Je commence à avoir un problème avec ma manière d'utiliser l'IA, et avec ce qu'elle rend possible. Aujourd'hui, je peux ouvrir cinq, dix, parfois quinze conversations différentes. Dans l'une, je prépare un cours. Dans l'autre, je réfléchis à une campagne commerciale. Dans une troisième, je rédige un document. Puis un courriel, une analyse, une idée de contenu. Au bout d'une heure, j'ai cette sensation extrêmement agréable : j'ai fait énormément de choses. Sauf que, quand je regarde vraiment ce qui a été produit, j'ai surtout commencé énormément de choses.
Je retrouve la même chose chez certains de mes étudiants. Un assistant d'IA permet à presque n'importe qui de toucher à presque n'importe quel domaine : coder un peu, écrire un peu, analyser un peu, faire un peu de stratégie. C'est vertigineux. Le piège est de devenir capable de faire un peu de tout sans rester assez longtemps sur quelque chose pour y devenir vraiment bon. Une demande est lancée ; pendant que la machine répond, on ouvre autre chose, puis autre chose. Notre cerveau finit par travailler comme notre navigateur : 27 onglets ouverts et aucune idée précise de celui qui joue de la musique.
Ce que je décris là est une sensation, et une sensation n'est pas une mesure. Cette enquête la confronte à ce qui a été mesuré. Elle confirme une partie de mon intuition, en corrige une autre, et laisse sans réponse la question que je croyais la plus simple.
Que coûte vraiment un changement de tâche ?
Les psychologues mesurent ce coût avec un protocole simple : faire alterner deux tâches élémentaires, et comparer avec la répétition d'une seule. En 2001, Joshua Rubinstein, David Meyer et Jeffrey Evans publient quatre expériences de ce type. Les participants classent des formes géométriques selon des règles qui changent, ou résolvent des calculs en changeant d'opération. Chaque bascule fait perdre du temps, d'autant plus que les règles sont complexes, d'autant moins qu'un indice annonce la tâche à venir.
Deux ans plus tard, Stephen Monsell fait la synthèse de ce champ dans Trends in Cognitive Sciences. Juste après un changement de tâche, les réponses sont nettement plus lentes et, le plus souvent, plus sujettes à l'erreur. Ce « coût de bascule » se réduit quand on a le temps de se préparer, sans disparaître.
Un chiffre circule beaucoup : le multitâche ferait perdre 40 % du temps productif. La synthèse que l'American Psychological Association consacre à ces travaux, datée du 20 mars 2006, dit d'où il vient. Les coûts mesurés sont faibles, « parfois quelques dixièmes de seconde par bascule », et s'additionnent quand on bascule sans cesse. Selon Meyer, ajoute-t-elle, ils peuvent coûter « jusqu'à 40 % » du temps productif. C'est le propos d'un chercheur, et un plafond, pas un résultat des quatre expériences.
Classer des triangles n'est pas rédiger un cours. Deux travaux s'approchent du bureau. En 2014, Erik Altmann, Gregory Trafton et David Hambrick interrompent des participants au milieu d'une procédure dont il faut suivre les étapes dans l'ordre. Une interruption de 2,8 secondes en moyenne double le taux d'erreurs de séquence, une interruption de 4,4 secondes le triple. C'est à peu près le temps d'un coup d'œil à une autre fenêtre.
En 2009, Sophie Leroy donne un nom à ce qui reste de la tâche précédente : le résidu attentionnel, la part d'attention qui continue de travailler sur ce que l'on vient de quitter. Ses deux expériences montrent qu'il est difficile de se détacher d'une tâche inachevée, et que la performance sur la tâche suivante en souffre. Détail moins connu : avoir terminé ne suffit pas. Il faut, dans ses résultats, avoir terminé sous une contrainte de temps. Chaque conversation laissée en plan serait donc candidate à ce résidu, même si ces expériences ne portaient pas sur l'IA.
Notre attention tient-elle vraiment 47 secondes sur un écran ?
C'est l'autre chiffre qui circule, et celui-là a une source. Gloria Mark, de l'université de Californie à Irvine, suit depuis vingt ans des salariés à leur poste. Dans un entretien donné en 2023 au podcast de l'American Psychological Association, elle résume ses relevés. En 2004, chronomètre en main, ses équipes trouvaient en moyenne deux minutes et demie passées sur un même écran avant d'en changer. Vers 2012, avec des logiciels d'enregistrement, 75 secondes. Ces dernières années, environ 47 secondes, avec une médiane de 40 secondes.
