AI ∞ IA

Les annonces de nouveaux modèles d’IA mettent leurs scores en avant : examens professionnels, olympiades de mathématiques, tests de raisonnement. La comparaison avec les performances humaines ramène toujours la même question : ces machines sont-elles plus intelligentes que nous ? Mais que choisissons-nous de mesurer lorsque nous les comparons ?

Penser l’esprit à partir de la technique n’a rien de neuf. Au XVII^e siècle, Descartes comparait le fonctionnement des nerfs et des muscles aux automates hydrauliques des jardins royaux. Plus tard, le système nerveux a été comparé au télégraphe, au central téléphonique, puis à l’ordinateur. Dans The Idea of the Brain (2020), le biologiste et historien des sciences Matthew Cobb retrace cette histoire : les techniques d’une époque influencent sa manière de comprendre le cerveau. Ces comparaisons ont fait avancer les connaissances, mais aucune ne suffit à expliquer son fonctionnement.

Avec l’IA, la comparaison fonctionne dans les deux sens. Les machines empruntent au cerveau son vocabulaire : neurones, apprentissage, mémoire. Ces mots désignent des mécanismes informatiques ; ils ne prouvent pas que les machines fonctionnent comme un esprit humain. Pourtant, leurs performances servent ensuite à évaluer nos propres capacités. Le risque apparaît lorsque les tâches qu’elles réussissent deviennent les seules auxquelles nous accordons de la valeur.

Dans Neuromania (Allary, 2024), Albert Moukheiber critique la tendance à tout expliquer par le cerveau : nos émotions, nos choix, notre personnalité. Le neuroscientifique et psychologue clinicien développe cette réflexion dans un entretien à la librairie Mollat, avec Sylvie Hazebroucq. Il souligne aussi, dans un échange sur le neuromanagement, que le préfixe « neuro » donne facilement une apparence scientifique à un discours. La même vigilance peut s’appliquer à l’IA. Affirmer qu’elle fera bientôt tout mieux que nous est un raccourci. Prétendre qu’elle nous rend idiots en est un autre.

En photographie, une amélioration technique ne suffit pas à garantir la justesse d’une image. Un outil peut proposer un recadrage, ajuster la luminosité ou suggérer une légende. Ces propositions ne règlent pas les questions que doit se poser le photographe : que montre l’image des personnes photographiées ? Que laisse-t-elle hors champ ? Que fait-elle dire à un lieu ? En photographie documentaire, ajouter ou supprimer des éléments avec une IA peut fausser ce que l’image donne à voir du réel. La personne qui signe la photographie reste responsable de ces modifications. Apprendre à photographier, c’est aussi apprendre à mesurer les conséquences des retouches sur le sens et la fidélité de l’image.

Une réponse n’est pas une expérience

Il suffit parfois d’une sieste pour qu’un conflit se dissipe. Ce qui semblait tenir aux autres tenait aussi à notre fatigue. Un coucher de soleil ne produit pas le même effet selon qu’on le regarde seul, au lendemain d’une rupture ou pendant un premier rendez-vous. Notre façon de percevoir une situation dépend de notre corps, de notre histoire et de ce qui nous arrive à ce moment-là.

Dans « Neuroscience Needs Behavior », publié en 2017 dans Neuron, John Krakauer et ses collègues défendent une idée voisine : étudier les neurones ne suffit pas à comprendre un comportement. Il faut aussi étudier ce que fait l’individu et la tâche à laquelle il est confronté.

Un modèle de langage peut décrire un coucher de soleil au point de nous toucher. Son texte n’est pourtant pas le témoignage d’une personne qui l’a vécu, avec sa fatigue, ses attentes et son histoire. Cela n’annule pas la qualité de sa réponse. Mais une réponse convaincante ne suffit pas à conclure que la machine pense ou comprend comme nous.

Une réponse convaincante ne suffit pas à conclure que la machine pense ou comprend comme nous.

