Normanthiia – Formation des formateurs NSI & SNT
Bruno Mermet – Licence CC BY-NC-SA – 09/26
Je ne parle ici que des formations dans le domaine du développement. Je ne parle donc pas des formations sur la cybersécurité, l’administration système, etc.
Suivant le langage, les résultats des IA génératives n’est pas le même :
Former aux IA génératives dans le cadre d’études en informatique apparaît maintenant nécessaire. Cependant, les différentes études montrent clairement que :
Voici des propositions qui, compte tenu des constats précédents, semblent raisonnables, dans le cadre d’une formation de licence informatique :
Cet aspect doit probablement être mis en œuvre dès la première année. Il apparaît nécessaire d’enseigner :
L’essentiel de ces connaissances semble d’ailleurs nécessaire à tout étudiant, mais dans le cadre d’une formation en informatique, il est possible d’aller plus loin.
Il existe principalement 3 façons d’utiliser les LLM dans le cadre de la programmation :
L’utilisation d’un agent conversationnel peut être présentée dès la deuxième année. En l’introduisant plus tardivement, c’est une compétence qui aura déjà été acquise, mais mal, par les étudiants. Elle présente un avantage : le code n’est pas directement inséré dans le projet de l’étudiant.
L’utilisation de la complétion peut être présentée soit dans le cadre de projets visant à utiliser une bibliothèque / un langage non maîtrisé par exemple, ou dans le cadre d’un cours avec une partie théorique importante et une partie applicative nécessitant une maîtrise d’outils complexes difficilement assimilable sur un nombre d’heures de TP restreint. Cela peut être introduit par exemple en deuxième partie de deuxième année, quand les compétences en programmation commencent à être consolidées.
Enfin, l’utilisation d’agents de codage ne doit arriver que tardivement, pas avant la troisième année de licence, pour éviter un usage systématique annihilant les capacités d’apprentissage. Mais notamment pour les étudiants faisant un stage pour ceux arrêtant leurs études après la licence, présenter ces outils avant semble nécessaire.
Cette compétence ne doit a priori pas figurer dans les compétences principales d’une licence générale d’informatique. Elle peut être enseignée dans 2 situations différentes :
Cette compétence est un compétence qui, au moins dans une phase transitoire, s’avère assez importante à un niveau général. Son enseignement devrait donc pouvoir trouver sa place en M1 (elle nécessite des connaissances en souveraineté, en système, etc.). À terme, il se peut que ça devienne un métier spéfique ou que cela soit rattaché aux formations d’administration système, et que ça devienne moins fondamental.
Développer des IA génératives, ou les adapter par du fine tuning par exemple, ou même tout simplement développer son propre système de RAG sont des compétences peu recherchées. Cela doit donc a priori rester des compétences enseignées uniquement dans des masters spécialisés.
Le développement rapide de l’utilisation des IA génératives amène forcément à se poser la question des conséquences sur les autres matières d’une formation en informatique
Évaluer les caractéristiques d’un algorithme (complexité, terminaison, etc.) reste fondamental. Par ailleurs, maîtriser la programmation, comme cela a pu être évalué par des études scientifiques, conserve tout son intérêt. Même si les développeurs vont probablement maintenant plus relire du code qu’en écrire, cela passe par de solides compétences en programmation.
Par ailleurs, comme on a pu le voir, le langage n’est pas anodin. On peut envisager :
Par ailleurs, un accent important doit être mis sur la qualité du code si on veut continuer à avoir des applications maintenables et des IA génératives efficaces. Il est notamment indispensable de pouvoir juger de la qualité d’un code produit par une IA et de faire du refactoring fréquent pour garder un code de qualité.
L’assembleur n’est plus beaucoup enseigné, le code produit par un compilateur étant souvent correct et efficace (même si connaître l’assembleur aide souvent à mieux comprendre ses bugs). Mais alors que le comportement d’un compilateur est reproductible, ce n’est pas le cas d’une IA générative. Donc relire du code produit par une IA générative va rester une compétence qu’il sera indispensable de maîtriser.
Les agents de codage interagissent beaucoup avec le système d’exploitation. Par ailleurs, ils utilisent beaucoup les commandes du shell pour agir, et produisent beaucoup de scripts pour automatiser des traitements. Ces aspects doivent donc retrouver tout leur intérêt. Par ailleurs, connaître le architectures matérielles (CPU vs GPU, types de mémoire, etc.) peut également être utile pour bien configurer ses modèles de langages locaux.
