De l’illusion des connaissances ou des compétences apportées par l’IA

L’IA générative donne aujourd’hui accès à des connaissances et à des capacités qui étaient autrefois réservées à des spécialistes. Le risque est de confondre cette puissance de production avec nos propres connaissances ou compétences : produire ne signifie pas nécessairement comprendre, juger ou savoir reprendre la main. Je vous propose dans cet article d’examiner cette illusion, ainsi que son effet possible sur l’apprentissage. Car l’IA générative ne détériore pas nécessairement nos capacités : le problème apparaît surtout lorsqu’elle se substitue à l’effort nécessaire pour les acquérir, les exercer et les conserver.

Thèmes : IA générative.

L’avènement de l’IA engendre son lot de réflexions et de remises en question :

• Une nouvelle architecture économique et sociale pour accompagner l’avènement de l’IA
• L’IA ne doit plus être considérée comme un outil, mais comme un agent économique et social

Ces questionnements sont légitimes, car les modèles génératifs sont de plus en plus performants. L’IA donne accès à une quantité considérable de connaissances et permet désormais de réaliser des tâches jusqu’ici réservées à des spécialistes : rédiger, analyser, programmer, traduire, synthétiser, produire des images, manipuler des données…

Cerise sur le gâteau : toutes ces connaissances et capacités sont également accessibles à petits prix, car les modèles ouverts progressent rapidement : Are Open Models Catching Up?

Mais le réalité de ces progrès est à nuancer, car la qualité du travail fourni par une IA ne dépend pas forcément du modèle, mais plutôt de l’ensemble des informations et instructions qui guident son travail, un cadre qui ne peut être précisé que par des experts : NVIDIA AVO Reaches 100% on ARC-AGI-3, Demonstrating a Frontier-Level General-Purpose Architecture for Long-Horizon Autonomous Agents.

Le réel danger avec les IA actuelles est qu’à force de voir un chatbot répondre correctement à des questions complexes ou produire en quelques minutes ce qui nécessitait auparavant plusieurs heures de travail, une confusion s’installe : nous assimilons la performance de l’outil à notre propre compétence.

C’est précisément cette illusion que je souhaite pointer du doigt dans cet article : L’IA démocratise la capacité de produire, mais pas nécessairement la compétence permettant de comprendre, d’évaluer et d’assumer ce qui est produit.

Performance n’est pas compétence

Les progrès et les performances des modèles génératifs sont réels, les comparatifs sont là pour nous le prouver. Mais leur compréhension des sujets ou tâches traités est plus difficile à démontrer.

Ainsi, jusqu’à preuve du contraire, un modèle de langage est un système informatique qui manipule des entités sémantiques et calcule des probabilités pour générer une séquence de mots. Les systèmes récents ajoutent à ce mécanisme des outils, de la mémoire, des capacités de recherches externes, des boucles de vérification… Le résultat peut être extrêmement sophistiqué, mais cela ne permet pas pour autant d’assimiler leur fonctionnement à la compréhension humaine.

Cette distinction permet de relativiser certains comparatifs. Un système peut ainsi obtenir un résultat spectaculaire sur une évaluation et rencontrer de grandes difficultés sur une autre : Blind Benchmark Catches Frontier AI at Just Three Percent on Research Idea Recovery.

Cela ne signifie pas que les IA ne savent rien faire ou qu’elles ne comprennent rien, mais qu’une performance observée dans un environnement précis ne démontre pas une compétence générale comparable à celle d’un professionnel expérimenté.

La même prudence doit s’appliquer à la créativité et à l’innovation : une IA peut générer une idée originale, proposer une combinaison nouvelle ou explorer un grand nombre de possibilités, mais sa capacité d’innovation doit néanmoins être relativisée : elle repose toujours sur un système informatique probabiliste produisant des résultats à partir de données, d’instructions et de mécanismes conçus par des humains. La véritable différence se situe peut-être ailleurs : générer une solution nouvelle n’est pas équivalent à comprendre pourquoi elle est pertinente, souhaitable, réalisable ou économiquement viable.

