Avec ces 8 annonces, on constate que les IA s’installent dans les moments où l’on n’a pas droit à l’à-peu-près : admission, production scientifique, automatisation administrative, ingénierie, et même la chaîne d’approvisionnement… des connaissances. Quasiment toutes ces annonces challengent à mon sens le monde de l’enseignement supérieur.

Trois ruptures structurent la semaine :

1- D’abord, l’IA devient un service public de préparation (au moins en apparence) : la préparation au SAT passe en “freemium inversé”, gratuite, industrialisée, pilotée par modèle.

2- Ensuite, l’IA se greffe dans les environnements de travail (pas à côté) : un workspace scientifique natif LaTeX, un agent autonome, des mondes interactifs.

3- Enfin, la question de fond remonte à la surface : sur quoi ces systèmes s’appuient-ils pour “savoir” ? Quand un modèle cite une encyclopédie générée par IA, la boucle se referme. Et c’est rarement bon signe.

Google rend la préparation au SAT gratuite dans Gemini : un geste éducatif… et stratégique

Le 21 janvier 2026, Google annonce des tests blancs SAT gratuits, complets, à la demande, directement dans l’application Gemini, via un simple prompt (ex. “I want to take a practice SAT test”). L’IA fournit le sujet, corrige, diagnostique forces/faiblesses, explique les erreurs et propose un plan de révision.

Point crucial : Google s’appuie sur du contenu “vérifié” via un partenariat avec The Princeton Review, qui confirme la disponibilité 24/7, sans coût, et insiste sur l’importance persistante du SAT dans le paysage des admissions et des bourses.

Ce lancement n’est pas isolé : il s’inscrit dans une salve d’annonces “éducation” (Bett 2026) où Gemini se rapproche des workflows enseignants (brouillons de devoirs, synthèses de progression) et où Classroom ajoute des fonctions d’enregistrement audio/vidéo et des tableaux de bord.

Pourquoi c’est intéressant à suivre :

• Équité d’accès : la préparation standardisée devient plus accessible, et donc plus difficile à ignorer dans les politiques d’admission, notamment pour les candidats internationaux.
• Redéfinition du “mérite” : si l’entraînement est massivement assisté, la question n’est plus “qui a travaillé ?” mais “qui a su orchestrer l’assistant ?”. La nuance est… pédagogique et politique.
• Risque d’illusion de maîtrise : plusieurs travaux et organismes publics alertent sur l’“effet raccourci” et la dépendance cognitive si l’IA remplace l’effort plutôt qu’elle ne le structure.

MBZUAI sort la carte “raisonnement frugal” : moins de paramètres, plus de preuves

La Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), avec G42, met en avant K2 Think : un système de raisonnement open source annoncé comme performant “à fraction de taille”, avec 32 milliards de paramètres (là où l’industrie a longtemps confondu progrès et obésité numérique).

Deux éléments méritent l’attention des institutions :

• La méthode : supervision “long chain-of-thought”, puis reinforcement learning avec récompenses vérifiables, planification “agentique”, et techniques de test-time scaling.
• La posture de transparence : MBZUAI revendique un open source complet (poids, code, et même données d’entraînement selon le communiqué), avec une ambition de reproductibilité et d’auditabilité.

Le communiqué insiste aussi sur l’ancrage géopolitique : l’initiative est présentée comme un jalon pour Abu Dhabi et, plus largement, pour l’écosystème IA des Émirats.

Cela mérite d’être regardé car :

• Coût total de possession : si des modèles plus compacts maintiennent un haut niveau de raisonnement, l’équation budgétaire (GPU, licences, inférence) change, et ouvre des scénarios “campus/on-prem” plus réalistes.
• Recherche responsable : open source + reproductibilité = terrain favorable pour les laboratoires, lescours avancés, les audits internes, et lespartenariats industriels régulés.

Moltbot (ex-Clawdbot) devient viral : l’agent autonome sort des démos et entre dans les usages

La semaine illustre un basculement : l’IA “qui répond” laisse place à l’IA “qui fait”. L’agent open source Moltbot (rebaptisé depuis Clawdbot, sur fond de confusion de marque avec Anthropic) gagne en visibilité et en adoption.

Le point saillant : il s’agit d’un assistant orienté automatisation, capable de se connecter à des applications et d’exécuter des chaînes d’actions (messagerie, fichiers, outils métier), avec une philosophie “local-first” souvent mise en avant.

Effet collatéral inattendu, mais révélateur : la viralité de l’agent a été associée à un regain d’attention pour Cloudflare, dont l’action a fortement bougé dans un contexte de narration “l’edge réseau devient clé pour les systèmes agentiques”.

