SPOC : Décoder l'IA et ses enjeux
Abschnittsübersicht
-
-
Bienvenue
Bienvenue dans cette formation HES-SO Master intitulée « Décoder l’IA et ses enjeux », qui vous permettra d'explorer l’intelligence artificielle dans ses principales dimensions.
Elle s’inscrit dans la volonté de la HES-SO d’intégrer l’intelligence artificielle dans ses pratiques d’enseignement selon une approche éthique, responsable et transparente, au bénéfice des étudiant·es et des enseignant·es. Elle a été développée conjointement par HES-SO Master, le GPIA, le SADAP et Cyberlearn, dans une démarche collaborative visant à répondre aux enjeux actuels de l’IA dans l’enseignement supérieur.
À travers huit modules thématiques, vous découvrirez les types, fonctionnalités et applications de l’IA, le machine learning et les réseaux de neurones, tout en abordant les risques, limites et problématiques éthiques, sociétales et environnementales liées à son usage.
Vous apprendrez également à choisir les bons outils IA, à maîtriser les bases du prompt engineering, et à comprendre les principes de déontologie et d’intégrité académique indispensables à une utilisation responsable de l’IA.
Cette formation combine vidéos, lectures, ressources officielles de la HES-SO et quiz pour consolider vos connaissances.
Elle représente environ 8 heures d’apprentissage. Comme elle est en mode asynchrone, vous pouvez la suivre à votre rythme et au moment qui vous convient. Vous pouvez donc répartir la formation sur plusieurs séances. Nous recommandons toutefois de réaliser chaque module en une seule fois afin de bien saisir l’ensemble de la thématique abordée et de favoriser l’intégration des apprentissages.
La réussite des modules vous permettra d’obtenir une attestation de réussite certifiant les compétences acquises tout au long de la formation.
Que vous soyez curieux ou curieuse, novice ou déjà initié·e, cette formation vous offrira les clés pour comprendre, utiliser et encadrer l’intelligence artificielle avec discernement dans vos études et votre pratique professionnelle future.
Objectifs d'apprentissage
- Expliquer les concepts fondamentaux de l'intelligence artificielle et le fonctionnement des chatbots
- Identifier les catégories d'IA, leurs fonctionnalités et leurs applications
- Décrire les principes des réseaux de neurones et des types d’apprentissage de l’IA
- Identifier les risques, limites et défis de l’IA
- Appliquer les bonnes pratiques pour sélectionner les outils d'IA
- Rédiger des prompts efficaces
- Analyser les enjeux éthiques et sociétaux de l'IA
- Décrire les impacts environnementaux de l'IA
- Utiliser l'IA dans le respect des principes de l'intégrité académique
Bonne formation !
-
Équipe pédagogique
Cette formation a été élaborée par :
Richard-Emmanuel Eastes
Enseignant 
Responsable du Service d'Appui au Développement Académique et Pédagogique (SADAP)
Membre du Groupe de Pilotage de l’Intelligence Artificielle (GPIA) de la HES-SO
En collaboration avec :
Thomas Steiner
Enseignant contributeur 
Responsable Cyberlearn
Membre du Groupe de Pilotage de l’Intelligence Artificielle (GPIA) de la HES-SO
Dominique Bollinger
Enseignant contributeur 
Coordinateur durabilité, HES-SO
Lisa Myers
Conceptrice de la formation 
Technopédagogue, HES-SO Master
Equipe technique
Nadège Iten
Productrice de vidéo 
Collaboratrice technique, Cyberlearn
Luca Morganella
Producteur de vidéo 
Médiamaticien, Canif
Pour toute question relative aux aspects pédagogiques, veuillez vous adresser à Richard-Emmanuel Eastes. Pour toute question relative aux aspects techniques, veuillez contacter Lisa Myers.
-
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
-
-
-
-
Aperçu du module
- Introduction
- Fonctionnalités des différents types d'IA
- Chatbots
- Applications pratiques de l'IA générative
- Conclusion
Description
Au cours de ce premier module, nous allons explorer les fonctionnalités et applications des différents types d'IA, qu'elles soient générative, prédictive, adaptative ou analytique.
Nous ferons alors un focus sur l'IA générative, car c'est l'IA la plus couramment utilisée, que cela soit dans les études ou dans le cadre professionnel.
Dans cette deuxième partie, vous pourrez vous familiariser avec quelques exemples d’IA génératives qui peuvent générer du texte, des images, des vidéos, des quiz et bien plus encore.
