Réinventer l’apprentissage à l’ère de l’IA
Les étudiants qui entrent aujourd’hui dans l’enseignement supérieur sont les premiers à ne pas pouvoir hériter du chemin de leurs aînés. La façon d’apprendre, les compétences que les employeurs rémunèrent et les carrières qui semblaient sûres il y a cinq ans bougent toutes en même temps, dans la même direction : vers la machine.
Les tâches qui constituaient le premier échelon, analyses, synthèses, modèles, présentations, sont précisément ce que l’IA fait le mieux. Ce que les employeurs continuent d’acheter, et paieront plus cher, c’est ce que la machine ne livre pas : quelqu’un qui sait ce qui compte, ce qui est vrai, ce qui manque, et qui assume la décision.
C’est ce profil qu’Albert School forme.
Conçue contre la capitulation cognitive
En août 2026, le MIT a publié le rapport de son comité sur l’IA dans l’éducation. L’institution la plus technophile du monde y décrit ce qui se passe sur son propre campus : des groupes de travail qui se vident, des permanences désertées, des étudiants qui ne demandent plus comment résoudre un problème mais comment le faire résoudre.
Les auteurs ont nommé le réflexe : la capitulation cognitive, se tourner vers la machine au premier signe de difficulté. Leur conclusion mérite d’être recopiée sur la première page de chaque cahier : le produit le plus important d’une formation n’est ni une note ni un diplôme. C’est l’étudiant, son jugement, sa rigueur, sa capacité à penser.
Albert School est née quelques semaines avant ChatGPT. Chacun de nos formats pédagogiques a été conçu avec ce risque en tête.
Trois disciplines, tenues ensemble
Chacune protège des excès des deux autres.
Ambition
L’IA met entre les mains d’un jeune de vingt ans des capacités qu’aucune génération n’a eues : construire en un semestre ce qui demandait une équipe et une année, interroger n’importe quel domaine, prototyper n’importe quelle idée. Ceux qui maîtrisent ces outils ne sont plus contraints par le rythme d’une salle de classe. Viser plus haut que le raisonnable.
Humilité
Parce que l’IA produit des résultats impressionnants sans effort, elle fabrique une illusion dangereuse : le sentiment d’avoir compris, quand c’est la machine qui a compris à votre place. Générer un modèle financier, ce n’est pas maîtriser les hypothèses qui le font tomber. Livrer du code qu’on ne saurait pas déboguer seul, ce n’est pas savoir programmer.
Vigilance
Chaque fois qu’un étudiant laisse l’IA penser à sa place, il obtient peut-être la note ; il perd à coup sûr le progrès. La paresse n’est pas nouvelle. Ce qui est nouveau, c’est qu’aucune génération ne l’a eue aussi facile, aussi instantanée, aussi invisible. Lui résister commence en première année, pas après le diplôme.
Un pacte explicite
Être « AI-native » ne garantit rien à la vitesse où évoluent les modèles. Une école qui prêche l’audace à ses étudiants pendant que ses formats d’enseignement restent ceux de 2021 fabrique une contradiction que les étudiants voient parfaitement. Alors le pacte est écrit. Aucun des deux engagements ne tient sans l’autre.
Rester à la frontière, quel qu’en soit le coût en réinvention
- Des programmes reconstruits chaque année, de Python et SQL en Bachelor au deep learning, au MLOps et aux architectures de LLM en Master.
- Les outils que l’industrie utilise aujourd’hui, enseignés comme l’industrie les utilise.
- De vrais problèmes d’entreprises partenaires, défendus devant des praticiens.
- Un apprentissage qui s’adapte à chaque étudiant : des parcours approfondis pour ceux qui avancent vite, une intervention précoce pour ceux qui ont besoin de soutien.
Faire le travail
- Déclarer. L’usage de l’IA est toujours explicite. Si un modèle a contribué à une analyse ou à une décision, son rôle est nommé et peut être examiné.
