L’IA excelle à rendre les sujets difficiles faciles en apparence. Demandez une explication plus simple : elle retire le jargon. Demandez un exemple : elle en fournit un. Posez une question complémentaire : la réponse arrive avant que le doute ne devienne gênant.
Cette expérience est utile, mais elle peut être confondue avec l’apprentissage.
Tant que l’explication est visible, chaque étape paraît familière. Les phrases s’enchaînent. Vous pouvez acquiescer. Puis le lendemain, le chat fermé, vous ne parvenez plus à reconstruire l’idée ni à l’utiliser sur un nouveau problème.
Le problème ne vient pas nécessairement d’une explication erronée. Il vient du fait que suivre une explication et construire sa propre compréhension sont deux tâches différentes.
Les travaux sur l’apprentissage humain sont antérieurs à l’IA générative, mais cette distinction s’applique directement. Une importante revue des techniques d’apprentissage a jugé très efficaces les tests d’entraînement et la pratique espacée, tandis que des habitudes peu exigeantes comme la relecture se sont révélées bien moins fiables (Dunlosky et collègues, 2013). Une expérience classique a montré que se remémorer activement un contenu améliorait davantage sa rétention ultérieure que de l’étudier à nouveau (Roediger et Karpicke, 2006).
L’IA rend la relecture interactive. Cela ne la transforme pas automatiquement en exercice de rappel actif.
L’illusion de compétence
L’illusion de compétence est l’écart entre :
- la compréhension ressentie : « cela a du sens pendant que je le lis » ; et
- la compréhension utilisable : « je peux reproduire, expliquer et appliquer cela sans avoir la réponse sous les yeux ».
Un texte fluide élargit cet écart, car il demande moins d’effort de traitement. Lorsque le modèle fournit la structure, le vocabulaire, les exemples et la conclusion, votre esprit n’a plus qu’une petite partie du raisonnement à construire lui-même.
Cela ne signifie pas que l’IA nuit nécessairement à l’apprentissage. Un article de perspective publié en 2024 dans Nature Human Behaviour décrit de réelles possibilités de soutien personnalisé, de supports variés, de retours rapides et de nouvelles formes d’évaluation, tout en soulignant que les effets sur l’apprentissage et la métacognition doivent être évalués rigoureusement (Yan et collègues, 2024).
La règle pratique est plus simple :
Utilisez l’IA pour créer des exercices. Ne la laissez pas les faire à votre place.
Test 1 : la page blanche
Après une explication d’IA, fermez le chat et écrivez ce dont vous vous souvenez.
Ne copiez pas de phrases. Ne rouvrez pas la réponse lorsque vous hésitez. Accordez-vous trois minutes et reconstruisez :
- l’idée centrale ;
- le mécanisme : pourquoi cela fonctionne ;
- un exemple ; et
- une limite ou une exception.
Comparez ensuite votre version au contenu source ou à la réponse de l’IA.
Ce test révèle des omissions que la familiarité masque. Vous pouvez vous souvenir de la conclusion mais pas du mécanisme. Vous pouvez vous souvenir de l’exemple sans pouvoir énoncer la règle générale. Vous pouvez reproduire une formulation assurée tout en passant à côté d’une condition importante.
N’utilisez l’IA qu’après la tentative :
Voici mon explication de mémoire.
[paste your explanation]
Comparez-la avec la source ci-dessous. Identifiez :
1. ce que j'ai expliqué correctement,
2. ce que j'ai omis,
3. ce que j'ai formulé trop largement, et
4. une question qui teste la partie la plus faible.
[paste the source or your verified notes]
La source compte. Sans elle, le modèle évalue une explication générée à l’aune d’une autre explication générée.
Test 2 : expliquez-le à quelqu’un
Expliquez l’idée comme si vous aidiez une personne précise.
« Expliquez simplement » ne suffit pas. Choisissez un destinataire et un objectif :
- un collègue qui doit prendre une décision ;
- un client qui doit comprendre un arbitrage ;
- un débutant qui va essayer la procédure ;
- ou un responsable sceptique qui veut savoir pourquoi cela compte.
Une explication efficace à autrui comporte quatre parties :
- Affirmation : que la personne doit-elle comprendre ?
- Raison : pourquoi est-ce vrai ?
- Exemple : à quoi cela ressemble-t-il en pratique ?
- Limite : quand l’explication cesse-t-elle d’être fiable ?
Demandez au modèle de mettre votre explication à l’épreuve, pas de la réécrire :
Agissez comme le lecteur visé de cette explication.
Posez trois questions que mon explication laisse sans réponse.
N'améliorez pas encore l'explication.
Ne supposez pas que mes affirmations sont correctes.
