L'IA nous rend-elle stupides ?

Aug 21, 2026 min read
L'IA nous rend-elle stupides ?

L’IA nous rend-elle stupides, ou est-ce que ça dépend de ce qu’on lui demande ?

Nous allons voir ce que les LLM changent dans notre façon de chercher, et quels rôles on peut leur donner sans y perdre.

A. Contexte

Avant, on allait sur Stack Overflow copier-coller du code. On allait sur Google faire nos recherches, et on compilait ensuite les résultats. Tout le monde faisait ça, et globalement personne n’a jamais écrit d’article pour expliquer que Stack Overflow nous rendait bêtes.

Aujourd’hui on demande à un LLM, il répond, et on s’inquiète pour notre cerveau. Alors est-ce que c’est de l’inquiétude de vieux qui n’aiment pas le changement, ou est-ce qu’il y a réellement quelque chose de nouveau ?

Avant d’en venir là, je dois vous avouer un truc. Il y a sur ce blog un article que je n’ai pas écrit : La philosophie DevOps. Il a été entièrement généré par IA, je l’ai publié comme test, et je l’ai laissé en ligne. Allez le lire, ça vaut le détour.

Il est très bien écrit. La structure est propre, le vocabulaire est juste, il n’y a pas une seule faute (ce qui, sur ce blog, devrait déjà vous mettre la puce à l’oreille). Et il ne dit rien. Pas un chiffre, pas une anecdote, pas un avis sur lequel on pourrait m’engueuler, pas un moment où je raconte la semaine où j’ai perdu un cluster de trois hyperviseurs à cause d’une carte réseau fantôme. Juste des listes à puces qui déroulent le consensus mou du sujet.

Le meilleur, c’est la dernière ligne, où il conclut : « Cet article reflète ma vision de la philosophie DevOps basée sur mon expérience ». Une expérience qu’il n’a pas, sur un blog où c’est censé être la seule chose que j’aie à vendre.

Bon. On va partir de là.

B. Ce qu’on faisait avant

Reprenons le copier-coller Stack Overflow. On l’a tous fait, et on a tous fait semblant de ne pas le faire.

Sauf que si on décompose le geste, il se passe pas mal de choses :

  • Il faut formuler la question. Et formuler correctement un problème technique, c’est déjà la moitié du boulot. Combien de fois avez-vous trouvé la réponse en tapant la question, avant même de l’avoir envoyée ?
  • Il faut lire quatre réponses qui ne disent pas la même chose.
  • Il faut comprendre pourquoi celle qui a 800 votes est au-dessus de celle qui en a 12. Et parfois se rendre compte que celle à 12 votes est la bonne depuis PHP 8.
  • Il faut lire les commentaires, où un type explique que ça tient très bien en dev et que ça casse en prod sous charge.
  • Il faut adapter le bout de code à un contexte qui n’est jamais tout à fait celui de la question d’origine.

Tout ce travail, on ne le faisait pas exprès, mais on le faisait quand même. Il était dans le trajet plus que dans la réponse.

Google, c’était pareil. On ouvrait huit onglets, on voyait que trois sources se contredisaient, et on tranchait. La synthèse était la nôtre. Et surtout on voyait le désaccord : on savait qu’il y avait trois écoles de pensée sur le sujet, parce qu’on avait les trois sous les yeux en même temps.

C’est ça qui saute avec un LLM. Le savoir, lui, est toujours là, et même plus accessible qu’avant. Ce qui disparaît, c’est qu’il y avait débat.

Un LLM vous donne une réponse. Une seule, bien rédigée, sûre d’elle. Les trois écoles de pensée ont été moyennées quelque part dans les poids du modèle, et vous ne saurez jamais qu’elles ont existé. Vous ne saurez pas non plus que sur ce point précis la communauté est partagée, ni que la bonne réponse a changé il y a huit mois.

Le trajet a disparu, et avec lui tout ce qu’on apprenait sans le vouloir en le parcourant.

C. Alors, quel rôle on donne à l’IA ?

C’est pour moi la vraie question, parce que « utiliser l’IA » ne veut pas dire grand-chose. Ça recouvre des usages qui n’ont rien à voir entre eux. J’en vois quatre.

* L’oracle

On demande, il répond, on applique. C’est le pire des quatre, et c’est de loin le plus répandu.

