La dette cognitive : quand l’IA remplace la pensée plutôt que de l’augmenter

Définir le problème

La dette cognitive désigne l’érosion progressive des capacités de raisonnement, de mémoire et de jugement provoquée par la délégation systématique du travail intellectuel à un outil génératif, masquée par une perception subjective d’amélioration de la performance.

Le terme a été introduit par Kosmyna et ses collègues du MIT Media Lab en 2025, à la suite d’une étude EEG sur 54 participants rédigeant des essais avec ou sans ChatGPT. Le travail est encore en prépublication et l’échantillon est petit ; il convient de le traiter comme un signal précoce plutôt que comme une preuve définitive. Mais ses observations s’alignent avec un corpus expérimental plus large, désormais convergent.

L’idée centrale : l’IA générative augmente la production immédiate tout en attaquant les compétences sous-jacentes que cette production est censée mobiliser. Le coût ne se voit pas dans la sortie de la semaine. Il se voit le jour où l’on retire l’outil.

Le mécanisme expérimental

Bastani et al. (PNAS, 2025) ont conduit un essai contrôlé randomisé auprès de près de 1’000 lycéens turcs en mathématiques. Trois groupes : pas d’IA, ChatGPT standard, version « GPT Tutor » conçue pour donner des indices plutôt que des solutions. Pendant l’entraînement, ChatGPT standard améliore les performances de 48 %. Au test sans assistance qui suit, ces mêmes élèves obtiennent 17 % de moins que ceux qui n’avaient jamais eu accès à l’IA. Les chercheurs documentent un usage en « béquille » : la majorité des interactions consistent à demander la réponse et à la recopier. Point critique : les élèves ne perçoivent aucune dégradation de leur apprentissage. La version avec garde-fous pédagogiques annule entièrement l’effet négatif.

Kosmyna et al. (MIT, 2025) observent par EEG que le groupe ChatGPT présente l’engagement neuronal le plus faible sur les 32 régions cérébrales mesurées, systématiquement inférieur à celui des groupes utilisant un moteur de recherche ou aucun outil. Dès la troisième session, les interactions deviennent essentiellement du copier-coller. Lorsqu’on demande ensuite à ces participants d’écrire sans IA, ils ne retrouvent pas la connectivité neuronale du groupe sans outil. 83 % d’entre eux sont incapables de citer correctement les points clés de leurs propres essais.

Dell’Acqua et al. (Organization Science, 2026) ont fait passer 758 consultants du Boston Consulting Group à un dispositif expérimental sur 18 tâches de consulting. À l’intérieur de la « frontière déchiquetée » des capacités de l’IA, l’effet est positif : +12 % de tâches complétées, +25 % de vitesse, +30 % de qualité. Hors de cette frontière, sur une tâche analytique complexe, les utilisateurs d’IA sont 19 points de pourcentage moins susceptibles de produire la solution correcte. Les consultants n’identifient pas où passe cette frontière, et tombent dans une sur-confiance que les auteurs nomment falling asleep at the wheel.

L’illusion de performance

Trois résultats indépendants convergent sur une dissociation entre la performance subjective et la performance objective :

• Bastani (2025) : les élèves ne perçoivent aucune perte d’apprentissage, alors que le test sans assistance la quantifie à 17 %.
• Shalu et al. (Annals of Neurosciences, 2025) : 100 % des participants estiment que les outils d’IA « préservent leur énergie mentale », mais les corrélations sur l’usage prolongé montrent une chute significative de la confiance en son propre jugement (r ≈ −0,36 à −0,40 selon les indicateurs), accompagnée d’une fatigue mentale et d’une surcharge informationnelle élevées.
• Microsoft Research / Carnegie Mellon (CHI 2025) : sur 319 travailleurs et 936 cas d’usage, plus la confiance accordée à l’IA est élevée, moins la pensée critique est mobilisée. Inversement, plus la confiance en ses propres compétences est élevée, plus l’engagement critique est fort.Le travailleur intensif d’IA n’a pas l’impression de moins penser. Il a souvent l’impression du contraire.

Le temps gagné se réinvestit dans plus de tâches

L’argument selon lequel l’IA libère du temps n’est pas faux dans l’absolu. Il est faux dans la pratique observée. Le rapport Microsoft 2024 sur l’IA en milieu de travail réel mesure que les utilisateurs de Copilot éditent en moyenne 10 % de documents en plus, 13 % pour les utilisateurs intensifs, et jusqu’à 25 à 30 % dans certaines organisations. Les chercheurs eux-mêmes formulent l’hypothèse que le temps économisé est partiellement réinvesti dans davantage de production plutôt que converti en récupération.

