IA Générative

L’enquête Gallup et Walton Family Foundation (2024–2025, échantillon représentatif d’enseignants américains) a livré un chiffre saisissant : les enseignants qui utilisent régulièrement l’IA économisent en moyenne 5,9 heures par semaine – l’équivalent de six semaines de travail complètes sur une année scolaire. On pourrait croire le problème résolu.

Mais une enquête parallèle de la Royal Society of Chemistry (2024, Royaume-Uni) dresse un tout autre tableau : 44 % des enseignants ont essayé l’IA, mais seulement 3 % déclarent une réduction réelle de leur charge de travail. Un professeur de mathématiques irlandais a résumé cet écart mieux que n’importe quelle statistique : « L’IA génère des fiches rapidement, mais il faut les vérifier soigneusement – et le gain de temps s’avère moindre qu’espéré ».

Qui a raison ? Nous avons déjà analysé la crise de l’IA dans l’éducation du côté des élèves – 86 % des élèves utilisent l’IA, mais la pensée critique se dégrade. Maintenant – le côté enseignant. En deux ans, suffisamment de données expérimentales se sont accumulées pour répondre à cette question par des chiffres, pas par des opinions.

Le 5 février, nous avions dressé le bilan de quatre semaines de hype autour d’OpenClaw, avec une conclusion qui semblait alors évidente : l’outil fonctionne pour les tâches personnelles, mais l’adoption en entreprise est quasi inexistante. Un mois a passé. OpenClaw a dépassé React en nombre d’étoiles sur GitHub, atteignant 265 000 contre 228 000 pour le framework JavaScript le plus populaire de l’histoire – et ce n’est que le début de ce qui a changé.

Il y a un an et demi, j’ai publié un billet sur mon blog personnel à propos d’un phénomène que j’observais chez mes collègues et dans mon propre travail : plus on fait confiance à l’IA, moins on se pose la question « est-ce que c’est vraiment juste ? ». Je m’appuyais alors sur une étude de Microsoft qui montrait que la confiance envers l’IA inhibe l’évaluation critique des réponses fournies. L’argument me semblait solide, mais il avait un défaut évident : corrélation, pas causalité.

En février 2026, les chercheurs d’Anthropic Judy Shen et Alex Tamkin ont publié une expérience qui a comblé cette lacune. Un essai randomisé contrôlé. Des données concrètes. Et une conclusion que, je crois, la plupart des gens qui l’ont lue comprennent mal.

Parce que ce n’est pas une histoire sur le fait que l’IA nous rend plus bêtes. C’est une histoire sur la manière dont nous l’utilisons.

Le 11 février 2026, lors d’une réunion gouvernementale, le président Tokayev a publiquement critiqué KazLLM. Le modèle, lancé en grande pompe en décembre 2024, ne compte que 600 000 utilisateurs – soit 3 % de la population du pays. À titre de comparaison : ChatGPT est utilisé par 2,6 millions de personnes au Kazakhstan. Le président a été direct : KazLLM « ne peut pas rivaliser avec ChatGPT ».

Cette déclaration pose la question sans détour. Pourquoi le Kazakhstan a-t-il besoin de son propre modèle linguistique si les solutions globales fonctionnent mieux ? Et si l’IA souveraine est nécessaire – pourquoi perd-elle la partie ?

La réponse est plus complexe qu’il n’y paraît. Parce que KazLLM n’est pas « le ChatGPT kazakh ». C’est un outil fondamentalement différent, avec une mission différente. Les comparer revient à comparer une centrale électrique nationale avec un appareil électroménager importé.

Leur article «The 2028 Global Intelligence Crisis» est un mémorandum fictif daté de juin 2028. Non pas une prévision, mais un test de résistance : que se passerait-il pour l’économie si l’intelligence machine remplaçait effectivement les cols blancs aussi vite que le promettent ses développeurs ?

Parce qu’entre « avoir accès à l’information » et « savoir l’exploiter » – il y a un gouffre. Avoir accès à des manuels médicaux ne fait pas de vous un médecin. Posséder un couteau de cuisine ne fait pas de vous un chef étoilé. Et pouvoir poser une question à ChatGPT ne fait pas de vous un spécialiste en AI. Comme le montre l’étude du MIT sur les architectures de choix, la véritable force d’un spécialiste ne réside pas dans la possession de l’outil, mais dans sa capacité à évaluer de manière critique ce que l’outil propose.

Et ce n’est pas une simple métaphore – c’est un fait confirmé par la recherche.