French

La recherche scientifique nécessite souvent de nombreux outils différents. Les chercheurs peuvent avoir besoin de consulter des bases de données médicales, d’analyser des données, d’écrire du code informatique et d’utiliser des ordinateurs puissants. La gestion de ces tâches peut être difficile et chronophage. Claude Science, développé par Anthropic, est un nouvel environnement de travail fondé sur l’IA, conçu pour réunir plusieurs de ces activités en un seul endroit. Claude Science peut aider les scientifiques et les équipes de recherche à consulter la littérature scientifique, à organiser les informations, à analyser les données et à créer des figures scientifiques. Il prend en charge des domaines tels que la génomique, la protéomique, les neurosciences, la recherche pharmaceutique et la biologie structurale. En termes simples, il fonctionne comme un assistant de recherche numérique capable de soutenir plusieurs étapes d’un projet scientifique. Une fonctionnalité importante de Claude Science est sa capacité à enregistrer le code et l’environnement informatique utilisés pour produire ses résultats. Par exemple, lorsqu’il génère un graphique, il peut également sauvegarder les instructions qui ont permis de le créer. Les chercheurs peuvent ainsi vérifier le travail effectué et reproduire l’analyse ultérieurement. Cette transparence est essentielle, car les résultats scientifiques doivent être compréhensibles et reproductibles. Le système peut également afficher des informations complexes, notamment des structures protéiques en trois dimensions, des données génomiques et des structures chimiques. Ces outils de visualisation peuvent aider les chercheurs à comprendre des contenus difficiles. Toutefois, des figures visuellement attrayantes ne doivent pas automatiquement être considérées comme des preuves fiables. Les chercheurs doivent toujours vérifier les données, les méthodes et les conclusions. Claude Science peut aussi contribuer à la gestion des ressources informatiques. Il peut préparer un plan d’analyse et envoyer des tâches au système informatique d’un laboratoire ou à des services de GPU en ligne. Cela pourrait aider les équipes de recherche à réaliser plus efficacement des analyses complexes. Toutefois, un traitement informatique plus rapide ne garantit pas que la question de recherche, les données ou la méthode statistique sont correctes. Les premiers utilisateurs ont fait état de gains de temps dans la conception de médicaments, les neurosciences et la recherche sur la génétique des gliomes. Ces observations sont encourageantes, mais elles proviennent principalement des premiers utilisateurs et de l’entreprise elle-même. Des études indépendantes sont encore nécessaires pour déterminer à quelle fréquence le système commet des erreurs et s’il améliore effectivement la qualité du travail scientifique. Pour les cliniciens et les thérapeutes, Claude Science pourrait aider à repérer des articles de recherche, à résumer les données probantes, à organiser des jeux de données et à préparer les premières versions de rapports. Il doit soutenir le raisonnement professionnel, et non le remplacer. Les cliniciens doivent toujours déterminer si les informations sont exactes, pertinentes et adaptées à un patient donné ou à un contexte clinique spécifique. La plateforme comprend un agent d’évaluation distinct qui vérifie les références, les calculs et les erreurs éventuelles. Cela peut être utile, mais ne saurait remplacer une vérification humaine expérimentée. L’IA peut repérer une référence manquante tout en ne détectant pas des problèmes tels qu’un échantillonnage biaisé ou une interprétation erronée d’un lien de causalité. La confidentialité constitue une autre préoccupation importante. Claude Science est conçu pour conserver les données de recherche sensibles au sein des propres systèmes de l’utilisateur ou de l’infrastructure de son institution. Malgré cela, les organisations doivent respecter les lois relatives à la protection des données, les règles d’éthique de la recherche et les politiques locales. Des informations confidentielles concernant des patients ne doivent jamais être saisies dans un système d’IA sans autorisation et mesures de protection appropriées. Les systèmes d’IA peuvent produire des informations incorrectes, reproduire des biais et présenter des résultats incertains comme s’ils étaient plus définitifs qu’ils ne le sont. Les utilisateurs peuvent également accorder leur confiance à une réponse bien rédigée sans vérifier les données probantes originales. Les cliniciens et les chercheurs doivent donc questionner les résultats produits par l’IA, vérifier les sources et comprendre les limites du système. Claude Science pourrait aider les chercheurs à consacrer moins de temps à la gestion des outils techniques et davantage aux questions importantes. Sa valeur dépendra toutefois d’une évaluation rigoureuse, d’une utilisation responsable et d’un contrôle humain continu. Il doit être considéré comme un assistant, et non comme un expert prenant les décisions finales. Le jugement professionnel, la vigilance éthique et l’attention portée aux données probantes doivent rester au centre de la démarche.