Soigner, réparer, cultiver ou construire demandent aussi de comprendre une situation et d’adapter ses gestes à ce qui se passe. Une pièce ne s’ajuste pas, une plante dépérit, un matériau réagit autrement que prévu : il faut chercher, essayer et corriger. Dans Éloge du carburateur (La Découverte, 2010, voir cette recension), le philosophe et réparateur de motos Matthew Crawford défend cette intelligence du travail manuel, souvent sous-estimée face au travail de bureau.

Dès 1988, le roboticien Hans Moravec relevait un paradoxe : certaines tâches qui nous semblent difficiles, comme le calcul ou les échecs, se prêtaient mieux à l’automatisation que des capacités apparemment ordinaires, comme percevoir son environnement et s’y déplacer. La robotique a progressé depuis. Cette différence rappelle néanmoins que les performances sur un écran ne couvrent qu’une partie des capacités humaines.

Quand l’aide devient une norme

L’IA peut nous aider à écrire. Mais à force de reprendre ses suggestions, risquons-nous aussi d’adopter ses façons de dire et de penser ?

Pour comprendre ce risque, il faut d’abord se demander quels humains ces outils prennent pour référence. En 2010, Joseph Henrich, Steven Heine et Ara Norenzayan ont montré qu’une grande partie des recherches en psychologie reposait sur des participants issus de sociétés occidentales, éduquées, industrialisées, riches et démocratiques. Ces populations, désignées par l’acronyme anglais WEIRD, ne représentent pourtant pas toute la diversité humaine. Albert Moukheiber revient sur ce problème dans son entretien chez Mollat.

En 2023, Mohammad Atari et ses collègues, dont Joseph Henrich, ont examiné les réponses de modèles de langage à des questionnaires psychologiques. Elles ressemblaient davantage à celles des participants des sociétés WEIRD qu’à celles d’autres populations. Cette étude, citée ici dans sa version préliminaire, invite à préciser ce que recouvre une expression comme « une réponse humaine ».

Une étude publiée en 2025 par trois chercheurs de l’université Cornell montre comment ces différences peuvent se retrouver dans l’écriture. Ils ont demandé à 118 participants indiens et américains de rédiger en anglais des textes sur leurs plats préférés, leurs fêtes ou des personnalités de leur culture. Certains recevaient des suggestions de GPT-4o, d’autres écrivaient sans aide. Avec l’IA, les participants indiens adoptaient une manière d’écrire plus proche de celle des participants américains. Ils modifiaient pourtant plus souvent les suggestions de l’outil pour les adapter à leur culture. L’IA influençait donc à la fois ce qu’ils racontaient et la façon de le raconter.

Dans une expérience publiée en 2024 dans Science Advances, Anil Doshi et Oliver Hauser ont demandé à des volontaires d’écrire de courtes histoires. Certains pouvaient s’appuyer sur des idées proposées par une IA. Leurs récits ont été jugés, en moyenne, plus créatifs et mieux écrits que ceux des participants sans assistance. L’aide profitait surtout aux personnes qui avaient obtenu les résultats les plus faibles à un test de créativité réalisé avant l’exercice. Mais les histoires écrites avec l’IA se ressemblaient aussi davantage.

Avec l’IA, les récits peuvent être meilleurs, mais aussi se ressembler davantage.

Ces expériences ne permettent pas d’affirmer que l’IA uniformise toute l’expression humaine. Elles portent sur des tâches précises, et l’étude de Cornell a été menée en anglais. Elles montrent cependant que l’aide à l’écriture peut favoriser certaines façons de raconter au détriment d’autres. Il reste à comprendre comment cet effet varie selon les langues, les modèles et les usages.

Ce que l’on cesse d’exercer

Déléguer une tâche libère du temps. Cela peut aussi nous priver d’occasions de pratiquer et d’apprendre. Une étude publiée en 2025 dans The Lancet Gastroenterology & Hepatology soulève cette question. Dans des centres d’endoscopie polonais, des chercheurs ont comparé des coloscopies réalisées sans assistance avant et après l’introduction d’une IA de détection des polypes. Après cette introduction, les médecins détectaient moins souvent les adénomes, des lésions susceptibles d’évoluer vers un cancer, lors des examens sans IA. Cette baisse ne prouve pas que l’outil leur avait fait perdre des compétences : l’étude observe une évolution, sans pouvoir en établir à elle seule la cause.

