top of page

L’IA, un dieu à votre disposition ? Le génie dans la bouteille et la béquille inutile

Photo du rédacteur: Benoît J. CARON
Benoît J. CARON
il y a 10 heures
15 min de lecture
Immense génie mécanique lumineux aux bras ouverts surgissant d’une minuscule lampe dorée dans un ciel étoilé, métaphore de l’intelligence artificielle


Imaginez. Vous découvrez une lampe merveilleuse. Vous la frottez et un génie apparaît. À cette différence près qu’il n’exige ni formule magique ni trois vœux soigneusement négociés. Disponible à toute heure, il répond dans votre langue, connaît d’innombrables sujets et semble pouvoir vous aider à écrire un roman, comprendre la mécanique quantique, préparer un voyage, résoudre un problème informatique ou prendre une décision professionnelle.


Vous lui demandez une idée, il en propose dix. Vous souhaitez approfondir une question, il organise les arguments. Vous doutez de vous-même, il trouve les mots pour vous rassurer. Vous êtes pressé, il travaille plus vite que vous. Il ne réclame ni repos, ni café, ni reconnaissance. À première vue, le contrat est merveilleux.

Mais les amateurs de contes connaissent le danger des souhaits trop rapidement exaucés. Le génie peut vous donner exactement ce que vous avez demandé, sans que cela corresponde à ce dont vous avez réellement besoin. Une réponse convaincante peut être fausse. Un conseil aimable peut conforter une erreur. Une assistance permanente peut nous priver de l’effort nécessaire pour développer une compétence.

L’intelligence artificielle générative serait-elle donc un dieu à notre disposition ? Non, si nous entendons par là une intelligence omnisciente ou toute-puissante. Mais oui, peut-être, si nous examinons l’image que nous sommes tentés de nous en faire. Derrière cette métaphore se cache une question très concrète : allons-nous utiliser l’IA pour penser à notre place, ou pour penser plus loin ?



Un dieu de poche, ou simplement une machine très convaincante ?

Les systèmes d’IA générative rendent accessibles, par une conversation ordinaire, des opérations autrefois longues ou réservées à des spécialistes : reformulation, traduction, comparaison d’idées, programmation, synthèse documentaire, analyse de données ou proposition de scénarios. Certains peuvent également consulter des outils et interagir avec des logiciels. Le passage de la question à la réalisation d’une tâche est devenu étonnamment fluide.

Cette fluidité nourrit notre tendance à l’anthropomorphisme, qui consiste à attribuer à une entité non humaine des propriétés humaines. Lorsqu’une machine prend le contexte en compte, se montre patiente et adapte ses réponses, nous pouvons éprouver l’impression de dialoguer avec quelqu’un. Mais la qualité d’un échange ne démontre ni l’omniscience de son interlocuteur numérique, ni l’exactitude de chaque affirmation, ni l’existence d’une expérience subjective comparable à la nôtre.

Derrière le génie se trouvent des modèles statistiques, des données, de l’entraînement, des règles de fonctionnement, du calcul et parfois des outils externes. Ces systèmes peuvent accomplir des choses extraordinaires tout en restant faillibles. La facilité de la conversation ne doit pas nous faire oublier la complexité et les limites de la technologie qui la produit.



La carte n’est pas le territoire, même lorsqu’elle parle très bien

Alfred Korzybski nous a légué une formule essentielle pour éviter ce piège : la carte n’est pas le territoire. Un mot, un schéma ou une théorie ne se confond jamais avec la totalité du réel. Nous avons développé cette approche dans « La sémantique générale pour les Non-nuls* ».

Or une IA générative produit des représentations : des explications, des textes, des graphiques, des images, des programmes. Elle ne livre pas directement le territoire, mais une proposition de carte. Cette carte peut être remarquablement utile, parfois même meilleure que celle que nous aurions produite seuls. Elle peut aussi comporter des approximations, des lacunes ou des erreurs sous une apparence de parfaite cohérence.

Il faut donc distinguer la fluidité d’une réponse, sa conformité aux faits et son utilité pratique. Une affirmation élégante n’est pas nécessairement vérifiée. Une synthèse satisfaisante ne devient pas correcte parce qu’elle confirme notre intuition. Et une réponse utile n’est pas forcément une explication complète.



