Tag: IA

Une IA générative est un type d’intelligence artificielle capable de produire des contenus nouveaux (texte, image, son, vidéo, code) en réponse à une instruction formulée en langage naturel (un « prompt »).

Elle repose sur des modèles entraînés sur de très grandes quantités de données. Plutôt que de « comprendre » au sens humain, ces modèles apprennent des régularités statistiques et construisent leur réponse en prédisant, pas à pas, l’élément le plus probable : le mot suivant pour le texte, le pixel pour l’image. On parle de grands modèles de langage (LLM) pour le texte et de modèles de diffusion pour l’image. Cette mécanique probabiliste explique à la fois leur aisance de rédaction et leurs limites, comme les erreurs factuelles (voir « Quels sont les points de vigilance ? »).

Deux évolutions récentes à connaître :

• La multimodalité : un même outil traite et combine désormais plusieurs formats comme lire une image, répondre à l’oral, générer un schéma à partir d’un texte.
• Les agents : au-delà de la simple conversation, certains systèmes enchaînent des actions pour accomplir une tâche (rechercher, rédiger, exécuter plusieurs étapes), avec un degré variable d’autonomie.

Un moteur de recherche (Google, Bing, DuckDuckGo, Qwant…) indexe le contenu du web et renvoie une liste de ressources existantes classées par pertinence. Il pointe vers des contenus ; il n’en crée pas.

Une IA générative (Claude, ChatGPT, Vibe de Mistral, Copilot – accessible avec l’identité numérique UBS -, Gemini etc) produit un contenu nouveau, rédigé sur mesure à partir d’une instruction. On « converse » avec elle et on affine la réponse au fil des échanges.

Une nuance importante et récente : la frontière entre les deux s’est estompée. La plupart des IA génératives grand public consultent aujourd’hui le web en temps réel et citent leurs sources ; à l’inverse, les moteurs de recherche intègrent des réponses génératives (comme l’aperçu IA chez Google). La vraie différence n’est donc plus « chercher vs. inventer », mais :

• ce que vous obtenez : une liste de liens à explorer par vous-même, ou une réponse synthétique déjà rédigée ;
• la vigilance requise : une réponse générative, même accompagnée de sources, peut contenir des erreurs ou restituer une source de façon inexacte – elle doit toujours se vérifier.

Pour comparer plusieurs modèles sur un même prompt, deux arènes publiques sont utiles : LMArena et Compar:IA, l’arène francophone soutenue par l’État.

Les IA génératives sont des outils puissants, mais leur usage suppose de garder à l’esprit plusieurs limites. En voici les principales.

Biais. Les modèles sont entraînés sur d’immenses corpus qui contiennent des biais — de données, algorithmiques ou sociétaux. Ils peuvent donc reproduire, voire amplifier, des stéréotypes (exemple : quand la génération d’images associe « banlieue » à des clichés, ou le cas d’un outil de recrutement Amazon abandonné pour discrimination).

Hallucinations. Une IA générative peut produire des informations fausses, inventées ou absurdes, présentées de façon parfaitement convaincante. Les modèles récents dits « de raisonnement » réduisent le phénomène mais ne l’éliminent pas : il reste structurel. Toute information générée se vérifie (exemple : un avocat américain sanctionné pour avoir cité des arrêts inventés par ChatGPT).

Protection des données : confidentialité et souveraineté. Ce que vous saisissez dans un outil grand public peut être conservé, potentiellement réutilisé pour entraîner le modèle (vous pouvez désactiver cette option dans la majorité des IAg grand public), voire ressurgir dans d’autres échanges. Ne confiez jamais de données personnelles, de copies d’étudiants ou d’informations professionnelles non publiques à un outil grand public (exemple : des ingénieurs Samsung ayant divulgué du code confidentiel). La question de la souveraineté (où et par qui les données sont hébergées) est traitée en détail dans la question dédiée aux données personnelles.

Impact environnemental. L’entraînement et l’usage des modèles consomment beaucoup d’énergie, d’eau et de ressources naturelles (métaux rares). Cela invite à la sobriété : choisir le bon outil pour le bon besoin plutôt que d’y recourir par réflexe. La plateforme Compar:IA permet d’ailleurs de comparer les réponses de plusieurs modèles en affichant leur consommation énergétique.

Désinformation et usages malveillants. Les mêmes technologies servent à fabriquer deepfakes, fausses images et fausses voix (exemples : de fausses images de la Tour Eiffel en feu, ou une fausse visioconférence en deepfake ayant coûté 25 M$ à une entreprise).

