Le règlement sur l’IA pour l’éducation et l’EdTech

L’éducation façonne les chances de toute une vie. Où un élève est admis, comment il est noté, sur quelle filière il est placé, s’il est signalé pendant une épreuve : ces décisions dessinent des trajectoires qui se composent pendant des décennies. Les législateurs de l’Union l’ont compris en classant les systèmes d’IA utilisés dans l’éducation et la formation professionnelle comme à haut risque à l’annexe III, point 3 du règlement (UE) 2024/1689.

Le Digital Omnibus (règlement (UE) 2026/1744, en vigueur depuis le 27 juillet 2026) a reporté les obligations à haut risque de l’annexe III au 2 décembre 2027 (au lieu du 2 août 2026). Ce n’est pas un congé. Les pratiques interdites, notamment l’inférence des émotions dans les établissements d’enseignement, s’appliquent depuis le 2 février 2025, avec des amendes pouvant aller jusqu’à 35 millions d’euros ou 7 % du chiffre d’affaires mondial. Les devoirs de transparence de l’article 50 s’appliquent depuis le 2 août 2026. Ce guide couvre les obligations du règlement sur l’IA pour l’IA éducative, de l’éditeur qui construit le système à l’établissement qui le déploie.

L’essentiel, le règlement sur l’IA et l’éducation

• Haut risque par défaut : les systèmes d’IA utilisés pour l’admission, l’évaluation des acquis, le placement et la surveillance d’examens figurent à l’annexe III, point 3.
• Échéance du 2 décembre 2027 : les obligations à haut risque pour l’IA éducative autonome (annexe III) deviennent exécutoires à cette date, reportées du 2 août 2026 par le Digital Omnibus. Voir les échéances après le Digital Omnibus.
• Déjà interdit : inférer les émotions dans les établissements d’enseignement est interdit depuis le 2 février 2025 au titre de l’article 5, paragraphe 1, point f). Tout système qui déduit, à l’école ou à l’université, l’état émotionnel, l’engagement, l’attention ou la frustration d’un élève à partir du visage, de la voix ou de signaux physiologiques est illicite.
• Deux jeux d’obligations : l’éditeur EdTech (fournisseur) et l’établissement qui utilise l’outil (déployeur) portent chacun des devoirs autonomes. Le marquage CE du fournisseur n’exonère pas l’établissement.
• Droits des élèves et des parents : les élèves (et les titulaires de l’autorité parentale pour les mineurs) doivent être informés lorsque l’IA prend ou éclaire une décision qui les concerne, et ils ont droit à une explication et à un contrôle humain.
• L’examen des biais est obligatoire : l’article 10 exige d’examiner les jeux d’entraînement pour y détecter des biais, critique en éducation où le milieu socio-économique, le handicap, la langue et l’origine ethnique peuvent produire un désavantage systémique.
• Sanctions : jusqu’à 35 millions d’euros ou 7 % du chiffre d’affaires mondial pour les pratiques interdites ; jusqu’à 15 millions d’euros ou 3 % pour les manquements aux obligations à haut risque.
• Outil d’évaluation : utilisez l’évaluation Legalithm au titre du règlement sur l’IA pour classer vos systèmes et identifier vos obligations.

Pourquoi l’IA éducative est classée à haut risque

Le règlement ne laisse pas la classification à l’interprétation. L’annexe III, point 3 identifie explicitement les systèmes d’IA destinés à être utilisés dans l’éducation et la formation professionnelle comme à haut risque, avec quatre sous-catégories qui couvrent les points de décision du parcours d’un élève. La logique est posée aux considérants 56 et 57 : ces systèmes peuvent déterminer l’accès à l’éducation, à la vie professionnelle et aux moyens de subsistance, et des erreurs ou des biais peuvent causer un préjudice grave et irréversible, surtout pour les mineurs.

La dimension des droits fondamentaux

L’éducation est un droit fondamental au titre de l’article 14 de la Charte des droits fondamentaux de l’UE. Lorsqu’un système d’IA refuse une admission, attribue un échec ou place un élève sur une filière inférieure, il touche directement l’exercice de ce droit. Les législateurs ont jugé que l’incidence sur les élèves, dont beaucoup sont des enfants, justifie l’ensemble des obligations à haut risque, quelle que soit la complexité technique du système.

Un algorithme simple qui classe des candidats selon une note pondérée est soumis au même régime qu’un modèle d’apprentissage profond qui analyse des dissertations. La classification tient à la fonction et au contexte, pas à la sophistication. Pour le parcours complet, voir Mon système d’IA est-il à haut risque ?.

