AAC du Colloque Ingénium-OFC et Epsi -10/12/2026 – IA générative et formations d’ingénieur·es : Quels sens, quels usages, quels enjeux et quelles responsabilités pour les Sciences Humaines et Sociales
Colloque International
Jeudi 10 décembre 2026, de 9h à 18h
CNAM, Paris
Réseau Ingenium, en collaboration avec EPSI et l’OFC.
APPEL A COMMUNICATION
Modalités et échéances de l’AAC
Comités (scientifiques et d’organisation)
Si les ingénieur.es intègrent depuis des décennies des outils d’intelligence artificielle dans leur pratique professionnelle (voir par exemple Pham & Pham, 1999), le déploiement des IA génératives telles que ChatGPT, Claude, Gemini, Grok, Perplexity AI ou encore Le Chat (Mistral) auprès du grand public suscite aujourd’hui un questionnement général et profond des pratiques professionnelles et pédagogiques auquel le domaine de l’ingénierie n’échappe pas. En tant que chercheur.es en sciences humaines et sociales (SHS), nous nous interrogeons alors sur l’apport spécifique de notre regard : quelles questions et analyses pouvons-nous formuler – sur les dimensions humaines, éthiques, sociales, de formation – que d’autres approches négligeraient ? Il s’agit de penser l’impact de l’IA générative au-delà de la technique, en mobilisant nos outils conceptuels pour en saisir le sens et les conséquences. Ce colloque réunira divers acteurs issus du monde de l’ingénierie (enseignant.es, chercheur.es, responsables pédagogiques, ingénieur.es et étudiant.es) pour interroger les mutations provoquées par les développements récents de l’IA sur la communauté des ingénieur.es et de leurs formateurs.
Trois axes structurent les échanges du colloque, chacun abordé en atelier. Un quatrième axe, rédigé en anglais, propose une synthèse des trois axes précédents et s’adresse aux participants anglophones ou à celles et ceux souhaitant valoriser leur participation en anglais.
1. L’impact de l’IA générative sur le travail des ingénieur.es
Les outils d’intelligence artificielle générative s’intègrent aujourd’hui de manière accélérée dans les pratiques professionnelles des ingénieur.es, transformant leurs compétences, leurs modes de raisonnement, leurs méthodes de conception (Babashahi et al., 2024 ; Russo, 2023 ; Nguyen‑Duc et al., 2023) ; d’aucuns n’hésitent pas à parler de « changement paradigmatique » dans le domaine de la programmation et de l’ingénierie informatique par exemple (Treude & Storey, 2025). Dans le prolongement de questionnements engagés depuis plusieurs décennies déjà (e.g. Tzafestas & Verbruggen, 1995) et des avancées en apprentissage automatique, ces technologies automatisent désormais des opérations cognitives et créatives autrefois au cœur de l’expertise humaine.
Les recherches en SHS soulignent toutefois une prise en compte encore insuffisante des activités réelles et des dynamiques de compétence dans ces transformations (par exemple Tyson & Zysman, 2022), et appellent à maintenir une vigilance critique afin que ces outils demeurent des instruments d’assistance et que leur intégration ne se fasse pas au détriment des emplois, en particulier des plus jeunes comme c’est déjà le cas (Brynjolfsson et al., 2025). Les analyses d’Eric Sadin dans Le désert de nous-mêmes (2025) mettent en évidence un risque de « dessaisissement » du jugement humain, au profit de systèmes capables de produire des solutions et des raisonnements. Les prises de position récentes de Geoffrey Hinton (2026)[1] confirment par ailleurs ces risques. Ces évolutions pourraient en effet s’intensifier avec l’intégration croissante de l’IA dans les logiciels d’ingénierie et de simulation (notion d’Agent IA ou LLM-based agent). Des perspectives évoquées par Eric Schmidt (2024[2], 2025[3]) suggèrent en effet la possibilité pour des agents IA, grâce à une IA générative intégrée permettant le raisonnement et la planification, de prendre en main directement des outils avancés et d’orchestrer de manière autonome un travail en plusieurs étapes. Depuis début février 2026 (sortie de Claude Opus 4.6, et sortie de ChatGPT 5.5 le 23 avril 2026), les agents IA sont désormais capables d’utiliser n’importe quels outils ou logiciels, y compris ceux utilisés dans l’ingénierie en simulation, calculs de structures et mécanique des fluides, l’exécution des tâches étant également structurée et planifiée par une IA générative intégrée à ces agents. Quels scénarios s’annoncent alors ? Celui de l’ingénieur remplacé, augmenté, dominé, divisé, ou éventuellement réhumanisé (Ferguson, 2023) ?
