L’IA dans l’enseignement supérieur : défis, perceptions et scénarios d’utilisation
EDUCAUSE a récemment publié une étude présentant des données et une analyse intéressantes sur ce que le personnel travaillant dans l’enseignement supérieur sait et pense de l’IA – et comment (et si) il l’utilise.
La conclusion est édifiante : l’enseignement supérieur ne tire pas suffisamment parti de l’IA au niveau institutionnel. « L’utilisation actuelle de l’IA est extrêmement étendue, mais très peu approfondie. »
Il n’est guère difficile de comprendre pourquoi. L’IA est un concept extrêmement nébuleux, et elle est souvent présentée de façon tellement abstraite et orientée vers l’avenir que beaucoup ont du mal à la percevoir comme une chose pouvant être appliquée concrètement, dès maintenant, à leur organisation ou leur travail.
Beaucoup de dirigeants institutionnels ne savent pas s’ils utilisent l’IA ou non
Les données d’EDUCAUSE révèlent qu’un nombre surprenant de dirigeants institutionnels ne savent pas réellement dans quelle mesure l’IA est déployée au sein des différents services de leur organisation.
- 8 % n’ont pas connaissance de l’utilisation de l’IA pour les tâches pédagogiques (telles que la détection du plagiat et le tutorat)
- 20 à 33 % ne savent pas si l’IA est utilisée pour des tâches institutionnelles (telles que la planification des ressources d’accompagnement, ainsi que le développement et la collecte de fonds)
- Et 10 à 32 % ne savent pas si l’IA est utilisée ou non pour la réussite et l’accompagnement des étudiants.
Alors, qu’est-ce que l’IA ? Et comment pouvons-nous l’utiliser ?
Une « intelligence artificielle » est simplement un programme capable de simuler l’intelligence et le comportement humains. Sa caractéristique idéale est la capacité à rationaliser des données et à prédire ou formuler des plans d’action similaires à ceux qu’élaborerait un humain pour atteindre des objectifs spécifiques.
L’IA englobe également le concept d’apprentissage automatique. Les programmes capables d’apprentissage automatique peuvent, dans la limite du raisonnable, apprendre des modèles de données et prendre des dispositions appropriées, sans aucune intervention humaine.
Dans l’enseignement supérieur, ces capacités présentent plusieurs scénarios d’utilisation évidents : la capacité de confier le traitement de grandes quantités de données à des ordinateurs peut aider à rationaliser les services administratifs, à prévoir et réagir aux performances individuelles et collectives des étudiants, à créer des programmes de tutorat sur mesure et à repérer le plagiat.
Ça a l’air prometteur. Alors, qu’est-ce qui nous arrête ?
Bien que nous soyons conscients que l’IA peut fluidifier le fonctionnement des institutions et offrir au personnel administratif une meilleure expérience de travail, l’étude identifie plusieurs défis communs auxquels sont confrontées les institutions lorsqu’elles cherchent à intégrer davantage l’IA à leurs opérations. Trois de ces difficultés sont particulièrement importantes pour nous, parce que nous les voyons tout le temps et parce que la technologie peut participer à leur résolution.
Premier défi de l’adoption de l’IA : gouvernance, gestion et intégration inefficaces des données
Près des trois quarts (72 %) des personnes interrogées déclarent que l’inefficacité de la gestion et de l’intégration des données constitue au moins un défi modéré pour la mise en œuvre de l’IA.
C’est incontestablement un problème, et le premier que votre institution devra aborder. De mauvaises données ne peuvent générer que de mauvaises analyses – ou, comme on dit en informatique : « garbage in, garbage out » (telles entrées, telles sorties). Une intégration insatisfaisante ne fera qu’aggraver ce problème.
Si vous vous heurtez à des difficultés liées à la gouvernance, la gestion et l’intégration, vous devez probablement envisager de faire progresser votre initiative de transformation numérique dans les meilleurs délais. Commencer par les systèmes qui constituent les fondations opérationnelles de votre institution est le seul moyen d’assurer une gestion et une capture efficaces des données, car, quelle que soit la quantité de données que vous générez, seules des données exactes et granulaires, capturées de manière cohérente, peuvent générer des informations exactes et exploitables. En l’absence d’un ensemble fiable de politiques et de processus au stade de la capture, l’innovation stagne invariablement, car il devient impossible d’assurer l’évaluation et le suivi cohérents des progrès.
Ironiquement, il arrive fréquemment que cet obstacle à l’adoption de l’IA puisse être surmonté (du moins, en partie) grâce à l’utilisation de l’IA elle-même. L’utilisation de l’apprentissage automatique lors de la capture initiale des données transactionnelles peut permettre d’améliorer l’exactitude, ce qui est indispensable pour obtenir de meilleures informations. Ici, par exemple, à Unit4, nous utilisons actuellement l’IA et l’apprentissage automatique pour l’acquisition des reçus de frais de voyage et des factures fournisseurs, afin d’accélérer et d’améliorer deux des processus les plus fastidieux et sujets aux erreurs auxquels sont confrontées de nombreuses organisations.
Deuxième défi de l’adoption de l’IA : savoir-faire technique insuffisant
71 % des personnes interrogées considèrent qu’une lacune de savoir-faire constitue au moins un obstacle modéré à l’adoption de l’IA. Cela peut certainement rappeler le problème de la poule et de l’œuf, mais ici encore, l’IA peut réellement aider votre institution à surmonter une lacune de savoir-faire en la matière.
