L’usage de l’IA générative par les enseignants-chercheurs en France en 2026 (données)

À titre indicatif, une majorité d’enseignants-chercheurs français déclare avoir testé un outil d’IA générative au moins une fois en 2026, mais l’usage régulier et assumé reste concentré sur une minorité, avec des écarts marqués selon la discipline, la génération et la politique de l’établissement. Les usages dominants restent la préparation de cours et l’aide rédactionnelle, loin devant la correction automatisée.

Où en est-on en 2026 ? État des lieux chiffré

Il n’existe pas, à ce jour, d’enquête nationale unique et récurrente mesurant précisément l’usage IA enseignants-chercheurs France 2026 sur l’ensemble des établissements publics et privés. Les données disponibles proviennent d’une mosaïque de sources : notes de cadrage du MESR, travaux ponctuels du SIES sur le numérique dans l’enseignement supérieur, rapports d’évaluation du HCERES intégrant des observations sur les pratiques pédagogiques, et enquêtes internes menées par certains établissements membres de France Universités. Ces sources convergent sur un constat qualitatif : l’essai de l’outil est devenu quasi généralisé, tandis que l’intégration systématique dans la pratique professionnelle reste minoritaire.

Ce décalage entre essai et adoption durable est cohérent avec ce qui a été observé dans d’autres secteurs professionnels depuis l’arrivée des grands modèles de langage grand public. Pour resituer ce mouvement dans le contexte plus large de l’enseignement supérieur français, notre panorama IA et enseignement supérieur : statistiques 2026 détaille les tendances par type d’établissement et par région académique.

Ces chiffres sont présentés comme des ordres de grandeur indicatifs et non comme des statistiques officielles consolidées ; ils doivent être interprétés avec prudence en l’absence d’enquête nationale unifiée et méthodologiquement stabilisée.

Quels sont les principaux usages déclarés ?

Les retours d’expérience recensés par les services numériques d’établissements et relayés par France Universités identifient plusieurs familles d’usages, par ordre de fréquence déclarée :

• Préparation de supports de cours : reformulation de contenus, génération de plans de séance, création d’exemples ou de cas pratiques.
• Aide à la rédaction administrative et institutionnelle : comptes rendus, dossiers de demande de financement, réponses à appels à projets.
• Recherche documentaire et synthèse bibliographique : repérage rapide de références, résumés d’articles pour orienter une lecture plus approfondie.
• Relecture et amélioration stylistique d’articles scientifiques, en particulier pour les chercheurs non anglophones natifs publiant en anglais.
• Aide ponctuelle à la correction ou à l’évaluation, usage le moins répandu et le plus encadré, en raison des enjeux d’équité et de responsabilité pédagogique.

Ce classement traduit une logique de prudence : les enseignants-chercheurs mobilisent plus volontiers l’IA générative sur des tâches où l’erreur est facilement détectable et corrigeable par eux-mêmes, et beaucoup moins sur des tâches à fort enjeu d’équité comme la notation.

Existe-t-il des écarts selon la discipline ?

Les observations qualitatives disponibles, notamment via les rapports d’évaluation du HCERES et les retours de composantes universitaires, suggèrent des écarts disciplinaires nets. Les disciplines liées à l’informatique, à la gestion, à l’ingénierie et à certaines sciences appliquées affichent une appropriation plus rapide, portée à la fois par une plus grande familiarité technique et par une proximité professionnelle avec ces outils. À l’inverse, les sciences humaines et sociales, le droit et certaines filières de santé expriment davantage de réserves, liées aux risques d’approximation factuelle, à la déontologie professionnelle et à l’attachement à des méthodes de production de connaissance spécifiques.

Ces écarts se retrouvent également dans l’adoption d’outils français ou européens spécialisés, dont l’essor est documenté dans notre article sur l’adoption de Mistral AI dans les universités françaises en 2026, qui met en lumière des dynamiques différentes selon les composantes.

L’âge et l’ancienneté influencent-ils l’adoption ?

Contrairement à une idée reçue, l’adoption de l’IA générative par les enseignants-chercheurs ne suit pas une simple courbe décroissante avec l’âge. Les retours d’établissements évoquent plutôt une adoption en U : les jeunes maîtres de conférences et les doctorants encadrant des travaux dirigés mobilisent l’outil de façon pragmatique pour gagner du temps, tandis que certains professeurs seniors, disposant d’une expertise disciplinaire solide leur permettant de vérifier rapidement la pertinence des réponses générées, l’intègrent également avec confiance dans leurs usages de recherche. La tranche intermédiaire, souvent la plus chargée en responsabilités administratives et pédagogiques, apparaît parfois la plus prudente, faute de temps pour tester et valider ces outils.

