Il y a une section du GMAT que les candidats ont eu raison de négliger pendant onze ans, et qu'ils ont désormais tort de traiter comme un supplément. Entre les deux, il n'y a eu ni changement de contenu majeur, ni révélation pédagogique : il y a eu un changement de comptabilité.
De 2012 à 2023, l'Integrated Reasoning était notée sur une échelle de 1 à 8, séparée du reste, et n'entrait pas dans le score total. Un candidat pouvait obtenir 8 sur 8 sans que son score de 200 à 800 bouge d'un point. La rationalité économique de l'impasse était totale, et les préparateurs le savaient.
Depuis le 7 novembre 2023, la même famille de questions s'appelle Data Insights, occupe une section de 45 minutes et pèse exactement un tiers du score total. Cette enquête reconstitue la bascule à partir des documents officiels du Graduate Management Admission Council, compare ce que valent réellement les points gagnés dans cette section, et confronte le discours de l'organisme sur la littératie des données à ce que la recherche et les données d'employeurs établissent.
L'enquête en 30 secondes
Qu'était l'Integrated Reasoning, et pourquoi était-il rationnel de la négliger ?
La section est née le 5 juin 2012. Le GMAC l'introduit alors comme une réponse à une demande des écoles : mesurer la capacité à traiter des informations de nature et de format hétérogènes, plutôt que des compétences disciplinaires isolées.
Le contenu était déjà celui d'aujourd'hui : croiser des tableaux, des graphiques et des textes pour répondre à des questions à réponses multiples. L'intention affichée était de coller au travail réel d'un manager.
Mais le dispositif de notation a condamné la section dès sa naissance. L'Integrated Reasoning était notée sur une échelle de 1 à 8, par pas de 1, entièrement distincte du score total. La performance sur cette section, comme celle sur la dissertation analytique, ne contribuait pas au score total de 200 à 800.
Or c'est ce score total, et lui seul, que les écoles publient, que les classements agrègent et que les candidats comparent. Une section hors total est une section hors enjeu. Le comportement des candidats — impasse partielle ou totale — n'était pas de la paresse : c'était un arbitrage exact.
Or les données du GMAC lui-même contredisaient cette relégation. Le rapport de recherche RR-17-01, signé Eileen Talento-Miller et publié le 11 avril 2017, mesure la corrélation entre chaque score du GMAT et la moyenne obtenue en master, sur 28 programmes de management. Résultat pour l'Integrated Reasoning : une corrélation médiane de 0,26 et une moyenne pondérée de 0,27, contre 0,31 pour le verbal, 0,24 pour le quantitatif, 0,37 pour le score total et 0,31 pour la moyenne de licence. Le rapport le souligne explicitement : les valeurs de validité de la section IR soutiennent la comparaison avec celles du verbal et du quantitatif, alors même que la section est bien plus courte.
Autrement dit, dès 2017, l'organisme disposait d'un argument statistique pour intégrer l'Integrated Reasoning au score total. Il a attendu six ans de plus.
Onze ans après sa création, le GMAC a tranché en modifiant non pas le contenu, mais la comptabilité. C'est le point que cette enquête retient : la centralité d'une section ne se décrète pas par un discours sur son utilité professionnelle, elle s'obtient en la faisant compter.
De l'Integrated Reasoning à Data Insights : onze ans hors du score
Naissance de l'Integrated Reasoning
Le GMAC ajoute une section mesurant la capacité à croiser des sources de formats différents. Elle est notée de 1 à 8, sur une échelle entièrement séparée, et ne contribue pas au score total de 200 à 800 — pas plus que la dissertation analytique.
Qu'est-ce qui a changé exactement avec Data Insights ?
Quatre changements structurels, tous documentés par le GMAC, et dont aucun n'est cosmétique.
Premier changement : la section compte. La page officielle de notation de mba.com est explicite — le score total est fondé sur la performance sur les trois sections de l'examen, chaque section étant pondérée de façon égale. Data Insights ne vaut ni plus ni moins que le quantitatif ou le verbal : un tiers.
Deuxième changement : l'échelle. Exit le 1-8. Le score de section va de 60 à 90 par pas de 1, comme les deux autres sections, et le score total de 205 à 805 par pas de 10. Le GMAC publie également l'erreur type de mesure : 3 points pour chaque score de section, 30 à 40 points pour le total. Un écart de deux points entre deux candidats sur cette section n'est pas interprétable.
Troisième changement : le périmètre. Les questions de type Data Sufficiency, historiquement rattachées au quantitatif, ont été transférées dans Data Insights. La section n'est donc plus seulement une épreuve de lecture de données : elle absorbe aussi le format de raisonnement le plus caractéristique de l'ancien GMAT.
