Réinventer l’enseignement des sciences économiques pour 2030 : un article collectif du Business Physics AI Lab

Auteurs : Cet article a été rédigé collectivement par seize membres du Laboratoire de simulation d’intelligence artificielle en physique appliquée : Thomas Hormaza Dow (fondateur et directeur du laboratoire), Vinay Kumar (Consultance en IA avancée), Sebastien Favre (Mesures de fiabilité de l’IA), Ann Lockquell (Innovation et créativité), Dr Banafsheh Peyrovian (IA, comportement entrepreneurial et innovation), Dr Ahmed Hegazy (Recherche de marché), Martin Berezaga (Big Data et analyse d’affaires), Viviane Paul (Management et leadership), Lyndon Johnson (Relations publiques et analyses médiatiques), Naomi Tessier (Contenu généré par l’IA), Christine Gerard (Informatique et gestion de projets), Dr Amin Ranj Bar (Design logiciel et cybersécurité), Aboubakar Samake (Modèles et outils IA), Hichem Benzair (Développement logiciel IA), Jon Schlaich (IA et automatisation marketing) et Annabelle Roy (IA et alphabétisation numérique). Deux agents d'IA ont également contribué à rédiger les réponses : Charlie AI (Evidence, Assumptions, and Quantitative Scrutiny) et Lena AI (Human, Cultural, and Social Perspectives).

Résumé : L’intelligence artificielle générative et agissante (IA) peut désormais produire des analyses de marché, des prévisions et des présentations client en quelques minutes. Ainsi, les résultats obtenus révèlent peu de choses sur ce que comprend un étudiant en commerce. Cet article conceptuel se demande quelles capacités humaines l’enseignement des affaires doit délibérément développer d’ici 2030 afin que l’IA renforce la compétence professionnelle tout en conservant la capacité de jugement, l’initiative et la responsabilité de la personne. Seize membres du laboratoire de simulation d’IA de Business Physics ont répondu à cette question dans leurs domaines respectifs, notamment l’IA agissante, la fiabilité de l’IA, la recherche de marché, l’analyse, la leadership, les relations publiques, la gestion de projet, la cybersécurité et l’automatisation marketing. Deux agents d’IA ont également répondu. Une synthèse des dix-huit perspectives identifie six capacités : la responsabilité et la supervision ; la pensée indépendante et la formulation de problèmes ; les preuves, la vérification et l’évaluation critique ; la communication et les relations humaines ; l’autonomie professionnelle et la résilience ; et l’IA et l’alphabétisation technologique. Tous ces éléments reposent sur la connaissance du domaine et l’expérience de la pratique. Dix schémas se retrouvent dans les contributions, notamment que les fondements doivent primer sur la délégation et que la supervision doit être proportionnelle au risque. L’article introduit le principe de sécurité de l’apprentissage par la conception et propose quatre niveaux de responsabilité humaine (Doit être accompli, Doit être compris, Doit être vérifié, Doit être détenu) pour décider comment l’IA doit intervenir dans une activité d’apprentissage. Il applique le cadre REACT (raison, preuve, responsabilité, contraintes, compromis) comme mode de prise de décision pour les étudiants. Dix recommandations pour les programmes d’affaires sont présentées, notamment l’évaluation du jugement en parallèle avec les résultats obtenus et l’intégration de la prise en compte des ressources dans le jugement de l’IA. L’article affirme que l’objectif est de parvenir à une complémentarité entre l’homme et l’IA.

Mots-clés : éducation aux affaires ; intelligence artificielle ; complémentarité homme-IA ; jugement professionnel ; responsabilité ; alphabétisation en IA ; conception des programmes d’enseignement ; cadre REACT

Citation suggérée : Hormaza Dow, T., Kumar, V., Favre, S., Lockquell, A., Peyrovian, B., Hegazy, A., Berezaga, M., Paul, V., Johnson, L., Tessier, N., Gerard, C., Ranj Bar, A., Samake, A., Benzair, H., Schlaich, J., & Roy, A. (2026, 3 octobre). Que doit rester humain ? Réinventer l’enseignement des affaires pour 2030. Physique des entreprises. https://businessphysics.ai/what-must-remain-human-education-for-2030/

DOI : https://doi.org/10.5281/zenodo.23123642

Droit d'auteur : © 2026 Business Physics AI Simulation Lab. Tous droits réservés.

Imaginez une étudiante en commerce en 2030. Appelez-la Maya. Un mardi matin, elle demande à un système d’IA une analyse du marché, une prévision financière et une présentation client. D’ici l’heure où son café refroidit, les trois sont terminés et tous deux ont l’air professionnels.

Puis le client pose une question : “ Pourquoi avez-vous supposé une croissance de 12 % ? ” La réponse de Maya en est l’objet de cet article.

Dès 2030, l’IA pourrait régulièrement étudier les marchés, analyser les données, rédiger des propositions, créer des campagnes, écrire du logiciel et recommander ou mettre en œuvre des actions. Lorsqu’elle sera parfaitement perfectionnée, elle pourrait prendre quelques minutes pour produire des résultats qui ne renseignent pas grand-chose sur la personne qui l’a soumise, ni sur les besoins des enseignants ni sur ceux des employeurs.

Notre argument est que l’enseignement des affaires devrait délibérément protéger six capacités humaines sur la voie de 2030 : la responsabilité et la supervision, la pensée indépendante et la formulation de problèmes, les preuves et la vérification, la communication et les relations humaines, l’autonomie professionnelle et la résilience, ainsi que l’IA et l’alphabétisation technologique. Tous ces éléments reposent sur la connaissance du domaine et l’expérience de la pratique.

Pourquoi ces six caractéristiques ? Un professionnel fait plus que simplement fournir une production acceptable. Un professionnel comprend le problème, repère les incohérences dans les réponses, évalue les preuves, interagit avec les personnes, décide en cas d’incertitude, sollicite de l’aide lorsque nécessaire et assume la responsabilité de ce qui va suivre.

L’IA peut rendre les gens meilleurs dans tout cela lorsque cette technologie est utilisée correctement. L’objectif est une complémentarité homme-IA, ce qui signifie que les personnes et l’IA contribuent chacun à ce qui les rend les meilleurs. Les étudiants devraient devenir des utilisateurs compétents de l’IA, capables de conserver suffisamment de connaissances et de jugement pour diriger, questionner, vérifier et parfois rejeter ce que l’IA produit.

Quelle indépendance est suffisante ? Cela dépend de la tâche. Certaines compétences doivent être pratiquées sans l’aide de l’IA car la pratique renforce la compétence. D’autres tâches peuvent être déléguées, à condition que les étudiants comprennent toujours la tâche, évaluent le résultat et soient responsables de la décision.

Au Laboratoire de simulation de l'intelligence artificielle de Business Physics, nous avons posé le défi sous la forme d'une question pratique : que doit-on développer suffisamment chez l'étudiant pour que l'IA puisse renforcer les capacités humaines tout en conservant le jugement, l'initiative et la responsabilité de la personne ?

Seize membres du laboratoire et deux agents d’IA ont répondu à cette question. Les domaines de leurs compétences comprennent l’IA agentique, la fiabilité de l’IA, la créativité, l’entrepreneuriat, la recherche de marché, l’analyse, le leadership, les relations publiques, le contenu, la gestion de projet, la cybersécurité, le logiciel, l’automatisation marketing et l’alphabétisation numérique. Les réponses de ces personnes figurent tout au long de l’article, suivies de quatre niveaux de responsabilité, le cadre REACT (raison, preuve, responsabilisation, contraintes et compromis), et dix recommandations.

L'engrenage de la dépendance

Connaître comment utiliser un outil d’IA est la partie la plus facile. La maîtrise de ces outils signifie également comprendre ce que ces systèmes peuvent faire, bien les communiquer, évaluer leurs résultats, protéger les informations, travailler avec des agents de plus en plus autonomes et utiliser ces outils de manière responsable.

Tout cela dépend des connaissances déjà acquises par l’étudiant. Un étudiant a besoin d’un certain niveau de finance pour pouvoir confronter une analyse financière générée par une IA. Un diplômé doit comprendre une décision avant de prendre ses responsabilités. Un manager supervisant un agent IA a besoin de plus que de savoir où se trouvent les boutons.

Cette connaissance se construit de manière progressive. Les étudiants rencontrent des problèmes, commettent des erreurs, comparent les alternatives, reçoivent des commentaires et apprennent progressivement à repérer des tendances et des exceptions.

Le problème est le suivant : l’IA peut accomplir la tâche avant que l’étudiant n’ait acquis les compétences nécessaires, et le travail final dissimule cette lacune.

L’objectif est l’indépendance de jugement. Les diplômés peuvent compter fortement sur l’IA en tant qu’outil professionnel et continuer néanmoins à évaluer la qualité, l’adéquation, le contexte et les conséquences du travail qu’elle permet de produire.

Sécurité de l’apprentissage par la conception

La sécurité de l’apprentissage par la conception soulève une question : lorsque l’IA est intégrée à une activité d’apprentissage, les élèves disposent-ils encore de suffisamment d’opportunités pour développer les compétences que cette activité vise à enseigner ?

Prenez un étudiant qui étudie l’analyse financière. Si l’objectif est de comprendre comment les revenus, les dépenses, les marges et les bénéfices sont liés entre eux, renoncer à toute réflexion en laissant tout le problème à l’IA signifie négliger la pratique de la raisonnement que l’étudiant a appris. C’est comme envoyer un robot à la gym au nom de l’étudiant. Une fois cette compréhension acquise, utiliser l’IA pour analyser un ensemble de données beaucoup plus large constitue une excellente préparation pour un travail professionnel.