La principale mission de l’IA consiste à gérer les tâches que les humains effectuaient auparavant manuellement ; elle ne devrait donc pas être une fonction centralisée. Plutôt qu’un système de commandement central compliqué, l’IA institutionnelle peut être omniprésente et distribuée – et dans une certaine mesure, c’est probablement déjà le cas des applications d’IA que vous utilisez peut-être actuellement, à l’image des chatbots pour FAQ ou des outils d’évaluation d’aides financières. Vous ne devriez pas avoir besoin de recruter, pour votre service informatique, un spécialiste de l’IA pour automatiser le travail de vos autres collaborateurs. Au lieu de cela, vous offrez à votre personnel la possibilité de créer des solutions automatisées qui l’aident à accomplir son travail plus facilement ; vous lui donnez la capacité de configurer des processus qu’il maîtrise parfaitement et de les exécuter automatiquement, en lui permettant de gagner du temps et de se concentrer sur des choses plus importantes.
Cependant, la création de ce type d’écosystème d’IA distribué comporte une condition préalable technique importante : vos systèmes doivent être suffisamment flexibles pour permettre la modélisation de l’IA dans des interfaces conviviales, de type « glisser-déposer », sans nécessiter de codage complexe. Vos systèmes doivent également être en mesure de vous aider à intégrer d’autres solutions et sources de données, afin de créer une image complète, et doivent pouvoir être réorientés pour faire face aux inconnues futures. Cette architecture de « microservices » est bien représentée par la capacité de la plateforme Microsoft Azure à utiliser sur elle-même les technologies existantes sous forme de services.
Nous avons intégré ce type de fonctionnalité à nos solutions pour entreprise ; par exemple, notre assistant virtuel Wanda peut être préconfiguré via des intégrations avec d’autres systèmes, afin d’aider vos collaborateurs à déclarer leurs frais ou leurs absences ou à accéder à des informations sur les performances par le biais d’interactions en langage naturel, via des applications de chat qu’ils utilisent déjà, sans se connecter aux systèmes financiers et de RH. Nous utilisons également l’IA pour automatiser l’acquisition des factures fournisseurs, et notre solution FP&A utilise l’IA dans la budgétisation et les prévisions pour identifier une routine « optimale » en fonction d’une multitude d’options possibles.
Troisième défi de l’adoption de l’IA : préoccupations éthiques et biais algorithmique
Les préoccupations éthiques liées à l’utilisation de l’IA (68 %) et les préoccupations relatives au biais algorithmique (67 %) constituent des défis importants lors de la mise en œuvre de l’IA.
Il s’agit d’une considération extrêmement importante, et nous ne pouvons pas nous permettre de l’ignorer. L’IA ne peut apprendre que de ce qu’elle a observé auparavant, et si ce qu’elle entend est déjà fondé sur des informations biaisées, ses conclusions seront également biaisées.
Ce que nous avons appris, à Unit4, c’est que les meilleurs scénarios d’utilisation de l’IA consistent moins à prédire ou remplacer le comportement humain qu’à identifier, dans vos flux de travail, les tâches répétitives et fastidieuses pouvant être prédites, suggérées et confirmées. En laissant aux utilisateurs le choix d’accepter, refuser ou modifier les recommandations formulées par l’IA, vous permettez à vos collaborateurs d’avoir plus de temps pour interagir de manière créative avec les tâches à forte valeur ajoutée pour lesquelles ils ont été recrutés.
Un autre avantage qu’offre la promotion d’une culture d’utilisation de l’IA au sein de votre établissement est lié à notre point précédent, à savoir le fait d’offrir à vos collaborateurs la possibilité de créer leurs propres solutions d’IA. Cette démocratisation de la technologie et des processus opérationnels peut aider chacun à mieux comprendre les composantes les plus importantes de son environnement de travail, au lieu de les percevoir comme une « boîte noire » que seule l’équipe informatique peut comprendre. L’utilisateur reste le conducteur : c’est lui qui contrôle l’IA, et non l’inverse.
Comment l’IA peut-elle rendre l’enseignement supérieur plus efficace dès maintenant ?
Voici quelques exemples de la manière dont, à Unit4, nous utilisons déjà l’IA pour créer un meilleur environnement de travail pour les administrations de l’enseignement supérieur, en permettant aux établissements de travailler plus efficacement et, en fin de compte, de proposer de meilleures expériences aux étudiants.
- Chatbots avec traitement du langage naturel (NLP)
- Modélisation financière fondée sur l’apprentissage automatique
- Prévision des dépenses
- Analyse de rentabilité des programmes
- Détection des anomalies de données
- Acquisition intelligente des factures et reçus
Et, à l’avenir, nous déploierons d’autres capacités en cours de développement par la R et D, telle que l’évaluation intelligente de la crédibilité des étudiants en fonction des factures impayées, du comportement de paiement et d’autres sources externes.
Conclusion
Le plus grand défi auquel se heurte l’utilisation de l’IA pour améliorer les opérations dans le secteur de l’enseignement supérieur est qu’elle ne fait pas (ou plutôt, pas encore) officiellement partie des descriptions de postes du personnel. Nous découvrons qu’elle peut nous aider à accomplir notre travail de manière plus productive. Cela signifie que notre culture doit évoluer pour prioriser et encourager une utilisation innovante de l’IA, promue par les personnes qui connaissent le mieux leurs processus. Et nous devons nous assurer que nos systèmes fondamentaux sont suffisamment flexibles pour soutenir cette culture du travail intelligent.
Si vous souhaitez en savoir plus, nous avons récemment publié les résultats d’une enquête réalisée auprès de professionnels de la finance, consacrée à la finance, l’IA et l’avenir de la prise de décision.