L’échéance de décembre 2027

Les obligations à haut risque de l’annexe III s’appliquent à compter du 2 décembre 2027. Après cette date, tout système visé au point 3, mis sur le marché de l’Union ou mis en service dans l’Union, doit satisfaire aux exigences des articles 8 à 15, ou être retiré. Les systèmes déjà mis sur le marché ou mis en service avant cette date ne sont repris que s’ils subissent d’importantes modifications de conception (article 111, tel que précisé par le Digital Omnibus). Pour les systèmes destinés à être utilisés par des autorités publiques, fournisseurs et déployeurs doivent néanmoins prendre les mesures nécessaires au plus tard le 2 août 2030. Dans la pratique, la plupart des outils EdTech activement maintenus reçoivent des mises à jour régulières : l’antériorité est étroite. Les établissements publics devraient traiter décembre 2027 comme l’échéance opérationnelle, et août 2030 comme le plafond légal pour l’existant inchangé.

Les 4 catégories d’IA éducative à haut risque

L’annexe III, point 3 identifie quatre sous-catégories. Chacune vise un point de décision distinct.

IA déterminant l’accès à l’éducation (admissions)

Annexe III, point 3, a) : systèmes d’IA destinés à être utilisés pour déterminer l’accès, l’admission ou l’affectation de personnes physiques à des établissements d’enseignement et de formation professionnelle, à tous les niveaux.

Cela couvre tout système qui influe sur qui entre dans une école, une université, un programme de formation professionnelle ou un cursus, à tout niveau.

Exemples courants :

• algorithmes d’admission universitaire qui notent et classent les candidats ;
• filtrage automatisé des lettres de motivation ou des dissertations de candidature ;
• systèmes qui prédisent la réussite d’un candidat et recommandent d’admettre ou de refuser ;
• outils d’attribution de bourses qui classent les candidats par IA.

Le seuil d’incidence substantielle compte. Le système n’a pas à prendre la décision finale. S’il note, classe ou écarte des candidats avant toute revue humaine, il est à haut risque. Une université qui réduit 20 000 dossiers à 2 000 pour revue humaine a déployé un système à haut risque, même si un responsable des admissions tranche ensuite sur ces 2 000.

IA évaluant les acquis d’apprentissage (notation)

Annexe III, point 3, b) : systèmes d’IA destinés à être utilisés pour évaluer les acquis d’apprentissage, y compris lorsque ceux-ci sont utilisés pour orienter le processus d’apprentissage de personnes physiques dans les établissements d’enseignement et de formation professionnelle, à tous les niveaux.

C’est l’une des sous-catégories les plus larges. Elle saisit tout système dont la sortie contribue à apprécier ce qu’un élève a appris, que l’évaluation soit sommative (notes finales, scores d’examen, certifications) ou formative (retour continu qui oriente le parcours).

Exemples courants :

• notation automatisée de dissertations ;
• outils de correction pour QCM, réponses courtes ou devoirs de code ;
• générateurs de retour qui attribuent une note de qualité au travail ;
• évaluateurs de maîtrise linguistique ;
• outils qui notent des épreuves standardisées ;
• plateformes d’apprentissage adaptatif qui évaluent la maîtrise et ajustent la difficulté.

La seconde clause, « y compris lorsque ceux-ci sont utilisés pour orienter le processus d’apprentissage », est décisive. Une plateforme adaptative qui évalue la compréhension pour décider quoi enseigner ensuite est à haut risque, même si elle ne produit jamais de note formelle. L’évaluation des acquis est le déclencheur, quel que soit l’usage en aval.

IA appréciant le niveau d’enseignement approprié (placement)

Annexe III, point 3, c) : systèmes d’IA destinés à être utilisés pour évaluer le niveau d’enseignement approprié qu’une personne recevra ou sera en mesure d’atteindre, dans le contexte ou au sein d’établissements d’enseignement et de formation professionnelle à tous les niveaux.

Cela couvre les systèmes qui déterminent la filière ou le programme. Dans beaucoup de systèmes européens, les élèves sont orientés vers des filières générales ou professionnelles vers 10-14 ans. Les systèmes qui éclairent ces placements ont une incidence hors norme sur la vie.

Exemples courants :

• algorithmes de placement qui recommandent une filière générale ou professionnelle ;
• systèmes qui évaluent l’aptitude à un programme avancé ou pour élèves à haut potentiel ;
• moteurs de recommandation de cours qui fixent le niveau d’une matière ;
• outils d’évaluation des besoins éducatifs particuliers qui classent les élèves ;
• IA d’orientation qui recommande des parcours d’après des prédictions d’aptitude.

Un élève placé en filière inférieure à 12 ans par un système entraîné sur des données biaisées peut subir un désavantage qui se compose pendant des décennies : c’est pourquoi le législateur a traité le placement avec la même gravité que l’admission et la notation.

