La session a couvert quatre axes :

• L'écosystème d'innovation de la Silicon Valley et la façon dont l'IA réécrit les règles du jeu des startups
• L'IA dans l'éducation, avec une démonstration en direct de la plateforme agentique myAcademic
• Les systèmes de recommandation en pratique, suivis d'un quiz d'entraînement
• Un défi d'innovation sur l'IA dans l'éducation, conclu par des pitchs d'équipe de cinq minutes

Silicon Valley : un réseau, pas seulement un lieu

Le professeur Dhar a ouvert la session avec une idée centrale : l'IA rend l'innovation plus rapide ; les écosystèmes la rendent déterminante. Les chiffres montrent pourquoi ce moment est important. Selon le Stanford HAI 2026 AI Index :

La force de la Silicon Valley repose sur six ingrédients qui se renforcent mutuellement : les talents, la connaissance, le capital, les infrastructures, les marchés et une culture qui tolère l'échec. Ensemble, ils font tourner un volant d'inertie. La recherche nourrit les startups, les startups attirent les capitaux, les capitaux permettent de passer à l'échelle, et les rendements sont réinvestis dans de nouveaux fondateurs. L'IA accélère chaque tour en réduisant le coût d'un prototype.

Comment l'IA change l'équation des startups

Le codage en langage naturel, les agents et les API réutilisables permettent à de plus petites équipes d'atteindre un prototype crédible et de tester davantage d'hypothèses chaque mois. Revers de la médaille : de nouveaux risques, comme la dépendance aux modèles, les coûts d'inférence variables et une différenciation faible. La valeur durable continue de provenir de la connaissance du domaine, de workflows propriétaires, de la confiance, de la distribution ou d'un véritable avantage en matière de données.

Les étudiants ont également parcouru la pile technologique de l'IA où s'affrontent les startups, du calcul et de l'énergie à la base, en passant par les données, les modèles et l'orchestration, jusqu'aux applications verticales dans l'éducation et la santé. Le professeur Dhar a montré comment OpenAI, Google, Anthropic et NVIDIA gèrent chacun des programmes pour startups qui associent accès à la technologie, crédits, mentorat et mises en relation avec le marché.

Le guide du fondateur

Une startup d'IA gagne toujours en résolvant mieux un problème douloureux. Le guide partagé avec les étudiants :

1. Partir d'un workflow : observer les utilisateurs, les contraintes et le coût de l'échec.
2. Prouver le point d'entrée : livrer un résultat de façon mesurable plus rapide, moins coûteuse ou meilleure.
3. Concevoir la fiabilité : par l'évaluation, l'ancrage factuel, les permissions et l'escalade vers un humain.
4. Construire un avantage défensif : dans le workflow, les données, la confiance ou la distribution.
5. Passer à l'échelle de façon responsable : en suivant l'économie unitaire, le risque lié aux modèles et les résultats pour les clients.

Comme l'a résumé une diapositive, une démo montre ce qui est possible, mais une entreprise livre un résultat reproductible et digne de confiance. L'IA responsable, a-t-il soutenu, n'est pas une couche de conformité mais une composante de l'adéquation produit-marché.

Les universités, des nœuds actifs du réseau d'innovation

Où des écoles comme aivancity se situent-elles ? Réponse du professeur Dhar : les universités ne doivent pas observer l'écosystème depuis la ligne de touche, mais en être des nœuds actifs. Il a décrit cinq rôles :

1. Enseigner : associer la maîtrise de l'IA, la profondeur dans un domaine et le jugement entrepreneurial.
2. Construire : organiser des studios, des projets de synthèse (capstones), des hackathons et des défis d'innovation.
3. Traduire : transformer la recherche en produits grâce à des partenariats avec l'industrie et les startups.
4. Gouverner : développer des capacités en matière d'évaluation, d'éthique et de politiques publiques.
5. Inclure : élargir l'accès aux outils, aux mentors, à la puissance de calcul et aux réseaux.

Il a également évoqué des formes concrètes de collaboration académique entre établissements : des conférences invitées qui évoluent en modules et cours communs, des thématiques de recherche partagées telles que l'IA de confiance, l'IA agentique et les systèmes de recommandation, ainsi que des échanges d'enseignants et d'étudiants via des postes de professeur invité, des stages et du mentorat. La prochaine vague de l'IA, a-t-il noté, passe du chat générique à l'exécution par domaine, dans des secteurs comme l'éducation, la santé et le droit, où l'expertise et la confiance des universités sont de véritables atouts.

