Conformité sectorielle Éducation
Orientation scolaire automatisée, admission, évaluation d'étudiants, détection de plagiat, surveillance d'examens, recommandation pédagogique, tuteurs IA et analytics académiques: dans l'éducation, l'IA peut peser directement sur l'accès à un programme, la réussite à un examen et la trajectoire éducative d'un apprenant.
Cette page s'adresse aux directeurs d'établissements, DSI universités, responsables e-learning et acteurs EdTech. Elle vous aide à comprendre quand un usage relève réellement de l'Annexe III point 3, quelles preuves préparer et comment vous organiser avant la date charnière du 2 août 2026.
Ce qu'il faut retenir
Qualification
Haut risque explicite pour plusieurs usages
Admission, orientation, évaluation des acquis et surveillance d'examens sont directement visés par l'Annexe III point 3. Les recommandations pédagogiques deviennent sensibles lorsqu'elles influencent réellement l'accès, le niveau ou la progression d'un apprenant.
Personas concernés
Direction, DSI, e-learning, EdTech
La conformité ne concerne pas seulement la pédagogie: elle implique aussi la scolarité, les examens, les achats, la DSI, le juridique et les fournisseurs de solutions numériques.
Urgence pratique
Inventaire + audit fournisseur + supervision humaine
Même avec un outil tiers, votre exposition reste forte comme déployeur. La conformité se joue dans la qualité des données, les règles d'usage, les logs et la capacité d'un humain à reprendre la main.
Deadline imminente
Admission, orientation, évaluation et surveillance d'examens convergent vers la même échéance. La page /deadline-ai-act-2026 résume les preuves et décisions à verrouiller avant le 2 août 2026.
Outils concernés
Il faut raisonner par cas d'usage réel et non par simple promesse marketing. Les solutions ci-dessous sont données à titre illustratif: ce sont les fonctions d'admission, d'évaluation, d'orientation, de surveillance ou de recommandation qui déterminent l'exposition réglementaire.
Admission, orientation scolaire et répartition des étudiants
Lorsqu'un système IA aide à déterminer l'accès à un établissement, à prioriser des dossiers ou à orienter un élève vers une filière, il touche directement au coeur de l'Annexe III point 3. L'enjeu n'est pas le canal utilisé, mais le poids réel de l'algorithme sur l'admission ou l'affectation.
LMS, personnalisation et suivi pédagogique
Un LMS n'est pas haut risque par nature. En revanche, si des briques IA servent à évaluer des acquis, à recommander automatiquement un niveau, à signaler des étudiants en difficulté ou à orienter le parcours pédagogique, il faut revoir la qualification usage par usage.
Analytics académiques, notation et learning outcomes
Les fonctions d'analytics, de scoring d'engagement ou d'aide à la notation deviennent sensibles lorsqu'elles influencent l'évaluation des étudiants, leur progression ou la manière dont un enseignant pilote l'apprentissage à partir de résultats calculés automatiquement.
Recommandation de contenu et parcours de formation
Dans l'e-learning et la formation continue, la recommandation pédagogique peut rester assistive ou devenir réglementairement plus exposée si elle sert à apprécier le niveau d'un apprenant, à débloquer ou refuser un module, ou à orienter un parcours certifiant.
Plagiat, intégrité académique et signalement d'anomalies
Un détecteur de plagiat ou d'usage d'IA générative n'est pas à traiter comme un simple anti-spam. Si le résultat sert à qualifier une fraude, déclencher une sanction ou peser sur la note finale, il faut documenter les limites du système et la supervision humaine autour de son usage.
Surveillance d'examens et détection de comportements interdits
La surveillance algorithmique des examens correspond au cas le plus explicitement cité par l'Annexe III point 3(d). Détection de comportements interdits, scoring de suspicion, alertes automatiques et relecture humaine doivent être cadrés très précisément.
Tuteurs IA, feedback automatisé et recommandation de niveau
Une EdTech qui fournit un tuteur IA, un moteur de feedback ou une recommandation de niveau doit vérifier si le produit se contente d'assister l'enseignant ou s'il évalue réellement les acquis, détermine un accès, ou influence matériellement le parcours éducatif de l'apprenant.
Un assistant qui propose des ressources complémentaires sans effet matériel sur la notation ou l'accès à un programme n'a pas la même intensité réglementaire qu'un système qui classe des candidatures, assigne un niveau, signale une fraude ou produit une recommandation suivie quasi automatiquement par l'enseignant ou le jury.
