Pourquoi les conseils d’AI sur l’université ignorent-ils l’adéquation, le budget et les chances d’admission ?

2026-08-25

Comment les outils d’AI axés sur les classements se comparent-ils à un accompagnement fondé sur l’adéquation, le budget et les chances ?

La plupart des outils généralistes d’AI pour l’orientation universitaire classent les établissements selon leur prestige, car les classements sont abondants, structurés et faciles à récupérer — non parce qu’ils permettent de prédire si un étudiant sera admis, pourra payer ses études ou obtiendra son diplôme. Des conseillers spécialisés comme le College Admissions Consultant de Jenova, le KapAdvisor de Kaplan et Kollegio produisent des listes plus exploitables lorsqu’ils reçoivent un profil complet : filière envisagée, plafond de prix net, niveau académique et contraintes géographiques.

L’écart entre une liste brute issue d’un classement et une liste d’établissements réellement praticable apparaît à quatre niveaux :

✅ Adéquation au programme — la qualité de la filière, le modèle pédagogique et les débouchés professionnels comptent davantage que le rang général pour la plupart des étudiants, car les revenus et l’emploi varient fortement selon le domaine d’études ✅ Adéquation financière — le prix affiché est un mauvais indicateur ; les frais de scolarité publiés moyens pour 2025–2026 vont de $4,150 dans les établissements publics de deux ans à $45,000 dans les établissements privés à but non lucratif de quatre ans ✅ Probabilité d’admission — une liste d’établissements dont les taux d’admission vont de 4 % à 8 % gaspille des candidatures, sauf si l’étudiant possède un véritable élément distinctif ✅ Environnement favorable à l’obtention du diplôme — les étudiants en situation de sous-appariement ont systématiquement moins de chances d’obtenir leur diplôme que ceux dont l’établissement correspond à leur profil

Pour comparer honnêtement ces outils, il faut cesser de demander lequel désigne les « meilleures » universités et commencer à demander lequel maintient simultanément ces quatre contraintes dans son analyse.

Main robotique d’AI guidant un étudiant sur un chemin vers un bâtiment universitaire, illustrant l’intelligence artificielle dans l’accompagnement des admissions universitaires

Pourquoi les outils d’AI généralistes privilégient-ils les classements en 2026 ?

Les chatbots généralistes privilégient les classements parce que les listes de prestige constituent les données universitaires les plus denses et les plus souvent recopiées sur le web public, tandis que les données sur le prix net, les programmes et les probabilités d’admission sont rares, propres à chaque étudiant et souvent payantes. Il s’agit d’un problème de données, non d’une philosophie de conseil.

Trois forces structurelles maintiennent les réponses axées sur les classements. Premièrement, les corpus d’entraînement et les index de recherche sont saturés de listes « top 25 » ; une requête isolée telle que « À quelles universités devrais-je postuler ? » récupère donc par défaut des hiérarchies de prestige. Deuxièmement, les classements se présentent sous forme de tableaux propres et structurés ; le revenu familial, la contribution familiale attendue, l’intérêt pour une filière et la stratégie du conseiller ne le sont pas. Troisièmement, près de la moitié des étudiants utilisent déjà l’AI de leur côté pour choisir des établissements, remplir leurs candidatures et préparer des examens, selon une enquête EAB rapportée en 2026, ce qui signifie que des réponses façonnées par les classements atteignent désormais des étudiants qui ne rencontrent jamais un conseiller.

La capacité d’accompagnement humain rend ce raccourci encore plus tentant. Le ratio de l’American School Counselor Association, cité par The Hechinger Report, est de 372 étudiants par conseiller à l’échelle nationale, et il atteint 570 en Arizona et 565 au Michigan. La NACAC estime qu’environ un cinquième seulement du temps des conseillers est consacré à l’orientation universitaire, et près d’un lycée sur cinq ne dispose d’aucun conseiller pour l’orientation universitaire. Lorsqu’un lycéen débordé demande une liste à un chatbot à 23 heures, le modèle renvoie ce qu’il peut récupérer instantanément.