L'IA dans l'éducation : un regard en direct sur myAcademic

La deuxième partie de la matinée est passée des écosystèmes à un produit concret. Le professeur Dhar a présenté myAcademic, une plateforme d'apprentissage intelligente reposant sur l'IA agentique, développée par le Pr Dhar, qui accompagne les étudiants d'un système de gestion de l'apprentissage (LMS) générique jusqu'à la réussite professionnelle, et l'a démontrée en direct, y compris des retours de l'IA sur un CV en vue d'opportunités de carrière.

Le point de départ est simple. Les plateformes LMS traditionnelles organisent l'apprentissage : carnets de notes, référentiels de contenus, analyses manuelles. L'opportunité suivante est de comprendre, prédire, recommander et agir. myAcademic ajoute une couche d'IA agentique au-dessus du LMS existant d'un établissement plutôt que de le remplacer.

Quatre composants clés

Deux perspectives, une seule boucle

Pour les étudiants, la plateforme transforme les données de notes en une boucle de réussite continue : synchroniser les dernières données du cours, analyser les écarts, prédire les résultats, recommander des actions, puis étudier et progresser. Elle répond à des questions comme « Sur quoi dois-je me concentrer cette semaine pour mon prochain examen ? » ou « Puis-je rendre mon travail en retard ? ». De plus, elle permet de téléverser les CV des étudiants et recommande des offres d'emploi pertinentes à proximité qui correspondent à l'expertise de l'étudiant.

Pour les enseignants, l'IA intervient tout au long du cycle d'enseignement, de la conception d'un programme à la notation, en passant par le repérage des étudiants qui ont besoin de soutien. Point crucial, l'enseignant garde le contrôle, grâce à une validation humaine (human-in-the-loop), des recommandations transparentes et des permissions définies par l'établissement. Lorsqu'un étudiant est signalé, la plateforme explique pourquoi.

Des cours aux carrières

La partie la plus tournée vers l'avenir de la démonstration a prolongé le parcours au-delà de la salle de classe. Un agent carrière construit un profil de compétences à partir des cours, associe les acquis des cours à des compétences, identifie les lacunes et recommande des cours, des projets et des stages. Un étudiant peut demander : « Je veux devenir data analyst. D'après mes cours et mes performances, sur quoi dois-je me concentrer ensuite ? »

Les garde-fous sont essentiels ici. Les suggestions de carrière restent consultatives, explicables et sous le contrôle de l'étudiant, s'appuient sur des données académiques approuvées, et n'infèrent jamais de caractéristiques protégées ni ne prennent seules de décisions lourdes de conséquences.

Défi d'innovation étudiant

Après une session sur les systèmes de recommandation en pratique et un court quiz d'entraînement, les étudiants ont mis la théorie en action lors du Défi d'innovation sur l'IA dans l'éducation. Le sujet :

Cinq rôles par équipe

Les étudiants ont formé des équipes de cinq, chaque membre portant une perspective afin de ne rien laisser d'essentiel de côté :

1. Responsable du problème : définit l'utilisateur cible, son besoin et les limites de l'approche actuelle.
2. Responsable IA : propose la tâche d'IA, le modèle ou l'approche agentique.
3. Responsable des données : identifie les besoins en données, les limites de qualité et les contraintes d'accès.
4. Responsable de l'IA responsable : évalue la confidentialité, l'équité, la sécurité, l'exclusion et les usages détournés.
5. Responsable produit et pitch : façonne le workflow, la proposition de valeur et la présentation finale.

Un canevas d'innovation en dix étapes

Les équipes ont travaillé à partir d'un canevas couvrant l'utilisateur, le problème, l'approche actuelle, la capacité d'IA et les données, puis le workflow, le rôle humain, la valeur, les indicateurs de réussite et le risque. La question du rôle humain s'est démarquée : où le jugement, le consentement ou l'approbation doivent-ils rester du ressort d'une personne ?

Chaque équipe a ensuite présenté un pitch de cinq minutes en trois diapositives : le problème et les raisons pour lesquelles les approches actuelles sont insuffisantes ; la solution d'IA, ses données et sa conception avec humain dans la boucle ; et enfin les bénéfices, les mesures de réussite, les risques et les garde-fous.