Le robodog qui a exposé la crise de l’éducation à l’IA en Inde

Internet riait aux éclats, mais ces rires avaient une pointe d'aigreur.

Le 17 février 2026, au Bharat Mandapam, le principal lieu de congrès de l'Inde, une professeure de la Galgotias University a déclaré face à une caméra de DD News que son université avait construit « Orion », un robodog élégant à quatre pattes, dans le cadre d'un Centre d'excellence en IA d'un montant de ₹350-crore.

La prétention n'a pas survécu à l'après-midi.

Les médias chinois et les observateurs technologiques ont rapidement affirmé que la machine était le Go2 de Unitree, un robot vendu en ligne, et la vitrine est passée de la publicité à l'embarras.

L'alimentation du stand aurait été coupée, l'université a été expulsée, des excuses ont suivi et une enquête a été annoncée.

Pour un pays classé troisième par l'outil Global AI Vibrancy 2025 de Stanford, le spectacle n'était pas seulement une bévue de relations publiques ; c'était un test de résistance.

Lorsque les mèmes se sont dissipés, une question est demeurée : quel type d'écosystème d'IA produit une démo qui ne résiste pas à une recherche en ligne ?

Le bulletin que personne ne voulait

Le récit indien sur l'IA est aujourd'hui étayé par des preuves sérieuses.

L'outil Global AI Vibrancy 2025 de Stanford a placé l'Inde en troisième position, un bond que les médias indiens ont lu comme une preuve que le pays progresse sur plusieurs indicateurs liés à l'IA.

Ce classement compte parce qu'il reflète l'étendue : l'activité des talents, les signaux de recherche et l'échelle de l'écosystème, pas seulement un lancement de produit tape-à-l'œil.​

Mais l'IA fait partie de ces domaines où l'ampleur peut masquer la superficialité.

Un pays peut compter de nombreux utilisateurs d'IA capables de déployer des outils prêts à l'emploi, et pourtant peiner à former des créateurs d'IA : chercheurs et ingénieurs qui inventent de nouvelles méthodes, publient des résultats durables et génèrent une propriété intellectuelle défendable.

C'est là que l'histoire de l'Inde bute sur les détails.

Plusieurs compilations et synthèses à destination des décideurs ont souligné combien la part de l'Inde dans les brevets mondiaux en IA reste faible par rapport aux deux premières puissances en IA.

Le rapport AI Index 2025 de Stanford situe l'Inde à environ 0.37% des brevets mondiaux en IA, contre environ 70% pour la Chine et 14% pour les États-Unis.​

Les brevets sont une mesure imparfaite : beaucoup sont de faible qualité, certaines percées ne sont pas brevetées, et l'open-source est réel.

Mais comme indicateurs de qui détient la technologie fondamentale, ils sont les meilleurs disponibles, et la part de l'Inde est infinitésimale.

Si la part de l'Inde en matière de brevets est si réduite, l'implication n'est pas que l'Inde manque de talents. C'est que l'écosystème a mieux formé des personnes à utiliser la technologie qu'à la créer à grande échelle.​

C'est pourquoi l'épisode du robodog a eu un tel retentissement. Acheter un robot et construire un robot n'est pas la même chose.

La première relève de l'approvisionnement. La seconde implique la recherche, la fabrication, l'ingénierie des systèmes, les tests et l'itération, un travail qui nécessite des laboratoires, des budgets et des mentors expérimentés.

Lorsqu'un système sous-investit systématiquement dans la seconde, il commence à récompenser l'apparence d'innovation plutôt que sa pratique.

​

Le socle financier derrière « l'innovation »

Derrière la plupart des histoires d'« innovation factice » se cache une véritable histoire de rareté.

Les dépenses de l'Inde en recherche et développement sont d'environ 0.6% du PIB, selon des reportages basés sur l'Economic Survey 2025–26.

La même couverture liée à l'Economic Survey pointe une deuxième contrainte : le secteur privé de l'Inde contribue à seulement environ 41% des dépenses totales de R&D.​

Ces chiffres façonnent tout en aval. Lorsque le capital privé ne finance pas de manière significative la recherche universitaire, le système s'appuie fortement sur les budgets gouvernementaux et les revenus des frais de scolarité.