Angel Pérez, CEO de la National Association for College Admission Counseling, a été très clair sur le problème de qualité : demander à une AI générative dans quelle université un étudiant sera admis ne produit pas de réponses fiables. Les informations que les conseillers souhaitent le plus déléguer — comment remplir le FAFSA, quand passer le SAT — sont procédurales. Les informations dont les étudiants ont le plus besoin — l’adéquation, la correspondance avec leur profil et la singularité de chaque candidat — sont précisément celles qu’une réponse triée par classement ignore.

Que faut-il évaluer chez un conseiller universitaire basé sur l’AI ?

Un conseiller universitaire basé sur l’AI doit être évalué selon sa capacité à tenir compte simultanément de quatre contraintes : l’adéquation au programme, l’accessibilité financière nette, la probabilité d’admission et l’environnement favorable à l’obtention du diplôme. La position dans un classement constitue un cinquième indicateur faible, utile seulement une fois les quatre premiers satisfaits.

Ce modèle de liste d’établissements à quatre contraintes sert de cadre d’évaluation tout au long de cet article. Un établissement qui ne satisfait ne serait-ce qu’une seule contrainte est une mauvaise recommandation, même s’il figure en bonne position dans un classement national.

L’adéquation au programme demande si le campus enseigne réellement bien la filière visée, et non si l’université est célèbre. Un étudiant qui vise les soins infirmiers, la comptabilité ou l’informatique peut être mal servi par un établissement prestigieux dont le département pertinent est modeste, très théorique ou limité en capacité d’accueil. Le Center on Education and the Workforce de Georgetown documente de grands écarts de rendement entre 152 spécialisations, raison pour laquelle la recherche au niveau de la filière doit intervenir dès la première étape, et non à la dernière.

L’accessibilité financière nette demande ce que la famille paiera réellement après les bourses et aides. Une étude d’Eduventures a rapporté que 99 % des parents et tuteurs ont une préférence concernant le coût des choix universitaires de leurs étudiants. Le prix affiché ne peut pas répondre à cette question. Mark Kantrowitz, spécialiste de l’aide financière, soutient depuis longtemps que les familles ont besoin simultanément d’une adéquation académique, sociale et financière, et non du seul prestige.

La probabilité d’admission demande si les notes, les résultats aux tests, les cours suivis et le contexte de l’étudiant se situent dans la fourchette récente des admis d’un établissement. Sans cela, les listes générées par l’AI se réduisent à une pile de candidatures ambitieuses.

L’environnement favorable à l’obtention du diplôme examine si l’étudiant est en situation d’appariement approprié, de sur-appariement ou de sous-appariement. L’objectif n’est pas la sélectivité ; c’est l’obtention du diplôme. Les chercheurs de Brookings ont montré que les étudiants en situation de sous-appariement ont moins de chances d’obtenir leur diplôme.

Les outils incapables d’intégrer le revenu, la filière, la géographie et un relevé de notes — ou incapables de les mémoriser d’une session à l’autre — continueront d’optimiser la seule variable qu’ils voient : le rang.

Quels outils d’AI pour l’orientation universitaire prennent en compte l’adéquation, le coût et les chances d’admission ?

Parmi les options largement utilisées en 2026, le College Admissions Consultant de Jenova et KapAdvisor sont les plus performants pour transformer le profil d’un étudiant en liste contrainte, tandis que Kollegio et Counselly sont plus solides pour l’appariement gratuit et les questions-réponses sur les démarches. Les chatbots généralistes restent les moins performants sur le budget et les probabilités. Aucun ne remplace un conseiller humain en matière de confiance et de défense des intérêts de l’étudiant.