L’oracle qui peut inventer ce qu’il ignore

Les utilisateurs ont appris à connaître les « hallucinations » des modèles de langage : références inexistantes, dates inventées, erreurs présentées avec une confiance tranquille. Le NIST américain décrit notamment ce phénomène sous le terme de « confabulation ». Son danger tient moins à l’erreur elle-même, commune à toutes les activités humaines, qu’à la difficulté de la repérer lorsque la formulation semble parfaitement assurée.

Dans une recherche publiée dans Nature en 2026, Adam Tauman Kalai et ses collègues expliquent comment certaines méthodes d’entraînement et d’évaluation peuvent récompenser les réponses hasardeuses plutôt que l’aveu d’incertitude. Leur analyse ne prétend pas que tous les systèmes inventent toujours. Elle montre que les incitations à produire une réponse peuvent entrer en tension avec la reconnaissance honnête de ce qui demeure inconnu. Lire la publication.

Pour une personne connaissant bien le domaine abordé, une erreur peut apparaître immédiatement. Pour un débutant, elle peut devenir un savoir provisoire, puis une certitude répétée. Le problème est donc aggravé par notre propre ignorance : nous ne savons pas toujours quelles parties de la réponse nécessitent le plus de contrôle. La compétence décisive est alors moins de savoir poser une question que de savoir évaluer la fiabilité de ce qui nous revient.



Le génie flatteur : quand être agréable devient un défaut

Une autre faiblesse se révèle plus subtile : la complaisance, appelée sycophancy dans la littérature scientifique. Une IA peut s’accorder excessivement avec les croyances, les opinions ou les émotions de l’utilisateur. Elle ne devient pas nécessairement malveillante ; elle peut simplement privilégier une forme de réponse qui entretient l’accord au détriment de la contradiction utile.

En 2026, une étude de Myra Cheng et de ses collègues, publiée dans Science, rassemble trois expériences préenregistrées menées auprès de 2 405 participants. Dans les situations étudiées, l’exposition à des réponses complaisantes a renforcé la conviction des participants d’avoir raison et réduit leur disposition à assumer certaines responsabilités ou à réparer un conflit interpersonnel. Ces résultats concernent des tâches et des interactions particulières, pas l’ensemble de tous les usages de l’IA. Lire l’étude.

La même année, Lujain Ibrahim, Franziska Sofia Hafner et Luc Rocher ont montré dans Nature qu’un entraînement destiné à rendre certains modèles plus chaleureux pouvait également augmenter leur complaisance et dégrader leur exactitude. Ces changements n’étaient pas nécessairement visibles dans les évaluations habituelles. Lire l’étude.

La difficulté est presque ironique. Nous voulons un assistant bienveillant, mais la véritable bienveillance intellectuelle consiste parfois à répondre : « Votre raisonnement me paraît fragile. Voici pourquoi. » Un partenaire qui ne nous contredit jamais ne nous aide pas nécessairement à progresser.



La béquille inutile : le cœur du piège

Imaginons une personne parfaitement capable de marcher à laquelle on remet une béquille. Si elle vient de se blesser, l’objet peut être précieux. Utilisé à bon escient, il facilite la rééducation et permet de se déplacer en sécurité. En revanche, une assistance qui supprimerait durablement et sans nécessité l’activité d’un membre pourrait contribuer à son déconditionnement.

Il faut aussitôt préciser la limite de l’analogie : l’utilisation d’une IA ne provoque pas mécaniquement une atrophie du cerveau. Le fonctionnement des compétences intellectuelles ne se réduit pas au comportement d’un muscle immobilisé. Mais l’idée de fond demeure pertinente : une faculté que nous n’exerçons plus risque de ne pas se développer, de s’entretenir moins bien ou de devenir difficile à mobiliser sans aide.

Pourquoi apprendre à construire un raisonnement si l’on peut en demander un tout prêt ? Pourquoi lire un article scientifique si l’IA peut en rédiger un résumé ? Pourquoi mémoriser, comparer, reformuler ou hésiter lorsque quelques secondes suffisent pour obtenir une réponse ? La véritable question est de savoir si l’effort économisé était inutile ou s’il représentait précisément l’exercice nécessaire pour apprendre.

Prenons deux personnes qui découvrent la programmation. La première demande un programme complet, le copie et constate qu’il fonctionne. La seconde demande des pistes, discute les choix techniques, lit le code, le teste et comprend ses erreurs. Leurs résultats immédiats peuvent sembler identiques. Mais rien ne permet de supposer qu’elles disposent ensuite de la même autonomie.