Dans les classes inclusives, les enseignants et les thérapeutes réfléchissent attentivement aux moyens d’accompagner chaque élève. Certains ont besoin d’un langage plus simple, de davantage de temps ou d’aide pour organiser les informations. Toutefois, l’accompagnement devrait également leur offrir la possibilité de poser des questions, de faire des choix et de jouer un rôle actif dans leurs apprentissages. L’intelligence artificielle générative, ou IA générative, est une technologie capable de créer du texte et de répondre à des questions. ChatGPT en est un exemple. Elle peut aider les élèves à comprendre des notions difficiles, à trouver des informations et à explorer les sujets qui les intéressent. Cependant, sa valeur ne dépend pas uniquement des réponses qu’elle fournit, mais aussi de sa capacité à favoriser l’implication des élèves dans leurs apprentissages. Une étude récente publiée dans le British Journal of Educational Technology par Rappa et al. (2026), intitulée « Can Generative AI Support the Learning Agency of Students with Disability? A Case Study of an Australian Secondary School », s’est intéressée à cette question dans une classe de sciences du secondaire. Trois élèves en situation de handicap ont utilisé ChatGPT alors qu’ils étudiaient la gravité, les frottements, les freins automobiles et le mouvement. Les chercheurs ont examiné la manière dont les élèves utilisaient l’outil, les choix qu’ils faisaient et les difficultés qu’ils rencontraient. L’étude portait sur le pouvoir d’agir dans les apprentissages. En termes simples, cela signifie avoir la possibilité et la capacité de participer aux décisions liées à son apprentissage. Un élève peut choisir de poser une question ou de demander une explication plus simple, tout en ayant besoin d’un accompagnement pour la communication, l’attention, la mémoire ou la planification. Les élèves ont utilisé ChatGPT de différentes manières. Arthur s’en est servi pour approfondir ses connaissances sur la gravité, car il s’intéressait déjà aux sciences. Inez a mis en lien des notions scientifiques avec des préoccupations de la vie quotidienne, notamment la sécurité routière. Louis a posé des questions scientifiques, mais a également considéré ChatGPT comme un partenaire de conversation. Ces exemples montrent que les élèves peuvent utiliser l’IA pour rendre leurs apprentissages plus personnels et plus porteurs de sens. Cependant, le fait de choisir d’utiliser ChatGPT ne signifiait pas nécessairement que les élèves pouvaient s’en servir de manière autonome. Certains éprouvaient des difficultés à formuler des questions claires, à comprendre des réponses longues ou à déterminer si les informations étaient exactes. Les enseignants ont donc montré comment poser des questions, demander des explications plus simples et solliciter des exemples. Ce type d’accompagnement s’apparente à l’étayage utilisé en thérapie et dans l’éducation. Les résultats suggèrent que l’IA générative peut favoriser la participation des élèves, mais qu’elle ne remplace pas l’accompagnement humain. Les enseignants, les thérapeutes et les assistants d’éducation peuvent aider les élèves à formuler des questions, à comprendre les réponses et à mettre en lien les informations produites par l’IA avec les activités de la classe. L’objectif devrait être de développer progressivement l’autonomie, plutôt que de donner simplement aux élèves accès à la technologie. L’étude présente également d’importantes limites. Seuls trois élèves issus d’une même école australienne ont été inclus ; les résultats ne peuvent donc pas représenter l’ensemble des élèves en situation de handicap. Des recherches supplémentaires sont nécessaires auprès de groupes plus importants, dans différentes disciplines et avec des élèves présentant des besoins plus importants en matière de communication ou d’apprentissage. Sur le plan éthique, les professionnels doivent prendre en compte la confidentialité, l’exactitude et les biais. Les élèves ne devraient pas saisir d’informations personnelles dans les systèmes d’IA. ChatGPT peut fournir des réponses incorrectes ou déroutantes ; les adultes doivent donc vérifier attentivement ses réponses. Les élèves doivent également comprendre que l’IA peut être utile, mais qu’elle peut aussi commettre des erreurs. En définitive, l’IA générative ne crée pas à elle seule l’autonomie dans les apprentissages. Elle peut soutenir le pouvoir d’agir des élèves lorsqu’elle les aide à poser des questions, à explorer leurs centres d’intérêt et à faire des choix concernant leurs apprentissages. Pour les thérapeutes et les professionnels de l’éducation, l’IA devrait être utilisée comme un soutien supplémentaire, et non comme un substitut au jugement professionnel, aux relations humaines ou à la communication. Référence Rappa, N. A., Nonis, K. P., Tang, K.