« Mon ex était un salaud. Le suivant aussi. Et celui d’après, pareil. » Quatre histoires, donc quatre expériences. Mais si on range tout sous la même étiquette, la « base de données » dans notre tête n’a gagné qu’une seule colonne utile : salaud.
C’est là que tout se joue.
Avoir vécu beaucoup de choses ne veut pas dire en avoir tiré des modèles réutilisables. Avec ChatGPT, c’est pareil. Si on lui confie tout le travail et qu’on se contente de la réponse, on risque de moins réfléchir. Mais si on continue de demander « pourquoi ? », « quelle autre explication ? », « qu’est-ce qui prouverait que je me trompe ? », « que disent les études ? » et « quelle information changerait ma conclusion ? », l’IA ne pense plus à notre place. Elle devient un partenaire d’entraînement pour notre raisonnement.
Une revue systématique de 2026, qui a réuni 67 études empiriques, va dans ce sens. Quand ChatGPT était utilisé de façon structurée, avec des questions et de la réflexion en cours de route, il tendait à soutenir la pensée de haut niveau. Quand on acceptait simplement la réponse telle quelle, on voyait plus souvent un engagement superficiel et l’habitude de laisser l’IA réfléchir à sa place.[1]
1. Utiliser l’IA nous fait-il vraiment moins réfléchir ?
La réponse la plus honnête : ça dépend de la façon de s’en servir.
Une étude de 2025 a porté sur 319 travailleurs du savoir et 936 cas réels d’usage de l’IA. Plus les gens faisaient confiance à l’IA, moins ils disaient exercer leur esprit critique ; plus ils avaient confiance dans leur propre jugement, plus ils vérifiaient. Leur esprit critique s’est aussi déplacé vers la définition des objectifs, le contrôle des résultats, la mise en commun des informations et la supervision du résultat final.[2]
Donc, si on fait ça :
Demander à l’IA → accepter la réponse → terminé
on délègue facilement sa réflexion.
Mais si on fait ça :
Quelque chose cloche
→ le transformer en question
→ formuler une hypothèse
→ demander à l’IA des hypothèses concurrentes
→ vérifier les études et les sources primaires
→ comparer avec d’autres cas
→ corriger le modèle
→ le tester dans la vraie vie
→ réajuster selon le résultat
il reste largement du travail pour nous.
On voulait se simplifier la vie avec l’IA, et on se retrouve avec un comité de relecture par les pairs installé dans sa propre tête.
2. Pourquoi « c’était un salaud » n’apprend-il presque rien ?
« Salaud », ça défoule, mais c’est bien trop grossier pour prévoir quoi que ce soit.
Personne A = salaud
Personne B = salaud
Personne C = salaud
Personne D = salaud
Quatre expériences, et presque rien pour distinguer un cas d’un autre.
Mieux vaut noter ce qui s’est passé, étape par étape :
Franchit une petite limite
→ regarde comment on réagit
→ s’arrête quand on le lui dit / continue
→ les exigences diminuent / augmentent
Montre beaucoup d’affection
→ la relation se stabilise
→ l’effort revient à la normale / disparaît d’un coup
On lui signale un problème
→ explique le contexte
→ essaie de réparer / renvoie toute la faute à l’autre
Un seul de ces comportements ne prouve pas qu’une personne a un mauvais fond une fois pour toutes. Un malentendu, la fatigue, un manque de compétence ou une erreur isolée peuvent se ressembler.
Ce qui mérite d’être noté, c’est les circonstances, la répétition, le changement après une remarque, qui en profite et la volonté de réparer.
On ne saute pas de « il a fait une mauvaise chose » à « c’est quelqu’un de mauvais ». On garde le mécanisme, pas l’étiquette.
3. La façon de comparer ses expériences peut-elle compter plus que leur nombre ?
Parfois, oui.
Dans une étude classique de Gick et Holyoak, les personnes qui ont expliqué ce que deux problèmes d’apparence très différente avaient en commun ont mieux su appliquer la solution de fond à un nouveau problème.[3]
On a observé la même chose en formation à la négociation. Les équipes qui ont comparé deux cas pour dégager la structure commune ont mieux utilisé une stratégie clé dans une nouvelle négociation que celles qui avaient étudié les mêmes cas séparément.[4]
Alors, au lieu de noter :
Relation A : horrible
Relation B : horrible
Travail C : horrible
essayons plutôt :
Relation A : limites floues, donc les exigences ont grossi
Travail C : rôles flous, donc les tâches se sont accumulées
Structure commune : quand les limites ne sont pas définies, la charge a tendance à retomber sur un seul côté
Les personnages changent, mais le schéma de câblage reste le même.
4. Que travaille-t-on en répétant « pourquoi ? » et « qu’est-ce qui prouverait le contraire ? »
S’expliquer à soi-même les causes et les liens s’appelle l’auto-explication. Une méta-analyse de 64 rapports de recherche et 69 tailles d’effet a trouvé, en moyenne, un bénéfice modéré pour l’apprentissage quand on incitait les gens à s’expliquer les choses.[5]
Une autre méta-analyse, portant sur 122 expériences et 10 382 participants, s’est intéressée à l’entraînement qui consiste à aller chercher l’information dans sa mémoire. Comparé à une simple relecture, il se transférait mieux, en moyenne, à de nouveaux contenus, y compris à des questions d’application et d’inférence.[6]
Des questions comme celles-ci font donc plus que rallonger la discussion :
- Que s’est-il vraiment passé ?