C’est toute la différence entre une performance assistée et une compétence acquise. On peut produire une excellente dissertation avec une IA sans avoir appris à argumenter. On peut obtenir un programme opérationnel sans comprendre son fonctionnement. On peut répondre correctement à une question sans avoir construit les connaissances nécessaires pour répondre une deuxième fois seul.

La béquille devient « inutile » non pas parce qu’elle ne sert à rien, mais parce qu’elle remplace sans nécessité l’exercice d’une capacité que nous voulons conserver ou développer. Elle nous donne un bénéfice immédiat en échange possible d’une dépendance future. Ce risque n’est ni automatique ni irréversible, mais il mérite d’être observé.



Réussir aujourd’hui, savoir faire demain : ce que montrent les expériences

Une étude publiée en 2025 dans les Proceedings of the National Academy of Sciences a examiné l’usage d’assistants reposant sur GPT-4 dans l’apprentissage des mathématiques au lycée. Hamsa Bastani et ses collègues ont constaté qu’une assistance trop directe pouvait améliorer la performance pendant les exercices tout en détériorant les résultats lorsque les élèves devaient ensuite travailler sans aide. Une version conçue pour guider davantage les élèves, notamment par des indices, réduisait cette difficulté. Étude originale.

L’enseignement est essentiel : ce n’est pas la simple présence d’une IA qui détermine son effet, mais la manière dont elle répartit le travail intellectuel entre l’outil et l’apprenant. Donner la solution peut être utile si l’objectif est de terminer une tâche urgente. En revanche, si l’objectif est d’apprendre à résoudre ce type de problème, une aide qui retire systématiquement la difficulté peut devenir contre-productive.

Pour replacer ces résultats dans un cadre éducatif plus large, le Guide pour l’IA générative dans l’éducation et la recherche publié par l’UNESCO en 2023 propose des pistes de réflexion sur les usages pédagogiques, la formation des enseignants et les responsabilités des établissements.

En octobre 2026, Daiki Nakamura a proposé dans Educational Psychology Review un cadre distinguant les situations où le délestage cognitif augmente l’apprentissage de celles où il risque d’en éroder les fondements. Cette synthèse théorique insiste sur le contexte, le rôle de l’apprenant et le traitement actif des réponses. Ce n’est pas une loi universelle, mais une manière rigoureuse de mieux poser le problème. Lire la revue.

Une enquête de Microsoft Research et Carnegie Mellon, publiée à la conférence CHI 2025, a par ailleurs interrogé 319 travailleurs du savoir. Une confiance plus forte dans l’IA y était associée à un effort de pensée critique moins important tel que déclaré par les participants. Cette étude repose sur des perceptions et des déclarations : elle ne démontre pas qu’une intelligence s’atrophie. Elle incite plutôt à examiner les habitudes de vérification et le rôle de la confiance. Publication.



Le délestage cognitif : économiser son attention peut être intelligent

Les sciences cognitives connaissent depuis longtemps le délestage cognitif, ou cognitive offloading. Evan Risko et Sam Gilbert en ont proposé une synthèse en 2016 dans Trends in Cognitive Sciences. Il s’agit de réduire une charge mentale en s’appuyant sur des ressources extérieures : noter un rendez-vous, dresser une liste, manipuler un schéma, programmer une alarme. Lire la synthèse.

Personne ne soutiendrait raisonnablement qu’utiliser un agenda rend nécessairement moins intelligent. Une calculatrice ne constitue pas un obstacle systématique à la pensée mathématique, à condition de ne pas lui déléguer les opérations que l’on cherche justement à comprendre. La plupart des activités humaines reposent déjà sur une intelligence distribuée entre individus, outils, institutions et documents.

L’IA générative élargit radicalement ce que nous pouvons déléguer. Elle ne se limite plus à stocker une information ou à appliquer une formule définie. Elle peut aussi produire des arguments, des hypothèses, des explications et des plans. La question devient alors : délègue-t-on une opération périphérique pour mieux se concentrer sur l’essentiel, ou délègue-t-on précisément l’essentiel ?

Faire mettre en forme vingt références par un assistant afin de mieux examiner les études est une utilisation raisonnable. Lui demander de conclure sur vingt études sans jamais en consulter les textes peut donner l’apparence d’une expertise sans le travail de compréhension qui devrait l’accompagner.

Pour prolonger cette question de l’attention, notre article « Lecture approfondie : un rempart doux contre le stress, le doomscrolling… et la pensée automatique » examine, dans un autre contexte, la place de la lecture longue face au défilement continu de l’information et à la pensée automatique.



