« Je lis beaucoup moins de livres qu’avant. Est-ce mauvais pour mon cerveau ? »
Réponse courte : terminer un livre ne donne pas automatiquement des points d’expérience au cerveau. Ce qui compte, c’est le travail mental effectué pendant la lecture.
Un livre apporte des connaissances, relie des idées, oblige à suivre un raisonnement long, expose à des sujets que l’on n’aurait pas recherchés et maintient longtemps au contact de la langue écrite. La fiction peut aussi faire imaginer l’esprit et la vie d’autres personnes.
Comparons cela à un dialogue répété avec une IA : « Pourquoi ? », « Vraiment ? », « Que dit la recherche ? », « Et dans ce cas ? », « Est-ce la même structure que tout à l’heure ? ». Une grande partie du travail cognitif se recoupe. L’IA permet aussi de s’arrêter exactement au point de blocage, de demander une objection, de retrouver l’article original et de relier la nouvelle information à ce que l’on sait déjà.
Donc lire moins de livres ne signifie pas automatiquement avoir moins d’activité intellectuelle. Selon l’usage, un dialogue actif avec une IA peut demander davantage de réflexion qu’une lecture passive.
Le risque est tout aussi clair : l’IA répond si vite qu’on peut externaliser ce qu’on voulait justement entraîner — se souvenir, résoudre, suivre seul une longue chaîne. Le cœur de cet article consiste à distinguer ce qu’il est rationnel d’externaliser de ce qu’il faut pratiquer soi-même si l’on veut réellement acquérir la compétence.
1. Décomposer « les bienfaits de la lecture » en fonctions
Dire « lire, c’est bon » est trop vague.
Première fonction : acquérir des connaissances — histoire, sciences, économie, psychologie.
Deuxième fonction : relier des connaissances. Le « taux d’intérêt » peut se connecter à l’inflation, aux prêts, aux banques centrales, à l’investissement et au pouvoir d’achat.
Troisième fonction : suivre une logique longue. L’auteur construit A → B → C → D, et le lecteur garde le fil.
Quatrième fonction : rencontrer des informations que l’on n’a pas choisies. Une recherche répond souvent à une question déjà formulée. Un livre peut provoquer un accident utile : « Ce chapitre ne m’intéressait pas, mais en fait il est important. »
Cinquième fonction : une exposition prolongée à la langue — vocabulaire, structures de phrase, styles d’explication.
Sixième fonction, surtout dans la fiction : simuler l’esprit d’autrui. Une méta-analyse préenregistrée de 2024 a trouvé un bénéfice cognitif expérimental moyen faible, g = 0,14, avec des effets significatifs surtout pour l’empathie et la mentalisation [1]. C’est un effet réel mais petit, pas un superpouvoir.
La force spécifique du livre n’est donc pas seulement l’information. C’est aussi parcourir une longue route, être conduit vers un endroit que l’on n’a pas choisi et rester longtemps dans la langue.
2. Que peut remplacer un vrai dialogue de réflexion avec l’IA ?
Poser une question puis copier la réponse n’est pas la même chose que rebondir longtemps avec une IA.
Si l’on demande « d’où vient l’odeur de pluie ? » puis qu’on s’arrête, cela ressemble à une recherche. Mais si l’on poursuit :
- Pourquoi la pluie libère-t-elle cette odeur ?
- Qu’y a-t-il dans le sol ?
- Des microbes ?
- Pourquoi l’être humain la détecte-t-il à très faible concentration ?
- Pourquoi la sent-on parfois avant la pluie ?
- Et les autres animaux ?
- Que démontrent exactement les études ?
le sujet devient un réseau.
Cela ressemble à la self-explanation et à l’élaboration en sciences de l’apprentissage. S’auto-expliquer, c’est produire soi-même des liens : « pourquoi cela arrive ? », « comment cette idée se relie-t-elle à l’autre ? ». Une méta-analyse de 2018 rassemblant 69 tailles d’effet issues de 64 rapports a trouvé un effet moyen de g = 0,55 pour les consignes favorisant l’auto-explication [2].
