Pourquoi le soutien universitaire et la facilité d'interface de l'IA sont désormais plus importants que la littératie pour le démarrage de carrière des diplômés
Une étude, publiée au début de la seconde moitié de 2026, a révélé un paradoxe inattendu : dans la course à la compétitivité des diplômés, les universités devraient se concentrer non pas sur l'élargissement des cours sur l'intelligence artificielle, mais sur l'intuitivité des interfaces et le soutien systémique à leur utilisation. Les auteurs de l'Université privée appliquée d'Amman (Jordanie) ont mené une modélisation structurelle sur un échantillon de 211 étudiants, en utilisant la méthode des moindres carrés partiels (PLS-SEM) – une technique particulièrement adaptée à l'analyse de modèles complexes avec un petit échantillon.
À première vue, les résultats contredisent tout ce que le modèle classique d'acceptation de la technologie (TAM) nous a appris : on s'attendrait à ce que l'utilité perçue des outils devienne le principal moteur de leur adoption. La réalité s'est avérée différente. Deux facteurs – le soutien institutionnel et la facilité d'utilisation des plateformes – prédisaient de manière statistiquement significative le passage des étudiants de la théorie à la pratique avec les applications d'IA. De plus, une meilleure maîtrise des bases de l'IA a montré un effet négatif inattendu : il est possible que les étudiants les mieux préparés soient plus critiques envers les outils, en percevant mieux leurs limites et leurs risques. Quant à l'utilité perçue, elle n'a eu aucune influence statistiquement significative – un fait étrange, mais éloquent.
La chaîne de causalité se présente comme suit : adoption des outils d'IA → développement des compétences d'avenir (Future-Ready Skills) → amélioration de l'employabilité des diplômés. À chaque étape, ce lien a été statistiquement confirmé. Il est intéressant de noter que les compétences « d'avenir » servent de lien médiateur entre l'utilisation de l'IA et les résultats concrets sur le marché du travail – elles transforment les compétences techniques en compétitivité sur le marché.
La méthodologie de l'étude – une enquête transversale suivie d'une analyse PLS-SEM – présente des avantages et des limites. Les avantages sont évidents : la petite taille de l'échantillon est plus facile à gérer avec cette approche, les variables latentes complexes sont modélisées plus naturellement. Mais les inconvénients sont importants. L'absence de données longitudinales (à long terme) et de groupe de contrôle signifie que nous ne pouvons parler qu'avec prudence des liens de causalité – ce sont des corrélations, étayées par la logique, mais pas par l'expérimentation. De plus, les auteurs n'ont pas détaillé la répartition de l'échantillon par spécialité, genre, niveau d'expérience préalable avec l'IA – ce qui rend difficile de comprendre dans quelle mesure les conclusions sont généralisables à d'autres contextes, d'autres pays, d'autres universités.
Mais le plus important est le changement de paradigme. Deux décennies de recherche sur les modèles classiques TAM et UTAUT (Théorie Unifiée de l'Acceptation et de l'Utilisation de la Technologie) ont établi : l'utilité perçue et la facilité d'utilisation sont les leviers principaux. En 2025-2026, cette hiérarchie est réécrite. L'utilité a reculé. L'intuitivité et le soutien sont passés au premier plan.
Cela fait écho à d'autres recherches récentes : lorsque le domaine des outils d'IA devient mature et accessible, la logique utilitariste cède la place à la question « Aurai-je envie de l'utiliser ? ». Les facteurs humains – la confiance, la sécurité psychologique, la présence d'un instructeur ou d'un environnement de soutien – commencent à l'emporter sur l'utilité brute.
Pour la pratique universitaire, cela signifie un renversement de la stratégie d'investissement. Si auparavant le terme « numérisation » signifiait l'achat de logiciels et la formation à la littératie, aujourd'hui, il s'agit de concevoir l'expérience, la culture, l'écosystème autour des outils d'IA. Les universités qui offrent à leurs étudiants des plateformes conviviales en un clic, la présence de mentors, des exemples d'application réussie et une confiance psychologique dans leur utilisation, gagnent. Celles qui se limitent à des cours sur l'éthique de l'IA ou la littératie générale risquent de prendre du retard dans la formation réelle des professionnels.
La question de l'effet négatif d'une haute littératie nécessite une étude plus approfondie. Plusieurs explications sont possibles : les étudiants ayant des connaissances approfondies peuvent être plus sceptiques, en voyant les pièges ; ils peuvent préférer le contrôle manuel à l'automatisation ; ou la littératie initiale peut être corrélée à d'autres variables (comme le perfectionnisme) qui ralentissent l'adoption. C'est une porte ouverte pour la prochaine série de recherches.
L'étude laisse en suspens les questions de l'impact à long terme sur la qualité de l'éducation : l'utilisation de l'IA prépare-t-elle réellement mieux les diplômés, ou est-ce seulement une impression ? La facilité d'utilisation des outils d'IA ne conduit-elle pas à un apprentissage superficiel ? Qu'en est-il de l'inégalité d'accès – les étudiants des universités aux ressources limitées bénéficient-ils du même avantage ? Les risques éthiques – utilisation des données des étudiants, biais dans les modèles d'IA – restent également dans l'ombre. Des réplications indépendantes sur des échantillons plus larges et plus hétérogènes, des interventions expérimentales (où une faculté introduit le soutien, une autre non) et des études longitudinales aideront à préciser la solidité de ces conclusions.
La conclusion est évidente : les universités qui se concentreront sur la création d'un environnement de soutien et intuitif pour travailler avec l'IA obtiendront un avantage notable dans la préparation de diplômés compétitifs et employables. Les investissements dans l'expérience utilisateur et le soutien institutionnel sont plus rentables que les programmes de formation classiques.
