Chatbots d'admission : la recherche lue depuis la Suisse

Ce que la recherche établit, en quelques lignes

La recherche publiée montre qu'un assistant conversationnel par SMS peut aider des candidats admis à finir leurs démarches avant la rentrée, mais elle ne montre pas qu'un chatbot installé sur le site d'une haute école ou d'une université fait augmenter les inscriptions. Les essais randomisés les plus solides viennent des États-Unis, portent sur des messages envoyés par l'établissement aux admis, et utilisent une IA non générative.

Précision de méthode : aucun outil payant de volume de recherche n'était disponible. Le sujet a été cadré avec des recherches publiques, et chaque étude citée ci-dessous a été retrouvée à sa source. Aucun chiffre ne vient de Skolbot ni d'un client.

Georgia State : le seul essai de grande taille sur un chatbot d'admission

L'étude de Page et Gehlbach est la référence du domaine. Georgia State a déployé en 2016 « Pounce », un assistant par SMS construit avec un prestataire, pour accompagner les admis pendant l'été : dossier d'aide financière, vaccins, relevés de notes, inscription aux cours.

Les admis ont été répartis au hasard entre un groupe qui recevait les messages et un groupe témoin. Chez ceux qui avaient confirmé leur engagement, l'inscription à l'heure progresse de 3,3 points. Les auteurs précisent que cet effet est du même ordre que celui d'interventions plus lourdes déjà testées, avec moins de charge pour le personnel.

Deux limites à garder en tête. L'effet porte sur la finalisation des démarches après l'admission, pas sur la décision de candidater ni sur le choix de l'école. Et l'essai date de 2016, bien avant les assistants génératifs actuels : ses résultats ne se transposent pas tels quels à un assistant génératif ouvert.

Summer melt : les SMS ciblés fonctionnent surtout là où l'aide manque

Avant les chatbots, Castleman et Page avaient testé des rappels personnalisés par SMS auprès de jeunes diplômés à faibles revenus. Les résultats varient selon les sites : positifs dans trois des quatre districts, nuls à Boston, où les élèves disposaient déjà de beaucoup d'accompagnement scolaire et associatif.

Ce point compte pour une école : l'effet d'un message automatique dépend de ce que le candidat obtenait déjà sans lui. Là où un conseiller répond vite, l'apport marginal est faible.

Le ciblage change le résultat

L'article de Nurshatayeva, Page, White et Gehlbach reprend le design de Georgia State dans une autre université (4 442 étudiants). L'effet global sur l'acceptation d'un prêt est d'environ 4 points. Il grimpe à environ 8 points pour les étudiants de première génération, avec environ 3 points sur l'inscription aux cours et l'inscription effective.

Les auteurs en tirent une consigne pratique : une relance proactive rapporte le plus auprès des candidats qui ont le moins de relais familial ou scolaire. Ils soulignent aussi que, dans le volet collège communautaire de leur projet, l'expérience n'a pas pu être menée correctement faute de numéros de téléphone exploitables. La qualité des données de contact conditionne l'étude comme le déploiement.

Hors admission : un chatbot dans les cours donne des résultats comparables

Meyer, Page et leurs coauteurs ont testé un chatbot non génératif pour des cours de bachelor, en essais randomisés préenregistrés. Les messages améliorent les notes finales et l'usage des dispositifs d'aide. Les effets sont proches d'un groupe démographique à l'autre, sauf pour les étudiantes d'un cours de microéconomie, dont les notes progressent d'environ sept points de pourcentage.

Cette étude concerne des étudiants déjà inscrits. Elle montre que la méthode « message court, tâche précise, au bon moment » se retrouve à plusieurs étapes du parcours, mais elle ne mesure rien sur la conversion d'un prospect.

Le contre-exemple : tous les nudges ne marchent pas

Oreopoulos et Petronijevic ont suivi près de 25 000 étudiants sur trois campus. Des messages et un coaching en ligne ont amélioré un peu le bien-être et le temps d'étude, mais aucune intervention n'a eu d'effet significatif sur les résultats académiques.

Ce résultat nuance les précédents : les messages fonctionnent mieux quand ils portent sur une tâche administrative précise et datée, par exemple déposer un dossier, que sur un changement de comportement diffus. C'est aussi la conclusion de Page et ses coauteurs dans leur analyse des conditions d'efficacité du nudging.

Ce que la recherche ne dit pas pour la Suisse

Elle ne dit rien d'un chatbot génératif sur le site d'une HES, d'une université ou d'une école privée pour répondre aux candidats. Nous n'avons trouvé aucun essai randomisé publié, en Suisse ou ailleurs, mesurant son effet sur les inscriptions.

Le système suisse diffère des États-Unis. L'accès dépend souvent de la maturité gymnasiale ou professionnelle, d'une inscription directe auprès de l'établissement, et de règles propres à chaque canton ou haute école. swissuniversities coordonne les hautes écoles, et chaque HES applique ses propres modalités. Le moment utile d'une relance dépend donc de l'établissement : dossier complet, examen d'admission, confirmation de place.

Les études décrivent enfin des assistants conçus et suivis par des équipes de recherche. Les résultats d'un produit déployé sans cette rigueur ne sont pas garantis.

Ce que cela change pour une haute école en Suisse

Le cadre juridique pèse plus que les effets mesurés. La Suisse n'est pas dans l'Union européenne : c'est la nouvelle loi fédérale sur la protection des données (nLPD) qui s'applique, avec le Préposé fédéral à la protection des données et à la transparence comme autorité. Elle exige transparence, proportionnalité et sécurité des données. Une école qui accueille aussi des candidats de l'Union européenne peut en plus relever du RGPD.

Le règlement européen sur l'IA ne s'applique pas directement en Suisse, mais il sert de repère : les systèmes qui déterminent l'accès à un établissement y sont classés à haut risque. Un assistant qui informe ne décide pas ; la décision d'admission reste humaine. Pour la qualité des filières, l'AAQ est l'agence d'accréditation de référence.

Quatre enseignements pratiques en ressortent :

• Visez des tâches datées : pièces à fournir, dates de journées portes ouvertes, échéances de paiement, rendez-vous. C'est là que les essais trouvent des effets.
• Ciblez les candidats les moins accompagnés plutôt que d'envoyer le même message à tous.
• Soignez les coordonnées et le consentement avant tout déploiement.
• Mesurez par un groupe témoin : tirez au hasard un échantillon de candidats qui ne reçoit pas la relance, puis comparez les inscriptions.

Pour la suite, voyez notre guide des agents IA pour le recrutement étudiant, la définition d'un agent IA d'admissions, l'article sur le yield et les désistements après admission et le guide du chatbot IA pour le recrutement étudiant.