Ces transformations interrogent profondément les pratiques, et de nombreuses questions se posent sur l’évolution future des compétences, des métiers et des formes d’expertise : Quels types d’outils d’IA générative sont mobilisés par les ingénieur.es dans leurs pratiques professionnelles aujourd’hui et demain ? Quelles transformations ces outils opèrent-ils déjà, et opèreront-ils sur le travail, les compétences et les formes d’expertise à court et moyen terme ? Comment les ingénieur.es appréhendent-ils les risques (fiabilité, sécurité, responsabilité, perte d’expertise et de pans d’activités) liés à l’usage de ces technologies ? Comment évoluent les relations de confiance entre humains et systèmes techniques ? Quelles redéfinitions de l’identité professionnelle, du rôle de manager et du chef de projet se profilent-elles dans un contexte d’automatisation cognitive ? À quelles échéances ?
2. L’impact de l’IA générative sur les pratiques pédagogiques en formation d’ingénieur
L’expansion de l’IA générative transforme en profondeur les pratiques professionnelles des ingénieur.es et questionne, en retour, les modalités de leur formation. De nombreux articles soulignent les apports et les limites de l’IA générative pour l’enseignement et l’apprentissage (e.g. Yan et al., 2024). La rapidité de production de ressources et de contenus, l’adaptabilité et la personnalisation des supports selon les profils apprenants (Mittal et al., 2024 ; Msambwa et al., 2025), ou encore le soutien à la créativité et à la modélisation sont autant d’atouts recensés dans la littérature. Parallèlement, des enjeux sensibles sont mis en évidence, notamment en matière d’intégrité académique et de fiabilité des évaluations (Fisher et al., 2024), mais aussi de transformation du rapport des étudiant.es à l’apprentissage (Wang & Fan, 2025).
Les écoles d’ingénieur.es sont ainsi confrontées à la nécessité d’accompagner les étudiant.es dans un usage critique, responsable et méthodique de ces outils, tout en revisitant leurs contenus, leurs objectifs pédagogiques et leurs dispositifs d’évaluation (Díaz & Nussbaum, 2024 ; Knoth et al., 2024), et en interrogeant l’évolution des savoirs, des savoir-faire et des savoir-être à transmettre. L’IA générative amène ainsi à modifier les scénarios d’apprentissage, les postures enseignantes et les dynamiques de classe (Dangouloff et al., 2025 ; Creely & Carabott, 2025) ; la littératie numérique n’a jamais été aussi indispensable (Watanabe, 2024 ; UNESCO, 2024) (e.g les questionnements relatifs à l’expression écrite, Kosmina et al., 2025, Walter, 2024).
L’utilisation de l’IAG invite aussi à développer un discernement technologique, en écho aux réflexions de Bihouix (2014), afin de former des ingénieur.es capables d’évaluer les effets organisationnels, éthiques et socio‑techniques de l’introduction de systèmes d’IA. Former les ingénieur.es à interroger les choix technologiques, les biais, les conditions d’usage et les implications systémiques de l’IA devient ainsi un enjeu central pour préparer des professionnel.les autonomes, lucides et responsables dans un contexte en transformation rapide.
