Construire une feuille de route institutionnelle pour l’IA en s’inspirant de l’Université du Michigan
Dernière mise à jour : il y a 3 jours
Une démarche stratégique pour les dirigeants d’entreprise et les membres de conseils d’administration d’universités
Lors de HUMANE.S. 2026, à Montréal le 18 septembre, Ravi Pendse, vice-président aux technologies de l’information et directeur des systèmes d’information de l’Université du Michigan, a présenté la démarche de l’université pour développer et déployer l’IA dans l’enseignement, la recherche et l’administration.
Écoutez le podcast tiré de la présentation de Ravi Pendse lors de HUMANE.S. 2026 :
Comment une organisation peut-elle développer et déployer des outils d’IA tout en conservant la maîtrise de ses données, de ses choix technologiques et de ses décisions ? With an annual budget of $17 billion, the University of Michigan serves as a powerful case study for executives and board members designing their own transformation roadmaps.
L'Université du Michigan (États-Unis) dont le budget annuel s'élève à 17 milliards de dollars, offre un exemple concret aux dirigeants d’entreprise et aux administrateurs universitaires qui élaborent leur propre feuille de route de transformation.
En septembre 2026, l’université faisait état des résultats suivants :
plus de 97 000 utilisateurs et 50 millions de requêtes sur U-M GPT, l’interface commune de l’université donnant accès à des modèles d’IA générative ;
plus de 10 000 projets portés par des enseignants et des membres du personnel avec Maizey, la plateforme leur permettant de créer des applications d’IA adaptées à leurs propres activités ;
des centaines de cours utilisant l’IA générative. [1]
L’enseignement essentiel réside dans la démarche de transformation qui a rendu ces résultats possibles.
L’effort institutionnel du Michigan a commencé près de quatre ans auparavant. Il reposait sur cinq éléments :
(1) Une gouvernance multidisciplinaire : associer les différentes composantes de l’université à l’élaboration d’une approche commune de l’IA.
(2) Des principes partagés : établir des règles communes d’accès, de protection et d’utilisation des données.
(3) L’accès et la formation continue : mettre des services à disposition et accompagner l’apprentissage de leurs usages.
(4) La participation des collaborateurs à la conception des outils : permettre aux enseignants et au personnel de développer des applications pour leurs propres activités.
(5) Des contrôles adaptés à l’évolution des capacités de l’IA : définir les informations auxquelles les systèmes peuvent accéder, les actions qu’ils peuvent exécuter, les modalités de suivi de leur activité et les situations exigeant un contrôle humain.
Les étapes ci-dessous structurent l’expérience du Michigan en une feuille de route stratégique pour les dirigeants d’entreprise et les administrateurs universitaires. Elles précisent les décisions à prendre pour développer et déployer des outils d’IA ; elles ne signifient pas que Michigan a achevé chaque étape avant d’engager la suivante.
ÉTAPE 1. Constituer un comité multidisciplinaire et définir une orientation commune
Michigan a commencé à réunir un groupe consultatif multidisciplinaire sur l’IA en décembre 2022. Un comité consultatif formel sur l’intelligence artificielle générative a ensuite été constitué en mars 2023. Ce comité a examiné l’adoption de l’IA à l’échelle de l’établissement et proposé des orientations communes. Ses travaux comprenaient une enquête menée en juin 2023 sur les trois campus de l’université, qui a recueilli 6 037 réponses.
L’enquête montrait que l’IA générative était déjà utilisée. Parmi les répondants, 58 % des enseignants, 39 % des membres du personnel, 56 % des étudiants de premier cycle et 66 % des étudiants des cycles supérieurs déclaraient y avoir recours. [2]
Le rapport du comité, publié en juin 2023, proposait un socle commun pour une adoption responsable, articulé autour de trois axes : [2]
(1) L’accès : rendre l’IA accessible de manière sécurisée et équitable.
(2) Les orientations d’usage : établir des lignes directrices pour l’enseignement et la recherche.