Dans un environnement professionnel, cette dernière capacité relève encore largement de la maîtrise d’un domaine, de l’expérience et du jugement, qui ne peuvent être acquis de façon effective qu’en y consacrant un minimum de temps (à l’école ou sur le terrain).

L’éducation ne se résume pas à l’assimilation de connaissances

Avec des IA capables de restituer presque instantanément des connaissances et de résoudre de nombreux problèmes, on peut légitimement se demander s’il est encore pertinent de consacrer autant de temps à apprendre. Ceci revient à confondre connaissances disponibles et connaissances acquises.

L’apprentissage ne sert pas uniquement à mémoriser des informations, il permet de construire des représentations mentales, d’assimiler des méthodes, de développer des automatismes et surtout d’apprendre à raisonner, vérifier et décider.

Une étude récente menée auprès de plus de 26.000 élèves chinois illustre particulièrement bien cette différence : après l’adoption de l’IA générative, les notes obtenues aux devoirs augmentent de 18 % et le temps nécessaire pour les terminer diminue de 30 %. Mais six mois plus tard, les résultats aux examens réalisés sans IA baissent de 20 %. Les pertes se concentrent principalement sur les élèves qui ont eu recours de façon intensive à l’IA pour leurs devoirs. Ceux qui ont continué à travailler les matières enregistrent des pertes beaucoup plus faibles : The Generative AI Learning Penalty: Evidence from Chinese Secondary Education.

Ce constat est particulièrement intéressant : la performance assistée progresse alors que la compétence autonome régresse.

Une autre expérimentation menée cette année auprès de 1.200 adultes en Europe aboutit à une conclusion complémentaire : l’IA réduit fortement les différences de performance entre les participants possédant différents niveaux d’éducation, mais une fois l’assistance retirée, une partie de l’écart réapparaît. Les gains durables sont surtout observés lorsque l’utilisation intensive de l’IA reste associée à un effort soutenu de l’utilisateur : Does Generative AI Narrow Education-Based Productivity Gaps? Evidence from a Randomized Experiment.

Cette distinction devient d’autant plus importante que la pression augmente sur les jeunes diplômés : AI is hitting entry-level jobs hardest, Stanford study finds.

Ainsi, les données actualisées du Stanford Digital Economy Lab montrent qu’en juin 2026, l’emploi des 22 à 25 ans pour les professions fortement exposées à l’IA se situe presque 20 % sous le niveau qu’il aurait atteint s’il avait progressé au même rythme que celui des jeunes dans les professions moins exposées : No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%.

Les auteurs ne constatent cependant pas de déplacement massif de l’emploi à l’échelle de l’économie : Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence.

Dans ce contexte, je reste convaincu que le diplôme conserve une place centrale dans l’évaluation des candidats. Il reste de plus un signal immédiatement lisible pour un recruteur lorsqu’un candidat possède encore peu d’expérience professionnelle, la preuve d’une certaine assiduité.

Il ne faut pas pour autant en faire une règle absolue : selon les métiers et les entreprises, l’expérience, les réalisations, les compétences techniques ou comportementales peuvent peser davantage. Le diplôme reste surtout un moyen simple de présumer qu’un candidat a suivi un parcours d’apprentissage, assimilé un corpus de connaissances et satisfait à un ensemble d’évaluations.

Ce qui compte pendant les études n’est donc pas seulement ce que l’on parvient à mémoriser, ce sont aussi les méthodes de travail, la rigueur, la culture générale, la capacité d’apprentissage et les réflexes intellectuels développés pendant ce processus.

Des acquis qui se révèlent décisifs dans certains domaines, notamment l’informatique.

Vibe coding is not coding

Le développement logiciel offre probablement l’exemple le plus spectaculaire de l’illusion de compétence. Ainsi, Claude Code, Codex, Cursor et cie permettent maintenant à une personne connaissant peu la programmation de réaliser un prototype, un script ou une petite application. Le résultat est généralement parfaitement valable, mais cela ne transforme pas son auteur en développeur. Formulé autrement : La faculté de générer du code fonctionnel démontre la capacité de l’outil (IA + IDE), mais pas celle de l’utilisateur.