Le rôle approprié de l’IA dépend donc de l’objectif d’apprentissage. Parfois, le travail indépendant permet de développer les capacités nécessaires ; parfois, travailler avec l’IA est la capacité à elle-même. De nombreuses activités commerciales associent les deux.

Les étudiants qui entrent sur le marché du travail devraient avoir une vision professionnelle de l’utilisation de l’IA. Avant de déléguer des tâches, ils doivent se demander pourquoi l’IA est utilisée, ce qui est délégué, quelle doit être la fiabilité des résultats, que se passe-t-il si les résultats sont erronés et quelles responsabilités restent à la charge du décideur humain.

Thomas Hormaza Dow, Fondateur et Directeur du Laboratoire

Thomas Hormaza Dow suggère que l’éducation des affaires devrait combiner la responsabilisation des étudiants avec un engagement fort envers la sécurité de l’apprentissage par la conception. Les étudiants devraient rester responsables de la compréhension du problème, de l’évaluation des preuves, de la questionnement des résultats générés par l’IA, de la prise de décisions et de l’acceptation des conséquences. Cependant, il ne faut pas s’attendre à ce que ces capacités se développent automatiquement simplement parce que les étudiants utilisent l’IA. Les activités d’apprentissage doivent être conçues de manière à ce que l’IA ne remplace pas involontairement la réflexion, la pratique, les erreurs, le feedback et l’expérience grâce auxquelles le jugement se développe.

La sécurité de l’apprentissage par la conception signifie donc décider délibérément ce que les élèves devraient faire eux-mêmes, ce qu’ils peuvent déléguer à l’IA et ce qu’ils doivent encore comprendre, vérifier et finalement maîtriser. L’équilibre approprié peut varier en fonction de l’objectif d’apprentissage. Dans certaines situations, les élèves peuvent avoir besoin de réaliser eux-mêmes certaines parties importantes du travail avant d’utiliser l’IA ; dans d’autres, l’objectif peut être d’apprendre à travailler efficacement avec l’IA. L’objectif n’est pas de garder les élèves à l’écart de l’IA, mais de veiller à ce que son utilisation renforce leurs capacités sans affaiblir le jugement humain et la responsabilité que l’éducation vise à développer.

Six capacités que les étudiants doivent développer pour atteindre l’objectif de 2030

Si l’IA peut accomplir davantage de tâches visibles, les programmes informatiques ont un rôle bien précis à jouer : décider quelles capacités humaines les étudiants doivent néanmoins continuer à développer.

Nous voyons six :

1. Rapports de responsabilisation et de contrôle
2. Pensée indépendante et conception de problèmes
3. Evidences, vérification et évaluation critique
4. Communication et relations humaines
5. Agence professionnelle et résilience
6. IA et alphabétisation technique

Ces six compétences se recoupent, et une seule décision commerciale peut s’appuyer sur toutes elles. Elles partagent également une base commune : la connaissance du domaine et l’expérience de la réalisation de ce travail. Cette base permet aux étudiants de comparer les résultats de l’IA à cette base.

L'IA a également une empreinte physique

Il existe également une réalité plus large que les étudiants devraient comprendre. L’IA peut paraître largement numérique, mais son utilisation dépend d’une infrastructure physique qui nécessite de l’espace, de l’eau, de l’énergie et des matières premières. L’impact de toute utilisation individuelle peut être difficile à déterminer, et différents systèmes et contextes peuvent avoir des empreintes très différentes. Le point de vue pédagogique n’est donc pas de faire en sorte que les étudiants évitent l’IA, mais de faire en sorte que son utilisation n’ait pas d’impact négatif. En tant que futurs professionnels de l’entreprise, les étudiants devraient adopter l’habitude de se demander si l’utilisation de l’IA est appropriée à la tâche et si la valeur apportée par cette technologie justifie les ressources et les conséquences plus larges impliquées.

De capacités à responsabilités

Ces capacités, associées à une prise de conscience des conséquences plus larges de l’utilisation de l’IA, constituent une base pour décider comment répartir la responsabilité entre l’étudiant et l’IA.

1. Responsabilité et contrôle : quelqu’un doit toujours signer

L’IA peut recommander, calculer, comparer, repérer des tendances et accomplir des opérations complètes sans trop d’aide humaine. Elle ne peut pas être appelée au bureau du responsable lorsque des choses vont mal. Une personne décide toujours de l’utilisation de l’IA et est responsable du résultat.

Ainsi, la première question est de savoir si l’IA est bien à même de s’occuper de cette tâche. Elle peut améliorer une tâche et apporter peu d’avantage à une autre. Elle peut également susciter des inquiétudes quant à la confidentialité, présenter des informations insuffisantes, entraîner une complexité inutile ou encore entraîner une délégation de tâches qui n’aurait jamais dû se produire.

La surveillance doit être proportionnelle au risque. L’utilisation de l’IA pour suggérer des titres de présentation nécessite peu d’analyse. L’utilisation d’informations financières générées par l’IA dans une recommandation client nécessite beaucoup plus d’analyse. Les décisions concernant les employés, les contrats, les clients, la confidentialité ou des engagements financiers importants peuvent nécessiter des preuves indépendantes, des avis spécialisés et une approbation explicite de la part de l’être humain.

Un bon jugement va au-delà de l’écran. Les systèmes numériques ont des conséquences physiques, financières, sociales et environnementales. L’IA fonctionne sur des centres de données, l’électricité, les systèmes de refroidissement, les réseaux et le matériel manufacturé, lesquels utilisent tous des ressources telles que la terre, l’énergie, l’eau et les matières premières, de manière variable selon la conception et l’emplacement.

Les étudiants en commerce peuvent laisser l’ingénierie aux ingénieurs. Ils doivent toutefois savoir que le choix d’un service d’IA, l’expansion de la capacité informatique, le remplacement de matériel ou l’automatisation d’un processus peuvent avoir des répercussions sur les coûts, le personnel, les clients, la confidentialité, la sécurité, l’utilisation de l’énergie, les matériaux et les communautés.

Le jugement professionnel consiste à reconnaître quels de ces effets méritent notre attention et quand il est nécessaire de faire appel à des experts.

Les enjeux augmentent à mesure que l'IA passe de la fourniture de réponses à l'exécution d'actions. Un agent IA peut par exemple effectuer des recherches sur les clients potentiels, classer les prospects, rédiger des messages, planifier les rappels et mettre à jour les données client, tout cela avant l'heure du déjeuner. Les étudiants doivent décider quelle autorité leur confère le système, où l'approbation est requise et quand un humain intervient.

Vinay Kumar, consultant en intelligence artificielle avancée

Vinay Kumar suggère que les étudiants devraient apprendre à reconnaître les décisions qui nécessitent l’approbation humaine et à établir des limites appropriées pour les agents d’IA en fonction des risques. Les décisions qui impliquent des personnes, de l’argent, de la vie privée, des obligations légales ou de la réputation organisationnelle peuvent avoir des conséquences suffisamment importantes pour nécessiter une évaluation et une autorisation humaines significatives. Cependant, le contrôle ne doit pas dépendre uniquement d’une liste fixe. Les étudiants doivent évaluer la probabilité et les conséquences d’un échec, la fiabilité du système et les preuves disponibles, ainsi que définir des limites d’autorité appropriées, des exigences de surveillance, des règles d’escalade et des points d’intervention.

Vinay propose la reversibilité comme principe directeur pratique. Avant de déléguer une action, les étudiants devraient se demander ce qui se passerait si l’IA commettait une erreur et si les conséquences pourraient être inversées. Les travaux réversibles à faible risque peuvent permettre une plus grande autonomie, tandis que les actions difficiles à inverser nécessitent un contrôle humain plus strict. Les travaux complexes peuvent également être divisés en tâches plus petites et contrôlables, avec des exigences, des barrières de sécurité, des points d’arrêt et des critères d’acceptation clairs. Cela permet aux étudiants de déléguer de manière productive sans donner à un agent IA une autorité inutile sur l’ensemble du processus.

La capacité essentielle est la capacité de jugement. Vinay suggère que les étudiants en commerce devraient apprendre à penser comme des gestionnaires et des architectes du travail basé sur l’IA : définir le problème, structurer les tâches, définir les exigences et les critères d’acceptation, décider quelle autorité doit être accordée à un agent IA, déterminer quelles preuves sont suffisantes et savoir quand une intervention humaine est nécessaire. Ils n’auront peut-être pas besoin de superviser chaque étape prise par l’IA, mais ils doivent concevoir les conditions dans lesquelles celle-ci fonctionne et évaluer si les résultats sont acceptables. Déléguer l’exécution ne signifie pas déléguer la responsabilité des conséquences.

Sebastien Favre, Mesures de fiabilité de l'IA

Sebastien Favre suggère que les étudiants en commerce devraient comprendre que la fiabilité de l’IA est contextuelle, fondée sur les risques et mesurable. Un résultat d’IA ne doit pas simplement être classé comme “ fiable ” ou “ non fiable ”. Le niveau de confiance qu’on peut raisonnablement y accorder dépend de la tâche, des conséquences potentielles d’une erreur et du comportement observé du système dans son contexte d’utilisation réel. Le niveau de vérification devrait donc varier en conséquence. Un résultat à faible impact peut nécessiter relativement peu de vérifications, tandis qu’un résultat susceptible d’influencer une décision financière, opérationnelle, juridique ou client importante devrait nécessiter une vérification plus approfondie et potentiellement indépendante.

