Dr. Tristan MONTAGNON
Introduction
Quand on imagine les dangers de l’IA, les scénarios qui viennent spontanément à l’esprit sont spectaculaires : une intelligence artificielle qui échappe à tout contrôle, des systèmes de reconnaissance faciale qui érodent l’anonymat, des deepfakes qui brouillent notre rapport au réel. Ces risques sont sérieux et documentés. Mais ils ont l’avantage d’être visibles, débattables, politiquement saisissables. Il existe un autre type de risque, plus discret, plus personnel, peut-être plus immédiat, que les modèles génératifs de langage d’aujourd’hui font peser sur notre façon de penser. Ce risque, la recherche le documente depuis quinze ans, d’abord sur les moteurs de recherche, désormais sur les modèles génératifs de langage, ou LLM. Le documentaire La fabrique à idiots de Micode [1] l’a récemment porté au grand public sous un nom qui résume bien l’enjeu : la dette cognitive.
La dette cognitive
Quand on délègue une tâche mentale à un outil comme chercher une information, rédiger un texte, déboguer du code, on économise un effort. C’est précisément l’attrait de ces outils. Mais l’apprentissage, lui, se construit dans cet effort. Déléguer trop tôt, trop souvent, c’est potentiellement s’appauvrir sans s’en rendre compte. C’est l’idée derrière la dette cognitive : un emprunt sur nos capacités futures, contracté en échange d’une gratification immédiate.
Le concept vient à l’origine de la neurologie clinique, des travaux sur la maladie d’Alzheimer. Il désigne des processus qui ne stimulent pas le développement cognitif et peuvent à terme appauvrir nos réserves mentales. Pour comprendre pourquoi, il faut revenir à la mécanique de base de l’apprentissage. L’hypothèse est la suivante : un apprentissage durable suppose un effort actif d’encodage et de récupération, ce dialogue entre mémoire et raisonnement que les neurosciences situent entre l’hippocampe et le cortex préfrontal. Déléguer systématiquement cet effort à un LLM reviendrait à priver ce circuit de l’entraînement dont il dépend, et les études comportementales récentes viennent étayer cette hypothèse.
Ce n’est pas une intuition nouvelle. Le Google effect démontré dès 2011 [2] montrait déjà que la disponibilité permanente d’un moteur de recherche modifie notre rapport à la mémorisation, pour cause que l’on retenait davantage l’endroit où retrouver les fait (avec une recherche Google) que les faits eux-mêmes. Avec les LLM, le phénomène prend une autre dimension, avec le raisonnement en plus de la mémoire qui est externalisé. Une étude du MIT [3] a suivi 54 participants sur quatre mois, mesurant leur activité cérébrale par EEG (électroencéphalogramme) selon qu’ils rédigeaient avec un LLM, un moteur de recherche, ou sans outil. Résultat, le groupe LLM présente la connectivité cérébrale la plus faible, les scores linguistiques les plus bas, et peine à reformuler son propre travail peu après l’avoir produit. Sur quatre mois, l’écart se creuse. À noter que ce travail est un preprint, pas encore soumis à peer review. Les auteurs eux-mêmes invitent à la prudence. Mais la cohérence avec d’autres travaux indépendants rend la direction des résultats difficile à ignorer. Michael Gerlich début 2025 [4] associe indépendamment un usage fréquent de l’IA à des capacités de pensée critique plus faibles, et son analyse de médiation pointe vers le déchargement cognitif comme mécanisme explicatif.
Le cas du développement assisté par IA
C’est sur le code que le phénomène est aujourd’hui le mieux documenté, sans doute parce que c’est mesurable et que l’adoption des outils IA y est massive. Anthropic, qui développe les modèles de la gamme Claude, a publié en février 2026 une étude randomisée contrôlée [5] sur 52 ingénieurs juniors apprenant une librairie Python inconnue. Les conclusions présentent sans ambiguïté que les participants assistés par IA scorent en moyenne 17 % moins bien sur les tests de compréhension que ceux qui ont codé sans assistance, sans grande accélération de complétion des tâches. Cependant, en analysant d’un peu plus près les résultats, les participants qui posaient des questions conceptuelles à l’IA tout en codant eux-mêmes scoraient au-dessus de 65 %. Ceux qui déléguaient la génération de code en entier tombaient sous 40 %. Cette comparaison confirme que l’outil n’est pas forcément le problème direct, mais que la variable discriminante est en fait le mode d’interaction avec l’IA.
