Extraits tirés de trois documents.
1. Extraits (traduits) de AI Summaries Are Making You Worse at Reading.
La phrase que le résumé supprime systématiquement
Dans tout document volumineux, il y a une phrase à laquelle l’auteur a consacré plus de temps qu’à toute autre. Elle figure rarement dans le résumé. Elle est enfouie au paragraphe quarante-sept, nuancée par des réserves, entourée d’affirmations plus prudentes. La phrase qui dit : « cela pourrait ne pas fonctionner ». Ou : « nous n’avons pas de preuves à l’appui ». Ou : « il existe des préoccupations importantes ».
J’ai passé près de deux décennies à lire des articles universitaires et des documents stratégiques. La compétence qui importe le plus n’est pas la rapidité. C’est de savoir où l’auteur a caché la partie honnête.
Les résumés générés par l’IA la suppriment à chaque fois.
Une étude de 2025 publiée dans PNAS Nexus par Shiri Melumad et Jin Ho Yun a révélé que les personnes qui s’informaient à partir de résumés générés par l’IA acquéraient des connaissances moins approfondies que celles qui effectuaient elles-mêmes des recherches sur le Web. Au cours de sept expériences menées auprès de plus de 10 000 participants, la tendance s’est confirmée : les conseils rédigés après l’utilisation de résumés générés par l’IA étaient plus courts, moins factuels et plus similaires d’un utilisateur à l’autre. Les personnes qui utilisaient des résumés se sentaient moins impliquées dans la formation de leur propre opinion.
L’explication des chercheurs est claire. Lorsque l’IA supprime l’effort de collecte et de synthèse des sources, le travail mental qui consolide la compréhension n’a jamais lieu.
Ce que fait réellement la lecture approfondie
Maryanne Wolf étudie ce sujet depuis une décennie. Dans Reader, Come Home, elle documente les processus cognitifs que la lecture approfondie active : relier de nouvelles informations à des connaissances de base, établir des analogies, construire les fondements de l’inférence et de la déduction.
La lecture approfondie favorise l’empathie, l’imagination, la pensée critique et l’introspection.
Ce ne sont pas des options facultatives. Ce sont les mécanismes par lesquels la lecture produit la compréhension. La lecture en diagonale, prévient Wolf, les érode au fil du temps. La personne qui survole ne se contente pas de passer à côté d’informations. Elle perd la capacité de les traiter. Wolf soutient que ce changement rend les gens :
« vulnérables aux fausses informations et à la démagogie »,
Les résumés générés par l’IA constituent un survol à l’échelle industrielle. Ils fournissent des conclusions sans contexte, des résultats sans nuance, des réponses sans les questions qui les ont produites.
Même les résumés précis aplatissent le sens
Le problème n’est pas seulement que les résumés sont inexacts, bien que 45 % des résumés d’actualités générés par l’IA contiennent au moins une erreur significative, selon une étude de l’Union européenne de radio-télévision (UER) menée par la BBC. Le problème est que même les résumés précis perdent ce qui compte.
La plupart des professionnels lisent désormais plus souvent des résumés générés par l’IA que les documents originaux. Lors des réunions, dans les boîtes de réception, dans le cadre de recherches, le résumé arrive en premier et la source n’arrive jamais. Chaque fois que cela se produit, un petit transfert s’opère : du jugement du lecteur vers la sélection du modèle. Le modèle décide de ce qui importe. Vous acceptez cette décision.
La question est de savoir si vous pouvez récupérer ce jugement.
2. Extrait (traduits) de There Are Three Ways to Learn With AI. Most People Use None of Them.
Une étude randomisée a examiné comment les développeurs acquièrent de nouvelles compétences grâce à l’IA. La plupart ont vu leurs performances baisser. Trois groupes ont vu les leurs s’améliorer. La différence ne tenait pas à l’outil, mais à la manière dont ils l’utilisaient.
L’étude
En janvier 2026, deux chercheurs du programme Fellows d’Anthropic ont publié « How AI Impacts Skill Formation ». Judy Hanwen Shen et Alex Tamkin ont mené un essai contrôlé randomisé auprès de 52 développeurs apprenant une nouvelle bibliothèque Python appelée Trio. La moitié a utilisé un assistant de codage IA. L’autre moitié n’en a pas utilisé.
Le groupe IA a obtenu un score inférieur de 17 % lors d’un test portant sur la compréhension conceptuelle, la lecture de code et le débogage. L’ampleur de l’effet était importante, et il n’y a pas eu de gain de productivité significatif en moyenne.
Les trois schémas qui ont préservé l’apprentissage
Les chercheurs ont identifié six schémas distincts d’interaction avec l’IA chez les développeurs qui l’utilisaient. Trois ont donné lieu à des scores faibles. Trois ont donné lieu à des scores élevés. Les schémas ayant obtenu les meilleurs scores sont la raison pour laquelle cet article est important :
- Recherche conceptuelle. Sept développeurs ont uniquement posé des questions conceptuelles à l’IA. Ils ont écrit tout leur code eux-mêmes. Ils constituaient le deuxième groupe le plus rapide de l’étude et celui ayant obtenu le score le plus élevé. Vitesse et compréhension, tout en un.
- Code-Explication hybride. Trois développeurs ont demandé simultanément du code et des explications. Ils ont traité l’IA comme un tuteur, et non comme un sous-traitant.
- Génération puis compréhension. Deux développeurs ont laissé l’IA générer du code, puis ont posé des questions de suivi jusqu’à ce qu’ils comprennent ce qu’elle avait produit et pourquoi.