Propriété intellectuelle. Les modèles sont entraînés sur des œuvres protégées, ce qui soulève des questions de droits d’auteur non tranchées (le New York Times poursuit ainsi OpenAI et Microsoft ; de nombreux artistes ont engagé des actions). Prudence donc sur le statut juridique des contenus générés et sur leur réutilisation.

Impact sur les capacités cognitives. Déléguer systématiquement à l’IA peut réduire l’effort intellectuel, créer une dépendance et court-circuiter les apprentissages en profondeur : une « dette cognitive » sur le long terme. Une étude du MIT (2025) en a mesuré les premiers effets (panel néanmoins très réduit). C’est un enjeu central côté étudiants, à intégrer dans la réflexion sur les usages autorisés et sur l’évaluation.

Quelques précautions simples

• Valider et comparer : vérifier systématiquement les résultats (biais, hallucinations, raisonnement probabiliste).
• Vérifier les sources : contrôler les références citées par l’IA, qui sont parfois inexactes ou inexistantes.
• Choisir l’outil adapté : pour une question simple, un moteur de recherche classique suffit ; réservez l’IA aux tâches complexes.
• Protéger les données : ne saisissez aucune information confidentielle, personnelle ou professionnelle.
• Désactiver l’entraînement sur vos données : dans les paramètres de la plupart des outils grand public, vous pouvez empêcher la réutilisation de vos contenus (texte, audio, vidéo).

Pour une IA générative, un prompt est une instruction envoyée en langage naturel à un algorithme d’IA pour générer du contenu (texte, images etc.). À l’image d’une recette de cuisine, un ingrédient en trop ou manquant peut complètement changer la pertinence des réponses générées. Il conviendra dans tous les cas de bien analyser et vérifier la véracité des informations générées.

Il existe plusieurs bonnes pratiques pour optimiser ses prompts (attention : chaque outil aura également ses spécificités et répondra plus ou moins bien à une même instruction). L’outil LMarena ou Compar:IA permet de comparer les réponses à un prompt sur différents modèles simultanément.

S’il fallait ne retenir qu’une première base pour optimiser un prompt, cela peut être le modèle RCTF « Rôle + Contexte + Tâche + Format » :

• R – Rôle : Qui doit être l’IA ? (ex: Juriste, Responsable RH, Guide…) .
• C – Contexte : Quelle est la situation ? (ex: Public étudiant, ton formel, urgence…) .
• T – Tâche : Que doit faire l’IA ? (ex: Rédiger, Résumer, Traduire…) .
• F – Format : Quelle forme doit prendre la réponse ? (ex: Tableau, Mail, Liste à puces…) .

Une fois la réponse générée; si celle-ci n’est pas totalement satisfaisante ou doit être affinée, il sera possible d’interagir / de collaborer avec le modèle pour ajuster / corriger les éléments. Le mode « Canvas » présent sur certains modèles permet aussi l’édition interactive directement depuis l’interface.

Pour aller plus loin

Il existe de multiples méthodes pour adapter ses prompts en fonction de l’usage et l’objectif. Vous retrouverez plusieurs techniques et exemple sur https://www.promptingguide.ai/fr :

Ressources complémentaires

• Prompt Engineering Guide
• L’art du prompt 101 – Guide pour les personnes enseignantes – UQAM/LeCarrefour
• Exemples de prompts pour les enseignants – Wooclap
• Comment prompter en 2024 ? – SIDE Blog – Alain Goudey
• L’art, la technique ou la science du prompt – Bastien Masse
• Guide de OpenAi sur le prompt engineering

Les outils d’IA générative sont innombrables et l’offre évolue chaque semaine. Plutôt qu’une liste vite dépassée, retenez un principe simple : données UBS → outils UBS. Avant de saisir quoi que ce soit, choisissez l’outil selon la sensibilité de ce que vous lui confiez, et ne transmettez jamais de données personnelles, de copies d’étudiants, de données de recherche ou d’informations confidentielles à un outil qui n’est pas sous contrôle européen ou institutionnel.

Deux ressources à jour pour vous orienter :

• 👉 Quels outils d’IA générative privilégier à l’UBS ? : le bon outil selon votre besoin et selon son niveau de confiance.
• 🔎 Portail de veille : outils IAg à l’université : panorama complet des outils par usages.

Pour tester et comparer plusieurs modèles sur un même prompt, deux arènes publiques sont utiles : Compar:IA (francophone, soutenue par l’État, affiche la consommation énergétique) et LMArena.

Cette question porte sur les usages généraux de l’IA générative professionnels et personnels comme assistant de vos tâches courantes. Pour les usages spécifiquement liés à l’enseignement et à l’apprentissage, voyez « Quelles applications pédagogiques ? ».