Temps moyen passé sur un même écran avant d'en changer, selon les relevés de Gloria Mark
Les articles d'origine sont plus modestes que le slogan. L'étude de 2004, menée avec Victor González sur quatorze personnes, donne 2 minutes 11 secondes passées sur un même outil, papier compris, et un peu plus de trois minutes par activité : pas exactement les « deux minutes et demie » de l'entretien. Surtout, ce chiffre ne mesure pas une capacité. Il mesure le temps passé sur une fenêtre avant d'en changer, et l'on peut changer de fenêtre sans changer de tâche.
En 2005, en suivant 24 salariés pendant plus de 700 heures, l'équipe de Mark constate qu'un travail interrompu est repris le jour même dans 77,2 % des cas, mais après 25 minutes 26 secondes en moyenne et un détour par plus de deux autres sujets.
L'interruption, pourtant, ne ralentit pas toujours. En 2008, Mark, Daniela Gudith et Ulrich Klocke font traiter des courriels à 48 participants. Ceux que l'on interrompt terminent plus vite, en 20,3 à 20,6 minutes contre 22,8 sans interruption, sans différence de qualité : ils accélèrent et écrivent moins. Mais après vingt minutes seulement, ils déclarent davantage de stress, de frustration, de pression temporelle et d'effort.
Le portrait du multitâcheur chronique à l'attention abîmée est, lui, moins solide qu'on ne le répète. En 2009, à Stanford, Eyal Ophir, Clifford Nass et Anthony Wagner interrogent 262 étudiants sur leurs usages, puis testent en laboratoire les plus gros et les plus petits consommateurs de médias simultanés. Les premiers filtrent moins bien les distractions et basculent moins bien d'une tâche à l'autre : leur coût de bascule est supérieur de 167 millisecondes. Les réplications nuancent nettement ce résultat. En 2017, Wisnu Wiradhany et Mark Nieuwenstein refont l'expérience deux fois : sur 14 tests, 5 seulement donnent un effet significatif dans le sens attendu. Leur méta-analyse de 39 effets trouve une association faible, de 0,17 écart-type, qui tombe à 0,07 et cesse d'être significative une fois corrigé le biais des petites études. La raison de l'écart est classique : de petits groupes extrêmes, 30 personnes pour l'épreuve de bascule d'Ophir, produisent de gros effets qui fondent quand on agrège. Ophir précisait d'ailleurs ne pas savoir si le multitâche rend distrait ou si les plus distraits multiplient les écrans.
L'IA fait-elle gagner du temps, ou seulement l'impression d'en gagner ?
Sur des tâches courtes et délimitées, les essais contrôlés randomisés, où le hasard décide qui a accès à l'outil, mesurent des gains nets.
- Écrire. Shakked Noy et Whitney Zhang (Science, 2023) confient à 453 professionnels diplômés des écrits propres à leur métier. Avec ChatGPT, le temps passé baisse de 40 % et la qualité, notée par des évaluateurs, monte de 18 %.
- Répondre à des clients. Erik Brynjolfsson, Danielle Li et Lindsey Raymond (Quarterly Journal of Economics, 2025) suivent 5 172 agents d'un éditeur de logiciels. L'assistant augmente de 15 % en moyenne le nombre de problèmes résolus par heure.
- Conseiller. Fabrizio Dell'Acqua et ses coauteurs testent GPT-4 auprès de 758 consultants du Boston Consulting Group. Sur 18 tâches à la portée de l'outil, ils achèvent 12,2 % de tâches en plus, 25,1 % plus vite.
- Programmer. Sida Peng et ses collègues demandent à 95 développeurs d'écrire un serveur web. Avec GitHub Copilot, il leur faut 71 minutes en moyenne, contre 161 sans : 55,8 % plus vite, avec un intervalle de confiance large, de 21 à 89 %.
Ce que mesurent quatre essais contrôlés sur une tâche bornée
0 %
de temps en moins pour un écrit professionnel avec ChatGPT (Noy et Zhang)
0 %
de problèmes résolus en plus par heure dans un service client (Brynjolfsson et al.)
0 %
plus vite sur 18 tâches de conseil à la portée de GPT-4 (Dell'Acqua et al.)