Je pense ne rien vous apprendre en écrivant que l’informatique est un domaine vaste et complexe. De même, le système d’information d’une entreprise est généralement un empilement de composants, de données, d’interfaces, de dépendances, de règles de sécurité et de contraintes d’exploitation hétérogènes. Ajouter à la va-vite une brique produite par une IA sans comprendre son fonctionnement ne fait pas de vous un informaticien, mais un élément perturbateur : le randonneur qui ajoute un dernier petit caillou qui fait s’écrouler le cairn, celui qui rompt un équilibre fragile, non pas par malice, mais par excès d’enthousiasme.

Utiliser un outil comme Claude Code ou Codex ne fait pas de vous un codeur, mais un utilisateur exploitant une capacité fournie par un système externe. Pour bien comprendre toutes les subtilités derrière cette assertion, je vous propose une analogie avec la conduite automobile qui permet de distinguer deux situations très différentes.

• Le conducteur d’une Tesla a passé son permis de conduire. Il a appris le code de la route, s’est entrainé à conduire avec un moniteur et démontré sa capacité à maîtriser une voiture. Lorsqu’il utilise une assistance à la conduite, il délègue une compétence qu’il possède déjà. S’il délègue systématiquement la conduite sur une longue période, il peut perdre certains automatismes ou une partie de son aisance, mais il reste en capacité de conduire.
• Le passager d’un robotaxi se trouve dans une situation différente, car il se contente d’indiquer sa destination et se laisse transporter. Il peut parfaitement utiliser ce service sans jamais avoir appris à conduire. Il n’a pas délégué sa compétence, il ne l’a jamais acquise. En cas de défaillance, il ne peut pas reprendre le volant.

Demander à un agent de développer une application dans un langage que vous ne connaissez pas ou ne maitrisez que partiellement revient davantage à monter dans un robotaxi qu’à activer l’assistance à la conduite d’une voiture que vous savez conduire en cas de besoin.

La distinction est fondamentale :

• un développeur expérimenté qui utilise Codex délègue une partie de son travail tout en conservant la capacité de comprendre, vérifier et corriger ;
• un utilisateur qui fait entièrement produire une application dans un langage qu’il ne maîtrise pas obtient un résultat sans acquérir nécessairement la compétence qui permet d’en apprécier la pertinence ou de le maintenir.

Dans le premier cas, l’IA augmente une compétence existante. Dans le second, elle la simule du point de vue du résultat.

Voilà pourquoi, plutôt que de parler de « vibe coder » ou de « builder » » je préfère donc utiliser le terme « expérimentateur » lorsqu’une personne utilise l’IA pour réaliser quelque chose qu’elle ne saurait ni reproduire ni réellement expliquer sans elle.

Produire n’est pas maîtriser

Le raisonnement utilisé pour l’informatique s’applique également au marketing, au droit, à la finance, à l’analyse de données, à la communication… à tous les domaines qui repose sur des méthodes et des expertises.

Si l’IA abaisse considérablement le niveau de connaissances et compétences nécessaires pour obtenir un premier résultat plausible, elle ne permet pas de produire des contenus, codes ou raisonnements qui tiennent compte du contexte spécifique de chaque entreprise et des subtilités du marché, car c’est le domaine réservé des experts, ceux qui ont accumulé de l’expérience sur le terrain.

Ainsi, un texte juridiquement crédible ne fait pas de son auteur un juriste. Une analyse marketing convaincante ne transforme pas son commanditaire en marketeur. Une feuille de calcul complexe produite avec une IA ne signifie pas que son utilisateur maîtrise les statistiques ou la finance. La compétence réelle n’est sollicitée que lorsqu’il faut évaluer le résultat, comprendre ses limites, repérer une erreur, arbitrer entre plusieurs possibilités ou gérer une situation imprévue.

