Mesurer l’activité cérébrale de quelqu’un qui rédige avec l’aide d’une IA et de quelqu’un qui rédige seul produit des résultats qui devraient troubler bien au-delà des neurosciences. L’étude conduite en 2025 par Nataliya Kosmyna et ses collègues du MIT Media Lab montre que les utilisateurs réguliers d’assistants IA pour l’écriture présentent une activité cérébrale mesurée significativement plus faible que ceux qui rédigent sans assistance. Le cerveau, confronté à un outil qui fait le travail à sa place, économise. La question est de savoir ce qu’il perd en économisant.

Ce n’est pas une alerte sur la technologie. C’est une alerte sur un usage. Et la distinction est décisive.

L’essentiel

  • L’étude Kosmyna et al. (MIT Media Lab, 2025) documente une accumulation de “dette cognitive” mesurable chez les utilisateurs réguliers d’IA pour la rédaction, visible dans les signaux d’activité cérébrale.
  • Les neurosciences distinguent deux types d’effort cognitif : l’effort de production (générer des idées, structurer, formuler) et l’effort de validation (lire, corriger, approuver). L’IA tend à substituer le premier par le second.
  • La pédagogie est le terrain où la question se joue : les premières expériences menées dans des établissements américains et européens montrent que le cadrage des usages influe directement sur les gains ou pertes cognitifs.
  • L’enjeu à l’horizon d’une génération : si l’IA générative devient le mode dominant d’écriture pour les 15-25 ans, les effets sur les capacités de raisonnement structuré ne se mesureront qu’avec un délai de dix à quinze ans.

Ce que le cerveau fait quand il n’écrit plus

La rédaction n’est pas un acte de transcription. C’est un acte de pensée. Écrire une phrase force à arbitrer entre des formulations, à préciser une intention vague, à découvrir en rédigeant ce qu’on pense réellement. Les recherches en psychologie cognitive ont documenté ce processus depuis les années 1980 : la contrainte de la phrase écrite opère comme un outil de clarification conceptuelle. On ne sait ce qu’on pense qu’en l’écrivant.

Ce que montre l’étude Kosmyna et al., c’est le revers de cette médaille. Quand l’IA produit le texte et que l’utilisateur valide ou corrige, le type d’engagement cognitif change de nature. Le cerveau passe d’un mode de production à un mode d’évaluation. Ces deux modes mobilisent des réseaux distincts. L’effort de production, notamment dans les zones préfrontales liées à la planification et à la formulation, est ce que les chercheurs observent en recul chez les utilisateurs réguliers d’assistance IA. Ils qualifient cet effet de “dette cognitive” : une forme d’atrophie fonctionnelle par désuso, analogue à ce qu’on observe chez des individus qui cessent de pratiquer une compétence physique.

Le mécanisme n’est pas mystérieux. Le cerveau est un organe d’optimisation énergétique. Quand un outil externe prend en charge une tâche, il réduit l’effort alloué à cette tâche. C’est un avantage dans beaucoup de contextes. C’est un problème quand la tâche déléguée est précisément celle qui forge la capacité.

Le pharmakon : la même molécule qui guérit peut empoisonner

Anna Alombert, philosophe spécialiste de la technique, utilise le concept de pharmakon, emprunté à Bernard Stiegler, pour penser l’IA générative. Un pharmakon est à la fois remède et poison selon la dose, l’usage et le contexte. La calculatrice est un pharmakon : elle libère l’esprit des calculs répétitifs et permet d’aller plus loin dans le raisonnement mathématique, mais elle atrophie la capacité de calcul mental si elle remplace l’apprentissage du calcul lui-même chez l’enfant.

L’IA générative appliquée à l’écriture fonctionne sur le même schéma. Utilisée par un professionnel qui maîtrise déjà la rédaction et qui s’en sert pour gagner du temps sur des tâches standardisées, elle libère de la bande passante cognitive pour des tâches plus complexes. Utilisée par un étudiant qui apprend à structurer une argumentation, elle court-circuite précisément le processus d’apprentissage qu’il doit traverser. Le même outil, le même geste, deux effets opposés selon qui l’utilise et pourquoi.

Ce cadre permet de sortir du débat stérile entre les partisans d’une interdiction (l’IA dégrade les cerveaux) et les défenseurs d’une adoption totale (l’IA augmente les capacités). Les deux ont raison selon le contexte. La question productive est : dans quels usages l’IA augmente-t-elle, et dans quels usages dépossède-t-elle ?

