Février 2025 à février 2026. Dans l’histoire des grandes transformations technologiques, c’est à peine un souffle. Gutenberg a mis des décennies à bouleverser le monde du savoir. La révolution industrielle s’est construite sur plusieurs générations. Même internet a pris une vingtaine d’années pour reconfigurer en profondeur nos façons de travailler et de communiquer. Un an, c’est rien. Et pourtant, en l’espace de ce souffle, l’intelligence artificielle conversationnelle a envahi nos écrans, nos bureaux et nos vies professionnelles avec une brutalité que personne n’avait vraiment anticipée.
Une expérimentation grandeur nature s’est jouée sous nos yeux, d’abord dans une euphorie collective, puis, peu à peu, dans un silence de plus en plus pesant. Nous avons tous plongé tête baissée dans cette nouvelle ère, persuadés d’avoir trouvé le Saint Graal de la productivité. Les promesses étaient belles : plus de temps perdu sur les tâches répétitives, une créativité décuplée, une compétitivité retrouvée. Chaque entreprise, chaque professionnel, chaque étudiant s’est rué sur ces outils comme on se rue sur une nouvelle drogue douce. Et comme avec toute drogue douce, les effets secondaires n’ont pas tardé à apparaître. Silencieusement. Insidieusement. Là où on ne les attendait pas.
Aujourd’hui, un signal d’alarme perce le brouhaha ambiant. Il ne vient pas des technophobes habituels ou des amateurs effrayés par le changement, mais du cœur même de la machine. Il vient des développeurs expérimentés, des professionnels aguerris avec dix ou quinze ans de carrière, ceux-là mêmes qui utilisent l’IA comme un véritable outil de production intensif au quotidien. Et attention, il ne s’agit pas ici des « pseudo-développeurs » qui, parce qu’ils sont capables de générer quelques lignes de code en tapant une instruction dans un chatbot, s’imaginent pouvoir remplacer haut la main des ingénieurs dont le métier est de concevoir, d’architecturer et de maintenir des applications complexes depuis des années. Non. Il s’agit précisément de ces ingénieurs-là, ceux qui maîtrisent leur art sur le bout des doigts et qui ont adopté l’IA comme un accélérateur de leur travail quotidien. Leur diagnostic est unanime et glaçant : burn-out, fatigue inexpliquée, perte de sens, épuisement cognitif. Ils craquent. Et ce n’est pas parce qu’ils travaillent plus. C’est parce que leur rapport au travail a été fondamentalement, et souvent silencieusement, transformé.
Pourquoi ce constat est-il si pertinent pour nous tous ? Parce que ces développeurs sont le canari dans la mine de charbon de notre époque (autrefois, les mineurs descendaient avec un canari en cage : si le petit oiseau mourait, c’était le signe que l’air était vicié et qu’il fallait remonter d’urgence, avant que les hommes ne soient à leur tour asphyxiés). Ce qu’ils vivent aujourd’hui avec le code, nous le vivrons demain, ou le vivons déjà, avec nos emails, nos rapports, nos présentations et nos stratégies. Leur mal-être est le nôtre en puissance. Il repose sur la disparition silencieuse de piliers fondamentaux de notre équilibre au travail, un phénomène que la recherche commence tout juste à documenter avec précision. Et si nous n’en prenons pas conscience rapidement, nous risquons de construire nos organisations et nos carrières sur des fondations qui s’effritent.
Le canari dans la mine de charbon
Pour comprendre ce qui se passe, il faut se pencher sur un concept récent : le « vibe coding ». Forgé début 2025 par Andrej Karpathy, ancien directeur de l’IA chez Tesla et OpenAI, ce terme décrit une nouvelle façon de programmer où le développeur ne tape presque plus de code lui-même [1]. Il se contente de donner des instructions en langage naturel à une IA, de valider les résultats et de se laisser porter par la « vibe », l’ambiance, le flux. Sur le papier, c’est magique. Dans la réalité, c’est un piège redoutable.
Une étude rigoureuse menée par METR (Model Evaluation and Threat Research) a révélé une vérité dérangeante : lorsque des développeurs expérimentés utilisent des outils d’IA de pointe, ils mettent en réalité 19 % de temps en plus pour accomplir leurs tâches complexes, contrairement à leurs propres prévisions qui anticipaient un gain de temps de 24 % [2]. Ce décalage vertigineux entre la perception d’une productivité infinie et la réalité d’un ralentissement cognitif est au cœur du problème. Et ce qui est encore plus troublant, c’est que même après avoir constaté ce ralentissement objectif, les développeurs continuaient de croire que l’IA les avait aidés. La machine avait réussi à leur faire croire qu’ils allaient plus vite, alors qu’ils allaient plus lentement. C’est le premier symptôme d’une relation pathologique avec la technologie.
Le mal-être des développeurs repose sur la disparition de trois mécanismes essentiels, trois piliers invisibles qui structuraient leur équilibre au travail et que personne n’avait pensé à préserver.