Le modèle se trompe parfois, ça, on fait avec. Le problème, c’est qu’on n’a aucun moyen de savoir quand. On a délégué la décision à quelque chose qui sort une bêtise avec le même aplomb qu’une bonne réponse. C’est confortable, et c’est la situation type dans laquelle on ne progresse plus.

* L’autocomplétion

Il finit vos lignes, il devine votre boucle, il écrit le bloc de tests répétitif que vous auriez tapé de toute façon.

Là, franchement, aucun souci. On reste l’auteur, on sait où on va, l’outil fait juste gagner de la frappe. C’est un correcteur orthographique un peu plus ambitieux. Je n’ai jamais vu personne devenir bête à cause de la complétion automatique.

* Le stagiaire

On délègue une tâche délimitée et on relit le résultat. Très bon rôle, mais aussi le plus exigeant, et on ne le dit pas assez : relire le travail d’un stagiaire suppose de savoir faire le travail du stagiaire.

On ne peut pas reviewer sérieusement du code qu’on n’aurait pas su écrire. On peut vérifier que ça compile, que les tests passent, que ça fait ce qui était demandé sur les cas nominaux. On ne peut pas voir que ça ouvre une race condition, que ça fait une requête N+1, ou que ça vient de réinventer une fonction qui existe dans la codebase depuis trois ans.

* Le collègue qui vous contredit

Celui-là, on l’utilise beaucoup trop peu. On a déjà sa solution, et on lui demande de l’attaquer. « Voilà mon approche, qu’est-ce qui va casser ? » « Donne-moi trois raisons de ne pas faire ça. » « Qu’est-ce que j’ai oublié ? »

Ici la charge de réflexion augmente au lieu de baisser. Il faut défendre son choix, donc le comprendre. C’est le seul des quatre rôles où l’outil me rend meilleur sur le sujet, parce qu’il m’oblige à expliciter ce que j’allais faire au réflexe.

Et la différence entre ces quatre rôles ne tient pas à l’outil. C’est le même modèle, souvent la même session, parfois la même journée. Elle tient à une seule chose : est-ce qu’on reste l’auteur de la décision, ou est-ce qu’on se contente de la valider ?

D. Mais est-ce que ça nous rend bête, oui ou non ?

Bon, et si on regardait ce que disent les gens qui mesurent, plutôt que ce qu’on ressent ?

Il y a d’abord cette étude du MIT Media Lab de juin 2025, relayée en français par Developpez. 54 participants, quatre mois, trois groupes qui rédigent des essais : un avec ChatGPT, un avec Google, un avec rien du tout, et un électroencéphalogramme sur la tête.

Le résultat qui pique : 83 % des utilisateurs de ChatGPT étaient incapables de citer un passage de leur propre texte quelques minutes après l’avoir produit. Contre 11 % dans le groupe sans outil. Et la connectivité neuronale décroissait bien proprement selon l’aide reçue : la plus forte sans rien, moyenne avec Google, la plus faible avec le LLM.

Ce classement m’intéresse d’ailleurs plus que le chiffre. Google est au milieu, pas au même niveau que le LLM. Encore le trajet.

Ensuite il y a l’étude Microsoft / Carnegie Mellon, reprise par Clubic et détaillée par Developpez, qui interroge des travailleurs du savoir sur leurs usages réels. Et là on tombe sur un truc que je trouve fascinant :

“Plus les utilisateurs avaient confiance dans l’IA, moins ils faisaient preuve d’esprit critique. Plus ils avaient confiance en leurs propres compétences, plus ils s’engageaient de façon critique.”

Donc ce qui dégrade l’esprit critique, c’est la confiance qu’on accorde à l’outil, et cette confiance est inversement proportionnelle à celle qu’on a en soi. En clair : l’IA amplifie celui qui sait et remplace celui qui ne sait pas.

* Alors on peut crier à l’atrophie du cerveau ?

Non, et là il faut être honnête, la presse s’est un peu emballée sur cette étude.

Futura a publié une mise au point utile sur ce qu’elle dit vraiment. Un électroencéphalogramme ne permet pas d’observer une atrophie cérébrale, il faudrait une IRM pour ça. Ce que l’étude montre, c’est une réduction de la charge cognitive, comme le fait une calculatrice ou un GPS. Les ressources mentales sont réallouées ailleurs, elles ne sont pas détruites.

