Préparer une présentation en vingt minutes au lieu d’une heure. Comprendre enfin une notion qui résistait depuis plusieurs jours. Obtenir une première version d’un texte, une formule de tableur ou dix idées pour lancer un projet. Dans beaucoup de tâches, l’IA nous permet déjà de faire plus vite ou d’aller plus loin.
Mais il faut distinguer deux choses. Produire un meilleur résultat avec l’aide de l’IA ne signifie pas forcément devenir meilleur soi-même.
Un étudiant peut rendre un exercice impeccable sans avoir compris la méthode. À l’inverse, une explication bien choisie peut lui permettre de progresser plus vite qu’en restant seul devant son cours. Au travail, déléguer une tâche peut libérer du temps pour ce qui demande vraiment notre expertise. Mais si nous déléguons aussi les choix importants, nous risquons de ne plus très bien savoir pourquoi nous retenons telle conclusion plutôt qu’une autre.
C’est cette différence entre performance assistée et compétence propre qui permet de comprendre une grande partie des effets de l’IA sur le travail, l’apprentissage et la créativité.
Accéder aux connaissances par le dialogue
Imaginons quelqu’un qui découvre les statistiques. Il demande d’abord à quoi sert une corrélation. Puis pourquoi une corrélation ne prouve pas qu’une variable en cause une autre. L’explication reste trop abstraite? Il peut demander un exemple avec le sommeil et le stress, puis proposer son propre exemple pour vérifier qu’il a compris.
Avec un manuel ou un moteur de recherche, il aurait dû trouver lui-même le bon niveau d’explication. Avec une IA conversationnelle, il peut ajuster progressivement la discussion à ce qu’il comprend déjà.
Cette souplesse est probablement l’un des apports les plus intéressants des outils actuels. On peut demander une reformulation, un contre-exemple, une analogie, revenir sur un mot obscur ou passer d’une introduction générale à une question très précise. Un professionnel qui découvre un nouveau domaine peut de la même manière acquérir rapidement le vocabulaire nécessaire pour commencer à lire des documents spécialisés.
Mais une explication qui paraît claire n’est pas encore un apprentissage.
Le vrai test vient quelques minutes ou quelques jours plus tard: pouvons-nous reformuler l’idée sans regarder la réponse? L’appliquer à un nouvel exemple? Résoudre un problème voisin?
L’IA peut d’ailleurs servir à ce deuxième temps. Au lieu de demander immédiatement la solution, on peut lui demander de poser une question, attendre notre réponse, donner un indice si nécessaire, puis proposer un nouvel exercice.
Le même outil peut donc court-circuiter l’effort ou l’organiser. Tout dépend de ce qu’on lui demande de faire.
Réussir un exercice n’est pas la même chose qu’apprendre
Une expérience menée par Bastani et ses collègues (2025) auprès de près de mille lycéens en mathématiques montre très bien la différence.
Un premier groupe pouvait utiliser une interface généraliste fondée sur GPT-4. Pendant les exercices, ces élèves réussissaient mieux que ceux qui travaillaient sans IA. Puis les chercheurs ont retiré l’outil. Au test suivant, les élèves qui avaient utilisé l’IA généraliste obtenaientde moins bons résultats.
Les chercheurs ont cependant testé une deuxième version. Cette fois, le tuteur IA était conçu pour guider davantage le raisonnement, notamment à partir d’indices préparés par les enseignants. Les élèves réussissaient eux aussi mieux pendant l’entraînement. Mais lorsque l’IA disparaissait, leurs performances ne devenaient plus inférieures à celles du groupe sans assistance. (Mais elles ne les dépassaient pas non plus.)
Le guidage avait donc évité l’effet négatif observé avec l’interface généraliste, sans produire de gain supplémentaire mesurable au test.
D’autres dispositifs donnent des résultats plus favorables. Kestin et ses collègues (2025) ont comparé un tuteur IA spécialement conçu à des séances d’enseignement actif auprès de 194 étudiants en physique. Les étudiants utilisant le tuteur ont obtenu de meilleurs gains d’apprentissage immédiats.
La différence est instructive. Dans ces expériences, «utiliser une IA» peut vouloir dire recevoir directement une réponse ou être guidé étape par étape dans un raisonnement. Ce ne sont pas les mêmes activités intellectuelles.
Cela explique pourquoi la question «Faut-il autoriser l’IA à l’école?» est trop grossière. Il faut plutôt demander ce que l’outil fait à la place de l’élève et ce qu’il lui demande encore de faire lui-même.