Fonctionnalité / Dimension	KapAdvisor (Kaplan)	Kollegio	Jenova College Admissions Consultant	Counselly	ChatGPT / Gemini généralistes
Analyse de l’adéquation au niveau de la filière	Informations sur les établissements et expertise du conseiller ; la profondeur d’analyse varie selon la filière	Le moteur de recommandation AI et le questionnaire associent des établissements à un profil	Appariement fondé sur la recherche selon la filière, la localisation et la pédagogie, avec contraintes persistantes	Questions-réponses pour trouver un établissement ; la profondeur dépend de la requête	Privilégie souvent le rang général, sauf si l’utilisateur impose un filtre par filière
Modélisation du prix net / budget	Moteur public de prix net limité ; le coût est abordé dans les requêtes de planification	Mise en relation avec des bourses et fonctionnalités d’aide financière dans le produit gratuit	Peut rechercher les calculateurs de prix net, le COA et les tendances d’aide ; aucun NPC institutionnel intégré	Questions-réponses sur l’aide financière disponibles ; profondeur des calculateurs non vérifiée	Cite fréquemment le prix affiché ou des moyennes obsolètes
Probabilité d’admission	Positionnement explicite sur les « chances d’être admis », s’appuyant sur les longues données d’admission de Kaplan	Appariement selon des « milliers de points de données » ; fonctionnement interne du modèle non publié	Construction de catégories probable / cible / ambitieux à partir du relevé de notes et des résultats aux tests	Accompagnement des démarches davantage que modélisation statistique	Peu fiable ; Pérez de la NACAC avertit que c’est précisément là que l’AI généraliste échoue
Profil étudiant persistant	Téléversement de documents, notamment résultats et relevés de notes, avec Premium	Historique de questionnaire et de recommandations lié au compte	Historique de chat illimité et mémoire intersession du budget, des résultats et des préférences	Chat avec conseiller fondé sur les sessions	Faible, sauf si l’utilisateur recolle le profil complet à chaque fois
Tarification (en 2026)	Niveau gratuit ; Premium affiché à $199	Produit grand public gratuit	Niveau gratuit ; formules payantes de $20 à $500/mois avec une utilisation accrue	Tarification publique non vérifiée	Formules gratuites ou grand public Plus/Pro
Idéal pour	Étudiants déjà inscrits à la préparation Kaplan qui souhaitent des retours sur leurs essais et des estimations de leurs chances	Étudiants souhaitant un outil d’appariement gratuit et des alertes de bourses	Étudiants ayant besoin d’une stratégie plurihebdomadaire, à mémoire persistante, couvrant la liste, les essais et le calendrier	Étudiants souhaitant des réponses sur les démarches 24 h/24, 7 j/7	Vérifications factuelles rapides, pas un substitut au conseil

KapAdvisor

KapAdvisor est le conseiller virtuel en admission de Kaplan, proposé gratuitement et dans une version Premium. Parmi ses fonctionnalités publiées figurent une aide personnalisée pour les essais, l’analyse des relevés de résultats SAT/PSAT et des relevés de notes téléversés, une pratique quotidienne du SAT et de l’ACT, ainsi qu’une orientation sur les chances d’admission. Cet ensemble est plus solide qu’un chatbot généraliste pour les probabilités d’admission et la préparation aux tests.

Sa limite est institutionnelle. KapAdvisor est construit autour de la préparation aux tests de Kaplan et de la logique de « l’université de rêve » ; il peut donc encore survaloriser les candidatures très sélectives si l’étudiant ne communique pas un budget strict. La révision des essais avec Premium est utile, mais elle ne remplace pas un modèle vivant d’adéquation financière.

Kollegio

Kollegio met en avant un moteur de recommandation AI gratuit, des outils de bourses et une aide aux essais 24 h/24, 7 j/7, et affirme que les étudiants peuvent « ne rien payer et bénéficier des services d’un coach universitaire à $10,000 ». Pour les familles sans budget pour le conseil, un outil d’appariement gratuit représente un véritable avantage.

