« Les mouches aussi peuvent avoir le moral à zéro ? » « Quelle est la différence entre hiberner et dormir ? » Avec l’IA, une question en appelle une autre. Des animaux, on passe au sommeil, puis à sa propre vie. Relier des choses qu’on ignorait encore est un vrai plaisir.
Mais après avoir quitté la conversation, les mots peuvent manquer quand on veut expliquer ce qu’on a appris à quelqu’un. Il ne reste parfois que cette impression : « Tout est lié. » Entre une conversation qui se déroule sans accroc et la capacité de réfléchir par soi-même, il y a encore un pas à franchir.
Pour le franchir, essayons de faire de nos échanges avec l’IA un moment où l’on met ses propres explications à l’épreuve, plutôt que de simplement en recevoir. On peut garder le plaisir d’élargir ses questions tout en prenant le temps de vérifier les réponses.
Un modèle utile permet de comprendre ce qui se passerait dans une autre situation
Le mot « modèle » ne désigne pas forcément une formule mathématique compliquée. Il peut s’agir d’un schéma simple pour se dire : « Dans ces conditions, voilà ce qui pourrait se produire. » L’essentiel est de pouvoir expliquer ce qui changerait si les conditions changeaient ; lui donner un nom convaincant vient après.
Supposons qu’on se dise : « On ne répond pas à mon e-mail parce qu’il est trop long. » Cette explication conduit à une prédiction : « Si je me limite à une seule demande, il sera peut-être plus facile d’y répondre. » Mais si la personne est en vacances, raccourcir le message ne suffira probablement pas à obtenir une réponse.
Dans cet exemple, on a pu mettre côte à côte une hypothèse sur la longueur du message et une autre possibilité, celle des vacances. On voit aussi mieux dans quelles limites notre explication tient. Avant de conclure « On ne me répond pas parce qu’on ne m’aime pas », on dispose de davantage de conditions à vérifier.
Bien sûr, obtenir une réponse à un seul e-mail plus court ne suffit pas à établir la cause. La personne a peut-être tout simplement eu un moment de libre. Un modèle sert de point de départ pour réfléchir et se révise à la lumière des résultats.
Plus un rapprochement est séduisant, plus il faut distinguer les faits des métaphores
Regrouper les réactions des animaux au stress, l’hibernation et les baisses de moral en hiver sous l’expression « mode basse consommation » peut donner l’impression d’y voir plus clair. C’est le genre de rapprochement qui rend une conversation passionnante, mais qui favorise aussi les conclusions trop rapides.
Des recherches sur les mouches ont notamment rapporté une diminution des tentatives de grimper après des épisodes de stress répétés.[1] Cela ne permet pas d’affirmer que les mouches se dévalorisent comme le font les humains. Il faut distinguer les comportements mesurés de l’expérience subjective, à laquelle seul l’individu a accès.
La dépression saisonnière mérite, elle aussi, une vérification distincte. Le NIMH la décrit comme une dépression qui revient selon un rythme saisonnier.[2] La métaphore d’une « légère hibernation humaine » peut venir à l’esprit, mais elle n’établit pas à elle seule l’existence d’un mécanisme commun. Si l’état de santé perturbe la vie quotidienne, mieux vaut consulter un professionnel de santé que s’en tenir à une métaphore.
On peut demander à l’IA : « Dans ton explication, distingue les faits observés dans les recherches, les hypothèses qu’on en tire et les métaphores utilisées pour comprendre. Quels rapprochements demandent des preuves supplémentaires ? » Ce classement reste toutefois une réponse produite par l’IA : les points importants doivent être vérifiés dans les documents d’origine.
Réussir avec l’IA ne garantit pas qu’on saura réussir seul
Une expérience menée en mathématiques dans un lycée turc a montré que les performances pendant les exercices avec l’IA pouvaient différer des acquis mesurés ensuite sans elle.[3] Ces résultats se limitent à des cours de mathématiques dans un seul lycée turc, avec des outils d’IA conçus selon des modalités précises. Ils ne permettent pas de conclure que tout usage de l’IA nuit à l’apprentissage.
Ils peuvent néanmoins nous aider à examiner notre manière de l’utiliser. Après avoir lu et compris les étapes d’un calcul, saurait-on résoudre seul un exercice dont les nombres ont changé ? Après avoir fait améliorer un texte explicatif, saurait-on dire pourquoi les idées ont été présentées dans cet ordre ?
Les jours où l’on veut parvenir rapidement à une réponse aboutie, demander une solution complète peut être utile. Si l’objectif est de s’entraîner, on peut plutôt dire : « Ne donne pas encore la réponse. Indique-moi seulement un point à vérifier dans le raisonnement que j’ai commencé. » À chaque jour son objectif, et à chaque objectif son usage.
Cinq questions pour approfondir la conversation
- « Voici ce que je pense. Quelle hypothèse de départ faudrait-il vérifier ? » Commencez par écrire votre prédiction en une phrase. Le but est de voir ce qui aura changé entre le début et la fin de l’échange, pas de deviner la bonne réponse. Si aucune prédiction ne vous vient, partez de l’explication d’un terme ou d’un petit exemple.