IA surveillant le comportement en examen (surveillance d’épreuves)

Annexe III, point 3, d) : systèmes d’IA destinés à être utilisés pour surveiller et détecter des comportements interdits chez les étudiants lors d’examens, dans le contexte d’établissements d’enseignement et de formation ou en leur sein, à tous les niveaux.

Cela vise les systèmes de surveillance d’épreuves qui observent les étudiants pour détecter la triche ou les manquements au règlement. Ces outils se sont répandus pendant la pandémie de COVID-19 et restent courants en examen à distance ou hybride.

Exemples courants :

• surveillance à distance par webcam et reconnaissance faciale ;
• outils qui suivent les mouvements oculaires pour détecter la lecture hors écran ;
• analyse de la frappe au clavier pour repérer des rythmes anormaux ;
• verrouillage du navigateur avec surveillance des tentatives de changement d’écran ;
• surveillance audio qui détecte des voix ou des bruits suggérant une aide ;
• outils de détection de plagiat qui signalent des copies pour revue.

La surveillance d’épreuves est particulièrement sensible parce qu’elle combine surveillance et décision lourde de conséquences. Un étudiant signalé pour « comportement suspect » peut voir son épreuve annulée, faire l’objet d’une procédure de manquement, ou être renvoyé, le tout sur une appréciation algorithmique. Les faux positifs touchent disproportionnellement les étudiants en situation de handicap, les étudiants neurodivergents, ceux d’autres milieux culturels, et ceux qui composent dans un environnement domestique loin d’être idéal.

Synthèse : l’IA éducative à haut risque en un coup d’œil

Les quatre catégories portent le même socle d’obligations à haut risque (articles 8 à 15). Pour le détail, voir la liste de contrôle du règlement sur l’IA.

Pratiques d’IA interdites dans l’éducation

Avant les obligations à haut risque de décembre 2027, les établissements doivent comprendre que certaines pratiques sont déjà interdites. Les interdictions de l’article 5 s’appliquent depuis le 2 février 2025. Les manquements sont exécutoires maintenant, au palier d’amende le plus élevé.

Inférence des émotions dans les écoles et universités

L’article 5, paragraphe 1, point f), interdit la mise sur le marché, la mise en service à cette fin ou l’utilisation de systèmes d’IA pour inférer les émotions d’une personne physique sur le lieu de travail et dans les établissements d’enseignement, sauf lorsque l’utilisation est destinée à être mise en place ou mise sur le marché pour des raisons médicales ou de sécurité.

L’interdiction est absolue dans un contexte éducatif standard. Tout outil déployé dans une école, une université ou un organisme de formation qui analyse les expressions faciales, le ton de la voix, le regard, la posture, des signaux physiologiques ou le comportement clavier / souris pour inférer un état émotionnel, l’attention, l’engagement, l’ennui, la frustration, la confusion ou le stress, est interdit.

Cela a des conséquences lourdes pour l’EdTech. Plusieurs plateformes vendaient la « détection de l’engagement » ou le « suivi de l’attention » comme fonctions centrales. Ces fonctions sont désormais illicites dans les établissements de l’Union, quel que soit l’habillage : rebaptiser la reconnaissance des émotions en « analytique de l’engagement » ne change pas la qualification. L’article 5, paragraphe 1, point f), vise la fonction, pas l’étiquette.

L’exception étroite : l’interdiction ne s’applique pas lorsque le système est destiné à des raisons médicales ou de sécurité (par exemple détection d’une crise d’épilepsie, sécurité physique en laboratoire). L’exception est étroite et ne peut pas servir de porte dérobée à une surveillance de classe de routine.

Exemple concret : une université déploie une plateforme de surveillance d’épreuves qui analyse les expressions faciales pour produire une « note de stress ». C’est une pratique interdite : l’université et le fournisseur s’exposent jusqu’à 35 millions d’euros ou 7 % du chiffre d’affaires mondial. Les autres fonctions (surveillance d’écran, vérification d’identité) peuvent continuer, mais la fonction d’inférence des émotions doit être retirée.

Notation sociale dans les contextes éducatifs

L’article 5, paragraphe 1, point c), interdit les systèmes d’IA qui évaluent ou classent des personnes physiques d’après leur comportement social ou des caractéristiques personnelles connues, déduites ou prédites, lorsque la note sociale qui en résulte conduit à un traitement préjudiciable injustifié ou disproportionné. L’interdiction est générale, mais elle a une portée précise en éducation. Tout système qui crée une « note d’élève » composite (assiduité, incidents de comportement, activité sur les réseaux, situation familiale) et s’en sert pour refuser des opportunités éducatives entre dans l’interdiction.