Les étudiants devraient également apprendre à reconnaître les éléments qui indiquent que la sortie d’un système d’IA nécessite une analyse plus approfondie. Des contradictions, une instabilité dans les réponses, un manque de preuves de soutien ou des écarts significatifs par rapport au comportement attendu peuvent indiquer que la sortie doit être vérifiée davantage, rejetée ou portée à un niveau supérieur pour une analyse supplémentaire. La capacité essentielle n’est donc pas seulement de savoir comment utiliser l’IA, mais aussi de savoir comment évaluer si les preuves observées sont suffisantes pour la décision spécifique à prendre.

2. Pensée indépendante et définition de problèmes : réfléchir d’abord, agir ensuite

L’IA facilite le démarrage de tâches ardues. Un étudiant confronté à un problème inconnu peut obtenir des explications, des interprétations, des alternatives et des solutions suggérées en quelques secondes.

Cette vitesse est à la fois un don et une tentation. Pour certaines activités d’apprentissage, les élèves devraient d’abord se situer dans la situation, recenser les informations pertinentes, examiner les explications et prendre position. Ce premier jugement peut être inexact. En le formulant, les élèves acquièrent un modèle mental que l’IA peut ensuite affronter, affiner ou renverser.

Le cadre de problématique est une compétence professionnelle à part entière. Un manager constate une baisse des ventes. Les chiffres montrent que cela se produit et il reste silencieux sur les raisons. Le prix, la concurrence, les préférences des clients, la distribution, la qualité du produit, l’économie ou plusieurs d’entre eux réunis pourraient être à l’origine de cette situation. Demandez à l’IA une solution avant de définir le problème, et le résultat pourrait être une réponse très efficace à la mauvaise question.

Les connaissances de base aident également les étudiants à repérer les anomalies. Une marge bénéficiaire projetée semble excessivement élevée. Un calendrier de projet ignore des dépendances évidentes. Une estimation de marché est supérieure à la population qu’elle prétend représenter. Une recommandation marketing contredit ce que l’on sait au sujet du client.

Les étudiants doivent posséder suffisamment de connaissances pour ressentir cette friction. Les connaissances de base fonctionnent comme un détecteur de fumée : elles sont silencieuses la plupart du temps et très précieuses lorsqu’elles s’activent.

Le jugement professionnel dépend également du contexte. Une recommandation peut être techniquement raisonnable et néanmoins inappropriée dans la situation où elle sera utilisée. Les coûts, les réglementations, l’infrastructure, les attentes des clients, la culture organisationnelle, les conditions environnementales et les compétences disponibles peuvent tous changer et déterminer quelle option est la plus pertinente.

Par exemple, un système d’IA pourrait recommander une technologie parce que celle-ci présente les coûts d’exploitation les plus faibles. Un manager peut alors découvrir que cette technologie crée un risque accru de confidentialité, augmente la dépendance envers un fournisseur, nécessite des infrastructures dont l’organisation manque ou entraîne des coûts qui ne deviennent apparents qu’à un stade ultérieur. La recommandation est exacte pour les variables analysées mais incomplète en tant que décision d’entreprise.

Les étudiants doivent donc posséder une compréhension suffisante des hypothèses et du contexte pour déterminer si une recommandation générée par l’IA correspond à la situation réelle.

Ils doivent également penser à long terme. Les choix technologiques ont une durée de vie : les systèmes sont sélectionnés, mis en œuvre, exploités, surveillés, maintenus, mis à jour et finalement remplacés. Une option qui semble peu coûteuse au départ peut entraîner des coûts, des dépendances ou des risques plus importants plus tard. D’ici 2030, la prise de décisions commerciales concernant les technologies devrait inclure une approche fondée sur la durée de vie.

Il y a ensuite la créativité. L’IA peut produire cinquante idées en un temps suffisant pour lire une seule. Cette abondance augmente la valeur de la connaissance des idées qui méritent d’être prises en considération, de savoir pourquoi elles sont importantes, de savoir comment les améliorer et de convaincre les autres qu’elles valent la peine d’être poursuivies.

Ann Lockquell, Innovation et Créativité

Ann Lockquell suggère que les étudiants devraient continuer à développer leur propre créativité, même lorsque l’IA peut générer de nombreux idées presque instantanément. Le processus créatif lui-même importe. Générer des idées, explorer différentes directions, faire des erreurs, recommencer, établir des liens et développer un concept initial donnent aux étudiants des expériences qui développent progressivement leur capacité à reconnaître l’originalité, la pertinence et le potentiel. Sans suffisamment d’expérience dans la création de leurs propres projets, les étudiants peuvent avoir du mal à distinguer une idée véritablement prometteuse d’une autre qui semble seulement intéressante à première vue.

Alors que l'IA devient de plus en plus performante, le défi créatif change également. Les étudiants doivent de plus en plus exercer leur jugement créatif pour choisir les idées à développer. Ils doivent pouvoir décider quelles idées méritent d'être développées, expliquer pourquoi elles ont un potentiel, les adapter à un contexte particulier, les transformer et aller au-delà de la suggestion initiale. L'IA peut élargir l'exploration et introduire des possibilités que les étudiants n'auraient peut-être pas envisagées, mais les étudiants doivent néanmoins prendre leurs décisions et être capables de les expliquer et de les défendre.

Pour Ann, l’objectif n’est donc pas de remplacer le processus créatif par l’IA, mais de l’intégrer sans perdre les expériences grâce auxquelles la créativité et le jugement se développent. Les étudiants devraient apprendre à utiliser l’IA comme outil créatif supplémentaire tout en continuant à générer, à explorer, à sélectionner, à développer et à défendre eux-mêmes leurs idées. Dans ce sens, la créativité indépendante et la créativité soutenue par l’IA sont complémentaires : l’expérience développe le jugement créatif qui permet aux étudiants d’utiliser l’IA de manière productive.

L’entrepreneuriat soulève des questions similaires. L’IA peut identifier les marchés, analyser les concurrents, construire des modèles d’affaires, préparer des prévisions et rédiger le plan d’entreprise. Le jugement entrepreneurial se développe ailleurs : en observant les clients, en testant des hypothèses, en vivant avec l’incertitude, en se remédiant aux erreurs et en décidant quand des preuves incomplètes suffisent pour agir.

Dr. Banafsheh Peyrovian, Intelligence artificielle, comportement entrepreneurial et innovation

Dr. Banafsheh Peyrovian considère que la compétence en IA et le jugement entrepreneurial sont complémentaires. L’IA peut aider les étudiants à explorer des idées et à accélérer l’expérimentation, tandis que l’expérience directe avec les clients, l’incertitude et l’échec restent essentielles pour développer l’empathie, la résilience et un jugement solide. Les étudiants doivent apprendre à interpréter les données, à s’adapter lorsque les hypothèses s’avèrent erronées et à décider quand aller de l’avant.

3. Evidences, vérifications et évaluation critique : il est facile de se sentir en confiance

Lorsque les réponses sont peu coûteuses, l’évaluation devient une compétence précieuse. L’IA générative peut paraître claire, sûre d’elle et persuasive même lorsque les informations sous-jacentes sont faibles, incomplètes ou erronées.

La vérification doit être pratique et proportionnée à la décision. Une suggestion issue d’un brainstorming peut nécessiter peu de vérifications. Une statistique utilisée dans un rapport public doit être confirmée par une source crédible. Une recommandation impliquant un engagement financier important peut nécessiter plusieurs formes de preuves et une analyse professionnelle.

Les étudiants doivent également comprendre que les sources ont des objectifs différents. Une publicité d’une entreprise peut montrer comment un produit est positionné, mais elle ne constitue pas une preuve solide d’une affirmation indépendante concernant son efficacité. Une enquête auprès des clients peut révéler les attitudes des répondants, mais son utilité dépend de la manière dont ces derniers ont été sélectionnés. Une étude de recherche peut fournir de solides preuves tout en présentant des limitations importantes.

L’IA peut résumer ces sources, mais l’étudiant doit néanmoins juger ce que signifient ces informations et leur donner la valeur qu’elles méritent.

Le contexte influence également la valeur des preuves. Les résultats d'une organisation, d'un marché, d'un pays ou d'une population peuvent ne pas s'appliquer directement à une autre situation. Les étudiants doivent se demander si les preuves utilisées par un système d'IA sont réellement applicables à la décision à prendre.

La recherche de marché rend cela visible. L’IA peut traiter de grandes quantités d’informations et produire une description cohérente du marché. L’analyse reste toutefois aussi bonne que la qualité, la pertinence, l’âge et la représentativité des informations sous-jacentes.

Dr. Ahmed Hegazy, Recherche de marché

Le Dr Ahmed Hegazy suggère que les étudiants en commerce devraient pouvoir réaliser eux-mêmes les étapes essentielles de la recherche de marché avant de s’appuyer fortement sur l’IA. Ils devraient pouvoir formuler une question de recherche utile, choisir et expliquer une approche de sélection appropriée, reconnaître les biais potentiels, concevoir un sondage clair, mener une interview efficace, analyser les informations recueillies et rédiger une recommandation fondée sur des preuves.