Cette hétérogénéité générationnelle rejoint des dynamiques déjà observées côté étudiant, où l’appropriation varie également selon le niveau d’études et la discipline, comme le montre notre étude sur l’utilisation de ChatGPT par les étudiants en France.

Que prévoient les chartes IA des établissements ?

Une proportion croissante mais encore incomplète d’établissements d’enseignement supérieur a publié, depuis 2024-2025, une charte ou des lignes directrices encadrant l’usage de l’IA générative, tant pour les étudiants que pour les personnels enseignants et de recherche. Ces documents, souvent élaborés en lien avec les conseils scientifiques, les directions du numérique et parfois les services juridiques, couvrent généralement plusieurs volets :

1. Les usages autorisés, tolérés ou proscrits en contexte d’évaluation des étudiants.
2. Les recommandations de transparence, invitant à mentionner le recours à l’IA générative dans les travaux et publications.
3. Les enjeux de confidentialité des données, notamment pour les travaux de recherche impliquant des données sensibles ou soumises à des clauses contractuelles.
4. Le cadre déontologique applicable à la recherche, en écho aux recommandations plus larges portées par le CNRS et d’autres organismes de recherche sur l’intégrité scientifique.

Le niveau de détail et de contrainte de ces chartes varie fortement : certains établissements se contentent de recommandations générales, d’autres ont mis en place des formations obligatoires ou des référents IA au sein de leurs composantes. France Universités a par ailleurs publié des recommandations-cadres destinées à harmoniser certaines pratiques entre établissements, sans toutefois imposer un modèle unique, chaque université conservant son autonomie pédagogique.

Comment se situe l’usage étudiant en comparaison ?

Les enquêtes étudiantes, dont certaines s’inspirent de la méthodologie des observatoires de la vie étudiante proches de l’OVE, tendent à montrer une appropriation plus rapide et plus intensive de l’IA générative chez les étudiants que chez leurs enseignants. Cet écart s’explique en partie par la nature des tâches concernées : la rédaction de dossiers, de comptes rendus ou de mémoires se prête plus directement à un usage assisté par IA qu’une activité d’enseignement en présentiel ou une activité de recherche encadrée par des exigences méthodologiques strictes.

Ce différentiel d’usage crée par ailleurs une forme de tension pédagogique : une partie des enseignants-chercheurs découvre encore les capacités réelles des outils au moment même où leurs étudiants les utilisent déjà de façon routinière, ce qui nourrit la demande de formation continue observée dans plusieurs établissements depuis 2025.

Quel impact sur les pratiques de recherche et de publication ?

Au-delà de l’enseignement, l’IA générative modifie progressivement certaines pratiques de recherche : accélération du défrichage bibliographique, aide à la mise en forme de données, appui à la traduction et à la relecture linguistique pour les publications internationales. Les organismes de recherche, dont le CNRS, ont publié des recommandations invitant les chercheurs à la prudence quant à la fiabilité des contenus générés, notamment sur les citations et références bibliographiques, un point de vigilance largement partagé par les revues scientifiques elles-mêmes dans leurs politiques éditoriales.

Cette vigilance méthodologique reste cohérente avec l’exigence d’intégrité académique qui structure également l’accompagnement des étudiants avancés dans la rédaction de leurs travaux de recherche.

Quelles sont les limites de ces données ?

Il convient de rappeler que ce panorama repose sur une combinaison de sources partielles : notes de cadrage ministérielles, rapports d’évaluation, enquêtes internes d’établissements et communications de France Universités. Aucune de ces sources ne constitue, à elle seule, une enquête nationale exhaustive et répétée dans le temps sur l’usage IA enseignants-chercheurs France 2026. Les chiffres cités dans cet article doivent donc être lus comme des ordres de grandeur indicatifs destinés à éclairer les tendances générales, et non comme des statistiques officielles consolidées au sens strict. Ce constat rejoint d’ailleurs les limites méthodologiques déjà identifiées pour d’autres indicateurs liés à la vie étudiante, comme ceux évoqués dans notre article sur l’entrepreneuriat étudiant en France, où la diversité des sources impose la même prudence de lecture.

FAQ