Objectifs d'apprentissage
- Expliquer les fonctionnalités des différents types d'IA et leurs applications pratiques
- Différencier les chatbots
- Identifier leurs points forts et leurs biais
- Illustrer les applications pratiques de l'IA générative
Voici les activités proposées par le module 1 :
À visionner
- Les types d'IA et leurs fonctionnalités
- IA générative
- Démo de Copilot
- Démo de DALL-E
- Démo de Veo
- Démo Wooclap
- Démo de tutorat en mathématiques
À lire
- Définitions des quatre types d'IA
- Comparatif des meilleurs chatbots IA grand public en 2025
Répondre au quiz
Veuillez noter :
Afin d'obtenir l'attestation de réussite, vous devez obtenir 70% de réponses correctes aux quiz de chacun des modules.
Bon module !
-
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
Ce Comparatif des meilleures chatbots IA grand public en 2025 (RegloBench, 2025) évalue les chatbots ChatGPT, Claude, Gemini et Mistral.
Il couvre notamment :
- les LLM utilisés par les chatbots IA
- les caractéristiques des LLM disponibles avec les chatbots IA
- les fonctionnalités des chatbots IA
-
-
-
-
-
Aperçu du module
- Introduction
- Les réseaux de neurones et le machine learning
- Apprentissage des chatbots
- Neurones biologiques et artificiels
- Conclusion
Description
Ce module présente les principes fondamentaux du machine learning et des réseaux de neurones, en expliquant comment les machines apprennent de manière déterministe, non déterministe ou par renforcement. Ces notions sont illustrées à travers des exemples concrets, comme le robot-chien et les célèbres confrontations entre l’IA et des champions humains aux échecs et au Go.
Vous découvrirez ensuite le fonctionnement des neurones artificiels, leurs différences avec les neurones biologiques et la façon dont leurs réseaux traitent les données pour apprendre.
Nous abordons également la génération de texte par les chatbots ainsi que des notions clés telles que les tokens, les vecteurs et certains biais liés aux données d’entraînement.
Enfin, vous aurez l’occasion d’explorer un réseau neuronal simple capable de reconnaître des chiffres, afin de comprendre de manière concrète comment une IA apprend à partir d’exemples.
Objectifs d'apprentissage
- Expliquer les principes fondamentaux des réseaux de neurones et du machine learning
- Illustrer les apprentissages supervisé, non supervisé et par renforcement
- Comparer les neurones biologiques et artificiels
Voici les activités proposées par le module 2 :
À visionner
- Le machine learning
- Les neurones artificiels
- Kasparov vs Deep Blue (facultatif)
- Lee Sedol vs AlphaGo Move 37 reactions and analysis (facultatif)
- Différents types d'apprentissage
- Comment les chatbots apprennent
À lire
- Définitions des types d'apprentissage
- Concepts clés : apprentissage des chatbots
Répondre au quiz
- Quiz 2.1
- Quiz 2.2
À tester
- Démo : exemple de réseau de neurones
Veuillez noter :
Afin d'obtenir l'attestation de réussite, vous devez obtenir 70% de réponses correctes aux quiz de chacun des modules.
Bon module !
-
-
-
-
-
Démo : Apprentissage d'un réseau de neurones (facultatif)
Principe
Le principe est simple : vous dessinez un chiffre dans l’espace prévu à cet effet — un 0 ou un 1 — et le dessin est automatiquement recentré et inscrit dans une grille de pixels. A chaque pixel est alors associée une valeur numérique, qui correspond à son intensité (0 %, 43 %, 87 %, 100 %). Cela permet de transformer votre dessin en une liste de nombres (autant qu’il y a de pixels dans l’image).
Ces nombres sont alors envoyés à une première couche d’entrée du réseau de neurones, chaque neurone recevant l’ensemble des valeurs de tous les pixels. A noter qu’à chaque liaison entre un pixel et un neurone correspond un « paramètre », dont la valeur est initialement définie aléatoirement, et qui correspond au « poids » de ce pixel pour ce neurone.
En effet, le rôle de chaque neurone est de multiplier la valeur de chaque pixel par le paramètre associé à cette liaison (le poids du pixel pour ce neurone, donc) et d’effectuer la somme de l’ensemble des valeurs ainsi calculées.
Sur le site, tant qu’aucun chiffre n’a été dessiné, ces paramètres (ou poids) sont représentés par des traits rouges ou bleus de différentes épaisseurs.
- Rouge : le poids est positif (ça renforce l’information)
- Bleu : le poids est négatif (ça la diminue)
- Épais : le poids possède une valeur élevée
- Fin : le poids possède une valeur faible
Lorsqu’un chiffre a été dessiné, la couleur et l’épaisseur du trait représentent le produit du poids par la valeur du pixel.
Chaque paramètre est tel un bouton de réglage : si on le tourne, on change la manière dont le réseau réagit à votre dessin.