Par « situation imprévue », j’entends tous ces cas de figure inextricables résultant de compromis tordus ou de décisions irrationnelles comme seuls les humains savent en faire. Cette irrationalité est à la fois la plus grande force et la plus grande faiblesse des humains, celle qui nourrit les dramas quotidiens du monde professionnel et qui exige l’intervention de profils séniors pour pouvoir faire les bons arbitrages.

L’écart entre la production d’un professionnel et celle d’un salarié lambda assisté d’une IA est renforcé par la façon dont les modèles génératifs sont utilisés. Ainsi, la majeure partie des interactions reste simple et peu structurée (des prompts rédigés à la va-vite).

Une étude publiée dans Scientific Reports, portant sur près de 1.000 adultes et plus de 4.000 prompts, montre que seulement 19 % des participants utilisent au moins une technique de prompting identifiable. Seuls 6 % des prompts sont considérés comme structurés, car la majorité sont des questions simples et directes : Users’ prompting strategies and ChatGPT’s contextual adaptation shape conversational information-seeking experiences.

Cette étude concerne la recherche conversationnelle d’informations et ne permet donc pas de généraliser les enseignements à tous les usages de l’IA générative, mais elle confirme néanmoins que l’utilisation spontanée est encore largement dominée par des prompts très basiques. Pour y remédier, je ne saurais que trop vous recommander mon guide du prompting ;-)

Ce que vous devez retenir de tout ça est qu’une grande partie de l’utilisation de l’IA repose sur des demandes simples : une question, une instruction rapide, peu de contexte et très peu de contrôle du résultat. Or, la capacité des modèles génératifs à produire des résultats convaincants à partir de demandes basiques masque les connaissances nécessaires pour juger correctement ce qui est produit.

L’IA ne crée pas la paresse intellectuelle, elle la récompense

Dire que l’IA rend les utilisateurs paresseux serait trop simple. Ainsi, l’IA change profondément le rapport entre l’effort et la récompense, car elle permet d’obtenir très rapidement un résultat de bonne facture en fournissant généralement un effort cognitif minimal (un prompt basique).

C’est là que réside une forme d’incitation : Pourquoi lire plusieurs documents si une IA peut les résumer ? Pourquoi chercher une erreur dans du code si un agent peut la corriger en quelques secondes ? Pourquoi construire soi-même un raisonnement si un modèle peut en proposer un immédiatement ?

Le mécanisme est insidieux précisément parce qu’il fonctionne. À chaque fois qu’une demande produit un résultat satisfaisant, l’IA récompense la délégation. Le gain est immédiat : moins de temps, moins d’effort, moins de frustration. La perte éventuelle de compréhension, de pratique ou d’autonomie est différée et beaucoup moins visible.

Des chercheurs ont précisément étudié la distinction entre deux formes de délégation de tâches à l’IA. La première est autonome : l’utilisateur s’appuie sur l’IA tout en conservant la maîtrise du raisonnement. La seconde est dépendante : il lui délègue une partie du raisonnement et accepte ses productions avec peu d’évaluation. Les deux procurent des bénéfices immédiats comparables, mais la délégation dépendante repose sur une motivation plus faible, la recherche d’un résultat acceptable sans trop se prendre la tête (Not all cognitive offloading is equal: distinguishing dependent and autonomous offloading to generative AI).

C’est précisément ce qui rend cette dérive difficile à prévenir : la récompense arrive immédiatement, tandis que le coût éventuel apparaît plus tard. Ce mécanisme peut installer une forme de dépendance fonctionnelle : plus une personne délègue une opération cognitive (recherche, analyse, réflexion…), moins elle a d’occasions de l’exercer. Or, moins elle l’exerce, plus la réaliser elle-même devient coûteux. Et plus cet effort paraît coûteux, plus il devient tentant de le déléguer à nouveau. C’est un cercle vicieux.

C’est là le grand paradoxe de l’IA : elle propose le chemin de moindre résistance à ceux qui le cherchent, les faisant stagner dans leur parcours d’acquisition de connaissances et compétences ; mais elle permet dans le même temps aux plus rigoureux et motivés de progresser plus vite et de développer de nouvelles capacités en très peu de temps.

