Externaliser votre réflexion à l’IA, et elle vous remplacera

Le responsable de l’IA chez Microsoft, Mustafa Suleyman, vient de partager une prédiction terrifiante : dans les 12 à 18 prochains mois, la plupart, voire la totalité, du travail de col blanc sera entièrement automatisé par l’intelligence artificielle. M. Suleyman n’est pas le premier à partager une telle hypothèse (oui, je parle de Dario Amodei et de sa peine de 5 ans pour l’IA à l’égard du monde), et certainement pas le dernier. Mais laissez-moi partager une prise de position controversée : l’IA, qu’il s’agisse de 18 mois ou de cinq ans, ne pourra pas remplacer les travailleurs de col blanc. Mais si nous arrêtons de réfléchir, elle le fera.

Et je ne dis pas qu’elle ne sera pas intégrée dans la plupart des processus, ou qu’elle ne pourra pas aider les gens avec leur charge de travail. Cela se produit déjà. Mais remplacer la pensée humaine, éliminer l’input humain, est une tâche que l’IA ne peut tout simplement pas accomplir (à moins que nous, en tant qu’êtres humains, ne remplacements notre moteur de prise de décision par l’IA, bien sûr).

Pourquoi la pensée humaine ne peut et ne doit pas être externalisée

Il y a trois raisons spécifiques pour lesquelles je reviens chaque fois que quelqu’un me dit que l’IA va remplacer tout le monde. Chacune d’elles est quelque chose que les cerveaux humains font naturellement, et chacune d’elles est quelque chose que l’IA, même la plus avancée, ne peut reproduire.

L’IA ne peut pas avoir le contexte qu’a un cerveau humain

Lorsqu’une personne prend une décision, elle ne prédit pas, comme un modèle de langage, simplement le mot suivant en fonction de la probabilité générale. Elle tire parti d’une expérience vécue complète, codée à travers plusieurs systèmes à la fois : nos mémoires personnelles, nos habitudes apprises et les enjeux émotionnels de ces moments. Ce passé collectif permet au cerveau de deviner constamment ce qui va se passer ensuite, en mettant à jour sa vision uniquement lorsque la réalité le prouve faux. Le contexte, en d’autres termes, est le substrat sur lequel chaque perception est construite.

Un grand modèle de langage fonctionne différemment. Ses poids proviennent d’un corpus de texte fini sur lequel il a été formé une fois et auquel il n’a plus accès. Il n’a pas de boucle de perception, pas d’erreur de prédiction à partir d’un monde dans lequel il doit vivre. Le “contexte” disponible pour lui est tout ce qui se trouve dans la fenêtre de prompt. Il n’est jamais entré dans la pièce auparavant. Donc, lorsque nous prenons une décision qui dépend de savoir ce qui est normal ici, ce qui est venu avant et ce qui est en jeu, nous exécutons des prédictions contre une vie d’expérience liée – personnelle et de générations qui nous ont précédés. Le modèle fait correspondre des modèles à travers des bases de données de texte. Deux opérations très différentes, et aucune mise à l’échelle des fenêtres de contexte ne comble le fossé.

Connaître le nom n’est pas la même chose que connaître quelque chose

Cette sagesse vient du physicien prix Nobel Richard Feynman (ou de son père, pour être plus précis). Il croyait que simplement mémoriser des étiquettes ou des définitions ne signifie pas connaître le sujet. Une véritable compréhension vient de l’expérience et de la compréhension.

Charlie Munger, homme d’affaires et investisseur américain, a suggéré un terme pour un tel apprentissage de surface – “connaissance de chauffeur”. L’anecdote derrière cela concerne un chauffeur réel du physicien Max Planck, qui a entendu sa conférence sur la mécanique quantique si souvent qu’il l’a apprise par cœur. Il a ensuite offert de la présenter à la place de Planck à Munich, ce qu’il a fait avec succès. Mais lorsqu’il s’est agi de questions de la part du public, il n’a pas pu y répondre. Et c’est la différence entre une connaissance superficielle de “chauffeur” et une connaissance complète, acquise grâce à des années de travail et de lutte, de Planck.

Les grands modèles de langage d’aujourd’hui sont les chauffeurs les plus sophistiqués que nous ayons jamais construits. Ils peuvent réciter la mécanique quantique, résumer la philosophie, rédiger un contrat et faire rimer des mots. Mais quelque chose qui nécessite de l’expérience plutôt que la reconnaissance de modèles, comme savoir pourquoi une position de marque qui a fonctionné sur un marché échouera inévitablement sur le suivant, est unique aux humains et est ce qui détermine réellement les décisions.