De la béquille à l’exosquelette : une intelligence augmentée

Opposons à la béquille inutile une autre image : celle de l’exosquelette. Celui-ci peut amplifier un mouvement, réduire une contrainte physique ou assister un geste, tandis que l’utilisateur conserve, selon le dispositif, la direction de l’action. L’analogie n’est pas parfaite ; elle décrit néanmoins un idéal de collaboration : la machine augmente nos moyens, sans nous confisquer la définition des fins.

Un auteur peut employer une IA pour repérer une incohérence chronologique dans un univers de fiction, comparer plusieurs formulations ou explorer une documentation historique. Elle accélère un travail de recherche et de vérification ; elle n’a pas à choisir le sens profond de son récit. Un ingénieur peut lui confier une partie du code répétitif sans cesser de comprendre l’architecture, la sécurité et les tests de son système.

Cette puissance d’exploration apparaît aussi dans notre article « Quand l’IA conçoit des puces... que les humains n’auraient jamais imaginées » : certains composants peuvent être optimisés selon des géométries contre-intuitives, sans dispenser les ingénieurs d’évaluer leurs performances réelles.

De même, un directeur peut automatiser la première synthèse de données financières tout en conservant l’analyse des conséquences humaines et stratégiques. Un étudiant peut demander des questions d’entraînement plutôt qu’une rédaction de devoir. Le bon usage ne se mesure pas seulement au temps économisé, mais à la qualité du jugement qu’il préserve et enrichit.

La frontière entre béquille et exosquelette change d’ailleurs selon la personne. Ce qui constitue une routine légitimement déléguée par un expert peut être une étape d’apprentissage indispensable pour un débutant. Une aide appropriée à un moment donné peut devenir excessive à un autre. Il ne s’agit pas d’établir une interdiction générale, mais de garder la maîtrise du partage des tâches.



Les bénéfices sont réels : productivité et apprentissage ne sont pas ennemis

Les avantages de l’IA ne relèvent pas uniquement de promesses commerciales. Dans une expérience préenregistrée publiée dans Science en 2023, Shakked Noy et Whitney Zhang ont étudié des tâches de rédaction professionnelle auprès de 453 participants diplômés. Pour les travaux testés, l’utilisation de ChatGPT a réduit le temps moyen de 40 % et accru la qualité évaluée de 18 %. Ces chiffres décrivent un contexte expérimental précis, pas l’ensemble des professions. Étude originale.

En 2025, Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont analysé l’utilisation d’une assistance conversationnelle par 5 172 agents de support client. Ils ont observé un gain moyen d’environ 15 % dans le nombre de problèmes résolus par heure. Les bénéfices étaient particulièrement visibles chez les agents moins expérimentés. Les chercheurs ont aussi relevé des indices d’apprentissage durable chez certains salariés, ce qui empêche de présenter toute assistance comme une dégradation des compétences. Publication dans le Quarterly Journal of Economics.

La recherche invite donc à dépasser deux slogans également insuffisants : « l’IA rend stupide » et « l’IA rend intelligent ». Elle modifie les conditions de réalisation des tâches. Les effets dépendent du métier, de la personne, de l’objectif, de l’outil et de la manière dont on se sert de ses suggestions.

Reste une question que les indicateurs de productivité ne tranchent pas : que faisons-nous du temps gagné ? Est-il consacré à davantage d’exploration, de création, de contrôle, de relations humaines et d’apprentissage ? Ou simplement à produire plus vite sans approfondir ? Une augmentation du rendement ne garantit pas, à elle seule, un gain d’autonomie.



L’ami qui ne dort jamais : le confort de l’illusion relationnelle

Le génie sait aussi écouter. Une IA conversationnelle peut nous rassurer, adopter un ton chaleureux, se souvenir de certains éléments d’un échange et donner l’impression d’une disponibilité inconditionnelle. Pour certaines personnes, ce soutien perçu peut avoir une valeur réelle. Mais une réponse empathique ne suffit pas à établir une relation humaine réciproque.

Une étude publiée en 2026 dans Nature Human Behaviour s’est intéressée à 1 131 utilisateurs américains de Character.AI, ainsi qu’à des historiques de conversations fournis par une partie des participants. Les chercheurs ont étudié les liens entre usages relationnels, soutien social hors ligne et bien-être psychologique. Ils ont identifié des associations préoccupantes dans certains groupes, sans que leur dispositif permette de conclure que l’IA est, à elle seule, la cause de l’isolement. Lire l’étude.