L’IA peut ensuite être utilisée pour accélérer la recherche, organiser l’information, identifier des tendances et soutenir l’analyse. Cependant, les étudiants doivent rester responsables de la vérification de la qualité de la recherche qui sous-tend les résultats. Avant d’accepter une information générée par l’IA, ils devraient être en mesure de se demander : La question posée était-elle appropriée ? La sélection de données était-elle appropriée ? Les questions étaient-elles bien conçues ? La preuve était-elle suffisamment solide et la conclusion en découlait-elle réellement ? Ces compétences pratiques en recherche permettent aux étudiants de disposer des bases nécessaires pour décider si une information générée par l’IA peut être confiée et utilisée dans une décision d’entreprise.

L’analyse quantitative pose un autre problème. L’IA peut analyser des ensembles de données, identifier des tendances, préparer des visualisations et recommander des actions. Les étudiants peuvent laisser de nombreux calculs à la machine. Ils doivent néanmoins posséder une compréhension suffisante des chiffres pour repérer les résultats peu plausibles.

Une analyse affirmant que 140 % des clients interrogés préfèrent un produit devrait déclencher tous les alarmes. La plupart des erreurs sont plus silencieuses. Une corrélation est interprétée comme une cause. Une moyenne masque de grandes différences entre les groupes de clients. Une petite échantillonne est traitée comme l’ensemble du marché.

Martin Berezaga, Big Data et Analyse d'entreprise

Martin Berezaga suggère que les étudiants en commerce devraient développer une culture des données principalement en tant que capacité de prise de décision. Ils doivent posséder suffisamment de connaissances en statistiques et en IA pour comprendre les informations avec lesquelles ils travaillent, remettre en question les hypothèses, repérer les problèmes de qualité des données et évaluer la crédibilité d’une analyse générée par l’IA. Cependant, les connaissances techniques seules ne sont pas suffisantes. Les étudiants doivent également posséder des connaissances spécifiques en entreprise pour comprendre ce que les données signifient dans leur contexte et savoir si une constatation est réellement pertinente au problème à résoudre.

Alors que l’IA effectue davantage d’analyses, les étudiants devraient devenir particulièrement capables d’interpréter les résultats, de construire un récit significatif à partir des données, de communiquer cette information de manière claire et de décider quelles actions doivent être prises. L’objectif est donc une combinaison de connaissances statistiques, d’aptitude à utiliser l’IA, de compréhension des affaires, de storytelling de données et de prise de décision humaine. L’IA peut de plus en plus produire les analyses, mais le professionnel de l’entreprise doit néanmoins déterminer ce que ces analyses signifient et ce qu’il doit en faire.

4. La communication et les relations humaines : l’entreprise reste avant tout une affaire de personnes

Le monde des affaires reste une activité sociale. Les organisations fonctionnent grâce à des personnes qui perçoivent les situations différemment, qui veulent des choses différentes, qui se comprennent mal les unes les autres, qui négocient, collaborent, construisent la confiance et parfois la perdent.

L’IA constitue un partenaire de récréation utile. Elle peut affiner un message, simuler une conversation commerciale, anticiper les objections ou soutenir la pratique de la négociation. Puis commence la véritable réunion. Les diplômés doivent toujours expliquer et défendre leurs décisions en leur propre langue, écouter attentivement, gérer une question que personne n’avait prévue, observer le comportement des autres et s’adapter.

Ces capacités sont difficiles à coder car les interactions humaines comportent une histoire, des émotions, une crédibilité, une culture, une puissance et une confiance.

La leadership illustre bien le point. L’IA peut aider un manager à analyser les informations relatives aux performances, à préparer les retours d’information, à comparer les interventions ou encore à identifier les schémas organisationnels. Le manager doit néanmoins comprendre les personnes impliquées et assumer la responsabilité de la manière dont les décisions sont communiquées et mises en œuvre.

Viviane Paul, Management et Leadership

Viviane Paul suggère que les étudiants en commerce devraient préserver le jugement humain qui découle de l’expérience, de l’observation et de l’interaction directe avec les personnes. L’IA peut analyser les indicateurs économiques et fournir des recommandations en fonction des informations disponibles et des tendances passées, mais les dirigeants doivent parfois reconnaître des situations qui ne correspondent pas à ces tendances. L’expérience peut développer une forme d’intuition éclairée ou “ sensation intuitive ”, qui permet au dirigeant de repérer des éléments que les indicateurs formels peuvent ne pas prendre pleinement en compte. Les étudiants devraient donc apprendre à utiliser les preuves et les recommandations de l’IA tout en conservant la confiance et la responsabilité de les questionner lorsque leurs propres observations et compréhension de la situation indiquent un autre sens.

La capacité de leadership est particulièrement importante car les personnes sont plus complexes que les modèles utilisés pour les décrire. Les cadres de personnalité et les catégories comportementales peuvent aider à organiser l’information, mais ils ne peuvent pas capturer complètement un individu ni prédire comment celui-ci réagira dans toutes les situations. Les futurs dirigeants devraient donc continuer à développer la capacité d’écoute, l’observation des signaux non verbaux, la compréhension du contexte, la construction de relations et l’adaptation de leur approche à la personne qui se trouve devant eux. L’IA peut contribuer à l’analyse des décisions de leadership, mais les étudiants doivent néanmoins développer la compréhension humaine et l’expérience nécessaires pour prendre eux-mêmes ces décisions.

La communication devient la plus délicate lors d’une critique publique ou d’une crise. L’IA peut produire une déclaration soignée en quelques secondes. La décision de l’envoyer revient à l’homme : ce que l’organisation devrait dire, ce qu’elle peut confirmer, quelle responsabilité elle devrait accepter, comment différents publics interpréteront le message et si il est sage de s’exprimer immédiatement.

Lyndon Johnson, Relations publiques et analyses médiatiques

Lyndon Johnson suggère que la communication efficace en situation de pression commence par la connaissance de la vérité et la communication de cette information sans compromis. Dans un environnement où les organisations peuvent utiliser l’IA pour générer, affiner et diffuser rapidement des messages persuasifs, les étudiants doivent apprendre à distinguer entre la gestion d’un message et la communication de la réalité d’une situation. Avant de décider quoi dire, ils doivent déterminer ce qui est connu, ce qui peut être étayé par des preuves, ce qui reste incertain et quelle responsabilité l’organisation doit assumer.

Les étudiants devraient donc apprendre à se demander : Qu’est-ce que nous savons réellement ? Quelles preuves le soutiennent ? Quels aspects restent incertains ? Communiquons-nous la réalité de la situation ou essayons-nous simplement de façonner la perception de celle-ci ? L’IA peut aider à préparer et à évaluer les communications, mais elle ne doit pas devenir un moyen de remplacer les faits difficiles à accepter par des messages plus convenables. Les parties prenantes prennent des décisions en fonction des informations qu’elles reçoivent ; lorsque les messages s’écartent de la réalité, la confiance et la réputation peuvent être compromises.

Le contenu généré par l’IA change également la signification de l’auteur. Le texte, les images et les présentations professionnels étaient censés indiquer que la personne qui les a créés comprenait le sujet. Ce lien est désormais beaucoup moins fort.

Les étudiants doivent évaluer leur travail avant de le publier avec leur nom ou celui de leur organisation. L’auteurat devient désormais une responsabilité de l’éditeur et de l’auteur.

Naomi Tessier, contenu généré par l’IA

Naomi Tessier suggère que les étudiants doivent posséder à la fois suffisamment de capacités de création de contenu indépendant pour reconnaître la qualité et le jugement rédactionnel nécessaire pour évaluer ce que produit l’IA. Alors que l’IA devient de plus en plus capable de produire du contenu soigné et professionnel, l’apparence seule devient un mauvais indicateur de qualité. Les étudiants devraient pouvoir déterminer si le contenu est précis, approprié, utile et adapté à son public et à son objectif. Pour ce faire, ils doivent posséder suffisamment de connaissances et de capacités de réflexion critique pour repérer les erreurs, les arguments faibles, le ton inapproprié ou d’autres problèmes qui pourraient être cachés sous une présentation convaincante.

Naomi souligne également que l’IA ne remplace pas la responsabilité humaine dans le processus de création. Les personnes restent responsables de ce qu’elles demandent à l’IA, du contexte à fournir, de l’output à choisir, de la manière de le modifier et, en fin de compte, de l’utilisation de l’IA. Avant d’apposer leur nom ou celui d’une organisation sur le contenu généré par l’IA, les étudiants devraient donc pouvoir évaluer le contenu, expliquer et défendre le raisonnement qui sous-tend le résultat final et accepter la responsabilité de ses conséquences. La capacité essentielle n’est pas seulement de savoir comment générer du contenu avec l’IA, mais de développer le jugement pour savoir quand faire confiance à l’IA, quand la questionner et quand tout simplement ne pas utiliser ses résultats.

5. Agence professionnelle et résilience : que se passe-t-il lorsque l’IA est désactivée ?

Parfois, l’IA ne peut pas fournir la réponse. Elle peut être indisponible, interdite pour des travaux confidentiels, contradictoire elle-même ou inappropriée dans une situation qui requiert une expertise. Les étudiants doivent disposer de suffisamment de capacités indépendantes pour continuer à travailler de toute façon.