Là aussi cela soulève pas mal de marques d’intérêt pour les décideurs :

• Automatisation administrative : recrutement, suivi administratif, RH, support… la tentation est énorme. Les gains potentiels aussi.
• Surface d’attaque : un agent qui a accès “comme un humain” à vos outils a aussi le pouvoir d’un humain pressé… avec la persévérance d’un script. La sécurité n’est pas un onglet ; c’est un design.
• Gouvernance SI : la question n’est plus “autorise-t-on ChatGPT ?” mais “quels droits, quelles traces, quels garde-fous pour des agents opérateurs ?”.

OpenAI lance Prism : le traitement de texte scientifique devient une plateforme

Prism est annoncé comme un workspace scientifique gratuit, natif LaTeX, intégré à GPT‑5.2, avec projets et collaborateurs illimités, disponible pour les comptes personnels, et promis ensuite aux offres Business/Enterprise/Education.

L’idée est simple (et redoutable) : arrêter de faire travailler l’IA “à côté” du papier. Prism propose un environnement où le modèle voit la structure du manuscrit, les équations, les références, les figures, et peut agir dans le document : révision, cohérence interne, préparation publication.

Quelques fonctions, très concrètes, font mouche : recherche et intégration de littérature (ex. arXiv), refactor d’équations et citations, conversion de schémas/équations de tableau blanc en LaTeX, modifications “in place”, édition vocale optionnelle.

Pourquoi c’est intéressant à suivre pour l’enseignement supérieur :

• Productivité de la recherche : Prism vise le cœur du temps perdu (mise en forme, compilation, allers-retours, gestion biblio). C’est là que se cachent des mois.
• Compétences informationnelles : l’intégration de recherche de littérature pose une question frontale aux bibliothèques et écoles doctorales : comment enseigner la revue systématique à l’ère des assistants “project-aware” ?
• Traçabilité scientifique : si l’IA intervient sur la rédaction, l’éthique et la reproductibilité imposent des règles de déclaration et des conventions de contribution.

Google Project Genie : les “world models” sortent du papier et deviennent explorables

Le 29 janvier 2026, Google présente Project Genie : un prototype permettant de créer, explorer et remixer des mondes interactifs à partir de texte et d’images, accessible aux abonnés Google AI Ultra aux États‑Unis (prototype expérimental).

Le cœur technologique est celui des world models : au lieu de générer seulement du texte ou des images, le système simule la dynamique d’un environnement et génère “le chemin devant vous” en temps réel, selon vos actions. Google admet des limites : réalisme, contrôle des personnages, amélioration progressive.

Sur les marchés, l’annonce a aussi été lue comme un signal pour le jeu vidéo et les moteurs 3D (réactions boursières rapportées dans la presse).

Ce projet est particulièrement pertinent dans la formation à mon sens :

• Jumeaux numériques pédagogiques : formation médicale, ingénierie, architecture, gestion de crise — tout ce qui se prête à la simulation devient plus accessible.
• Recherche en robotique et systèmes autonomes : les world models promettent des environnements d’entraînement et de test plus riches, plus “causaux”.
• Compétences 3D et spatiales : une université qui ignore la montée de la génération 3D se prépare à enseigner la géographie… sans carte.

“AI is starting to eat itself” : quand l’IA cite une encyclopédie écrite par IA

Des tests rapportés fin janvier montrent que GPT‑5.2 cite Grokipedia, une encyclopédie générée par IA associée à Elon Musk et à xAI, sur des sujets parfois de niche. Le problème n’est pas le nom ; c’est l’absence de gouvernance éditoriale transparente comparable aux standards encyclopédiques traditionnels.

Le risque structurel est connu : quand des contenus synthétiques deviennent des “sources”, ils peuvent s’insinuer dans les couches de récupération (retrieval) et, à terme, dans les données d’entraînement. Une littérature scientifique décrit le phénomène de model collapse : entraîner sur des données générées par modèles peut dégrader progressivement la diversité et la fidélité des sorties, en renforçant des artefacts.

Cela soulève ici beaucoup de questions pour le monde académique :

• Intégrité académique : si les étudiants citent des sources synthétiques, vous verrez émerger des bibliographies parfaitement formatées… et conceptuellement creuses.
• Rôle stratégique des bibliothèques : la valeur n’est plus seulement l’accès aux contenus, mais la provenance (d’où vient l’énoncé ? qui l’a vérifié ?).
• Politique de sources “autorisées” : une université doit traiter la question comme un enjeu de qualité, pas comme une guerre de chapelles technophobes/technophiles.

Emploi d’ingénierie : l’échelle se casse en bas… et se reconstruit autrement

Une analyse spécialisée sur l’ingénierie (semi-conducteurs notamment) avance un scénario contre-intuitif : l’IA automatiserait de nombreuses tâches répétitives d’entrée de carrière, mais accélérerait la montée en compétences des nouveaux diplômés formés aux outils, qui pourraient démarrer “plus haut” que les anciens juniors.

