Comment l’IA érode nos capacités cognitives sans nous remplacer

1. L’IA, un accélérateur de productivité déjà mesurable

L’intelligence artificielle s’impose comme l’un des outils les plus puissants pour fluidifier le travail intellectuel. Plusieurs études récentes montrent des gains concrets et faciles à observer : moins de temps passé sur les courriels, davantage de tâches finalisées et une exécution plus rapide dans des métiers qualifiés. Dans un environnement professionnel où chaque minute compte, l’IA apparaît ainsi comme un levier de performance immédiat.

• 25 % de temps en moins consacré aux e-mails dans une étude de terrain menée auprès de 6 000 travailleurs.
• 26,08 % de tâches supplémentaires terminées chez des développeurs logiciels ayant utilisé une assistance générative.
• Gain rapide visible pour les entreprises, surtout dans les activités répétitives ou documentaires.

Mais cette efficacité soulève une question plus discrète et plus profonde : que se passe-t-il lorsque la vitesse augmente, alors que la capacité cognitive de l’humain, elle, commence à reculer ?

2. Quand la performance cache une baisse d’engagement mental

La productivité est un indicateur séduisant parce qu’elle se mesure facilement. Un rapport plus court, une réponse plus rapide ou une tâche terminée plus tôt donnent l’impression d’un progrès net. Pourtant, ces signaux ne disent rien de la qualité du raisonnement mobilisé pour produire ce résultat. C’est précisément là que le débat devient essentiel : la rapidité ne garantit pas la profondeur.

Des chercheurs du MIT Media Lab ont observé ce phénomène chez des participants rédigeant des essais avec et sans chatbot. Les utilisateurs de grands modèles de langage ont rédigé plus vite, mais leur activité cérébrale mesurée par EEG était nettement plus faible. Mieux encore, lorsque l’outil leur était retiré, leurs performances devenaient inférieures à celles de participants ayant travaillé sans assistance.

• Rédaction plus rapide avec l’outil.
• Engagement cérébral réduit pendant l’écriture.
• Performance dégradée une fois l’assistance supprimée.

3. La “dette cognitive”, un coût invisible mais réel

Les chercheurs décrivent ce phénomène sous le terme de dette cognitive. L’idée est simple : lorsqu’on délègue trop souvent une part du raisonnement à une machine, le bénéfice immédiat peut masquer un affaiblissement progressif de certaines facultés. Cette dette ne se voit pas tout de suite. Elle s’accumule lentement, puis se manifeste au moment où l’aide extérieure disparaît ou devient insuffisante.

Le mécanisme n’est pas entièrement nouveau. Les calculatrices, les GPS et les moteurs de recherche ont déjà habitué les humains à transférer une part de leurs efforts mentaux vers des outils externes. La différence, avec l’IA générative, tient à la nature du service rendu : elle ne se contente plus de calculer ou d’indexer, elle propose des raisonnements, des réponses et parfois des décisions prémâchées.

• Offloading cognitif : transfert d’une tâche mentale vers un outil externe.
• Calculatrice : elle aide à compter.
• IA générative : elle aide à raisonner, formuler, hiérarchiser et parfois conclure.

4. Le point de vue de Vishal Kapoor : penser avant de prompt

Pour le chercheur et stratège Vishal Kapoor, le débat sur l’IA doit intégrer une variable souvent négligée : l’état du cerveau humain qui s’en sert. Il parle de “cognitive erosion”, ou érosion cognitive, pour désigner le risque d’un usage excessif qui affaiblit la mémoire, l’imagination, l’attention et surtout la capacité à raisonner de manière autonome.

Kapoor ne rejette pas l’IA. Au contraire, il l’utilise largement et défend une approche qu’il résume par l’expression “AI-fed, human-led” : nourrir le travail avec l’IA, mais laisser l’humain conduire la réflexion. Son principe est clair : penser avant de prompt. Autrement dit, ne pas confier à la machine la première question ni la décision finale.

• Commencer par une idée personnelle avant de demander l’aide de l’IA.
• Formuler une hypothèse au lieu de déléguer toute la recherche.
• Garder le dernier mot sur l’évaluation et le choix final.

5. L’exemple de la recherche : de l’assistance à la dépendance

Le risque devient particulièrement visible dans les activités qui exigent de la méthode, du discernement et une capacité à douter. Kapoor prend l’exemple de la recherche : un utilisateur passif demande à l’IA d’explorer un sujet, puis attend une synthèse. À l’inverse, un utilisateur guidé par sa propre réflexion arrive avec des observations, une hypothèse et une question précise. L’IA sert alors à tester une idée, à combler une lacune ou à mettre à l’épreuve un raisonnement.

Cette différence semble subtile, mais elle change tout. Dans le premier cas, l’outil pense à la place de l’utilisateur. Dans le second, il devient un partenaire de vérification et d’amplification. Kapoor estime que cette distinction est cruciale dans les organisations, car une IA peut renforcer aussi bien un bon jugement qu’un mauvais. Une équipe très productive peut ainsi perdre la capacité de détecter une erreur, une hypothèse fragile ou une décision inadaptée dans un contexte inédit.

• Usage passif : la machine produit l’essentiel du raisonnement.
• Usage actif : l’humain apporte l’angle, la méthode et le doute.
• Risque organisationnel : confondre vitesse de production et qualité du jugement.

6. Education, gouvernance et avenir du travail humain

Selon Kapoor, toutes les tâches ne devraient pas être traitées de la même manière. L’adoption de l’IA doit être rationnée selon le type de mission, avec une vigilance particulière dans l’éducation et la recherche originale. Son argument est net : si l’école n’entraîne plus le cerveau à penser, alors elle perd une partie de sa mission fondamentale. L’enjeu dépasse donc la simple efficacité ; il touche à la formation de l’intelligence humaine elle-même.

Cette logique concerne aussi la gouvernance des entreprises et des politiques publiques. Les machines peuvent accélérer le traitement de l’information, mais seules les personnes portent des valeurs, des responsabilités et une capacité à discerner ce qui est juste, utile ou risqué. Dans les décisions à fort enjeu, un résultat rapide peut rester un mauvais résultat si le raisonnement de départ est fragile.

• Éducation : développer l’autonomie intellectuelle avant tout.
• Original research : préserver la capacité à formuler des idées nouvelles.
• Décision stratégique : vérifier que l’efficacité ne remplace pas le jugement.

Dans cette perspective, l’avenir de l’IA ne dépend pas seulement de la puissance des modèles, mais de la manière dont les humains choisissent de s’en servir. La vraie question devient alors captivante : les sociétés qui adoptent massivement l’IA sauront-elles rester des sociétés capables de penser sans elle ?