Commencer l’enquête au dernier chapitre

L’IA révèle une crise de la pensée qui lui est largement antérieure

Une dissertation de plusieurs pages apparaît en quelques instants. Un dossier rebutant devient un résumé digeste. Une question complexe reçoit une réponse propre, structurée et assez convaincante pour donner l’impression que le travail est terminé. À l’école comme au bureau, l’intelligence artificielle réduit fortement l’effort qui séparait autrefois la question de la réponse. Cette facilité nourrit une inquiétude compréhensible sur ce que deviennent la mémoire, l’esprit critique et l’habitude même de réfléchir lorsque certaines opérations peuvent être déléguées presque sans coût.

Le risque mérite d’être pris au sérieux. Son histoire commence bien avant ChatGPT. Depuis des années, nous confions une partie de notre mémoire aux moteurs de recherche, notre orientation au GPS et une part croissante de notre sélection de l’information aux systèmes de recommandation. Les notifications captent aussi une fraction de notre attention. L’école a, de son côté, longtemps privilégié les apprentissages les plus faciles à standardiser et à évaluer, notamment la restitution de connaissances, l’application d’une méthode et la production de la réponse attendue.

Ces apprentissages restent indispensables. Sans connaissances, vocabulaire, mémoire ni maîtrise des fondamentaux, l’esprit critique tourne rapidement à vide. La difficulté apparaît lorsque la capacité à restituer finit par tenir lieu de preuve que l’on sait penser. L’IA arrive au terme de cette évolution avec une propriété nouvelle : elle produit directement la forme extérieure d’un raisonnement. Une synthèse, une argumentation ou une dissertation peuvent désormais paraître solides sans que le chemin intellectuel qui les aurait autrefois rendues possibles ait nécessairement eu lieu.

Nous avons longtemps récompensé la bonne réponse

Penser mobilise bien davantage que la récupération d’une information. L’exercice suppose de relier des connaissances, d’examiner plusieurs hypothèses, de reconnaître une contradiction, de mesurer ce qui manque, de vérifier une source et de modifier son raisonnement lorsqu’un élément nouveau l’exige. Une réponse correcte peut témoigner de ce travail. Elle peut aussi n’en montrer que le résultat. Pendant longtemps, la distinction restait relativement discrète, car produire une dissertation solide, résumer un ouvrage ou construire une synthèse exigeait assez de temps et de compétences pour que la qualité du rendu serve, imparfaitement, d’indicateur du travail accompli.

L’intelligence artificielle affaiblit ce raccourci. Elle résume, reformule, structure, traduit, compile des informations et produit une argumentation vraisemblable en quelques secondes. Elle reproduit avec une efficacité spectaculaire la forme de nombreuses productions que nous associions au travail intellectuel. Si une machine accomplit presque instantanément certains exercices auxquels nous accordions une grande valeur, leur finalité mérite d’être réexaminée. La compétence humaine se déplace vers la compréhension du problème, le choix du cadre, la vérification des informations, la confrontation des hypothèses et l’interprétation du résultat.

Ce déplacement redonne en même temps de la valeur aux connaissances qui permettent d’évaluer une réponse produite par une machine. Un élève qui ignore les notions de base dispose de peu de prises pour repérer une erreur plausible. Un professionnel qui maîtrise mal son domaine peut recevoir une formulation élégante sans savoir si elle repose sur un raisonnement valable. Plus la production devient facile, plus la capacité à juger ce qui est produit devient importante.

La délégation cognitive comporte un risque mesurable

La prudence face à l’IA s’appuie désormais sur plusieurs résultats empiriques, encore trop récents pour autoriser des conclusions générales. Un essai randomisé publié en 2025 a recruté 120 étudiants apprenant des notions liées à l’intelligence artificielle. Quarante-cinq jours après l’apprentissage, 85 d’entre eux ont passé un test surprise de rétention. Le groupe ayant utilisé ChatGPT comme aide obtenait en moyenne 57,5 % de réponses correctes, contre 68,5 % pour celui qui avait étudié sans IA. L’écart est compatible avec l’hypothèse d’un encodage moins profond lorsque certaines opérations sont déléguées. L’expérience porte toutefois sur une population, un contenu et une modalité d’usage précis. L’attrition entre le recrutement et le test différé invite aussi à la prudence. Ces résultats signalent un risque sans établir une loi générale sur les effets cognitifs de l’IA.