(3) L’accompagnement : assurer la formation et une coordination institutionnelle dans la durée.
Le comité a contribué à définir l’organisation de l’adoption de l’IA à l’échelle de l’université. Ses travaux ont inscrit l’accès, les lignes directrices et la formation dans une démarche institutionnelle commune.
=> Décision pour la direction — Constituer un comité multidisciplinaire doté d’un mandat explicite.
Ce comité doit pouvoir :
comprendre les usages existants dans l’ensemble de l’organisation ;
proposer des principes et des orientations communs ;
recommander les modalités de formation et de coordination continue qui accompagneront le développement et le déploiement des services d’IA.
L’organisation dispose ainsi d’un cadre pour comprendre les pratiques qui émergent déjà parmi ses collaborateurs et définir des conditions communes d’utilisation de l’IA au sein de l’institution.
ÉTAPE 2. Définir qui maîtrise les données institutionnelles et les choix technologiques
La souveraineté consiste à conserver le pouvoir de décision sur les données institutionnelles et les choix technologiques. Trois questions permettent de préciser cet enjeu :
Qui décide de l’utilisation des données institutionnelles ?
Qui fixe les règles d’utilisation des services d’IA ?
L’organisation peut-elle adapter ses choix technologiques lorsque les modèles et les fournisseurs évoluent ?
Michigan a répondu à ces questions par des engagements sur l’utilisation des données et une architecture donnant accès aux modèles de plusieurs fournisseurs.
Le Prof. Ravi Pendse a présenté trois engagements concernant les données de l’université :
leur protection selon les normes de l’université ;
leur gouvernance conformément aux politiques de l’université ;
l’absence d’utilisation de ces données pour entraîner des modèles d’IA externes. [1]
Ces engagements fixent les règles de protection et d’utilisation des informations de l’université. Ils ne signifient pas que chaque composant est entièrement développé ou hébergé au sein de l’établissement.
Michigan a également construit son écosystème autour des besoins de l’organisation, plutôt qu’autour d’un modèle particulier. L’accès aux modèles de plusieurs fournisseurs, associé à des mises à jour continues des services, a permis à l’université d’adapter ses services à l’évolution des capacités disponibles. [1]
Pour les dirigeants, la maîtrise des données et la souplesse des choix technologiques doivent donc être examinées conjointement. Le recours à plusieurs fournisseurs ne supprime pas les dépendances et ne supprime pas les difficultés de migration. Il peut toutefois offrir davantage de possibilités d’adaptation qu’une dépendance à un modèle unique.
=> Décisions pour la direction : Définir les règles d’utilisation des données et les possibilités d’évolution technologique.
Décision 1 : établir les normes et les politiques qui régissent les données institutionnelles.
Décision 2 : préciser les utilisations autorisées de ces données, notamment la possibilité ou non de les employer pour entraîner des modèles externes.
Décision 3 : déterminer comment l’organisation préservera sa capacité d’adaptation à mesure que les modèles et les fournisseurs évolueront.
L’objectif est de conserver la maîtrise de la protection des données, de leurs utilisations autorisées et des choix technologiques. Cela ne constitue pas une indépendance complète à l’égard des fournisseurs externes de technologies.
ÉTAPE 3. Déterminer les services d’IA que l’institution mettra à disposition
Michigan a développé des services répondant à différents besoins : assistance générale par l’IA, applications personnalisées, accès mobile et enchaînements de tâches reliant l’IA à des informations et à d’autres outils. Le tableau ci-dessous présente leur complémentarité. [1]
Service | Rôle dans l’écosystème | |
U-M GPT | Interface commune donnant accès aux modèles d’IA générative de plusieurs fournisseurs | |
Maizey | Applications d’IA personnalisées pour la recherche, l’enseignement et l’administration, notamment des tuteurs propres à chaque cours via Canvas | |
Go Blue | Application mobile d’IA destinée à l’ensemble du campus, associant informations en temps réel et modèles de pointe | |
AI Workflows et M-Connectors | Services permettant d’enchaîner plusieurs tâches et de relier les outils d’IA aux systèmes et aux données de l’institution |
Un assistant généraliste aide les utilisateurs à obtenir des réponses.