Le compromis concerne la transparence. La logique d’appariement, la précision du prix net et la manière dont le produit traite les contraintes liées aux faibles revenus ou au statut de premier étudiant de la famille à aller à l’université ne sont pas documentées de façon indépendante comme le serait la méthodologie d’un conseiller. Les outils gratuits ont également moins d’incitations à dire à un étudiant de ne pas postuler dans un campus célèbre.

Jenova College Admissions Consultant

Le College Admissions Consultant de Jenova est conçu pour la sélection des établissements, la stratégie d’essais et la gestion du calendrier en fonction d’un profil spécifique. Comme il fonctionne sur une plateforme dotée d’une mémoire persistante et d’outils de recherche en direct, il peut conserver un plafond de prix net, une filière envisagée et une fourchette de résultats aux tests tout au long de plusieurs semaines de travail, plutôt que de tout réinitialiser après une seule conversation.

Ses limites réelles sont importantes. Il n’intègre pas de base de données historique propriétaire de candidats et ne dispose d’aucune intégration avec Common App ou Naviance. Les estimations des chances d’admission sont des fourchettes éclairées par la recherche, et non un modèle statistique fermé entraîné sur des millions de dossiers antérieurs. Les étudiants qui souhaitent un scattergram émis par leur établissement doivent toujours utiliser la plateforme de leur conseiller.

Counselly et les autres bots d’accompagnement des démarches

Counselly se présente comme un conseiller basé sur l’AI pour rechercher des établissements, rédiger des essais et parcourir les étapes d’admission. Parmi les produits similaires figurent GradGPT, pour les candidatures, les aides et les calendriers, Orbit, pour l’appariement avec des établissements et des bourses, et CollegeFit, pour des questions-réponses gratuites 24 h/24, 7 j/7. The Princeton Review se concentre sur l’amélioration des essais plutôt que sur la construction d’une liste.

Ces outils sont particulièrement performants en matière de disponibilité. Ils sont moins performants lorsque l’étudiant ne communique jamais son revenu, ou lorsque l’interface récompense des requêtes telles que « quelles sont les meilleures universités pour moi ? » que le modèle traduit discrètement en classements.

Comment le sous-appariement modifie-t-il les résultats en matière d’obtention du diplôme ?

Le sous-appariement — s’inscrire dans un établissement moins sélectif que ceux auxquels l’étudiant est qualifié pour être admis — est associé à un taux d’obtention d’un diplôme de niveau bachelor plus faible, à une satisfaction moindre et à des résultats moins favorables en début de carrière, particulièrement pour les étudiants qui auraient eu accès à un campus plus soutenant. Une AI fondée uniquement sur les classements, qui oriente des étudiants très performants issus de ménages modestes vers des campus « sûrs » ou familiers, peut involontairement reproduire ce phénomène.

Une synthèse de recherche de l’AERA de 2021 a conclu que les étudiants en situation de sous-appariement ont systématiquement moins de chances d’obtenir leur diplôme, tandis que les étudiants en situation de sur-appariement ont systématiquement plus de chances de l’obtenir, que leurs pairs correctement appariés. Brookings arrive au même constat essentiel : les étudiants en sous-appariement terminent leurs études à des taux plus faibles. C’est pourquoi « choisir simplement un établissement moins cher et moins sélectif » n’est pas automatiquement une décision budgétaire avisée.

Graphique à barres des taux de diplômation à six ans des étudiants afro-américains et hispaniques selon la sélectivité de l’établissement, montrant comment le sous-appariement réduit les chances d’achèvement

Le graphique ci-dessus, tiré de Crossing the Finish Line (2009) de Bowen, Chingos et McPherson, et diffusé par Bellwether Education Partners, rend concret le gradient d’achèvement pour les étudiants afro-américains et hispaniques. Les taux moyens de diplômation à six ans passent de 20 % dans les établissements de deux ans et 23 % dans les établissements de quatre ans non compétitifs à 55 % dans les établissements très compétitifs, 71 % dans les établissements hautement compétitifs et 85 % dans les établissements les plus compétitifs.