3. « IA responsable » et place de l’éthique dans la formation d’ingénieur.es
Le troisième volet proposé porte sur les enjeux éthiques, sociaux et de santé, liés au déploiement de l’IA générative dans l’ingénierie en les articulant à la question d’une « IA responsable » dans la formation et le métier de l’ingénieur. Ces enjeux constituent des préoccupations transversales majeures, invitant à interroger les concepteurs et les usagers de ces technologies (Casilli, 2024 ; Knoth et al., 2024). Sur le plan éthique, nous pouvons explorer les notions de transparence, d’explicabilité et de responsabilité (Floridi et Cowls, 2019) déjà bien décrites dans le champ de l’automatisation sous le terme d’effets « boîtes noires » (Rabardel, 1995 ; Vuarin et Steyer, 2023). Ces notions appellent à être intégrées dans les curricula afin de former des ingénieur.es capables de comprendre, critiquer et encadrer les systèmes qu’ils mobilisent (Commission Européenne, 2021). La question de la protection des données, matière première des systèmes d’IA, et de leur utilisation en contexte éducatif ou professionnel peut renforcer des fuites de données ou un traitement non maîtrisé (Wang et al., 2024) renforçant la nécessité d’une culture éthique et réglementaire solide.
Sur le plan du développement durable, l’IA générative soulève des inquiétudes quant à son empreinte écologique, en raison des coûts énergétiques liés à l’entraînement et à l’usage des modèles (de Vries, 2023 ; Strubell et al., 2020). Les ingénieur.es, en tant que concepteurs de solutions techniques, devront intégrer cette contrainte et savoir se positionner sur ces enjeux. Dans cette perspective, former des ingénieur.es à une « IA responsable » implique d’intégrer des arbitrages entre performance économique et technique, soutenabilité environnementale et responsabilité sociale.
Enfin, le volet de santé se réfère ici à la santé et au bien-être des ingénieur.es et élèves-ingénieur.es qui utilisent quotidiennement ces outils. Des signaux d’alerte émergent quant à l’impact cognitif et psychologique d’une utilisation intensive de l’IA. Comme pour toute technologie numérique, un risque de dépendance existe (Zhou et Zhang, 2024) ; on peut également craindre une délégation excessive de nos facultés à la machine : quels impacts alors sur la pensée critique et la mémorisation chez l’ingénieur (Lee et al., 2025) ?
4. Generative AI, Engineering and the Social Sciences and Humanities: A Call for Interdisciplinary Perspectives
The rapid integration of generative AI into engineering practices is reshaping not only the nature of engineers’ work, but also the ways in which future engineers are trained and the broader ethical, social, and environmental frameworks within which they operate. This conference invites contributions from the social sciences and humanities (SSH) to critically examine these ongoing transformations from an interdisciplinary perspective.
First, generative AI tools are rapidly being integrated into engineers’ professional practices, transforming their skills, reasoning processes, and design activities (Babashahi et al., 2024 ; Russo, 2023 ; Nguyen‑Duc et al., 2023). Building on advances in machine learning, these technologies increasingly automate cognitive and creative operations that were once central to human expertise.
However, SSH research points to a limited consideration of actual work practices and evolving competencies (e.g. Tyson & Zysman, 2022), calling for critical vigilance to ensure that AI remains a tool for assistance rather than substitution. As AI becomes embedded in engineering and simulation environments-through, for instance, LLM-based agents capable of orchestrating complex tasks-these transformations are likely to intensify. This raises key questions: What tools are engineers currently using, and how might their use evolve? How do these technologies reshape skills, expertise, and professional roles? How are risks related to reliability, safety, responsibility, or loss of expertise addressed? More broadly, how are trust relationships, professional identities, and managerial roles being redefined in a context of increasing cognitive automation?
Second, these transformations have direct implications for engineering education. The growing presence of generative AI challenges traditional teaching methods, learning processes, and assessment practices (Yan et al., 2024; Díaz & Nussbaum, 2024; Knoth et al., 2024). While AI offers opportunities for personalization, rapid content generation, and new forms of interaction (Mittal et al., 2024; Msambwa et al., 2025), it also raises concerns about academic integrity and the relevance of existing curricula and evaluation methods (Fisher et al., 2024; Wang & Fan, 2025). How should engineering programmes adapt their content, pedagogical approaches, and learning objectives? What new skills – technical, critical, and reflective – are required? How can educators support students in developing informed and critical uses of AI tools? More broadly, how does generative AI reshape the role and positioning of teachers?