Une autre étude, présentée à la conférence CHI 2025, a interrogé 319 travailleurs du savoir à partir de 936 situations réelles d’utilisation de l’IA générative. Une confiance élevée dans l’outil était associée à un effort de pensée critique déclaré plus faible. Une plus grande confiance dans ses propres compétences allait avec davantage d’engagement critique. Les participants décrivaient également un déplacement de leur travail vers la vérification des informations, l’intégration des réponses et la supervision du résultat.

Le protocole repose sur leurs perceptions et leurs récits d’usage. Il renseigne sur la manière dont ils disent mobiliser leur esprit critique, plutôt que sur une éventuelle baisse durable de cette capacité. L’expression « l’IA affaiblit la pensée critique » recouvre plusieurs phénomènes possibles. Un utilisateur peut fournir moins d’effort sur une tâche donnée, exercer son jugement à un autre moment du processus ou perdre progressivement de l’aisance lorsqu’il externalise toujours les mêmes opérations. Les études disponibles commencent à distinguer ces scénarios, sans permettre encore de déterminer leur poids respectif.

Ce que mesure réellement l’activité cérébrale

Une prépublication du MIT Media Lab dirigée par Nataliya Kosmyna a alimenté un récit beaucoup plus spectaculaire. Cinquante-quatre participants ont rédigé des essais pendant trois sessions dans l’une de trois conditions : utilisation d’un modèle de langage, recours à un moteur de recherche ou travail sans outil. Leur activité cérébrale était enregistrée par électroencéphalographie. Dix-huit participants ont ensuite pris part à une quatrième session au cours de laquelle certaines conditions étaient inversées.

Les auteurs rapportent des différences de connectivité cérébrale entre les groupes pendant la tâche, ainsi que des différences comportementales dans la restitution et l’appropriation des textes produits. Ces observations décrivent une activité cérébrale différente selon la manière de rédiger, dans un contexte expérimental précis. Elles ne mesurent ni l’intelligence générale ni une dégradation durable du cerveau. L’effectif reste limité, la quatrième session ne concerne qu’une fraction des participants et le travail demeure une prépublication.

L’EEG apporte ici des informations sur la coordination de l’activité cérébrale pendant la rédaction. L’intensité ou l’étendue de la connectivité observée ne fournit pas, à elle seule, une mesure de la qualité cognitive. Son interprétation dépend de la tâche et du protocole. Les résultats devront être reproduits, confrontés à d’autres tâches et suivis sur des périodes plus longues. L’intérêt de l’étude tient surtout à la possibilité d’observer comment des outils différents redistribuent l’effort pendant une activité intellectuelle.

PISA 2025 montre surtout que l’usage compte

Les résultats de PISA 2025, publiés par l’OCDE le 8 septembre 2026, apportent des données à une tout autre échelle. En moyenne dans les pays de l’OCDE, 46 % des jeunes de 15 ans déclarent utiliser un chatbot d’intelligence artificielle au moins une fois par semaine pour les aider à apprendre. Les performances scolaires continuent parallèlement de se dégrader dans plusieurs domaines. Entre 2015 et 2025, le score moyen a diminué de 22 points en mathématiques et de 28 points en compréhension de l’écrit dans les pays de l’OCDE.

La chronologie suffit à écarter une explication centrée sur l’IA générative. Le recul s’inscrit dans une évolution plus ancienne et l’OCDE souligne que les difficultés observées précèdent l’essor massif des chatbots. Les données de 2025 offrent un aperçu précieux des usages actuels. Les élèves qui déclarent utiliser l’IA pour certaines tâches scolaires précises, comme résumer un texte, préparer une recherche ou rédiger, obtiennent en moyenne des résultats en sciences inférieurs à ceux des élèves qui déclarent ne pas l’utiliser pour ces tâches. Ces associations ne prouvent aucune causalité. Le niveau initial, les habitudes de travail, le contexte scolaire et les raisons du recours à l’outil peuvent tous influencer les résultats.