Et on a déjà fait ça plusieurs fois. On a arrêté de calculer de tête, arrêté de retenir les itinéraires, arrêté de mémoriser les numéros de téléphone. Betsy Sparrow décrivait déjà le mécanisme dans Science en 2011, bien avant les LLM : quand on sait qu’une information reste disponible, on retient où la trouver plutôt que l’information elle-même. On ne s’en est pas si mal sortis.

Il y a quand même une différence, et Futura met le doigt dessus. Une calculatrice ne se trompe jamais. Un GPS vous fait rarement tourner à gauche dans un canal. Un LLM, si. Déporter de la charge mentale sur un outil, on sait faire depuis longtemps ; la déporter sur un outil qui peut se planter avec assurance, c’est nouveau.

Et le plus rassurant là-dedans, c’est qu’on le sait déjà. L’analyse que fait LeMagIT du Developer Survey 2025 de Stack Overflow (49 000 réponses dans 166 pays) donne le tableau : 84 % des développeurs utilisent ou prévoient d’utiliser des outils d’IA, la moitié tous les jours. Mais seulement 3 % leur font vraiment confiance, 46 % s’en méfient explicitement, et le sentiment positif a perdu dix points en un an. La frustration numéro un, citée par 66 % d’entre eux : les réponses presque justes, mais pas tout à fait.

Une profession qui adopte un outil en masse tout en le trouvant peu fiable, c’est une profession qui a compris qu’elle avait affaire à un stagiaire et pas à un oracle. Ça me rassure plutôt.

E. Le souci, c’est pas nous

Ce qui m’inquiète vraiment, ce n’est pas mon cerveau.

Si l’IA amplifie celui qui sait et remplace celui qui ne sait pas, alors elle est très bien pour nous et catastrophique pour un junior. Nous, on a fait nos dix ans de trajet. On a mal formulé nos questions sur Stack Overflow et on s’est fait fermer nos posts en duplicate. On a lu les quatre réponses contradictoires. On a cassé la prod et on a compris pourquoi, souvent à une heure de la nuit qui aide beaucoup à la mémorisation.

C’est ce capital qui nous permet de reviewer le travail du stagiaire aujourd’hui. De sentir que la réponse est trop belle, de repérer la fonction dépréciée, de dire « non, ça ne tiendra pas la charge ».

Un développeur qui démarre aujourd’hui, lui, a accès à des réponses correctes dans 90 % des cas, tout de suite. Comment est-ce qu’il construit son jugement ? Le jugement vient du trajet, et le trajet a disparu. On lui demande de savoir reviewer sans lui laisser le temps d’apprendre à faire.

C’est le paradoxe qui m’embête le plus dans le métier en ce moment : la compétence nécessaire pour bien utiliser l’IA ne s’acquiert qu’en travaillant sans elle.

Et je n’ai pas de solution propre à proposer, désolé. Peut-être qu’il faut accepter de faire faire à un junior, pendant un moment, des choses qu’un modèle sortirait en dix secondes. Comme on apprend encore les divisions à la main alors qu’on a tous une calculatrice dans la poche. Ce n’est pas idiot, mais c’est cher, et je vois mal beaucoup de boîtes accepter de payer ça de bon coeur.

Alors en conclusion, l’IA nous rend-elle stupides ?

Non. Mais elle nous en donne largement les moyens, et c’est nous qui décidons.

Ce que je retiens, c’est que la question est mal posée. Elle traite l’IA comme si elle avait un effet propre, indépendant de ce qu’on en fait. C’est un peu comme demander si les livres rendent intelligent : ça dépend beaucoup de si on les lit ou si on s’assoit dessus.

La vraie question, c’est celle du rôle. Oracle, autocomplétion, stagiaire ou sparring-partner. Le même outil peut occuper les quatre dans la même journée. Et le seul critère qui compte, c’est de savoir si on est encore l’auteur de ses décisions techniques, ou si on se contente de les signer.

Je disais dans mon billet sur Cursor qu’il ne faut pas générer plus de code qu’on est capable de reviewer. La version cognitive de la règle est la même : ne déléguez pas plus de réflexion que vous n’êtes capable de vérifier.

Le jour où on ne sait plus dire pourquoi la réponse est bonne, ce n’est pas que l’IA est devenue trop forte. C’est qu’on a arrêté de faire le trajet.

Bon, ceci dit, je vais quand même continuer à lui faire écrire mes scripts bash. Il y a des trajets dont on se passe très bien.

Sources

-|