Une expérience publiée dans PNAS en 2025 par Hamsa Bastani et ses collègues montre un décalage entre réussite immédiate et apprentissage. Près de mille lycéens ont participé à des exercices de mathématiques. Les élèves aidés par une IA réussissaient mieux leurs exercices. Mais ceux dont l’assistant pouvait fournir directement les réponses obtenaient ensuite, sans aide, de moins bons résultats que les élèves ayant travaillé sans IA. Cet effet était largement atténué lorsque l’assistant donnait des indices plutôt que les solutions.

Dans le monde du travail, Hao-Ping Lee et ses collègues de Microsoft Research et de l’université Carnegie Mellon ont interrogé 319 utilisateurs d’IA générative. Plus ces personnes faisaient confiance à l’outil, moins elles déclaraient exercer leur esprit critique. Celles qui avaient davantage confiance en leurs propres compétences déclaraient au contraire le mobiliser davantage. Les participants décrivaient aussi un changement dans leur travail : vérifier les réponses de l’IA et les adapter à leurs besoins prenait une place importante. Cette enquête repose sur leurs déclarations ; elle ne mesure pas une perte de capacité.

Ces trois études ne racontent donc pas exactement la même chose. Moins pratiquer une compétence, moins bien apprendre et perdre un savoir-faire déjà acquis sont des problèmes différents. Les résumer par « l’IA nous rend idiots » empêche de comprendre quand l’aide est utile et quand elle risque de nous rendre dépendants.

Des récits qui se réalisent

Les effets de l’IA dépendent aussi de ce que les organisations attendent des personnes qui l’utilisent. Si leur jugement est considéré comme inutile, elles auront moins d’occasions de l’exercer.

En 1948, le sociologue Robert K. Merton a décrit la prophétie autoréalisatrice : une prédiction fausse devient vraie parce que les gens y croient et agissent en conséquence. Une rumeur annonce, par exemple, qu’une banque va faire faillite alors qu’elle fonctionne normalement. Les clients prennent peur et retirent leur argent. Ces retraits finissent par provoquer la faillite annoncée.

Dans l’entretien chez Mollat, Moukheiber évoque un autre exemple à partir du livre de Rebecca Solnit, A Paradise Built in Hell (2009). Lors de plusieurs catastrophes, elle décrit des mouvements d’entraide que les autorités peuvent freiner lorsqu’elles s’attendent surtout à des pillages et au chaos. La notion de « panique des élites », étudiée par Lee Clarke et Caron Chess, aide à comprendre ces réactions : la crainte du désordre peut conduire des responsables à privilégier le contrôle de la population au détriment des secours.

Un risque semblable peut être envisagé avec l’IA. Une organisation décide que le jugement humain n’est plus nécessaire. Elle confie davantage de décisions à un outil et réduit les occasions, pour les salariés, de décider eux-mêmes. Si leur autonomie diminue, cette évolution pourra sembler justifier le choix initial. Ce scénario reste une hypothèse, que les études citées ne démontrent pas dans son ensemble. Il rappelle que les décisions prises autour d’une technologie peuvent contribuer aux effets qu’on lui attribue ensuite.

Qui fixe les critères ?

En formation, une bonne réponse ne suffit pas à savoir ce qu’un étudiant a appris. Il faut aussi comprendre ce qu’il a cherché, essayé et corrigé. De même, dans le travail, la qualité d’un résultat produit avec l’IA ne dit pas tout de la capacité à vérifier ce résultat ou à se passer de l’outil.

Cette distinction vaut aussi pour les scores des modèles. Un test évalue certaines tâches dans certaines conditions. Dans un article présenté à NeurIPS en 2021, Inioluwa Deborah Raji et ses collègues critiquent la tendance à traiter ces résultats comme des mesures générales des progrès de l’IA. Réussir un test ne signifie pas réussir toutes les situations auxquelles son nom semble renvoyer.

Pouvoir contester une proposition suppose aussi d’en avoir les moyens : des connaissances, du temps et une liberté de décision.

