Avec le recul, 2025 sera probablement retenue comme l’année où l’intelligence artificielle est pleinement entrée dans le grand public.

L’IA est rapidement passée de l’expérimentation à l’usage quotidien. Elle a commencé à soutenir la planification des cours, le tutorat, la correction, les retours d’information et les flux de travail administratifs à grande échelle. L’adoption par les enseignants, les institutions et les apprenants a rapidement dépassé les politiques, infrastructures et normes nécessaires pour la gouverner.

Mais 2026 sera différent.

Ce sera l’année où le système éducatif devra soit s’adapter, soit risquer de laisser les apprenants non préparés à l’avenir qu’ils entrent. L’accélération de l’IA n’est plus théorique. Les attentes augmentent plus vite que les institutions ne peuvent répondre, et la tension entre innovation, confiance et préparation devient impossible à ignorer.

Du point de vue de l’ETS, à l’intersection de l’évaluation, des compétences, de la préparation et de l’IA responsable, trois forces façonneront la suite. Des recherches mondiales récentes renforcent la rapidité avec laquelle ce point d’inflexion arrive. Dans le prochain rapport sur le progrès humain de l’ETS 2026, les travailleurs estiment que près d’un tiers de leur travail consiste déjà à diriger des outils d’IA, et ils s’attendent à ce que cette part dépasse la moitié dans les deux prochaines années. Parallèlement, l’anxiété quant à la préparation augmente parallèlement à l’adoption. Plus de la moitié des travailleurs expriment des inquiétudes quant à devenir obsolètes, et l’écart entre l’importance perçue des compétences en IA et la compétence des travailleurs reste immense.

 Ensemble, ces signaux soulignent que le défi à venir n’est pas simplement l’adoption de l’IA, mais la préparation, la confiance et la clarté à grande échelle.

Au cours des dernières années, l’IA dans l’éducation a largement existé comme un ensemble d’outils indépendants et distincts. Les assistants d’écriture, tuteurs, correcteurs et plateformes d’analyse apportaient de la valeur, mais souvent isolément.

Cette époque touche à sa fin.

L’IA cessera d’être un ajout des enseignants et s’intégrera plutôt à tout le parcours d’apprentissage.

Les premiers signes de ce changement sont apparus en 2024 et 2025, lorsque des initiatives axées sur l’éducation menées par de grands développeurs d’IA — dont OpenAI et Google — reconnaissaient que les environnements d’apprentissage exigent des principes de conception différents des outils de productivité généraux. Par contre, la frustration institutionnelle face aux systèmes d’IA fragmentés et non intégrés a accéléré la tendance à intégrer l’IA tout au long du parcours d’apprentissage. En conséquence, l’intégration va s’accélérer.

Les coplots d’IA intégrés directement dans les systèmes de gestion de l’apprentissage tels que Canvas, Blackboard, Moodle et Google Classroom deviendront l’expérience par défaut plutôt que des améliorations optionnelles. La demande institutionnelle s’éloignera des outils d’IA individuels pour se tourner vers une infrastructure d’IA sécurisée, interopérable et profondément intégrée dans les logiciels de cours, les systèmes d’information étudiant et les plateformes d’évaluation.

Pour l’ETS, ce changement renforce une vérité fondamentale. La valeur de l’IA dans l’éducation dépend de mesures fiables et de données de haute qualité. L’évaluation, l’analyse de l’apprentissage et le retour d’information ne peuvent pas rester en dehors de l’écosystème. Ils doivent être intégrés, interopérables et conçus pour soutenir des résultats significatifs plutôt que pour une efficacité superficielle.

Dans la prochaine phase d’adoption de l’IA, la confiance viendra d’une intégration bien réalisée.

À mesure que l’IA mûrit, une réalité devient claire : l’atout le plus précieux dans l’éducation alimentée par l’IA n’est pas le modèle lui-même. Ce sont les données d’apprentissage qui le sous-tendent.

Les systèmes d’IA spécifiques à l’éducation dépendent de données de haute qualité et pertinentes pour l’apprentissage afin d’entraîner, de valider et d’améliorer. Les modèles à usage général ne peuvent aller jusqu’à un certain point sans comprendre comment les élèves apprennent, où ils ont des difficultés et comment les progrès vers les résultats souhaités se déroulent au fil du temps.

Ces données résident principalement dans les systèmes de gestion de l’apprentissage et les plateformes institutionnelles, qui détiennent les enregistrements les plus complets de l’interaction, de l’engagement et de la performance des élèves (c’est-à-dire pas seulement des notes elles-mêmes). En conséquence, la dynamique concurrentielle en IA éducative est sur le point de changer.

Nous attendons une première grande vague de consolidation et d’alignement stratégique autour des données éducatives. Cela devrait prendre la forme d’acquisitions à grande échelle ou de partenariats pluriannuels entre les principaux développeurs d’IA, tels qu’OpenAI, Google, Microsoft et Anthropic, et les principaux fournisseurs de LMS tels que Canvas, Blackboard, Moodle et D2L.