Les diplômés doivent donc posséder un niveau de compétence professionnel minimum suffisant. Ils devraient être capables d’organiser un problème d’entreprise de base, de communiquer de manière claire, de réaliser des calculs raisonnables, d’interpréter les informations, de formuler un jugement préliminaire et de déterminer la prochaine étape à suivre.

Une agence professionnelle exige également une humilité intellectuelle. L’IA peut expliquer un sujet inconnu de manière aussi claire que les gens se sentent mieux à l’aise lorsqu’ils le comprennent. Les étudiants doivent savoir où se termine leur savoir et quand appeler un comptable, un avocat, un spécialiste de la cybersécurité, un ingénieur, un manager ou un autre professionnel qualifié. Cela revêt une importance encore plus grande lorsque les managers prennent des décisions concernant les technologies qu’ils utilisent et que leur équipe n’aurait jamais pu concevoir elle-même.

La gestion de projet applique le même principe. L’IA peut préparer des calendriers, estimer les charges de travail, identifier les risques et suivre l’avancée des projets. Mais le projet se révèle alors différent de ce que l’on avait prévu : les exigences changent, les ressources diminuent, les priorités s’affrontent, les responsabilités se compliquent et les collaborateurs s’entretuent. Un responsable de projet doit alors réagir lorsque la situation ne correspond plus au plan initial.

Christine Gerard, Sciences de l'informatique et gestion de projet

Christine Gerard suggère que le leadership adaptatif dans la gestion de projet dépend d’un fondement de connaissances et d’expériences. Les étudiants doivent comprendre les bases du management de projet, notamment les priorités, les dépendances, les ressources, les risques et les compromis, avant de pouvoir prendre des décisions éclairées lorsque les conditions changent. Ils doivent également disposer de possibilités de mettre en pratique ces connaissances. L’expérience se développe au fil de l’exercice, de la rencontre avec des problèmes, de la prise de décisions et de l’observation des conséquences. Au fil du temps, cette combinaison de connaissances et d’expériences contribue à la capacité de jugement nécessaire pour répondre efficacement lorsque un projet ne suit plus le plan.

Elle décrit cette relation comme une pyramide : les fondements constituent la base, l’expérience s’appuie sur eux, le jugement se fonde sur les deux, et la génération et l’analyse assistées par l’IA occupent la partie supérieure. L’IA peut renforcer ce que peut accomplir un bon responsable de projet, mais les étudiants ont encore besoin des connaissances et de l’expérience sous-jacentes pour évaluer ce que propose l’IA, reconnaître quand un plan ne correspond plus à la réalité et décider ensuite quoi faire. Cela est également directement lié à REACT : l’utilisation responsable de l’IA dépend en fin de compte de la prise de décision humaine que l’éducation et l’expérience ont contribué à développer.

La cybersécurité constitue un autre exemple. La plupart des diplômés en gestion d’entreprise ne deviendront pas des spécialistes de la cybersécurité, mais ils prendront des décisions concernant les données, l’accès, la confidentialité, les fournisseurs, les systèmes, les clients et les employés. Un jugement de base en matière de cybersécurité permet aux managers de reconnaître lorsque ces décisions impliquent des risques qui méritent une attention particulière de la part des spécialistes.

Dr. Amin Ranj Bar, Design de logiciels et cybersécurité

Le Dr Amin Ranj Bar suggère que tout diplômé en informatique devrait comprendre les bases de la cybersécurité, car les décisions en matière de sécurité commencent bien avant que les problèmes techniques ne deviennent visibles. Les étudiants devraient bien comprendre les principes de base tels que le contrôle d’accès, l’authentification, la confidentialité, la protection des données, la manipulation sécurisée des informations et les vulnérabilités courantes afin de reconnaître lorsqu’un processus, produit ou technologie proposé crée un risque inutile. Cette connaissance devient de plus en plus pertinente au-delà des rôles techniques, car les décisions commerciales concernant les clients, les employés, les données, le logiciel, les fournisseurs et les systèmes d’IA peuvent toutes avoir des conséquences en matière de cybersécurité.

Amin souligne également que de nombreuses vulnérabilités naissent lors de la conception, lorsque les implications en matière de sécurité peuvent être négligées car les personnes qui prennent les premières décisions manquent de connaissances suffisantes en matière de sécurité. L’IA peut aider à effectuer une analyse technique, identifier les vulnérabilités et recommander des mesures de protection, mais les professionnels de l’entreprise doivent encore avoir une compréhension suffisante pour poser des questions de sécurité dès le départ. Ils doivent être capables de reconnaître les situations où une décision pourrait exposer des personnes, des informations ou des systèmes à des risques, d’intégrer les considérations en matière de sécurité dans la conception d’une solution et de savoir quand une expertise spécialisée est nécessaire. La cybersécurité devient donc une partie intégrante du jugement professionnel : la sécurité doit être prise en compte lors de la conception d’un système ou d’un processus, plutôt que seulement après qu’un problème se soit produit.

La résilience professionnelle inclut également la capacité de continuer à apprendre. L’IA peut expliquer des concepts complexes, fournir un retour immédiat et favoriser une pratique fréquente. Les enseignants doivent néanmoins protéger les efforts productifs, car récupérer des connaissances, tenter de trouver une solution, commettre une erreur et réviser une idée contribuent tous à une compréhension durable.

6. IA et alphabétisation technique : savoir ce qui se cache derrière les fonctions

Les cinq premières capacités décrivent ce que la personne apporte au travail. La sixième concerne la technologie elle-même. Le cadre de compétences « Human-AI Complementarity » développé par Business Physics liste les compétences pratiques pour travailler avec l’IA : décider si l’IA doit être utilisée, sélectionner et préparer les informations, communiquer avec les systèmes IA, inspecter les résultats, conserver l’autorité décisionnelle, interpréter les données, convertir les informations en décisions, réglementer l’utilisation de l’IA et continuer à apprendre.

Chacune de ces compétences dépend de la compréhension suffisante de la technologie pour pouvoir prendre des décisions éclairées.

Décider de l’utilisation de l’IA nécessite une prise de décision avant de sélectionner l’outil. L’analyse d’une sortie nécessite une connaissance suffisante pour repérer les faiblesses. Le maintien de l’autorité décisionnelle exige une compréhension suffisante pour prendre ou défendre cette décision. L’interprétation des données nécessite un contexte d’affaires. La gouvernance de l’IA nécessite une prise en compte des conséquences, des limites et des responsabilités.

Les diplômés en informatique peuvent déléguer l’ingénierie de l’IA aux spécialistes. Ils doivent avoir une connaissance suffisante des modèles, des outils, de l’infrastructure et des limitations pour les choisir et les utiliser correctement.

Aboubakar Samake, Modèles et outils d’IA

Aboubakar Samake suggère que les diplômés en sciences économiques doivent posséder à la fois une compréhension pratique des modèles d’IA et le jugement nécessaire pour déterminer quand et comment ils doivent les utiliser. Les étudiants n’ont pas besoin de devenir ingénieurs en IA, mais ils devraient comprendre que les différents systèmes d’IA sont conçus pour des objectifs différents, reposent sur différents types de données et utilisent des approches différentes, et possèdent des capacités et des limites différentes. Cette base devrait leur permettre de reconnaître que choisir un outil d’IA n’est pas simplement une question de choisir le système le plus puissant ou le plus pratique.

Parallèlement, les étudiants devraient développer leur jugement en matière de sélection d’IA en partant du problème d’entreprise plutôt que de la technologie. Ils devraient pouvoir déterminer si l’IA est approprié pour cette tâche, quelles capacités sont réellement nécessaires, quel type de système convient et quelles limitations ou risques doivent être pris en considération. Ils devraient également reconnaître les situations dans lesquelles l’IA ne devrait pas être utilisée ou dans lesquelles son résultat nécessite une vérification supplémentaire. L’objectif n’est pas de connaître tous les modèles d’IA, mais de bien les comprendre afin de les sélectionner et les utiliser de manière ciblée, de questionner leurs limites et de prendre des décisions éclairées quant à savoir quand un autre outil ou un jugement humain est plus approprié.

Le développement de logiciels soulève un problème similaire. Alors que l’IA devient plus capable de produire du logiciel, les professionnels de l’entreprise peuvent s’éloigner davantage de la phase technique. Ils doivent néanmoins posséder suffisamment de connaissances pour communiquer les exigences, identifier les risques, remettre en question les hypothèses et travailler efficacement avec les spécialistes techniques.

Hichem Benzair, Développement logiciel IA

Hichem Benzair suggère que les diplômés en commerce doivent posséder une bonne maîtrise des logiciels pour participer de manière productive aux décisions technologiques, sans avoir besoin de devenir eux-mêmes développeurs de logiciels. Ils devraient bien comprendre des concepts de base tels que les exigences, les données, les tests, la sécurité, l’intégration, l’architecture et la maintenance, de sorte à pouvoir poser des questions utiles et comprendre les conséquences des choix techniques. Il relie cela à l’idée d’une langue universelle : les professionnels du commerce et des technologies doivent disposer d’un vocabulaire commun afin de pouvoir comprendre le même problème et communiquer efficacement sur ce qui est en cours de développement.

Cette base technique devrait soutenir les décisions commerciales et de gouvernance. Les étudiants devraient être en mesure de se demander si un système résout le problème pertinent, si ses exigences reflètent les besoins réels de l’entreprise, quels sont les risques et les compromis impliqués, et si la solution restera sécurisée, maintenable, évolutive et économiquement viable. Ils n’ont pas besoin de prendre toutes les décisions techniques eux-mêmes, mais ils doivent avoir suffisamment de connaissances pour reconnaître quand une décision est importante et quand une expertise spécialisée est requise.

