Pourquoi ChatGPT ne suffit pas pour planifier les cours ?

Demandez à ChatGPT de répartir 200 heures de formation sur un semestre, pour plusieurs promotions, intervenants et salles. Le tableau apparaît en quelques instants : dates, horaires et matières. Mais ce planning est-il applicable ? Les intervenants sont-ils disponibles ? Les salles sont-elles libres ? Les volumes horaires sont-ils respectés ? Générer un emploi du temps et garantir sa faisabilité sont deux opérations différentes.

1. Un planning n'est pas un simple tableau de dates

Une séance implique simultanément un intervenant, un groupe, une salle, un créneau, une durée et une progression pédagogique. Modifier une seule dimension peut en perturber plusieurs autres. Pour un module de négociation commerciale de 30 heures, l'école ne doit pas seulement répartir dix séances de trois heures : elle doit vérifier les conditions de chacune d'elles.

Plusieurs calendriers peuvent sembler équilibrés tout en étant irréalisables. Les contraintes doivent être examinées ensemble, et pas seulement ligne par ligne.

Schéma 1 — Les dépendances d'une séance

2. L'illusion du planning valide

Nous appelons ici « illusion du planning valide » la confusion entre l'apparence convaincante d'un emploi du temps et la preuve qu'il respecte les contraintes. C'est une expression éditoriale, pas un terme scientifique consacré.

Imaginez deux promotions : le mardi de 9 h à 12 h, le groupe A suit le cours de Thomas en salle A101 ; au même instant, le groupe B est affecté à Thomas en salle B204. Chaque ligne paraît cohérente ; les deux ensemble sont impossibles. Cette erreur peut provenir d'un défaut de vérification, sans constituer nécessairement une hallucination au sens strict.

Schéma 2 — Un conflit caché

3. Ce que la recherche scientifique nous apprend

Dans « On the Planning Abilities of Large Language Models — A Critical Investigation », publié à NeurIPS 2023, Valmeekam et ses collègues évaluent des modèles sur des problèmes de planification. GPT-4 obtient environ 12 % de réussite moyenne dans les domaines expérimentaux étudiés en mode autonome. Les chercheurs constatent l'intérêt d'un couplage entre modèles de langage, planificateurs spécialisés et vérificateurs externes.

Ce résultat de 2023 ne constitue ni une mesure des performances de ChatGPT en 2026 ni une évaluation spécifique de la planification universitaire. Il montre la nécessité de distinguer proposition et contrôle d'exécution.

Une revue de Chen et ses coauteurs publiée dans IEEE Access en 2021 décrit les emplois du temps universitaires comme un problème difficile d'optimisation combinatoire, impliquant des contraintes fortes et souples.

4. Contraintes fortes et contraintes souples

Les contraintes fortes, dites hard constraints, sont des obligations. Un intervenant ne peut pas enseigner simultanément à deux groupes ; une salle ne peut pas accueillir deux séances à la même heure. Leur violation rend une solution non réalisable.

Les contraintes souples, dites soft constraints, représentent des préférences : limiter les journées à trous ou réduire les déplacements. Un planning est réalisable lorsqu'il respecte toutes les règles obligatoires ; il peut ensuite être amélioré selon les préférences.

5. Le véritable défi commence lorsque le planning change

Un intervenant annule son cours du jeudi. La coordination doit rechercher un créneau compatible, vérifier la salle et le groupe, envisager un remplaçant, faire valider l'affectation, prévenir les personnes concernées et mettre à jour le suivi administratif.

Le calendrier est donc un processus vivant. Une simple nouvelle date générée par IA ne garantit pas que les différentes parties disposent de la bonne information.

Schéma 3 — L'effet domino

6. ChatGPT reste utile, mais il a besoin de contrôles

Un modèle de langage peut reformuler les besoins, préparer une première proposition, expliquer des conflits ou comparer des scénarios. Un moteur métier peut vérifier les règles et les données ; l'utilisateur autorisé conserve le contrôle des décisions sensibles.

L'architecture pertinente sépare la compréhension du langage, la vérification des contraintes et la validation des opérations. Elle nécessite des intégrations et des tests, et ne doit pas être supposée présente dans tous les logiciels.

Schéma 4 — IA et planification métier

7. Vers une programmation pédagogique pilotée

Chez Lecturer, la programmation pédagogique s'inscrit dans un cycle plus large de gestion des intervenants, des disponibilités et des affectations. L'enjeu n'est pas seulement de générer des dates : il est de maintenir des informations cohérentes pour les équipes.

Un planning n'est pas fiable parce qu'il paraît cohérent. Il l'est lorsque ses contraintes ont été vérifiées. Dans notre deuxième article, nous expliquons comment fonctionnent les moteurs de planification.

Glossaire

Illusion du planning valide : expression pédagogique désignant un calendrier plausible sans vérification complète. Faisabilité : respect de toutes les contraintes obligatoires. Contrainte forte : règle impérative. Contrainte souple : préférence à optimiser. Solveur : moteur informatique recherchant des solutions sous contraintes. Optimisation combinatoire : recherche parmi de nombreuses combinaisons possibles.

Sources scientifiques

Valmeekam et al. (NeurIPS 2023) : https://papers.neurips.cc/paper_files/paper/2023/hash/efb2072a358cefb75886a315a6fcf880-Abstract-Conference.html

Chen et al. (IEEE Access 2021) : https://doi.org/10.1109/ACCESS.2021.3100613