L’IA transforme la production intellectuelle, l’apprentissage et le travail. À l’approche de 2027, la responsabilité politique consiste à organiser cette transition : former, investir, revoir nos critères de reconnaissance et partager les gains de productivité.
Le 6 octobre 2026, OpenAI a rendu publics plusieurs centaines de manuscrits mathématiques produits par un modèle interne. Le catalogue compte désormais 719 textes, regroupés en 372 familles de résultats. Il serait prématuré d’y voir autant de problèmes définitivement résolus : l’entreprise reconnaît des degrés variables de vérification. Comment nos institutions doivent-elles évoluer lorsque des machines peuvent proposer, à cette échelle, des résultats de recherche ? [1]
Le bouleversement touche un ressort ancien de nos sociétés : le prestige attaché à certaines performances intellectuelles. Rédiger, expliquer, programmer ou démontrer ont longtemps demandé un apprentissage dont la difficulté contribuait à distinguer leurs détenteurs. L’IA modifie les conditions de production de ces travaux. Attention : il n’y a aucune réfutation de la dignité humaine, rien à voir, bien que cela oblige à cesser de la confondre avec une supériorité technique. Ainsi, notre valeur ne saurait dépendre d’une compétition permanente avec nos outils.
L’exposition dépasse largement quelques professions spécialisées. Présentations PowerPoint, rédaction, programmation, synthèse documentaire ou préparation de plannings : de nombreuses tâches peuvent être assistées. Selon l’Organisation internationale du travail, environ un quart des emplois mondiaux relèvent de professions présentant un certain degré d’exposition à l’IA générative. Ceci étant dit, beaucoup de ces tâches exigent encore une intervention humaine. [2]
Les gains doivent toutefois être observés dans des situations précises. Une expérience menée auprès de 758 consultants montre que, sur un ensemble de tâches adaptées aux capacités du modèle testé, les participants assistés accomplissaient davantage de travail, environ 25 % plus vite. Sur une autre tâche, l’assistance dégradait au contraire la justesse des réponses. [3] Une entreprise doit donc apprendre à déterminer où l’outil améliore le travail, comment contrôler ses productions et qui répond du résultat.
L’école se trouve devant une possibilité considérable. En mathématiques, un système de tutorat peut interroger un élève sur les étapes de sa résolution, l’aider à repérer une règle mal comprise en proposant un exercice ciblé. En histoire, il peut aider à distinguer causes profondes, événement déclencheur et interprétations concurrentes, à condition de confronter ses explications aux sources. Cette disponibilité permet de multiplier les occasions de questionner et de recevoir un retour individualisé.
Encore faut-il mesurer ce que l’élève apprend. Un essai randomisé auprès de 194 étudiants en physique à Harvard a constaté des progrès immédiats supérieurs avec un tuteur IA soigneusement conçu, comparativement à l’enseignement actif étudié. [4] À l’inverse, une expérience menée dans un lycée turc a montré qu’une assistance insuffisamment encadrée pouvait améliorer les exercices réalisés avec l’outil tout en dégradant les résultats ultérieurs sans assistance. [5] Réussir avec une machine et acquérir une compétence sont donc bel et bien deux objectifs distincts.
L’Éducation nationale a déjà posé un cadre d’usage en juin 2025. Une note de service de janvier 2026 organise également le déploiement obligatoire de parcours Pix consacrés à l’IA pour plusieurs niveaux du secondaire. [6] Il faut maintenant inscrire cette évolution dans les pratiques : former les enseignants, évaluer les dispositifs, garantir un accès équitable et adapter les examens.
Un élève doit pouvoir expliquer oralement son raisonnement, travailler sans assistance lorsque l’objectif l’exige, puis apprendre à utiliser l’IA et à en vérifier les réponses. Les connaissances fondamentales gardent toute leur importance : comment reconnaître une erreur dans un domaine que l’on ignore ? L’école doit former des personnes capables de juger ce qu’elles obtiennent, de poursuivre seules un raisonnement et de choisir quand déléguer une tâche.
La recherche affronte une transformation comparable. Pour un jeune chercheur, voir surgir un manuscrit qui semble résoudre son problème de thèse peut être déstabilisant. Mais les objections scientifiques ne se réduisent pas à cette inquiétude. Elles concernent la correction des preuves, l’attribution des idées, l’intelligibilité des textes et l’accès aux moyens de calcul. Le groupe indépendant AGMAI souligne que la recherche humaine doit conserver la liberté de choisir ses questions et ses approches. [7]
Financer la compréhension et la vérification des résultats deviennent franchement indispensables ! Il faut aussi préserver les moyens d’une recherche dont les orientations soient choisies par les chercheurs. Une découverte doit pouvoir être discutée, enseignée, réutilisée et reliée aux connaissances existantes. L’abondance de manuscrits ne garantit pas, à elle seule, cet approfondissement.
Les critères de reconnaissance devront évoluer avec ces pratiques. Compter les publications ou admirer la vitesse de production renseignera moins bien sur une contribution individuelle si une part croissante du travail peut être automatisée. L’excellence demeure nécessaire, mais complètement redéfinie. Les institutions qui attribuent une médaille Fields, un prix Nobel ou un prix Goncourt poursuivent des finalités différentes ; chacune devra pouvoir expliciter la contribution qu’elle distingue. Une question originale, une méthode, une découverte vérifiée, une œuvre ou une contribution humaine identifiable peuvent conserver toute leur valeur. Le prestige doit rester justifiable.