La lecture concurrente : ce que les données de Daron Acemoglu ajoutent

Une lecture différente existe, et elle mérite d’être prise au sérieux. Dans ses travaux récents sur la technologie et le pouvoir, Daron Acemoglu soutient que les effets réels des outils sur les capacités humaines dépendent moins des outils eux-mêmes que des structures dans lesquelles ils sont déployés. L’argument s’applique ici : la question n’est pas “l’IA dépossède-t-elle cognitivement ?” mais “qui contrôle le cadrage des usages, et dans quel intérêt ?”

Les grandes plateformes d’IA générative ont un modèle économique basé sur l’engagement et la rétention. Un utilisateur qui délègue davantage à l’outil est un utilisateur plus dépendant, donc plus fidèle. L’architecture de ces outils n’est pas neutre : l’IA propose systématiquement une réponse complète avant même que l’utilisateur ait formulé sa pensée. Elle ne propose pas un échafaudage cognitif qui aiderait l’utilisateur à construire sa propre réponse. Elle propose une réponse finie. Ce design produit exactement l’effet que Kosmyna et al. mesurent : le mode validation remplace le mode production.

Cela ne rend pas l’outil mauvais. Cela signifie que l’effort cognitif préservé ou non ne dépend pas de la technologie mais du design de l’interaction. Et le design peut être autre chose que ce qu’il est aujourd’hui.

Ce que la pédagogie peut faire que l’interdiction ne peut pas

Les premières expériences éducatives documentées sur ce sujet donnent des indications concrètes. Des établissements américains et européens ont testé des approches contrastées depuis 2023. Ceux qui ont simplement interdit l’IA ont obtenu des contournements massifs et non déclarés. Ceux qui ont intégré l’IA avec des protocoles explicites ont produit des résultats plus intéressants.

La Khan Academy a développé Khanmigo, un assistant IA qui refuse délibérément de donner les réponses directement. Il pose des questions, guide, force l’élève à formuler son raisonnement avant de valider ou de corriger. L’architecture de l’interaction est conçue pour préserver l’effort de production. Les premières évaluations, encore préliminaires, constituent une piste prometteuse quant à la capacité de ce mode d’usage à limiter les effets documentés par Kosmyna et al., même si des données robustes restent à construire.

En France, le rapport Bergounioux-Thiollière de 2024 sur le numérique à l’école a préconisé une approche similaire : définir des zones d’usage IA selon l’âge et la compétence visée. L’idée est que la délégation cognitive est acceptable quand la compétence est déjà acquise, et qu’elle est contreproductive quand la compétence est en cours d’acquisition. Un lycéen qui a appris à structurer un plan peut utiliser l’IA pour accélérer la rédaction d’une introduction standardisée. Un collégien qui apprend à structurer un plan ne devrait pas déléguer cet apprentissage à un outil.

Ce cadrage est cohérent avec les données neuropsychologiques. Il est aussi réaliste sur le plan pratique : il ne demande pas aux enseignants d’éradiquer l’usage d’un outil que les élèves utilisent de toute façon hors des classes, il demande de construire une pédagogie explicite des conditions dans lesquelles l’IA augmente plutôt que remplace.

La question générationnelle que personne ne peut encore trancher

Le vrai enjeu n’est pas individuel. Il est générationnel et il a un horizon temporel précis. Les 15-25 ans qui entrent aujourd’hui dans l’enseignement supérieur et dans le marché du travail sont la première cohorte à avoir accès à des outils d’IA générative pendant leur phase de formation. Si ces outils deviennent le mode dominant d’écriture et de raisonnement structuré pour cette cohorte avant que les compétences de base soient solidement installées, les effets sur les capacités cognitives ne seront mesurables qu’avec un délai de dix à quinze ans.

C’est exactement la temporalité qui rend la question politiquement difficile. Les bénéfices de la délégation IA sont immédiats et visibles (gain de temps, textes plus fluides, réduction de la charge de travail ressentie). Les coûts cognitifs, si coûts il y a, sont différés et diffus. Les décideurs politiques et les institutions éducatives travaillent rarement sur cet horizon. Et les plateformes technologiques, elles, n’ont aucune incitation à le faire.

