

La maintenance constitue un autre coût. Les lois évoluent, la recherche progresse et les enseignants révisent leurs arguments. Une réponse ancrée dans un fichier fiable de l’année dernière peut néanmoins être erronée aujourd’hui.

Chaque cours doit disposer de règles de responsabilité pour les mises à jour. Quelqu’un doit décider quand un enregistrement expire, si une transcription est exacte et quelle version d’une lecture fait autorité.

Les membres du corps enseignant ont également besoin d’un moyen de voir où l’agent rencontre des difficultés. Des questions répétées restées sans réponse peuvent révéler des contenus manquants, des consignes confuses ou des faiblesses dans la structure du cours.

Cette boucle de rétroaction offre un avantage institutionnel significatif. L’agent peut mettre en évidence des lacunes qui demeurent invisibles lorsque les étudiants cherchent discrètement ailleurs.

Les analyses doivent toutefois être traitées avec prudence. Les questions d’un étudiant peuvent révéler des difficultés académiques, des préoccupations de santé, des convictions politiques ou des circonstances personnelles sensibles.

Les établissements devraient préciser qui peut consulter les conversations, combien de temps les journaux restent accessibles et si les interactions influencent l’évaluation. Les informations publiques disponibles ne fournissent pas ces précisions.

Un assistant pédagogique IA devient digne de confiance grâce à sa gouvernance, et non à son image de marque. L’interface peut sembler simple, mais le modèle de fonctionnement exige une responsabilité éditoriale sur les contenus, des procédures de révision, des contrôles de confidentialité et une escalade vers des humains.

Les IA ancrées dans les cours mettent les chatbots généralistes sous pression

La principale concurrence oppose les agents de cours contrôlés par les établissements aux chatbots généralistes que les étudiants utilisent déjà sans supervision des enseignants.

Les universités ne peuvent pas empêcher de manière réaliste chaque étudiant de consulter un chatbot généraliste. La question pratique est de savoir si elles peuvent proposer une meilleure alternative académique.

Un agent propre à un cours rivalise par sa pertinence et sa fiabilité. Il connaît les documents assignés et peut reprendre le vocabulaire employé dans une salle de classe donnée.

Un chatbot public rivalise par son étendue et sa commodité. Il peut introduire des exemples extérieurs, comparer des théories concurrentes et répondre à des questions qui dépassent le programme officiel.

Aucune voie ne l’emporte automatiquement. Le système ouvert risque de produire des affirmations non étayées, tandis que le système fermé risque de reproduire des supports de cours incomplets ou biaisés.

La stratégie de Bar-Ilan privilégie la voie fermée pour l’accompagnement pédagogique courant. Les étudiants peuvent toujours consulter les enseignants et des sources plus larges, mais l’agent part d’un périmètre académique approuvé.

D’autres universités testent des dispositifs plus étendus. Arizona State University a intégré ChatGPT Edu à l’enseignement, à la recherche et aux opérations par l’intermédiaire d’un programme IA à l’échelle du campus.

Ce modèle encourage l’expérimentation dans de nombreuses fonctions universitaires. La mise en œuvre de Bar-Ilan est plus ciblée, car son usage étudiant le plus visible se concentre sur des référentiels de cours précis dans Moodle.

Les premiers chatbots universitaires suivaient une autre voie. Pounce, de Georgia State University, a commencé par répondre aux questions concernant l’inscription, l’aide financière et l’enregistrement administratif.

Georgia State a ensuite testé des messages liés aux cours et a fait état de meilleurs résultats dans un cours de sciences politiques. Son étude sur le chatbot a constaté que les participants de première génération recevant des messages avaient obtenu des notes finales supérieures d’environ 11 points à celles de leurs pairs.

Pounce a surtout démontré la valeur de rappels opportuns et du soutien administratif. L’agent d’apprentissage IA de Bar-Ilan aborde plus directement le contenu des cours et des lectures.