Manipulation subliminale et exploitation des vulnérabilités

L’article 5, paragraphe 1, point a), interdit les systèmes qui recourent à des techniques subliminales pour altérer substantiellement le comportement en causant un préjudice important. L’article 5, paragraphe 1, point b), étend cela aux systèmes qui exploitent les vulnérabilités liées à l’âge, au handicap ou à la situation sociale. Beaucoup d’élèves sont mineurs, et les enfants sont intrinsèquement vulnérables (considérant 28). Des systèmes EdTech qui usent de motifs de conception manipulateurs pour exploiter les vulnérabilités psychologiques des enfants peuvent tomber sous ces interdictions.

Obligations de conformité pour les établissements

Les systèmes d’IA éducatifs à haut risque doivent satisfaire aux exigences des articles 8 à 15. Les devoirs tombent sur deux catégories d’acteurs : le fournisseur (en général l’éditeur EdTech qui construit et fournit le système) et le déployeur (en général l’école, l’université ou l’organisme de formation qui l’utilise). Cette section insiste sur ce qui compte le plus en éducation.

Système de gestion des risques (article 9)

Chaque système d’IA éducatif à haut risque doit disposer d’un système de gestion des risques tout au long de son cycle de vie. Ce n’est pas une évaluation unique : c’est un processus continu et itératif qui identifie les risques, évalue leur probabilité et leur gravité, adopte des mesures d’atténuation et suit le risque résiduel.

Pour l’IA éducative, le système doit notamment examiner :

• Risques de biais : comment le système peut-il désavantager des élèves selon le milieu socio-économique, l’origine ethnique, la langue ou le handicap ?
• Risques d’exactitude : que se passe-t-il quand le système se trompe ? Un faux positif en surveillance d’épreuve peut conduire à une procédure de manquement ; une note inexacte pèse sur une admission universitaire.
• Mauvaise utilisation prévisible : des enseignants peuvent-ils détourner le système de sa destination ? Des élèves peuvent-ils le contourner ?
• Incidence sur les mineurs : le système doit tenir compte de la vulnérabilité accrue des enfants et du préjudice irréversible pendant des périodes de développement critiques.

Voir Construire un programme de conformité au règlement sur l’IA pour le détail.

Gouvernance des données (article 10)

L’article 10 impose des exigences rigoureuses sur les données d’entraînement, de validation et d’essai. En éducation, la gouvernance des données est particulièrement sensible :

• Sensibilité des données scolaires : dossiers, résultats d’évaluation et analytique d’apprentissage concernent souvent des enfants et révèlent des informations sur le handicap, la situation familiale et le milieu socio-économique.
• Superposition du RGPD : les données d’élèves sont des données à caractère personnel, et une part importante relève des catégories particulières. Les exigences du règlement sur l’IA s’ajoutent au RGPD, elles ne le remplacent pas. Voir règlement sur l’IA et RGPD : écarts et recouvrement.
• Jeux représentatifs : les données d’entraînement doivent représenter la population servie. Une IA de notation de dissertations entraînée sur des locuteurs natifs peut discriminer les dissertations de non-natifs. L’article 10, paragraphe 2, point f), exige que les jeux tiennent compte du cadre dans lequel le système est destiné à être utilisé.
• Examen des biais : l’article 10, paragraphe 2, point g), exige d’examiner les données pour des biais qui portent atteinte aux droits fondamentaux ou conduisent à une discrimination, c’est-à-dire un essai actif d’incidence disparate selon le sexe, l’origine ethnique, le handicap, le milieu socio-économique et la langue.

Pour la méthode, voir Examen des biais et équité au titre du règlement sur l’IA.

Exigences de contrôle humain (article 14)

L’article 14 exige que les systèmes d’IA à haut risque soient effectivement contrôlés par des personnes physiques pendant l’utilisation. En éducation, enseignants, professeurs, responsables des admissions et administrateurs doivent pouvoir :

1. Comprendre les capacités et les limites du système, y compris les taux d’exactitude connus et les marges d’erreur.
2. Interpréter les sorties, comprendre ce qu’une note signifie et quels facteurs l’ont influencée.
3. Écarter ou inverser la sortie de l’IA, avec une capacité pratique et une autorité institutionnelle pour le faire.
4. Intervenir ou interrompre le système, y compris un mécanisme d’arrêt, surtout pour la surveillance d’épreuves en temps réel.

Les établissements ne peuvent pas « installer et oublier ». Une notation automatisée sans revue enseignante, des outils qui annulent d’office une épreuve, ou des algorithmes d’admission dont les sorties sont tamponnées, échouent tous à l’exigence de contrôle humain.

