Lorsque l’IA nous rend plus rapides mais pas plus intelligents et ce que les dirigeants doivent faire à ce sujet

Pour beaucoup, l’IA offre une solution à une grande variété de défis commerciaux. Elle peut être un copilote de codage, améliorer l’automatisation des flux de travail et servir d’assistant d’analyse. Mais même si les organisations vont plus vite, elles pensent moins. Le véritable risque que pose l’IA n’est donc pas le remplacement des emplois, mais l’érosion des connaissances.

La recherche l’a déjà prouvé. L’École des affaires suisses (SBS Swiss Business School) a constaté que l’augmentation de la dépendance à l’égard de l’IA est liée à une diminution des capacités de pensée critique.

Cette érosion a des conséquences graves, car les compétences qui rendent le jugement humain précieux se dégradent à mesure que les équipes s’appuient sur la production de machines sans comprendre comment elle fonctionne. Un raisonnement affaibli, des hypothèses non contestées et une gouvernance de modèle dégradée ne sont pas synonymes d’efficacité de l’IA, mais plutôt de fragilité commerciale.

Le malentendu sur la compétence de l’IA

Les organisations célèbrent des sorties plus rapides comme preuve d’une adoption réussie de l’IA. Mais la vitesse est un indicateur trompeur. Ce que de nombreuses équipes appellent la compétence de l’IA est de plus en plus souvent confondu avec la fluidité des invites. Mais les travailleurs ont besoin de pouvoir faire confiance aux réponses qu’ils reçoivent.

Si une sortie sonne juste, de nombreuses personnes supposent qu’elle est correcte. Les vérifications de modèle sont oubliées et les hypothèses ne sont pas vérifiées. La main-d’œuvre commence alors à s’appuyer sur l’IA pour des conclusions qui nécessitaient auparavant un raisonnement.

Une étude de recherche de 2025 soutient ce modèle. Elle a constaté « une corrélation négative significative entre l’utilisation fréquente d’outils d’IA et les capacités de pensée critique, médiatisée par un déchargement cognitif accru ». Et les participants plus jeunes, qui sont les plus à l’aise avec les interfaces d’IA, ont présenté des scores de pensée critique plus faibles que les participants plus âgés.

Ce point est également soutenu par les constatations de The Economic Times, qui a constaté que la compétence fondamentale en IA ne provient pas de la maîtrise des invites. Elle provient des compétences humaines qui interprètent, remettent en question et contextualisent la production de la machine, et la compétence en IA provient de la pensée critique, du raisonnement analytique, de la résolution de problèmes créatifs et de l’intelligence émotionnelle. Sans celles-ci, les utilisateurs deviennent des consommateurs passifs de contenu d’IA plutôt que des décideurs actifs.

De manière inquiétante, ce déchargement cognitif a été observé au niveau neuronal. The Economic Times a rapporté une étude du MIT Media Lab et a constaté que les participants qui utilisaient fréquemment ChatGPT présentaient une rétention de mémoire réduite, des scores de performance plus faibles et une activité cérébrale diminuée lorsqu’ils tentaient de fonctionner sans l’aide de l’IA. Comme l’ont dit les chercheurs, « Cette commodité est venue avec un coût cognitif ». Les étudiants qui utilisaient l’IA ont obtenu de moins bons résultats « à tous les niveaux : neuronal, linguistique et notation ».

Ces résultats aident à clarifier ce que les raccourcis d’IA sapent. Ils affaiblissent les compétences cognitives dont les professionnels ont besoin tous les jours :

• Raisonnement analytique
• Test d’hypothèses
• Instincts de débogage
• Intuition de domaine

Cette recherche récente met enfin en lumière les inconvénients négligés de l’IA sur un plan humain. Et ce problème devient de plus en plus important dans les décisions à hauts enjeux, telles que les risques, la prévision et l’allocation des ressources, qui nécessitent toutes une compréhension contextuelle. Plus les gens comprennent mal la logique derrière la conception d’un modèle, plus la prise de décision devient incertaine.