-S., Cooper, G., Cooper, M., & Sims, C. (2026). Can generative AI support the learning agency of students with disability? A case study of an Australian secondary school. British Journal of Educational Technology. https://doi.org/10.1111/bjet.70048

Dans le travail clinique, nous réfléchissons souvent avant de parler. Un thérapeute peut écouter, considérer quelques possibilités, puis seulement répondre. Une grande partie de cette réflexion demeure invisible. Des chercheurs d’Anthropic ont récemment décrit quelque chose de similaire dans leur système d’IA, Claude : un espace interne appelé « J-space », dans lequel le modèle maintient et travaille brièvement avec des idées avant de produire une réponse. Le J-space peut être compris comme un petit espace de travail mental. Il n’est pas physique, mais correspond à un motif où les concepts importants sont rassemblés et utilisés. Cette idée est proche de ce que les psychologues appellent une « workspace globale », dans laquelle une information sélectionnée devient disponible pour le raisonnement. Chez l’humain comme dans l’IA, la pensée dépend non seulement de la connaissance, mais aussi de la manière dont cette connaissance est organisée à un instant donné. Un exemple simple permet de clarifier ce processus. Il a été demandé à Claude : « quel animal tisse des toiles ? » En interne, le concept « araignée » s’est activé, conduisant à la bonne réponse : huit pattes. Lorsque les chercheurs ont remplacé ce concept interne par « fourmi », la réponse a changé pour six pattes. Cela suggère que l’IA forme d’abord une idée interne, qui oriente ensuite sa réponse. Pour les thérapeutes, ce processus est familier. Nous maintenons souvent une hypothèse de travail à l’esprit avant de nous exprimer. Ces étapes internes sont essentielles, même si elles ne sont pas visibles. Fait important, lorsque les chercheurs ont réduit l’influence du J-space, Claude continuait de produire un langage fluide, mais son raisonnement devenait moins précis. Cela rappelle qu’un discours clair ou assuré ne reflète pas toujours une pensée rigoureuse. En même temps, il convient d’être prudent avec cette comparaison. Les systèmes d’IA ne comprennent pas au sens humain. Leurs motifs internes proviennent de données, non d’une expérience vécue. Si l’idée d’un « espace de travail » est utile, elle demeure une description simplifiée d’un système complexe. Sur le plan de la recherche, le J-space offre un nouveau moyen d’étudier comment l’IA arrive à ses réponses. Il pourrait aider à identifier les erreurs, les biais ou les signaux cachés, par exemple lorsqu’un modèle détecte une entrée fallacieuse. Dans un contexte clinique, cela pourrait soutenir la prise de décision, en particulier dans les cas complexes, sans pour autant remplacer le jugement professionnel. Des limites importantes existent également. Ces résultats sont précoces et principalement testés sur des modèles spécifiques. Nous ne savons pas encore dans quelle mesure cette caractéristique est stable ou généralisable. Les systèmes futurs pourraient également devenir plus difficiles à interpréter, et non plus simples. Sur le plan éthique, cela soulève des questions de confiance et de responsabilité. Si les cliniciens utilisent des outils d’IA, ils restent responsables de leurs décisions. Les signaux internes comme ceux du J-space ne doivent pas être considérés comme des preuves entièrement fiables. La transparence passe aussi par la reconnaissance de l’incertitude et par la prudence face à une confiance excessive dans des systèmes que nous ne comprenons pas pleinement. Au final, le J-space ne prouve pas que l’IA « pense » comme les humains, mais il met en lumière un point important : le raisonnement repose souvent sur des étapes cachées. Pour les cliniciens, cela n’est pas nouveau. Ce qui est nouveau, c’est la possibilité d’observer un processus similaire chez les machines, ce qui pourrait approfondir notre réflexion sur la la pensée humaine et la pensée artificielle.