Third, the development and use of generative AI bring to the forefront critical ethical, social, and environmental issues, calling for the promotion of “responsible AI” in both engineering practice and education. Questions of transparency, explainability, accountability, and data protection are central to understanding and regulating these technologies (Casilli, 2024; Knoth et al., 2024; Floridi et Cowls, 2019; European Commission, 2021; Wang et al., 2024). At the same time, the environmental impact of AI systems, particularly their energy consumption, challenges engineers to integrate sustainability into their design and decision-making processes (deVries, 2023; Strubell et al., 2020). The widespread use of AI tools also raises concerns about cognitive and psychological effects, including potential dependency and the transformation of critical thinking practices (Zhou and Zhang, 2024; Lee et al. 2025).
By bringing together these three dimensions – professional practices, educational transformations, and ethical, social, and environmental challenges – this conference aims to foster dialogue between researchers and practitioners. It seeks to explore how SSH can contribute to a more nuanced understanding of generative AI in engineering, and to support the development of reflective, responsible, and sustainable practices in both professional and educational contexts.
[1] Senate of Canada. (2026, 27 Février). AI guardrails: Will Canada regulate artificial intelligence? Geoffrey Hinton [Video]. YouTube. https://www.youtube.com/watch?v=CilicjZShgc
[2] Schmidt, E. (2024). Interview par Néoma Magazine le 21 mai 2024. YouTube. https://youtu.be/DgpYiysQjeI?is=i8_LIkwIKaLLBzsR
[3] Schmidt,E. (2025). Stanford Talks le 21 avril 2025. YouTube chapitre 12 de la transcription de 27’17 à 29’24, exemple de l’agent IA Chemro C pour les ingénieurs chimiste. https://youtu.be/bnRfQNqP37s?is=Td2nU8E6YsQl345x
REFERENCES
- Babashahi, L., Barbosa, C. E., Lima, Y., Lyra, A., Salazar, H., Argôlo, M., … & Souza, J. D. (2024). AI in the workplace: A systematic review of skill transformation in the industry. Administrative Sciences, 14(6), 127.
- Bihouix, P. (2014). L’âge des low-tech : vers une civilisation techniquement soutenable. Seuil.
- Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence [Working Paper]. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/
Casilli, A. A. (2024). “End-to-end” ethical AI: Taking into account the social and natural environments of automation. Dans A. Ponce Del Castillo (Ed.), Artificial intelligence, labour and society (pp. 83–92). ETUI. https://hal.science/hal-04543418/ - Creely, E., & Carabott, K. (2025). Teaching and learning with AI: An integrated AI-oriented pedagogical model. The Australian Educational Researcher, 52, 4633–4654. https://doi.org/10.1007/s13384-025-00913-6
- Dangouloff, N., Cuvelier, L., & Fernagu, S. (2025). Ingénierie pédagogique et technologies émergentes : Défis et leviers d’action identifiés dans la conception de jumeaux d’enseignement numériques immersifs et interactifs. Médiations & médiatisations, 20, 54–71.
- Díaz, B., & Nussbaum, M. (2024). Artificial intelligence for teaching and learning in schools: The need for pedagogical intelligence. Computers & Education, 217, 105071.
- European Commission. (2021). Ethics guidelines for trustworthy AI. Publications Office of the European Union.
- Ferguson, Y. (2023). AI at work, working with AI: First lessons from real use cases. Dans J.-C. Le Coze & S. Antonsen (Eds.), Safety in the digital age: Sociotechnical perspectives on algorithms and machine learning (pp. 119–127). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-32633-2_11
- Fischer, I., Sweeney, S., Lucas, M., & Gupta, N. (2024). Making sense of generative AI for assessments: Contrasting student claims and assessor evaluations. The International Journal of Management Education, 22(3), 101081.
- Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1). https://doi.org/10.1162/99608f92.8cd550d1
- Knoth, N., Tolzin, A., Janson, A., & Leimeister, J. M. (2024). AI literacy and its implications for prompt engineering strategies. Computers and Education: Artificial Intelligence, 6, 100225.
- Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X. H., Beresnitzky, A. V., … & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv preprint arXiv:2506.08872, 4.
- Lee, H. P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, pp. 1-22. https://doi.org/10.1145/3706598.3713778
- Mittal, U., Sai, S., & Chamola, V. (2024). A comprehensive review on generative AI for education. IEEE Access, 12, 142733-142759.
- Msambwa, M. M., Wen, Z., & Daniel, K. (2025). The impact of AI on the personal and collaborative learning environments in higher education. European Journal of Education, 60(1), e12909.
- Nguyen-Duc, A., Cabrero-Daniel, B., Przybylek, A., Arora, C., Khanna, D., Herda, T., Rafiq, U., Melegati, J., Guerra, E., Kemell, K.-K., Saari, M., Zhang, Z., Le, H., Quan, T., & Abrahamsson, P. (2025). Generative artificial intelligence for software engineering: A research agenda. Software: Practice and Experience, 55(11), 1806-1843.
- Rabardel, P. (1995). Les hommes et les technologies : Approche cognitive des instruments contemporains. Armand Colin.
- Russo, D. (2024). Navigating the complexity of generative AI adoption in software engineering. ACM Transactions on Software Engineering and Methodology, 33(5), 1-50.
- Sadin, E. (2025). Le désert de nous-mêmeso : Le tournant intellectuel et créatif de l’intelligence artificielle. Éditions L’Échappée.
- Strubell, E., Ganesh, A., & McCallum, A. (2020). Energy and policy considerations for modern deep learning research. Proceedings of the AAAI Conference on Artificial Intelligence, 34(9), 13693–13696. https://doi.org/10.1609/aaai.v34i09.7123
- Tzafestas, S., & Verbruggen, H. (1995). Artificial intelligence in industrial decision making, control, and automation: an introduction. Dans Artificial Intelligence in Industrial Decision Making, Control and Automation (pp. 1-39). Dordrecht: Springer Netherlands. https://link.springer.com/chapter/10.1007/978-94-011-0305-3_1
- Treude, C. & Storey M. A. (2025). Generative AI and Empirical Software Engineering: A Paradigm Shift. 2nd IEEE/ACM International Conference on AI-powered Software, Seoul, Korea. https://doi.org/10.1109/AIware69974.2025.00033
- Tyson, L. D., & Zysman, J. (2022). Automation, AI and work. Daedalus, 151(2), 256–271. https://doi.org/10.1162/daed_a_01914
- de Vries, A. (2023). The growing energy footprint of artificial intelligence. Joule, 7(10), 2191–2194. https://doi.org/10.1016/j.joule.2023.09.004
- Vuarin, L., & Steyer, V. (2023). Le principe d’explicabilité de l’IA et son application dans les organisations. Réseaux, 240(4), 179–210.
- Walter, Y. (2024). Embracing the future of Artificial Intelligence in the classroom: the relevance of AI literacy, prompt engineering, and critical thinking in modern education. International Journal of Education Technology in Higher Education, 21. https://doi.org/10.1186/s41239-024-00448-3
- Wang, J., & Fan, W. (2025). The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12, Article 621. https://doi.org/10.1057/s41599-025-04787-y
- Wang, T., Zhang, Y., Qi, S., Zhao, R., Xia, Z., & Weng, J. (2024). Security and privacy on generative data in AIGC: A survey. ACM Computing Surveys, 57(4), 1–34.
- Watanabe, A. (2024). Have courage to use your own mind, with or without AI: The relevance of Kant’s enlightenment to higher education in the age of artificial intelligence. Electronic Journal of e-Learning, 22(2), 46-58.
- Yan, L., Greiff, S., Teuber, Z., & Gašević, D. (2024). Promises and challenges of generative artificial intelligence for human learning. Nature Human Behaviour, 8(10), 1839-1850.
