Penser avec des machines

Ce chapitre ouvre la famille des problèmes humains : ce que l’IA fait à notre façon de penser, d’apprendre et de nous lier aux autres. C’est aussi le problème de ce module qui vous concerne le plus directement, en tant qu’étudiantes et étudiants d’un cours sur l’IA, à qui des assistants proposent de faire une bonne partie du travail à leur place. Le chapitre suivant, « L’IA dans l’éducation », passe de la personne qui apprend aux institutions : l’école, l’université et les politiques qui les encadrent.

Une vieille inquiétude

L’inquiétude n’est pas nouvelle. Dans le Phèdre de Platon, écrit au IVᵉ siècle avant notre ère, Socrate raconte l’histoire du dieu Theuth, qui offre l’écriture au roi d’Égypte comme un remède pour la mémoire. Le roi répond qu’elle produira au contraire l’oubli : ceux qui l’apprendront se fieront à des marques extérieures plutôt qu’à leur propre mémoire, et auront l’apparence du savoir sans le savoir. On a dit la même chose de l’imprimerie, de la calculatrice et du GPS. La question est de savoir si l’IA est un outil de plus de cette lignée, ou si, en pensant à notre place, elle touche quelque chose de plus profond.

Ce que montrent les études

Les premières études donnent des résultats contrastés, qui dépendent beaucoup de la façon dont l’IA est utilisée.

Un apprentissage qui ne reste pas. Une expérience publiée en 2025, menée auprès d’environ mille élèves turcs du secondaire leur donne accès à GPT-4 pour s’exercer en mathématiques. Pendant les exercices, leurs résultats augmentent de 48 %. Mais à l’examen, sans IA, ils réussissent 17 % moins bien que les élèves qui n’y ont jamais eu accès. Une version du même outil, conçue comme un tuteur qui donne des indices sans fournir les réponses, supprime presque entièrement cet effet.
Un tuteur bien conçu. En 2025, une étude menée dans un cours de physique de Harvard compare un tuteur fondé sur l’IA, conçu par les enseignants selon leur propre méthode, à un cours en classe déjà très actif. Les étudiants qui utilisent le tuteur apprennent plus de deux fois plus, en moins de temps.
Moins d’effort, moins d’esprit critique. En 2025, une enquête de Microsoft et de l’Université Carnegie Mellon auprès de 319 travailleurs du savoir observe que plus ils font confiance à l’IA, moins ils déclarent exercer leur esprit critique. La même année, une étude du MIT, encore non évaluée par les pairs, mesure l’activité cérébrale de 54 personnes pendant qu’elles rédigent des textes : celles qui utilisent ChatGPT montrent une connectivité cérébrale plus faible, et se souviennent mal de ce qu’elles ont écrit.
Des compétences qui s’érodent. En 2025, une étude publiée dans The Lancet Gastroenterology & Hepatology observe que, dans quatre centres polonais, les médecins qui avaient pris l’habitude d’être assistés par l’IA pour repérer les lésions lors de coloscopies en repèrent moins quand ils travaillent sans elle : le taux de détection passe de 28,4 % à 22,4 %. C’est la perte de compétences (deskilling).

En janvier 2026, l’OCDE résume ces résultats : les assistants d’usage général améliorent la performance immédiate, mais pas l’apprentissage durable, et l’avantage disparaît, ou s’inverse, quand on retire l’outil. Les outils conçus dans un but pédagogique, en revanche, produisent des gains durables. La différence tient à une idée simple : on apprend par l’effort, et un outil qui supprime l’effort supprime aussi l’apprentissage.

Apprendre à penser avec

Le Module 4 a montré que, pour bien utiliser un agent de programmation, il faut savoir lire et juger le code qu’il écrit. Le même principe vaut partout : pour tirer profit de l’IA, il faut en savoir assez pour évaluer ce qu’elle produit, et ce savoir s’acquiert par l’effort que l’IA permet justement d’éviter. C’est le paradoxe de l’apprentissage à l’ère de l’IA.

Quelques principes en découlent, que vous pouvez appliquer dans ce cours :

utiliser l’IA pour comprendre, en lui demandant d’expliquer, de reformuler ou de poser des questions, plutôt que pour produire à votre place ;
faire d’abord l’effort soi-même, puis comparer avec ce que propose l’IA ;
vérifier toute affirmation importante, puisque les modèles hallucinent ;
se demander, après chaque usage, ce que l’on a appris, et ce que l’on saurait refaire sans l’outil.