Ces exemples montrent comment la catégorie a évolué. Les chatbots universitaires répondaient autrefois à des questions prédéfinies ou envoyaient des rappels. Les systèmes plus récents génèrent des explications, des résumés et des évaluations à partir de contenus académiques non structurés.

Cette transition accroît à la fois l’utilité et le risque. Une date limite d’inscription n’a qu’une seule date correcte, tandis qu’une question juridique ou historique peut admettre plusieurs interprétations.

L’ancrage dans le cours aide en limitant les éléments de preuve. Il ne peut pas déterminer quelles interprétations méritent d’être mises en avant, sauf si les documents fournis et les consignes rendent ce choix clair.

La pression exercée sur les chatbots généralistes ne porte donc pas sur l’intelligence brute du modèle. Elle concerne la capacité d’un établissement à créer une option par défaut plus sûre et mieux contextualisée.

Les étudiants ont également besoin de comprendre clairement cette limite. Si l’agent ne répond qu’à partir de sources approuvées, il devrait indiquer lorsque ces sources ne contiennent pas de réponse.

Une réponse assurée sans preuves suffisantes irait à l’encontre de l’objectif de l’ancrage. Un système utile doit parfois reconnaître que les supports de cours sont insuffisants.

Le comportement en matière de citations compte pour la même raison. Les étudiants devraient pouvoir passer d’un résumé généré au segment de cours, à la diapositive ou à la lecture qui le sous-tend.

Sans cette traçabilité, l’agent devient une autre autorité à laquelle les étudiants sont censés faire confiance. Avec elle, l’agent peut servir de carte de retour vers les documents de cours primaires.

Cette conception favorise une manière d’étudier plus saine. Un étudiant peut demander une orientation, examiner les éléments de preuve, puis travailler à partir de la source originale.

L’alternative est une dépendance aux réponses condensées. Des résumés rapides peuvent masquer les désaccords, supprimer le contexte et donner l’impression que des concepts difficiles sont établis.

Les établissements devraient mesurer quel schéma se développe réellement. Le seul volume d’utilisation ne permet pas de distinguer une recherche productive d’une externalisation des réponses.

L’expansion de Bar-Ilan lui donne l’occasion d’évaluer ces comportements dans différentes disciplines. Les résultats compteront davantage que le nombre de conversations.

Les premiers résultats sont prometteurs, mais loin d’être concluants

Les éléments publics montrent une adoption et des témoignages encourageants, mais ne prouvent pas que l’agent améliore l’apprentissage à grande échelle.

Le récit de Microsoft offre plusieurs signaux positifs. Shay a rapporté des séances d’étude plus courtes et une plus grande autonomie, tandis que Biton a observé moins de questions routinières et des étudiants plus sereins.

Biton a également indiqué que la note finale moyenne d’environ 50 étudiants était supérieure de trois points de pourcentage à celle des années précédentes. Il a reconnu que la cohorte elle-même pouvait avoir été plus forte.

Cette réserve est essentielle. Une comparaison d’une année à l’autre ne permet pas d’isoler l’effet de l’agent des changements pédagogiques, de la difficulté des examens, de la composition des étudiants ou des variations ordinaires.

Le déploiement ne comporte pas non plus de groupe témoin rapporté publiquement. Sans étudiants comparables n’ayant pas utilisé l’agent, l’écart de notes reste évocateur plutôt que causal.

Les gains de temps déclarés par les utilisateurs exigent une prudence similaire. Réduire le temps d’étude peut indiquer une meilleure efficacité, mais peut aussi refléter un engagement moindre avec l’ensemble des cours et des lectures.

Les chercheurs devraient comparer la rétention, le transfert, les résultats aux examens et le comportement des étudiants au fil du temps. La satisfaction immédiate ne suffit pas à déterminer si un apprentissage plus profond a eu lieu.

La fonction de quiz de l’agent soulève une autre question de mesure. Générer un entraînement illimité peut améliorer la préparation, mais seulement si les questions reflètent fidèlement les objectifs du cours.