0 %
de temps en moins pour écrire un serveur web avec GitHub Copilot (Peng et al.)
Ces études mesurent bien du travail terminé : un texte rendu, un problème résolu, un programme qui tourne. Mais sur une tâche à la fois, fixée par d'autres. Aucune ne ressemble à mon heure aux quinze conversations, où je me donne mes tâches moi-même et où personne ne vérifie laquelle aboutit.
L'étude de Dell'Acqua porte aussi un avertissement. Les capacités de l'IA dessinent, écrivent les auteurs, une « frontière technologique en dents de scie » : deux tâches d'apparence voisine tombent d'un côté ou de l'autre. Sur une tâche choisie hors de cette frontière, le groupe sans IA trouvait la bonne réponse dans 84,5 % des cas, les groupes avec IA dans 60 % et 70 %.
Puis vient l'essai qui parle le plus directement de l'illusion que je décris. De février à juin 2025, l'organisme de recherche METR recrute 16 développeurs chevronnés de grands projets en code ouvert, forts de cinq ans d'ancienneté en moyenne sur leur dépôt. Ils fournissent 246 tâches réelles, d'environ deux heures chacune, et le tirage au sort décide pour chacune si l'IA est autorisée : pour l'essentiel l'éditeur Cursor Pro, avec les modèles Claude 3.5 et 3.7 Sonnet.
Avant de commencer, ces développeurs prévoient que l'IA réduira leur temps de 24 %. Après l'étude, ils estiment qu'elle l'a réduit de 20 %. La mesure dit l'inverse : avec l'IA, les tâches ont pris 19 % de temps en plus.
Essai METR 2025 : le gain de temps attendu avec l'IA, et ce qui a été mesuré
0 %
de temps en moins : ce que prévoyaient 34 économistes interrogés
0 %
de temps en moins : ce que prévoyaient les développeurs avant l'étude
0 %
de temps en moins : ce qu'ils pensaient avoir gagné après l'étude
0 %
de temps EN PLUS : ce qui a été mesuré avec l'IA
Pour comprendre ce décalage, les auteurs ont étiqueté 143 heures d'enregistrements d'écran. Avec l'IA, les développeurs passent moins de temps à coder, davantage à rédiger des demandes, à attendre, à relire, et ils rejettent plus de la moitié des propositions de l'outil.
Les limites sont sérieuses. Seize personnes, un intervalle de confiance qui va de 2 % à 39 % de temps en plus, une prépublication. Des experts sur leur propre code, dans des dépôts de plus d'un million de lignes : le cas où l'outil a le moins à leur apprendre. METR ne prétend pas que le résultat vaut pour la majorité des développeurs, ni hors du logiciel, ni pour les modèles suivants.
Les suites de 2026 n'ont pas tranché. Le 24 février, METR rend compte d'une seconde expérience, avec 57 développeurs et plus de 800 tâches. Les estimations s'inversent : 18 % de temps en moins pour les anciens participants, 4 % pour les nouveaux, sans que l'absence d'effet puisse être exclue. Mais METR juge son propre signal peu fiable : 30 à 50 % des développeurs disent écarter de l'étude les tâches qu'ils ne veulent plus faire sans IA. L'organisme estime probable que l'IA les accélère désormais, sans pouvoir dire de combien. En mai, son enquête auprès de 349 travailleurs techniques relève un gain de vitesse déclaré de trois fois en médiane, en rappelant que les participants de 2025 surestimaient l'effet de l'IA de 40 points.
L'erreur ne va d'ailleurs pas toujours dans le même sens : chez Peng, les développeurs estimaient leur gain à 35 %, en dessous des 55,8 % mesurés. La leçon commune est sobre. Avec l'IA, on évalue mal sa propre vitesse.
Que fait-on pendant que la machine répond ?
C'est le cœur de mon intuition : une demande est lancée, et pendant que l'assistant répond, on ouvre autre chose. C'est aussi la partie la moins documentée.
Dans un texte de 1993 devenu une référence de l'ergonomie, Jakob Nielsen rappelle trois seuils, qu'il fait remonter à un article de 1968. Jusqu'à une seconde, le fil de la pensée n'est pas rompu. Dix secondes sont à peu près la limite pour garder l'attention de l'utilisateur ; au-delà, écrit-il, celui-ci voudra faire autre chose en attendant. Une réponse d'assistant dépasse souvent ce seuil.