Quatrième changement : les outils. Une calculatrice à l'écran est disponible dans Data Insights, et uniquement dans cette section. Le GMAC signale ainsi que l'enjeu n'est pas le calcul mais le tri de l'information.
La formulation officielle du GMAC mérite d'être citée telle quelle : la section mesure la capacité des candidats à analyser et interpréter des données et à les appliquer à des situations d'affaires réelles, et elle mesure aussi la littératie numérique et de données, l'une des compétences les plus pertinentes et les plus demandées dans le monde des affaires aujourd'hui.
Quels formats de questions le GMAC décrit-il officiellement ?
Cinq formats coexistent dans les 20 questions. Les descriptions ci-dessous reprennent celles publiées par l'organisme sur sa page de contenu d'examen, et non des reformulations de préparateurs.
Data Sufficiency. Mesure la capacité à analyser un problème quantitatif, à reconnaître quelles données sont pertinentes et à déterminer à quel moment on dispose de suffisamment d'informations pour résoudre le problème. Particularité de ce format : il ne demande pas de résoudre, il demande de savoir si l'on pourrait résoudre.
Multi-Source Reasoning. Mesure la capacité à examiner des données issues de sources multiples — passages de texte, tableaux, graphiques, ou une combinaison des trois — et à analyser soigneusement chaque source pour répondre à plusieurs questions. Le GMAC précise que certaines questions exigent de repérer des divergences entre sources, d'autres de tirer des inférences, d'autres encore de déterminer si une donnée est pertinente.
Table Analysis. Mesure la capacité à trier et analyser un tableau de données, comparable à une feuille de calcul, afin de déterminer quelles informations sont pertinentes ou satisfont certaines conditions.
Graphics Interpretation. Mesure la capacité à interpréter l'information présentée dans un graphique ou une image graphique — nuage de points, graphique x/y, diagramme en barres, diagramme circulaire, courbe de distribution statistique — pour discerner des relations et produire des inférences.
Two-Part Analysis. Mesure la capacité à résoudre des problèmes complexes, quantitatifs, verbaux ou mixtes. Le GMAC indique que le format est volontairement polyvalent pour couvrir un large éventail de contenus, et qu'il évalue notamment la capacité à arbitrer des compromis et à résoudre des équations simultanées.
Un point d'attention issu directement de la documentation officielle : le GMAC range parmi les mythes l'idée que certains types de questions seraient pondérés plus lourdement que d'autres. Aucun format n'est prioritaire sur un autre dans le calcul du score.
À score de section identique, le percentile n'est pas le même selon la section
Que valent réellement les points gagnés en Data Insights ?
C'est la donnée que les guides de préparation mentionnent le moins, et c'est probablement la plus actionnable.
Les tables de percentiles du GMAC, établies sur environ 531 300 examens passés entre juillet 2020 et juin 2025, montrent que le même score de section ne vaut pas le même rang selon la section. Un score de 76 place au 53e percentile en Data Insights et au 37e en quantitatif. Un score de 80 vaut le 83e percentile en Data Insights, le 64e en quantitatif. Un score de 84 vaut le 97e percentile en Data Insights, le 85e en quantitatif.
L'explication est démographique, pas pédagogique. La population testée compte une forte proportion de candidats issus de filières scientifiques, qui compressent la distribution vers le haut en quantitatif. Sur Data Insights, section jeune et longtemps négligée, la distribution est moins tassée.
Deux mises en garde s'imposent. L'erreur type de mesure publiée par le GMAC est de 3 points par section : viser un gain d'un ou deux points relève du bruit statistique. Et cet avantage est un phénomène de population : les percentiles sont recalculés chaque année, et le tassement de Data Insights devrait s'accentuer à mesure que les candidats cessent de la négliger.
Une conséquence pratique subsiste : traiter Data Insights comme un supplément en 2026, c'est reproduire un arbitrage qui était rationnel en 2019 et ne l'est plus depuis novembre 2023.
Que dit la recherche sur la lecture de graphiques et le croisement de sources ?
Le discours du GMAC sur la littératie des données mobilise une notion que la recherche en psychologie cognitive et en éducation documente depuis longtemps — et qui est nettement moins évidente qu'il n'y paraît.
La lecture d'un graphique n'est pas une lecture. Shah et Hoeffner, dans une revue de référence publiée en 2002 dans Educational Psychology Review, synthétisent des décennies de travaux sur la compréhension des graphiques. Leur constat central : l'interprétation d'une représentation visuelle dépend fortement du format d'affichage, des connaissances préalables du lecteur sur le domaine et de ses compétences en lecture de graphiques. Un même jeu de données produit des conclusions différentes selon qu'il est présenté en barres ou en courbes.