Voilà une grande force du dialogue avec l’IA : chaque question peut mettre à jour la carte mentale.
Livre : on marche sur la route construite par l’auteur.
IA : on choisit la route et on demande à l’IA d’apporter les matériaux.
Les deux peuvent faire apprendre ; les tâches mentales diffèrent.
3. Qu’est-ce qu’un schéma ? Une « carte des connaissances » dans la tête
Le mot « schéma » est technique, mais l’idée est simple.
Un schéma est une carte mentale de la façon dont une partie du monde fonctionne généralement.
Au début, il peut n’y avoir qu’un point : « taux d’intérêt ».
Puis il se connecte aux dépôts, aux prêts, à l’inflation, aux banques centrales, aux investissements et aux devises. Dès lors, une nouvelle « la banque centrale augmente son taux directeur » déclenche des questions : « Et les dépôts ? », « Les crédits immobiliers ? », « Les actions ? », « La monnaie ? ».
La recherche décrit les schémas comme des structures de connaissances de haut niveau abstraites à partir de plusieurs expériences. Ils aident à intégrer de nouvelles informations, mais des attentes préalables trop fortes peuvent aussi biaiser ou déformer la mémoire [3].
La métaphore « mon réseau neuronal se connecte » est donc assez bonne, à condition de ne pas la prendre littéralement comme « une question fait pousser instantanément un fil physique ». Plus précisément, une information nouvelle est placée dans une structure existante et reliée à d’autres informations.
L’IA accélère énormément la boucle : voir un trou → demander → remplir → voir le trou suivant.
4. Élaboration : pour mémoriser, ajoutez des lignes, pas seulement des points
L’élaboration paraît savante, mais le principe est simple :
enrichir une idée et la relier à d’autres idées.
Mémoriser seulement :
« Géosmine = une partie de l’odeur de pluie »
offre peu de chemins de rappel.
Relier :
des micro-organismes du sol produisent de la géosmine
→ les gouttes peuvent aider à projeter des composés dans l’air
→ l’être humain détecte des concentrations très faibles
→ cela aide à expliquer pourquoi l’odeur devient perceptible autour de la pluie
crée plusieurs routes.
Au lieu de A seulement, on a B ← A → C et A → D.
« Pourquoi ? », « un exemple ? », « est-ce comme X ? », « quel contre-exemple ? », « comment cela s’applique ici ? » ajoutent ces routes.
Mais inutile d’élaborer tout. Si un distributeur facture 220 yens aujourd’hui, pas besoin de créer la Grande Théorie Unifiée des Frais de DAB. Construisez des réseaux pour les principes que vous voulez garder ; stockez les chiffres temporaires à l’extérieur.
5. Pratique de récupération : une conversation devient un contrôle surprise
La retrieval practice n’est pas une recherche sur Internet. C’est récupérer une information depuis sa propre mémoire sans regarder la réponse.
Lundi, on étudie un sujet avec l’IA. Jeudi, en discutant :
« Attends, j’avais lu ça… c’était quelque chose comme… »
Cet effort de récupération est déjà un exercice.
Une revue systématique de 2021 sur la recherche en classe a examiné près de 2 000 résumés et retenu 50 expériences, soit 5 374 apprenants. Parmi 49 tailles d’effet, 57 % montraient des bénéfices moyens ou importants de la pratique de récupération, dans divers niveaux scolaires, matières, délais et formats de test [4].
La conversation ajoute une étape :
apprendre avec l’IA
→ expliquer à quelqu’un
→ cette personne demande « pourquoi ? »
→ on bloque
→ le trou devient visible
→ on retourne chercher.
C’est une boucle entrée → récupération → détection de lacune → nouvelle entrée.
