Une étude menée par Microsoft et l’université Carnegie Mellon en février 2025 sur 319 professionnels a révélé un paradoxe net : plus les travailleurs font confiance à l’IA générative, moins ils vérifient ses réponses. Seulement 60 % des participants contrôlaient les résultats générés. L’esprit critique face à l’intelligence artificielle n’a jamais été aussi peu exercé, et rarement aussi nécessaire.
Quelqu’un ouvre ChatGPT. Une question professionnelle, une réponse en dix secondes, un copier-coller dans le document. Pas de vérification, pas de recul, pas de question posée sur la source ou la logique du raisonnement. Ça arrive plusieurs fois par semaine. Et pourtant, ce professionnel pense utiliser l’IA de façon efficace.
Ce n’est pas l’outil qui pose problème ici. C’est la vitesse à laquelle on arrête de penser par soi-même. L’IA ne rend pas les gens paresseux. Elle rend l’abandon du questionnement tellement fluide, tellement indolore, qu’on ne le remarque pas. Le glissement est graduel. Un jour, on vérifie chaque réponse. Six mois plus tard, on valide sans lire.
Comment l’esprit critique se délite sans qu’on s’en aperçoive
L’intelligence artificielle générative ne prend pas de décisions à notre place. Elle fait quelque chose de plus discret : elle oriente. Elle suggère, classe, priorise, reformule. Et elle le fait sans jamais signaler qu’elle le fait.
Prenons Waze. À force de suivre l’application, on perd la capacité de s’orienter seul dans une ville pourtant familière. On n’a plus de carte mentale. On ne sait plus si tel quartier est au nord ou au sud. On attend la prochaine instruction. L’application n’a rien imposé. Elle a juste rendu la navigation autonome inutile, jour après jour, trajet après trajet.
Le même mécanisme s’applique à des capacités bien plus stratégiques avec l’IA générative. Quand un outil répond mieux et plus vite que notre propre réflexion, le réflexe de chercher par soi-même s’atrophie. C’est la dépendance aux algorithmes à l’état pur : non pas une addiction consciente, mais une délégation progressive des facultés cognitives qu’on ne remarque que lorsqu’il est trop tard pour les solliciter seul.
La pensée critique, au sens de la capacité à interroger une information, à repérer ses lacunes, à remettre en question une conclusion, se retrouve court-circuitée sans que l’utilisateur ait jamais décidé de l’abandonner.
Le piège de l’objectivité apparente des réponses générées
Une réponse fluide et bien structurée semble naturellement plus fiable qu’une réponse hésitante ou brouillonne. Ce biais cognitif est ancien. On lui fait confiance instinctivement. L’IA en profite sans le savoir.
Les modèles de langage produisent des textes assurés quelle que soit la qualité réelle de leur contenu. Ils n’ont pas de doutes. Ils ne disent pas « je ne suis pas sûr de cette date » ou « cette information mérite vérification ». Ils affirment, avec le même ton calme et la même fluidité, une synthèse exacte et une information entièrement inventée.
C’est le phénomène qu’on appelle hallucination. Un modèle peut citer une étude qui n’existe pas, attribuer une citation à une personne qui ne l’a jamais prononcée, dater un événement de façon erronée. Tout cela avec le même registre stylistique que le reste de la réponse. Rien ne signal l’erreur. Aucune hésitation, aucune formulation prudente, aucune mise en garde.
Les systèmes héritent aussi des biais de leurs données d’entraînement. Si un corpus de textes surreprésente certaines opinions, certains profils, certaines visions du monde, le modèle le reproduit. Sans le dire. Sans même que ses concepteurs puissent l’anticiper entièrement. Les biais algorithmiques ne sont pas des dysfonctionnements. Ce sont les traces de la façon dont les données humaines ont été produites.
L’esprit critique commence là : par reconnaître que la forme lisse d’une réponse ne dit rien de sa solidité réelle.
Ce que dit la recherche sur l’esprit critique face à l’intelligence artificielle
L’étude publiée par Microsoft Research et Carnegie Mellon University en février 2025 est la plus directe sur ce sujet. 319 professionnels utilisant l’IA au moins une fois par semaine ont été interrogés sur leurs pratiques réelles. Le résultat est clair : plus la confiance dans l’outil est élevée, moins l’effort de vérification est important. Moins de recul, moins de questionnement, moins de comparaison avec d’autres sources.
Seulement 60 % des participants contrôlaient les résultats générés. Chez les plus confiants envers l’IA, ce taux chute encore. La corrélation est directe. Ce n’est pas l’outil qui est en cause. C’est la confiance qu’on lui accorde, sans la questionner.
L’étude identifie trois glissements dans la façon dont les professionnels utilisent leur pensée critique avec l’IA. D’abord, ils passent de la collecte d’informations à la vérification : l’IA réunit, l’humain doit désormais contrôler. Ensuite, ils passent de la résolution de problèmes à l’intégration des réponses : l’IA propose, l’humain ajuste le ton et le contexte. Enfin, ils passent de l’exécution directe à la supervision : l’IA produit, l’humain valide. Chacun de ces glissements réduit la part de pensée autonome dans le travail quotidien.
Le rapport Future of Jobs 2025 du Forum Économique Mondial complète ce tableau. La pensée analytique reste la première compétence citée par les employeurs sur 1 000 organisations interrogées. L’esprit critique figure parmi les compétences les plus stratégiques à l’horizon 2030. Ce qui monte en valeur dans un marché du travail saturé par l’automatisation, c’est précisément ce que l’automatisation ne peut pas reproduire : la capacité à douter, à contextualiser, à décider avec discernement.