On peut pousser le raisonnement plus loin, à condition de le tenir pour une hypothèse et non une certitude. Si la compétence rédactionnelle est liée à la capacité de raisonnement structuré, et si cette capacité est partiellement le produit de son exercice régulier, alors une cohorte entière qui aurait exercé moins cette capacité pendant sa phase de formation pourrait présenter des déficits mesurables dans des tâches de raisonnement complexe. Les travaux d’Acemoglu et Johnson sur la technologie et le partage des gains rappellent que les effets d’une technologie sur les capacités humaines dépendent de qui contrôle son déploiement et dans quel intérêt. Cette dynamique est directement pertinente ici.

Ce n’est pas une prophétie. C’est un angle mort que les données actuelles ne permettent pas de combler, mais que leur logique oblige à nommer. La première étude longitudinale sérieuse sur les effets cognitifs de l’usage intensif de l’IA générative chez les adolescents n’existe pas encore. Elle devrait exister.

Ce qui se construit déjà et ce qu’il reste à faire

L’alarmisme serait inexact. Des acteurs construisent des réponses concrètes, et certaines sont prometteuses. Au-delà de la Khan Academy, des équipes de recherche en sciences cognitives travaillent à définir des protocoles d’usage qui préservent l’effort de production. Des entreprises de technologie éducative développent des outils d’IA qui fonctionnent en mode échafaudage plutôt qu’en mode substitution. L’UNESCO a publié en 2023 des lignes directrices pour l’usage de l’IA générative dans l’éducation, insistant précisément sur la distinction entre les usages qui augmentent et ceux qui contournent.

En Europe, le AI Act impose aux fournisseurs d’outils IA destinés à l’éducation des obligations de transparence sur leur fonctionnement. C’est une condition nécessaire mais insuffisante : savoir qu’un outil délègue cognitivement n’empêche pas la délégation si le design de l’outil n’est pas modifié.

La question actionnable est celle du design. Les outils d’IA éducatifs peuvent être conçus pour forcer l’effort de production avant d’offrir de l’assistance. Ce n’est pas une question technique difficile à résoudre. C’est une question de choix de design, donc de régulation ou d’incitation à ce choix. Une certification “cognitively preserving” des outils IA éducatifs, analogue aux certifications nutritionnelles ou environnementales, est une idée qui circule dans certains cercles académiques. Elle n’a pas encore trouvé de porteur institutionnel sérieux.

Ce qui se joue n’est pas le sort de l’écriture comme pratique culturelle. C’est la question de savoir si les prochaines générations arrivent à l’âge adulte avec des capacités de raisonnement structuré formées par l’effort, ou avec des capacités de validation formées par la délégation. Ces deux profils cognitifs ne sont pas équivalents pour ce que les sociétés ont à faire : tenir des institutions, produire du savoir nouveau, exercer un jugement dans des situations ambiguës.

Le pharmakon se prescrit. Encore faut-il que quelqu’un veuille s’en charger.

Sources

  1. Kosmyna, N. et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab. https://www.codeandcortex.fr/intelligence-artificielle-anne-alombert/
  2. Anna Alombert — philosophie de la technique et pharmakon de l’IA générative (2025-2026) : https://www.codeandcortex.fr/intelligence-artificielle-anne-alombert/
  3. Daron Acemoglu & Simon Johnson, Power and Progress, PublicAffairs, 2023
  4. Khan Academy — Khanmigo, documentation publique du projet (khanacademy.org)
  5. UNESCO, Guidance for generative AI in education and research, 2023 (unesdoc.unesco.org)
  6. Rapport Bergounioux-Thiollière, École et numérique, 2024 (Sénat français)
  7. Étude Kosmyna et al. 2025 — source primaire (arXiv) : https://arxiv.org/abs/2506.08872
  8. Page officielle MIT Media Lab — publication Kosmyna : https://www.media.mit.edu/publications/your-brain-on-chatgpt/
  9. Critique méthodologique Stanković et al. 2026 : https://arxiv.org/abs/2601.00856
  10. Anne Alombert — profil académique et publications : https://organoesis.org/anne-alombert
  11. Daron Acemoglu — MIT Sloan Faculty : https://mitsloan.mit.edu/faculty/directory/daron-acemoglu
  12. Khanmigo — Khan Academy (site officiel) : https://www.khanmigo.ai/
  13. Brookings — IA et établissements scolaires depuis 2023 : https://www.brookings.edu/articles/should-schools-ban-or-integrate-generative-ai-in-the-classroom/