- Pourquoi l’ai-je interprété comme ça ?
- Quelle autre cause colle avec les faits ?
- Quel est le contre-exemple le plus solide ?
- Quelle information nouvelle changerait ma conclusion ?
- Ai-je déjà vu cette même structure ailleurs ?
Elles transforment une expérience en structure que l’on pourra retrouver plus tard.
5. Comment arrive-t-on à ce sentiment de « je vois venir la suite » ?
Quand on a assez de modèles abstraits, on n’a plus à repartir de zéro à chaque situation nouvelle.
Événement nouveau
→ le comparer aux modèles A, B et C
→ estimer à quelle étape on en est
→ formuler une hypothèse sur la suite
→ observer, puis mettre à jour
Ce n’est pas de la voyance. C’est simplement pouvoir sortir une première hypothèse d’une bibliothèque de schémas.
Le grand piège, c’est le biais rétrospectif. Une fois le résultat connu, dire « je le savais » ne coûte rien.
Pour vraiment tester sa capacité à prévoir, on note avant le résultat :
Prévision : X arrivera dans 2 semaines
Probabilité : 70 %
Raison : A et B ont déjà été observés
Ce qui prouverait que je me trompe : si C arrive, je révise le modèle
Résultat : arrivé / pas arrivé
Les travaux de science de la décision sur l’analyse du renseignement recommandent aussi de suivre en chiffres la justesse des prévisions et le degré d’incertitude.[7]
Ainsi, « j’ai l’impression d’être bon pour prévoir » devient quelque chose que l’on peut calibrer.
6. Si ChatGPT est notre cerveau externe, que doit-on garder pour soi ?
L’IA est excellente pour le travail lourd et répétitif : chercher, proposer des pistes, comparer, défendre le camp opposé, résumer et mettre en forme.
Ce qu’il vaut mieux continuer à faire soi-même :
- Ce qui nous a paru bizarre
- La façon de définir le problème
- Les preuves auxquelles on fait confiance
- Ce qui prouverait que le modèle est faux
- Le modèle qu’on retient au final
- Ce qu’on va tester dans la vraie vie
- Ce qu’on jette après avoir vu le résultat
Quelques questions utiles :
- Quel est l’argument le plus solide contre cette hypothèse ?
- Quelle autre explication par les causes colle avec les mêmes faits ?
- Si ma prémisse est fausse, où est-elle le plus probablement fausse ?
- Qu’est-ce que je peux vérifier dans les sources primaires ?
- Suis-je en train de confondre corrélation et causalité ?
- Quel fait supplémentaire changerait la conclusion ?
- Existe-t-il des cas semblables dans d’autres domaines ?
- Que prédirait ce modèle pour la suite ?
Si la seule question qu’on pose est « j’ai raison, non ? », l’IA devient un énorme chien à tête branlante.
Un cerveau externe doit savoir nous contredire, pas seulement hocher la tête.
7. Pourquoi en faire un article renforce-t-il encore la boucle ?
Une conversation disparaît dans le défilement. Un article garde la structure.
Expérience
→ question
→ recherche
→ contre-exemple
→ structure commune
→ règle pratique
→ enregistrement
→ réutilisation dans le cas suivant
Un article n’est pas seulement quelque chose qu’on publie. Il fait office de mémoire cache d’une réflexion qui nous avait coûté cher la première fois.
Et plus la pile d’articles grandit, plus souvent on se dit : « Attends, ce n’est pas la même structure que cet autre problème ? »
Ce ne sont pas seulement les connaissances qui s’accumulent. Les liens entre les connaissances aussi.
8. Alors, de quoi est fait « un bon jugement » ?
Il ne dépend pas seulement du nombre de personnes, d’emplois ou de crises qu’on a traversés.
Une façon approximative de voir les choses :
jugement
≈ nombre de cas
× détail tiré de chaque cas
× comparaison entre les cas
× tentatives de prouver qu’on se trompe
× confrontation avec la réalité
Si l’on range quatre personnes sous « salaud », on peut finir avec salaud × 4 = une seule donnée.
Si l’on sépare plutôt les limites, le report de la faute, la réparation, l’accord entre les paroles et les actes, et l’évolution du comportement selon les circonstances, ces mêmes quatre expériences laissent plusieurs modèles réutilisables.
L’intérêt réel de ChatGPT, ce n’est pas seulement de répondre plus vite.
C’est de pouvoir faire tourner cette boucle plus vite : formuler une hypothèse, l’attaquer, la reconstruire, la transposer à un autre cas et la confronter à la réalité.
Ne confions pas notre réflexion à l’IA.
Faisons simplement plus de tours de réflexion.
Alors l’IA n’est plus un cerveau de remplacement, mais ce collègue de labo qui n’arrête pas de renvoyer la balle et qui ne rentre apparemment jamais chez lui.
