L'IA générative reconfigure la cognition humaine, elle ne l'augmente pas automatiquement

Pourquoi le débat augmentation/atrophie est mal posé

La question qui circule dans les médias et dans les organisations est binaire : l'IA rend-elle les humains plus intelligents ou plus paresseux ? Elle suppose qu'il existe un effet uniforme, indépendant des contextes et des usages, et que la réponse serait la même pour le lycéen qui fait rédiger ses dissertations, le cadre qui délègue sa synthèse de réunion, et le chercheur qui utilise un LLM pour explorer une littérature dense. Cette supposition est fausse, et la recherche empirique récente le documente avec une clarté croissante.

La synthèse la plus solide disponible à ce jour peut s'énoncer ainsi : l'IA générative n'augmente pas automatiquement les capacités cognitives humaines, elle les reconfigure. Le sens de cette reconfiguration dépend presque entièrement de ce que l'utilisateur décide de conserver comme activité propre et de ce qu'il choisit de déléguer. C'est une distinction qui a des conséquences pratiques profondes, notamment pour les formateurs, les responsables RH et les concepteurs de dispositifs d'apprentissage.

Le déchargement cognitif : libération ou désapprentissage ?

Le concept de cognitive offloading désigne le transfert de processus mentaux vers un support externe, qu'il s'agisse d'un carnet, d'un moteur de recherche ou, désormais, d'un modèle de langage. Ce transfert n'est pas négatif en soi : il libère des ressources attentionnelles pour des tâches de plus haut niveau. La question empirique est de savoir ce que l'utilisateur fait effectivement de ces ressources libérées.

Une étude publiée dans la revue Societies en 2025 documente une association négative entre fréquence d'usage des outils d'IA et pensée critique, médiée par le déchargement cognitif.¹ Le résultat central est corrélationnel et ne tranche pas la causalité, mais sa contribution analytique est ailleurs : il montre que le problème n'est pas le temps gagné, c'est l'extériorisation répétée du jugement, de l'évaluation et de la mémorisation. Ce n'est pas l'efficacité qui est en cause. C'est la déshabituation progressive à certaines opérations mentales, par absence d'exercice.

Un rapport de Microsoft Research (2025) sur les travailleurs du savoir complète ce tableau.² Ses auteurs observent que l'IA ne supprime pas nécessairement l'effort cognitif : elle peut le déplacer. Moins d'effort dans la collecte et la formulation initiale, plus d'effort dans la validation, la surveillance et la correction. Ce déplacement n'est pas neutre : les compétences de vérification critique en aval supposent une capacité de jugement que l'usage passif de l'IA, précisément, tend à affaiblir. Il y a là une tension logique que la littérature n'a pas encore résolue.

La mémoire : tout dépend du rôle assigné à l'outil

Les résultats sur la mémoire et l'apprentissage sont parmi les plus instructifs, parce qu'ils illustrent directement l'effet du format d'usage. Une étude randomisée portant sur 405 élèves de 14-15 ans montre que la prise de notes et la combinaison notes et LLM améliorent la compréhension et la rétention par rapport à l'usage du LLM seul.³ L'IA facilite l'accès à l'information, mais ne favorise pas spontanément l'encodage profond nécessaire à la mémorisation durable. En d'autres termes, l'outil employé comme répondant direct affaiblit la consolidation ; le même outil employé en complément d'une activité d'effort propre la soutient.

La même logique apparaît dans une étude publiée dans la revue Knowledge Management and E-Learning (2025), qui utilise l'IA générative pour produire des cartes d'apprentissage et soutenir le rappel actif et la répétition espacée dans un contexte MOOC.⁴ Les résultats vont dans le sens d'une amélioration significative de la rétention et de la satisfaction des apprenants. Ce n'est pas une contradiction avec les résultats précédents : c'est leur pendant. L'IA comme source de réponse immédiate peut court-circuiter l'effort de récupération qui consolide la mémoire. L'IA comme générateur de sollicitations actives peut au contraire le soutenir. Ce qui change entre les deux cas, ce n'est pas l'outil, c'est la structure cognitive de l'activité.

Pensée critique et dépendance : le risque du glissement de rôle

Un article publié sur ScienceDirect en 2025 sur la dépendance à l'IA chez les apprenants identifie la fatigue cognitive comme médiateur partiel de l'effet sur la pensée critique.⁵ Ce résultat est important parce qu'il relie la baisse de raisonnement autonome non seulement à la délégation habituelle, mais à un état subjectif d'épuisement et de surcharge qui accompagne un usage intense non maîtrisé. La dépendance n'est pas seulement une question de paresse : c'est aussi une réponse à une charge cognitive mal gérée.

Le rapport Microsoft Research formule l'enjeu de manière plus structurelle en distinguant trois types de barrières qui conditionnent l'effet cognitif : les barrières de conscience (l'utilisateur sait-il qu'il devrait exercer son jugement ?), de motivation (en a-t-il l'intention ?) et de capacité (en est-il encore capable ?).² Cette décomposition est analytiquement précieuse parce qu'elle montre que le risque d'atrophie critique ne passe pas seulement par la paresse, mais par une érosion progressive des conditions dans lesquelles le jugement propre reste possible. Un utilisateur peut vouloir exercer son esprit critique et ne plus disposer des schémas d'activation nécessaires pour le faire sans l'outil.

