Il y a quelques semaines, je rédigeais un bilan client. Je suis trader média en agence de publicité. C’est un exercice courant. Pourtant, je me suis surpris à ouvrir l’IA et effort cognitif de mon outil de travail avant même d’avoir réfléchi au problème moi-même. Est-ce que je venais de gagner du temps ? Ou de perdre un réflexe ? De cette question est née la problématique de mon mémoire de MBA.

Comment l’intelligence artificielle générative redéfinit-elle les mécanismes de l’effort cognitif dans l’éducation ? Cet article en présente trois axes essentiels. Ce sont, selon moi, des questions urgentes à partager.

IA et effort cognitif : l’effort ne disparaît pas, il se déplace

La réaction instinctive face à l’IA dans l’éducation, c’est souvent la panique. Les enseignants s’inquiètent de la triche. Les institutions interdisent ChatGPT. Les études s’alarment d’un cerveau qui s’atrophie. Je comprends ces craintes. Mais elles posent la mauvaise question.

L’IA ne supprime pas l’effort cognitif. Elle le redistribue. Elle déplace la charge de la production vers le jugement. Autrement dit, de la rédaction brute vers la capacité à évaluer, questionner, structurer, choisir. Ce n’est pas une régression. C’est une transformation. Ainsi, toute la question est de savoir si nos systèmes éducatifs sont équipés pour accompagner cette bascule. Spoiler : ils ne le sont pas encore. Surtout en France.

Ce que l’IA fait vraiment à notre cerveau

Le premier axe de mon mémoire s’ancre dans les neurosciences. Stanislas Dehaene, dans Apprendre !, montre que l’apprentissage efficace repose sur quatre piliers : l’attention, l’engagement actif, le retour d’erreur et la consolidation. Or l’IA générative court-circuite deux d’entre eux. Elle fournit une réponse avant que le cerveau ait eu le temps de tâtonner. Résultat : pas d’engagement actif, pas de retour d’erreur.

Nicholas Carr avait posé les bases dans The Shallows en 2010. Il montrait comment internet modifiait notre capacité d’attention profonde. Avec l’IA générative, on passe à l’étape suivante. Ce n’est plus seulement l’attention qui est affectée. C’est le processus de construction du raisonnement lui-même.

Daniel Kahneman éclaire ici avec sa distinction entre Système 1 (pensée rapide, intuitive) et Système 2 (pensée lente, analytique). L’IA agit comme un turbo du Système 1. Elle produit vite et sans effort apparent. Le risque : que les étudiants n’activent plus jamais leur Système 2. Le bénéfice potentiel : qu’ils l’activent à un niveau supérieur. Tout dépend de comment on utilise l’outil.

IA et effort cognitif : l’épreuve des faits chez les étudiants

Mon deuxième axe confronte la théorie à la réalité. Les données sont ambivalentes. Une étude de la Harvard Business School (Dell’Acqua et al., 2023) sur des consultants est éclairante. Les travailleurs qui utilisaient l’IA dans leur zone de compétence progressaient. Ceux qui l’utilisaient en dehors régressaient. Sans s’en rendre compte. L’IA amplifie ce qu’on est déjà, en bien comme en mal.

Par ailleurs, une publication du MIT (2025) sur l’activité cérébrale des travailleurs du savoir montre une réduction mesurable dans les zones associées à la pensée critique chez les utilisateurs intensifs d’IA. Mais seulement quand l’usage est passif. Quand l’IA est utilisée de façon active et critique, l’effet s’inverse.

En France, le constat est sévère. Les méthodes d’évaluation n’ont quasiment pas évolué depuis des décennies. On note encore la capacité à restituer, reformuler, produire. Ce sont exactement les tâches que l’IA fait mieux que n’importe quel étudiant. Le système évalue précisément ce qu’il aurait dû cesser d’évaluer seul. En outre, comme le soulignent l’OCDE et l’UNESCO, les institutions doivent repenser en profondeur ce qu’elles cherchent à évaluer.

Penser avec l’IA plutôt que malgré elle : la promesse concrète

Le troisième axe est prospectif. C’est celui qui me tient le plus à cœur. La vraie question n’est pas comment protéger les étudiants de l’IA. C’est comment les former à penser avec elle.

Ce modèle existe déjà en creux dans certaines pratiques innovantes. Il s’agit de déplacer l’évaluation vers des compétences que l’IA ne peut pas encore reproduire. Le jugement critique, par exemple. Ou la capacité à détecter une hallucination. L’argumentation orale. La créativité de haut niveau. Ainsi, l’OCDE et l’UNESCO convergent : il ne s’agit pas d’interdire l’IA en classe. Il s’agit de redéfinir ce qu’on cherche à développer chez un apprenant.

Mon mémoire propose un cadre en trois niveaux. Premièrement, comprendre ce que l’IA fait au cerveau. Deuxièmement, mesurer ce qui se passe dans les usages étudiants. Troisièmement, construire un modèle pédagogique qui forme à la pensée critique augmentée — pas à la production assistée.

L’IA ne rend pas les étudiants plus bêtes. Mais un système éducatif qui n’évolue pas face à l’IA risque de les rendre moins capables de penser par eux-mêmes. Ce matin où j’ai ouvert mon outil d’IA avant même d’avoir réfléchi — c’était peut-être un signal d’alarme. Ou le début d’une nouvelle façon de travailler. La différence entre les deux, c’est précisément ce que l’école de demain devra enseigner.

Pour aller plus loin, je vous invite aussi à lire mon article sur Yann LeCun et mon article sur l’AI washing et l’emploi, qui complètent cette réflexion.

Cet article est tiré de mon mémoire de MBA Digital Marketing & Business (majeure IA & Data) à l’EFAP, en cours de rédaction. N’hésitez pas à me contacter si vous souhaitez contribuer ou échanger.

Sources : Dehaene (2018) · Carr (2010) · Kahneman (2012) · Dell’Acqua et al. HBS (2023) · MIT (2025) · OCDE (2024) · UNESCO (2023)

Consultez ma note méthodologique détaillée sur l’usage de l’IA pour cet article : https://blog.mbadmb.com/note-methodologique-ia-effort-cognitif/