Intégrer l'IA dans l'EFTP : un guide pratique pour les établissements

📜🔗LIEN vers la source

Capsules Audio de Pratiques en Santé 🎙️🎥 https://www.youtube.com/watch?v=iwMs7x3VbH0

1. RÉSUMÉ ANALYTIQUE

Un décalage entre usages réels et cadres institutionnels. L'IA reconfigure les tâches, les profils métiers et les exigences de compétences dans presque tous les secteurs, plus vite que les systèmes de formation ne s'adaptent (p. 13). Le guide constate un fossé : 62 % des jeunes utilisent déjà l'IA en contexte pratique ou de travail, mais seulement 30 % ont reçu une formation formelle (p. 14). L'exposition est inégale — genre, ruralité, faibles revenus, connectivité — et risque d'aggraver les fractures existantes. L'intégration de l'IA reste précoce, transitoire et fragmentée, concentrée dans des pilotes et des pôles d'innovation plutôt que déployée à l'échelle de l'établissement (p. 14).

Un cadre d'action centré sur l'humain et l'établissement. Le document propose une démarche institutionnelle globale : cinq principes éthiques, un écosystème en quatre dimensions, une intégration par phases calée sur la maturité réelle, et sept domaines d'application (gouvernance, curriculum, pédagogie, évaluation, compétences, métiers à risque, innovation). Il affirme que l'IA doit augmenter et non remplacer le jugement professionnel (p. 20). Il fournit des instruments directement mobilisables — grille de maturité, registre de risques, cadre d'indicateurs — et insiste sur la protection des données, l'équité et la sécurité comme conditions non négociables.

2. POINTS CLÉS DU DOCUMENT

1. Cinq principes éthiques opérationnalisés. Le guide fonde toute stratégie IA sur cinq principes interconnectés : agentivité humaine et autorité de l'enseignant, équité/non‑discrimination, finalité pédagogique, transparence/explicabilité, responsabilité/protection des données (Figure 1, p. 19). Le Tableau 2 (p. 20) traduit chaque principe en action de politique concrète et en justification pédagogique — par exemple : imposer une étape de revue humaine dans toute évaluation assistée par IA, conduire une étude d'impact « équité » avant tout déploiement.
2. Un écosystème en 4 dimensions et une intégration par phases non séquentielle. L'établissement « AI‑ready » articule quatre dimensions : rôles/partenariats, engagement industrie, infrastructure habilitante, valorisation des capacités existantes (Figure 2, p. 27). L'intégration suit quatre phases calées sur la maturité — diagnostic, applications à faible risque/haute valeur, approfondissement pédagogique, écosystème (Figure 3 et Tableau 3, p. 32‑33). Point crucial : ces phases ne forment pas une séquence obligatoire ; on entre au niveau correspondant à sa maturité réelle.
3. Une refonte de l'évaluation face à la GenAI, en 4 catégories. Le Tableau 11 (p. 52) distingue l'évaluation où l'IA est exclue, permise, intégrée ou mobilisée par l'évaluateur. Chaque évaluation autorisant l'IA doit comporter une « ancre non délégable » : une étape que seul l'apprenant, dans son contexte, peut réaliser (p. 53). Méthodes proposées : documentation du processus, soutenance orale, évaluation en couches, tâches par projet, réflexions écrites en classe. La démonstration pratique reste la preuve la plus solide dans les métiers manuels et à risque (p. 54).
4. Une gouvernance outillée : politique minimale, registre de risques, processus en 8 étapes. Le Tableau 4 (p. 36) fixe les éléments minimaux d'une politique IA institutionnelle ; le Tableau 5 (p. 37‑39) recense les risques par catégorie (pédagogiques, évaluation, gouvernance, juridiques/éthiques, équité, compétences, sécurité, environnement) et leurs mesures d'atténuation. La Figure 4 (p. 35) déroule un processus de gouvernance en huit étapes, de la définition de la vision à l'évaluation‑révision continue de la politique.
5. Des compétences par rôle, et l'IA traitée comme enjeu de sécurité. Le guide décline le référentiel UNESCO de compétences enseignantes (Tableau 12, p. 56) en attentes indicatives par cluster de rôles — direction, enseignants, appui aux apprenants, personnels techniques (Tableau 13, p. 57) — et en parcours pour les apprenants (Tableau 15, p. 59). Dans les métiers à risque (santé, construction, électricité…), il exige la maîtrise manuelle indépendante avant l'IA et une supervision humaine des décisions critiques (Tableau 16, p. 62 ; p. 61‑63).