Pas besoin de devenir chaque soir un moine récitant « trois choses apprises aujourd’hui ». Une conversation ordinaire peut servir d’interrogation surprise.
6. Produire des articles peut entraîner à construire une logique longue
Un avantage traditionnel de la lecture est de suivre un raisonnement long. Que fait la personne qui produit le texte ?
Le lecteur suit A → B → C → D.
L’auteur ou l’éditeur décide dans quel ordre placer A, B, C et D.
Une partie de « suivre la logique » devient donc « construire la logique ».
Une méta-analyse de 2020 portant sur 56 expériences chez des élèves du primaire et du secondaire a montré qu’écrire sur des contenus scientifiques, sociaux ou mathématiques améliorait l’apprentissage, avec une taille d’effet moyenne de 0,30 [5]. Écrire oblige à sélectionner, organiser, relier et réexpliquer.
Attention toutefois à l’IA. Si l’on dit « recherche tout, fais la structure, écris l’article » puis qu’on ne lit pas une ligne, l’IA a effectué l’essentiel de la construction longue.
En revanche, si l’on intervient constamment — « ça ne va pas », « ajoute cette étude », « relie ces deux points », « quelle objection ? » — on fait encore beaucoup de planification et d’édition.
Il est donc parfaitement possible de lire moins de livres tout en faisant énormément de travail mental situé avant la fabrication d’un livre.
7. Le piège de l’IA : croire que l’on sait parce que l’IA sait
C’est l’avertissement principal.
L’IA peut brouiller la différence entre :
« la bonne réponse est apparue »
et
« je sais le faire seul ».
Dans une expérience de terrain en mathématiques au lycée publiée dans PNAS en 2025, les élèves utilisant une interface GPT-4 assez libre (« GPT Base ») ont augmenté leurs performances de 48 % pendant les exercices assistés par rapport au contrôle. Une version conçue pour protéger l’apprentissage (« GPT Tutor ») les a augmentées de 127 %. Mais lorsque l’IA a été retirée pour l’examen, le groupe GPT Base a obtenu des résultats 17 % inférieurs à ceux du groupe qui n’avait jamais utilisé l’IA. Le Tutor a presque éliminé cet effet négatif, sans pour autant dépasser clairement le contrôle lors de l’examen sans IA [6].
IA activée : « Je suis fort en maths ! »
IA coupée : « Excusez-moi, qui êtes-vous ? »
Un working paper révisé en août 2026 donne un avertissement comparable aux échecs. Plus de 200 élèves de clubs ont été entraînés pendant 12 semaines. Le groupe recevant uniquement des conseils automatiques aux moments clés s’est amélioré de 64 % ; celui qui pouvait en plus demander de l’aide à tout moment, de 30 %. Les auteurs attribuent une grande partie de l’écart à la diminution du productive struggle, l’effort fourni sur des problèmes encore accessibles [7]. Comme il s’agit d’un working paper, l’évaluation par les pairs et les réplications restent importantes.
L’IA n’est pas par nature ennemie de l’apprentissage. La même technologie peut devenir tuteur ou machine à copier, selon le moment et la façon dont elle donne la réponse.
8. Peut-on externaliser les maths ? « Apprendre les maths » ou « utiliser les maths »
Il faut d’abord demander : pour quoi faire ?
Si le but est d’améliorer ses compétences mathématiques, laisser l’IA faire toutes les étapes est un mauvais entraînement. Poser l’équation, se tromper et corriger font partie de la compétence.
Mais si la vraie question est :
« Quelle différence entre placer un million de yens à 0,2 % ou 0,6 % pendant dix ans ? »
le but n’est pas de muscler le calcul manuel des intérêts composés. Il faut juger :
- la différence réelle en argent,
- les impôts,
- les frais,
- l’inflation,
- la liquidité,
- si changer de banque vaut l’effort.
Il n’est pas nécessaire de développer à la main la formule des intérêts composés à chaque fois.