• S’informer et explorer : se documenter, faire émerger des idées, organiser un projet, obtenir des recommandations. Les modèles récents interrogent le web en temps réel et citent leurs sources : pratique, mais les sources se vérifient.
• Comprendre et échanger : interroger un concept, demander des explications à différents niveaux, se faire poser des questions pour tester sa compréhension.
• Rédiger et améliorer : aide à l’écriture (notes, courriels, comptes rendus, modèles réutilisables), correction orthographique et grammaticale, reformulation, ajustement du ton.
• Synthétiser et traduire : résumer un contenu, le vulgariser, traduire, sous-titrer.
• Analyser des documents : extraire et croiser des informations, interroger un long document ou tout un corpus. Les grandes fenêtres de contexte des modèles actuels permettent de traiter des documents volumineux d’un seul tenant — à condition de ne rien y déposer de confidentiel hors cadre UBS.
• Mettre en forme et calculer : structurer en tableaux ou en listes, générer des formules pour un tableur.
• Illustrer et produire du multimédia : créer des images ou de l’audio pour vos supports. Ces générations sont bien plus coûteuses en énergie que le texte : réservez-les aux cas où elles apportent une vraie valeur ajoutée.
• Coder : générer, expliquer, réviser ou déboguer du code.
• Automatiser : au-delà de la simple conversation, certains outils (les « agents ») enchaînent plusieurs étapes pour accomplir une tâche complète. Un domaine récent et prometteur, à explorer avec les mêmes précautions de vérification et de confidentialité.

Dans tous les cas, deux réflexes : vérifier ce que l’IA produit (elle peut se tromper avec aplomb) et ne jamais confier de données personnelles ou sensibles à un outil hors cadre institutionnel. Dès qu’une tâche touche des données professionnels (courriels, comptes rendus, documents de travail), appliquez le principe données UBS → outils UBS et choisissez l’outil adapté sur la page : Quels outils d’IA générative privilégier à l’UBS ?.

• Préparer et structurer un cours : construire un plan, formaliser un syllabus, esquisser un scénario pédagogique, aligner objectifs, activités et évaluation. L’IA sert ici de partenaire pour dégrossir et challenger vos choix, que vous validez ensuite.
• Créer du matériel pédagogique : diaporamas, fiches de synthèse, glossaires, illustrations. Deux formations du SUP outillent directement ces usages : créer et améliorer ses supports visuels et utiliser Gemini Notebook (NotebookLM) pour produire des supports à partir de vos propres documents.
• Concevoir des évaluations : générer des questions de QCM et leurs distracteurs plausibles, bâtir une banque de questions, rédiger des grilles critériées, préparer des études de cas ou des sujets, ou encore formuler des retours (feedback) sur des productions. Voir la fiche concevoir un QCM avec l’IA générative et la formation utiliser l’IA pour la conception de QCM. Attention : ne déposez jamais un sujet d’examen à venir ou des copies réelles sur un outil hors cadre UBS.
• Idéation : faire émerger des idées de projets, de travaux de groupe, de mises en situation, ou décliner un même contenu sous plusieurs angles.
• Faire dialoguer les étudiants avec un persona : échanger avec un personnage virtuel (un recruteur pour préparer un entretien, une figure historique, un journaliste…) pour travailler une posture ou un contenu de façon incarnée.
• Individualiser les apprentissages : proposer un tuteur virtuel qui interroge l’étudiant sur une notion et s’adapte à ses réponses, ou exploiter des indicateurs de suivi (learning analytics) pour repérer qui décroche.
• Développer l’esprit critique en analysant les productions de l’IA : faire repérer aux étudiants les insuffisances, les biais ou les erreurs d’un contenu généré, organiser un débat sur ses limites, leur faire enrichir ou corriger une sortie d’IA. L’outil devient alors objet d’étude, pas seulement moyen de production.
• Améliorer l’accessibilité des contenus :transcription, sous-titrage, synthèse vocale, description d’images, vérification de la lisibilité des documents.

Pour aller plus loin, la formation construire son enseignement à l’aide de l’IA générative et le guide d’usages pédagogiques du Pôle interordres de Montréal détaillent de nombreux cas concrets. Et pour tout ce qui touche à l’évaluation, voyez la question dédiée « Comment adapter ses modalités d’évaluation ? ».

Pour aller plus loin, la formation construire son enseignement à l’aide de l’IA générative et le guide d’usages pédagogiques du Pôle interordres de Montréal détaillent de nombreux cas concrets. Et pour tout ce qui touche à l’évaluation, voyez la question dédiée « Comment adapter ses modalités d’évaluation ? ».