Si les questions révèlent des lacunes auxquelles vous ne pouvez pas répondre, revenez aux documents. Ne demandez pas au modèle de combler immédiatement chaque vide ; commencez par déterminer ce que vous pouvez vérifier vous-même.
Test 3 : appliquer l’idée dans un autre contexte
Le test simple le plus probant consiste à vérifier si vous pouvez appliquer l’idée dans un contexte différent de l’exemple initial.
Supposons que l’explication ait montré comment une injection de prompt peut manipuler un agent du service client. Un test faible vous demande de répéter la définition. Une question de transfert demande comment le même mécanisme pourrait affecter un assistant chargé de documents internes.
Supposons que vous ayez appris une formule de tableur à partir d’un exemple résolu. Une question de transfert change la disposition des colonnes, introduit des données manquantes, ou demande quelle hypothèse ferait échouer la formule.
Générez des questions de transfert sans réponses :
Créez trois nouveaux problèmes qui exigent la même idée sous-jacente que cet exemple.
Modifiez les éléments de contexte et augmentez progressivement la difficulté.
Ne fournissez pas les solutions tant que je n'ai pas soumis mes tentatives.
Puis résolvez-les sans aide. Lorsque vous demandez un retour, exigez que le modèle vérifie votre raisonnement étape par étape en le confrontant à une source fiable ou à un corrigé.
Une boucle d’apprentissage pratique
Utilisez cette boucle en six étapes pour tout sujet où la compréhension compte :
| Étape | Votre rôle | Rôle de l’IA |
|---|---|---|
| 1. Définir | Énoncez ce que vous devez être capable de faire | Aide à réduire un objectif trop large |
| 2. Étudier | Lisez le contenu source | Clarifie le vocabulaire et la structure |
| 3. Restituer | Reconstruisez de mémoire | Reste silencieuse |
| 4. Vérifier | Comparez à une source de confiance | Signale les lacunes à partir de cette source |
| 5. Transférer | Résolvez un nouveau problème | Génère des exercices variés sans réponses |
| 6. Réviser | Revenez sur le sujet après un délai | Planifie ou génère la prochaine série d’exercices de révision |
Les étapes cruciales sont celles où le modèle en fait moins.
Signes d’alerte : l’IA travaille à votre place
Faites une pause lorsque vous remarquez l’un de ces points :
- Vous demandez sans cesse une version plus simple, mais ne fermez jamais la réponse pour la reconstruire.
- Vos notes sont des résumés soignés générés par le modèle plutôt que des décisions sur ce qui compte.
- Vous pouvez reconnaître la bonne réponse, mais pas la produire.
- Vous demandez une solution immédiatement après avoir lu le problème.
- Chaque question d’entraînement ressemble à l’exemple résolu.
- Le modèle évalue votre réponse sans source, grille ou corrigé.
- Vous terminez une session avec de nombreuses pages de chat et aucune production que vous ayez créée vous-même.
La solution n’est généralement pas un meilleur prompt, mais une courte période de travail sans le modèle.
Où l’IA aide réellement
L’IA est précieuse lorsqu’elle prend en charge les tâches qui entourent l’apprentissage, plutôt que l’effort cognitif nécessaire pour apprendre :
- convertir un contenu source en questions ;
- varier les exemples et les formats de problèmes ;
- simuler un lecteur sceptique ;
- donner des commentaires rapides à partir d’une grille fournie ;
- identifier le vocabulaire dont vous avez besoin avant de lire une source difficile ;
- organiser un calendrier de révision ;
- ou vous aider à repérer les écarts entre votre explication et la source.
Elle est moins utile lorsqu’elle :
- écrit la réponse que vous étiez censé produire ;
- résume un contenu que vous n’avez jamais lu ;
- remplace chaque moment de confusion par une autre explication ;
- ou juge qu’une réponse est vraie sans avoir accès à des preuves fiables.
Pour un flux d’apprentissage plus large, poursuivez avec un plan d’apprentissage IA sur 30 jours et des façons pratiques d’apprendre plus vite avec l’IA.
La limite pratique
Aucun outil ne peut vérifier votre compréhension à partir du simple sentiment d’avoir eu une bonne conversation.
Le modèle ne peut pas voir ce dont vous vous souviendrez demain. Il ne peut pas savoir si vous pourriez résoudre un nouveau problème après avoir fermé le chat. Il peut générer une évaluation convaincante tout en la rendant trop facile.
Vous avez besoin de preuves observables : restituer l’idée sans avoir la réponse sous les yeux, l’expliquer avec vos propres mots et votre propre structure, puis résoudre correctement un problème différent.
La prochaine fois qu’une explication d’IA vous paraîtra merveilleusement claire, considérez ce sentiment comme le début de l’apprentissage, et non comme la preuve qu’il a eu lieu.