Transparence envers les élèves et les parents (article 13 et article 26, paragraphe 11)

L’article 13 exige une transparence suffisante pour que les déployeurs interprètent les sorties. L’article 26, paragraphe 11, ajoute que les personnes physiques soumises à des décisions d’IA à haut risque doivent être informées. Pour les établissements :

• Les élèves doivent savoir quand l’IA évalue des candidatures, note un travail, détermine un placement ou surveille une épreuve.
• Les parents et tuteurs doivent être informés lorsque l’élève est mineur.
• Information utile : « nous utilisons de l’IA » ne suffit pas. Les avis doivent expliquer ce que fait l’IA, quelles données elle traite, comment les sorties sont utilisées, et quels droits existent (y compris le droit à une revue humaine).
• Moment : la notification doit intervenir avant ou au moment de l’utilisation, pas après la décision.

Si le système interagit directement avec des personnes (tuteur conversationnel, assistant de devoirs), l’article 50 s’applique déjà depuis le 2 août 2026, indépendamment du palier de risque. Voir ce qui s’applique réellement depuis le 2 août 2026.

Analyse d’impact relative aux droits fondamentaux (article 27)

L’article 27 impose à certains déployeurs de systèmes d’IA à haut risque de mener une analyse d’impact relative aux droits fondamentaux (FRIA) avant la mise en service. Cela s’applique :

• aux organismes de droit public (la plupart des écoles et universités publiques dans les États membres), ou
• aux entités privées fournissant des services publics (écoles privées sous financement public, universités privées dans certaines juridictions).

La FRIA doit apprécier l’incidence sur le droit à l’éducation (article 14 de la Charte), la non-discrimination (article 21), les droits de l’enfant (article 24), le recours effectif (article 47) et la bonne administration (article 41). Pour l’IA éducative, examinez en particulier :

• l’incidence disproportionnée sur les élèves issus de milieux défavorisés ;
• les voies de recours ouvertes aux élèves et aux parents qui contestent une sortie ;
• l’interaction avec les obligations d’égalité et d’accessibilité déjà applicables ;
• les risques spécifiques pour les enfants et les élèves vulnérables.

Pour le mode d’emploi, voir le guide FRIA du règlement sur l’IA.

RGPD et AIPD pour les données d’élèves

Le règlement sur l’IA ne remplace pas le RGPD, il s’y superpose. Les établissements qui déploient de l’IA restent tenus du RGPD en entier, notamment :

• Base licite : pour les écoles publiques, en général l’article 6, paragraphe 1, point e), du RGPD (mission d’intérêt public). Le consentement est problématique en éducation à cause du déséquilibre de pouvoir.
• Analyse d’impact relative à la protection des données (AIPD) : au titre de l’article 35 du RGPD, une AIPD est probable pour la plupart des IA éducatives, parce qu’elles traitent des données concernant des personnes vulnérables (enfants) et recourent à de nouvelles technologies. L’AIPD devrait être coordonnée avec la FRIA pour éviter le double emploi.
• Minimisation : le système ne devrait traiter que les données d’élèves nécessaires. Un outil de surveillance qui enregistre la vidéo intégrale du domicile d’un élève échoue probablement à la minimisation.
• Article 22 du RGPD : droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé produisant des effets juridiques ou un effet similairement significatif. La notation et les admissions automatisées peuvent déclencher ces protections.

Qui est fournisseur, qui est déployeur en éducation ?

Comprendre la distinction fournisseur / déployeur est essentiel : le règlement assigne des obligations distinctes à chaque rôle, et en éducation les deux portent des responsabilités lourdes.

L’éditeur EdTech comme fournisseur

Le fournisseur est l’entité qui développe le système d’IA ou le met sur le marché. En éducation, c’est en général l’éditeur qui construit et vend l’outil : plateforme de notation automatisée, solution de surveillance d’épreuves, système d’apprentissage adaptatif.

Obligations du fournisseur, notamment :

• Évaluation de la conformité (article 43) : s’assurer que le système satisfait à toutes les exigences avant la mise sur le marché. Pour l’IA éducative, l’auto-évaluation est en général disponible.
• Documentation technique (article 11 et annexe IV) : dossier décrivant le système, sa destination, la gestion des risques, la gouvernance des données, l’exactitude et les essais. Voir le guide de la documentation technique.
• Marquage CE (article 48).
• Système de gestion de la qualité (article 17) : dispositif documenté pour une conformité continue.
• Surveillance après mise sur le marché (article 72) : suivre les performances après déploiement, collecter les erreurs, prendre des mesures correctives. Voir surveillance après mise sur le marché et signalement d’incidents.
• Notice d’utilisation : fournir aux déployeurs des instructions claires, destination, limites connues, taux d’exactitude, exigences de contrôle humain.