Les effets asymétriques selon l'expertise

L'un des résultats les plus robustes de la littérature récente concerne la modulation des effets par le niveau d'expertise. La même étude randomisée sur les effets des LLM et de la prise de notes montre que les effets cognitifs varient selon l'activité et le profil de l'apprenant.³ L'étude de Gerlich (2025) va plus loin en indiquant, à travers des reprises académiques secondaires, que les jeunes adultes et les personnes moins scolarisées seraient particulièrement exposés à la baisse de pensée critique associée à un usage intensif de l'IA.¹

La synthèse qui émerge de ces travaux est la suivante : les experts peuvent utiliser l'IA comme multiplicateur de jugement, parce qu'ils disposent des schémas cognitifs nécessaires pour évaluer, corriger et dépasser ce que l'outil produit. Les novices, eux, risquent de l'utiliser comme substitut au jugement, précisément parce qu'ils ne disposent pas encore des repères qui permettraient d'en détecter les limites. C'est une fracture cognitive potentielle entre ceux qui savent tenir l'outil à bonne distance et ceux qui s'y remettent entièrement. Elle ne se joue pas sur la technologie, mais sur ce qui précède son usage : la formation, le scaffolding pédagogique, la culture épistémique.

Créativité : le volume n'est pas l'originalité

La question de la créativité est la plus ambiguë dans la littérature, parce qu'elle se heurte à un problème de définition que les études empiriques ne tranchent pas toujours. Un article disponible sur arXiv (2024) discute le fait que des modèles de langage peuvent surpasser des humains sur certaines tâches de pensée divergente standardisées, tout en posant explicitement la question de ce que ce résultat signifie réellement.⁶ Une étude accessible via PubMed Central compare des tâches de pensée convergente et divergente entre humains et chatbots génératifs et conclut à des performances supérieures des modèles sur plusieurs métriques.⁷ Ces résultats ne prouvent pas que les humains deviennent plus créatifs en utilisant l'IA. Ils prouvent que les modèles explorent plus efficacement l'espace des options disponibles dans leurs données d'entraînement.

La distinction est fondamentale. La créativité humaine, au sens cognitif et non au sens performatif de production d'idées, implique l'intention, la prise de risque, la contextualisation sociale et la responsabilité du choix. Ces dimensions n'apparaissent pas dans les benchmarks de pensée divergente. Si l'usage de l'IA générative pour les tâches créatives tend à homogénéiser les productions par les biais de distribution et les styles dominants des modèles, le risque n'est pas que la créativité soit supprimée : c'est qu'elle soit standardisée sans que les utilisateurs s'en aperçoivent.

La cognition distribuée : une troisième voie conceptuelle

Deux travaux publiés dans Computers in Human Behavior: Artificial Humans en 2026 offrent un cadre théorique qui permet de sortir de l'opposition binaire augmentation/atrophie.⁸⁹ Ils s'inscrivent dans la tradition de la cognition distribuée et de l'hypothèse de l'esprit étendu, selon laquelle la cognition n'est pas une propriété interne isolée dans le cerveau mais une activité distribuée entre un agent, ses outils, ses normes et son contexte. Dans cette perspective, l'IA générative peut faire partie de l'architecture cognitive sans nécessairement dégrader la cognition propre, à condition de ne pas remplacer l'exercice du jugement mais de le prolonger.

Un préprint arXiv (2025) consacré à la protection de la cognition humaine à l'ère de l'IA développe cette idée en termes d'environnement cognitif : l'IA ne serait pas seulement un outil d'exécution mais un milieu qui restructure l'attention, la mémoire et le raisonnement.¹⁰ Ce déplacement conceptuel a une conséquence pratique importante : si l'IA est un environnement et pas seulement un outil, alors la question pertinente n'est pas "comment l'utiliser correctement" mais "quelle architecture d'usage préserver pour que le jugement humain reste actif dans cet environnement". C'est une question de conception, pas de volonté individuelle.

Ce que la littérature implique pour la formation et les organisations

Les zones d'ombre de cette littérature méritent d'être nommées explicitement. Les études disponibles portent majoritairement sur des populations étudiantes, sur des durées courtes, et reposent souvent sur des mesures corrélationnelles dont la causalité reste incertaine. Les effets à long terme sur des professionnels en emploi, hors contexte éducatif, sont presque entièrement non documentés. Ce que la recherche permet d'affirmer à ce stade est donc conditionnel et partiel.

Il n'en reste pas moins que plusieurs implications pratiques se dégagent avec suffisamment de robustesse pour orienter les choix de conception. Un dispositif de formation qui utilise l'IA pour produire des réponses à la place des apprenants ne favorise pas l'apprentissage durable : il favorise l'accès à l'information sans encodage profond. Un dispositif qui utilise l'IA pour générer des sollicitations, des contradictions ou des demandes de justification peut au contraire soutenir la rétention et la pensée critique. Un environnement organisationnel qui déploie l'IA sans construire les compétences de supervision et d'évaluation critique de ses sorties ne libère pas du temps cognitif : il transfère le risque d'erreur vers une étape de validation que personne n'est nécessairement formé à exercer.

La distinction entre ces trajectoires ne se joue pas dans la qualité des outils. Elle se joue dans la structure de l'activité que les outils sont censés soutenir, et dans la présence ou l'absence d'un scaffolding explicite qui maintient l'exercice du jugement au centre du processus.