Cela tend à produire des comportements prévisibles : les universités optimisent pour ce qui est bon marché à montrer et facile à compter : nouveaux centres, nouveaux MoU, nouveaux programmes de diplôme « IA » et articles de conférence, plutôt que ce qui coûte cher à construire, comme l'accès aux ressources de calcul, des ensembles de données de haute qualité, des laboratoires matériels et une supervision prolongée de la recherche.

Les comparaisons entre économies de pairs rendent la position de l'Inde encore plus frappante.

Les articles basés sur l'Economic Survey ont opposé l'intensité de la R&D de l'Inde à 0.6% à des niveaux bien plus élevés aux États-Unis, en Chine et en Corée du Sud.

Le contraste devient encore plus net lorsque l'on examine de plus près la part du secteur privé en Inde, alors que la participation privée est bien plus élevée dans ces économies.​

En d'autres termes, l'Inde tente de gagner une course deep-tech avec un vivier de R&D peu profond, et avec des entreprises qui n'assument pas encore la majeure partie du risque de recherche.

C'est là que la responsabilité se déforme. Quand les ressources sont maigres et les indicateurs bruyants, les institutions courent après des signaux.

Elles rebaptisent des drones importés en « plateformes indigènes ». Elles traitent des partenariats avec des fournisseurs comme des « réalisations de recherche ».

Elles déposent des brevets de faible qualité pour gonfler les tableaux de bord de l'innovation. Elles poussent le corps enseignant vers des objectifs de publication basés sur la quantité.

Aucun de ces comportements n'est défendable. Mais ils sont compréhensibles dans un système qui récompense des résultats qui ressemblent à du progrès, même si la capacité sous-jacente fait défaut.

Où la filière se brise : salles de classe, mentors et ressources de calcul

Si vous voulez savoir pourquoi le moment « Orion » est plausible, il faut quitter la halle d'exposition et entrer dans la salle de classe d'ingénierie moyenne.

Invezz a parlé avec le Prof. Naveen Garg, responsable du département d'informatique et d'ingénierie à l'IIT Delhi, qui présente la rupture comme un problème de fondamentaux et de mentorat.

L'Inde a besoin, dit-il, « d'un plus grand nombre de diplômés ayant de solides fondamentaux en mathématiques et en informatique » et « d'un plus grand vivier de personnes capables d'offrir le mentorat nécessaire pour une recherche de qualité en IA ».

Il est tout aussi franc sur les incitations :

« Le gouvernement ne semble pas fournir sérieusement les incitations nécessaires pour faire de nous un pays de premier plan axé sur la recherche dans le domaine de l'IA. Les grands acteurs comme la Chine et les États-Unis ont réellement investi énormément de ressources pour former des chercheurs de qualité. Cela ne s'est pas encore produit dans le pays, » a-t-il déclaré.

Ce problème de « vivier de mentors » n'est pas une chipoterie académique. Il détermine si les étudiants apprennent des recettes ou le raisonnement.

Le travail en IA moderne exige une pensée statistique, de l'optimisation et une solide connaissance des systèmes.

Il exige aussi du jugement : comment évaluer un modèle, comment le tester en conditions réelles, comment détecter des erreurs et comment communiquer l'incertitude de manière responsable.

Il y a ensuite la contrainte d'infrastructure, qui façonne discrètement ce que les étudiants peuvent faire.

Hardeep, ingénieur principal en IA et ancien élève de l'IIIT Prayagraj, attribue à son diplôme le fait de lui avoir donné « de solides bases théoriques en Machine Learning (ML), en Natural Language Processing (NLP) et en algorithmes ».

Mais il ajoute un détail crucial en parlant à Invezz : « Les transformers et les LLM modernes n'étaient pas couverts à l'époque, et le travail pratique en projet était limité en raison des coûts d'infrastructure. »

Pour les lecteurs non spécialistes : les « transformers » sont une architecture de modèle qui alimente de nombreux systèmes d'IA modernes, y compris les grands modèles de langage (LLM) qui génèrent du texte.

Les entraîner et les tester à une échelle significative nécessite souvent des ressources de calcul coûteuses (GPU) et une ingénierie soigneuse, des ressources que de nombreux établissements n'ont pas.