L’IA rend cette capacité plus importante, et non moins importante. Alors que l’IA devient capable de générer du code, des prototypes, des architectures et des recommandations techniques à partir d’instructions en langage naturel, les professionnels des affaires pourraient devenir plus directement impliqués dans la création de technologies. Ils ont donc besoin d’une compréhension fondamentale suffisante pour remettre en question les solutions générées par l’IA plutôt que de les accepter simplement. La capacité essentielle est la capacité de relier les besoins de l’entreprise aux fonctionnalités réelles de la technologie, et de questionner, évaluer et travailler efficacement avec les personnes et les systèmes d’IA qui les développent.

Le marketing en offre un autre exemple. L’IA peut automatiser la ciblage des audiences, la production de contenu, la personnalisation, l’optimisation des campagnes et certaines phases du parcours client. Le jugement marketing comprend la décision de ce qui devrait être automatisé, la manière dont les décisions automatisées doivent être surveillées et les cas où la compréhension humaine des clients apporte encore de la valeur ajoutée.

Jon Schlaich, Intelligence artificielle et automatisation marketing

Jon Schlaich suggère que les étudiants ont besoin à la fois de solides bases en marketing et de la capacité de jugement pour décider comment utiliser l’automatisation. Même si l’IA assume une plus grande responsabilité en matière de ciblage, de création de contenu, d’exécution des campagnes et de parcours client, les étudiants doivent encore comprendre les clients, la segmentation, le positionnement, les propositions de valeur, la marque et l’expérience client. Sans cette base, ils pourraient être capables de gérer des systèmes d’IA et d’automatisation sophistiqués sans pouvoir déterminer si les décisions marketing qui les sous-tendent sont appropriées ou efficaces.

Parallèlement, les étudiants doivent développer une capacité de jugement en matière d’automatisation. Ils doivent pouvoir déterminer quelles activités peuvent être automatisées de manière productive, où la présence humaine continue à apporter de la valeur, et quand l’automatisation pourrait créer des problèmes pour les clients, les relations ou la marque. L’efficacité en soi ne doit pas déterminer si quelque chose doit être automatisé. Le professionnel de l’entreprise doit bien comprendre le marketing pour décider ce que l’IA doit faire, ce que les personnes doivent continuer à faire, et quand le jugement humain doit remplacer ce que recommande un système automatisé.

Tous ces exemples dépendent de l’alphabétisation numérique. Les systèmes d’IA puissants peuvent être faciles à utiliser mais difficiles à comprendre. L’alphabétisation numérique implique une certaine compréhension de l’origine des informations, de la manière dont les systèmes peuvent échouer, des risques associés à leur utilisation et du moment où un résultat convaincant mérite un scepticisme.

Annabelle Roy, IA et alphabétisation numérique

Annabelle Roy suggère que l’alphabétisation numérique en 2030 devrait combiner une compréhension pratique de l’IA avec une pensée critique solide. Les étudiants n’ont pas besoin de comprendre exactement comment les systèmes d’IA sont conçus ou de maîtriser les détails techniques de leur programmation. Cependant, ils devraient comprendre suffisamment pour reconnaître que l’IA ne “ sait ” pas les choses de la même manière qu’une personne. Les systèmes d’IA peuvent commettre des erreurs, refléter des biais connus ou non reconnus et produire des informations qui semblent convaincantes sans nécessairement être exactes. Cette compréhension de base donne aux étudiants les bases nécessaires pour utiliser l’IA avec la prudence voulue.

Pour Annabelle, la capacité la plus importante est celle avec laquelle les élèves utilisent cette compréhension. Ils devraient questionner les informations générées par l’IA, vérifier ces informations lorsque cela est approprié, réfléchir à l’origine de ces informations, reconnaître les problèmes liés à la sécurité, à la confidentialité et à l’éthique, et décider si l’IA est réellement le bon outil pour cette tâche. À mesure que l’IA devient de plus en plus présente dans l’éducation, le travail et la vie quotidienne, la maîtrise de l’informatique doit se traduire non seulement par la connaissance de l’utilisation de l’IA, mais aussi par la connaissance de la manière, du moment et de la possibilité d’utiliser cette technologie de manière responsable.

Nous avons également demandé l’avis de l’IA

Business Physics comprend des membres issus de la communauté humaine, de même que des contributeurs indépendants ; nous avons donc posé la même question à ces derniers. Charlie AI se concentre sur les preuves, les hypothèses et l’analyse quantitative. Lena AI se concentre sur les aspects humains, culturels et sociaux.

Charlie AI, Evidences, hypothèses et contrôle quantitatif

Charlie AI a fourni la sortie suivante : les étudiants ne devraient jamais déléguer entièrement l’évaluation finale des preuves à l’IA. Un système d’IA peut aider à trouver des informations, comparer des sources, identifier des incohérences, tester des hypothèses et examiner des affirmations quantitatives, mais il peut également reproduire des erreurs, s’appuyer sur des preuves faibles ou fournir une explication convaincante pour une conclusion qui n’est pas suffisamment étayée. L’utilisation d’un seul système d’IA pour vérifier un autre ne supprime pas la nécessité d’un jugement humain.

Les étudiants devraient donc apprendre à se demander quelles preuves soutiennent réellement une conclusion, si les hypothèses qui la sous-tendent sont raisonnables, si les chiffres sont cohérents et quelles informations peuvent être manquantes. L’IA peut renforcer ce processus en mettant en question le raisonnement de l’étudiant et en attirant son attention sur d’éventuelles faiblesses, mais l’étudiant doit toujours décider s’il existe suffisamment de preuves pour prendre cette décision. L’objectif n’est pas de faire fi de l’IA, mais de développer l’habitude de questionner les preuves et les hypothèses, que la conclusion provienne d’une personne, d’un ensemble de données ou d’un système d’IA.

Lena AI : perspectives humaines, culturelles et sociales

Lena AI a fourni le résultat suivant : les étudiants devraient conserver la capacité de comprendre comment les décisions commerciales affectent les personnes de manière que les données ne puissent pas toujours rendre pleinement compte de cette réalité. L’IA peut identifier des tendances, comparer les alternatives et recommander des actions, mais les personnes sont influencées par la culture, les relations, les émotions, l’histoire, la confiance et les circonstances individuelles. Une recommandation qui paraît raisonnable à partir des informations disponibles peut donc avoir des conséquences que le système d’IA ne peut pas prévoir entièrement.

Les étudiants devraient apprendre à prendre en considération qui sera affecté par une décision, dont la perspective peut être absente, et comment différentes personnes ou communautés pourraient percevoir la même action différemment. L’IA peut aider à élargir l’analyse et à identifier des perspectives méritant d’être prises en considération, mais les étudiants doivent toujours écouter, observer, poser des questions et comprendre les personnes concernées. La capacité humaine à laquelle il faut préserver la valeur est la capacité de reconnaître qu’une décision peut avoir du sens analytiquement tout en étant inappropriée pour les personnes et le contexte dans lequel elle sera appliquée.

Il y a quelque chose de pertinent dans le résultat : l’IA contribue à définir les limites de son propre rôle dans les décisions humaines.

Quels sont les 18 points de vue qui nous disent quelque chose

Seize personnes et deux agents d'IA ont répondu à la même question issus de domaines très différents. Lues ensemble, leurs réponses révèlent dix schémas.

Les fondations ont la priorité sur la délégation. C’est le point le plus souvent répété. Ahmed Hegazy veut que les étudiants réalisent eux-mêmes une étude de marché avant de s’appuyer sur l’IA. Ann Lockquell affirme la même chose pour le travail créatif, Jon Schlaich pour les fondamentaux du marketing et Naomi Tessier pour le contenu. Christine Gerard donne une forme à cette idée : une pyramide avec les fondamentaux au bas, l’expérience au-dessus, le jugement fondé sur les deux éléments, et l’IA en haut.

Le jugement prend une forme différente dans chaque domaine. Vinay Kumar décrit le jugement de supervision. Ann Lockquell décrit le jugement créatif, Naomi Tessier le jugement rédactionnel, Jon Schlaich le jugement d’automatisation, et Aboubakar Samake le jugement de sélection en IA. Chaque forme dépend de la connaissance du domaine.

La surveillance doit correspondre au risque. Vinay Kumar, Sebastien Favre et Charlie AI arrivent à cette conclusion séparément. Une tâche à faible risque nécessite une vérification rapide. Une décision impliquant de l’argent, des personnes, la vie privée ou des obligations légales nécessite une vérification plus approfondie et une approbation humaine.

La responsabilité reste avec la personne. Vinay Kumar, Naomi Tessier et Thomas Hormaza Dow affirment chacun que celui qui délègue une tâche à l’IA reste responsable du résultat.

Décider contre l’IA est une compétence. Aboubakar Samake, Annabelle Roy, Naomi Tessier et Jon Schlaich décrivent toutes des situations où la bonne décision consiste à choisir un autre outil, à maintenir une personne impliquée ou à mettre de côté les résultats de l’IA.

Le problème vient avant l’outil. Aboubakar Samake demande aux étudiants de commencer par le problème d’entreprise. Hichem Benzair se demande si un système résout le problème correct. Ahmed Hegazy se demande si la bonne question de recherche a été posée.