Un contrôle humain peut n’exister que sur le papier si la personne chargée de vérifier manque de temps, de connaissances ou de liberté pour refuser la réponse de l’outil. Préserver le jugement humain demande donc davantage que de placer quelqu’un devant un écran pour valider un résultat.

Albert Moukheiber invite à ne pas réduire l’humain à son cerveau. Sa critique soulève une question semblable à propos de l’IA : quelles capacités négligeons-nous lorsque nous valorisons surtout celles que les machines réussissent à reproduire ? L’IA peut nous aider à créer et à penser. Mais ceux qui la conçoivent, la financent et la déploient ne devraient pas décider seuls de ce qui mérite encore d’être appris, exercé ou reconnu chez les humains.

Note de transparence. Cet article a été préparé avec ChatGPT (OpenAI) et Claude (Anthropic), utilisés pour la prise de notes, la recherche documentaire, la structuration, la rédaction et la relecture critique. L’auteur en assume la responsabilité éditoriale.

Études et articles de recherche cités

• John W. Krakauer, Asif A. Ghazanfar, Alex Gomez-Marin, Malcolm A. MacIver, David Poeppel, « Neuroscience Needs Behavior: Correcting a Reductionist Bias », Neuron, 93(3), 2017, p. 480-490.
• Joseph Henrich, Steven J. Heine, Ara Norenzayan, « The weirdest people in the world? », Behavioral and Brain Sciences, 33(2-3), 2010, p. 61-83.
• Mohammad Atari, Mona J. Xue, Peter S. Park, Damián E. Blasi, Joseph Henrich, « Which Humans? », prépublication PsyArXiv, 2023.
• Dhruv Agarwal, Mor Naaman, Aditya Vashistha, « AI Suggestions Homogenize Writing Toward Western Styles and Diminish Cultural Nuances », CHI 2025. Présentation : Cornell Chronicle.
• Anil R. Doshi, Oliver P. Hauser, « Generative AI enhances individual creativity but reduces the collective diversity of novel content », Science Advances, 10(28), 2024.
• Krzysztof Budzyń et al., « Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study », The Lancet Gastroenterology & Hepatology, 10(10), 2025, p. 896-903.
• Hao-Ping Lee et al., « The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers », CHI 2025.
• Robert K. Merton, « The Self-Fulfilling Prophecy », The Antioch Review, 8(2), 1948, p. 193-210.
• Lee Clarke, Caron Chess, « Elites and Panic: More to Fear than Fear Itself », Social Forces, 87(2), 2008, p. 993-1014.
• Hamsa Bastani et al., « Generative AI without guardrails can harm learning: Evidence from high school mathematics », PNAS, 122(26), 2025, e2422633122.
• Inioluwa Deborah Raji, Emily M. Bender, Amandalynne Paullada, Emily Denton, Alex Hanna, « AI and the Everything in the Whole Wide World Benchmark », NeurIPS, Datasets and Benchmarks, 2021. Article de position sur les limites de l’évaluation.

Entretiens et lectures pour prolonger la réflexion

• Albert Moukheiber, « Neuromania : le vrai du faux sur votre cerveau », entretien avec Sylvie Hazebroucq, librairie Mollat. Présentation et version podcast (page publiée le 11 mars 2026).
• Albert Moukheiber, Neuromania. Le vrai du faux sur votre cerveau, Allary Éditions, 2024. Entretien avec l’auteur : « Le neuromanagement simplifie à outrance les vrais enjeux organisationnels », Welcome to the Jungle.
• Matthew Cobb, The Idea of the Brain: The Past and Future of Neuroscience, Basic Books, 2020.
• Matthew B. Crawford, Éloge du carburateur. Essai sur le sens et la valeur du travail, La Découverte, 2010. Recension : « L’intelligence de la main », La Vie des idées.
• Hans Moravec, Mind Children: The Future of Robot and Human Intelligence, Harvard University Press, 1988.
• Ian Hacking, « Making Up People », London Review of Books, 28(16), 2006 ; « The Looping Effects of Human Kinds », dans Causal Cognition, Oxford University Press, 1995.
• Rebecca Solnit, A Paradise Built in Hell: The Extraordinary Communities That Arise in Disaster, Viking, 2009.