L’exemple de sous-appariement présenté dans ce graphique est frappant. Un étudiant dont le profil correspond à un établissement hautement compétitif, avec un taux de diplômation de 71 %, mais qui s’inscrit plutôt dans un établissement très compétitif, se retrouve à environ 55 % — soit 16 points de moins. Un sous-appariement plus important vers un établissement compétitif fait tomber la moyenne à 38 %, soit environ la moitié du taux d’achèvement de l’établissement correspondant au profil.

C’est l’implication contre-intuitive des conseils d’AI. Ignorer entièrement la sélectivité ne constitue pas le remède à l’obsession des classements. La sélectivité est un indicateur imparfait des ressources, des effets de pairs et de l’infrastructure favorisant l’achèvement. L’erreur consiste à utiliser le rang comme seul critère de tri, et non à utiliser la correspondance avec le profil comme l’une des quatre contraintes.

Comment les étudiants doivent-ils arbitrer entre l’adéquation au programme et le prestige ?

Les étudiants devraient considérer le rang général comme un critère de départage après avoir confirmé qu’un campus offre la bonne filière, le bon style d’enseignement et le bon parcours vers l’emploi — car les résultats au niveau des programmes divergent bien davantage que ne l’admettent la plupart des tableaux de classement. Le prestige est une moyenne au niveau du campus ; les carrières se construisent au niveau de la filière.

Les titulaires d’un bachelor ont environ deux fois moins de risques d’être au chômage que leurs pairs dont le diplôme le plus élevé est celui du lycée, mais cette moyenne masque les effets de domaine. Les données de Georgetown au niveau des filières existent précisément parce qu’un diplôme en biologie, en soins infirmiers ou en beaux-arts ne produit pas la même répartition des emplois et des revenus. Une AI qui recommande « les meilleures universités nationales » à un futur comptable, enseignant ou analyste en cybersécurité répond à une question différente de celle posée par l’étudiant.

L’adéquation au programme comprend également la pédagogie et l’accès. Une université de recherche très bien classée peut convenir mal à un étudiant qui a besoin de petits séminaires, de stages cliniques garantis ou d’un calendrier de formation en alternance. À l’inverse, une université publique régionale dotée d’un programme professionnel solide et accrédité peut surpasser un campus célèbre dont le département concerné n’est qu’une considération secondaire.

C’est là qu’un Career Advisor est plus utile qu’un énième tableau de classement. Cartographier les professions, les exigences de licence et les parcours de formation habituels avant de fixer une liste d’établissements évite que la filière ne devienne une réflexion tardive. La même logique s’applique au conseiller d’admission de Jenova : la première requête devrait indiquer le domaine, et non l’université de rêve.

Un test simple : si retirer le numéro de classement fait s’effondrer la recommandation, cette recommandation n’a jamais porté sur l’adéquation.

Que doit comprendre une analyse réaliste de l’adéquation financière ?

Une analyse réaliste de l’adéquation financière commence par le prix net correspondant à la tranche de revenu de la famille, et non par les frais de scolarité publiés ; elle considère un prestige inabordable comme une correspondance ratée, non comme une candidature ambitieuse flatteuse. La plupart des réponses d’AI échouent à ce test parce qu’elles citent les prix affichés et les moyennes nationales.

Les prix publiés par le College Board pour 2025–2026 illustrent pourquoi les moyennes sont trompeuses. Les frais de scolarité et frais annexes moyens dans les universités publiques de quatre ans sont de $11,950 pour les résidents de l’État et de $31,880 pour les non-résidents ; ils sont de $4,150 dans les établissements publics de deux ans d’un district et de $45,000 dans les établissements privés à but non lucratif de quatre ans. Après les bourses et aides, le tableau change encore : les frais de scolarité et frais annexes nets estimés sont d’environ $2,300 pour les étudiants à temps plein débutant dans un établissement public de quatre ans de leur État, et de $16,910 dans les établissements privés à but non lucratif de quatre ans.

