L'IA dans l'administration universitaire : trier, signaler, assister, mais pas décider

Chaque rentrée, les services académiques vivent la même scène : des piles de dossiers d'inscription, des listes de paiements à pointer, des notes à reporter, des étudiants qui attendent devant le guichet. La question n'est plus de savoir si l'intelligence artificielle arrivera dans ces bureaux, mais à quel endroit elle rend vraiment service, et à quel endroit elle devient un risque.

Notre position est simple : l'IA est utile pour préparer le travail, pas pour trancher à la place des personnes qui en portent la responsabilité.

Ce qu'elle sait faire aujourd'hui

Trier et classer les dossiers

Un dossier d'inscription contient souvent les mêmes pièces : diplôme d'État, relevés, pièce d'identité, preuve de paiement. Un outil bien réglé peut reconnaître chaque type de document, vérifier qu'il ne manque rien et ranger le dossier dans la bonne file. L'agent ne passe plus sa matinée à ouvrir des fichiers pour découvrir qu'une pièce est absente : il reçoit une liste des dossiers complets et une liste des dossiers à relancer.

Signaler ce qui sort de l'ordinaire

C'est probablement l'usage le plus rentable. Un même numéro de bordereau utilisé deux fois, un étudiant inscrit dans deux promotions, une note saisie qui ne correspond à aucune épreuve, un montant payé qui ne correspond à aucun frais connu : ce sont des anomalies qu'une machine repère vite et sans fatigue, sur des milliers de lignes. Elle ne dit pas « fraude », elle dit « regardez ici ».

Aider à la saisie

Proposer la bonne filière à partir des premières lettres, reconnaître un nom mal orthographié qui existe déjà dans la base, lire un document scanné pour préremplir un formulaire que l'agent relit et valide. Chaque seconde gagnée compte quand la file d'attente déborde et que le groupe électrogène tourne.

Ce qu'elle ne doit pas décider seule

Il existe des décisions qui engagent l'avenir d'une personne. Elles doivent rester humaines, nommées et motivées.

• L'admission. Un modèle peut classer des candidatures, il ne connaît ni le contexte d'un parcours interrompu, ni les règles particulières votées par un conseil de faculté. Refuser un candidat parce qu'un score est bas, sans que personne n'ait regardé le dossier, n'est pas défendable.
• La sanction. Une anomalie n'est pas une preuve. Un bordereau signalé comme suspect peut s'expliquer par une erreur de saisie à la banque. Exclure un étudiant ou annuler une inscription sur la seule base d'une alerte automatique, c'est inverser la charge de la preuve.
• La délibération. Les jurys existent pour appliquer un règlement avec discernement. Un outil peut calculer les moyennes et les crédits, il ne remplace pas le président du jury.

La règle pratique : si la décision peut être contestée devant un recours, un humain doit pouvoir expliquer pourquoi elle a été prise, avec ses propres mots.

Les conditions pour que ça fonctionne

Des données propres

Une IA branchée sur une base où chaque étudiant existe trois fois, sous trois orthographes, produira des alertes absurdes. Avant de parler d'intelligence artificielle, il faut un dossier étudiant unique, des listes de frais cohérentes et des codes de filières stables. C'est moins spectaculaire, mais c'est la moitié du travail.

Un contrôle humain réel

« Validé par un agent » ne veut rien dire si l'agent clique sur « accepter » deux cents fois par heure sans lire. Le contrôle humain doit être organisé : qui relit quoi, avec quel délai, et avec le droit de dire non sans avoir à se justifier auprès de la machine.

Une trace de chaque décision

Qui a validé, quand, sur la base de quelle alerte. Cette trace protège l'établissement autant que l'étudiant. Elle permet aussi de mesurer, avec le temps, si les alertes étaient pertinentes ou si l'outil doit être réglé autrement.

Des outils adaptés au terrain

Une solution qui exige une connexion permanente et rapide ne tiendra pas une semaine d'inscriptions à Kinshasa, Kananga ou Lubumbashi. Les traitements lourds peuvent tourner sur un serveur local, et les résultats être consultés depuis un poste ou un téléphone modeste.

Par où commencer

Nul besoin d'un grand projet. Commencez par ce qui existe déjà : la détection des doublons et des anomalies sur les paiements. Dans OptSolution, la plateforme de gestion académique que nous éditons, le module Finances rapproche automatiquement les paiements et signale doublons et anomalies ; c'est ensuite un agent qui décide de la suite. Ce type de vérification donne des résultats visibles, et il habitue les équipes à travailler avec des alertes plutôt qu'avec des verdicts.

Une bonne IA administrative fait gagner du temps à ceux qui décident, elle ne décide pas à leur place.

Si vous réfléchissez à ce que l'automatisation peut apporter à vos services académiques, parlons de vos cas concrets.