Pourquoi les compétences humaines faibles dans la boucle de l’IA créent des risques au niveau de l’entreprise

La nouvelle division des compétences affaiblit la gouvernance

À mesure que l’adoption de l’IA se généralise, une division émerge au sein de nombreuses organisations. D’un côté, il y a les inspecteurs, qui peuvent remettre en question, contester, interpréter et affiner les sorties. De l’autre côté, il y a les opérateurs qui acceptent les résultats à leur valeur nominale et passent à autre chose.

Cette division compte beaucoup plus que la plupart des dirigeants ne le réalisent. La gouvernance dépend des équipes qui peuvent interroger les hypothèses d’un modèle, et non seulement les réponses. Lorsque moins de personnes comprennent comment fonctionne un système, de petits changements peuvent passer inaperçus, comme les premiers signes de dérive du modèle et les changements dans la qualité des données.

Lorsque les équipes acceptent les sorties de l’IA sans les remettre en question, les petites erreurs se propagent en aval et se cumulent rapidement. La dépendance à l’égard de l’IA devient un point de défaillance unique. Cela soulève la question de ce qui se passe lorsque une organisation externalise son jugement plus rapidement qu’elle ne construit sa compréhension ?

Cette faille de gouvernance bloque également l’innovation. Les équipes qui ne peuvent pas interroger l’IA ne peuvent pas affiner les invites ou reconnaître lorsqu’une idée est nouvelle et originale. L’innovation devient centralisée autour d’un pool d’experts de plus en plus restreint, ralentissant la capacité de l’organisation à s’adapter.

L’innovation stagne lorsque la curiosité humaine décline

L’IA peut accélérer et automatiser de nombreuses tâches, mais elle ne peut pas remplacer l’instinct humain de remettre en question et de dépasser les réponses évidentes. Pourtant, cet instinct humain inné s’estompe. On appelle cela la décadence de l’agent. Une progression en quatre étapes de la façon dont les humains déchargent leur réflexion sur les machines :

1. Expérimentation : par curiosité et commodité, les gens commencent à déléguer de petites tâches à l’IA. C’est stimulant et efficace.
2. Intégration : l’IA devient partie intégrante des tâches quotidiennes. Les gens ont encore des compétences sous-jacentes, mais se sentent quelque peu mal à l’aise de travailler avec de l’aide.
3. Dépendance : l’IA commence à prendre des décisions complexes. Les utilisateurs grandissent dans la complaisance et les capacités cognitives commencent à s’atrophier, souvent sans être remarquées.
4. Addiction : également connue sous le nom de cécité choisie. Les gens ne peuvent pas fonctionner efficacement sans l’IA, mais restent convaincus de leur autonomie.

Cette progression compte parce que l’IA érode la capacité de reconnaître quand nous manquons de connaissances et de penser à des solutions nouvelles à des problèmes nouveaux. Ces compétences de niveau supérieur nécessitent un exercice constant. Pourtant, la commodité de l’IA rend leur négligence sans effort.

Les organisations deviennent alors efficaces mais peu créatives. La recherche et le développement dépendent de la curiosité et du scepticisme humains, qui déclinent tous deux lorsque les sorties ne sont pas remises en question. Cette perte de curiosité et d’agent est un risque stratégique.

La perte de connaissances tacites rend l’organisation fragile

Dans les équipes saines et fonctionnelles, l’expertise s’écoule horizontalement à travers les connexions entre pairs et verticalement du senior au junior. Mais à mesure que les travailleurs relaient des questions à l’IA plutôt qu’aux humains, ces boucles de mentorat s’affaiblissent. Les juniors cessent d’apprendre et d’absorber les appels de jugement d’experts, et les seniors cessent progressivement de documenter les connaissances parce que l’IA remplit les lacunes routinières.

Au fil du temps, les connaissances essentielles se vident. Mais ce risque met du temps à se manifester, donc les entreprises semblent productives, mais leur fondement devient fragile. Lorsqu’un modèle échoue ou que des anomalies apparaissent, les équipes n’ont plus la profondeur de domaine pour réagir avec confiance.