Mais comprendre pourquoi une position de marque qui a fonctionné sur un marché échouera inévitablement sur le suivant ne peut pas être acquis par une simple reconnaissance de modèles. L’expérience est unique aux humains et est ce qui détermine réellement les décisions.

Cependant, la principale différence entre nous et l’IA, ce n’est pas le traitement des données, c’est la propriété

La capacité des personnes (ou au moins certaines d’entre elles) à prendre la responsabilité de leurs actes, à assumer les conséquences, la honte, à apprendre de leurs erreurs et à faire tout ce qui est possible pour que la situation ne se reproduise pas, et donc pour qu’elles ne ressentent pas l’agonie d’une autre erreur – c’est ce qui rend notre pensée et notre prise de décision si uniques par rapport à l’intelligence artificielle.

L’IA ne ressent pas de honte. Ni de culpabilité. Elle ne perd pas de sommeil à cause d’une décision qui s’est révélée mauvaise. Elle ne garde pas en mémoire un accord qu’elle a perdu, un recrutement qu’elle a défendu qui n’a pas fonctionné, une stratégie qu’elle a défendue dans une réunion du conseil d’administration qui a progressivement détruit de la valeur deux ans plus tard. Le modèle donne une réponse, la réponse s’avère mauvaise, et le modèle passe à la prochaine invite comme si rien ne s’était passé (car pour eux, riens’est passé). Il n’y a pas de coût interne à être faux, et il n’y a donc pas de pression pour être juste la prochaine fois – quelque chose qui pousse réellement les humains à évoluer et à s’améliorer.

Il y a dix ans, j’ai travaillé dans le capital-risque, en analysant des startups en démarrage, et nous avons examiné des accords de conduite autonome. Même à l’époque, les prototypes de taxi sans conducteur étaient statistiquement plus sûrs que les conducteurs humains. La technologie fonctionnait. Elle fonctionne encore en 2026. Alors pourquoi nos villes ne sont-elles pas encore inondées de voitures sans conducteur ? Parce que la responsabilité d’un véhicule autonome n’est pas suffisamment claire. Lorsqu’il y a un accident, le système juridique ne sait vraiment pas qui blâmer – la personne qui a appuyé sur l’interrupteur, le fabricant ou le développeur de logiciels. Jusqu’à ce que cette question ait une réponse, nous sommes bloqués. La technologie a devancé le cadre de responsabilité qui devrait l’absorber.

Comment ne pas perdre notre esprit (et notre emploi) à l’ère de l’IA

Bien que je croie vraiment que l’IA ne peut pas remplacer la pensée humaine, je peux également voir le schéma des gens qui succombent à la tentation d’obtenir un raccourci pour les résultats. Pour la première fois dans l’histoire, vous n’avez pas vraiment besoin d’un cerveau pour obtenir une réponse. Vous avez juste besoin de taper une question. Le frottement qui nous forçait à réfléchir a été supprimé, ce qui semble génial, jusqu’à ce que vous réalisiez que le frottement était le but. C’était la façon dont le cerveau se construisait à l’origine.

Et c’est là que la question de l’emploi revient également. L’IA ne remplacera pas les travailleurs de col blanc en tant que catégorie. Mais elle remplacera les personnes spécifiques qui ont externalisé toute leur pensée à elle. Si vous échangez votre jugement, votre contexte et votre propriété contre des réponses rapides à partir d’une fenêtre de chat, vous cessez d’être la personne qui apporte quelque chose à la table. À ce stade, votre employeur n’a plus vraiment besoin de vous. Il peut parler directement au modèle.

Donc, conserver votre emploi à l’ère de l’IA et conserver votre esprit à l’ère de l’IA se résument à la même question. Et ci-dessous sont quatre habitudes que vous devez adopter pour y parvenir.

L’IA devrait augmenter la curiosité

L’effet de l’IA sur votre cerveau dépend entièrement de la façon dont vous l’utilisez. Si vous êtes curieux et prêt à creuser, l’IA devient le meilleur compagnon d’apprentissage que quiconque ait jamais eu. Mieux que Wikipedia, mieux que n’importe quel livre, car il peut expliquer la même idée de cinq manières différentes jusqu’à ce que l’une d’elles fonctionne, et vous suivre dans n’importe quel terrier que vous voulez. Ou vous pouvez le solliciter pour vous aider à retenir l’information mieux – comme en pratiquant la répétition espacée jusqu’à ce que vous compreniez vraiment le concept.