L’arrivée des IA génératives invite à préciser ce que l’on veut vraiment évaluer et à choisir des modalités cohérentes avec cet objectif. Plutôt que de courir après la détection (peu fiable : voir « Comment détecter l’utilisation d’IA ? »), l’enjeu est de repenser la tâche elle-même. Voici les principaux leviers.

Repartir des objectifs et des compétences. Demandez-vous quelle compétence l’épreuve mesure réellement, et lesquelles doivent rester démontrées sans assistance. Cette clarification commande tout le reste : une même matière peut justifier une épreuve « IA interdite » pour les fondamentaux et une épreuve « IA intégrée » pour une tâche complexe. Voir aussi « Choisir des modalités d’évaluation en cohérence avec les objectifs ».

Positionner explicitement le curseur. Pour chaque évaluation, situez l’usage autorisé sur trois postures, et annoncez-le clairement dans le syllabus et la consigne :

• IA interdite : pour évaluer des acquis fondamentaux, en conditions maîtrisées.
• IA autorisée sous conditions: l’étudiant peut s’en servir mais doit le déclarer et citer ses usages (voir « Comment citer et encadrer l’utilisation des IA ? »).
• IA intégrée à la tâche : on évalue précisément la capacité à l’utiliser de façon critique et responsable.

L’ambiguïté est le principal facteur de dérive : une consigne floue laisse chacun improviser sa propre règle.

• Évaluer le processus, pas seulement le produit. L’IA produit sans effort un livrable poli ; la valeur se déplace donc vers le cheminement. Demandez des brouillons successifs, un journal de bord, un carnet de recherche, une bibliographie commentée, ou une soutenance orale où l’étudiant explique et défend ses choix. Un oral court suffit souvent à révéler la réelle appropriation.
• Privilégier des formats plus difficiles à déléguer. L’oral et l’entretien, l’écrit manuscrit en présentiel pour les compétences clés, mais surtout l’ancrage local et personnel : appuyer la tâche sur des données vues en cours, une expérience de stage, un terrain, un cas récent ou un contexte propre à l’étudiant. Plus la production exige une contextualisation située, moins elle est délégable telle quelle. Les évaluations authentiques, entre pairs, en groupe, ou sous forme de production multimodale (poster, prototype, vidéo) vont dans le même sens.
• Intégrer l’IA dans la consigne plutôt que la subir. Faites produire une première version par l’IA, puis demandez à l’étudiant de la critiquer, corriger, enrichir et justifier ses modifications, prompts à l’appui. On évalue alors l’apport humain, le regard critique et la maîtrise de l’outil. C’est aussi l’occasion d’apprendre aux étudiants à repérer ce qu’ils peuvent déléguer à la machine de manière responsable et à développer leur esprit critique face aux contenus générés.
• Multiplier les points de contrôle. Un unique « gros rendu maison » concentre le risque. Le fractionner en jalons variés (étapes intermédiaires, mini-oraux, quiz en présentiel) fiabilise l’évaluation tout en soutenant l’apprentissage.

Un point de vigilance pratique : ne déposez jamais de copies réelles ni de sujets d’examen à venir sur un outil hors cadre institutionnel (principe données UBS → outils UBS).

Pour aller plus loin, le SUP met à disposition le guide Repenser ses évaluations à l’heure des IA génératives et sa fiche récapitulative, ainsi qu’une carte mentale dédiée (parties « Impact sur les évaluations » et « Adapter ses modalités »).

Citer l’IA recouvre en réalité deux gestes distincts : créditer une contribution de l’IA dans une production (une référence, comme pour toute source) et déclarer de façon transparente qu’on y a eu recours. Les deux relèvent de l’intégrité intellectuelle et, côté enseignement, donnent l’exemple des pratiques attendues des étudiants.

Au préalable : l’IA n’est pas une source. Une réponse générée n’est pas une référence – c’est une reformulation probabiliste, et les sources qu’elle avance sont parfois approximatives ou inventées. Ne citez donc jamais l’IA à la place d’une source primaire : retrouvez le document d’origine, vérifiez qu’il existe et qu’il dit bien ce qui est affirmé, puis citez celui-ci. On ne cite l’outil que lorsqu’il a lui-même contribué au contenu (rédaction, idéation, illustration…).

Créditer une contribution de l’IA

Le principe : comme le résultat d’un prompt n’est ni stable ni reproductible, on cite l’outil comme un logiciel, en précisant le prompt utilisé. Concrètement, indiquez le nom et la version de l’outil, son éditeur, la date, et selon le contexte le prompt formulé ; les extraits repris littéralement vont entre guillemets, et une transcription intégrale de l’échange peut figurer en annexe.