En thérapie, une grande partie de notre travail se situe entre la connaissance et la présence. Nous n’appliquons pas seulement ce que nous savons : nous écoutons, observons et nous adaptons en temps réel. Souvent, le défi n’est pas un manque de savoir, mais la capacité d’en donner du sens de manière adaptée à la personne qui est face à nous. Avec l’expansion de MedGPT en Europe, de nombreux thérapeutes commencent à se demander comment un outil conçu pour un usage médical pourrait soutenir ce processus. MedGPT a d’abord attiré l’attention en France, où il a atteint plus de 200 000 utilisateurs en peu de temps. Il est aujourd’hui introduit dans plusieurs pays européens, dont l’Allemagne, l’Italie, l’Espagne, le Portugal, la Belgique, le Royaume-Uni, l’Irlande, les Pays-Bas, la Pologne et la Suisse. Le déploiement commence par des groupes plus restreints dans chaque pays, ce qui permet au système de s’adapter aux différents systèmes de santé, aux langues et aux cultures cliniques. Cette approche progressive est importante, car la pratique clinique ne se réduit jamais à une approche unique. Bien que MedGPT ait été développé à l’intention des médecins, il peut demeurer pertinent pour les thérapeutes. Notre travail implique souvent de relier les dimensions physiques, psychologiques et sociales de l’expérience d’une personne. Nous naviguons entre différents modèles et perspectives, parfois au sein d’une même séance. Dans ce contexte, un outil qui aide à organiser et à revisiter ces strates peut étayer notre réflexion sans s’y substituer. Lorsque nous avons exploré MedGPT, ce qui a retenu l’attention n’était pas tant ses réponses parfaites que sa capacité à structurer la réflexion. Par exemple, face à un patient présentant des douleurs chroniques et une peur du mouvement, le système a rassemblé différents facteurs contributifs, tels que la sensibilisation physique, les croyances liées à la douleur et les comportements d’évitement, de manière claire et organisée. Il ne prenait pas les décisions à notre place, mais il nous aidait à ralentir et à percevoir plus facilement les liens entre ces éléments. Dans la pratique quotidienne, ce type de soutien peut prendre des formes simples. MedGPT peut aider à reformuler des informations complexes en un langage plus clair pour les patients, à résumer des recherches lorsque le temps manque, ou à aider à la rédaction de notes cliniques . Il peut également préparer la communication avec d’autres professionnels de santé. Utilisé ainsi, il devient moins une autorité et davantage un partenaire de réflexion. En même temps, la thérapie demeure profondément humaine. Nos décisions sont guidées non seulement par nos connaissances, mais aussi par l’expérience, l’intuition et la relation que nous construisons avec chaque patient. Aucun système ne peut capturer pleinement ces éléments. Cela rend d’autant plus important l’utilisation prudente de l’IA, en protégeant les données des patients, en restant attentifs aux biais éventuels, et en gardant à l’esprit que la responsabilité des décisions cliniques incombe toujours au thérapeute. Se pose également la question plus large de l’influence de ces outils sur notre manière de penser à long terme. Utilisés sans réflexion, ils pourraient nous conduire à nous appuyer trop rapidement sur des réponses structurées. Mais utilisés avec discernement, ils peuvent nous aider à prendre davantage conscience de notre raisonnement, à rester curieux et à gagner en précision dans notre travail. Au final, l’expansion de MedGPT en Europe ne concerne pas seulement la technologie, mais aussi la manière dont les cliniciens choisissent de s’en saisir. Pour les thérapeutes, elle offre un moyen de soutenir la pensée clinique tout en restant ancrés dans la dimension humaine des soins. Sa valeur réside peut-être moins dans les réponses qu’il fournit que dans la façon dont il nous aide à réfléchir, à organiser et à aborder notre travail avec plus de clarté.