Les gens remarquent les données qui sont manquantes. Viviane Paul décrit l’intuition éclairée que les leaders acquièrent grâce à leur expérience. Lena AI évoque la culture, l’émotion, l’histoire et la confiance. Banafsheh Peyrovian évoque l’expérience directe avec les clients, l’incertitude et l’échec.

Le polonais a cessé d’être un gage de qualité. Naomi Tessier, Annabelle Roy et Charlie AI mettent en garde contre le fait que les résultats de l’IA puissent paraître convaincants ou avoir un son convaincant, tout en étant néanmoins inexacts ou insuffisamment étayés.

La vérité prime sur le message. Lyndon Johnson place l'honnêteté au cœur de la communication, une vision partagée par de nombreux autres membres du laboratoire. Les étudiants doivent déterminer ce qui est connu et ce qui reste incertain avant de décider de ce qu'ils doivent dire.

Les professionnels des affaires et les techniciens ont besoin d’un vocabulaire commun. Hichem Benzair appelle cette langue omniprésente « language universel ». Amin Ranj Bar ajoute que les questions de sécurité doivent être prises en compte dès la phase de conception, ce qui exige des professionnels du secteur qui en savent suffisamment pour les poser.

Ces six capacités constituent une réponse pratique. Les contributeurs peuvent interpréter différemment ces schémas, et d'autres contributions pourront révéler ce qui manque encore.

Quatre niveaux de responsabilité

Ces six compétences décrivent les compétences que les élèves doivent développer. La question suivante est de savoir quelle part de chacune d’entre elles doit être assumée personnellement par chaque élève lorsque l’IA sera disponible.

La réponse varie d'une compétence à l'autre. Une approche pratique consiste à distinguer quatre niveaux de responsabilité humaine : « Doit accomplir », « Doit comprendre », « Doit vérifier » et « Doit assumer ».

Doit être exécuté

Certaines capacités devraient rester exécutables indépendamment car leur réalisation contribue à développer une compétence professionnelle.

Un étudiant peut avoir besoin de communiquer une idée, de raisonner sur un problème d’entreprise de base, de participer à une conversation difficile, d’estimer si un chiffre est raisonnable ou de prendre un jugement de base sans l’aide d’IA.

Les compétences acquises indépendamment sont importantes lorsque l’activité elle-même développe ou démontre une capacité dont le professionnel aura encore besoin.

Il faut comprendre

D'autres activités peuvent être effectuées en grande partie par l'IA, tandis que l'étudiant conserve suffisamment de connaissances pour comprendre le processus et ses implications.

Un manager peut déléguer la rédaction de logiciels, le calcul des statistiques, la conception d’un système de refroidissement pour un centre de données ou la réalisation de chaque étape d’une campagne de marketing numérique. Le manager doit néanmoins posséder suffisamment de connaissances pour communiquer avec les spécialistes, reconnaître les implications importantes et poser les bonnes questions.

Ce niveau prend de plus en plus d'importance à mesure que les systèmes d'entreprise deviennent techniquement complexes. Les managers prendront souvent des décisions concernant des technologies qu'ils ne pourraient pas mettre en place eux-mêmes. Le niveau « Must Understand » signifie savoir suffisamment pour participer de manière productive à ces décisions et pour reconnaître quand une expertise supplémentaire est nécessaire.

Il faut vérifier

Certaines tâches peuvent être déléguées à l’IA, tandis que l’homme décide si le résultat est suffisamment fiable pour être utilisé.

La vérification nécessite une appréciation des éléments de preuve, des risques, du contexte et des conséquences. Une tâche à faible risque peut nécessiter une révision rapide. Une décision ayant un impact important peut nécessiter des éléments de preuve indépendants, des avis spécialisés ou plusieurs niveaux de vérification.

La vérification nécessite également une attention particulière aux hypothèses sous-jacentes à une réponse. Un calcul peut être correct, mais les hypothèses, les données ou le contexte peuvent encore rendre la recommandation inappropriée.

Doit être possédé

Certaines décisions restent de la responsabilité d'une personne même lorsque l'IA contribue fortement à l'analyse.

L’IA peut identifier des alternatives, comparer des scénarios, estimer les résultats et recommander un plan d’action. Le professionnel responsable doit néanmoins comprendre pourquoi cette décision est prise, tenir compte de ses conséquences plus larges et accepter la responsabilité de son action.

Ces quatre niveaux permettent aux éducateurs de déterminer comment utiliser l’IA dans une activité d’apprentissage. Ils relient également les six capacités à la responsabilité professionnelle :

• Rapports de responsabilisation et de contrôle Ils exigent souvent des étudiants de vérifier et de prendre leurs propres décisions.
• Pensée indépendante et conception de problèmes Cela peut nécessiter que les étudiants procèdent eux-mêmes à une première analyse.
• Evidences et vérification exiger des étudiants la compréhension des bases d’une sortie et leur vérification selon le risque.
• Communication et relations humaines Ils nécessitent souvent une intervention humaine directe et une implication personnelle.
• Agence professionnelle et résilience exiger des étudiants une capacité suffisante pour fonctionner lorsque l’IA n’est pas disponible ou inappropriée.
• IA et alphabétisation technique Il exige des étudiants une connaissance suffisante de la technologie pour pouvoir choisir les outils, poser des questions éclairées et travailler avec des spécialistes.

REACT et le réflexe de responsabilité

Les quatre niveaux de responsabilité expliquent ce que les étudiants doivent effectuer, comprendre, vérifier ou maîtriser. Le cadre REACT leur offre une méthode pratique pour prendre ces décisions lors de leur travail avec l'IA.

REACT invite les étudiants à considérer cinq éléments : la raison, les preuves, la responsabilité, les contraintes et les compromis (Hormaza Dow & Nassi, 2026).

Raison associe l’utilisation de l’IA à un objectif précis. Les élèves devraient savoir pourquoi l’IA est utilisée et à quoi elle doit contribuer.

Preuve Il demande si les informations et les résultats obtenus sont suffisamment fiables pour l’utilisation prévue. Le niveau de contrôle doit refléter l’importance et le risque de la tâche.

Responsabilité Il permet de maintenir la propriété visible. Une personne reste responsable des travaux soumis et des décisions prises, quelle que soit la part que l’IA ait eue dans leur réalisation.

Contraintes inclure la confidentialité, la sécurité, les règles organisationnelles, les exigences légales, l’éthique, les ressources disponibles et le but de l’activité d’apprentissage.

Compromis Il faut que les étudiants prennent en considération les avantages, les coûts et les conséquences ensemble. Les décisions commerciales ne permettent rarement d’optimiser tous les objectifs en même temps.

Les compromis méritent un exemple. Une entreprise peut adopter l’IA pour augmenter la productivité et également augmenter ses besoins en informatique. Une technologie peut réduire un impact environnemental et augmenter un autre. Prolonger la durée de vie des équipements informatiques réduit la consommation de matières premières, mais les équipements plus anciens deviennent finalement assez inefficaces que le remplacement devient plus logique. L’automatisation peut gagner du temps tout en réduisant les possibilités pour les employés ou les étudiants de développer des compétences spécifiques.

Le jugement professionnel consiste à reconnaître ces effets contradictoires, à évaluer les preuves disponibles, à comprendre le contexte et à prendre une décision que la personne peut défendre.

La pratique répétée peut transformer ces cinq questions en un réflexe. D’ici 2030, cette conscience de l’obligation de rendre des comptes pourrait être plus importante que le type particulier d’interface d’IA que l’étudiant a appris à utiliser à l’université.

Dix recommandations pour l’éducation des entreprises d’ici 2030

La thèse propose une norme pratique : les programmes d’études commerciales devraient évaluer ce que les étudiants peuvent produire avec l’IA, ainsi que ce qu’ils peuvent comprendre, questionner, vérifier, communiquer, décider et posséder.

1. L’utilisation de l’IA dans la conception en fonction de l’objectif d’apprentissage

Les éducateurs devraient commencer par identifier les capacités que l’activité vise à développer, puis introduire l’IA d’une manière qui soutienne cet objectif.

Si l’objectif est un raisonnement fondamental, les étudiants peuvent avoir besoin de travailler indépendamment avant d’utiliser l’IA. Si l’objectif est une collaboration professionnelle avec l’IA, les étudiants devraient utiliser l’IA tout en documentant leurs décisions, vérifiant les résultats et expliquant leur jugement final.

2. Évaluer le jugement en parallèle avec les résultats

Un produit intelligent et assisté par l’IA montre ce que peut produire un étudiant. Il révèle beaucoup moins de choses sur ce que l’étudiant comprend réellement.

L’évaluation devrait également examiner la manière dont les étudiants ont formulé le problème, sélectionné les informations, évalué les résultats de l’IA, identifié les limites, envisagé des alternatives, compris les conséquences et défendu leurs décisions.

3. Utilisez explicitement les quatre niveaux de responsabilité

Les cours doivent indiquer si une compétence doit être effectuée, comprise, vérifiée ou détenue par le personnel.

Des niveaux de responsabilité clairs aident les élèves à comprendre les attentes. Ils permettent également aux enseignants de trouver un équilibre entre une délégation totale des responsabilités et des restrictions inutiles concernant les applications AI utiles.

4. Apprenez REACT comme une habitude professionnelle

Les étudiants devraient s’entraîner à identifier les raisons de l’utilisation de l’IA, à évaluer les preuves, à clarifier la responsabilité, à reconnaître les contraintes et à prendre en considération les compromis.