Cette adaptation exige également des moyens. Selon l’AI Index 2026 de Stanford, l’investissement privé dans l’IA a atteint en 2025 environ 286 milliards de dollars aux États-Unis, contre 21 milliards en Europe et 4,4 milliards en France. [8] Ces données portent sur l’investissement privé : elles ne représentent pas l’ensemble des dépenses nationales, notamment en Chine. Elles établissent néanmoins l’ampleur de l’écart de financement avec les États-Unis.
La France et l’Europe annoncent elles aussi des projets importants. En juin 2026, l’Élysée présentait notamment 45 milliards d’euros d’investissements de SoftBank dans des centres de données français ; en juillet, la Commission européenne lançait un appel pour des gigafactories visant à mobiliser plus de 30 milliards d’euros publics et privés. [9, 10] Ces annonces ne sont pas des dépenses déjà réalisées. Leur portée devra se mesurer au déploiement effectif, à l’accès des chercheurs et des entreprises au calcul, ainsi qu’à la valeur économique conservée en Europe.
L’enjeu dépasse donc la construction de bâtiments… Il concerne les modèles accessibles, les compétences, les fournisseurs et la capacité à transformer une infrastructure en activité productive. Les PME, les établissements d’enseignement et les laboratoires doivent pouvoir s’approprier ces ressources. Une politique de l’IA doit être évaluée sur ces usages autant que sur les montants annoncés.
Il faut parallèlement et entièrement, revoir l’organisation administrative. Supprimer une formalité inutile évite d’avoir à l’automatiser. Pour les opérations nécessaires et répétitives, l’IA peut réduire certains délais ou faciliter le traitement des dossiers. Les économies doivent être établies après prise en compte de l’intégration, des licences, du contrôle et des erreurs. Dans son rapport sur France Travail, la Cour des comptes appelle précisément à mieux évaluer les effets sur les métiers et la réalité des gains d’efficience. [11]
Cette exigence vaut aussi pour le soutien aux entreprises. La fiscalité et les aides et contraintes administratives doivent être examinées ensemble. Le Haut-Commissariat à la stratégie et au plan recense près de 112 milliards d’euros d’aides dans son périmètre élargi pour 2023. [12] La question politique porte sur leur capacité à soutenir l’investissement. La priorité devrait être de simplifier les démarches et d’évaluer les dispositifs, avec des conditions d’accès et des résultats publics.
Reste la question absolument importante : que deviennent les personnes dont les tâches disparaissent ? Si des gains de productivité se traduisent par des suppressions d’emplois, leur coût peut être reporté sur les salariés, leurs familles et la collectivité. Il faut donc organiser la reconversion, sécuriser les périodes de formation et discuter du partage de ces gains, entre rémunérations, investissement, temps de travail et financement des services communs. L’orientation scolaire doit intégrer l’évolution des débouchés et offrir des passerelles réelles.
L’encyclique Magnifica Humanitas de Léon XIV propose ici un repère éthique : la transformation technique doit être jugée à ses effets sur la dignité des personnes, leur accès au travail et leur participation à la vie sociale. [13] Cette perspective rappelle qu’une société peut accroître ses capacités de production tout en laissant une partie de sa population sans place reconnue. Prévenir cette situation relève de choix économiques et politiques.
En 2027, un programme politique crédible devra expliquer comment il entend former à l’IA, développer les capacités productives, évaluer l’automatisation publique et accompagner les transitions professionnelles. Les engagements devront comporter des moyens cohérents et un calendrier adéquat.
Annoncer des investissements sans préparer l’école et les métiers serait une politique littéralement vaine ! La France ne peut plus continuer à admirer, tout en subissant, une transformation dont elle laisserait les autres pays fixer les règles. Elle doit se donner les moyens d’en faire un progrès pour les personnes qui y travaillent.
Références — sources consultées le 16 octobre 2026
[1] OpenAI (2026). « Sharing AI progress in mathematics », 6 octobre ; dépôt math, README.
[2] Gmyrek, P., et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. OIT, Working Paper 140. DOI : 10.54394/HETP0387.
[3] Dell’Acqua, F., et al. (2026). « Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality ». Organization Science, publication en ligne le 11 mars. DOI : 10.1287/orsc.2025.21838.
[4] Kestin, G., et al. (2025). « AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting ». Scientific Reports, 15, 17458. DOI : 10.1038/s41598-025-97652-6.
[5] Bastani, H., et al. (2025). « Generative AI without guardrails can harm learning: Evidence from high school mathematics ». PNAS, 122(26), e2422633122. DOI : 10.1073/pnas.2422633122.
[6] Ministère de l’Éducation nationale (2025–2026). Cadre d’usage de l’IA en éducation, 13 juin 2025 ; note de service du 23 janvier 2026, NOR MENE2527173N, Bulletin officiel no 6, section 1.e.
[7] Advisory Group on Mathematics and Artificial Intelligence (2026). Recommandations du 29 septembre ; « On OpenAI’s Release of Mathematical Results », 6 octobre.
[8] Stanford HAI (2026). The 2026 AI Index Report, chapitre 4 « Economy », figures 4.2.8 et 4.2.11, p. 182–183. Données 2025, source Quid.
[9] Présidence de la République (2026). « Entretien de travail avec Masayoshi Son, Directeur général de SoftBank », 1er juin.
[10] Commission européenne (2026). « EU launches AI Gigafactories call to boost Europe’s computing capacity and unlock more than €30 billion in investment », 30 juillet.
[11] Cour des comptes (2026). France Travail et l’intelligence artificielle, 8 janvier.
[12] Haut-Commissariat à la stratégie et au plan (2025). Les aides aux entreprises en France : de quoi parle-t-on ?, 17 juillet.
[13] Léon XIV (2026). Magnifica Humanitas, lettre encyclique du 15 mai, notamment §§148–163.
