Aux États‑Unis, plusieurs universités accélèrent leurs décisions d’admission en intégrant des outils d’IA générative dans l’examen des dossiers. Sous pression budgétaire, des services d’admission s’appuient déjà sur des modèles de langage pour analyser lettres, réponses courtes et bulletins, à l’image de Virginia Tech, du Caltech et de Georgia Tech. Le mouvement s’inscrit dans un paysage où l’usage de ChatGPT par les étudiants et l’expérimentation pédagogique par les enseignants bousculent les pratiques établies.
Des gains de temps substantiels, l’humain restant décisionnaire
Virginia Tech illustre l’approche « humain dans la boucle ». Jusqu’ici, chaque dossier comprenait quatre réponses courtes notées par deux lecteurs, avec arbitrage en cas d’écart. Face à un pic de 58 000 candidatures et près de 500 000 items à lire l’an dernier, l’université a adopté un double scoring IA/lecteur pour chaque question et ne sollicite un second humain qu’en cas de divergence. Selon Juan Espinoza, vice‑provost en charge de l’admission, ce schéma a économisé environ 8 000 heures et avancé les notifications d’un mois, sans déléguer la décision finale à la machine.
Georgia Tech exploite aussi l’IA pour accélérer la lecture des relevés des candidats en transfert. L’établissement développe un outil d’analyse de données combinant historiques d’admission et statistiques de recensement pour estimer plus tôt les montants d’aide financière probables, une variable décisive mais rarement transparente à ce stade pour les admis.
Standardisation et biais, les angles morts dénoncés
Les garde‑fous restent en débat. La professeure Meredith Broussard (NYU), spécialiste d’éthique de l’IA, alerte sur une « récompense » de styles normés conformes aux attentes algorithmiques, à rebours de l’évaluation de la plume personnelle. Daron Acemoglu (MIT) pointe un risque d’homogénéisation si plusieurs campus adoptent des modèles similaires, avec une préférence implicite pour un même profil de candidat. L’écart d’accès aux outils les plus performants, souvent corrélé au capital économique et social, peut en outre accentuer les inégalités.
Dans le même temps, des acteurs comme InitialView, prestataire de nombreux campus, proposent des entretiens vidéo et, via la plateforme Viva, des Q&R générées à partir de travaux soumis pour mieux vérifier la maîtrise réelle du candidat. L’objectif est double : rationaliser l’examen des dossiers et contenir l’inflation d’essais rédigés ou fortement lissés par des assistants génératifs.
Des lignes rouges plus nettes sur l’usage étudiant de l’IA
Plusieurs universités fixent des règles explicites. Brown autorise la relecture orthographique et grammaticale par IA mais exige que le contenu des réponses et des pièces soit produit par le candidat. Cornell tolère l’idéation et la correction, tout en proscrivant la rédaction par IA, la traduction automatique d’essais rédigés dans une autre langue et la génération d’images pour portfolios.
Sur le plan opérationnel, la tentation d’industrialiser l’admission avec des pipelines IA est forte, mais le différenciateur restera la gouvernance du modèle : transparence des critères, audit de biais, diversité des lecteurs et hétérogénéité des outils. À défaut, la promesse de vitesse pourrait se payer d’une convergence des profils retenus, peu compatible avec les objectifs affichés de pluralité académique.
Source : ITHome