L’école ou l’université comme déployeur

Le déployeur est l’entité qui utilise le système d’IA sous sa propre autorité. En éducation, c’est l’école, l’université, le jury d’examen ou l’organisme de formation qui se procure et déploie l’outil.

Obligations du déployeur, notamment :

• Usage conforme à la notice (article 26, paragraphe 1) : utiliser le système selon la destination du fournisseur. Se servir d’une plateforme adaptative (conçue pour un retour formatif) comme outil de notation sommative peut changer le profil de risque.
• Contrôle humain (article 26, paragraphe 2) : veiller à ce que les personnes chargées du contrôle soient compétentes, formées, et aient l’autorité d’écarter le système.
• Qualité des données d’entrée (article 26, paragraphe 4) : les données alimentées dans le système doivent être pertinentes et représentatives. Si un établissement injecte des dossiers biaisés ou incomplets dans un outil de placement, il porte la responsabilité de la sortie.
• Informer les élèves (article 26, paragraphe 11).
• Analyse d’impact relative aux droits fondamentaux (article 27), le cas échéant (organismes publics et entités privées fournissant des services publics).
• Conservation des enregistrements (article 26, paragraphe 6) : conserver les journaux pendant la durée indiquée dans la notice, ou au moins six mois. Voir conservation des journaux, 6 mois.

Responsabilités partagées en pratique

Dans la pratique, la relation fournisseur-déployeur est souvent enchevêtrée. Un éditeur peut héberger le système en SaaS, gérer les mises à jour et réentraîner des modèles sur des données d’élèves, contrôlant de fait le comportement du système alors que l’établissement est le déployeur formel. Les deux parties devraient figer leurs devoirs dans le contrat de fourniture, surtout autour de la gouvernance des données, de l’examen des biais, du signalement d’incidents et du contrôle humain.

Un établissement ne se décharge pas de ses obligations de déployeur en pointant la conformité du vendeur. Si un système produit des notes biaisées, l’établissement est responsable comme déployeur pour défaut de contrôle humain, même si le vendeur est aussi responsable comme fournisseur pour des manquements à la gouvernance des données.

Orientations éthiques de la Commission pour l’IA dans l’éducation

Outre le règlement, juridiquement contraignant, la Commission européenne a publié des orientations éthiques pour l’IA dans l’éducation, dans le prolongement du cadre de 2022 et actualisées à l’ère du règlement. Ces orientations ne sont pas du droit contraignant, mais elles expriment la lecture de la Commission sur les bonnes pratiques et pèseront probablement sur la façon dont les régulateurs et les juridictions interprètent les exigences. Cinq piliers :

1. Dignité humaine et autonomie : l’IA doit soutenir, non remplacer, l’agence humaine dans l’apprentissage. Les élèves restent des participants actifs, pas des sujets passifs d’une optimisation algorithmique.
2. Équité et non-discrimination : l’IA ne doit pas perpétuer les inégalités éducatives. Attention particulière à la fracture numérique, au désavantage socio-économique, au handicap et à la diversité linguistique.
3. Transparence et confiance : élèves, parents et éducateurs doivent comprendre comment l’IA influe sur les décisions. La confiance exige l’explicabilité, pas seulement l’information.
4. Intégrité académique : les outils d’IA doivent soutenir un apprentissage honnête et ne pas miner la valeur des diplômes.
5. Usage justifié et proportionné : le déploiement doit être justifié par un besoin réel et proportionné au bénéfice éducatif.

Ces piliers devraient informer les systèmes de gestion des risques, les avis de transparence, et l’appréciation de la proportionnalité d’un déploiement donné.

Feuille de route de mise en œuvre pour établissements et éditeurs EdTech

Phase 1 : inventaire et classification (maintenant)

• Inventorier tous les systèmes d’IA en usage, y compris ceux qui ne se présentent pas comme de l’« IA » : moteurs de recommandation, plateformes adaptatives, outils de retour automatisé, détecteurs de plagiat, surveillance d’épreuves. Voir comment construire un inventaire des systèmes d’IA.
• Classer chaque système au regard de l’annexe III, point 3. Utilisez l’évaluation Legalithm.
• Repérer les systèmes interdits : inférence des émotions, composantes de notation sociale, motifs de conception manipulateurs. S’il y en a, les retirer ou retirer le système immédiatement : l’interdiction court depuis février 2025.

Phase 2 : analyse des écarts et dialogue avec les fournisseurs (fin 2026)

• Analyser les écarts : pour chaque système à haut risque, comparer l’état actuel aux articles 8 à 15. Repérer les manques en documentation, contrôle humain, examen des biais, transparence et journalisation.
• Solliciter les fournisseurs : demander la documentation technique, les indicateurs d’exactitude, les résultats d’examen des biais et la notice d’utilisation. Si un fournisseur ne peut pas les produire, faire monter le dossier et commencer à évaluer des alternatives.
• Engager la FRIA (établissements publics) : lancer l’analyse d’impact relative aux droits fondamentaux pour chaque système à haut risque. Cela demande un apport transversal : délégué à la protection des données, enseignants, représentants des élèves, référents égalité.
• Engager ou actualiser l’AIPD : coordonner l’AIPD du RGPD avec la FRIA.