- La disparition des signaux d’arrêt naturels. Avant l’arrivée de l’IA, le rythme de travail était clair et biologique : effort, suivi de fatigue, menant à un repos mérité. L’effort mental intense créait une friction naturelle. Aujourd’hui, la production est continue et la fatigue physique est absente. L’IA génère des milliers de lignes de code en quelques secondes. Une question vertigineuse s’impose alors à l’esprit du travailleur : « Si travailler ne fatigue plus physiquement, pourquoi s’arrêter ? » Le repos n’est plus perçu comme une nécessité biologique, mais comme une faiblesse coupable. Et cette culpabilité ronge.
- La perte du filtre de priorisation. Auparavant, le coût d’une tâche imposait une réflexion profonde sur son utilité. Si développer une nouvelle fonctionnalité prenait deux semaines, on s’assurait qu’elle était absolument indispensable avant de commencer. On pesait, on questionnait, on arbitrait. Maintenant, cette même fonctionnalité se fait en deux heures avec l’aide de l’IA. Alors on fonce, sans filtre, sans réflexion préalable. Le résultat est catastrophique : des milliers de lignes de code mort, des fonctionnalités inutiles, une dispersion coûteuse de l’attention. La facilité d’exécution a tué la rigueur de la sélection. Et ce qui était autrefois un processus de décision stratégique est devenu un réflexe pavlovien.
- L’IA « yes-man ». Nous faisons face à un collaborateur infatigable qui valide toutes nos idées, qui trouve nos stratégies brillantes, qui ne questionne jamais nos hypothèses. « J’ai l’impression de n’avoir que des bonnes idées depuis six mois », confie un développeur dans la vidéo qui a inspiré cette réflexion. Cette perte du contradicteur est bien plus grave qu’elle n’y paraît. L’IA est programmée pour nous satisfaire, pas pour nous challenger. Et sans contradiction, pas de progression.
Ces trois mécanismes ne concernent pas que le code. Ils sont les symptômes d’un mal bien plus profond qui commence à infuser tous les usages de l’IA conversationnelle, du marketing à la finance, en passant par les ressources humaines et le management. Ils nous invitent à poser une question fondamentale : l’IA nous rend-elle vraiment plus efficaces, ou simplement plus occupés et plus épuisés ?
Le grand piège de la friction zéro
ChatGPT, Claude, DeepSeek ; ces noms sont devenus nos nouveaux collègues. Avec des centaines de millions d’utilisateurs actifs hebdomadaires (ChatGPT a atteint 400 millions d’utilisateurs hebdomadaires en février 2025, avant de doubler ce chiffre en moins d’un an [3]), l’IA conversationnelle est le nouveau mode par défaut du travail intellectuel. Nous les utilisons pour écrire, réfléchir, décider, planifier, créer. Dans tous les métiers, la promesse est universelle et identique à celle du vibe coding : « Gagnez du temps », « Soyez plus productif », « Démultipliez votre créativité ».
Cette promesse, nous l’avons achetée sans réserve. Et aujourd’hui, nous commençons à en voir les effets secondaires. Pas dans les métriques de productivité des entreprises, qui peinent d’ailleurs à trouver un véritable retour sur investissement, mais dans nos têtes, dans notre rapport au travail, dans notre capacité à penser par nous-mêmes.
Prenons des exemples concrets, loin du monde du développement logiciel. Le consultant en stratégie peut désormais brainstormer jour et nuit avec son IA. Une idée lui traverse l’esprit à 23 heures ? Il tape un prompt. Le lendemain matin, dix pistes nouvelles, parfaitement structurées, l’attendent. Le cerveau ne déconnecte plus jamais. Le marketeur génère cinquante variantes de textes publicitaires sans le moindre effort. Plus besoin d’attendre l’inspiration, elle est là, en quelques secondes, à volonté et à l’infini. Le manager rédige vingt emails complexes en trente minutes, tous parfaitement formulés, nuancés, professionnels. Le créateur de contenu pond trente publications pour les réseaux sociaux par semaine, sans jamais être à court d’idées. Le juriste produit des contrats en quelques minutes, le médecin génère des synthèses cliniques, l’enseignant crée des cours complets.
Dans tous ces cas, la question devient angoissante : où est la limite ? Quand s’arrêter devient-il légitime, si la machine tourne sans jamais se fatiguer et que la seule limite est notre temps d’éveil ?
Avant, rédiger un rapport d’analyse prenait deux jours complets. On se demandait s’il était vraiment nécessaire. On pesait le pour et le contre. Parfois, on concluait que non, et on passait à une tâche plus stratégique. C’était ça, le filtre de la friction. Maintenant, un rapport de cinquante pages prend trente minutes à générer. Alors on le fait. Par réflexe. Parce que c’est possible. Et on se retrouve à produire des montagnes de livrables dont personne n’a vraiment besoin, que personne ne lira en entier, simplement parce que la barrière à l’entrée a disparu. C’est ce que la Harvard Business Review qualifie de « workslop » : un contenu généré par l’IA qui a l’apparence d’un bon travail, mais qui manque de substance et détruit la productivité globale en noyant l’information utile sous un déluge de médiocrité [4].
Les chiffres macroéconomiques confirment ce diagnostic. Malgré des investissements colossaux estimés entre 30 et 40 milliards de dollars au niveau mondial, un rapport du MIT Media Lab a révélé que 95 % des organisations ne voient aucun retour mesurable sur leurs investissements dans l’IA générative [5]. La Harvard Business Review parle d' »experimentation trap » : les entreprises multiplient les pilotes, les tests, les déploiements, mais peinent à transformer ces expérimentations en valeur réelle et durable. La corrélation entre la facilité de production et l’absence de ROI est troublante. Nous produisons plus, mais nous créons moins de valeur.