L’IA est un outil à double tranchant qui ne vous retire donc pas votre capacité d’apprentissage ou votre curiosité, mais qui vous propose une alternative beaucoup plus confortable à leur exercice. Une tentation qui risque de coûter cher à ceux qui y succombent, ou ceux qui ont succombé à des tentations similaires (cf. Le principal frein à l’emploi des jeunes n’est pas l’IA, mais TikTok).

Entendons-nous bien : le problème n’est pas la recherche de facilité en elle-même, car nous utilisons des outils précisément pour économiser des efforts. La question est plutôt de savoir quels efforts nous pouvons supprimer sans perdre les capacités dont nous aurons encore besoin demain.

Utiliser l’IA pour augmenter ses compétences, pas pour les simuler

Il serait absurde de conclure qu’il faut moins utiliser l’IA. La subtilité à saisir est que le problème n’est pas l’outil en lui-même, mais comment nous l’utilisons : ce que nous choisissons de lui déléguer.

Utiliser une calculatrice n’exige pas de refaire chaque multiplication à la main. Utiliser un correcteur orthographique ne suppose pas de vérifier chaque mot dans un dictionnaire. Une grande partie du progrès technique repose justement sur la délégation de tâches auparavant réalisées à la main par des humains. L’IA générative intensifie la délégation à des tâches beaucoup plus proches de celles qui permettent de construire une expertise : chercher, analyser, synthétiser, raisonner, rédiger, développer, comparer, générer des idées…

Cependant, toutes les délégations ne se valent donc pas. Il faut ainsi distinguer au moins trois situations :

1. Déléguer une tâche que l’on maîtrise. Exemples : un développeur qui fait générer une fonction qu’il sait relire, un conducteur qui utilise une assistance à la conduite. Dans ce cas, l’IA augmente la productivité, mais une utilisation excessive peut progressivement réduire l’aisance de la pratique.
2. Utiliser l’IA pour apprendre. Exemples : l’utilisateur demande des explications, confronte les réponses, vérifie, expérimente… mais conserve l’initiative. L’IA fonctionne alors comme un professeur, un contradicteur ou un tuteur.
3. Déléguer une tâche que l’on ne maîtrise pas et que l’on ne cherche pas à apprendre. Exemple : le passager d’un robotaxi. Dans ce cas, l’utilisateur peut obtenir un excellent résultat, en apparence, mais sa capacité disparaît avec l’accès au système.

Cette troisième situation n’est pas nécessairement problématique, car les Big Techs investissent des sommes considérables pour rendre l’IA accessible à tous et tout le temps. Mais cet accès permanent aux IA à un coût dont seule une poignée de grandes sociétés technologiques vont décider.

Certes, personne n’a besoin de maîtriser tous les métiers auxquels l’IA peut désormais donner accès, d’autant plus avec les offres récentes qui sont de plus en plus ciblées (Google launches Gemini for legal work to automate contracts and research). Mais elle le devient lorsque l’utilisateur confond la capacité qu’il obtient d’une IA avec une compétence qu’il posséderait lui-même.

---

L’avenir n’appartiendra probablement ni à l’humain seul ni à l’IA seule, mais à une combinaison des deux. Cette symbiose n’a pourtant rien d’automatique. Elle suppose que l’humain conserve suffisamment de connaissances, de pratique et de discernement pour comprendre ce qu’il délègue, évaluer le résultat et reprendre la main lorsqu’il le faut.

L’enjeu de l’acculturation et de la formation à l’IA n’est donc pas seulement d’apprendre à mieux utiliser les modèles, il est aussi d’apprendre quand ne pas leur déléguer notre réflexion, et identifier les compétences que nous ne pouvons pas nous permettre de ne jamais acquérir, ou de perdre faute de les exercer.

(!) L’illustration, ainsi que la synthèse et les Q / R de cet article ont été générées à l’aide de l’IA.