Phase 3 : mise en œuvre (2027, avant le 2 décembre)

• Mettre en place les procédures de contrôle humain : qui contrôle chaque système, quelle formation, quelle autorité pour écarter ou intervenir. Documenter.
• Publier les avis de transparence : rédiger et publier des avis destinés aux élèves, quels systèmes, ce qu’ils font, quelles données, quels droits.
• Établir la journalisation et la conservation : journaux conservés pendant la durée requise et accessibles au contrôle.
• Conduire ou commander l’examen des biais : tester chaque système à haut risque pour une incidence disparate sur les caractéristiques protégées pertinentes pour la population d’élèves. Documenter résultats et mesures.
• Actualiser les contrats de fourniture : répartir clairement les responsabilités du règlement entre fournisseur et déployeur.

Phase 4 : conformité continue (après le 2 décembre 2027)

• Suivre les performances : surveillance après mise sur le marché pour les fournisseurs. Pour les déployeurs, des canaux pour que enseignants et élèves signalent les problèmes.
• Signalement d’incidents : procédures pour signaler les incidents graves (défaillances, résultats discriminatoires, risques pour la sécurité) à l’autorité nationale compétente. Les fournisseurs signalent dans les 15 jours suivant la prise de connaissance.
• Revue régulière : revenir sur la gestion des risques, l’examen des biais et les FRIA au moins une fois par an, et après toute mise à jour significative.

Exemples concrets

Plateformes d’apprentissage adaptatif

Scénario : un collège en Allemagne déploie une plateforme de mathématiques adaptative qui évalue les réponses, apprécie les niveaux de maîtrise et ajuste la difficulté. La plateforme utilise l’IA pour classer les élèves en paliers de compétence qui éclairent les recommandations d’enseignants pour une filière avancée ou standard.

Classification : haut risque au titre de l’annexe III, point 3, b) (évaluer les acquis d’apprentissage) et point 3, c) (évaluer le niveau d’enseignement approprié). Le système évalue ce qui a été appris et s’en sert pour influer sur la filière.

Obligations : le fournisseur doit fournir documentation technique, indicateurs d’exactitude et résultats d’examen des biais. L’établissement doit mettre en place un contrôle humain (enseignants capables d’écarter les recommandations de filière), informer élèves et parents, et, en tant qu’organisme public, mener une FRIA. Il devrait tester si les classifications de compétence corrèlent avec le milieu socio-économique ou la langue.

Surveillance d’épreuves à l’université

Scénario : une université néerlandaise utilise une plateforme de surveillance à distance. Le système vérifie l’identité par webcam, suit les mouvements oculaires, détecte des supports non autorisés et signale un « comportement suspect » pour revue humaine. La plateforme proposait auparavant une « analyse de l’engagement » fondée sur les expressions faciales.

Classification : haut risque au titre de l’annexe III, point 3, d). La fonction d’« analyse de l’engagement » constitue une inférence des émotions et est interdite au titre de l’article 5, paragraphe 1, point f).

Mesure requise : désactiver immédiatement l’analyse de l’engagement (interdiction en vigueur depuis février 2025). Pour le reste, revue humaine de tous les signalements avant toute conséquence académique, information des étudiants, essai des taux de faux positifs selon les démographies, et minimisation des données (un balayage intégral de la pièce peut manquer au règlement sur l’IA et au RGPD).

Tuteurs conversationnels

Scénario : une école de commerce française déploie un agent conversationnel qui répond aux questions de cours, propose des exercices et donne un retour sur des réponses écrites. L’agent n’attribue pas de notes : les enseignants conservent toute l’évaluation formelle.

Classification : analyse attentive. Si l’agent se borne à informer et à faire pratiquer, sans évaluer les acquis ni influer sur le placement, il peut rester hors de l’annexe III, point 3. En revanche, si ses évaluations alimentent le système de gestion de l’apprentissage et influent sur le suivi ou les recommandations de cours, il devient à haut risque au titre du point 3, b) ou 3, c). La classification dépend de l’usage réel des sorties, pas du marketing.

Indépendamment du palier de risque, l’agent interagit directement avec des personnes : l’article 50 exige déjà, depuis le 2 août 2026, d’informer clairement qu’on interagit avec un système d’IA.

Conseil pratique : documenter la fonction avec précision. En cas d’ambiguïté, traiter le système comme à haut risque : le coût de la conformité est très inférieur au coût d’une amende.