Pas besoin d’adhérer à la religion “calculer les intérêts bancaires à la main pour entraîner le cerveau”. Utilisez une calculatrice.
Cela ne signifie pas que les concepts mathématiques sont inutiles. Il faut comprendre assez pour repérer un résultat absurde. Mais si le but est un chiffre fiable pour prendre une décision, et non la maîtrise de l’algorithme manuel, l’externalisation est rationnelle.
9. Mahjong : quand seule l’IA monte de rang
Les jeux d’habileté comme le mahjong montrent la même différence.
À chaque tour :
« Je défausse quoi ? »
IA : « Le cinq de caractères. »
Humain : « Ah, intéressant. »
À force, on saute le cycle : lire la situation, produire des options, comparer, décider, observer le résultat, corriger.
L’IA monte de rang et l’humain devient l’employé chargé de dire “intéressant”.
Mais cela ne signifie pas qu’il faut interdire l’IA.
Le mahjong est un loisir. Si le plaisir vient du fait de devenir soi-même meilleur dans la décision, l’entraînement a du sens. Si le but est simplement de jouer, d’analyser avec l’IA et de ne pas grinder des centaines de parties pour quelques points de pourcentage de victoire, personne n’a l’obligation morale de maximiser sa compétence.
Quand un loisir devient :
« Aujourd’hui, encore cent répétitions pour gagner 2 % de win rate »,
on peut demander :
« À quel moment mon loisir est-il devenu des devoirs ? »
Une compétence mérite particulièrement de rester dans sa propre tête lorsque la pratiquer est amusant en soi, qu’elle ne peut pas être externalisée ou que l’échec coûte cher. Sinon, l’externalisation peut être raisonnable.
10. Je suis allergique aux romans. Le film ne suffit pas ?
En partie, si.
Si le but est l’histoire, les personnages, les émotions et l’expérience d’une autre vie, le cinéma offre beaucoup. Il fournit directement visages, voix, lieux, mouvement, musique et rythme.
Le roman laisse une partie du rendu au lecteur.
Texte : « Un homme se tenait dans une pièce sombre. »
Cerveau : quelle pièce ? quel visage ? quelle voix ? quelle atmosphère ?
Au cinéma, le studio externalise une grande partie du rendu interne de votre cerveau.
La méta-analyse de 2024 a trouvé un bénéfice expérimental moyen faible pour la lecture de fiction, g = 0,14, avec des effets significatifs surtout pour l’empathie et la mentalisation [1]. On ne peut donc pas sérieusement dire : « pas de romans, plus d’humanité ».
Le roman garde des tâches spécifiques : longue exposition à l’écrit, construction de scènes uniquement à partir du texte, suivi du langage d’un auteur pendant des heures. Le cinéma a d’autres forces : grande densité audiovisuelle et jeu d’acteur.
Si le but est « vivre une histoire », le film est une voie valide. Si le but inclut aussi l’entraînement à la lecture soutenue et à la génération mentale de scènes depuis le texte, le roman conserve un rôle particulier.
11. Externalisation cognitive : sortir du travail du cerveau, est-ce mauvais ?
L’externalisation cognitive (cognitive offloading) consiste à utiliser une action ou un outil externe pour modifier une tâche et réduire la charge cognitive [8].
Rappels.
Notes.
Calculatrice.
GPS.
IA.
Même famille.
Les humains externalisent depuis longtemps. Nous avons cessé de mémoriser tous les numéros de téléphone et la civilisation n’a pas disparu.
La bonne question n’est pas « ai-je externalisé ? », mais :
« Ai-je externalisé quelque chose que je dois encore savoir faire sans aide ? »
Exemples :
- multiplications d’intérêts → facile à externaliser ;
- décider quoi comparer → à conserver ;
- correction orthographique → facile à externaliser ;
- sentir qu’une affirmation est douteuse → garder du jugement ;
- meilleur coup au mahjong → dépend du but du loisir ;
- commande d’urgence → à conserver si le coût de l’échec est élevé.