Un schéma n'est pas intrinsèquement supérieur à un texte. L'article fondateur de Larkin et Simon (1987), dans Cognitive Science, l'énonce dans son titre : un diagramme vaut parfois dix mille mots. L'avantage d'une représentation graphique tient à la réduction du coût de recherche de l'information, non à une supériorité en soi — un graphique mal apparié à la question coûte plus cher qu'un tableau.
L'intégration de sources multiples est une compétence distincte, et difficile. La revue de Barzilai, Zohar et Mor-Hagani (2018), dans Educational Psychology Review, porte précisément sur les approches pédagogiques visant à faire intégrer plusieurs documents à des apprenants. Elle établit deux choses : cette intégration ne se produit pas spontanément, et elle réclame un enseignement explicite. List et Alexander (2019), dans Educational Psychologist, proposent un cadre montrant que l'usage de documents multiples engage simultanément des processus cognitifs et des jugements sur les sources elles-mêmes.
Le bruit informationnel a un coût mesuré. Harp et Mayer (1998), dans le Journal of Educational Psychology, ont documenté l'effet dit des détails séduisants : l'ajout d'informations intéressantes mais non pertinentes dégrade la compréhension et la capacité de transfert. Appliqué à une question Multi-Source Reasoning, le mécanisme est direct : les données superflues ne sont pas neutres, elles nuisent activement.
La littératie statistique est une notion définie, pas un slogan. Gal (2002), dans l'International Statistical Review, en propose le découpage devenu canonique : elle articule des composantes de savoir — littératie de base, connaissances statistiques et mathématiques, compréhension du contexte, questionnement critique — et des composantes dispositionnelles, dont la propension à interroger une donnée plutôt qu'à l'accepter. Le second volet est précisément celui qu'un test à choix multiples chronométré mesure le plus mal.
Ce que cette littérature valide dans le discours du GMAC : la lecture de données hétérogènes est bien une compétence spécifique, distincte du calcul et de la lecture. Ce qu'elle ne valide pas : l'idée que 45 minutes de test la mesurent complètement, ou qu'un score de section prédise une performance professionnelle. Aucune de ces études ne porte sur le GMAT.
Pourquoi les employeurs ont-ils propulsé l'analyse de données au quatrième rang ?
Le GMAC dispose ici de sa propre enquête, et ses résultats vont dans le sens de sa réforme — ce qui impose de les lire avec attention, mais pas de les écarter.
L'édition 2026 du Corporate Recruiters Survey, conduite de janvier à mai 2026 avec l'EFMD et la Career Services and Employer Alliance, porte sur 621 recruteurs et responsables du recrutement de 39 pays, dont 53 % issus d'entreprises du Global Fortune 500. Les résultats mondiaux sont pondérés par le PIB de chaque région.
Le constat central : l'analyse et l'interprétation de données passent du dixième au quatrième rang des compétences les plus valorisées par les employeurs, en une seule année, dépassant la réflexion stratégique. La part de recruteurs qui la citent parmi leurs critères passe de 42 % en 2025 à 59 % en 2026.
L'explication avancée par le GMAC est contre-intuitive et mérite d'être notée. Ce ne sont pas les compétences en intelligence artificielle qui dominent : dans le même classement, les compétences d'usage des outils d'IA restent au quatorzième rang, après être passées du seizième. Selon le rapport, la diffusion massive de l'IA générative augmente la valeur des compétences complémentaires — analyser la production de ces outils, changer de direction en fonction de la nouvelle information, communiquer un chemin. L'analyse de données est valorisée comme contrepoids à l'automatisation, non comme sa composante.
Une donnée de contexte plus large confirme que la compétence est rare. L'enquête sur les compétences des adultes de l'OCDE, publiée le 10 décembre 2024 et couvrant 31 pays et économies, constate qu'en moyenne dans les pays de l'OCDE, 18 % des adultes n'atteignent même pas les niveaux les plus élémentaires de maîtrise dans aucun des domaines évalués — littératie, numératie, résolution adaptative de problèmes. Sur la dernière décennie, la maîtrise en littératie n'a progressé que dans deux pays, et le niveau des diplômés du supérieur a stagné ou reculé dans la plupart des pays participants.