- « Concrètement, que désigne ce mot ? » Au lieu d’en rester à « intelligent », « stress » ou « efficace », demandez de quels comportements ou de quelles mesures il est question. Pour les mouches, commencez par identifier les comportements observés, puis envisagez la comparaison avec l’humeur humaine.
- « Dans quel cas cette explication ne fonctionnerait-elle pas ? » Cherchez les conditions dans lesquelles l’explication échoue, comme les situations où un e-mail plus court resterait sans réponse. Les contre-exemples proposés par l’IA peuvent aussi être erronés : l’apparition d’une objection ne clôt donc pas la discussion.
- « Quelle source d’origine permet de vérifier l’affirmation sur laquelle je m’appuie pour décider ? » Demandez les auteurs, le titre, l’URL et le passage qui étaye l’affirmation. Ouvrez réellement la source et lisez ce qui concerne la population ou l’objet étudié, la méthode et les résultats. Un article scientifique peut exister sans pour autant appuyer ce qui a été affirmé dans la conversation. Si vous ne pouvez pas vérifier, laissez la question en suspens.
- « Qu’ai-je oublié en l’expliquant sans regarder l’écran ? » Fermez un moment la conversation et donnez une courte explication avec vos propres mots. Comparez-la ensuite aux sources pour corriger les oublis et les erreurs. Demandez à l’IA de signaler les points à vérifier, sans lui confier à elle seule le jugement sur votre réponse.
Ces cinq questions ne sont pas un rituel à suivre rigoureusement à chaque échange. Une conversation qui se termine sur « Tiens, c’est intéressant ! » a aussi de la valeur. Réservez ce petit effort supplémentaire aux sujets que vous voulez retenir ou aux explications sur lesquelles vous comptez vous appuyer pour décider.
Après la conversation, un petit tour de vérification
Des expériences utilisant des textes scientifiques ont étudié les effets sur l’apprentissage d’un entraînement consistant à se rappeler les connaissances pour les expliquer.[4] La répartition du temps proposée ci-dessous n’a toutefois pas été validée par cette recherche. Il s’agit simplement d’un exemple à essayer les jours chargés.
- 3 minutes : noter une question qui vous intéresse et votre prédiction
- 5 minutes : discuter avec l’IA et approfondir un terme ou un contre-exemple
- 3 minutes : fermer la conversation, écrire une explication et ce qui reste à éclaircir
- 4 minutes : vérifier les points essentiels dans les sources d’origine et apporter les corrections nécessaires
Si les quinze minutes ne suffisent pas à examiner l’article scientifique, notez « À vérifier ». Pour avancer, il est plus utile de garder en vue ce qui reste incertain que de produire une conclusion bien ficelée dans le temps imparti. Vous pouvez aussi essayer de redonner votre explication le lendemain, sans regarder l’écran.
Pour appliquer cette démarche au travail, choisissez un petit changement facile à mettre en place, comme dans l’exemple de l’e-mail. Limitez-vous à une demande, précisez la réponse attendue ou indiquez quand vous en avez besoin. Notez ce que vous avez changé et le résultat obtenu : vous aurez de quoi nourrir la question suivante. Cela ne vous donnera pas pour autant accès aux pensées de votre interlocuteur.
Avant de soumettre à une IA un véritable e-mail ou une situation sur laquelle vous souhaitez un avis, retirez les noms, les coordonnées, les informations sur les clients et les secrets de l’entreprise. Créez un exemple fictif qui conserve uniquement la structure nécessaire. Pour les décisions importantes, notamment en matière de santé ou d’argent, cherchez d’autres éléments que la seule explication obtenue pendant la conversation.
Faire du plaisir de découvrir le point de départ de la prochaine question
Ce qui rend les échanges avec l’IA attrayants, c’est la possibilité de creuser sur-le-champ une question, même si elle paraît enfantine. On peut demander le sens d’un mot inconnu ou une nouvelle explication à partir de son propre exemple. Il est agréable de pouvoir entrer plus facilement dans un sujet.
Pour en faire un entraînement intellectuel, gardez-vous simplement un petit tour de parole à la fin. Essayez d’expliquer. Cherchez des conditions dans lesquelles l’explication ne tient plus. Consultez une source et corrigez un point dans ce récit où tout semblait si bien s’enchaîner.
Trois lignes suffisent pour terminer : « Ce que je peux expliquer maintenant », « Ce que je n’ai pas encore vérifié », « Ce que j’aimerais demander ensuite ». Si les questions sont devenues plus précises, la prochaine conversation pourra reprendre là où celle-ci s’est arrêtée.
Références (4)
[1] Ries et al. (2017). Étude originale sur le comportement des mouches après un stress. https://www.nature.com/articles/ncomms15738
[2] National Institute of Mental Health (NIMH). Présentation de la dépression saisonnière. https://www.nimh.nih.gov/health/publications/seasonal-affective-disorder
[3] Bastani et al. (2025). Expérience sur l’aide à l’apprentissage des mathématiques au lycée par l’IA générative. https://doi.org/10.1073/pnas.2422633122
[4] Karpicke & Blunt (2011). Expérience sur la pratique du rappel à partir de textes scientifiques. https://pubmed.ncbi.nlm.nih.gov/21252317/