La conclusion d'Hardeep est la ligne qui devrait le plus inquiéter les décideurs :

« Aujourd'hui, construire de véritables produits d'IA est beaucoup plus accessible ; le succès dépend en grande partie de la curiosité individuelle et de l'auto-apprentissage plutôt que de la seule formation universitaire. »

L'auto-apprentissage n'est pas un défaut ; c'est une vertu dans la tech.

Le problème survient lorsque l'auto-apprentissage devient un substitut aux capacités institutionnelles.

Lorsque les universités externalisent systématiquement les parties les plus difficiles de la formation à YouTube, aux cours ouverts et aux ordinateurs personnels, elles récoltent toujours les bénéfices de réputation, mais les étudiants paient le prix réel en temps, en incertitude et en résultats inégaux.

C'est pourquoi l'accès aux ressources de calcul est devenu la nouvelle ligne de démarcation. La politique indienne a commencé à reconnaître cette contrainte.

Des rapports autour de la IndiaAI Mission ont signalé un déploiement massif de GPU, environ 18,000 GPUs déjà déployés dans le cadre de la mission.

Cela compte parce que le calcul partagé peut abaisser la barrière pour les chercheurs et les startups qui autrement ne peuvent pas mener d'expériences sérieuses.​

Mais l'approvisionnement en GPU n'est pas la même chose que la capacité de recherche.

Des ressources de calcul sans mentors produisent du roulement : des personnes qui exécutent des expériences sans orientation solide sur l'évaluation, l'éthique et la reproductibilité.

Des mentors sans ressources de calcul produisent de la frustration : des étudiants qui comprennent la théorie mais ne peuvent pas faire de travaux pratiques significatifs.

Une stratégie crédible d'éducation à l'IA a besoin des deux, et pas seulement dans une mince couche de campus d'élite.

Le problème de crédibilité : une culture de recherche qu'on ne peut pas débrancher

Un robodog peut être débranché. Une crise de crédibilité, non.

L'écosystème de publication indien a fait l'objet d'un examen croissant pour l'intégrité de la recherche, y compris le rôle des « paper mills » et la manipulation de l'évaluation par les pairs dans certains cas.

Une étude évaluée par des pairs publiée en septembre 2025 dans le Journal of Data Science, Computing and Information Sciences a utilisé les données de Retraction Watch et a examiné 2,853 articles rétractés par des chercheurs indiens de 2010 à 2024.

L'étude a constaté que les rétractations ont augmenté après 2021, 57.55% d'entre elles ayant eu lieu entre 2021 et 2024.

La même analyse énumère les principales raisons citées, qui incluaient le faux examen par les pairs (1,007 papers), le plagiat (880) et la manipulation/falsification des données (746).​

Pour les lecteurs peu familiers avec le « faux examen par les pairs » : l'évaluation par les pairs est censée être une vérification indépendante par des experts avant publication.

Lorsqu'elle est falsifiée ou compromise, des travaux peu fiables peuvent entrer dans le corpus scientifique.

Les rétractations sont le frein d'urgence du système, mais elles révèlent aussi le coût d'incitations faibles et d'une application laxiste.​

Pourquoi cela importe-t-il pour l'IA ? Parce que le progrès en IA dépend d'une recherche digne de confiance.

Si la filière de recherche est bruyante, avec des articles impossibles à reproduire, des résultats exagérés, des ensembles de données douteux, l'adoption par l'industrie ralentit et la crédibilité mondiale en souffre.

Le pays finit par passer plus de temps à courir après des indicateurs qu'à construire une capacité durable.

L'épisode du robodog, en ce sens, est le cousin visuel d'un schéma plus profond : la performance plutôt que la preuve.

Lorsque les institutions sont récompensées pour être perçues à la pointe plutôt que pour effectuer un travail de pointe, elles investiront de manière prévisible dans l'optique.

C'est aussi pourquoi la réponse politique ne peut pas se limiter à la punition. Elle doit changer les incitations : ce que valorisent les classements, ce que vérifient les audits d'accréditation et à quoi les financements sont liés.