Le résultat du calcul effectué par chaque neurone est alors envoyé à la couche suivante, qui est ici la couche de sortie, constituée de deux neurones seulement.
Chacun de ces deux neurones de sortie travaille exactement comme ceux de la couche d’entrée : il additionne les valeurs calculées par chacun des neurones d’entrée multipliées par leurs poids respectifs.
L’un de ces deux neurones de sortie est chargé de dire « je pense que c’est un 0 », l’autre « je pense que c’est un 1 ». Pour ce faire, ont fait simplement en sorte que la somme de leurs valeurs soit toujours 100, ce qui permet de considérer les valeurs qu’ils calculent comme des probabilités associées au 0 et au 1.
L’apprentissage : un processus non déterministe et intuitif
Au démarrage, les paramètres ont été réglés aléatoirement : le réseau répond donc n’importe quoi.
Mais lorsque vous dessinez un chiffre et que vous dites : « Ceci est un 0 », le réseau est conçu pour corriger (à l’aide d’une formule mathématique) l’ensemble de ses réglages de manière à ce que la valeur calculée par le neurone de sortie qui correspond au 0 soit la plus élevée possible (idéalement, 100 %).
Tout se passe comme si l’ensemble des petits boutons de réglages mentionnés plus haut tournaient pour faire en sorte que la valeur de sortie soit la meilleure possible. C’est la raison pour laquelle les traits changent brusquement d’épaisseur et de couleur.
Après avoir reçu plusieurs 0 de différentes formes, le réseau de neurones commence à effectuer ses calculs convenablement. Mais seulement lorsqu’on lui présente un 0, bien sûr.
Il reste à lui présenter des « 1 » qui lui permettront d’apprendre à reconnaître ce second chiffres, puis à nouveau des « 0 » car l’apprentissage des « 1 » aura légèrement déréglé les réglages précédents.
Après avoir reçu une petite dizaine d’exemples, le réseau commencera à calculer convenablement les probabilités que le chiffre dessiné soit un 0 ou un 1. Et plus il verra d’exemples, plus les valeurs qu’il calculera à chaque nouvel essai seront élevées d’un côté ou de l’autre.
Bien entendu, ce réseau ne comprend rien et ne sait même pas ce que c’est qu’un 0 ou un 1. Mais il a développé ce qui ressemble à une intuition, fondée sur une répétition d’exemples et pas sur des règles de reconnaissance des formes. Et d’ailleurs, il aurait très bien pu « apprendre faux » si on avait inversé les chiffres ou écrit autre chose que des 0 et des 1.
Comment reconnaître tous les chiffres ?
Reconnaître seulement 0 et 1, c’est comme apprendre l’alphabet avec deux lettres. C’est facile.
Mais si on souhaite élaborer un réseau de neurones capable de reconnaître l’ensemble des chiffres de 0 à 9, il faut :
- un réseau constitué de plus de couches,
- davantage de neurones,
- et surtout beaucoup plus d’exemples.
Après lui avoir présenté des milliers d’images étiquetées (c’est-à-dire des chiffres écrits à la main, associés systématiquement aux valeurs de ces derniers), c’est-à-dire après des milliers d’étapes lors desquelles il aura ajusté ses paramètres (ou poids), le réseau sera capable de reconnaître l’ensemble des 10 chiffres. Et ce avec d’autant plus de précision qu’il aura « vu » plus d’exemples.
En résumé
Ce site permet de voir en direct ce qui est habituellement invisible : la modification des réglages internes d’un réseau de neurones lors de son apprentissage. Et c’est exactement ainsi, bien qu’avec des nombres de paramètres bien plus grands (jusqu’à des milliers de milliards) que fonctionnent la grande majorité des systèmes d’intelligence artificielle !
-
-
-
-
-
Aperçu du module
- Introduction
- Grands problèmes de l'IA
- Biais cognitifs, sociétaux et idéologiques de l'IA
- Conclusion
Description
Ce module explore les risques et limites des chatbots et en particulier leur tendance à produire des réponses plausibles mais pas forcément véridiques. Il couvre également les biais politiques et sociaux liés à leur entraînement et à leur fine-tuning.
Vous allez analyser les grands problèmes de l’IA, comme le non déterminisme, l’interprétabilité, l’alignement avec les valeurs humaines ou encore la désinformation (deepfakes).
Le module aborde également les impacts sociaux, les risques d’anthropomorphisation, les inégalités et les effets psychologiques associés à ces technologies.
Objectifs d'apprentissage
- Analyser les grands problèmes de l'IA
- Repérer les problèmes spécifiques et les biais de l'IA
Voici les activités proposées par le module 3 :
À visionner
- Les problèmes généraux de l'IA
- Les biais cognitifs et sociétaux
- Les biais idéologiques de l'IA
À lire
- L'IA devient menteuse et manipulatrice, inquiétant les scientifiques
- Qu'est-ce que le biais de l'IA ?
