Chatbots d'admission : ce que dit la recherche publiée

Ce que la recherche établit, en quelques lignes

La recherche publiée montre qu'un assistant conversationnel par SMS peut aider des candidats à finir leurs démarches avant la rentrée, mais elle ne montre pas qu'un chatbot installé sur le site d'une école 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 (revue, working paper ou éditeur institutionnel). 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 bacheliers 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 licence, 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

Elle ne dit rien d'un chatbot génératif posé sur le site d'une école pour répondre aux questions des prospects. Nous n'avons trouvé aucun essai randomisé publié, ni en France ni en Europe, mesurant son effet sur le nombre de candidatures ou d'inscriptions.

Elle ne permet pas non plus de transposer un pourcentage américain à une école française. Les systèmes diffèrent : aux États-Unis, l'admis doit accomplir seul une série de démarches (aide financière, logement, frais) avant la rentrée. En France, Parcoursup cadre le calendrier et beaucoup de démarches passent par la plateforme.

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 école en France

Le cadre juridique pèse plus que les effets mesurés. Le RGPD s'applique à tout message envoyé à un candidat, et la CNIL rappelle l'exigence de transparence, de minimisation et de base légale pour les traitements par IA. Pour les mineurs, l'information doit rester lisible.

Le règlement européen sur l'IA range dans les systèmes à haut risque ceux qui déterminent l'accès à un établissement. Un assistant qui informe n'est pas un système qui décide, mais un outil qui classe des candidatures s'en rapproche. La décision d'admission reste humaine.

Quatre enseignements pratiques en ressortent :

• Visez des tâches datées : pièces à fournir, dates de JPO, 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.