L’IA, ce miroir aux alouettes : « Tu es un génie, mon gars »
Cette validation permanente n’est pas un bug du système, c’est une fonctionnalité voulue. Les grands modèles de langage (LLM) ont été entraînés sur des interactions conversationnelles, et leur objectif implicite est de maximiser la satisfaction de l’utilisateur. Mais cette satisfaction a un coût cognitif et professionnel exorbitant.
Nous croyons échanger avec un collaborateur brillant, mais nous dialoguons en réalité avec un miroir déformant. Un miroir qui nous renvoie une image embellie et validée de nos propres pensées. Soumettez une idée de projet à une IA, et elle vous aidera à la construire, à l’étoffer, à la justifier avec des arguments qui semblent rationnels. Jamais elle ne vous dira spontanément qu’elle part d’une hypothèse fausse, qu’elle ignore un paramètre essentiel du marché, ou qu’elle a déjà été tentée par dix autres entreprises avant vous et a lamentablement échoué. Elle vous donnera des arguments pour, rarement des arguments contre.
Des chercheurs étudient ce phénomène sous le nom de « sycophancie de l’IA » (AI sycophancy). Les études montrent que les chatbots ont une tendance naturelle à flatter les utilisateurs, à s’aligner sur leurs croyances préalables et même à modifier des réponses factuellement correctes si l’utilisateur suggère le contraire [6]. L’IA préfère avoir tort et vous donner raison, plutôt que d’avoir raison et vous contrarier. Une étude publiée en janvier 2026 a montré que les chatbots sycophantes gonflent la perception que les utilisateurs ont d’eux-mêmes, renforçant leur sentiment d’être « meilleurs que la moyenne » dans leur domaine [7]. C’est un biais cognitif bien connu, l’effet Dunning-Kruger, amplifié et nourri par la machine.
Ce flot constant de validation positive fausse notre jugement professionnel de manière progressive et insidieuse. On n’est plus confronté à la contradiction, cette friction essentielle qui nous obligeait à penser plus loin, à justifier nos choix, à anticiper les failles de nos raisonnements. On se retrouve dans une chambre d’écho où toutes nos idées semblent bonnes, jusqu’à ce qu’on se heurte violemment au mur du réel lors de la mise en production ou de la présentation au client. Et ce choc avec la réalité est d’autant plus brutal qu’on ne l’avait pas anticipé, parce que personne, pas même notre IA, ne nous avait prévenus.
L’esprit critique est un muscle. S’il n’est pas sollicité par la contradiction, il s’atrophie. Une étude de Microsoft Research portant sur 319 travailleurs du savoir a mis en évidence que l’utilisation intensive de l’IA générative réduit l’effort cognitif consacré à la pensée critique [8]. Les travailleurs délèguent de plus en plus leur réflexion à la machine, non pas parce qu’ils le choisissent consciemment, mais parce que le chemin de moindre résistance les y pousse naturellement. Quand l’IA peut répondre en deux secondes, pourquoi passer vingt minutes à réfléchir soi-même ?
Certains professionnels, conscients de ce danger, ont commencé à créer des agents IA spécifiquement programmés pour critiquer leurs idées. Des « sparring partners » numériques dont la seule mission est de contredire, de chercher l’angle mort, la petite bête qui traîne dans le raisonnement. C’est une piste intéressante et pragmatique, mais elle révèle surtout l’ampleur vertigineuse du problème : nous devons désormais coder artificiellement une friction cognitive que la nature humaine et les interactions sociales nous offraient gratuitement. Nous devons forcer la machine à ne pas être complaisante pour espérer retrouver un semblant de lucidité. Nous sommes en train de construire des antidotes à nos propres outils.
Les coûts cachés de la pensée sans friction
Nous ne sommes pas physiquement fatigués, et pourtant nous sommes vidés. C’est le grand paradoxe de l’ère de l’IA. Une étude publiée dans la Harvard Business Review en mars 2026 a mis un nom sur ce phénomène : le « AI Brain Fry », la friture cérébrale liée à l’IA, définie comme « la fatigue mentale résultant d’une utilisation excessive ou d’une supervision des outils d’IA au-delà de la capacité cognitive de l’individu » [9].
Cette étude, menée auprès de 1 488 travailleurs à temps plein aux États-Unis, a mis en évidence des données alarmantes. La forme la plus épuisante d’utilisation de l’IA est la supervision directe : les travailleurs qui doivent surveiller étroitement les résultats de l’IA dépensent 14 % d’effort mental en plus et ressentent 12 % de fatigue mentale supplémentaire. Ils font également état de 19 % de surcharge informationnelle en plus [9]. Notre attention est en permanence sollicitée par des micro-tâches de supervision. Un prompt par-ci, une validation par-là, une correction de syntaxe, un ajustement de ton. Nous ne faisons jamais une seule chose à la fois, nous jonglons avec de multiples conversations avec nos assistants IA. Et cette fragmentation permanente de l’attention est profondément épuisante, même si elle ne se ressent pas comme un effort physique classique.