Remarquez ce qui les relie. Dans chaque modèle ayant obtenu un score élevé, le développeur a maintenu un effort cognitif. Il n’a pas laissé l’outil réfléchir à sa place. Il l’a utilisé pour soutenir son propre travail.
Les trois modèles qui ont tout gâché
Les modèles ayant obtenu de faibles scores partagent une caractéristique commune : ils ont privilégié la rapidité au détriment de la compréhension :
- Délégation à l’IA. Quatre développeurs ont tout confié à l’IA. Ils ont été les plus rapides de l’étude. Ils n’ont rien appris.
- Dépendance progressive à l’IA. Quatre développeurs ont commencé par poser une ou deux questions, puis ont progressivement confié davantage de tâches, jusqu’à tout déléguer. La pente était toujours descendante.
- Débogage itératif par l’IA. Quatre développeurs ont utilisé l’IA comme un débogueur, copiant-collant les erreurs et acceptant les corrections sans les lire. Beaucoup de requêtes. Aucune compréhension.
L’écart le plus important entre le groupe IA et le groupe témoin concernait les compétences en débogage. C’est important, car le débogage est la compétence nécessaire pour détecter les erreurs de l’IA. L’outil a érodé la capacité à vérifier l’outil.
La lutte productive que l’IA supprime
Le groupe témoin a rencontré plus d’erreurs. Ses membres ont passé plus de temps bloqués. Ils ont fait état de plus de frustration.
Ils ont également déclaré avoir pris plus de plaisir et avoir davantage appris.
Ce n’est pas un paradoxe. C’est une pédagogie bien établie. C’est dans la lutte que l’apprentissage se produit. Lorsque l’IA élimine la friction, elle élimine le mécanisme par lequel la compréhension se forme.
Ce que cela signifie pour toute personne utilisant l’IA dans son travail
Chaque fois que vous utilisez l’IA pour rédiger un e-mail sans le lire attentivement, vous vous entraînez à ne pas lire attentivement. Chaque fois que vous acceptez un résumé sans vérifier la source, vous vous entraînez à ne pas vérifier les sources. Chaque fois que vous collez une erreur dans un chatbot et acceptez la correction, vous vous entraînez à ne pas déboguer.
Gerlich (2025) a constaté qu’une utilisation fréquente de l’IA était associée à une détérioration de la pensée critique chez les travailleurs du savoir. Non pas parce que l’outil est mauvais. Mais parce que le mode d’utilisation forge une habitude cognitive : déléguer, accepter, passer à autre chose.
Cette habitude s’installe. Et elle s’installe discrètement, car le résultat semble toujours compétent.
Pourquoi cela importe au-delà du codage
Si vous dirigez une équipe, demandez-leur comment ils utilisent les outils d’IA. Pas s’ils les utilisent. Comment. La différence entre délégation et questionnement est la différence entre déqualification et développement.
Si vous enseignez, cette étude vous apporte la preuve de ce que les bons éducateurs ont toujours su : la friction n’est pas l’ennemie de l’apprentissage. C’est le mécanisme.
Si vous utilisez vous-même des outils d’IA, remarquez lequel des six schémas décrit votre comportement par défaut. Soyez honnête. Les développeurs qui ont obtenu les scores les plus bas n’étaient pas négligents. Ils étaient efficaces.
La génération qui apprend à travailler avec l’IA sera également appelée à la superviser. Sa capacité à le faire dépendra entièrement du fait qu’elle ait acquis cette compétence ou qu’elle l’ait empruntée.
3. Extraits de Writing with AI is the same as writing by AI (Écrire avec l’IA revient à laisser l’IA écrire à votre place)
Les corpus d’entraînement des grands modèles linguistiques comprennent des milliards de mots issus de textes protégés par le droit d’auteur, souvent récupérés sans le consentement ni la rémunération des auteurs qui les ont produits. Chaque résultat généré par ces modèles découle de cette appropriation ; il s’ensuit donc que lorsqu’un écrivain utilise un modèle linguistique à n’importe quelle étape de son processus de création, il intègre les fruits d’un travail détourné dans une œuvre qu’il présentera par la suite comme sienne.
si vous constatez que vous ne pouvez pas produire une prose présentable sans l’aide d’un grand modèle linguistique, si le fait de composer un paragraphe à partir de vos propres ressources cognitives vous semble si pénible que vous avez besoin d’une machine pour le faire à votre place ou pour corriger ce que vous avez écrit, alors vous n’êtes, pour parler franchement, pas un écrivain.
Le fait que des écrivains individuels aient été persuadés de participer avec enthousiasme à ce projet, et d’y apporter des justifications sophistiquées, témoigne moins de la qualité de ces justifications que du pouvoir coercitif d’un environnement économique dans lequel le refus d’adopter les outils dominants entraîne des sanctions professionnelles immédiates.
les pressions économiques qui poussent les auteurs vers ces outils sont réelles, et il serait malhonnête de prétendre que le choix de les refuser n’entraîne aucun coût. Mais le fait qu’une pratique soit économiquement rationnelle ne la rend pas éthiquement défendable, et le fait que presque tout le monde la pratique ne la transforme pas en quelque chose qui n’a pas besoin d’être examiné. Ce qu’il faut, au minimum, c’est la divulgation. Si un texte a été façonné, à n’importe quelle étape de sa composition, par la production d’un modèle linguistique, ce fait devrait être clairement indiqué, afin que les lecteurs puissent évaluer par eux-mêmes à quel type d’objet ils ont affaire.