Répondre au quiz
- Quiz 3.1
- Quiz 3.2
Veuillez noter :
Afin d'obtenir l'attestation de réussite, vous devez obtenir 70% de réponses correctes aux quiz de chacun des modules.
Bon module !
-
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
Cet article intitulé « L'IA devient menteuse et manipulatrice, inquiétant les scientifiques » (RTS, Juin 2025) examine quelques-unes des préoccupations grandissantes concernant les modèles d’IA les plus récents, dont :
- l'émergence de comportements trompeurs, certains systèmes apprenant à manipuler ou mentir pour atteindre leurs objectifs
- l'apparition de nouvelles capacités de raisonnement, l’IA procédant par étapes plutôt qu’en produisant une réponse directe
Ces éléments conduisent à un appel à la communauté scientifique pour plus de transparence sur les modèles et la proposition d'une responsabilité juridique des agents d’IA en cas de dommages ou d’abus.
-
-
-
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
Dans cet article consacré aux biais de l’intelligence artificielle, James Holdsworth explique en quoi consistent ces biais : il s’agit de résultats faussés qui apparaissent lorsque des préjugés humains se retrouvent, volontairement ou non, dans les données d’entraînement ou dans la conception même des algorithmes. Ces dérives peuvent conduire à des décisions inexactes et à des impacts potentiellement problématiques.
-
-
-
-
-
Aperçu du module
- Introduction
- Le diagramme de Tiulkanov
- L'art du prompt
- Les bases documentaires
- Comment choisir son outil d'IA
- Conclusion
Description
Ce quatrième module présente les bonnes pratiques pour intégrer l’IA dans un contexte éducatif.
Il aborde l’importance d’utiliser l’IA dans des domaines où l’on possède une expertise, la maîtrise du prompt engineering pour des réponses plus précises, la décomposition des tâches complexes en étapes simples, ainsi que l’enrichissement des chatbots avec des bases de connaissances fiables.
Vous découvrirez également des critères pour bien choisir un outil IA et des bonnes pratiques pour organiser vos usages.
Objectifs d'apprentissage
- Évaluer la fiabilité des réponses de l'IA
- Utiliser le prompt engineering pour obtenir des réponses plus précises et contextuelles
- Décomposer les tâches complexes pour améliorer la qualité des résultats
- Intégrer des outils d'IA adaptés en s'appuyant sur des critères de fiabilités et de sécurité
Voici les activités proposées par le module 4 :
À visionner
- Le diagramme de Tiulkanov
- L'art du prompt
- Bases documentaires
- Comment choisir son outil d'IA
À lire
- Comment bien choisir son outil d'IA ?
- Diagnostic de fiabilité des applications d'IA
- Quelle application d'IA pour quels usages généraux et pédagogiques ?
- European Digital Competence Framework (facultatif)
Répondre au quiz
- Quiz 4.1
- Quiz 4.2
Veuillez noter :
Afin d'obtenir l'attestation de réussite, vous devez obtenir 70% de réponses correctes aux quiz de chacun des modules.
Bon module !
-
-
-
-
-
Arbres des choix
Afin de vous accompagner dans le choix d’un outil d’IA, vous pouvez explorer plus en détail les arbres des choix qui ont été présentés dans la vidéo ci-dessus. Cet outil réflexif crée par le GPIA de l’HES-SO vous aide à poser les bonnes questions.
Une version interactive est également proposée pour vous aider à répondre à vos questions concernant les outils d’IA que vous envisagez d’utiliser.
Ces arbres couvrent les thématiques suivantes :
- la sécurité
- l’efficience
- l’acceptabilité
- la fiabilité
-
Quelle application d’IA pour quels usages généraux et pédagogiques ?
Ce document propose un guide synthétique pour identifier les applications d’intelligence artificielle correspondant à vos besoins. Il se compose de deux volets :
- Usages généraux : une liste de grandes catégories de tâches réalisables grâce à l’IA (production de texte, création d’images, analyse de données, automatisation, etc.), chacune accompagnée d’exemples d’applications adaptées.
- Usages pédagogiques : un panorama d’usages spécifiques à l’enseignement (création de supports, différenciation pédagogique, rétroaction, évaluation formative, etc.) avec des applications adaptées.
Pour chaque type d’usage, les applications peuvent être explorées via un moteur de recherche ou sur la ressource centralisée : https://padlet.com/segallis/ressources_IA.