Le montant total que les familles ressentent réellement est plus élevé. L’Education Data Initiative estime le coût annuel moyen, incluant les livres, fournitures et frais de subsistance, à $38,270 par étudiant. U.S. News a indiqué que les frais de scolarité et frais annexes moyens des établissements privés classés ont augmenté d’environ 3,3 % pour 2025–2026. Parallèlement, 71,4 % des étudiants de premier cycle reçoivent une forme d’aide fédérale ou non fédérale, de sorte que deux étudiants du même campus peuvent faire face à des factures totalement différentes.

Le revenu accentue encore la distorsion. L’IHEP a montré que les étudiants issus des ménages aux revenus les plus faibles devraient contribuer près de 150 % du revenu familial dans de nombreux établissements. La mise à jour 2026 de Brookings sur l’accessibilité financière suit l’évolution de ces charges dans le temps. Une AI qui félicite un étudiant à faible revenu pour avoir identifié une université privée « offrant le meilleur rapport qualité-prix » sans ouvrir le calculateur de prix net ne donne pas un conseil universitaire. Elle récite du marketing.

Les outils fédéraux de comparaison existent pour une raison. Le U.S. Department of Education publie des ressources sur l’accessibilité financière et la transparence afin que les familles puissent comparer les coûts, les aides et l’emprunt. Tout conseiller AI sérieux devrait y envoyer les étudiants — ou vers le calculateur de prix net de chaque établissement — avant de maintenir une école sur la liste.

La Lumina Foundation, citant des recherches de la Federal Reserve, souligne que l’université reste rentable en moyenne pour la plupart des étudiants. Les moyennes ne paient toutefois pas la facture d’une famille donnée. L’adéquation financière est la contrainte qui transforme une liste flatteuse en liste qu’un étudiant peut effectivement accepter en avril.

Comment créer avec l’AI une liste équilibrée d’établissements ?

Pour créer une liste équilibrée, il faut d’abord donner au modèle des contraintes strictes — filière, plafond de prix net, niveau académique et géographie — puis imposer un équilibre entre établissements probables, cibles et ambitieux, plutôt que de demander les « meilleures » universités. La qualité de la liste dépend surtout de la qualité de ce brief initial.

Une requête façonnée par les classements ressemble à ceci :

« Quelles sont les meilleures universités des États-Unis ? »

Une requête à quatre contraintes ressemble à ceci :

« Je suis un étudiant de première génération avec un GPA non pondéré de 3.6, un SAT de 1320 et un plafond de prix net annuel de $18,000. Je souhaite étudier l’informatique ou les systèmes d’information, de préférence à moins de quatre heures d’Atlanta. Crée une liste de 10 établissements comprenant 3 choix probables, 4 cibles et 3 choix ambitieux. Pour chaque établissement, indique la taille ou l’orientation du programme d’informatique, la dernière fourchette d’admission publiée et la manière d’estimer le prix net pour un revenu familial de $62,000. »

Avec le College Admissions Consultant de Jenova, la séquence utile est la suivante :

Indiquez dès le premier message les données académiques, le budget, la filière et les critères non négociables.
Demandez une liste de 10 à 12 établissements déjà classés en catégories probable, cible et ambitieux, avec pour chacun une note d’une ligne sur l’adéquation au programme et une prochaine étape relative au prix net.
Écartez tout campus qui échoue au critère budgétaire ou d’adéquation au programme, même si son nom est prestigieux.
Ce n’est qu’ensuite que vous rédigerez les essais et établirez un calendrier de dates limites pour les établissements restants.
Si les résultats aux tests constituent la contrainte déterminante, consacrez le travail sur les scores au SAT/ACT Tutor, afin que la dimension des probabilités puisse réellement évoluer.

Le processus publié de KapAdvisor est davantage fondé sur les documents. Les étudiants peuvent commencer avec l’outil gratuit, puis, avec Premium, téléverser des relevés de résultats et des relevés de notes afin d’analyser leur profil et recevoir des retours sur les essais adaptés à chaque établissement. C’est une voie solide pour les candidats qui possèdent déjà une liste courte et ont besoin d’aide à l’exécution. Elle est moins adaptée si cette liste courte est elle-même issue d’un tableau de classement.