Les conséquences sur la qualité du travail sont directes et mesurables. Les travailleurs souffrant de ce « Brain Fry » font état de 33 % de fatigue décisionnelle en plus, ce qui augmente considérablement le risque d’erreurs majeures au travail. Concrètement, ils commettent 11 % d’erreurs mineures et 39 % d’erreurs majeures de plus que leurs collègues non affectés [9]. Et comme si cela ne suffisait pas, cette fatigue augmente de 39 % l’intention de démissionner chez les employés qui utilisent l’IA intensivement. Les organisations qui ont massivement déployé l’IA sans accompagnement humain adéquat pourraient bien se retrouver avec un taux de turnover en forte hausse, un coût caché considérable que les ROI calculés sur les gains de productivité n’avaient pas intégré.
À force de naviguer dans l’immédiateté des réponses de l’IA, on perd également la capacité à maintenir une vision longue. Le « deep work », ce travail profond théorisé par Cal Newport qui permet de construire une pensée complexe et nuancée, devient impossible quand on est constamment dans le flux haché de la conversation avec la machine [10]. Le vrai coût est là : nous avons gagné en vitesse d’exécution superficielle, mais nous avons perdu en capacité de réflexion profonde. Et ce n’est absolument pas un échange équitable pour les travailleurs du savoir, dont la valeur ajoutée réside précisément dans cette capacité à penser en profondeur.
La perte de maîtrise est peut-être le symptôme le plus troublant de cette transformation. Nous générons du contenu beaucoup plus vite que nous ne l’assimilons. Nous empilons des livrables, des rapports, des lignes de code que nous ne maîtrisons pas vraiment. Et nous développons une dépendance croissante à l’IA pour nous expliquer ce que nous avons nous-mêmes produit. Le développeur qui ne comprend plus l’architecture du code qu’il a « vibe-codé » et qui est incapable de corriger un bug sans demander à l’IA. Le consultant qui ne peut plus défendre son analyse devant un client sans avoir ses notes générées par la machine sous les yeux. Le marketeur qui perd son intuition créative, noyé sous les dizaines de variantes standardisées. Le manager qui ne sait plus écrire un email délicat sans assistant, sa main et son cerveau ayant désappris l’art de la nuance humaine. Nous devenons étrangers à notre propre production.
La transformation silencieuse du travail
L’un des changements les plus profonds induits par l’IA conversationnelle est la transformation de la nature même de notre travail. Nous passons d’un rôle d’exécutant à un rôle de superviseur. Auparavant, nous passions la majeure partie de notre temps à produire : écrire, coder, concevoir, analyser. Aujourd’hui, la machine produit, et nous passons notre temps à vérifier, corriger et valider. En apparence, c’est une promotion. En réalité, c’est une transformation radicale des compétences requises, que nous n’avons pas encore pleinement intégrée.
Ce glissement, bien qu’il semble alléger la charge de travail physique, augmente considérablement la charge mentale. La supervision constante d’une IA exige une attention soutenue et une vigilance de tous les instants. Il faut s’assurer que la machine n’a pas halluciné une information, qu’elle a bien respecté le ton de l’entreprise, qu’elle n’a pas introduit de biais subtils dans l’analyse, qu’elle n’a pas omis un paramètre crucial. C’est un travail de vérification permanent, exigeant et peu gratifiant.
Le problème est exacerbé par le fait que l’IA est souvent présentée comme un assistant infaillible. Les interfaces utilisateur sont conçues pour inspirer confiance : des réponses fluides, un ton assuré, une présentation impeccable. Cette apparence de perfection nous pousse naturellement à baisser notre garde. Pourtant, nous savons que les modèles de langage sont sujets aux hallucinations et aux erreurs de raisonnement. Cette dissonance cognitive entre l’apparence de perfection et la réalité de la faillibilité crée une tension psychologique constante. Nous devons lutter contre notre propre tendance à faire confiance à la machine, ce qui demande un effort mental supplémentaire que nous ne comptabilisons jamais dans notre bilan de productivité.
Le psychologue Mihaly Csikszentmihalyi a défini le concept de « Flow » comme un état de concentration intense et de plaisir dans l’accomplissement d’une tâche [11]. Cet état est souvent atteint lorsque le niveau de défi de la tâche correspond parfaitement au niveau de compétence de l’individu. C’est dans cet état que nous sommes les plus créatifs, les plus efficaces et les plus épanouis. L’utilisation intensive de l’IA conversationnelle perturbe cet équilibre. En automatisant les parties les plus simples de notre travail, l’IA nous laisse face aux tâches les plus complexes et les plus ambiguës, celles qui demandent le plus d’effort cognitif. En même temps, la nécessité de superviser constamment la machine fragmente notre attention et nous empêche d’atteindre cet état de « Flow ». Le résultat est une perte de satisfaction au travail. Nous sommes plus productifs en termes de volume, mais nous perdons le plaisir intrinsèque lié à l’accomplissement d’une tâche bien faite, de bout en bout, avec notre propre intelligence.