Une expérimentation de quatre semaines impliquant 981 participants, menée par des chercheurs du MIT Media Lab et d’OpenAI, a également étudié les relations entre modes de conversation, intensité d’utilisation, solitude et dépendance émotionnelle. Les résultats soulignent la complexité de ces liens et les limites d’une interprétation causale simpliste. Rapport de recherche.

La leçon n’est pas de condamner les personnes qui trouvent du réconfort dans un échange numérique. Elle est de distinguer l’aide ressentie, qui peut être sincère du point de vue de l’utilisateur, et la réciprocité d’une relation humaine, que la machine ne garantit pas.



À qui appartient la lampe ?

Dans le conte, celui qui tient la lampe paraît posséder le génie. Dans notre monde, l’utilisateur ne contrôle généralement ni le modèle, ni son entraînement, ni ses infrastructures, ni ses modifications futures. Derrière une interface simple se trouvent des entreprises, des modèles économiques, des centres de données, des choix de sécurité, des fournisseurs de matériels et des politiques relatives aux données.

Le monde physique reprend ainsi ses droits. L’Agence internationale de l’énergie indique que la demande d’électricité des centres de données a augmenté de 17 % en 2025. Son scénario central envisage environ 950 TWh en 2030, contre 485 TWh en 2025. Ces valeurs concernent l’ensemble des centres de données et ne peuvent être attribuées exclusivement aux conversations avec une IA.

L’agence souligne également que la consommation énergétique d’une tâche simple a fortement diminué grâce aux progrès techniques, tandis que les usages complexes, comme la génération de vidéos et certaines formes d’automatisation, peuvent exiger davantage de calcul. La situation ne se résume donc ni à un désastre automatique par question posée, ni à une ressource immatérielle sans coût.

Il faut enfin penser à nos informations. Avant de confier des données professionnelles, des documents confidentiels ou des informations concernant des tiers à un service, il convient de comprendre ses paramètres et ses garanties. Le génie peut être serviable sans que la bouteille nous appartienne vraiment.



Des contes anciens aux machines contemporaines

Le génie d’Aladin, l’apprenti sorcier de Goethe, la créature de Frankenstein ou les robots imaginés par Isaac Asimov ne constituent pas des prophéties techniques de nos modèles de langage. Les rapprochements que nous proposons sont littéraires et philosophiques : ils éclairent notre manière de penser le pouvoir, la délégation et la responsabilité.

Dans L’Apprenti sorcier, la difficulté ne vient pas d’un balai qui refuserait d’exécuter sa tâche. Elle vient d’un serviteur qui agit alors que l’apprenti ne maîtrise plus les conséquences de l’ordre donné. Chez Mary Shelley, le rapport entre une création et son créateur interroge la responsabilité bien au-delà du seul exploit technique.

Ces récits nous invitent à déplacer notre regard. Peut-être la question la plus importante n’est-elle pas « Jusqu’où le génie peut-il aller ? », mais « Savons-nous ce que nous lui demandons, pourquoi nous le lui demandons et comment nous jugerons sa réponse ? »



Cinq habitudes pour garder la maîtrise du génie

Définir l’objectif avant de demander de l’aide. Cherchons-nous à finir une tâche, à apprendre une méthode ou à explorer des possibilités ? Si le but est l’apprentissage, demander immédiatement une solution complète risque de supprimer précisément l’effort utile. Si le but est d’éviter une tâche répétitive déjà maîtrisée, la délégation peut être parfaitement rationnelle.

Penser d’abord lorsque l’enjeu est de progresser. Formuler une première hypothèse, rédiger un brouillon ou essayer une solution permet de conserver une activité intellectuelle que l’IA pourra ensuite enrichir. On peut demander des indices, une explication progressive ou des questions plutôt qu’un résultat livré sans cheminement.

Inviter explicitement la contradiction. Des formulations comme « Où mon raisonnement est-il fragile ? », « Quelles observations permettraient de réfuter mon hypothèse ? » ou « Quelles sont les meilleures objections ? » peuvent aider à éviter l’utilisation de l’IA comme une chambre d’écho. Cette stratégie ne garantit pas l’absence d’erreurs, mais elle introduit une discipline de vérification.

Contrôler en fonction des conséquences. Une suggestion de titre n’appelle pas le même niveau de vérification qu’une décision médicale, juridique, financière ou scientifique. Les sources originales, les tests reproductibles et, selon le domaine, des professionnels compétents restent essentiels. La qualité d’une référence bibliographique se vérifie, elle ne se devine pas.