Le parcours de Kollegio commence par un questionnaire et un moteur de recommandation. Considérez ces correspondances comme des candidats, non comme une liste achevée. Passez chaque établissement retenu au crible d’un calculateur de prix net et de la page de la filière avant de payer des frais de candidature.

Deux règles de processus empêchent l’AI de retomber dans le mode prestige. N’acceptez jamais une liste qui ne comporte pas au moins trois établissements que l’étudiant a de fortes chances de pouvoir financer et d’intégrer. Ne conservez jamais un choix ambitieux que la famille ne peut pas payer, même en supposant une aide généreuse.

Que disent les experts du conseil universitaire sur les recommandations axées d’abord sur les classements ?

Les responsables de l’orientation soutiennent de plus en plus que l’AI est utile pour les tâches procédurales et les réponses en dehors des heures de bureau, mais dangereuse lorsqu’elle substitue des listes de prestige à l’adéquation, à la correspondance avec le profil et à la réalité financière. Les experts les plus proches de l’accompagnement dans les établissements scolaires souhaitent que les modèles éliminent les tâches administratives afin que les humains puissent parler de l’étudiant.

« Le réflexe du classement dans l’AI grand public est un problème de récupération de données déguisé en conseil. Le texte du web public déborde de listes ordonnées d’universités célèbres et contient presque rien sur l’AGI d’une famille précise, les places de stage clinique d’un département donné ou le contexte précis d’inflation des notes d’un lycée. Si vous ne forcez pas ces éléments dans la requête — et ne les conservez pas en mémoire — le modèle optimisera la seule variable structurée qu’il peut voir. »

« Nous considérons une liste d’établissements exploitable comme un objet à quatre contraintes. L’adéquation au programme, le prix net, la fourchette d’admission et l’environnement favorable à l’obtention du diplôme doivent tous franchir un seuil minimal. Une université qui échoue à l’une de ces contraintes n’est pas une candidature ambitieuse flatteuse ; c’est une candidature perdue ou, pire, un sous-appariement qui réduit les chances d’obtenir un diplôme. La sélectivité a toujours sa place dans le modèle, car la correspondance avec le profil prédit l’achèvement. Elle ne peut simplement pas être la clé de tri. »

« L’autre mode d’échec est la conversation isolée. Les familles modifient leurs estimations d’aide, leurs résultats aux tests et leur intérêt pour une filière au fil des mois. Un conseiller incapable de se rappeler le plafond de $20,000 du mardi précédent réintroduira volontiers des campus à $80,000 le jeudi. Le contexte persistant n’est pas une fonctionnalité de confort dans ce domaine. C’est ce qui fait la différence entre le conseil et les anecdotes. »

— Équipe produit de Jenova, conceptrice d’Agents spécialisés dans le conseil d’admission utilisés par des étudiants dans plus de 70 pays

Les acteurs de l’orientation en milieu scolaire arrivent à la même conclusion sous un autre angle. Diana Moldovan, directrice du placement universitaire et professionnel à l’Urban Assembly School for Law and Justice de New York, a déclaré à The Hechinger Report que la confiance ne peut être remplacée et que l’AI est particulièrement utile lorsqu’elle libère les conseillers pour discuter des choix académiques, sociaux et financiers. Angel Pérez, de la NACAC, a déclaré que les outils conçus à cette fin devraient prendre en charge la mécanique du SAT et du FAFSA afin que les conseillers puissent se concentrer sur « l’adéquation, la correspondance avec le profil et les aspects propres à chaque étudiant ».

Ce consensus constitue le véritable réquisitoire contre l’AI fondée d’abord sur les classements. Les experts du secteur ne demandent pas aux modèles une meilleure liste des 20 meilleurs établissements. Ils demandent des systèmes qui cessent de répondre à la mauvaise question.