De mauvaises questions peuvent récompenser la mémorisation superficielle. Une exposition répétée à des items générés similaires peut également créer de la confiance sans compréhension flexible.

La révision par les enseignants devient particulièrement importante dans les domaines liés à la sécurité, au droit, à la santé ou aux preuves contestées. Une erreur subtile peut induire les étudiants en erreur même lorsque la majeure partie d’une réponse est correcte.

La confidentialité est un autre domaine non résolu dans le récit public. Microsoft indique que l’agent fonctionne dans l’environnement Azure sécurisé de Bar-Ilan, mais cette affirmation n’explique pas chaque pratique relative aux données.

Les lecteurs ont encore besoin de détails sur la conservation, l’accès, l’amélioration du modèle, l’audit et la suppression. Les établissements devraient également expliquer si les enseignants peuvent voir les questions individuelles.

Les orientations de l’UNESCO sur l’éducation mettent l’accent sur la protection des données, la supervision humaine, la validation éthique et la conception pédagogique. Ces principes s’appliquent même lorsque le logiciel fonctionne dans un environnement cloud institutionnel.

La liberté académique soulève une préoccupation distincte. Une plateforme centralisée peut standardiser le soutien, mais chaque enseignant doit garder le contrôle de la représentation de sa matière.

Les étudiants ont également besoin d’un moyen clair de contester une réponse incorrecte. Signaler un problème devrait être simple, et les corrections devraient atteindre toutes les personnes concernées.

L’accessibilité mérite une évaluation directe plutôt qu’une simple supposition. L’accès multilingue est précieux, mais les performances peuvent varier selon les langues, les formats de documents et la qualité de transcription vocale.

Les cours enregistrés peuvent contenir des termes spécialisés, des accents, des formules ou des noms que les transcriptions automatiques interprètent mal. Un agent ancré dans le cours peut fidèlement retrouver une transcription inexacte.

La couverture de différentes disciplines peut révéler d’autres limites. Les cours centrés sur le texte s’adaptent plus naturellement au système que le travail en atelier, les techniques de laboratoire, l’interprétation musicale ou le jugement clinique.

L’équité a également deux dimensions. Un assistant disponible en permanence peut aider les étudiants ayant un emploi, des responsabilités d’aidant, un service militaire, une maladie ou des barrières linguistiques.

Cependant, les étudiants possédant de meilleures compétences de formulation de requêtes peuvent en tirer davantage de valeur. D’autres peuvent ne pas savoir quand se méfier d’une réponse fluide ou demander des preuves à l’appui.

Les universités devraient enseigner explicitement ces compétences. Donner aux étudiants un agent IA sans culture de l’IA transférerait trop de responsabilités à l’utilisateur.

Il existe aussi un risque de dépassement institutionnel. Une fois qu’une plateforme existe, les administrateurs peuvent y voir un moyen d’augmenter la taille des classes ou de réduire le soutien humain.

Le récit actuel de Bar-Ilan ne revendique pas un tel projet. Néanmoins, la valeur du projet dépend de la préservation de la relation enseignant-agent décrite par Biton et Shay.

L’interprétation la plus sûre est donc limitée. Bar-Ilan a montré qu’un agent ancré dans les cours peut fonctionner dans des dizaines de cours et soutenir des tâches d’étude plausibles.

Il n’a pas encore montré que le système améliore systématiquement les notes, la rétention, la pensée critique ou les connaissances à long terme. Ce sont les critères qui devraient guider la prochaine phase.

Ce que les 100 prochains cours doivent démontrer

L’expansion devrait être évaluée d’abord selon les preuves d’apprentissage, puis la qualité des réponses et la participation durable des enseignants.

Le premier signal est la performance académique comparative. Bar-Ilan devrait examiner si les utilisateurs de l’agent progressent dans des évaluations communes après prise en compte des résultats antérieurs et des différences entre cours.

L’évaluation la plus solide comparerait des groupes similaires tout en mesurant davantage que les notes finales. Des évaluations différées pourraient montrer si les étudiants retiennent les connaissances après la période d’examens.