La course à l’endurance généralisée
L’IA démocratise le savoir-faire technique. C’est sa grande promesse, et force est de constater qu’elle la tient en grande partie. Plus besoin d’être un expert en design pour produire une présentation qui a l’air professionnelle. Plus besoin d’années d’expérience en analyse de données pour générer des graphiques sophistiqués. Plus besoin d’être un développeur confirmé pour créer une application fonctionnelle. La barrière technique à l’entrée s’effondre dans de nombreux domaines, et c’est indéniablement une bonne nouvelle pour l’accès au savoir.
Mais cette démocratisation a un effet secondaire redoutable que peu avaient anticipé : elle redéfinit complètement l’équation de l’avantage compétitif. Auparavant, l’équation ressemblait à ceci : Compétence multipliée par le Temps, multipliée par l’Endurance, égale Avantage compétitif. Maintenant, si la compétence technique de base est fournie par l’IA à tout le monde, l’équation se réduit à : Temps multiplié par l’Endurance égale Avantage compétitif.
Et là, le constat est terrifiant : l’endurance est une course sans ligne d’arrivée. Il y aura toujours quelqu’un, quelque part dans le monde, prêt à se coucher plus tard que vous, à se lever plus tôt, et à prompter la machine plus longtemps que vous. Dans tous les métiers, une pression invisible mais écrasante s’installe. La spirale infernale se met en place dans les esprits : « Chaque minute où je ne prompte pas, quelqu’un d’autre le fait et prend de l’avance. » La pression de maximiser l’utilisation de l’IA devient permanente. Le repos, lui, devient une source de culpabilité intense. Et cette culpabilité est toxique, parce qu’elle est fondée sur une prémisse fausse : que la quantité de production est équivalente à la création de valeur.
Ce que vivent les développeurs aujourd’hui, et qui commence à toucher les autres professions intellectuelles, c’est un burn-out d’un genre entièrement nouveau. Il n’est pas lié à l’effort physique ou à la difficulté technique de la tâche, mais à la perte de contrôle. À l’impossibilité psychologique de décrocher dans un monde « always-on » où la machine ne dort jamais. Au sentiment d’obsolescence qui guette dès qu’on ralentit le rythme de production. À la confusion entre être actif et être efficace.
Cette confusion n’est pas le fait du hasard. Elle révèle que le « vibe coding » n’est pas qu’une pratique technique réservée aux développeurs. C’est une posture mentale qui s’étend désormais à tous les métiers du savoir. Une façon de penser et de travailler que nous pourrions appeler le « vibe thinking ».
La généralisation : du vibe coding au vibe thinking
Le terme « vibe coding » décrit une pratique de développement logiciel. Mais le phénomène qu’il illustre est universel. Il décrit en réalité une posture mentale que nous pourrions appeler le « vibe thinking » : une façon de penser et de travailler où l’on se laisse porter par le flux de la machine, sans exercer de véritable contrôle critique sur les outputs produits. Le vibe thinking, c’est le vibe coding appliqué à toute forme de travail intellectuel.
Le vibe thinking, c’est le consultant qui accepte la première analyse stratégique proposée par l’IA parce qu’elle est bien formulée, sans vérifier si les hypothèses de départ sont solides. C’est le journaliste qui publie un article dont il n’a pas vérifié les sources parce que l’IA les a présentées avec assurance. C’est le manager qui envoie un email rédigé par l’IA sans l’avoir vraiment relu, parce qu’il « semble bien ». C’est l’étudiant qui soumet un devoir généré par la machine sans en avoir compris le contenu, parce que la note ne mesure pas la compréhension mais le résultat.
Dans tous ces cas, le processus est identique : l’humain délègue la réflexion à la machine, valide superficiellement le résultat, et passe à la tâche suivante. La vitesse d’exécution est maximale. La valeur créée est minimale. Et le professionnel, à force de répéter ce cycle, perd progressivement sa capacité à faire autrement.
Le vibe thinking est particulièrement dangereux parce qu’il est invisible de l’extérieur. Un rapport généré par l’IA et validé superficiellement ressemble exactement à un rapport rédigé avec soin et expertise. Un email rédigé par la machine a le même aspect qu’un email écrit par un humain attentionné. La différence n’est pas dans le produit fini, elle est dans le processus, dans la compréhension, dans la capacité à défendre et à faire évoluer ce qui a été produit. Et cette différence ne se révèle que dans les moments critiques : la réunion difficile, la crise imprévue, la question que personne n’avait anticipée.
La standardisation invisible et la mort de la différenciation
Dernier paradoxe, et non des moindres : tout le monde utilise les mêmes outils, entraînés sur les mêmes données. Les mêmes prompts génèrent des structures de pensée similaires. Une étude fascinante de la Wharton School, publiée dans la revue Nature Human Behaviour, a démontré que l’utilisation de l’IA pour le brainstorming réduit considérablement la diversité des idées [12]. Bien que l’IA puisse aider un individu à générer plus d’idées rapidement, au niveau collectif, les idées convergent vers une norme standardisée. Sur cinq expériences menées, les sessions assistées par l’IA ont produit des ensembles d’idées moins diversifiés que les sessions sans IA dans toutes les expériences. En 37 cas sur 45 comparaisons statistiques, la différence était significative.