-
-
-
-
-
Aperçu du module
- Introduction
- Les bases du prompt engineering
- Les facettes de l'intelligence
- Les structures conversationnelles
- Les méta-prompts
- Conclusion
Description
Ce cinquième module s’appuie sur le guide méthodologique « Parler à l'IA » (2025), rédigé par le Prof. Thomas Steiner, Responsable de Cyberlearn. Il a pour objectif de vous familiariser avec les principes fondamentaux du « prompt engineering » et de vous fournir des outils pratiques pour concevoir des prompts efficaces.
Le module débute par les bases de la rédaction de prompts, avant d’explorer les différentes facettes de l’intelligence artificielle et de les comparer à l’intelligence humaine. Il aborde ensuite les structures conversationnelles, qui peuvent prendre diverses formes selon vos besoins, et se termine par les méta-prompts, offrant une vision complète pour optimiser vos interactions avec un chatbot.
À l’issue de ce module, vous disposerez d’un tour d’horizon solide et pratique pour améliorer la qualité et la pertinence de vos prompts.
Objectifs d'apprentissage
- Expliquer les bases du prompt engineering
- Décrire les facettes de l'intelligence artificielle qui imitent certaines capacités humaines
- Identifier les structures conversationnelles adaptées à vos besoins dans vos interactions avec les chatbots
- Définir les méta-prompts et les fonctionnalités avancées
- Appliquer des bonnes pratiques dans l'utilisation des prompts
Voici les activités proposées par le module 5 :
À visionner
- Les bases du prompt engineering
- Les facettes de l'intelligence
- Les structures conversationnelles
- Maîtriser les méta-prompts
À lire
- Concepts clés du prompt engineering (flashcards)
- Parler à l'IA (facultatif)
Répondre au quiz
- Quiz 5.1
- Quiz 5.2
Exercices pratiques
Créer vos prompts sur le modèle des procédures présentées dans les vidéos :
- Le prompt de base
- Les facettes de l'intelligence
- Les structures conversationnelles
- Les méta-prompts
À discuter
- Qu'avez vous appris ?
Veuillez noter :
Afin d'obtenir l'attestation de réussite, vous devez obtenir 70% de réponses correctes aux quiz de chacun des modules.
Bon module !
-
-
-
-
-
-
-
Parler à l'IA (facultatif)
Ce guide intitulé « Parler à l’IA» (Thomas Steiner, 2025), aborde les thématiques des quatre vidéos de ce module plus en détail :
- les bases du prompt engineering
- l'intelligence
- les structures conversationnelles
- les méta-prompts
- perspectives
Plus qu’un manuel technique, ce guide invite à expérimenter et repenser sa relation avec l’IA.
-
Forum de discussion : qu'avez-vous appris ?
Partagez vos apprentissages suite aux quatre exercices pratiques de ce module ?
Prenez quelques minutes pour partager :
1. Ce qui vous a marqué
-
-
- Une idée, une technique ou un résultat utile ou surprenant
- Ce que vous allez réutiliser dans vos prompts futurs
-
Soyez concret.
Les exemples sont les bienvenus.
2. Interagissez avec vos pairs
Réagissez à au moins un post :
-
-
- une question
- un complément
- ou une autre façon de faire ou voir les choses
-
Important
Évitez les réponses génériques. On souhaite votre expérience réelle, pas un résumé produit par une IA.
Plus vous partagez des exemples concrets, plus vous progressez.
-
-
-
-
-
Aperçu du module
- Introduction
- Impacts démocratiques
- Enjeux éthiques, sociaux et juridiques
- Conclusion
Description
Ce module explore les enjeux éthiques, sociétaux et juridiques de l’intelligence artificielle. Il met en lumière les choix de valeurs intégrés dès la conception des systèmes, leurs impacts sur la démocratie, l’environnement, le travail, les inégalités et les libertés, ainsi que les transformations qu’ils induisent dans nos sociétés et nos démocraties.
À travers des études de cas, des analyses critiques et le premier cadre juridique sur l'IA (l’AI Act européen), le module vous invite à comprendre les tensions entre innovation, pouvoir économique et intérêt général, et à réfléchir aux formes de gouvernance nécessaires pour orienter l’IA vers des usages responsables et démocratiques.
Objectifs d'apprentissage
- Analyser les impacts de l’intelligence artificielle sur le fonctionnement des démocraties
- Décrire les principaux enjeux éthiques et sociétaux liés au développement et à l’usage de l’IA
- Identifier des enjeux juridiques et des défis de régulation de IA
Voici les activités proposées par le module 6 :
À visionner
- Impact démocratique de l'IA - partie 1
- Impact démocratique de l'IA - partie 2
- Enjeux éthiques et sociétaux - partie 1
- Enjeux éthiques et sociétaux - partie 2
- Enjeux juridiques
À lire
- Exemple de deepfake dans les médias
- « L’intelligence artificielle doit servir la démocratie », affirme un expert
- Résumé de haut niveau de la loi sur l'IA (AI ACT) facultatif
Répondre au quiz
- Quiz 6.1
- Quiz 6.2
Veuillez noter :
Afin d'obtenir l'attestation de réussite, vous devez obtenir 70% de réponses correctes aux quiz de chacun des modules.