Exemple de référence, inspiré de la norme APA :

Mistral AI. (2026). Le Chat (version du 5 septembre 2026) [Grand modèle de langage]. https://chat.mistral.ai

Dans le corps du texte, on mentionne l’outil et on décrit le prompt (« En réponse à la consigne « … », Le Chat a proposé… »).

Les lignes directrices existent pour les principales normes :

• APA : Citing generative AI, repris en français par l’Université de Moncton.
• MLA : Citing generative AI.
• Chicago : FAQ dédiée.

Pour des modèles par type de contenu (texte, image, code…), voyez le guide de l’Université de Sherbrooke ; Compilatio récapitule aussi les usages selon les normes. Notez enfin que citer l’outil suppose de savoir lequel vous avez utilisé : à l’UBS, privilégiez les outils du cadre institutionnel (voir « Quels outils privilégier à l’UBS ? »).

Déclarer l’usage

Au-delà de la référence bibliographique, il est de plus en plus attendu d’accompagner une production d’une courte déclaration précisant comment l’IA a été mobilisée. Cette pratique se généralise, certains cadres nationaux imposent désormais une annexe de déclaration dans les travaux diplômants. Une formulation suffit :

« Ce document a été rédigé par l’auteur. Le Chat (Mistral) a été utilisé pour reformuler l’introduction et vérifier l’orthographe ; les contenus générés ont été relus et validés. »

En contexte d’évaluation, cette déclaration est précisément ce que vous demandez lorsque l’usage de l’IA est « autorisé sous conditions » : pensez à l’exiger explicitement dans votre consigne. Côté étudiants, deux ressources UBS posent le cadre : les consignes sur les usages permis ou interdits et le mémo pour un usage responsable.

Côté enseignant : encadrer les usages

Pour rendre lisibles les usages autorisés dans un cours ou sur une tâche, deux dispositifs peuvent inspirer :

• les balises d’utilisation de l’IAg (Université de Sherbrooke), qui gradue les usages permis dans une activité ;
• les pictogrammes de Martine Peters pour signaler visuellement le niveau d’usage attendu.

Ils s’articulent avec vos choix d’évaluation : définir le niveau autorisé, puis demander la déclaration et la citation correspondantes.

Un mot de prudence transverse : ne déposez jamais de copies réelles ni de données personnelles sur un outil hors cadre institutionnel, y compris pour préparer un exemple de citation (données UBS → outils UBS). La citation relève d’une démarche de transparence, à distinguer de la question de la détection, dont les limites sont abordées dans « Comment détecter l’utilisation d’IA ? ».

Aucun outil ne « prouve » l’usage d’une IA. Les détecteurs peuvent servir d’indicateurs ou de points de départ à un échange, mais ils ne fournissent jamais de certitude, et fonder une décision sur leur seul résultat serait une erreur. L’enjeu se situe moins dans la détection que dans la façon de concevoir l’évaluation en amont (voir « Comment adapter ses modalités d’évaluation ? »).

Les limites des détecteurs

• Fiabilité insuffisante : leurs scores ne permettent pas de confirmer avec certitude qu’un contenu a été généré par une IA.
• Faux positifs : une écriture authentiquement humaine peut être signalée comme générée. La recherche documente ces taux d’erreur et leurs effets (Harrison & Whitney, 2024).
• Contournables : des services « humanisent » un texte généré pour échapper à la détection.
• Difficilement recevables : les services juridiques des universités considèrent rarement un score de détecteur comme une preuve exploitable.

Des approches plus fiables que la détection

Souvent plus révélateur qu’un score : observer la cohérence du style avec les productions antérieures de l’étudiant, vérifier les références (existent-elles réellement ? disent-elles ce qui leur est attribué ?), repérer des formulations génériques ou des erreurs typiques. En cas de doute, un court échange oral comme demander à l’étudiant d’expliquer une partie de son travail, ses choix, ses sources lève l’ambiguïté mieux qu’un logiciel.

L’outil disponible à l’UBS

L’UBS met Compilatio Magister+ à disposition des enseignants depuis l’ENT ou via moodle. L’esprit de l’outil n’est pas de « prendre en défaut » mais d’ouvrir un travail d’exploration, de prévention et d’accompagnement des pratiques.

Pour aller plus loin

• Compilatio — série « Plagiat, IA, évaluation : et maintenant ? » (quatre épisodes de repères concrets).
• « Détecteurs d’IA : une fausse solution à un vrai problème ».
• Why AI Detection Alone Shouldn’t Be Used To Establish Academic Standing (Forbes).

En lien