Les mesures sont rares et viennent de la programmation. En 2024, Hussein Mozannar et trois chercheurs de Microsoft Research font étiqueter leurs propres sessions à 21 programmeurs équipés de GitHub Copilot : l'attente d'une suggestion occupe 4,2 % du temps, la vérification des suggestions 22,4 %. L'essai de METR trouve un ordre de grandeur voisin, environ 4 % du temps à attendre l'IA, et un peu plus d'inactivité à l'écran. Un participant y confie passer ces attentes sur un réseau social.
Pour les assistants conversationnels, la seule expérience contrôlée identifiée par cette enquête est celle de Felicia Tan et de ses coauteurs, présentée en 2026. Elle impose à 240 participants un délai de 2, 9 ou 20 secondes avant le premier mot de la réponse. Leur comportement dans l'interface ne change pas ; les réponses arrivées en deux secondes sont seulement jugées moins réfléchies et moins utiles. Mais tout tenait dans un seul panneau, et les auteurs le reconnaissent : l'étude ne dit pas ce que l'on fait ailleurs pendant l'attente.
Deux observations de 2026 vont dans le sens de mon récit, sans le chiffrer. La note de METR signale que certains développeurs font tourner plusieurs agents à la fois et travaillent sur une tâche sans rapport en attendant que l'agent ait fini, au point que le temps passé par tâche ne peut plus être relevé de façon fiable. Le comportement existe donc, et il casse l'instrument de mesure.
La seconde est une enquête de terrain. Aruna Ranganathan et Xingqi Maggie Ye, de l'université de Californie à Berkeley, ont observé pendant huit mois une entreprise technologique américaine d'environ 200 salariés et mené plus de 40 entretiens. Leur conclusion, parue dans la Harvard Business Review en février 2026 : l'IA n'y a pas réduit le travail, elle l'a intensifié. Les salariés mènent plusieurs fils à la fois et ont le sentiment d'avancer. La réalité, écrivent-elles, est « un basculement continuel de l'attention, une vérification fréquente des productions de l'IA et un nombre croissant de tâches ouvertes ». C'est mon heure aux quinze conversations, presque mot pour mot. Mais il s'agit d'une recherche en cours, dans une seule entreprise, sans mesure de ce qui a été terminé.
Confier sa réflexion à un assistant émousse-t-il l'esprit critique ?
Les chercheurs appellent délestage cognitif le fait de confier à un outil une opération que l'on ferait de tête. En 2011, dans Science, Betsy Sparrow, Jenny Liu et Daniel Wegner décrivent ce qu'on a appelé l'effet Google : quand on s'attend à pouvoir retrouver une information, on la retient moins bien, et l'on retient mieux l'endroit où la trouver. Une réserve : l'une des quatre études de cet article, selon laquelle une question difficile fait aussitôt penser à l'ordinateur, n'a été reproduite ni par le projet de Colin Camerer en 2018, ni par Guido Hesselmann en 2020. Les expériences de mémoire n'étaient pas visées.
Sur l'IA générative, les preuves sont de trois qualités inégales.
Des déclarations. En 2025, Hao-Ping Lee et ses coauteurs, de Carnegie Mellon et de Microsoft Research, interrogent 319 travailleurs du savoir sur 936 usages réels. Plus la confiance dans l'IA est forte, moins ils disent exercer leur esprit critique ; plus la confiance en soi est forte, plus ils disent l'exercer. La même année, Michael Gerlich rapporte, chez 666 personnes recrutées au Royaume-Uni par les réseaux sociaux, une corrélation de −0,68 entre usage des outils d'IA et esprit critique. Ce sont des réponses déclaratives, et une corrélation ne dit pas ce qui cause quoi.
Une prépublication très commentée. En juin 2025, Nataliya Kosmyna et ses collègues du MIT Media Lab font rédiger des dissertations à 54 personnes réparties en trois groupes de 18 : avec ChatGPT, avec un moteur de recherche, sans outil. Après la première séance, 15 des 18 participants du groupe ChatGPT ne peuvent citer correctement aucune phrase du texte qu'ils viennent de rendre, contre 2 sur 18 dans chacun des autres groupes. Mais un commentaire déposé fin 2025 par Miloš Stanković et ses collègues estime qu'il aurait fallu environ 159 participants et relève des incohérences. Au 2 octobre 2026, la dernière version, datée du 31 décembre 2025, porte toujours la mention de manuscrit en cours d'évaluation, et sa notice n'indique aucune publication en revue.