Une étude de cas d’un cabinet d’expertise comptable publiée dans The Vicious Circles of Skill Erosion a constaté que la dépendance à long terme à l’égard de l’automatisation cognitive crée un déclin significatif de l’expertise humaine. À mesure que les travailleurs faisaient confiance aux fonctions automatisées, leur conscience de leurs activités, leur maintien des compétences et leur évaluation des sorties se sont tous affaiblis. Les chercheurs notent que cette érosion des compétences passe inaperçue des employés et des dirigeants, laissant les équipes non préparées lorsqu’un système échoue.

Ce que les dirigeants doivent faire pour restaurer la profondeur et se protéger contre la dépendance excessive

Les entreprises ne peuvent pas ralentir l’adoption de l’IA, mais elles peuvent renforcer le jugement humain de leurs employés, ce qui rend l’IA plus fiable. Cela commence par réévaluer la compétence de l’IA à travers l’organisation, car la fluidité des invites n’est pas la compétence. La véritable capacité inclut la compréhension du raisonnement d’un modèle et la connaissance de quand outrepasser la production de la machine.

Pour comprendre cela, les employés ont besoin d’une formation sur la façon dont le modèle simplifie le contexte, sur la façon dont la dérive se manifeste dans le travail quotidien et sur la différence entre une sortie qui sonne confiante et une sortie bien raisonnée.

• Quelle hypothèse ce modèle pose-t-il ?
• Qu’est-ce qui rendrait cette sortie incorrecte ?
• Est-ce que cela contredit quoi que ce soit que nous savons par expérience ?

Cette analyse critique prend seulement quelques minutes, mais elle contre la crise de déchargement cognitif, aidant à maintenir les employés et les sorties du modèle d’IA en contrôle.

La meilleure façon pour les entreprises de former leurs employés est sur des systèmes réels. Trop souvent, la formation se concentre sur des scénarios idéaux. Mais les entreprises n’ont pas ces scénarios ; elles ont des systèmes où les données sont incomplètes, le contexte est ambigu et le jugement humain compte.

Par exemple, si une entreprise de logistique avait formé son équipe de routage uniquement sur des ensembles de données propres où l’IA fonctionnait parfaitement, les travailleurs seraient vastement impréparés. Les conditions du monde réel, telles que les perturbations météorologiques, peuvent causer des modèles d’IA à produire des instructions incorrectes. Si les employés n’avaient jamais vu le système se comporter de manière incertaine, ils ne reconnaîtraient pas les premiers signes de dérive ou ne sauraient pas quand intervenir. Dans ce cas, le problème n’est pas le modèle, mais la formation inadéquate. Il est essentiel de former les employés sur l’IA qu’ils ont, y compris les scénarios de dérive, les sorties ambigües, les données partielles et les défaillances. C’est là que la capacité humaine est reconstruite.

Pour garantir que la formation est pratique, les dirigeants d’entreprise doivent mesurer la capacité humaine, et non seulement les résultats du système. Les organisations suivent généralement la précision du modèle ou les métriques d’économie, mais rarement les comportements qui indiquent une forte surveillance humaine. Les employés documentent-ils pourquoi ils font confiance à la sortie d’un modèle ? Éscaladent-ils des résultats inhabituels ? Ces actions observables montrent si le raisonnement se renforce ou s’effrite. Lorsque les dirigeants reconnaissent et récompensent les personnes qui améliorent les invites par un raisonnement approfondi ou soulèvent des doutes valables sur les sorties de l’IA, ils renforcent les habitudes qui rendent le déploiement de l’IA résilient.

L’IA continuera à accélérer. Cette partie n’est pas sujette à débat. La question est de savoir si les équipes conservent les compétences nécessaires pour remettre en question, corriger et rediriger l’IA lorsqu’elle dérape. C’est là que la différence se manifestera. Les organisations qui investissent dans le jugement humain maintenant seront celles qui tireront une valeur réelle de l’IA, et non une efficacité fragile. Tous les autres bâtissent sur le sable.