Les usages généraux et modérés dessinent un tableau plus nuancé. Les élèves qui déclarent utiliser l’IA chaque semaine « pour les aider à apprendre » affichent des performances proches de celles des non-utilisateurs une fois le profil socio-économique pris en compte. Parmi les utilisateurs fréquents, ceux qui apprennent à l’école à évaluer la qualité des contenus générés tendent aussi à mieux réussir que ceux qui ne bénéficient pas de cet accompagnement. PISA décrit ici des relations statistiques. L’estimation d’un effet causal exigerait un autre type de protocole. Le rapport montre surtout qu’une même technologie s’inscrit dans des pratiques très différentes selon la fréquence, la finalité, le type de tâche et les compétences de l’utilisateur.

Cette diversité apparaît aussi dans une étude publiée en 2026 dans Computers & Education. Les chercheurs ont réparti 226 étudiants entre deux conditions de résolution de problèmes avec IA générative. L’un des groupes recevait un accompagnement destiné à favoriser l’examen critique des réponses. L’intervention a réduit l’adoption directe des contenus générés et conduit à des solutions plus créatives et originales. Le résultat porte sur les comportements observés pendant l’activité. Il montre que la conception de la tâche peut modifier la manière dont les étudiants s’appuient sur l’IA sans démontrer une transformation générale de leurs capacités intellectuelles.

L’effort change de place selon l’usage

Demander à une IA de rédiger un devoir complet puis remettre le texte sans pouvoir en reformuler les idées constitue une délégation massive. Solliciter une explication d’une notion difficile, la reconstruire ensuite avec ses propres mots et vérifier ce que l’on a compris engage une activité différente. Soumettre une hypothèse afin d’obtenir des objections, rechercher les failles d’un raisonnement ou comparer plusieurs interprétations déplace encore le rôle de la machine.

La fonction confiée à l’outil devient déterminante. Une IA peut fournir le produit final, accélérer une étape intermédiaire, servir de contradicteur ou aider à explorer un espace de possibilités. Chacun de ces usages modifie la quantité et la nature de l’effort humain. L’accès instantané à une réponse facilite l’évitement de certaines opérations, tout en ouvrant des formes de confrontation intellectuelle qui demandaient auparavant davantage de temps ou l’intervention d’une autre personne.

L’apprentissage repose en partie sur des opérations coûteuses : rappeler une information sans aide, construire une explication, tenter une solution, constater une erreur, revenir sur une hypothèse. Supprimer systématiquement ces étapes peut affaiblir ce que l’exercice devait entraîner. Automatiser une opération secondaire peut, au contraire, libérer du temps pour une analyse plus exigeante. La question utile porte alors sur la place de l’effort dans l’activité et sur la nature de l’effort que l’outil retire, déplace ou provoque.

Nous avions déjà commencé à externaliser notre pensée

La focalisation sur l’IA masque parfois la continuité avec les décennies précédentes. Les moteurs de recherche ont transformé notre rapport à la mémoire. Les réseaux sociaux ont accéléré la circulation de l’information tout en la fragmentant. Les smartphones ont installé une source permanente de sollicitations dans notre poche. Les systèmes de recommandation sélectionnent une part croissante de ce que nous lisons, regardons et découvrons. L’IA générative prolonge cette évolution en ajoutant une possibilité supplémentaire : après la recherche de l’information, nous pouvons déléguer une partie de sa mise en forme, de son interprétation et du raisonnement apparent qui relie les éléments entre eux.