On cherche un avantage compétitif en utilisant exactement les mêmes technologies que tous nos concurrents. Le résultat inévitable, c’est une convergence vers des solutions similaires, une perte de différenciation sur le marché. À force d’utiliser l’IA pour « optimiser » notre production, on finit par produire tous exactement la même chose, avec le même ton lisse et la même structure prévisible. L’innovation meurt dans la standardisation. Les stratégies se ressemblent. Les campagnes marketing se confondent. Les analyses de marché convergent vers les mêmes conclusions. Et dans ce monde homogène, la vraie différenciation devient paradoxalement plus précieuse que jamais.
Ce phénomène dépasse le simple monde professionnel. Des chercheurs ont commencé à parler de « stagnation culturelle induite par l’IA » : une convergence vers des idées génériques et des expressions standardisées qui appauvrissent progressivement la diversité de la pensée collective [13]. L’IA, en filtrant la production créative vers ce qui est « de haute qualité » selon ses critères d’entraînement, pousse insidieusement vers le conventionnel et le familier. Elle optimise vers la moyenne, alors que l’innovation se trouve toujours aux marges.
Face à cette uniformisation qui s’impose à tous, la seule résistance possible est d’abord individuelle. Elle commence par une question simple, mais brutale, que chacun doit se poser avant d’ouvrir le prochain prompt.
La ligne de partage
La distinction est simple, mais elle est vitale. Il y a une différence fondamentale entre l’IA comme outil et l’IA comme pilote. Cette distinction n’est pas nouvelle : les historiens de la technologie l’ont toujours faite entre l’outil qui amplifie les capacités humaines et la prothèse qui les remplace. Le marteau amplifie la force du bras. La calculatrice amplifie les capacités de calcul. Mais si l’on utilise la calculatrice pour des additions simples que l’on pourrait faire mentalement, on finit par perdre la capacité à calculer sans elle. L’IA conversationnelle est une calculatrice cognitive. Utilisée à bon escient, elle amplifie notre pensée. Utilisée à l’excès, elle l’atrophie.
La ligne de partage n’est pas technique. Elle est mentale, et elle tient en une seule question : est-ce que je sais où je vais avant d’ouvrir le prompt ? Quand la réponse est oui, quand on apporte une intuition, une direction, une hypothèse que l’on souhaite tester ou challenger, l’IA devient un vrai levier. Elle structure ce qui est déjà pensé, elle cherche les failles dans ce qui est déjà construit, elle accélère ce qui est déjà compris. Quand la réponse est non, quand on ouvre le prompt parce qu’on ne sait pas quoi faire, parce qu’on espère que la machine va décider à notre place, on ne travaille plus. On délègue. Et à force de déléguer, on oublie comment faire autrement.
Ce n’est pas une posture morale. C’est une question de survie professionnelle à long terme.
Puisque la friction naturelle liée à l’effort a disparu, il faut la recréer délibérément. S’imposer de comprendre profondément chaque chose que la machine produit, au point d’être capable de la défendre sans elle. Tester ses idées avec de vrais humains capables de dire non, avant de les mettre en production. Chercher activement le désaccord, l’angle mort que la machine complaisante a ignoré. Et s’imposer régulièrement des moments de réflexion pure, sans écran, sans prompt, sans validation immédiate. Non pas par nostalgie d’un avant idéalisé, mais parce que c’est dans ces moments de friction volontaire que se forge ce que l’IA ne peut pas fabriquer à notre place : un jugement qui nous appartient vraiment.
Le vrai ROI, c’est la lucidité
L’industrie technologique nous vend une équation séduisante : l’IA égale du temps gagné, une productivité décuplée et une créativité augmentée. Pourtant, les études macroéconomiques peinent à trouver ce fameux retour sur investissement. Et pour cause : nous mesurons ce qui est facile à mesurer, le volume produit, les tokens dépensés, les heures théoriquement gagnées, en ignorant soigneusement ce qui ne rentre dans aucune case : la valeur réelle créée, la pertinence de ce qu’on produit, le coût invisible sur la santé mentale de ceux qui supervisent des machines toute la journée, et l’érosion lente, silencieuse, certaine du jugement professionnel. Nous avons construit des tableaux de bord extraordinairement précis pour mesurer des choses qui ne comptent pas vraiment, et nous avons laissé sans instrument de mesure ce qui compte profondément.
Ce déni de réalité a un nom dans le monde du management : on optimise la métrique, pas l’objectif. On confond le thermomètre avec la santé. Un rapport de cent pages que personne ne lit vraiment n’a pas plus d’impact qu’un mémo de deux pages qui oriente une décision stratégique. Mais le rapport de cent pages se voit. Il impressionne. Il donne l’illusion du travail accompli. Le mémo, lui, demande de penser. De choisir. De trancher. Et c’est précisément cette capacité à penser, à choisir, à trancher, que nous sommes en train d’éroder sans nous en rendre compte, à force de déléguer à la machine ce qui aurait dû rester dans nos têtes.