Si votre organisation gère aussi des sujets emploi, alternance ou formation des collaborateurs, rapprochez cette analyse de nos pages conformité IA RH et conformité IA finance. Pour une veille plus large sur les obligations et cas pratiques, consultez aussi notre blog.
Règlement
L'Annexe III point 3 vise explicitement les systèmes d'admission, d'évaluation, d'orientation et de surveillance d'examens. C'est l'un des périmètres sectoriels les plus directement visés par le texte lorsqu'un système peut façonner la trajectoire éducative ou professionnelle d'une personne.
Lecture accessible
Si un système d'IA sert à déterminer l'accès ou l'admission, à évaluer les acquis, à apprécier le niveau d'éducation approprié ou à surveiller un examen, vous êtes déjà dans la zone la plus explicitement visée par l'Annexe III point 3.
Les articles 9 à 15 forment ensuite le socle organisationnel: gestion des risques, gouvernance des données, documentation technique, journalisation, transparence, supervision humaine et robustesse. Pour un lycée, une université, un organisme de formation ou une EdTech, le sujet doit être relié aux processus d'admission, de scolarité, d'examens, de qualité, de DSI et d'achats.
Annexe III, point 3(a)
Les systèmes utilisés pour déterminer l'accès ou l'admission, ou pour affecter des personnes à des établissements ou programmes d'enseignement, relèvent explicitement du haut risque.
Annexe III, point 3(b)
L'évaluation automatisée des learning outcomes entre dans le périmètre, y compris lorsque ces résultats servent à piloter ou ajuster le processus d'apprentissage.
Annexe III, point 3(c)
Les systèmes qui évaluent le niveau d'éducation qu'une personne recevra ou pourra accéder sont visés lorsqu'ils influencent matériellement l'orientation, la progression ou l'accès au bon programme.
Annexe III, point 3(d)
Les systèmes destinés à surveiller et détecter des comportements interdits pendant les tests sont explicitement listés, ce qui rend le proctoring et certains usages de détection de fraude particulièrement sensibles.
Article 9
L'établissement ou le fournisseur doit identifier, tester et réduire les risques liés aux erreurs, aux biais, aux faux positifs et aux décisions injustifiées sur tout le cycle de vie du système.
Article 11
Le fournisseur doit produire un dossier technique exploitable. Côté établissement ou EdTech, il faut pouvoir obtenir cette documentation et la relier aux procédures académiques, DSI et conformité.
Article 14
Une direction pédagogique, un responsable scolarité, un jury ou un enseignant doit pouvoir comprendre la sortie, l'écarter, demander une revue humaine et documenter l'arbitrage.
Article 15
La performance, la stabilité et la robustesse doivent être suivies et documentées. En éducation, les erreurs peuvent affecter l'accès à une filière, une certification, une bourse ou la trajectoire d'un étudiant.
Le marché EdTech vend souvent de la personnalisation, de l'adaptative learning et de la détection d'anomalies sous une même étiquette “IA éducative”. C'est trop vague. Une recommandation de contenu purement assistive ne se traite pas comme un moteur qui attribue un niveau, conditionne un passage, ou influence une décision de jury.
Même logique pour le plagiat et le proctoring: un score de suspicion n'est pas une sanction. Il faut des règles claires de relecture, de contradiction et de supervision humaine. Pour suivre les échéances et le séquencement des obligations, utilisez aussi notre calendrier AI Act.
Checklist
Cette checklist traduit le texte en actions exécutables pour la direction, la pédagogie, la scolarité, la DSI, les examens, les achats et les équipes produit.
Étape 1
InterneCartographiez les outils d'admission, d'orientation, d'évaluation, de correction, de détection de fraude, de proctoring, de recommandation pédagogique et de support étudiant. Le périmètre se construit à partir de l'usage réel, pas du nom commercial du produit.
Étape 2
InterneDistinguez ce qui relève clairement de l'admission, de l'évaluation, de l'orientation ou de la surveillance d'examen, de ce qui reste un simple assistant pédagogique. Cette étape évite de surqualifier des usages faibles et de sous-qualifier ceux qui modifient réellement le parcours d'un apprenant.
Étape 3
FournisseurDemandez les notices d'usage, métriques de performance, limites connues, qualité des données, modalités de supervision humaine, logs disponibles et conditions de mise à jour. Sans cela, ni une université ni une EdTech ne peut défendre un usage maîtrisé.
Étape 4
InterneVérifiez si le système pénalise indirectement certains profils en raison de leur établissement d'origine, de leur langue, de leur handicap, de leur historique académique ou de variables socio-économiques masquées. Les erreurs de classification peuvent affecter durablement un parcours de vie.