Bon module !
-
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
Deepfake dans les médias
L'utilisation de deepfakes dans les médias soulève un grand défi auquel l'IA nous confronte lorsqu'elle est couplée avec les réseaux sociaux.
De nombreuses personnes dépendent des réseaux sociaux pour suivre l’actualité : des études récentes montrent qu’une part importante d'adolescents consulte principalement YouTube, TikTok ou Instagram pour s’informer et dit être « en ligne presque en permanence ». (Pew Research Center, 2024)
Ce basculement s’accompagne d’un double problème structurel : d’une part, les algorithmes de recommandation favorisent l’engagement et renforcent des bulles informationnelles — amplifiant polarisation et désinformation — plutôt que de les exposer à des sources vérifiées. (Reutersinstitute, 2025)
D’autre part, les images et les vidéos « deepfake » sont de plus en plus réalistes. Plusieurs études montrent qu'une part importante du public peine à distinguer les deepfakes des contenus authentiques, ce qui facilite la diffusion de fausses scènes ou des fake news sur les réseaux. (Nature, 2023).
À cela s’ajoute le phénomène des « vrake news », ces informations authentiques présentées à tort comme des fausses nouvelles. Dans un contexte où circulent à la fois des deepfakes, des rumeurs et des contenus réels remis en question, il devient de plus en plus difficile de comprendre ce qu’il se passe réellement.
L’exemple ci-dessous de l’attaque de Bondi Beach (décembre 2025) illustre cette combinaison dangereuse : alors que les médias et les autorités locales diffusaient des informations factuelles, des publications virales ont affirmé à tort que des victimes étaient des « acteurs », propagées par des images et montages rapidement amplifiés par les plateformes. Des organismes de fact-checking ont démontrent que ces allégations étaient infondées. (rte.ie, 2025).
Fake AI image used to claim Bondi Beach shooting was staged (BBC, 2025)
-
Dans cet entretien, Mark Coeckelbergh, membre du Groupe scientifique international indépendant sur l’IA des Nations Unies, affirme que « l’intelligence artificielle doit servir la démocratie » (ONU, 2026, Cessou, S.).
À l’heure où le multilatéralisme est fragilisé, l'interviewé met en évidence les risques croissants liés à l’IA tout en soulignant l’importance d’une gouvernance mondiale et d’une prise de conscience collective pour orienter cette technologie vers des finalités éthiques et démocratiques.
Les points abordés sont notamment :
- menaces pour la démocratie : manipulation électorale, désinformation, surveillance
- érosion des principes fondamentaux face aux géants du numérique
- difficulté croissante à distinguer le vrai du faux
- risques psychologiques : dépendance et vulnérabilité de certains publics
- nécessité d’une gouvernance mondiale de l’IA
- importance d’orienter l’IA vers le bien commun et des usages démocratiques
-
-
-
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
Résumé de haut niveau de la loi sur l'IA (facultatif)
Cet article résume la Loi européenne sur l’intelligence artificielle (AI Act) qui vise à encadrer le développement et l’utilisation des systèmes d’IA dans l’Union européenne, en fonction des risques qu’ils présentent.
-
-
-
-
-
Aperçu du module
- Introduction
- Impact environnemental
- Actions pour réduire l'impact
- Conclusion
Description
Ce septième module vous est proposé par Dominique Bollinger, coordinateur durabilité et chargé de cours à la HES-SO. Il met en évidence l’impact environnemental majeur de l’IA, tant au niveau de ses infrastructures que de nos usages individuels.
Il déconstruit également certains mythes, tels que l’idée selon laquelle l’IA pourrait faciliter la transition écologique ou apporter des réponses efficaces aux défis énergétiques et planétaires auxquels elle contribue pourtant largement.
Le module débute par une exploration des différentes étapes de l’infrastructure physique et des données nécessaires au fonctionnement de l’IA, avant d’aborder de manière systémique la notion de limites planétaires. Vous découvrirez ensuite des chiffres concrets, souvent sous-estimés, relatifs à l’impact du numérique et de l’IA. Ces vidéos abordent des aspects parfois techniques et complexes. Leur objectif n’est pas que vous reteniez chaque détail, mais plutôt que vous développiez une compréhension globale des multiples impacts environnementaux de l’IA et de leur complexité.