Les enjeux concrets dans le travail et la vie citoyenne
Les conséquences de ce recul de l’autonomie cognitive ne sont pas abstraites. Elles s’observent dans des situations professionnelles précises.
Un analyste financier qui reçoit une synthèse générée et la transmet sans vérifier les chiffres sources. Un recruteur qui s’appuie sur un outil de tri de CV sans questionner les critères que cet outil applique, reproduisant ainsi des biais qu’il n’a jamais choisi. Une équipe marketing qui produit du contenu à grande vitesse, mais dont tous les textes se ressemblent parce qu’ils convergent vers les mêmes formulations générées par le même modèle. Les chercheurs de Carnegie Mellon ont nommé ce phénomène « convergence mécanisée » : à force d’utiliser les mêmes outils avec les mêmes prompts, les professionnels produisent des résultats de moins en moins différenciés.
Les compétences numériques ne suffisent pas à éviter ce piège. Savoir utiliser un outil ne signifie pas savoir en évaluer les limites.
L’enjeu citoyen est tout aussi réel. Se forger une opinion sur un sujet politique, comprendre un enjeu social, s’informer sur un événement complexe : tout cela demande de dépasser la simple consommation de contenus suggérés. Un flux algorithmique ne présente jamais une information neutre. Il la sélectionne, la recoupe avec ce qu’on a déjà lu, renforce ce qu’on pense déjà. L’autonomie cognitive commence par le refus de laisser un algorithme décider de ce qu’on juge pertinent.
Pour aller plus loin
La table ronde organisée par le Centre québécois d’éducation aux médias et à l’information (CQÉMI) rassemble journalistes et éducateurs autour d’une question que cet article pose différemment mais qui rejoint le même terrain :
« L’esprit critique à l’heure de l’intelligence artificielle »
Douter sans rejeter : les réflexes concrets à adopter
La bonne posture n’est ni la méfiance systématique ni la confiance aveugle. Les deux extrêmes coûtent du temps et de la pertinence. Ce qui change la donne, c’est un ensemble de réflexes que l’on peut apprendre, pratiquer et transmettre.
Le premier : croiser toute information chiffrée ou factuelle générée avec une source primaire, même brièvement. Pas pour vérifier chaque phrase, mais pour valider ce qui compte vraiment dans la réponse.
Le deuxième : reformuler soi-même une synthèse avant de la valider. Pas la copier, la réécrire. Ce geste simple force à comprendre ce qu’on transmet plutôt que de relayer mécaniquement une formulation qu’on n’a pas produite.
Le troisième : identifier les présupposés d’une recommandation avant de l’appliquer. Pourquoi l’IA propose-t-elle cette option et pas une autre ? Sur quelle base ? Quelles alternatives n’a-t-elle pas mentionnées ? La question n’est pas posée pour rejeter la réponse. Elle est posée pour comprendre son périmètre.
Ces habitudes s’apprennent. Elles peuvent être formalisées dans des formations en entreprise, intégrées à des protocoles de travail, introduites dans les cursus scolaires. L’enjeu n’est pas de rendre les gens méfiants. C’est de leur donner les moyens de rester auteurs de leurs jugements, même quand un outil très performant leur souffle une réponse convaincante.
Ce qui reste à construire, c’est une culture professionnelle où vérifier n’est pas perçu comme de la lenteur, mais comme de la rigueur.
Et vous : dans votre quotidien professionnel, quelle est la dernière réponse générée par l’IA que vous avez transmise sans la questionner ?
Le jour où j’ai réalisé que je déléguais sans le voir
Je travaille en marketing digital depuis plusieurs années. Stratégie de contenu, acquisition, social media, emailing, analytics : l’IA est entrée dans mon quotidien par toutes les portes en même temps. Rédaction de briefs, génération de copy, analyse de résultats, recommandations de positionnement. Un outil pour chaque étape, ou presque.
Il y a quelques mois, j’ai relu une série de posts que j’avais produits pour un client sur trois semaines. En les comparant les uns aux autres, j’ai vu quelque chose que je n’avais pas remarqué sur le moment : ils se ressemblaient trop. Même structure de phrase, mêmes tournures, même façon d’ouvrir et de fermer. La voix du client avait disparu. Remplacée par la voix du modèle, que j’avais validée sans la questionner parce que le résultat semblait propre.
Ce n’était pas un problème de qualité au sens technique. C’était un problème d’identité. Le contenu ne ressemblait plus à la marque. Il ressemblait à du contenu généré.
Depuis, j’ai changé une chose : je ne valide plus un livrable sans l’avoir relu à voix haute. Si ça sonne trop lisse, trop régulier, trop sans aspérités, c’est un signal. Je reprends, je réécris, j’injecte quelque chose qui vient de moi ou du client. Pas pour rejeter l’outil. Pour que le résultat reste défendable, et qu’il soit vraiment signé.
La limite que je n’ai pas résolue : sur les sujets techniques que je maîtrise moins, SEO avancé ou analytics comportemental, je fais encore trop confiance aux synthèses générées. Je sais que c’est là que le risque est le plus élevé. Travailler dessus.
Et vous : dans votre domaine, est-ce qu’il y a des livrables que vous transmettez sans les avoir vraiment lus, parce que l’IA les a rendus suffisamment convaincants pour ne pas douter ?