Un essai randomisé publié. C'est la preuve la plus solide, et elle porte sur l'apprentissage. À l'automne 2023, Hamsa Bastani et ses coauteurs donnent à près de 1 000 élèves d'un lycée turc un tuteur de mathématiques fondé sur GPT-4. Avec une interface ordinaire, les notes aux exercices montent de 48 %. Avec un tuteur bridé, conçu pour donner des indices plutôt que des réponses, elles montent de 127 %. Puis vient l'examen sans aide : les élèves qui avaient l'interface ordinaire font 17 % de moins que ceux qui n'ont jamais eu d'outil. Avec le tuteur bridé, cet effet disparaît en grande partie. Les auteurs parlent d'une béquille, et notent que les élèves ne perçoivent pas la baisse de leur apprentissage.
La profondeur redevient-elle un avantage, ou l'IA profite-t-elle d'abord aux débutants ?
J'écrivais que rester longtemps sur un même problème pourrait devenir un avantage énorme. La recherche sur l'expertise invite déjà à la prudence. En 1993, Anders Ericsson et ses collègues font de la pratique délibérée, un entraînement structuré poursuivi au moins dix ans, le ressort de la performance d'expert. En 2014, la méta-analyse de Brooke Macnamara, David Hambrick et Frederick Oswald relativise : cette pratique explique 26 % des écarts de performance dans les jeux, 21 % en musique, 18 % en sport, 4 % dans les études et moins de 1 % dans les professions. Durer ne suffit donc pas, surtout au travail.
Avec l'IA, deux lectures s'opposent, et toutes deux reposent sur des essais.
Première lecture : l'IA nivelle. Chez Brynjolfsson, les agents les moins expérimentés gagnent environ 30 % de productivité, quand les plus expérimentés gagnent très peu en vitesse et perdent un peu en qualité. Chez Dell'Acqua, les consultants sous la moyenne progressent de 43 %, les autres de 17 %. Noy et Zhang voient les inégalités entre participants se réduire. Sur ces tâches, l'expérience accumulée vaut moins qu'avant, ce qui contredit l'idée que la profondeur redeviendrait l'avantage.
Seconde lecture : l'IA récompense le jugement. Dans un essai mené auprès d'entrepreneurs kényans et publié en 2026 dans Management Science, Nicholas Otis et ses coauteurs ne trouvent aucun effet moyen d'un assistant fondé sur GPT-4 sur les revenus et les profits. L'effet se cache dans la répartition : les moins performants au départ font près de 10 % de moins à cause de l'assistant, les plus performants pourraient gagner plus de 15 %. La différence ne vient ni des questions posées ni des conseils reçus, mais des conseils que chacun choisit d'appliquer. La tâche hors frontière de Dell'Acqua et l'examen sans aide de Bastani disent la même chose.
Les deux lectures ne s'annulent pas. Le nivellement s'observe quand la tâche est à la portée de l'outil. L'avantage du fond apparaît quand il faut trier, vérifier, ou se passer de lui. Quant à toucher à tout, Ranganathan et Ye l'observent : des chefs de produit se mettent à écrire du code. Que cette dispersion empêche de devenir bon, aucune étude identifiée ici ne l'a mesuré.
Les règles que je me donne ont-elles un appui dans la recherche ?
Ce sont trois règles personnelles. Je ne les ai testées que sur moi, et je les donne comme un témoignage.
« Quand une tâche est importante, une seule fenêtre. » Le coût de bascule, les erreurs qui doublent après trois secondes d'interruption et le résidu de Leroy plaident pour elle. L'expérience de Mark de 2008 la nuance : interrompu, on ne va pas moins vite, on travaille sous tension. Aucun essai identifié par cette enquête n'a comparé un même travail mené avec une ou plusieurs conversations.
« Avant de demander une réponse, formuler mon propre raisonnement. » Il m'arrive de laisser l'assistant fermé pendant que je réfléchis. L'appui le plus ancien est l'effet de génération : en 1978, Norman Slamecka et Peter Graf montrent, en cinq expériences, que l'on retient mieux un mot que l'on a produit soi-même qu'un mot simplement lu. En 2007, une méta-analyse de 86 études mesure cet avantage à 0,40 écart-type. La limite est nette : il s'agit de mémoire, pas de la qualité d'un raisonnement. L'indice le plus proche de ma règle reste le tuteur bridé de Bastani, qui oblige l'élève à chercher avant de recevoir.