Enfin, le module se conclut par des pistes d’action pour réduire notre propre impact, en répondant à la question « que faire ? » et en encourageant une démarche de sobriété numérique et de réduction des usages.
Objectifs d'apprentissage
- Décrire les impacts environnementaux majeurs de l'IA
- Identifier les limites planétaires et les enjeux systémiques liés à l'IA
- Prendre des mesures pour réduire ses impacts environnementaux en matière de numérique et d'IA
Voici les activités proposées par le module 7 :
À visionner / écouter
- L'infrastructure de l'IA
- Les limites planétaires
- Impact environnemental : les chiffres
- Impact environnemental : que faire ?
- Podcast : Jusqu'où ira la voracité énergétique de l'IA ? (facultatif)
À lire
- Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ? (synthèse)
- Artificial Intelligence and Electricity (facultatif)
- Application CarbonViz
- Ecologits Calculator
Répondre au quiz
Veuillez noter :
Afin d'obtenir l'attestation de réussite, vous devez obtenir 70% de réponses correctes aux quiz de chacun des modules.
Bon module !
-
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
Jusqu’où ira la voracité énergétique de l’IA? (facultatif)
À écouter
Dans ce Podcast du Journal Le Temps (mars 2025), Grégoire Barbey interviewe Marlène de Bank, qui participe au laboratoire d’idées Shift Project et présente ses conclusions sur la consommation d’électricité de l’IA dans cet épisode de la série de Podcast « IA qu’à m’expliquer ».
-
Artificial Intelligence and Electricity (facultatif)
Le rapport intitulé Artificial Intelligence and Electricity: A System Dynamics Approach (Paccou R. et Wijnhoven J., Schneider Electric, Digital Series, 2024) analyse l’évolution possible de la consommation d’électricité liée à l’IA au cours de la prochaine décennie. Face aux préoccupations croissantes concernant l’impact énergétique de l’IA, Rémi Paccou et Fons Wijnhoven proposent un modèle de dynamique des systèmes permettant d’explorer de potentiels scénarios.
L’étude présente quatre scénarios distincts — allant d’un développement durable de l’IA à des limites de croissance, en passant par des situations plus extrêmes comme une abondance sans contraintes ou des crises énergétiques provoquées par l’IA. Ces scénarios ne constituent pas des prédictions, mais servent à mieux comprendre les facteurs complexes qui influenceront la demande en électricité.
Enfin, le rapport formule des recommandations à destination des décideurs publics et privés afin de promouvoir un développement plus durable de l’intelligence artificielle et de limiter ses impacts environnementaux.
-
CarbonViz (facultatif)
CarbonViz est une extension de navigateur conçue pour rendre visible l'impact énergétique et les émissions de CO2 de nos activités numériques quotidiennes (e-mails, images, vidéos, documents, musique, etc.). Cette application nous permet de prendre conscience des enjeux énergétiques de notre utilisation du numérique en :
-
-
-
visualisant le volume de données transférées et du CO2 généré par chaque activité en ligne ;
-
permettant de se fixer des objectifs et d'adopter des bonnes pratiques pour réduire notre impact énergétique.
-
-
-
-
-
-
-
-
Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ?
Dans sa synthèse du rapport intitulé Intelligence artificielle, données, calculs : quelles infrastructures dans un monde décarboné ? (2025), The Shift Project propose un résumé des éléments clés à prendre en compte, notamment en termes de :
-
-
- Trajectoires climatiques et énergétiques mondiales des centres de données
- Trajectoires climatiques et énergétiques en France
- Réorientation de nos choix technologiques jusqu’à la viabilité énergie-carbone
-
Cette synthèse propose aussi quatre recommandations clés issues du rapport non seulement dans le domaine technique, mais également au niveau sociétal et politique.
Pour plus d'informations, lire le rapport et/ou ses recommandations (p. 88 à 92) en détail.
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
-
-
-
-
Aperçu du module
- Introduction
- L'intégrité académique
- Les types de fraudes et leurs conséquences
- Cadre HES-SO pour l'utilisation de l'IA
- Conclusion
Description
Dans ce dernier module, nous abordons la déontologie et l’intégrité académique à l’ère de l’intelligence artificielle.
Nous revenons sur les valeurs fondamentales qui sous-tendent l’intégrité — telles que l’honnêteté, l’équité, la transparence et la responsabilité — ainsi que sur leur importance pour garantir l’évaluation réelle des apprentissages et préserver la valeur des diplômes.
Nous examinons également les différentes formes de fraude, leurs causes et leurs conséquences, avant d’explorer les nouveaux défis posés par l’usage croissant des outils d’IA, dont les risques de plagiat liés aux chatbots.