Un tuteur propre à un cours apporte une assistance adaptée aux besoins de ce cours.
Un processus reliant plusieurs outils peut aller plus loin : il peut rechercher des informations et exécuter une succession d’actions.
Plus les fonctions du service s’étendent, plus l’institution doit préciser les informations auxquelles il peut accéder, les actions qu’il peut exécuter et les personnes chargées de contrôler son activité.
L’écosystème d’IA du Michigan déployé à grande échelle. Présentation du Prof. Pendse. [1]
Source: Catalogue d’applications U-M Maizey. Présentation du Prof. Pendse. En savoir plus. [1]
=> Décision pour la direction : Distinguer les besoins communs des besoins spécialisés.
Déterminer les services qui doivent être accessibles à tous, les applications qui nécessitent une personnalisation et les activités qui exigent des connexions aux données ou aux systèmes institutionnels. Une infrastructure commune peut alors répondre à ces différents usages, avec des contrôles adaptés à chacun.
ÉTAPE 4. Donner aux enseignants et au personnel de l’autonomie dans un cadre commun
Michigan a choisi d’associer activement les enseignants et le personnel à la conception d’applications pour leurs propres activités. La vision de Pendse d’un « campus de concepteurs d’outils d’IA » permet aux personnes qui connaissent le travail de contribuer à la conception des outils. Maizey rend cette participation possible dans l’environnement de l’université.
Pour les professeurs, les directeurs des achats et les autres collaborateurs, le principe est le même : leur donner les moyens de développer des outils adaptés à leurs activités, tout en conservant une infrastructure commune et des contrôles institutionnels.
L’intégration de Maizey à Canvas, l’environnement pédagogique déjà utilisé par les enseignants, illustre cette démarche. À l’Université du Michigan, les enseignants pouvaient y créer des tuteurs IA en quelques minutes.
Un enseignant peut ainsi concevoir une assistance adaptée à un cours. Avant d’en étendre l’utilisation, la direction doit disposer de réponses à trois questions :
(1) Sur quelles informations le tuteur s’appuie-t-il ?
(2) Comment ses réponses sont-elles évaluées ?
(3) Dans quelles situations les étudiants doivent-ils se tourner vers un enseignant ?
L’utilisation déclarée de l’IA générative dans des centaines de cours témoigne de son adoption. Elle ne démontre pas, à elle seule, une amélioration des résultats d’apprentissage.
=> Décision pour la direction : Permettre la conception d’outils au sein des équipes tout en maintenant la responsabilité institutionnelle.
Donner aux collaborateurs la latitude nécessaire pour créer des applications pertinentes, mais conserver des normes communes et des contrôles lorsque ces applications s’intègrent aux activités quotidiennes.
ÉTAPE 5. Soutenir l’autonomie par un accès équitable et la formation
L’équité d’accès était un principe récurrent de la démarche du Michigan. Le rapport consultatif de 2023 proposait un financement centralisé de l’accès aux outils communs, avec des niveaux de service supplémentaires pour la personnalisation et les travaux techniques avancés. [2]
Cet enjeu dépasse le cadre universitaire : lorsque l’accès dépend entièrement des abonnements individuels ou des budgets des unités, les possibilités d’expérimenter et de développer une expertise sont inégalement réparties.
Michigan a accompagné l’adoption en offrant des possibilités d’apprendre, de concevoir des applications et de discuter des préoccupations :
des ateliers gratuits de formation aux usages de l’IA générative ;
des événements destinés aux développeurs ;
des espaces de discussion. [1]
Le Prof. Pendse a également insisté sur l’écoute des personnes qui ne prennent pas spontanément part aux échanges. Son appel à « donner la parole à ceux qui se taisent » relie le déploiement à la culture institutionnelle : chacun doit pouvoir exprimer ses incertitudes et ses désaccords, autant que son enthousiasme. Le sommet d’avril 2026, intitulé Everything Wrong with AI, a intégré les préoccupations à la discussion sur l’adoption. [1]
=> Décision pour la direction : Réunir les conditions qui rendent l’autonomie possible.