3. PISTES D'ACTION POUR LES ACTEURS LOCAUX

1. Lancer le diagnostic avant tout achat. Réunir un groupe transversal et remplir l'outil d'auto‑réflexion sur la maturité (Annexe A, p. 72‑76), qui couvre sept dimensions. En contexte contraint, cette phase 1 peut durer 12‑18 mois sans aucun investissement technologique : sa valeur est la clarté qu'elle produit (p. 32).
2. Formaliser une politique IA minimale et un référent données. Avant de passer à l'approfondissement pédagogique, s'assurer qu'une politique d'usage existe et qu'au moins une personne ou un comité porte la responsabilité de la gouvernance des données (p. 32). S'appuyer sur le Tableau 4 (p. 36) pour couvrir les éléments minimaux.
3. Tenir un registre des risques vivant. Adapter le modèle de l'Annexe B (p. 77) à son échelle : catégorie de risque, cause, contrôles existants, mesures d'atténuation, responsable, indicateur de suivi. Prioriser les risques à conséquences physiques irréversibles pour les métiers à risque.
4. Redéfinir les évaluations exposées à la GenAI. Reclasser chaque tâche selon les quatre catégories du Tableau 11 (p. 52), ajouter une « ancre non délégable » (p. 53) et rééquilibrer vers la démonstration pratique, la soutenance orale et la preuve de processus. Réserver l'écrit non assisté à la vérification des savoirs fondamentaux (p. 54).
5. Séquencer l'apprentissage : compétence manuelle d'abord. Dans les métiers à risque, définir un volume minimal d'heures de pratique non assistée par apprenant, distinct de la pratique simulée, et évaluer le jugement professionnel sans IA (p. 63). La simulation IA reste une étape préparatoire, jamais un substitut à la pratique supervisée.
6. Mettre en place un dispositif de suivi léger. Sélectionner un jeu restreint d'indicateurs structurels et perceptuels dans le cadre de l'Annexe C (p. 78‑85), établir une ligne de base, puis réviser régulièrement — plutôt que de tout mesurer d'un coup (p. 66). Besoin non couvert à anticiper : le guide suppose des données institutionnelles organisées, difficiles à réunir quand les systèmes sont cloisonnés (p. 51) — prévoir un travail préalable d'interopérabilité.

4. RÉFÉRENCES COMPLÉMENTAIRES 

1. UNESCO – Référentiel de compétences en IA pour les enseignants (2024). Socle direct du guide (15 compétences, 5 composantes) ; version française disponible. → https://www.unesco.org/fr/articles/referentiel-de-competences-en-ia-pour-les-enseignants
2. CNIL – Développement des systèmes d'IA : les recommandations pour respecter le RGPD (juillet 2025). Complète la dimension « protection des données » du guide dans le cadre juridique français et européen (minimisation, base légale, information des personnes). → https://www.cnil.fr/fr/developpement-des-systemes-dia-les-recommandations-pour-respecter-le-rgpd
3. Ministère de l'Éducation nationale (France) – Cadre d'usage de l'intelligence artificielle en éducation (juin 2025). Opérationnalisation nationale des mêmes principes (plus‑value pédagogique, protection des données, usage frugal, intégrité des évaluations, intégration de l'IA générative). → https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647

5. FOIRE AUX QUESTIONS (FAQ)

1. À qui s'adresse ce guide ? Aux dirigeants d'établissements, enseignants et formateurs, personnels curriculum et évaluation, et à toute personne impliquée dans la planification. Il concerne aussi les décideurs et autorités de qualification qui façonnent les conditions système (p. 12).
2. L'IA va‑t‑elle remplacer les formateurs ? Non. Le guide pose une distinction centrale entre augmentation et remplacement : l'IA doit étendre la capacité humaine, jamais s'y substituer. L'enseignant garde un rôle de supervision et d'interprétation (p. 20).
3. Comment savoir par où commencer si nous partons de zéro ? Par un diagnostic systématique des capacités existantes (infrastructure, humain, processus, partenariats), sans investissement technologique préalable obligatoire (Phase 1, p. 31‑32 ; Annexe A, p. 72).
4. Comment évaluer quand les apprenants peuvent utiliser la GenAI ? En classant chaque tâche selon quatre catégories d'implication de l'IA et en intégrant une « ancre non délégable ». La démonstration pratique et l'oral restent les preuves les plus fiables (p. 52‑54).
5. Quels sont les principaux risques et comment les traiter ? Huit familles de risques (pédagogiques, évaluation, gouvernance, juridiques, équité, compétences, sécurité, environnement) avec, pour chacune, des mesures d'atténuation — voir le Tableau 5 (p. 37‑39) et le registre de l'Annexe B (p. 77).
6. Que faire dans les métiers à risque (santé, construction, électricité) ? Exiger la compétence manuelle indépendante avant l'IA, définir des frontières de tâches, maintenir une supervision humaine des décisions critiques et inscrire la responsabilité dans la politique (p. 61‑63 ; Tableau 16, p. 62).
7. Comment mesurer si l'intégration fonctionne ? En combinant indicateurs structurels (existence d'une politique, objectifs de compétences) et perceptuels (préparation ressentie du personnel, perception des apprenants, retours employeurs), sur un jeu restreint et une ligne de base (Annexe C, p. 66, 78‑85).

6. RÉÉCRITURE EN FALC

Ce que dit le document

L'intelligence artificielle change le travail et la formation.