Questions fréquentes

Le règlement s’applique-t-il aux écoles privées ?

Oui. Le règlement s’applique selon le lieu de mise sur le marché ou de mise en service, pas selon le statut public ou privé. Une école privée qui utilise l’IA pour les admissions, la notation, le placement ou la surveillance d’épreuves a les mêmes obligations à haut risque qu’une école publique. L’obligation de FRIA (article 27) peut ne pas s’appliquer aux établissements purement privés qui ne fournissent pas de service public, mais toutes les autres obligations s’appliquent également.

Les détecteurs de plagiat assistés par IA sont-ils à haut risque ?

Cela dépend de la fonction. Un outil qui signale une similarité de texte pour revue enseignante entre moins clairement dans l’annexe III, point 3, d), qu’un outil de surveillance du comportement pendant une épreuve. En revanche, s’il tranche sur le point de savoir si une copie constitue un comportement interdit, plutôt que de signaler une similarité, il entre dans le champ. Les détecteurs de texte généré par IA soulèvent des questions analogues et doivent être appréciés au cas par cas.

Peut-on utiliser une notation par IA si un enseignant revoit toutes les notes ?

Oui, mais la revue humaine doit être réelle, pas un tampon. L’article 14 exige que la personne qui contrôle comprenne les sorties, les interprète, et ait la capacité pratique et l’autorité d’écarter. Si les enseignants n’ont ni le temps, ni la formation, ni le mandat d’évaluer et de corriger réellement les notes de l’IA, l’exigence n’est pas satisfaite. Les établissements doivent calibrer les volumes de revue, former, et soutenir une culture où écarter l’IA est possible.

Quid de l’IA utilisée hors Union avec des élèves de l’Union ?

Le règlement a une portée extraterritoriale. Au titre de l’article 2, paragraphe 1, point c), il s’applique aux fournisseurs et déployeurs de pays tiers lorsque la sortie du système est utilisée dans l’Union. Une université établie aux États-Unis qui utilise l’IA pour évaluer des candidats résidant dans l’Union peut entrer dans le champ. Les contours exacts se préciseront par la pratique d’exécution, mais les établissements hors Union avec des candidats résidents de l’Union devraient apprécier leur exposition.

Quand faut-il commencer à se conformer ?

Le calendrier dépend de l’obligation :

• Pratiques interdites (inférence des émotions, notation sociale, manipulation) : exécutoires depuis le 2 février 2025.
• Maîtrise de l’IA (article 4) : depuis le 2 février 2025. Le personnel qui interagit avec des systèmes d’IA doit en comprendre suffisamment le fonctionnement.
• Transparence (article 50) : depuis le 2 août 2026 pour les systèmes qui interagissent avec des personnes ou génèrent du contenu.
• Obligations à haut risque (articles 8 à 15, devoirs du déployeur à l’article 26) : à compter du 2 décembre 2027 pour l’annexe III (reporté du 2 août 2026 par le Digital Omnibus).
• Obligations des modèles d’IA à usage général : depuis le 2 août 2025.

Pour le calendrier complet, voir calendrier du règlement sur l’IA.

Quelles sont les sanctions en cas de manquement ?

Le régime est à paliers :

• Pratiques interdites : jusqu’à 35 millions d’euros ou 7 % du chiffre d’affaires annuel mondial total, le montant le plus élevé.
• Obligations à haut risque : jusqu’à 15 millions d’euros ou 3 %.
• Informations inexactes aux autorités : jusqu’à 7,5 millions d’euros ou 1 %.

Pour les PME et les jeunes pousses, c’est le plus faible des deux montants (plafond forfaitaire ou pourcentage) qui s’applique (article 99, paragraphe 6). Voir le guide des sanctions.

Prochaines étapes

L’échéance à haut risque du 2 décembre 2027 approche. Les écoles, universités et éditeurs EdTech qui n’ont pas commencé ont encore de la marge, mais plus pour les pratiques interdites ni pour l’article 50.

Commencez par la classification : utilisez l’évaluation Legalithm pour déterminer quels systèmes sont à haut risque et quelles obligations s’attachent à votre rôle de fournisseur ou de déployeur.

Construisez votre programme : la liste de contrôle 2026 déroule chaque exigence, de la gestion des risques à la surveillance après mise sur le marché.

Clarifiez votre rôle : si vous êtes un éditeur EdTech, lisez le guide fournisseur / déployeur pour savoir exactement ce que le règlement exige de vous, et ce que vous devez fournir à vos clients.

Le règlement sur l’IA n’est pas un obstacle à l’innovation éducative. C’est le cadre qui rend cette innovation soutenable, digne de confiance et équitable.