Écrire des tests va devenir encore plus important : ça risque d’être l’ultime contrôle humain, et comme on a pu le voir, les tests produits par des IA génératives sont loin d’être satisfaisants. La formation aux tests devraient donc être renforcée dans toutes les licences informatiques.
L’importance d’avoir des spécifications informelles précises et bien rédigées, des prompts bien structurés, grandit. Il s’agit donc clairement d’un domaine qui doit prendre de l’ampleur.
Introduire les bases de données vectorielles peut être intéressant à partir du Master. Pour le reste, les enseignements en bases de données ne me semblent pas être particulièrement dépendants du développement des IA génératives.
Sur les aspects plus théoriques de l’informatique et sur les aspects mathématiques indispensables, je ne pense pas que l’arrivée des IA génératives amènent requièrent de gros changement.
Beaucoup d’outils nécessitent d’écrire des fichiers de configuration. Si connaître la structure de ces fichiers reste indispensable, on peut envisager de passer moins de temps sur les détails, les IA génératives étant très souvent capables d’écrire parfaitement ce genre de fichier (qu’il s’agissent de fichiers xml, yaml, voire de css)
La situation des BUT informatique mériterait d’être étudié. Non pas sur son existance, mais sur sa finalité. En effet, le BUT informatique est un débouché assez naturel pour les titulaires d’un bac STI2D souhaitant poursuivre en informatique. Par contre, les besoins de l’industrie en développeurs niveau bac+3 sont en train de s’effondrer. Aussi, le BUT ne doit certainement plus être envisagé comme une formalisation professionnalisante mais réellement comme une passerelle permmettant, après un bac technique, de rejoindre une filière longue (licence 3 ou école d’ingénieurs).
Une autre solution serait de garder un but professionnalisant pour le BUT, mais alors à condition de l’orienter complètement vers du pilotage d’agents de codage après la formation de base envisageable. Une formation courte réussira-t-elle pour autant à donner le recul nécessaire pour utiliser de manière optimale ce genre d’outils ?
La formation dans les écoles d’ingénieurs en informatique post-prépa est réduite à 3 années. Aussi, il semble judicieux de rajouter à la première année la formation à l’utilisation des IA génératives proposées pour la première année de licence, puis d’introduire l’utilisation des IA génératives dans le développement à partir de la deuxième année.
En ce qui concerne SNT, c’est surtout le GEPP constitué par le CSP qui sera en charge de définir la place des IA génératives. On peut légitimement supposer qu’il y aura une partie non négligeable sur les aspects environnementaux et sociétaux, ainsi qu’une partie sur la formation à une utilisation raisonnée et intelligente des agents conversationnels. Mais n’oublions pas que la partie du programme consacrée à l’intelligence artificielle n’est pas sensée à se limiter aux IA génératives.
Pour NSI, une évolution du programme ne semble pas envisagée pour le moment. Cela n’empêche pas 2 façons d’augmenter les connaissances en IA des élèves :
S. Thorgeirsson, T.B. Weidmann, Z. Su, Computer Science Achievement and Writing Skills Predict Vibe Coding Proficiency, Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems, 2026
Q. Zhang, C. Fang, S. Gu, Y. Shang, Z. Chen, et L. Xiao, « Large Language Models for Unit Testing: A Systematic Literature Review », arXiv preprint arXiv:2501.12862, Mars 2025.
W. C. Ouédraogo, A. K. Kaboré, Y. Li, H. Tian, A. Koyuncu, J. Klein, D. Lo, et T. F. Bissyandé, « Prompt engineering in LLMs for automated unit test generation: A large-scale study », Empirical Software Engineering, vol. 31, no. 103, Mars 2026. DOI:10.1007/s10664-026-10840-4.
S. Bhatia, T. Gandhi, D. Kumar, et P. Jalote, « Unit Test Generation using Generative AI : A Comparative Performance
Analysis of Autogeneration Tools », in Proc. 46th International Conference on Software Engineering (ICSE 2024), Lisbonne, Portugal, Avril 2024.
Dong, Y., Jiang, X., Qian, J., Wang, T., Zhang, K., Jin, Z., & Li, G. (2025). A Survey on Code Generation with LLM-based Agents.
Kazemitabaar, M., Hou, X., Henley, A., Ericson, B. J., Weintrop, D., & Grossman, T. (2023). How Novices Use LLM-Based Code Generators to Solve CS1 Coding Tasks in a Self-Paced Learning Environment. Proceedings of the 2023 ACM Koli Calling International Conference on Computing Education Research.
Catir, E., Claesson, R., & Tsoupidi, R. M. (2025). Evaluating Code Generation of LLMs in Advanced Computer Science Problems.