Quand l’IA produit un texte, un plan ou un code en quelques secondes, la valeur ne disparaît pas : elle se déplace vers le jugement. Savoir repérer une erreur, évaluer un cas limite et assumer une décision exige des compétences réelles, et ces compétences s’entretiennent.
À quoi sert d’apprendre quand l’IA fait tout ?
La question se pose dans toutes les salles de cours et dans beaucoup d’entreprises. La réponse économique est l’inverse de l’intuition : apprendre sert à savoir ce que l’on fait.
L’IA génère. Elle rédige, code, synthétise, traduit, et la production devient presque gratuite. Mais la production n’a jamais été la partie chère du travail. La partie chère, c’est le jugement : vérifier que le résultat est bon, détecter le cas où il ne l’est pas, intervenir quand cela dérape, porter la responsabilité de la décision.
Produire n’est pas vérifier
Une sortie d’IA peut être convaincante tout en étant fausse, incomplète ou inadaptée au contexte. Plus la production devient facile, plus la capacité à l’évaluer devient importante. Or on ne vérifie bien que ce que l’on comprend assez pour en questionner les hypothèses. Superviser exige souvent plus de maîtrise que produire soi-même : il faut reconnaître une erreur subtile dans un texte qui a l’air impeccable.
Le jugement est un capital qui s’entretient
L’économiste Gary Becker, prix Nobel, a formalisé dès 1964 que l’éducation et la formation sont des investissements, dont le rendement dépend de leur entretien. Un capital humain qui n’est pas pratiqué se déprécie. Ce que l’on ne pratique plus, on finit par ne plus savoir le faire, donc on ne peut plus le vérifier, le corriger ni l’enseigner.
Les ironies de l’automatisation
Ce mécanisme a un nom depuis 1983. L’ingénieure britannique Lisanne Bainbridge publie alors « Ironies of Automation » dans la revue Automatica. Son raisonnement tient en quatre étapes :
- on automatise le cas courant, parce que c’est celui qu’on sait automatiser ;
- l’humain hérite des cas exceptionnels : anomalies, pannes, situations hors gabarit ;
- en retirant la pratique quotidienne, l’automatisation érode justement les compétences nécessaires à ces cas ;
- quand l’automatisme échoue, l’humain doit reprendre la main, sans entraînement et sous pression.
L’article est conceptuel et ne contient pas de données expérimentales propres, ce qui est sa limite. Il est pourtant devenu l’un des textes les plus cités des facteurs humains. Dans l’aviation, après des années d’automatisation des cockpits, la FAA a recommandé le maintien d’un entraînement manuel régulier des pilotes (SAFO 13002, 2013). Remplacez « pilote » par « analyste », « juriste » ou « manager » : le mécanisme est le même avec l’IA générative.
Comment utiliser l’IA sans abandonner son savoir-faire
Quatre habitudes simples protègent le jugement de l’équipe :
- conserver des exercices où la compétence est pratiquée sans assistance ;
- demander les sources, le raisonnement et les limites d’une réponse générée ;
- comparer la sortie de l’IA à une référence indépendante ;
- désigner un humain identifiable comme responsable de la décision finale.
Le coût de l’automatisation n’est pas supprimé, il est différé. Pour un étudiant comme pour un dirigeant, la stratégie rationnelle n’est donc pas d’utiliser toujours plus d’IA, mais de construire la compétence qui la rend rentable.
FAQ
L’IA remplace-t-elle les compétences ?
Elle peut accélérer certaines tâches, mais elle ne remplace pas le jugement nécessaire pour vérifier, adapter et assumer le résultat. Elle déplace la compétence de la production vers la supervision.
Pourquoi continuer à apprendre sans IA ?
Parce que l’autonomie permet de détecter les erreurs et de reprendre la main quand l’outil échoue. Sans pratique régulière, la capacité à traiter les cas exceptionnels s’érode.
Que faire concrètement dans une équipe ?
Garder des tâches réalisées sans assistance, exiger les sources et les limites des réponses générées, comparer à une référence indépendante et nommer un responsable de la décision. Une formation courte sur vos cas d’usage aide à installer ces réflexes.
Références
Becker, G. S., Human Capital (1964, 3e éd. 1994, NBER / University of Chicago Press) ; Bainbridge, L., « Ironies of Automation », Automatica, 19(6), 775-779, 1983, DOI 10.1016/0005-1098(83)90046-8 ; FAA, SAFO 13002 (2013).