L’utilisation répétée peut faire de ces considérations une partie du jugement professionnel normal.

5. Préserver l’effort productif

Les élèves ont besoin d’opportunités pour acquérir de nouvelles connaissances, essayer de trouver des solutions, faire des erreurs, recevoir des commentaires et réviser leur façon de penser.

L’IA peut éliminer les barrières inutiles. L’effort visant à développer une compréhension durable doit être maintenu.

6. Développer une capacité professionnelle minimale et viable

Chaque diplômé en affaires devrait pouvoir organiser un problème d’entreprise de base, communiquer de manière claire, effectuer des calculs raisonnables, interpréter les informations, formuler un jugement préliminaire et déterminer la prochaine étape appropriée sans dépendre entièrement de l’IA.

7. Apprendre aux élèves quand chercher l’expertise humaine

La connaissance de l’IA devrait inclure la capacité à reconnaître les limites tant du système que de l’étudiant. Les diplômés devraient savoir quand impliquer des comptables, des avocats, des spécialistes de la cybersécurité, des ingénieurs, des managers ou d’autres professionnels qualifiés.

8. Faire prendre conscience de la responsabilité

On attend des étudiants qu'ils comprennent le travail soumis sous leur nom et qu'ils s'y tiennent. Il doit toujours être clair qui a pris la décision, qui a vérifié le résultat et qui est responsable de ses conséquences.

9. Pensez au système plus large

Certaines décisions commerciales liées à l’IA doivent être évaluées au-delà de leurs performances et de leurs coûts immédiats.

Les étudiants devraient apprendre à considérer le cycle de vie d'une technologie, l'infrastructure et les ressources dont elle dépend, ses effets sur les personnes et les organisations, ainsi que les conséquences qui pourraient se manifester ultérieurement.

Les étudiants en commerce doivent posséder une capacité de réflexion systémique suffisante pour reconnaître les conséquences d’une décision au-delà des variables présentées par une recommandation générée par une IA, ainsi qu’une capacité de jugement suffisante pour savoir quand une expertise technique ou environnementale est nécessaire.

10. Intégrer la sensibilisation aux ressources dans l’analyse de l’IA

L’IA peut sembler intangible, mais son utilisation dépend d’une infrastructure physique qui nécessite de l’espace, de l’eau, de l’énergie et des matières premières. Les étudiants n’ont pas besoin de devenir experts en matière d’infrastructure des centres de données, mais ils devraient comprendre que l’utilisation de l’IA a des conséquences physiques qui varient en fonction de la technologie, de l’échelle et du contexte.

Lorsqu'ils doivent décider si et comment utiliser l'IA, les étudiants devraient donc tenir compte non seulement de ce que cette technologie peut accomplir, mais aussi de savoir si son utilisation est appropriée et proportionnée à la tâche à accomplir. La prise en compte des ressources devrait devenir l'un des critères qui informera les décisions en matière d'IA responsable, notamment à mesure que cette technologie se généralisera.

Est-ce que “ sans IA ” est la bonne question ?

Une façon courante de structurer ce débat consiste à se demander ce que les étudiants devraient pouvoir faire sans l’IA. Cette expression est utile car elle attire l’attention sur la dépendance. Une question plus durable consiste à se demander ce que les étudiants doivent encore comprendre, accomplir, vérifier et maîtriser.

Les professionnels de l’entreprise s’appuient déjà sur des feuilles de calcul, des calculatrices, des bases de données, des moteurs de recherche et des logiciels spécialisés. Personne ne demande à un comptable de renoncer à la feuille de calcul comme preuve de compétence. La compétence est évaluée par le fait que les personnes utilisent leurs outils de manière appropriée et comprennent suffisamment pour prendre des décisions éclairées. Le même critère s’applique à l’IA.

Certaines fonctionnalités devraient rester exécutables indépendamment. D'autres doivent rester compréhensibles. Certaines tâches peuvent être déléguées, mais doivent être vérifiées. Certaines décisions doivent finalement être assumées par une personne.

Les capacités de l’IA continueront à évoluer. La responsabilité éducative de développer des personnes compétentes restera.

Vers 2030

Retour à Maya et à ses trois produits finis.

Le client s'est demandé pourquoi elle avait supposé une croissance de 12 %. L'IA a peut-être produit cette prévision, mais Maya doit tout de même comprendre cette hypothèse, évaluer les preuves qui la sous-tendent, expliquer pourquoi elle est raisonnable, repérer ce qui pourrait la rendre erronée et assumer la responsabilité de son utilisation.

Ce moment illustre un défi plus général pour l’enseignement des affaires. D’ici 2030, les étudiants pourront régulièrement travailler avec des systèmes d’intelligence artificielle capables de rechercher, de calculer, d’analyser, de comparer, de recommander, de communiquer et, de plus en plus, d’agir en leur nom.

L’éducation des affaires doit préserver les capacités humaines à juger, à penser de manière indépendante, à évaluer les preuves, à communiquer avec les autres, à comprendre la technologie utilisée et à agir avec initiative et responsabilité. Ces capacités doivent rester suffisamment fortes pour que les diplômés puissent comprendre les problèmes auxquels ils sont confrontés, reconnaître quand l’IA est peu fiable ou inappropriée, prendre des décisions dans l’incertitude, tenir compte des conséquences plus larges, communiquer avec les autres, solliciter l’expertise lorsque nécessaire et s’approprier les résultats.

L’IA peut accélérer l’analyse, élargir les options, identifier des tendances et exécuter des tâches complexes. Ces capacités augmentent l’importance du jugement humain, car il reste nécessaire que quelqu’un détermine ce qui importe, quelles preuves méritent d’être prises en compte, quelles conséquences sont acceptables et quelles actions doivent être prises.

Prenez l’exemple d’un futur gestionnaire qui évalue une proposition concernant une infrastructure IA. L’IA peut comparer les coûts, estimer les besoins en électricité, analyser différentes technologies, calculer les impacts sur la durée de vie et recommander une option. Le gestionnaire doit néanmoins déterminer ce qui mérite d’être examiné. Les coûts et les performances sont certes importants, mais aussi l’intégrité, la confidentialité, l’énergie, l’eau, les matériaux, les employés, les impacts sur la communauté et la dépendance à long terme envers certaines technologies ou fournisseurs. Leur importance varie en fonction de la décision et de son contexte.

Le calcul et la prise de décision sont des formes différentes de travail.

L’IA peut aider à déterminer ce qui est possible, à comparer les alternatives et à identifier les conséquences. Le jugement humain est toujours nécessaire pour décider quelles conséquences sont importantes, comment peser les priorités concurrentes, quand les preuves disponibles sont suffisantes, quand une expertise spécialisée est nécessaire et quelles actions doivent être prises.

Cette même distinction s'applique lorsque l'IA évalue un candidat à un poste, recommande une stratégie marketing, identifie un client comme présentant un risque de crédit, propose un calendrier de projet, génère une réaction publique à une crise ou recommande un investissement.

Alors que l’IA devient plus compétente dans les domaines de la calcul, de l’analyse, de la comparaison et de la recommandation, les étudiants doivent acquérir une meilleure capacité de jugement pour déterminer ce qui mérite d’être pris en considération lors de la prise de décision finale.

Cela ne signifie pas que les étudiants doivent effectuer eux-mêmes toutes les tâches. Certaines capacités doivent rester exécutables indépendamment. D’autres doivent être bien comprises pour pouvoir être questionnées et expliquées. Le travail généré par l’IA doit parfois être vérifié, le niveau de vérification reflétant le risque impliqué. Enfin, certaines décisions doivent en définitive être détenues par une personne, peu importe le rôle que l’IA y a joué.

Un étudiant qui produit une excellente analyse avec l’IA démontre une compétence professionnelle importante. Les enseignants ont également besoin de preuves de ce que cet étudiant sait, peut reconnaître, peut expliquer, peut décider et est prêt à assumer ses responsabilités.

L’accès à un système intelligent ne conduit pas automatiquement à une décision intelligente.

Alors que les machines deviennent plus performantes dans leurs tâches professionnelles, les écoles doivent être plus attentives aux compétences humaines que celles-ci continuent de développer. Un diplômé en informatique prêt à faire face à l’IA devra posséder deux types de compétences : la capacité à travailler efficacement avec des machines de plus en plus performantes, et la capacité à rester une personne compétente et responsable tout en accomplissant ces tâches.

Lorsque le client demande pourquoi, Maya devrait avoir sa propre réponse.

Déclaration sur l'utilisation de l'IA

Deux agents d’IA, Charlie AI et Lena AI, ont contribué à répondre à la question abordée dans cet article. Leur réponse est indiquée comme étant une production IA dans la section “ Nous avons également demandé à l’IA ”. Un assistant d’IA (Claude, Anthropic) a format ce document. Les auteurs humains ont examiné l’article dans son intégralité et assument la responsabilité de son contenu.

Référence

Hormaza Dow, T., & Nassi, M. (2026, 11 mars). Enseignement de la judicieuse utilisation de l’IA dans l’enseignement supérieur : ressources en webinaire associées à l’adoption du cadre REACT. Zenodo. Webinaire PEEC : ENSEIGNER LA JUDICIE EN UTILISATION DE L’IA EN ÉDUCATION SUPERIEURE, Québec, Canada. https://doi.org/10.5281/zenodo.20259032