Donner un indice, demander une justification ou proposer un nouvel exercice sollicite encore le raisonnement. Fournir immédiatement une solution parfaite peut le rendre inutile.
Au travail, des gains parfois réels
Le même contraste apparaît dans le monde professionnel. Noy et Zhang (2023) ont confié des tâches de rédaction à 453 professionnels diplômés. Avec ChatGPT, ils terminaient leur travail environ 40% plus vite, tandis que la qualité évaluée de leurs productions augmentait de 18%. Sur ces tâches, le bilan était clair: mieux et plus vite.
Brynjolfsson et ses collègues (2025) ont observé quelque chose de comparable dans une situation réelle. Plus de 5’000 agents de support client ont été suivis lors de l’introduction d’un assistant IA. Le nombre de problèmes résolus par heure a augmenté d’environ 15% en moyenne.
Les gains étaient particulièrement importants chez les employés les moins expérimentés ou initialement les moins performants. L’assistant semblait notamment leur permettre d’utiliser plus rapidement certaines pratiques jusque-là surtout maîtrisées par leurs collègues expérimentés.
Des gains qui dépendent de la tâche
Il serait tentant d’en conclure que l’IA améliore simplement la productivité. Mais une autre expérience montre pourquoi ce serait trop rapide.
Dell’Acqua et ses collègues (2026) ont étudié 758 consultants confrontés à différentes tâches professionnelles. Lorsque les tâches se situaient dans les domaines où le modèle était performant, les participants travaillaient plus vite et produisaient de meilleurs résultats.
Mais les chercheurs avaient également prévu une tâche sur laquelle le modèle avait tendance à se tromper. Cette fois, l’aide devenait un handicap: les participants utilisant l’IA trouvaient moins souvent la bonne solution.
Une IA n’améliore donc pas «un métier» dans son ensemble. Elle intervient sur des tâches.
Préparer un compte rendu, comparer des options et formuler une recommandation peuvent appartenir au même poste, mais ne demandent pas les mêmes compétences. Le fait que l’assistant soit excellent pour la première opération ne dit pas grand-chose sur les deux suivantes.
Même le temps gagné doit être mesuré jusqu’au résultat final. Un texte obtenu en trente secondes n’est pas forcément rapide s’il faut ensuite vingt minutes pour corriger ses erreurs.
La bonne unité de comparaison est donc assez concrète: combien de temps jusqu’à un résultat utilisable, de quelle qualité, et avec combien de vérifications?
Choisir ce que l’on délègue
Pour un enfant qui apprend à écrire, produire des phrases fait partie de l’apprentissage. Pour un adulte expérimenté qui veut simplement reformuler un courrier, déléguer un premier jet peut au contraire faire gagner du temps.
La bonne question est donc simple: ai-je surtout besoin du résultat, ou ai-je besoin d’apprendre à le produire?
Cela vaut aussi pour un professionnel expérimenté qui découvre une nouvelle méthode ou un nouveau logiciel. L’objectif n’est pas de préserver l’effort pour lui-même. Un coup de pouce quand on est coincé est souvent utile. Ce qui compte, c’est de continuer à développer les compétences que l’on souhaite acquérir.
Quand déléguer revient aussi à déléguer le jugement
Avec l’IA, déléguer peut aller plus loin que confier une opération. On peut aussi lui laisser une partie du jugement.
Prenons un dossier de vingt pages. Dans un cas, l’IA le résume pour nous aider à repérer les passages importants, que nous examinons ensuite nous-mêmes. Dans l’autre, nous acceptons son résumé et sa conclusion sans revenir au dossier. La tâche paraît identique, mais dans le second cas l’IA a aussi décidé, en partie, ce qui méritait notre attention.
Une enquête menée auprès de 319 professionnels par Lee et ses collègues (2025) va dans ce sens. Une confiance plus forte dans l’IA était associée à un moindre effort critique déclaré. Les participants décrivaient aussi un déplacement de leur travail: moins de production directe, davantage de vérification, de sélection et d’intégration.
Zhu et ses collègues (2026) distinguent de la même manière un usage dépendant, où l’utilisateur s’en remet largement au système, et un usage autonome, où il conserve le pilotage. Le premier est associé à une motivation plus faible et à une perception moins favorable de ses propres capacités; le second à des appréciations plus positives.