Ces mesures vont rapidement transformer le marché. Elles mettront également la portabilité, l’interopérabilité et la gouvernance des données au cœur des débats politiques, intensifiant les questions sur la propriété des données, l’utilisation responsable, la transparence et sur la question de déterminer les normes d’équité et de responsabilité.

Pour l’ETS, ce moment représente à la fois opportunité et responsabilité. La demande pour des partenariats fondés sur des données validées et éthiquement sourcées qui protègent les apprenants et les institutions  afin d’offrir à la fois transparence et explicabilité. En même temps, le besoin d’une gouvernance transparente des données et d’une mise à l’échelle responsable n’a jamais été aussi grandissant.

À mesure que la concurrence pour les données s’intensifie, la confiance distinguera les organisations qui survivent.

Cette année, le rythme d’adoption de l’IA va entrer en conflit avec la réalité institutionnelle.

De nombreuses institutions ont déjà deux convictions contradictoires. L’IA avance trop vite pour que les éducateurs la mettent en œuvre de manière réfléchie, et même plus vite que les politiques ne peuvent évoluer pour fournir les garanties et protections nécessaires. En même temps, elle n’avance pas assez vite pour répondre aux pénuries de main-d’œuvre, aux écarts d’équité et à l’augmentation des besoins des élèves.

Cette tension atteindra un point de rupture.

Les gouvernements pousseront à des gains d’efficacité grâce à l’IA pour contrôler les coûts et répondre aux pénuries de main-d’œuvre. Les universités privilégieront la gestion des risques, l’intégrité académique et la préparation des étudiants à ce qui va suivre. Les étudiants s’attendront de plus en plus à des expériences d’apprentissage natives de l’IA personnalisées, pertinentes et pratiques ; et ils devront entrer sur le marché du travail avec des compétences fondamentales en IA. Parallèlement, les enseignants feront face à une pression croissante alors qu’ils doivent composer avec la lassitude des outils, des directives incohérentes et des attentes en évolution.

Le résultat sera un moment de jugement.

Le secteur sera contraint de faire un choix. Une voie est le changement progressif, traitant l’IA comme les calculatrices sont traitées aujourd’hui : autorisée, limitée et superposée aux modèles existants d’enseignement et d’évaluation. L’autre est la véritable transformation, repenser ce qui est enseigné, comment l’apprentissage se fait et où l’éducation s’intègre dans un monde en rapide évolution.

La plupart des institutions sont susceptibles de choisir des étapes progressives pour l’instant. Mais éviter cette décision n’est pas neutre. Choisir de changer lentement, ou pas du tout, reste une décision, et risque de laisser les apprenants mal préparés pour l’avenir.

Cette année, nous prévoyons l’émergence de la première vague d’accréditations ou de cadres de qualité en IA. De nouvelles normes de développement professionnel pour les enseignants prêts à l’IA prendront forme. Des directives mondiales plus claires sur l’intégrité académique suivront. L’évaluation basée sur les résultats prendra de l’ampleur, fondée sur une évaluation fiable. Cela nécessitera de repenser non seulement quels résultats comptent, mais aussi les processus et méthodes utilisés pour les mesurer et les atteindre.

Pour l’ETS, c’est un moment déterminant. À mesure que l’IA devient plus accessible, il existe un risque réel que les outils standards soient perçus comme « suffisamment bons » par les éducateurs sous pression, même lorsque des questions d’équité, de fiabilité et de validité restent cachées sous la surface. Lorsque le contenu IA semble plausible, des questions cruciales sur les biais, la cohérence et l’utilisation appropriée peuvent facilement disparaître.

C’est précisément pour cela que la mesure fiable, l’évaluation fiable et la conception transparente de l’IA deviendront non négociables. Le rôle que l’ETS a longtemps joué en tant que gestionnaire de l’équité, de la validité et de la qualité devient encore plus central à mesure que l’IA redéfinit la manière dont l’apprentissage est évalué et reconnu. Dans un système éducatif habilité par l’IA, la rigueur ne peut pas être optionnelle, et les modèles conçus spécifiquement autour des données et résultats éducatifs compteront bien plus que les solutions polyvalentes conçues pour la commodité.

D’ici la fin de l’année, le paysage de l’éducation en IA sera fondamentalement différent.

L’écosystème va se consolider. Les données deviendront un champ de bataille stratégique. L’écart entre l’accélération de l’IA et la capacité humaine exigera une résolution.

Chez ETS, nous assumons la responsabilité de contribuer à façonner un avenir où l’IA améliore l’apprentissage de manière juste, sûre et significative. La prochaine ère de l’IA dans l’éducation ne sera pas définie uniquement par le battage médiatique ou la rapidité.

Elle sera définie par la confiance.