Elle change les métiers et les compétences demandées.

Beaucoup de jeunes utilisent déjà l'IA.

Mais peu de gens ont appris à bien l'utiliser.

Ce guide aide les établissements à agir.

Les idées importantes

L'IA doit aider les formateurs. Elle ne doit pas les remplacer.

Le formateur garde le contrôle. C'est lui qui décide.

Chaque établissement doit écrire des règles claires.

Ces règles protègent les données des apprenants.

L'IA doit être juste avec tous les apprenants.

Pour bien commencer

D'abord, regardez ce que vous avez déjà.

Puis, écrivez une première règle simple.

Choisissez une personne responsable des données.

Testez l'IA sur une seule action facile.

Montrez que cela marche avant d'aller plus loin.

Pour l'évaluation

Avec l'IA, il est facile de tricher.

Demandez à l'apprenant de montrer son travail.

Demandez‑lui d'expliquer à l'oral ce qu'il a fait.

Dans les métiers manuels, regardez‑le faire en vrai.

Pour les métiers dangereux

Certains métiers ont des risques : santé, chantier, électricité.

Ici, l'apprenant doit d'abord savoir faire seul.

L'IA vient seulement après.

Une personne doit toujours vérifier les décisions importantes.

7. ANALYSE TRANSVERSALE — VALEURS DE PRATIQUES EN SANTÉ

• Littératie : oui — le guide impose une information en langage clair, sans jargon, sur chaque outil IA utilisé, et intègre la littératie IA dans les programmes plutôt qu'en module isolé (p. 20‑21, 26).
• Empowerment : l'apprenant doit garder son agentivité — voir ses données, comprendre leur usage, pouvoir contester une décision de l'IA (p. 21).
• Participation : co‑construction explicite via ateliers de conception participative et représentation des apprenants dans les comités d'éthique et les revues de curriculum (p. 21, 28).
• Santé communautaire (dimension collective) : l'innovation est reliée aux besoins économiques, sociaux et environnementaux des communautés locales (p. 65).
• Éthique : les biais culturels et sociaux sont identifiés et traités comme responsabilité opérationnelle continue, avec comité d'éthique IA et tests de biais (p. 21‑22, 24).
• Droits humains : l'équité, l'inclusion et la non‑discrimination sont le prisme premier d'évaluation, ancré dans la Recommandation sur l'éthique de l'IA (p. 21).
• Intersectorialité : partenariats recommandés avec industrie, autorités de qualification, gouvernement, communautés et réseaux internationaux (p. 28‑29).
• Partenariat : modèles formalisés — comités d'éthique mixtes, groupes curriculum conjoints, réseaux régionaux, partenariats recherche (p. 28‑29).
• Lutte contre les discriminations : oui — surexposition des femmes à la GenAI et sous‑représentation dans les filières techniques, handicap, ruralité, langue explicitement traités (p. 14, 21, 60).

8. ÉVALUATION DE LA FIABILITÉ DE LA RESSOURCE

Pertinence scientifique : solide sur le plan des sources mobilisées (WEF, OIT, OCDE, Banque mondiale, Cedefop, corpus UNESCO), avec des données récentes (2024‑2026). Deux réserves d'honnêteté éditoriale : (1) plusieurs références citées portent la date 2026 et semblent être des préprints ou publications à paraître (ex. Lai et al., 2026, signalé « Preprint » ; Gmyrek et al., 2026 ; Romeo & Conti, 2026) — à vérifier avant reprise ; (2) les encadrés de cas sont des auto‑déclarations institutionnelles, non des évaluations indépendantes, et le guide reconnaît lui‑même que les preuves sur la simulation IA‑adaptative « restent à un stade précoce » (p. 50) et que l'évidence « provient souvent de cas institutionnels plutôt que d'enquêtes systématiques » (p. 14). Biais à noter : instrument produit par l'UNESCO, qui promeut son propre corpus normatif — les contre‑arguments (surcoûts, risque d'effet vitrine, dépendance aux plateformes) sont mentionnés mais restent secondaires.

Pertinence opérationnelle : très élevée. Les trois annexes sont directement transposables (grille de maturité à 4 niveaux, registre de risques, cadre d'indicateurs structurels et perceptuels), complétées par un processus de gouvernance en 8 étapes et des tableaux de décision. C'est le principal atout terrain du document.

Incohérences internes à signaler (vestiges de production) : la page de mentions légales cumule deux blocs contradictoires — une mention « Author: Robert Palmer » et un « Cover photo: © xx » (placeholders de gabarit non nettoyés) coexistant avec les auteurs réels (Yang, Wu, Tegelbeckers), ainsi qu'une double mention « © UNESCO 2025 » et « © UNESCO 2026 ». Sans effet sur le contenu, mais à mentionner si le document est cité formellement.

10. HASHTAGS STRATÉGIQUES

#IAgénérative #EFTP #LittératieNumérique #ÉthiqueIA #CompétencesÉmergentes #FractureNumérique #EmployabilitéInclusive #pratiquesensante