Pour contribuer à la conception et à l’adoption des outils, les collaborateurs ont besoin d’un accès aux services d’IA, d’une formation continue et de moyens d’exprimer leurs préoccupations.
ÉTAPE 6. Étendre la gouvernance des réponses produites aux actions exécutées
Le Prof. Pendse a décrit le passage d’une IA à laquelle on demande une réponse à des systèmes auxquels on confie plusieurs tâches liées entre elles. Ces processus combinent raisonnement, recherche d’informations et utilisation d’outils. Un système peut donc rechercher des informations pertinentes et exécuter une succession d’actions, au lieu de produire uniquement du texte.
Le directeur des systèmes d’information de l’Université du Michigan a défini trois exigences pour ces processus :
Observables : leur activité peut être suivie.
Modulaires : les différentes fonctions sont organisées en composants du processus.
Encadrés par des règles : les informations accessibles et les actions autorisées sont définies.
Le contrôle doit donc porter à la fois sur la réponse et sur les actions exécutées pour obtenir un résultat. Examiner uniquement la réponse finale ne suffit pas lorsqu’un système agit également sur d’autres outils ou systèmes.
=> Décisions pour la direction : Définir les contrôles avant d’élargir les possibilités d’action de l’IA.
(1) Préciser les informations que le système peut rechercher et les actions qu’il peut exécuter.
(2) Établir comment son activité sera suivie et dans quelles situations une personne devra la contrôler. Le périmètre de ces contrôles doit s’élargir à mesure que les possibilités d’action du système augmentent.
ÉTAPE 7. Expliciter le rôle du jugement humain et les responsabilités
Le Prof. Pendse a identifié trois pratiques à éviter, qui peuvent être désignées comme des « risques » :
Risque 1 — Laisser l’IA réfléchir à sa place au lieu de développer sa propre compréhension.
Risque 2 — Accepter des réponses formulées avec assurance sans les vérifier.
Risque 3 — Prendre des décisions importantes sans contrôle humain.
Ces risques expliquent pourquoi le jugement humain doit rester au cœur de la démarche universitaire. Les étudiants et les collaborateurs doivent continuer à réfléchir, à évaluer les réponses avec esprit critique et à examiner les décisions importantes. Un accès élargi à l’IA ne soutient la mission éducative que s’il préserve ces responsabilités.
=> Décision pour la direction : Expliciter le contrôle humain et la responsabilité des décisions à chaque étape.
Que les personnes utilisent un assistant commun, créent leur propre application ou déploient un processus reliant plusieurs outils, l’organisation a toujours besoin de personnes capables d’évaluer les résultats avec esprit critique et d’assumer la responsabilité des décisions importantes.
Questions pour les dirigeants et les conseils d’administration d’universités
L’expérience du Michigan permet d’examiner à la fois le déploiement et les responsabilités conservées par l’institution. Un comité de direction ou un conseil d’administration universitaire peut s’appuyer sur les questions suivantes pour évaluer sa propre feuille de route :
Quels sont les besoins de notre communauté ?
Quelles responsabilités l’organisation décide-t-elle de conserver ?
Quels éléments de mesure permettront d’établir que l’investissement aura effectivement produit les résultats visés ?
Sources
[1] Ravi Pendse. AI Is Not the Risk. Complacency Is. Conférence à HUMANE.S. 2026, Montréal, le 18 septembre 2026. Présentation et transcription.
[2] Université du Michigan. Generative Artificial Intelligence Advisory (GAIA) Committee Report, juin 2023. Consulter le rapport.
Le schéma présenté comme une synthèse éditoriale résume les éléments exposés.
Commentaires