Étape 5
InterneUn enseignant, un jury, un responsable orientation ou un administrateur d'examen doit pouvoir sortir du flux automatisé, contester une recommandation, revoir le dossier et laisser une justification traçable.
Étape 6
InterneConservez les journaux utiles: versions de modèle, paramètres, seuils, scores de suspicion, interventions humaines, changements de règles et motifs de décision. Sans traces, il sera très difficile de répondre à un contentieux ou à une demande d'explication.
Étape 7
InterneLes directeurs d'établissement, DSI universités, responsables e-learning, équipes examens et EdTech doivent partager une même lecture des cas haut risque, des contrôles requis et des procédures d'escalade.
Étape 8
InternePriorisez les usages les plus critiques, corrigez les contrats fournisseurs, formalisez les procédures d'override, clarifiez le rôle de chaque équipe et planifiez la collecte des preuves avant la date applicable.
Le frein principal n'est pas uniquement juridique. La direction pense que le sujet appartient à la DSI, la DSI attend des documents du fournisseur, les enseignants utilisent des scores sans connaître leur logique, et les équipes examens continuent d'exploiter des alertes proctoring sans piste d'audit cohérente. Résultat: personne ne sait prouver quel système est utilisé, avec quelles règles, dans quelle version et avec quelle supervision réelle.
C'est précisément ce que permet de structurer l'audit ActScan: inventaire des cas d'usage, qualification Annexe III, collecte documentaire, priorisation des points de blocage et feuille de route concrète avant 2026. Si vous gérez plusieurs verticales, comparez aussi vos usages avec nos pages sectorielles RH et santé.
Sanctions
Le plafond théorique européen devient beaucoup plus concret lorsqu'on le traduit pour un groupe d'enseignement privé ou une EdTech en croissance.
Plafond annoncé
Pour les manquements aux obligations applicables aux systèmes à haut risque, l'ordre de grandeur est suffisamment élevé pour en faire un sujet de gouvernance, pas seulement un chantier documentaire. Il faut aussi tenir compte des coûts de remédiation, de contentieux et de réexamen manuel des décisions académiques.
Exemple indicatif
3 % de 12 000 000 € = 360 000 €
Plafond fixe affiché = 15 000 000 €
Ordre de grandeur à retenir: plusieurs centaines de milliers d'euros
Ce calcul ne remplace pas une analyse juridique détaillée, mais il montre pourquoi un moteur d'admission, de notation ou de surveillance d'examens mal encadré peut devenir un risque financier, réputationnel et opérationnel majeur pour un acteur privé de l'éducation.
FAQ
Voici les objections et cas pratiques qui remontent le plus souvent chez les établissements scolaires, universités, équipes examens, responsables e-learning et EdTech.
Pas toujours. Un LMS qui suggère des contenus sans effet matériel sur l'accès, la notation ou l'orientation n'est pas à traiter comme un moteur d'admission. En revanche, si les résultats calculés servent à évaluer les acquis, à recommander un niveau, à débloquer un parcours ou à orienter la progression d'un apprenant, la qualification devient beaucoup plus sensible.
Oui, dès lors que l'outil sert dans un contexte d'examen, de contrôle ou de sanction et qu'il influence une décision académique. La surveillance et la détection de comportements interdits pendant les tests sont explicitement mentionnées par l'Annexe III. Il faut donc encadrer les faux positifs, la relecture humaine et la procédure de contestation.
Très souvent, oui. Lorsqu'un système détermine l'accès, l'admission, l'affectation ou le niveau d'éducation auquel une personne pourra accéder, on est au coeur de l'Annexe III point 3. C'est particulièrement vrai si l'algorithme influence matériellement la trajectoire éducative d'un élève ou d'un étudiant.
Pour les usages éducation relevant de l'Annexe III, la date opérationnelle à retenir est le 2 août 2026. Attendre cette échéance serait une erreur: inventaire, revue fournisseur, gouvernance des données, supervision humaine et logs demandent plusieurs mois de préparation.
Prochaine étape
Plus vous attendez, plus il devient difficile de documenter proprement vos usages éducatifs de l'IA. Les paramètres, scores, alertes, versions de modèles et décisions humaines se perdent vite. Lancez maintenant votre diagnostic pour sécuriser vos usages avant la deadline du 2 août 2026.
Audit initial, qualification Annexe III, points de blocage documentaires et plan d'action priorisé.