- Zhou, T., & Zhang, C. (2024). Examining generative AI user addiction from a CAC perspective. Technology in Society, 78, 102653.
Pour télécharger l’appel à communication : Réseau Ingenium_Colloque 2026_IAG et formations ingénieur·es _Appel à Communications
Modalités et échéances de l’appel à communication
Votre proposition de communication présentera un résumé de 300 mots maximum à faire parvenir sous formats Word et PDF (police Times New Roman, taille 12, interligne 1,5), hors le titre, le(s) auteur(s), le(s) institution(s), cinq mots clés maximum, et éventuellement cinq références bibliographiques minimum.
Merci de nous soumettre également un pavé biographique (50 mots max).
Le tout est à envoyer au plus tard pour le 30 juin 2026 (délai de rigueur) à ces deux adresses : secretariat@reseau-ingenium.fr et presidence@reseau-ingenium.fr
Les propositions peuvent émaner d’enseignant.es chercheur.es, de professionnel.les de l’éducation, de professionnel.les ingénieur.es, d’étudiant.es, ou toute personne intéressée par cette thématique.
Plusieurs formats et supports de communications orales sont possibles : posters (5 mn), retour d’expérience (10 mn), communication de recherche (avec diaporama – 15 mn). Nous vous remercions de nous indiquer votre souhait de format. Le comité scientifique se garde le droit de statuer sur le format retenu.
- Les résumés seront soumis à une expertise en double aveugle.
- Notification acceptation / refus du comité d’expertise Ingenium le 18 septembre 2026.
- Les communications retenues et discutées en colloque seront publiées sous forme d’actes en ligne. Des articles sélectionnés feront l’objet d’une publication dans un numéro spécial de revue ou autre valorisation.
- Gratuit pour les membres du réseau Ingenium ou du Cnam et les doctorant.es.
- 50 € pour les non-membres valant adhésion individuelle au réseau Ingenium pour 2026.
Pour les modalités de paiement merci de contacter Stéphane Roberdet à cette adresse : tresorerie@reseau-ingenium.fr
Composition du comité scientifique :
- Fatma Fourati-Jamoussi, Présidente du Réseau Ingenium, UnilaSalle
- Aude Labetoulle, Vice-Présidente du Réseau Ingenium, Le Cnam
- Amelia Rucart, Secrétaire du Réseau Ingenium, Le Cnam
- Stéphane Roberdet, Trésorier du Réseau Ingenium
- Claude Chammaa, Réseau Ingenium, UniLaSalle
- Christelle Didier, EPSI, Université de Lille (CIREL)
- Sarah Ghaffari, EPSI, IIMT Atlantique
- Stéphanie Merle, EPSI, UC Louvain (Belgique)
- Lucie Sztejnhorn, EPSI, UTC
- Michael Vicente, EPSI, UTC
- Bourdages-Sylvain, Marie-Pierre, EPSI, Ecole des sciences de l’administration(Québec)
- Mélanie Le Forestier, OFC
- Dimitri Morel, OFC
- Emmanuel Roziere, OFC
- Denis Maricourt, Réseau Ingenium, IPSA
- David Oget, Réseau Ingenium, INSA Strasbourg
- Pascale Catoire, Université Orléans
- Marion Paggetti, CESI
- Maud Rousseau, CESI
Composition du comité d’organisation :
- Nathan Coutable, OFC et EPSI
- Victor Michaud, OFC
- Dimitri Morel, OFC
- Lucie Cuvelier, Réseau Ingenium, CESI
- Béatrice Jalenques-Vigouroux, INSA Toulouse, LERASS (UPS), LASCO (UCL)
OpenEdition vous propose de citer ce billet de la manière suivante :
Christelle Didier (30 avril 2026). AAC du Colloque Ingénium-OFC et Epsi -10/12/2026 – IA générative et formations d’ingénieur·es : Quels sens, quels usages, quels enjeux et quelles responsabilités pour les Sciences Humaines et Sociales. Études Pluridisciplinaires Sur l’Ingénierie. Consulté le 17 mai 2026 à l’adresse https://doi.org/10.58079/165p2