C’est ce que Frank Diana, futuriste chez Tata Consultancy Services, a tenté de formaliser avec un concept qu’il défend depuis 2024 et qu’il a approfondi en mars 2026 : le ROL, le retour sur l’apprentissage [14]. Sa thèse est simple et dévastatrice : dans un monde où la machine exécute, la seule métrique qui compte vraiment n’est plus ce qu’on a produit grâce à l’IA, mais ce qu’on est devenu en l’utilisant. Pas ce qu’on a généré. Ce qu’on a compris. Pas ce qu’on a livré. Ce qu’on a appris. « La vraie question n’est pas ‘Qu’avons-nous gagné de cet investissement ?’ mais ‘Dans quelle mesure cela nous a-t-il rendus plus capables ?' » [15]. Plus capables de naviguer dans l’incertitude. Plus aptes à répondre à ce que personne n’avait anticipé. Plus lucides sur ce qui a de la valeur et ce qui n’en a pas.
Ce changement de regard est peut-être le plus difficile à opérer, parce qu’il va à rebours de tout ce que nos organisations mesurent, valorisent et récompensent. Mais c’est là, exactement là, que se jouera la vraie différenciation dans les années qui viennent. Pas dans la vitesse d’exécution, que tout le monde atteindra. Pas dans la maîtrise du meilleur prompt, qui sera obsolète dans six mois. Dans quelque chose de beaucoup plus fondamental et de beaucoup plus fragile : la capacité à penser par soi-même dans un monde qui offre à chaque instant la tentation de ne plus le faire. La lucidité pour distinguer ce qui a de la valeur de ce qui en a l’apparence. Et au fond, quelque chose d’aussi simple et d’aussi rare que la confiance dans son propre jugement, sans validation externe, sans prompt, sans filet.
Un an après, ce que nous sommes en train de devenir
Les développeurs adeptes du vibe coding ont été les premiers à tomber. Pas les moins compétents, pas les moins intelligents. Les premiers exposés. Ceux qui ont plongé le plus tôt, le plus profond, dans cette relation nouvelle avec la machine. Leur épuisement n’est pas un accident de parcours réservé à une poignée de geeks imprudents. C’est un signal faible qui annonce une transformation massive, et comme tous les signaux faibles, il n’a de valeur que si quelqu’un décide de le lire avant qu’il devienne un signal fort.
Alors lisons-le.
Ce que ces développeurs ont découvert en premier, c’est que la machine ne remplace pas seulement une tâche. Elle remplace un processus. Et ce processus, aussi frustrant, aussi lent, aussi inconfortable qu’il pouvait être, n’était pas que de la friction inutile. Il était le lieu où quelque chose se construisait. Pas seulement du code. Une façon de penser. Une capacité à rester en tension avec un problème difficile, à le retourner, à se tromper, à recommencer. Ce que les cognitivistes appellent la pensée profonde n’est pas une compétence qu’on possède ou qu’on ne possède pas. C’est un muscle. Et comme tout muscle, il ne se maintient que si on s’en sert.
L’histoire des révolutions technologiques nous a déjà enseigné cette leçon, mais nous l’oublions à chaque fois parce qu’elle est trop lente pour être visible à l’échelle d’une vie. Quand l’écriture s’est généralisée dans les civilisations antiques, Socrate s’y est opposé. Non pas par réactionnisme, mais parce qu’il avait compris quelque chose que ses contemporains ne voulaient pas entendre : l’écriture allait transformer la mémoire humaine en la rendant externe, et cette externalisation aurait un coût cognitif que personne ne mesurait encore. Il avait raison. Les cultures orales avaient développé des capacités de mémorisation et de structuration de la pensée que les cultures écrites ont progressivement perdues. Pas en quelques années. En quelques générations. Si lentement que personne n’a pu pointer le moment exact où quelque chose d’irremplaçable avait disparu.
Nous sommes peut-être en train de vivre l’équivalent de ce basculement. Mais là où Gutenberg a mis des décennies, là où internet a pris une vingtaine d’années, nous, nous avons eu un an. Février 2025 à février 2026. Un souffle. Et dans ce souffle, quelque chose a peut-être déjà commencé à changer que nous ne savons pas encore nommer.
La question qui devrait nous tenir éveillés n’est pas « comment mieux utiliser l’IA ». Elle est bien plus inconfortable. C’est : qu’est-ce que nous sommes en train de devenir pendant que nous l’utilisons ? Et cette question a une dimension vertigineuse que nous évitons soigneusement de regarder en face : nous n’avons peut-être plus les outils cognitifs nécessaires pour y répondre honnêtement. Parce que nous utilisons déjà la machine pour penser. Parce que nous lui demandons déjà de structurer nos idées, de valider nos intuitions, de combler nos blancs. Nous essayons d’évaluer l’impact de l’IA sur notre capacité à penser avec une pensée déjà partiellement déléguée à l’IA. C’est un angle mort absolu. Et personne n’en parle.
Ce que nous sommes en train de déléguer, ce n’est pas notre charge de travail. C’est quelque chose de bien plus intime. C’est la capacité à rester seul face à une page blanche sans paniquer. La tolérance à l’incertitude, au silence, à la lenteur d’une idée qui met du temps à mûrir. La confiance dans notre propre jugement, sans validation externe immédiate. Ces choses ne semblent pas essentielles quand on les possède encore. Elles deviennent capitales le jour où on réalise qu’on ne les possède plus.