Enfin, nous présentons les principes et bonnes pratiques pour une utilisation responsable de l’IA, afin de vous permettre de vous appuyer sur ces outils sans compromettre votre éthique, votre expertise et votre intégrité académique.
Nous faisons également une démonstration de NotebookLM, une IA particulièrement adaptée dans le cadre de vos études.
Objectifs d'apprentissage
- Définir l'intégrité académique
- Identifier les types de fraudes et leurs conséquences
- Se référer au cadre HES-SO pour une utilisation de l'IA responsable et éthique
Voici les activités proposées par le module 8 :
À visionner
- L'intégrité académique à l'ère de l'IA
- Conseils pratiques aux étudiant·es
- Démonstration de NotebookLM
À lire
- Guide de l’étudiant·e pour une utilisation responsable de l'IA (infographie)
- Plagiat, citation et intégrité : un guide pratique pour vous aider (facultatif)
Répondre au quiz
- Quiz 8.1
- Quiz 8.2
Veuillez noter :
Afin d'obtenir l'attestation de réussite, vous devez obtenir 70% de réponses correctes aux quiz de chacun des modules.
Bon module !
-
-
-
Illustration : © 2026 Tony, pour Segallis & HES-SO - Licence CC-BY-NC-ND 4.0
-
-
-
-
-
-
-
Conclusion
Félicitations ! Vous avez terminé la formation « Décoder l’IA et ses enjeux ».
Vous disposez maintenant des outils nécessaires pour comprendre l’intelligence artificielle, ses mécanismes et ses usages, mais aussi les implications éthiques, sociétales et environnementales qu’elle entraîne.
Comme vous le savez à présent, l’IA n’est pas seulement un ensemble de technologies : c’est un système qui mobilise des ressources, influence nos façons de penser et pose des questions fondamentales sur la fiabilité des informations qu’elle produit.
Dans vos études comme dans votre pratique professionnelle, l’enjeu n’est donc pas d’utiliser l’IA systématiquement, mais de l’utiliser avec discernement : en évaluant son impact, en vérifiant la véracité des contenus générés, en respectant les principes d’intégrité académique et en restant attentifs aux limites de ces outils.
Nous espérons que vous poursuivrez vos travaux en mobilisant l’IA comme un soutien réfléchi, conscient et responsable — au service de votre compréhension, et non en remplacement de votre jugement et de votre apprentissage.
Pour approfondir votre compréhension de l’intelligence artificielle et continuer à développer vos compétences à votre rythme, nous vous invitons à explorer les ressources de la HES-SO disponibles sur le site hes-so.ai.
Vous avez désormais atteint les objectifs d'apprentissage des différents modules et savez à présent :
- Expliquer les concepts fondamentaux de l'intelligence artificielle et le fonctionnement des chatbots
- Identifier les catégories d'IA, leurs fonctionnalités et leurs applications
- Décrire les principes des réseaux de neurones et des types d’apprentissage de l’IA
- Identifier les risques, limites et défis de l’IA
- Appliquer les bonnes pratiques pour sélectionner les outils d'IA
- Rédiger des prompts efficaces
- Analyser les enjeux éthiques et sociétaux de l'IA
- Décrire les impacts environnementaux de l'IA
- Utiliser l'IA dans le respect des principes de l'intégrité académique
À visionner
-
-
-
Ressources IA de la HES-SO
Pour accompagner la communauté académique, le Groupe de Pilotage pour l’Intelligence Artificielle (GPIA) a élaboré un site web dédié à l'intelligence artificielle.
Nous vous proposons trois ressources clés ci-dessous, mais nous vous encourageons vivement de consulter le site, car c'est un domaine en constante évolution.
Vers le site :
-
Cartographie interactive : outils IA
Avant de conclure ce module, nous vous proposons une dernière ressource que vous pourrez consulter ultérieurement pour vous aider à explorer et évaluer les outils d’intelligence artificielle.
Cette cartographie présente une méthode d’évaluation neutre et contextualisée des outils d’intelligence artificielle utilisables dans un contexte général ou pédagogique en Suisse.
Elle s’appuie sur une grille de notation standardisée (1 à 5) intégrant les exigences de conformité, de sécurité, de pertinence pédagogique, d’éthique et de durabilité.
Les 5 axes d’évaluation :
- Crédibilité et fiabilité du fournisseur Données
- Sécurité & conformité Fiabilité
- Explicabilité & biais
- Facilité d’usage & pertinence pour l’enseignement
- Enjeux environnementaux et éthiques
Principes clés du contexte suisse :
- Conformité à la nLPD et prise en compte du RGPD .
- Préférence pour les solutions hébergées en Suisse ou dans l’UE.
- Alignement avec les valeurs d’inclusion, d’accessibilité, de transparence et de sobriété numérique.
-
-
-