Conserver la maîtrise ne signifie pas tout refaire soi-même, mais choisir ce que l’on délègue. Les opérations routinières, une première formulation ou l’exploration de pistes peuvent facilement être confiées à l’IA. En revanche, si l’objectif est d’apprendre, il faut encore pratiquer soi-même; et si le résultat dépend d’un jugement important, il faut pouvoir comprendre, vérifier et, si nécessaire, contredire la proposition de l’IA.
Pour créer, davantage d’idées ne signifie pas forcément davantage de diversité
La créativité semble être un terrain idéal pour l’IA. On lui demande dix idées de titres, cinq scénarios, trois pistes graphiques ou une nouvelle manière d’expliquer un concept. En quelques secondes, elle remplit la page. Cette abondance peut réellement aider.
Doshi et Hauser (2024) ont demandé à des participants d’écrire de courtes histoires. Certains pouvaient recevoir des idées proposées par une IA. Leurs textes ont ensuite été jugés plus créatifs, mieux écrits et plus agréables à lire. Le bénéfice était particulièrement marqué chez les participants dont la créativité initialement mesurée était plus faible.
Mais lorsqu’on comparait les histoires entre elles, un autre résultat apparaissait: elles se ressemblaient davantage.
L’IA améliorait donc en moyenne certaines productions individuelles tout en réduisant la diversité de l’ensemble. Pour quelqu’un qui veut simplement améliorer une histoire, ce n’est pas forcément un problème. Pour une équipe qui cherche plusieurs directions réellement différentes, cela compte beaucoup.
Une expérience de conception graphique menée par Wadinambiarachchi et ses collègues (2024) illustre un autre mécanisme. Les participants qui utilisaient un générateur d’images avaient tendance à se fixer davantage sur les exemples initiaux. Ils produisaient moins d’idées, et celles-ci étaient moins variées et moins originales que dans la condition de comparaison.
Une suggestion peut donc être utile précisément parce qu’elle donne rapidement une direction. Mais cette direction peut ensuite devenir difficile à quitter.
Pour éviter ces problèmes, une stratégie consiste à garder plusieurs points de départ. Commencer par quelques pistes personnelles, puis demander à l’IA d’explorer d’autres contraintes. Dans une équipe, chacun peut également chercher quelques pistes avant de regarder ce que propose l’IA. On évite ainsi qu’une première suggestion très aboutie attire immédiatement toute la discussion dans sa direction.
Choisir ce que nous voulons continuer à exercer
L’IA peut donc faire gagner du temps, améliorer certaines productions, faciliter l’accès aux connaissances et ouvrir des tâches auparavant difficiles. Rien de tout cela n’implique que nous devions continuer à réaliser nous-mêmes chaque opération.
Le vrai choix porte sur ce que nous voulons continuer à savoir faire.
Si l’objectif est d’apprendre, il faut parfois retirer l’aide et essayer seul. Si l’objectif est de produire efficacement, on peut déléguer davantage tout en gardant la main sur les décisions qui déterminent le résultat. Enfin, si l’objectif est de créer, mieux vaut préserver plusieurs points de départ avant de laisser l’outil multiplier les variantes.
Ce choix ne dépend d’ailleurs pas seulement de la volonté individuelle. Un tuteur IA peut être conçu par des enseignants pour donner des indices plutôt que la solution. Une formation peut apprendre à mieux vérifier les éléments décisifs. Une organisation peut laisser du temps à ses employés pour développer une compétence au lieu d’attendre simplement que chacun produise plus vite.
L’IA peut nous permettre de faire davantage et de progresser. Mais les deux ne vont pas automatiquement ensemble. Pour obtenir les deux, il faut décider consciemment où l’effort n’apporte plus grand-chose… et où il reste essentiel pour apprendre.
Références
Bastani, H. et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122.
Brynjolfsson, E. et al. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942.
Dell’Acqua, F. et al. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423.
Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290.
Kestin, G. et al. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458.
Lee, H.-P. et al. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1–22). Association for Computing Machinery.
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing.
Wadinambiarachchi, S. et al. (2024). The effects of generative AI on design fixation and divergent thinking. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (Article 380, pp. 1–18). Association for Computing Machinery.
Zhu, Q. et al. (2026). Not all cognitive offloading is equal: Distinguishing dependent and autonomous offloading to generative AI. Frontiers in Psychology, 17, Article 1878629.
Ce dossier vous semble utile? Vous pouvez le transmettre à un parent ou à un professionnel
Besoin d’une expertise?