Lors d’une récente séance de supervision, une thérapeute a partagé son expérience de l’utilisation de l’IA pour rédiger des notes et des synthèses. Le résultat était rapide et bien formulé. Mais lorsqu’on lui a demandé si cela rendait réellement son travail plus facile, elle a marqué une pause. « Cela fait gagner du temps », a-t-elle répondu, « mais je dois toujours réfléchir autant. » Cette hésitation reflète une réalité que de nombreux cliniciens commencent à observer. On entend souvent dire que l’IA va améliorer de manière spectaculaire la productivité. Certains avancent même qu’elle pourrait rendre le travail dix fois plus rapide. Pourtant, dans la pratique clinique quotidienne, les changements apparaissent plus nuancés. La rapidité peut s’améliorer, mais la profondeur du travail, comprendre, décider, rester pleinement present, demeure tout aussi exigeante. Cela tient en partie à la manière dont nous concevons la productivité. En pratique clinique, elle ne se limite pas à accomplir des tâches rapidement. Elle implique de donner du sens à des situations complexes et d’exercer un jugement éclairé. L’IA peut soutenir certaines étapes du processus, mais elle ne remplace pas la réflexion qui les sous-tend. Parfois même, elle peut induire un sentiment de précipitation dans la prise de décision, plutôt que de favoriser un temps de réflexion. L’engagement joue également un rôle. Gallup (cabinet mondial d’analyse et de conseil spécialisé dans l’étude du travail ; State of the Global Workplace Report, 2023) rapporte que seuls 20 % des employés dans le monde se sentent engagés dans leur travail. Lorsque de nombreuses personnes éprouvent déjà un certain désengagement, l’introduction d’outils plus rapides n’améliore pas nécessairement l’expérience. Elle peut simplement faciliter l’enchaînement des tâches sans renforcer le sentiment de connexion à celles-ci. La motivation est également déterminante. Les individus s’engagent davantage lorsqu’ils éprouvent un sentiment de sens et d’appropriation dans leur activité. Lorsque l’IA est introduite comme un soutien à la réflexion, elle peut être perçue comme utile. Lorsqu’elle est vécue comme une contrainte supplémentaire ou un raccourci, elle peut produire l’effet inverse. Un autre changement important concerne la nature de l’effort requis. L’écriture peut devenir plus rapide, mais la relecture, la vérification et l’ajustement exigent souvent davantage d’attention. Le travail ne disparaît pas : il se transforme. La charge cognitive reste présente, mais elle est redistribuée. L’environnement dans lequel s’inscrit l’utilisation de l’IA fait également la différence. Lorsque les équipes disposent d’un espace pour réfléchir, poser des questions et apprendre à utiliser ces outils de manière réfléchie, les bénéfices sont plus tangibles. En l’absence de cet accompagnement, l’IA peut apparaître comme une couche supplémentaire plutôt qu’un véritable soutien. Se pose également la question de l’usage du temps gagné. Dans de nombreux contextes, il est rapidement absorbé par de nouvelles tâches. Les professionnels peuvent alors se sentir tout aussi pressés qu’auparavant. Une approche plus intentionnelle consisterait à consacrer une partie de ce temps à la réflexion, à l’apprentissage ou à l’amélioration de la qualité des soins. Les considérations éthiques restent centrales. L’IA peut produire des contenus formulés avec assurance, mais comportant des inexactitudes ou des biais. Une relecture attentive est donc indispensable. La responsabilité des décisions et des contenus demeure toujours du ressort du clinicien. Globalement, l’impact de l’IA dépend moins de l’outil lui-même que de la manière dont il est utilisé. Lorsqu’elle est mobilisée de façon réfléchie, elle peut soutenir une pensée plus claire et des processus de travail plus efficaces. L’enjeu n’est pas seulement d’aller plus vite, mais de travailler avec davantage de clarté, de rigueur et d’intention. Gallup. (2023). State of the global workplace: 2023 report. Gallup, Inc.