L’effet ne se limite pas au volume. Une seconde analyse Microsoft sur les sessions Copilot vs recherche traditionnelle classe les tâches selon la taxonomie d’Anderson-Krathwohl. Les sessions Copilot relèvent à 37 % des niveaux supérieurs (analyser, évaluer, créer), contre 13 % seulement pour la recherche classique. Autrement dit, l’IA déplace le travailleur vers des tâches plus complexes — précisément celles qui sollicitent le plus la pensée critique, c’est-à-dire celles que la dette cognitive érode.

À cela s’ajoute la dynamique de fatigue documentée par Shalu et al. (2025) : l’usage long-terme corrèle massivement (r > 0,9) avec l’épuisement mental, la surcharge informationnelle et la baisse d’attention. À court terme, Microsoft observe pourtant que les utilisateurs de Copilot rapportent une charge mentale plus faible sur la tâche immédiate (30/100 contre 55/100). Les deux résultats ne se contredisent pas : le coût immédiat baisse, le coût cumulé monte.

Ce que le problème n’est pas

Le problème n’est pas l’IA. Kestin et al. (Scientific Reports, 2025) ont conduit à Harvard un essai contrôlé sur un tuteur IA conçu selon les principes de la pédagogie active (scaffolding, charge cognitive gérée, feedback ciblé). Les étudiants apprennent plus du double par rapport à un cours actif équivalent, en y passant moins de temps. Bastani confirme la même asymétrie : avec garde-fous, l’effet négatif sur l’apprentissage disparaît.

La conception de l’outil et le mode d’usage déterminent le résultat. Une IA qui répond à la place de l’utilisateur creuse la dette. Une IA qui questionne, réoriente et exige un engagement actif la rembourse.

Recommandations

Au niveau de l’organisation

• Distinguer la charge cognitive extranée (friction, mise en forme, recherche d’information) de la charge cognitive germane (effort productif qui construit la compétence). L’IA doit alléger la première sans toucher à la seconde.
• Identifier explicitement les compétences critiques qui doivent rester exercées sans assistance, avec une fréquence définie. Un audit simple : quelles compétences-clés de mon équipe n’ont pas été pratiquées sans IA depuis trois mois ?
• Concevoir les flux de travail pour imposer une interaction itérative avec l’IA plutôt qu’une délégation en un coup. Le rapport BCG 2026 distingue trois modes d’usage : cyborg (dialogue continu, gain de compétence), centaur (division stratégique du travail, contrôle humain maintenu), self-automator (délégation passive, atrophie). Chez BCG, 27 % des consultants sont devenus self-automators.
• Investir dans la formation à la métacognition au moins autant que dans la formation à l’outil. Apprendre à utiliser l’IA est court. Apprendre à rester actif intellectuellement pendant qu’on l’utilise est ce qui distingue le gain durable de la dette.
• Adapter le pilotage de la performance. Si la productivité mesurée monte alors que les compétences sous-jacentes baissent, les indicateurs classiques masquent le risque au lieu de le détecter.Au niveau de l’individu
• Produire un brouillon ou une hypothèse de réponse avant de solliciter l’IA. C’est la différence entre vérifier sa pensée et l’externaliser.
• Demander des indices, des contre-arguments, des questions, plutôt que la réponse finale.
• Soumettre systématiquement la sortie IA à un contrôle explicite, en particulier sur les tâches dont on ignore si elles sont à l’intérieur ou hors de la frontière de capacité.
• Préserver des plages de production sans assistance, sur des tâches significatives, pour maintenir l’entraînement des compétences fondamentales.

---

Sources

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS.
• Chen, Y., et al. (2025). Effects of generative AI on cognitive effort and task performance: study protocol for an RCT. Trials, 26:244.
• Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. (2026). Navigating the Jagged Technological Frontier. Organization Science.
• Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI Tutoring Outperforms Active Learning. Scientific Reports.
• Kosmyna, N., et al. (2025). MIT Media Lab — étude EEG sur l’usage de ChatGPT en rédaction (prépublication, citée via Resultsense).
• Microsoft (2024). Generative AI in Real-World Workplaces: The Second Microsoft Report on AI and Productivity Research.
• Shalu, et al. (2025). The Cognitive Cost of AI: How AI Anxiety and Attitudes Influence Decision Fatigue in Daily Technology Use. Annals of Neurosciences.
• Zhang, H., Zhu, L., Zhang, A., & Shohruh, K. (2026). The influence of generative AI usage on employees’ innovative job performance. PLOS One.