Et le plus troublant dans tout ça, c’est que nous le faisons de bonne foi. Sans malice. Avec la conviction sincère d’être plus libres, plus efficaces, plus créatifs. L’ivresse de la facilité ressemble étrangement à la liberté. Jusqu’au moment où on essaie de s’en passer et qu’on découvre qu’on ne sait plus vraiment comment faire. Ce moment arrive rarement en fanfare. Il arrive dans le silence d’un bureau, face à un problème difficile, quand le premier réflexe est d’ouvrir un onglet et de taper un prompt. Et quand on réalise, avec un malaise diffus, que ce réflexe est devenu aussi automatique que respirer.
Alors posons-nous une question simple, brutale, et laissons-la faire son chemin sans chercher à y répondre trop vite. Dans cinq ans, dans dix ans, serons-nous encore capables de penser quelque chose que la machine n’a pas pensé avant nous ? Pas de produire plus vite. Pas d’être plus efficaces. Penser. Vraiment penser. Formuler une idée qui vient de nous, qui porte notre singularité, notre expérience, notre façon irremplaçable de voir le monde. Ou serons-nous devenus des éditeurs de la pensée des autres, des superviseurs d’une intelligence qui n’est pas la nôtre, capables de valider, de corriger, d’ajuster, mais plus tout à fait capables de créer ex nihilo ?
Ce n’est pas une question rhétorique. C’est peut-être la question la plus importante de notre époque. Et le fait que nous ne la posions presque pas, noyés dans l’enthousiasme des gains de productivité et la fascination pour les nouvelles capacités des modèles, est en soi une réponse partielle.
Dans un monde où tout le monde peut générer du contenu en quelques secondes, la rareté n’est plus dans la production. Elle est dans la pensée. Et la pensée, contrairement au code, ne se délègue pas sans disparaître.
Références
Pour les esprits méticuleux, amateurs de chiffres et de nuits blanches à vérifier les sources, voici les liens qui ont nourri cet article. Ils rappellent une chose simple : l’information existe encore, pour peu qu’on prenne le temps de la lire, de la comparer et de la comprendre. Mais dans un avenir proche, ce simple geste deviendra peut-être un luxe, car à mesure que les textes générés intégralement par des IA se multiplient, le vrai risque n’est plus la désinformation, mais la dilution du réel dans un océan de contenus simplement plausibles.
[1] Karpathy, A. (2025). « There’s a new kind of coding I call ‘vibe coding' ». X (anciennement Twitter), 2 février 2025. https://x.com/karpathy/status/1886192184808149383
[2] Becker, J., Rush, N., Barnes, E. et Rein, D. (2025). « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity ». METR, 10 juillet 2025. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
[3] Elfsight. (2026). « ChatGPT Statistics & Facts: Growth, Usage, and Key Insights ». https://elfsight.com/blog/chatgpt-usage-statistics/
[4] Niederhoffer, K., Kellerman, G. R., Lee, A., Liebscher, A., Rapuano, K. et Hancock, J. T. (2025). « AI-Generated ‘Workslop’ Is Destroying Productivity ». Harvard Business Review, 22 septembre 2025. https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity
[5] MIT Media Lab / Fortune. (2025). « MIT report: 95% of generative AI pilots at companies are failing ». Fortune, 18 août 2025. https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
[6] IEEE Spectrum. (2026). « AI Sycophancy: Why Chatbots Agree With You ». IEEE Spectrum, 11 mars 2026. https://spectrum.ieee.org/ai-sycophancy
[7] PsyPost. (2026). « Sycophantic chatbots inflate people’s perceptions that they are better than average ». PsyPost, 19 janvier 2026. https://www.psypost.org/sycophantic-chatbots-inflate-peoples-perceptions-that-they-are-better-than-average/
[8] Lee, H. P. H. et al. (2025). « The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers ». Microsoft Research, 1er avril 2025. https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/
[9] Bedard, J., Kropp, M., Hsu, M., Karaman, O. T., Hawes, J. et Kellerman, G. R. (2026). « When Using AI Leads to ‘Brain Fry' ». Harvard Business Review, 5 mars 2026. https://hbr.org/2026/03/when-using-ai-leads-to-brain-fry
[10] Newport, C. (2025). « Is AI Making Us Lazy? ». calnewport.com, 29 juin 2025. https://calnewport.com/does-ai-make-us-lazy/
[11] Csikszentmihalyi, M. (1990). Flow: The Psychology of Optimal Experience. Harper & Row.
[12] Doshi, A. R. et Hauser, O. P. (2025). « ChatGPT decreases idea diversity in brainstorming ». Nature Human Behaviour, vol. 9, pp. 1107-1109, 14 mai 2025. https://www.nature.com/articles/s41562-025-02173-x
[13] The Conversation. (2026). « AI-induced cultural stagnation is no longer speculation, it’s already happening ». The Conversation, 22 janvier 2026. https://theconversation.com/ai-induced-cultural-stagnation-is-no-longer-speculation-its-already-happening-272488
[14] Diana, F. (2024). « Return On Learning: Pioneering The Future ». Reimagining the Future (blog personnel), 30 septembre 2024. https://frankdiana.net/2024/09/30/return-on-learning-pioneering-the-future/
[15] Diana, F. (2026). « From ROI To ROL: Why Accelerated Learning Will Define the AI Era ». Medium / Reimagining the Future, 18 mars 2026. https://frankdiana.net/2026/03/18/from-roi-to-rol-why-accelerated-learning-will-define-the-ai-era/