La question de l’ère de l’IA n’est pas « comment éviter l’IA ? »
C’est :
« Quelles tâches sortent de mon cerveau, et que vais-je faire de la capacité libérée ? »
12. Cette question construit-elle un schéma ? Le problème « et Dekopin, il faisait quoi ? »
Plus de questions ne signifie pas forcément plus d’apprentissage.
Lorsque Shohei Ohtani a annoncé en décembre 2024 que lui et sa femme attendaient leur premier enfant, la photo montrait aussi son célèbre chien Dekopin/Decoy [9]. Sur les réseaux japonais, des questions volontairement trop détaillées comme « et à ce moment-là, Dekopin faisait quoi ? » se sont diffusées comme format de blague. Ici, on le traite comme un mème diffusé, sans prétendre identifier un post unique comme origine certifiée.
Questions qui construisent un schéma :
« A cause-t-il B ? »
« Est-ce le même mécanisme que C ? »
« Quelle est l’exception ? »
« Corrélation ou causalité ? »
Questions qui remplissent des cases :
« Quand ? »
« Où ? »
« À quelle minute exacte ? »
« Et Dekopin ? »
Le deuxième groupe peut simplement consister à cliquer sur chaque case vide parce qu’elle existe.
C’est aussi amusant. Toute curiosité n’a pas besoin de maximiser le rendement pédagogique. Le département Dekopin empêche la vie d’être ennuyeuse.
Mais si le but est comprendre et retenir, demandez si la question ajoute une connexion utile ou remplit seulement une case.
13. Que faut-il garder dans son cerveau à l’ère de l’IA ?
Si l’IA devient toujours plus forte, que faut-il encore apprendre ?
Pas tous les chiffres. Pas tous les calculs.
Il vaut mieux conserver :
Les objectifs. Que cherche-t-on réellement à faire ?
Les concepts de base. Intérêt, probabilité, causalité, risque.
La capacité à formuler des questions. Pourquoi ? Comparé à quoi ? Quel contre-exemple ?
Le doute. Une IA peut se tromper avec assurance ; les décisions importantes méritent des sources.
La capacité à relier. Connecter le nouveau à l’ancien.
Le jugement. Une fois le calcul terminé, décider « donc, que faire ? ».
Même si l’IA devient calculatrice, moteur de recherche et rédacteur de premier jet, l’humain décide toujours quoi calculer, quelle réponse croire et quoi en faire.
14. Pratique : transformer le dialogue avec l’IA en outil d’apprentissage
Pas besoin d’inventer une méthode compliquée. Il suffit de modifier un peu les questions.
Si l’on veut retenir une connaissance
Ne pas s’arrêter à « donne la réponse ». Demander :
- Explique comme à un collégien.
- Pourquoi ?
- Un exemple concret ?
- Un cas où cela ne marche pas ?
- Comment cela se relie à X ?
- Jusqu’où la recherche est-elle vraiment certaine ?
- Quelle est la source primaire ?
- Voilà mon explication : qu’est-ce qui ne va pas ?
Si l’on veut acquérir une compétence
Rétrograder l’IA de conducteur à instructeur.
Maths : « Ne donne pas encore la réponse ; aide-moi seulement à poser l’équation. »
Mahjong : choisir d’abord soi-même, puis demander une évaluation.
Si l’on n’a pas besoin de maîtriser la compétence
Externaliser sans culpabilité.
Intérêts bancaires, longues agrégations, comparaisons après impôts : si le vrai but est la décision, pas besoin de sacraliser le calcul manuel.
Ensuite, récupérer
Quand le sujet apparaît dans une conversation, l’expliquer sans écran. Ce qui ne sort pas devient la prochaine lacune à étudier.
Boucle :
entrée IA → élaboration et connexions → récupération en conversation → détection de lacune → IA à nouveau.