Ce que pèse la littératie des données, côté employeurs et côté population
0 %
des recruteurs citent l'analyse de données parmi les compétences les plus importantes en 2026
0 %
les citaient un an plus tôt, en 2025 — la plus forte progression après les outils d'IA
n° 0
rang de l'analyse de données dans le classement 2026, contre le 10e rang en 2025
0
recruteurs interrogés dans 39 pays, dont 53 % issus du Global Fortune 500
0 %
des adultes de l'OCDE n'atteignent aucun niveau élémentaire de maîtrise, tous domaines confondus
Comment préparer une section conçue pour résister à la préparation ?
Trois observations, sans promesse de résultat, tirées des seules sources examinées.
La contrainte de temps est plus dure qu'elle n'en a l'air. Vingt questions en 45 minutes donnent 2 minutes 15 par question, contre 2 minutes 8 en quantitatif. Mais une question Multi-Source Reasoning suppose de lire trois onglets, et le GMAC précise qu'une même source alimente plusieurs questions : l'unité de temps réelle est le bloc documentaire, pas la question.
L'ordre des sections est un paramètre libre, et sous-utilisé. Le GMAT Focus autorise à traiter les trois sections dans l'ordre de son choix et à placer la pause de dix minutes après la première ou la deuxième. Pour une section aussi coûteuse en attention, la position n'est pas indifférente — même si aucune donnée publique ne dit quel ordre produit les meilleurs résultats.
La fonction de révision s'applique aussi ici. Marquage illimité pendant la section, puis modification d'au maximum trois réponses par section, à la stricte condition qu'il reste du temps au compteur. Le GMAC précise noir sur blanc que sans temps restant, l'écran de révision n'apparaît pas : le candidat est envoyé directement à sa pause ou à la section suivante.
Ce que la recherche suggère par ailleurs — que l'intégration de sources multiples réclame un enseignement explicite plutôt qu'une exposition répétée — n'a jamais été testé sur le GMAT. C'est une hypothèse raisonnable, pas un protocole validé.
Ce que cette enquête n'a pas pu établir
Quatre limites, dont deux portent sur le cœur du sujet.
Aucune donnée publique ne quantifie le poids que les écoles accordaient réellement au score d'Integrated Reasoning avant 2023. L'argument selon lequel la section était négligée repose sur son exclusion documentée du score total, pas sur une mesure du comportement des jurys d'admission. Cette mesure n'existe pas publiquement.
Le GMAC ne publie pas la répartition des 20 questions de Data Insights entre les cinq formats. Un candidat ne sait donc pas combien de Data Sufficiency ou de Multi-Source Reasoning il rencontrera. L'organisme ne publie pas davantage le nombre de questions de pré-test non notées présentes dans la section.
Les tables de percentiles utilisées ici proviennent d'une compilation par un préparateur des données GMAC, non d'un fichier brut publié dans un format vérifiable. Deux volumes légèrement différents apparaissent d'ailleurs selon la section considérée — de l'ordre de 531 300 à 531 400 examens — écart cohérent avec des sections passées par des effectifs non strictement identiques, mais qui n'a pas pu être confirmé auprès de la source primaire.
Enfin, aucune étude indépendante n'a été identifiée mesurant la validité prédictive du score Data Insights sur la réussite académique ou professionnelle. Le lien entre la section et la compétence qu'elle prétend mesurer repose, à ce stade, sur l'affirmation de l'organisme qui la commercialise et sur une littérature cognitive qui ne porte pas sur cet instrument.
FAQ
L'Integrated Reasoning existe-t-elle encore au GMAT ?
Non, plus sous ce nom. Depuis le lancement du GMAT Focus Edition le 7 novembre 2023, ses formats de questions ont été intégrés à la section Data Insights, qui compte 20 questions pour 45 minutes et absorbe également les Data Sufficiency retirées de la section quantitative.
Data Insights compte-t-elle dans le score total du GMAT ?
Oui, et à parts égales avec les deux autres sections. Le GMAC indique que le score total, sur une échelle de 205 à 805, est fondé sur la performance aux trois sections, chacune pondérée de façon identique. C'est la différence majeure avec l'Integrated Reasoning, notée de 1 à 8 hors du score total.
Quels sont les cinq formats de questions de Data Insights ?
Data Sufficiency, Multi-Source Reasoning, Table Analysis, Graphics Interpretation et Two-Part Analysis. Le GMAC ne publie pas la répartition du nombre de questions entre ces formats et range parmi les mythes l'idée que certains types de questions seraient pondérés plus lourdement que d'autres.
Peut-on utiliser une calculatrice dans cette section ?
Oui. Une calculatrice à l'écran est disponible en Data Insights, et uniquement dans cette section : le quantitatif du GMAT Focus se passe entièrement de calculatrice. Ce choix indique que l'enjeu de la section est le tri et le croisement de l'information, pas la performance calculatoire.
L'enquête en slides