Si le système continue de payer pour le volume, il continuera d'obtenir du volume, parfois honnête, parfois non.

​

Créateurs vs utilisateurs : la fuite des talents

Le débat sur l'IA en Inde se divise de plus en plus en deux camps : les optimistes qui soutiennent que l'Inde devient créatrice, et les sceptiques qui affirment que l'Inde est encore principalement utilisatrice à grande échelle.

Le Prof. M Jagadesh Kumar, ancien président de l'UGC et président du comité de révision du NEP 2020, présente avec conviction l'argument optimiste :

« Aujourd'hui, les institutions indiennes ne sont pas seulement des utilisatrices d'IA. Elles deviennent rapidement des créatrices d'IA. Les institutions indiennes collaborent de plus en plus avec l'industrie pour développer des solutions d'IA dans l'éducation, la santé, la gouvernance, l'agriculture et les villes intelligentes. Je peux vous donner quelques exemples, » a déclaré le Prof. Kumar à Invezz.

« Le ministère de l'Éducation a soutenu des centres d'excellence en IA, tels que TANUH à l'IISc. Ce centre travaille sur des solutions d'IA évolutives pour les soins de santé (en particulier les maladies non transmissibles). La IIT Madras Global Research Foundation a annoncé un Applied AI Innovation Centre pour accélérer l'IA appliquée. Le centre met en relation la recherche avec une utilisation responsable dans le monde réel, » a-t-il ajouté.

Il a en outre souligné la IndiaAI Mission, qui promeut l'innovation en IA, l'accès et des solutions centrées sur l'Inde en collaboration avec des établissements d'enseignement indiens.

« Ces exemples montrent que de nombreuses universités indiennes travaillent avec une IA inclusive et déployable. »

En référence à l'incident de Galgotias, le Prof. Kumar reste mesuré sans nommer d'institution :

« Si un institut dépasse ses prétentions, les mesures d'atténuation devraient être proportionnées, éducatives et correctives. Les établissements devraient aussi former leurs équipes à l'éthique, à l'intégrité de la recherche et à la communication responsable. Cette approche est la meilleure manière de protéger la réputation des véritables innovateurs de l'Inde, » a-t-il déclaré.

« Elle empêche également que des prétentions gonflées créent un faux récit. Mais il ne fait aucun doute dans mon esprit que les établissements d'enseignement supérieur indiens développent rapidement des capacités en IA et créent des solutions inclusives, » a-t-il ajouté.

Cependant, l'argument des sceptiques est difficile à ignorer : les exceptions d'élite ne définissent pas la médiane. Une poignée d'instituts de premier plan peuvent réellement construire et publier.

Mais le système d'enseignement supérieur de l'Inde est vaste et inégal. Si la plupart des campus ne peuvent offrir un véritable accès aux ressources de calcul, un mentorat crédible et une culture de recherche axée sur l'intégrité, le statut de « créateur » restera concentré au sommet.

Les salles de classe plutôt que les cérémonies

Et même lorsque l'Inde produit de solides talents en IA, le pays a du mal à les retenir.

Des articles résumant les indicateurs de talents liés au Stanford AI Index ont mis en évidence le score net de migration des talents en IA de l'Inde à -1.55, signalant une sortie nette selon cette mesure.

Cela importe car la fuite des cerveaux n'est pas qu'un simple titre.

C'est une perte cumulative de mentors, de fondateurs et de leaders de la recherche, précisément les personnes nécessaires pour renforcer la filière domestique.​

En termes financiers, l'Inde investit dans la formation des talents mais ne capture pas suffisamment les retours à long terme.

Et lorsque les retours s'envolent, les institutions subissent encore plus de pression pour performer dans les classements et la communication, parce que le résultat plus profond, un écosystème de recherche stable, reste difficile à montrer rapidement.

Le Unitree Go2 (qu'il s'agisse de ce modèle ou non) est en fin de compte un accessoire dans une histoire plus large.

L'Inde ne manque pas d'ambition. Elle ne manque pas d'étudiants brillants. Elle manque du type d'architecture éducative et de recherche qui transforme l'ambition en technologie maîtrisée.

Le robodog n'était pas le scandale. Le système qui l'a rendu plausible l'était.