PISA 2025 apporte sur ce point un indicateur plus précis qu’une impression générale de « lecture superficielle ». Dans l’épreuve de fluidité, l’OCDE distingue notamment les lecteurs dits « hâtifs », caractérisés par des réponses inhabituellement rapides et incorrectes. Leur proportion est passée de 6,6 % en 2018 à 11,4 % en 2025, en moyenne dans 35 pays de l’OCDE. Le rapport observe également une hausse des réponses rapides et incorrectes dans le reste de l’épreuve de lecture.

Ces comportements peuvent refléter plusieurs réalités : difficultés fondamentales de lecture, manque d’attention, engagement plus faible dans le test ou combinaison de ces facteurs. Le rapport constate en parallèle que les tâches demandant une lecture attentive, l’intégration de plusieurs informations, l’évaluation et la réflexion figurent parmi celles où les difficultés sont visibles. Ces données décrivent une évolution des comportements pendant l’évaluation. Elles n’en désignent pas la cause unique et ne suffisent pas à attribuer la tendance aux écrans, aux réseaux sociaux ou à l’IA.

L’arrivée des modèles génératifs se produit dans un environnement où l’attention est déjà fragmentée, où la recherche d’information a été largement externalisée et où la rapidité de production est souvent récompensée. Ensemble, ces habitudes dessinent un conditionnement progressif à obtenir vite un résultat exploitable. L’école a longtemps valorisé le rendu correct, tandis que l’environnement numérique a entraîné à lire vite, à chercher immédiatement et à réduire le délai entre le besoin et la réponse. L’IA s’insère dans cet apprentissage et le rend beaucoup plus rentable. Elle change l’échelle et la profondeur de la délégation possible sans en créer toutes les conditions. Commencer l’enquête avec l’IA reviendrait alors à ouvrir le dossier au dernier chapitre.

Réapprendre à regarder le chemin

Une culture obsédée par le résultat final avait déjà préparé un terrain favorable à l’automatisation. Tant que l’élève rend la bonne réponse, que le rapport semble professionnel ou que la présentation paraît cohérente, le chemin intellectuel reste souvent invisible. Une production impeccable apporte désormais beaucoup moins d’informations sur la manière dont elle a été construite. L’évaluation gagne alors à observer comment une personne raisonne, vérifie ses informations, justifie ses choix, réagit à une contradiction et distingue ce qu’elle sait de ce qu’elle suppose.

Cette évolution oblige l’école à repenser une partie de ses évaluations. Une dissertation écrite hors classe, un résumé ou une synthèse standardisée conservent une valeur pédagogique si le processus de production fait lui-même partie de l’apprentissage. Leur valeur comme indicateurs de maîtrise diminue fortement lorsque seul le résultat est visible et qu’il peut être généré en quelques secondes. Des oraux, des brouillons commentés, des étapes intermédiaires, des demandes de justification ou des exercices où l’élève critique une réponse de l’IA rendent davantage visible le raisonnement. L’objectif reste d’évaluer des connaissances et des compétences avec des formats capables de distinguer la maîtrise réelle de la seule qualité du rendu.

L’UNESCO défend depuis 2023 une approche de l’intelligence artificielle en éducation centrée sur l’humain, avec une attention particulière à l’autonomie, à la conception pédagogique et aux conditions dans lesquelles ces outils contribuent réellement à l’apprentissage. Cette orientation rejoint assez bien ce que suggèrent les données disponibles. L’encadrement gagne à varier selon l’âge, la tâche et l’objectif pédagogique. Un exercice destiné à entraîner le rappel, l’argumentation ou la résolution autonome exige un encadrement différent d’une activité où l’IA automatise une opération secondaire au service d’une analyse plus exigeante.

Le travail à mener consiste à décider quelles opérations doivent rester difficiles, lesquelles peuvent être automatisées, à quel moment l’aide devient utile et comment vérifier que l’élève ou le professionnel comprend encore ce qu’il produit. L’IA rend cette réflexion urgente parce qu’elle expose une confusion ancienne entre obtenir une bonne réponse et savoir construire un jugement. La crise qu’elle révèle s’enracine dans une histoire plus longue, façonnée par les outils qui l’ont précédée et par les critères avec lesquels nous avons appris à reconnaître la pensée.