Pour quelqu’un qui n’est pas curieux, l’IA fait l’inverse. Elle prend en charge la pensée qu’il était censé faire lui-même. Il obtient la sortie sans le travail, et le travail était le but. Au fil du temps, ce muscle atrophie. Après la révolution industrielle, lorsque les machines ont rendu le travail physique moins prévalent, nous avons construit des gymnases pour donner à nos corps ce dont ils avaient besoin pour les défier et les maintenir. Et c’est ce que nous aurons éventuellement besoin : des gymnases mentaux pour garder notre cerveau en forme.

En 2025, le MIT Media Lab a mené une étude dans laquelle 54 participants ont écrit des essais pendant quatre mois, divisés en trois groupes : ChatGPT, moteur de recherche et cerveau uniquement. Pendant qu’ils écrivaient, l’électroencéphalogramme suivait leur activité cérébrale. À la fin, le groupe ChatGPT a montré systématiquement la connectivité neurale la plus faible et a produit des essais que les enseignants ont décrits comme “sans âme”. Le groupe cerveau uniquement, en revanche, a présenté l’activité cérébrale la plus forte tout au long.

Mais la partie la plus révélatrice est venue lors de la dernière séance, lorsque les chercheurs ont échangé les groupes. Les personnes du groupe cerveau uniquement, une fois dotées de ChatGPT, ont surpassé tout le monde. Ils avaient construit le muscle de la pensée en premier et utilisé ensuite l’IA pour le compléter. L’autre groupe n’a pas pu rattraper son retard, car il avait sauté la partie où le muscle se construit.

Apprendre est un verbe, il ne peut donc pas être passif

Pour que l’apprentissage soit efficace, la théorie doit être combinée avec la pratique. Lire à propos d’une idée est une forme d’entrée ; faire quelque chose avec cette idée est une autre. Tapoter, répondre, appliquer, se tromper et essayer à nouveau – ces activités impliquent différentes parties de votre cerveau que la consommation passive, et elles vous gardent concentré sur le matériel.

Socrate était déjà sur cette piste il y a des milliers d’années : il ne donnait jamais simplement la réponse à ses étudiants, mais les forçait à la produire (souvent une mauvaise) en premier, et ne la corrigeait qu’ensuite. Et j’ai moi-même expérimenté les avantages de cette philosophie en tant que majeure en mathématiques : nous n’avions que la moitié des points pour mémoriser une théorie, tandis que l’autre moitié nécessitait de la prouver. Ce focus sur la compréhension fondamentale est ce qui nous a permis de mieux retenir et appliquer les concepts.

Enseigner un sujet amène vos connaissances à un niveau supérieur, en rendant plus difficile de tomber dans le piège psychologique appelé l’illusion de compétence, et en fournissant une meilleure compréhension du sujet. Lorsque vous devez expliquer une idée clairement et le faire à plusieurs reprises de plusieurs manières différentes, il n’y a pas de moyen pour que vous ne la compreniez pas et ne vous en souveniez pas vous-même. Richard Feynman a remarqué à juste titre : “Si vous ne pouvez pas l’expliquer simplement, vous ne le comprenez pas.”

Les chiffres le confirment. Dans les études de formation à la sécurité, les apprenants actifs ont retenu93,5% des informations par rapport à79% pour les apprenants passifs (Engageli, 2025). La pyramide d’apprentissage plus large de la Learning Pyramid des National Training Laboratories à Bethel, dans le Maine, montre le même schéma à chaque niveau :

Les données sans sources fiables sont des ragots

Oui, les gens devraient remettre en question les réponses qu’ils obtiennent de l’IA. Ils devraient demander des sources, et lorsqu’il n’y a pas de sources, ils devraient être sceptiques.

Mais il y a un problème plus important derrière tout cela, et c’est le fait que valider la sortie de l’IA devient de plus en plus difficile. Les modèles citent des sources qui n’existent pas, ils paraphrasent des sources réelles de manière à déformer le sens, ils mélangent des informations précises avec des informations inventées dans le même paragraphe, et il n’y a pas de moyen clair de savoir lesquelles sont lesquelles.

En outre, de plus en plus d’Internet est généré par l’IA lui-même, ce qui signifie que les modèles apprennent maintenant à partir des sorties d’autres modèles. Les sources humaines écrites à l’origine sont enterrées sous tout ce qui a été auto-généré par-dessus.

C’est pourquoi je pense que les connaissances fiables doivent encore provenir des humains. Si nous ne pouvons pas faire entièrement confiance au modèle, et que nous ne pouvons pas faire entièrement confiance aux sources derrière le modèle, alors l’expérience humaine est la seule chose à laquelle nous pouvons nous fier.