« Qu'est-ce que je veux avoir réellement terminé dans une heure ? » Peter Gollwitzer a montré en 1999 l'efficacité des intentions de mise en œuvre, ces plans de la forme « si telle situation se présente, alors je fais ceci ». Une méta-analyse de 94 tests leur attribue en 2006 un effet de 0,65 écart-type sur l'atteinte des buts. Ma question n'en est pas une au sens strict : c'est un but assorti d'une échéance, pas un plan déclenché par une situation. Un autre résultat lui correspond mieux. E. J. Masicampo et Roy Baumeister ont montré en 2011 qu'un but inachevé produit des pensées intrusives et dégrade la performance sur une tâche sans rapport, et que formuler un plan précis supprime ces effets.
L'IA devrait augmenter notre capacité à nous concentrer sur ce qui compte, et être capable de tout commencer n'est pas forcément une compétence. Aucune de ces études ne garantit qu'une règle rendra quiconque plus productif. Elles convergent pourtant sur un point : ce qui coûte, c'est ce qui reste ouvert. Peut-être que la prochaine compétence rare ne sera pas de savoir utiliser l'IA. Ce sera de savoir fermer les autres onglets.
Ce que cette enquête n'a pas pu établir
Cinq limites doivent être posées.
La question du titre reste ouverte. Cette enquête n'a identifié aucune étude qui compte, chez des utilisateurs libres de leurs tâches, ce qui est commencé et ce qui est terminé avec et sans IA. Mes quinze conversations sont un chiffre personnel, non vérifié, et ce que j'observe chez mes étudiants est une impression de formateur, pas un relevé.
Ce que l'on fait pendant que l'assistant rédige sa réponse n'est mesuré que chez des programmeurs, sur des groupes de 16 et 21 personnes. Cette enquête n'a trouvé aucune télémétrie publiée par un éditeur d'assistant conversationnel sur les changements de fenêtre pendant la génération.
L'essai de METR porte sur 16 développeurs et sur les outils du début de 2025. Rien ne permet de transposer ses 19 % à un formateur, à un commercial ou à un étudiant.
Sur l'esprit critique, les données sont surtout déclaratives ou corrélationnelles. Le seul essai randomisé publié porte sur des lycéens, en mathématiques, dans un seul établissement. Cette enquête n'a trouvé aucun suivi, sur plusieurs années, de l'effet de l'IA sur la construction d'une expertise.
Enfin, une quinzaine de travaux n'ont été consultés que dans leur résumé officiel, dont ceux de Monsell, Leroy, Sparrow, Ericsson, Macnamara, Gollwitzer, Otis et l'étude de Mark de 2016. Les 47 secondes et les 75 secondes de Gloria Mark reposent ici sur ses déclarations publiques.
FAQ
Le multitâche fait-il vraiment perdre 40 % de productivité ?
Ce chiffre n'est pas un résultat d'expérience. Il vient d'un propos du psychologue David Meyer, rapporté par l'American Psychological Association en 2006. Les coûts mesurés sont parfois de quelques dixièmes de seconde par bascule, et augmentent avec la complexité des tâches.
L'IA générative rend-elle plus productif ?
Sur une tâche courte et délimitée, oui dans plusieurs essais contrôlés : 40 % de temps en moins pour un écrit professionnel, 15 % de problèmes résolus en plus par heure dans un service client. Chez des experts travaillant sur leur propre code, l'essai de METR de 2025 a mesuré 19 % de temps en plus.
D'où vient le chiffre de 47 secondes d'attention sur un écran ?
Des relevés de Gloria Mark, de l'université de Californie à Irvine. C'est le temps moyen passé sur un même écran avant d'en changer, contre deux minutes et demie en 2004. Il décrit un comportement devant un ordinateur, pas une capacité maximale d'attention.
Utiliser un assistant d'IA fait-il baisser l'esprit critique ?
Ce n'est pas démontré de façon générale : les enquêtes trouvent une association, sans établir de cause. L'essai le plus solide, sur près de 1 000 lycéens, montre qu'un accès libre à GPT-4 fait baisser de 17 % les résultats à un examen sans aide, et qu'un tuteur conçu pour donner des indices évite l'essentiel de cet effet.
L'enquête en slides