Le même texte pointe un déplacement de la douleur : les ingénieurs “mid-level” pourraient être coincés entre l’automatisation des tâches routinières et l’exigence de jugement d’architecture/système. Autrement dit : le milieu du pipeline devient le goulet.

Au World Economic Forum, des intervenants ont aussi explicitement évoqué un impact d’abord sur les fonctions juniors et l’entrée sur le marché (stages, premiers postes), ce qui rejoint le diagnostic “échelle d’accès” fragilisée.

Pourquoi c’est intéressant à suivre pour l’enseignement supérieur

• Curricula : la formation doit enseigner l’IA comme multiplicateur (productivité), mais aussi enseigner ce qu’elle ne remplace pas : spécification, architecture, validation, raisonnement causal, responsabilité.
• Alternance et stages : si les tâches juniors disparaissent, il faut inventer des “stages de preuve” (validation, test, sécurité, conformité) plutôt que des stages de saisie.

Les “world models” attirent l’argent… et cristallisent le débat AGI

L’intérêt pour les world models n’est plus théorique : la startup World Labs, fondée par Fei-Fei Li, discute d’une levée à une valorisation évoquée autour de 5 milliards de dollars, selon Bloomberg, après une valorisation rapportée à 1 milliard en 2024.

World Labs met en avant Marble (génération de mondes 3D) et lance une World API (janvier 2026) pour générer des mondes explorables depuis texte/images/vidéo.

En parallèle, la presse rapporte le projet AMI Labs porté par Yann LeCun (ex-Meta), avec une ambition de world models et des discussions de financement à très haute valorisation, selon des articles et une dépêche Reuters citant le Financial Times.

Le débat se joue aussi en public : à Davos, des figures comme Demis Hassabis et Yann LeCun ont contesté l’idée que les LLM actuels suffisent pour atteindre une AGI “niveau humain”, tandis que Dario Amodei a défendu une trajectoire très rapide vers des capacités scientifiques de très haut niveau.

Pourquoi c’est intéressant à suivre pour l’enseignement supérieur :

• Recherche interdisciplinaire : les world models relient IA, robotique, simulation, cognition, design, et disciplines de représentation (architecture, cinéma, sciences sociales computationnelles).
• Stratégie de partenariats : ces acteurs cherchent des terrains d’expérimentation — et les campus sont des terrains idéaux, à condition d’une gouvernance solide (données, sécurité, propriété intellectuelle).

En cette semaine 05, l’IA s’invite là où l’on mesure (SAT), là où l’on publie (Prism), là où l’on exécute (agents), là où l’on simule (world models). Et elle révèle, par la même occasion, son talon d’Achille : la qualité et l’origine de ce qu’elle considère comme vrai. Les 8 annonces que j’ai listées ici challengent très fortement le monde académique à mon sens.

Pour l’enseignement supérieur, la question n’est plus “faut-il y aller ?”. La question devient : avec quelles règles, quelles preuves, et quel projet éducatif.

FAQ – IA enseignement supérieur

Qu’est-ce que Prism et pourquoi cela change la productivité de la recherche ?

Prism est un workspace scientifique natif LaTeX intégrant GPT‑5.2 directement dans le document (révision, cohérence, citations, recherche de littérature, conversion tableau blanc → LaTeX). Il vise à réduire la fragmentation des outils de rédaction scientifique.

En quoi la préparation SAT gratuite dans Gemini impacte-t-elle l’enseignement supérieur ?

Elle abaisse le coût d’accès à l’entraînement standardisé, donc modifie les dynamiques d’équité et la préparation des candidats. Pour les établissements, cela renforce la nécessité d’évaluations centrées sur le raisonnement et la démarche, pas uniquement le résultat.

Que signifie “l’IA cite l’IA” avec Grokipedia, et pourquoi est-ce risqué ?

Des tests rapportent des citations de Grokipedia par GPT‑5.2 sur certains sujets. Le risque est la circularité : des contenus générés peuvent devenir des “sources” et alimenter des systèmes de retrieval, voire l’entraînement, avec un effet de dégradation (model collapse) et de confiance mal placée.

Les agents IA comme Moltbot sont-ils une opportunité ou un danger pour les universités ?

Les deux. Opportunité : automatiser des processus (support, administration). Danger : exposition des données et élargissement de la surface d’attaque si l’agent obtient des droits étendus. Il faut une gouvernance “zéro confiance”, des audits, et du moindre privilège.

Les world models vont-ils supplanter les LLM ?

Le débat est ouvert. L’intérêt investisseur et industriel monte (World Labs, AMI Labs). À Davos, des leaders contestent la suffisance des LLM pour une AGI robuste et défendent l’importance des modèles ancrés dans l’espace, la physique et la causalité.