- Vérifier. Chaque résultat est questionné, jamais pris pour acquis. Fluide et assuré ne veut pas dire juste.
- Assumer. Celui qui produit le résultat en est responsable. « C’est l’IA qui l’a dit » n’est pas une défense, ni dans un travail noté ni dans la vie professionnelle.
La première chose que nous enseignons, c’est la compréhension, pas l’usage.
N’importe qui peut prompter un modèle de langage. Ce qui distingue ceux qui construiront, dirigeront et auditeront des systèmes d’IA est plus difficile : savoir comment ces outils fonctionnent, où ils échouent, et pourquoi.
Les étudiants partent de zéro : Python, SQL, algorithmique, génie logiciel. En troisième année, ils construisent et évaluent des modèles de machine learning de bout en bout. En quatrième année, ils travaillent sur les architectures derrière les systèmes d’IA les plus avancés. En dernière année, l’Albertnative Project passe en production : un vrai produit construit sur Google Cloud, de l’énoncé du problème au pitch investisseurs.
Le parcours Bachelor · S1 à S6 Replier le parcours Déplier le parcours
Data, Python, Pandas, SQL, algorithmique et génie logiciel. Apprendre à lire les données avant de toucher à un modèle.
Un premier stage après seulement un an, plus tôt que dans la plupart des programmes. Les étudiants voient comment les entreprises utilisent (et mésusent) réellement l’IA, avant de revenir approfondir.
Le machine learning depuis la base : modèles supervisés et non supervisés, API et pipelines. Se termine par le prompt engineering et une première rencontre rigoureuse avec les LLM.
Un deuxième stage, cette fois avec deux ans de profondeur technique pour prendre en charge un travail plus sérieux et observer davantage.
Retour de stage avec un regard plus aiguisé : réseaux de neurones, vision par ordinateur, feature engineering et une introduction rigoureuse à l’IA générative.
Le parcours Master · S7 à S10 Replier le parcours Déplier le parcours
Le semestre le plus difficile, volontairement. Deep learning, IA générative, apprentissage par renforcement et mathématiques du machine learning moderne, enseignés depuis les premiers principes.
Un nouveau stage, cette fois avec la profondeur technique pour prendre en charge un travail plus sérieux et observer davantage.
MLOps, data engineering, cloud, NLP et exploitation de l’IA à grande échelle. Se termine par l’Albertnative Project : un vrai produit construit de bout en bout sur Google Cloud.
Un dernier stage professionnel ou un projet indépendant, pour tout appliquer en profondeur dans un contexte organisationnel réel.
Plus les machines deviennent capables, plus la part humaine prend de la valeur
Un modèle écrit une stratégie ; il ne regarde pas les gens dans les yeux pour leur donner envie de l’exécuter. L’intelligence émotionnelle, la capacité à rassembler une équipe, à gagner sa confiance : cela ne s’apprend pas seul devant un écran.
Cela se construit au sein d’une promotion, sur des années, dans des projets qui échouent avant de réussir et des désaccords qu’il faut résoudre en personne. C’est pourquoi Albert School est un campus à Paris, Marseille, Milan, Genève et Madrid, pas une plateforme.
Cette génération n’héritera pas d’une carte. C’est une vraie perte, et je ne la minimise pas. Mais ceux qui apprennent à naviguer sans carte finissent par dessiner les cartes pour les autres. C’est exactement le travail que le monde s’apprête à leur confier.
Découvrir l’IA dès le lycée
Comprendre ce que l’IA peut faire ne devrait pas attendre l’enseignement supérieur. Lors de nos AI Discovery Days, les lycéens explorent des applications réelles dans les secteurs qui façonnent le monde : données de trading en finance, stratégie de marque pour une maison de luxe, modèles de performance dans le sport. Chaque session est pratique : vrais jeux de données, outils professionnels, résultats présentés devant une salle. Aucune expérience préalable requise.