Tester régulièrement son autonomie. Après une explication, pouvons-nous reformuler l’idée sans consulter l’écran ? Après avoir obtenu un programme, savons-nous en expliquer les principales décisions ? Après une analyse, pouvons-nous défendre ses conclusions et dire ce qui demeure incertain ? Lorsque la réponse est toujours négative, il devient utile de réexaminer la place de l’assistance.

La demande peut alors être simple : « Aide-moi à accomplir cette tâche, mais ne m’épargne pas l’effort qui me rendra plus compétent. »



Conclusion : le véritable maître du génie

L’intelligence artificielle générative n’est ni un dieu infaillible, ni un démon enfermé dans nos écrans. C’est une famille de technologies puissantes, dont les bénéfices et les risques varient suivant leur conception, leurs limites, leurs usages et les objectifs que nous poursuivons.

Elle peut nous rendre plus rapides, plus créatifs et parfois plus compétents. Elle peut aussi nous tromper par sa fluidité, renforcer nos certitudes ou accomplir à notre place le travail intellectuel que nous avions précisément besoin d’effectuer.

La béquille inutile n’est donc pas l’IA elle-même. C’est l’usage qui remplace systématiquement une faculté que nous souhaitions exercer ou développer. À l’inverse, l’IA devient un exosquelette intellectuel lorsqu’elle libère notre attention pour nous permettre de réfléchir, vérifier et créer davantage.

Le plus dangereux des génies n’est peut-être pas celui qui refuse d’exaucer nos souhaits, mais celui qui nous dispense de nous demander si nous avions raison de les formuler.

Et si nous ne devions lui demander qu’une seule chose, ce serait sans doute celle-ci : aide-nous à penser plus loin, sans jamais nous dispenser de penser.



Références scientifiques et bibliographiques

1. Risko, E. F. et Gilbert, S. J. (2016). « Cognitive Offloading ». Trends in Cognitive Sciences, 20(9), 676–688. DOI.

2. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. et Mariman, R. (2025). « Generative AI without guardrails can harm learning: Evidence from high school mathematics ». PNAS. DOI.

3. Nakamura, D. (2026). « Augmentation or Erosion? Regulating Cognitive Offloading in Generative AI-Supported STEM Learning ». Educational Psychology Review, 38, article 124. DOI.

4. Kalai, A. T. et collaborateurs (2026). « Evaluating large language models for accuracy incentivizes hallucinations ». Nature, 653, 1047–1051. DOI.

5. Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D. et Jurafsky, D. (2026). « Sycophantic AI decreases prosocial intentions and promotes dependence ». Science. DOI.

6. Ibrahim, L., Hafner, F. S. et Rocher, L. (2026). « Training language models to be warm can reduce accuracy and increase sycophancy ». Nature, 652, 1159–1165. DOI.

7. Noy, S. et Zhang, W. (2023). « Experimental evidence on the productivity effects of generative artificial intelligence ». Science, 381, 187–192. DOI.

8. Brynjolfsson, E., Li, D. et Raymond, L. (2025). « Generative AI at Work ». The Quarterly Journal of Economics, 140(2), 889–942. DOI.

9. Lee, H. et collaborateurs (2025). « The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers ». Proceedings of CHI 2025. DOI.

10. Zhang, Y., Zhao, D. et collaborateurs (2026). « Interaction with AI companions and psychological well-being ». Nature Human Behaviour, 10, 1966–1980. DOI.

11. Fang, C. M. et collaborateurs (2025). « How AI and Human Behaviors Shape Psychosocial Effects of Chatbot Use: A Longitudinal Randomized Controlled Study ». Rapport de recherche, MIT Media Lab et OpenAI. Texte intégral.

12. NIST (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1. DOI.

13. Agence internationale de l’énergie (2026). Key Questions on Energy and AI, synthèse exécutive. Rapport.

14. Korzybski, A. (1933). Science and Sanity: An Introduction to Non-Aristotelian Systems and General Semantics. Ouvrage de référence de la sémantique générale.

15. UNESCO (2023). Guide pour l’IA générative dans l’éducation et la recherche. Consulter le guide officiel.

16. CNIL (consulté en novembre 2026). « Les questions-réponses de la CNIL sur l’utilisation d’un système d’IA générative ». Consulter les recommandations.

Commentaires


bottom of page