15. Résumé : augmentez les connexions, pas seulement l’information
Les livres restent très forts pour :
- rencontrer une information que l’on n’a pas choisie,
- suivre un argument long,
- rester longtemps au contact de la langue écrite,
- construire personnages et mondes à partir du texte.
Le dialogue avec l’IA est très fort pour :
- demander immédiatement au point de blocage,
- trouver des recherches,
- produire des contre-arguments,
- relier au savoir antérieur,
- remplir rapidement les trous d’un schéma.
Dans un essai randomisé en physique à Harvard publié en 2025, un tuteur IA conçu selon des principes pédagogiques a produit des gains d’apprentissage supérieurs à ceux d’un cours d’apprentissage actif, avec un temps médian inférieur : 49 minutes pour l’IA contre environ 60 minutes en classe. Dans une analyse corrigeant l’effet plafond, les auteurs estiment une taille d’effet de 0,73 à 1,3 écart-type. Ce n’était pas « IA contre tuteur humain individuel ». Le protocole était croisé : chaque étudiant vivait les deux conditions, et le comparateur était un cours actif de Harvard fondé sur la recherche [10].
On ne peut donc plus prendre « apprendre avec une IA est forcément superficiel » comme règle générale.
Mais les recherches sur les maths et les échecs montrent aussi qu’en supprimant trop d’effort, l’IA peut produire de bonnes performances assistées sans compétence autonome [6][7].
La réponse n’est pas « livres ou IA ».
Pour les idées que l’on veut retenir, utiliser l’IA pour ajouter des connexions.
Pour les compétences que l’on veut exécuter seul, essayer d’abord soi-même.
Pour les calculs que l’on n’a pas besoin de maîtriser, externaliser.
Et parfois, laisser un livre ou une autre œuvre nous emmener là où nous n’aurions jamais pensé chercher.
Le cerveau n’a pas besoin de stocker chaque chiffre.
Il a besoin de bonnes cartes et de nombreuses routes entre les points.
Pour mieux retenir, n’ajoutez pas seulement de l’information. Ajoutez des connexions.
Références (10)
- Wimmer, L. F., Currie, G., Friend, S., Wittwer, J., & Ferguson, H. J. (2024). “Cognitive effects and correlates of reading fiction: Two preregistered multilevel meta-analyses.” Journal of Experimental Psychology: General, 153(6), 1464–1488. DOI: 10.1037/xge0001583
- Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., & Winne, P. H. (2018). “Inducing Self-Explanation: a Meta-Analysis.” Educational Psychology Review, 30, 703–725. DOI: 10.1007/s10648-018-9434-x
- Gilboa, A., & Marlatte, H. (2017). “Neurobiology of Schemas and Schema-Mediated Memory.” Trends in Cognitive Sciences, 21(8), 618–631. DOI: 10.1016/j.tics.2017.04.013
- Agarwal, P. K., Nunes, L. D., & Blunt, J. R. (2021). “Retrieval Practice Consistently Benefits Student Learning: a Systematic Review of Applied Research in Schools and Classrooms.” Educational Psychology Review, 33, 1409–1453. DOI: 10.1007/s10648-021-09595-9
- Graham, S., Kiuhara, S. A., & MacKay, M. (2020). “The Effects of Writing on Learning in Science, Social Studies, and Mathematics: A Meta-Analysis.” Review of Educational Research, 90(2), 179–226. DOI: 10.3102/0034654320914744
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: 10.1073/pnas.2422633122
- Poulidis, S., Bastani, H., & Bastani, O. (working paper; posted 2025, revised 1 Aug 2026). “Self-Regulated AI Use Hinders Long-Term Learning.” Wharton School Research Paper / SSRN
- Risko, E. F., & Gilbert, S. J. (2016). “Cognitive Offloading.” Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002
- MLB.com (2024-12-28). “Baby Ohtani! Shohei, wife Mamiko expecting first child.
- Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). “AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting.” Scientific Reports, 15, 17458. DOI: 10.1038/s41598-025-97652-6