Comme Tony Robbins l’a dit un jour : “Si vous voulez réussir, trouvez quelqu’un qui a obtenu les résultats que vous voulez et copiez ce qu’il fait, et vous obtiendrez les mêmes résultats.” Une personne qui a réellement fait la chose qu’elle enseigne a traversé des années de travail, a payé pour ses erreurs et a construit ses connaissances avec des conséquences réelles attachées – c’est le type de source qui tient.

Sans contexte, les détails manquent

Une autre habitude qui aide lors de l’apprentissage avec l’IA est de résister à la tentation de sauter directement à votre question spécifique. La plupart des gens, lorsqu’ils veulent savoir quelque chose, tapent la question exacte et étroite dans un chatbot et prennent la réponse à sa valeur faciale. Le problème est qu’ils manquent l’arrière-plan dans lequel la réponse s’insère. Un morceau d’information spécifique détaché de son contexte est très facile à mal interpréter.

Je suis un geek de l’histoire, donc laissez-moi donner un exemple d’histoire. Le discours de Gettysburg est un court discours que Lincoln a prononcé en 1863, sur le site de l’une des batailles les plus sanglantes de la guerre de Sécession. Imaginez que vous deviez écrire un essai à ce sujet. Vous demandez à l’IA une analyse et obtenez une analyse claire du discours, de la structure et des dispositifs rhétoriques.

Mais pouvez-vous vraiment écrire cet essai sans savoir quoi que ce soit sur la guerre de Sécession elle-même ? Probablement pas. Vous ne comprendriez pas pourquoi cette bataille était importante, ou pourquoi un discours prononcé sur ce terrain avait tant de poids. Vous ne saisiriez pas que la guerre était passée de la préservation de l’Union à la fin de l’esclavage, et que le discours était la façon pour Lincoln de redéfinir ce pour quoi le pays se battait. Vous ne verriez pas la tension politique derrière presque chaque ligne, car pour vous, les lignes seraient juste de belles phrases sur un événement triste.

Sans le contexte de la guerre de Sécession, le discours ressemble à une brève oraison funèbre. Avec lui, vous lisez un tournant dans la façon dont une nation se comprenait elle-même. Et c’est le type de nuance que l’IA ne vous donnera que si vous savez déjà suffisamment pour la demander.

Le même principe s’applique à presque tout ce que vous pourriez utiliser l’IA pour. Commencez par le général. Obtenez l’image d’ensemble. Puis plongez dans les détails. Ils signifieront quelque chose une fois qu’ils auront un contexte pour atterrir.

En résumé : l’IA est un outil, et les outils ont besoin de mains

Chaque grand bond technologique dans l’histoire de l’humanité a déclenché la même panique. Les calculateurs allaient nous faire oublier les mathématiques. Internet allait nous faire oublier comment réfléchir. Les moteurs de recherche allaient tuer notre mémoire. Et pourtant, nous sommes toujours là, en train de calculer, de réfléchir, de nous souvenir, mais avec de meilleurs outils à portée de main.

L’IA est le suivant dans cette lignée, et probablement le plus puissant que nous ayons jamais construit. Elle peut écrire, résumer, analyser, rédiger, traduire, coder et le faire plus vite que n’importe lequel d’entre nous. Mais elle ne veut rien. Elle ne peut pas se soucier du résultat. Elle ne peut pas vivre avec les conséquences d’être faux. Ces parties du travail appartiennent encore à nous, et ce sont les parties qui définissent si le travail est bon à la fin de la journée.

Les personnes qui prospéreront dans la prochaine décennie seront celles qui resteront curieuses, celles qui continueront à poser de meilleures questions, et celles qui utiliseront l’IA pour apprendre plus rapidement et réfléchir plus profondément, au lieu de l’utiliser pour sauter la réflexion tout court. Ceux-là seront ceux qui apporteront quelque chose à la table que aucun modèle ne peut reproduire : jugement, contexte et volonté de prendre une décision.

Donc, non, l’IA ne vous remplacera pas ou ne vous fera pas perdre votre emploi. Mais la version de vous qui a arrêté de réfléchir pourrait. Et pensez plus profondément, au lieu d’utiliser cela pour sauter la réflexion tout court. Ceux-là seront ceux qui apporteront quelque chose à la table que aucun modèle ne peut reproduire : jugement, contexte et volonté de prendre une décision. Alors non, l’IA ne vous remplacera pas ou ne vous fera pas perdre votre emploi. Mais la version de vous qui a arrêté de réfléchir pourrait.