Ce danger est encore plus exacerbé sur les profils juniors, avec un enjeu plus systémique derrière. Selon une enquête Fastly [6] menée auprès de 791 développeurs, 32 % des seniors déclarent que plus de la moitié du code qu’ils livrent est généré par IA, contre 13 % seulement chez les juniors. Près de 2,5 fois plus. Mais les seniors sont aussi ceux qui modifient, corrigent, et évaluent ce que l’IA produit, parce qu’ils ont la confiance et l’expertise pour le faire. Les juniors, eux, disposent rarement du recul nécessaire pour évaluer ce que l’outil produit. L’interprétation la plus probable est qu’ils acceptent davantage les sorties telles quelles, faute de pouvoir les critiquer. La question ouverte donc, c’est ce qui arrive à une génération de développeurs qui n’aurait jamais traversé le cycle d’apprentissage nécessaire pour développer ces compétences.
Cette question prend une dimension nouvelle au regard de ce que les outils permettent aujourd’hui. Les études citées ci-dessus ont été conduites à une époque où l’IA assistait les développeurs. Les outils comme Cursor, Claude Code ou Codex en tant qu’agents de code autonomes commencent à remplacer des workflows entiers. Le risque, c’est de ne plus apprendre du tout sur certains pans entiers du métier, en déléguant des chaînes entières à l’IA, avec une illusion de la maîtrise qui se perdrait parmi l’entièreté des collaborateurs de l’entreprise.
Comment limiter la dette cognitive ?
Les études précédentes posent une tension réelle pour quiconque travaille avec ces outils professionnellement, et je ne fais pas exception. J’utilise l’IA au quotidien, comme assistant de recherche, de code, d’exploration d’idées. Le gain de temps est réel, pas la peine de le minimiser. Mais il reste cependant un constat clair : les phases d’apprentissage ne sont pas court-circuitables. Il faut parfois accepter d’aller moins vite sur certaines tâches, surtout quand on acquiert une compétence nouvelle. L’IA peut alors se positionner comme tuteur plutôt que comme exécutant. Une étude conduite à Harvard en 2025 [7] sur un assistant pédagogique pour la physique, montre des résultats supérieurs à un cours classique, à condition d’être supervisé par des professeurs experts, avec une intention pédagogique claire et un encadrement rigoureux. L’IA, avec une contrainte sur un objectif d’apprentissage explicite, peut booster l’acquisition de compétences.
Au sein du centre de recherche de Talan, nous traitons concrètement cette problématique. Le projet ALwAI montre comment utiliser les LLM pour recommander des formations adaptées au niveau et aux objectifs d’un collaborateur, et évaluer sa progression de manière dynamique. L’objectif est de personnaliser directement le chemin et de mesurer ce qui a réellement été acquis, afin de mettre l’IA au service du cycle d’apprentissage pour éviter de le contourner.
Ce qui vaut pour un individu en formation vaut aussi pour un collectif. Au sein d’une organisation, une vision court terme pousse à obtenir des gains de productivité immédiats, une livraison plus rapide, et une optimisation des ressources, en utilisant l’IA sans méthode précise. D’autres projets du centre comme START, qui vise à optimiser la délégation de tâches à des agents IA, appellent ainsi à une grande prudence dans leur conception et leur déploiement. Sur le long terme, on aurait des collaborateurs qui orchestrent des bancs d’agents IA sans comprendre ce qu’ils produisent, un contrôle réduit sur les systèmes déployés, et finalement une perte progressive du savoir-faire interne. Une stratégie de déploiement et d’utilisation de l’IA, adaptable en fonction de la sortie des nouveaux systèmes toujours plus performants, avec l’ensemble des collaborateurs formés en continu, permettrait déjà de garder des équipes capables de garder leur montée en compétences et limiter la dette à l’échelle de l’entreprise.
Conclusion
La dette cognitive replace la responsabilité sur nos choix d’usage. À l’échelle individuelle, elle interroge notre capacité à apprendre et à conserver les compétences que nous déléguons. À l’échelle des organisations, elle pousse à se questionner sur l’apport de gains que peut apporter l’IA sur le long terme, tout en se questionnant sur l’affaiblissement possible des savoir-faire qui permettent de les exploiter. L’enjeu de son implémentation en entreprise consiste à s’assurer qu’elle ne s’accompagne pas d’une diminution silencieuse de notre autonomie intellectuelle.
Références
[1] Micode. « La fabrique à idiots. » Documentaire, 2026.
[2] Sparrow et al. « Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips. » Science, 2011.
[3] Kosmyna et al. « Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. » arXiv, 2025.
[4] Gerlich. « AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. » Societies, 2025.
[5] Shen et al. « How AI impacts skill formation. » arXiv, 2026.
[6] Lehtinen-Vela. « Vibe Shift? Senior developers ship nearly 2.5x more AI code than their junior counterparts. » Fastly Blog, 2025.
[7] Kestin et al. « AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. » Scientific Reports, 2025.