Les résultats devraient également être distingués selon l’activité. Rechercher un segment de cours, lire un résumé et réaliser des quiz générés sont des comportements différents aux effets pédagogiques différents.

Si de meilleurs résultats suivent la pratique active mais non les résumés passifs, Bar-Ilan pourrait repenser l’agent autour du questionnement et de la récupération des connaissances. Cette constatation renforcerait l’argument pédagogique du projet.

Si l’utilisation augmente sans amélioration mesurable, l’agent peut tout de même offrir de la commodité. Il ne devrait pas être présenté comme une preuve d’une meilleure éducation.

Le deuxième signal est la fiabilité des réponses. L’université a besoin d’un ensemble d’évaluation reproductible couvrant la récupération factuelle, la synthèse, les questions ambiguës, les informations manquantes et les réponses multilingues.

Les membres du corps enseignant devraient noter les réponses par rapport aux supports de cours avant le déploiement et tout au long du semestre. Les catégories d’erreurs devraient distinguer une récupération erronée d’une génération défaillante et d’un contenu source défectueux.

Le système devrait également consigner les refus appropriés. Un agent qui refuse les questions non étayées peut être plus sûr qu’un agent optimisé pour répondre à tout.

L’expansion à 100 cours supplémentaires fournira un test bien plus difficile. Une méthode qui fonctionne pour un cours de droit soigneusement préparé peut rencontrer des difficultés avec les équations, les diagrammes, les procédures de laboratoire ou les débats interprétatifs.

La publication des taux d’erreur aiderait les étudiants et les enseignants à calibrer leur confiance. Même un rapport interne peut améliorer les décisions de déploiement si les résultats guident l’approbation et la révision des cours.

Le troisième signal est la participation des enseignants une fois l’effet de nouveauté dissipé. Préparer un agent d’apprentissage IA exige un travail éditorial soutenu, et non une connexion technique ponctuelle.

Bar-Ilan devrait suivre le temps que les enseignants consacrent à préparer les supports, vérifier les réponses, répondre aux signalements et mettre à jour les sources. L’université devrait aussi déterminer si ces coûts diminuent au fil des semestres.

Une forte participation indiquerait que le flux de travail crée suffisamment de valeur pour justifier cet effort. Le retrait des enseignants signalerait que le système reporte une charge de maintenance excessive sur chaque chargé de cours.

Les équipes de support peuvent réduire cette charge grâce à la correction des transcriptions, à des modèles de contenu, à des outils d’évaluation et à une gouvernance claire. Elles ne devraient pas écarter les enseignants des décisions concernant le sens académique.

Les étudiants méritent la même transparence. Chaque cours devrait expliquer ce que l’agent sait, ce qu’il enregistre et quelles tâches restent inadaptées à son usage.

Un compagnon d’étude devrait orienter les étudiants vers les preuves et la réflexion. Il ne devrait pas devenir un raccourci invisible remplaçant les cours, les lectures ou les échanges.

Les étudiants qui élaborent déjà leurs propres systèmes d’étude peuvent également utiliser un hub de connaissances structuré pour étudiants afin de relier leurs notes et leurs sources. Le même principe s’applique : l’organisation doit soutenir la réflexion, et non s’y substituer.

L’agent IA de l’université Bar-Ilan constitue une tentative crédible de rendre l’IA sur les campus plus responsable. Ses sources approuvées, son intégration à Moodle et la supervision des enseignants offrent une base plus solide qu’un chatbot sans restrictions.

La prochaine étape doit évaluer les résultats plutôt que célébrer l’accès. Les étudiants retiennent-ils davantage d’informations, interrogent-ils les sources avec plus de rigueur et parviennent-ils à rattraper les cours manqués sans devenir dépendants des résumés ?

Les réponses à ces questions détermineront si les agents ancrés dans les cours deviendront une infrastructure académique durable. Les universités envisageant des systèmes similaires devraient examiner les preuves issues de ces 100 prochains cours avant de considérer le déploiement lui-même comme une réussite.