De nombreux cliniciens et formateurs sont désormais amenés à produire des contenus vidéo, que ce soit pour l’éducation des patients ou pour l’enseignement. Pour beaucoup, le montage a longtemps constitué un obstacle — chronophage, technique et parfois décourageant. De nouveaux outils, fondés sur des systèmes tels que Claude, commencent à rendre ce processus plus accessible. Les évolutions récentes ont rendu ce changement encore plus perceptible. Les agents d’IA de Claude peuvent désormais prendre en charge des portions plus importantes du processus de montage, en aidant à structurer les contenus et à affiner les vidéos avec moins d’intervention manuelle. Pour les utilisateurs déjà familiers d’outils comme ChatGPT Plus/Pro ou Claude Pro, cela ouvre des modalités de travail plus avancées et concrètes autour de la vidéo. Une autre évolution provient d’outils tels que Palmier, spécifiquement conçus pour le montage assisté par IA. À partir d’une simple instruction, l’utilisateur peut orienter l’ensemble du processus vidéo : découper les séquences, réorganiser les scènes, ajouter des plans d’illustration (B-roll) et travailler directement dans un montage. L’expérience se rapproche moins d’un montage traditionnel que d’un pilotage du processus par le dialogue. Cela modifie de manière significative le flux de travail. Plutôt que de se concentrer sur des étapes techniques, il s’agit de décrire ce que l’on souhaite transmettre. Le système contribue à structurer le contenu, les éléments visuels et le rythme, avec la possibilité d’affiner le résultat par itérations successives. Le processus devient plus itératif et moins dépendant d’une expertise technique. Du point de vue cognitif, cela réduit la charge liée à la gestion simultanée de multiples micro-tâches. Les aspects mécaniques du montage passent à l’arrière-plan, permettant de maintenir l’attention sur le message lui-même. Pour les cliniciens et les chercheurs, la création de contenu peut ainsi paraître plus accessible. En pratique, cela peut s’avérer particulièrement utile. Un thérapeute réalisant une vidéo psychoéducative peut se concentrer sur la clarté de l’explication, tandis que le système soutient les modalités de présentation. Cela peut atténuer la pression temporelle et faciliter la production de contenus cohérents et de qualité. Pour autant, ces outils ne remplacent pas le jugement professionnel. Les décisions relatives au contenu, à la manière de présenter l’information et à son adéquation à un public spécifique relèvent toujours de l’expertise humaine. L’IA peut assister l’exécution, mais elle ne saisit pas pleinement les nuances cliniques. Il existe également une tendance à accorder trop rapidement sa confiance à des productions visuellement abouties. Même lorsqu’un contenu semble finalisé, une relecture attentive reste nécessaire. Dans les contextes cliniques et pédagogiques, les détails ont une importance majeure, et l’exactitude demeure essentielle. Pour les équipes, ces outils peuvent favoriser une collaboration plus rapide et un développement accéléré des contenus. Les idées peuvent évoluer plus rapidement du concept au produit final. Toutefois, la rapidité ne doit pas se faire au détriment de la réflexion ni de la qualité. Il convient également de garder à l’esprit certaines limites. Les systèmes d’IA sont entraînés à partir de données existantes, susceptibles de comporter des lacunes ou des biais. Les productions peuvent donc ne pas refléter toute la diversité des perspectives ni garantir une information parfaitement exacte, ce qui rend nécessaire un travail de révision et d’ajustement. Sur le plan éthique, la transparence et la responsabilité demeurent essentielles. Comprendre la contribution de ces outils au résultat final permet de préserver la confiance et la responsabilité, en particulier dans les contextes cliniques. Dans l’ensemble, des outils comme Claude rendent la création vidéo plus accessible et moins technique. Ils ouvrent de nouvelles possibilités en matière de communication, tout en reposant sur un usage réfléchi et une supervision professionnelle. Leur véritable valeur réside dans le soutien qu’ils apportent à des modes de transmission des connaissances plus clairs et plus efficaces, sans se substituer à l’expertise qui les sous-tend.

Dans de nombreux contextes de formation, un changement discret mais profond est en cours. Des tâches autrefois confiées aux débutants peuvent désormais être réalisées rapidement par l’IA : rédiger un premier jet, organiser des idées, formuler des hypothèses, proposer des pistes d’intervention ou structurer un raisonnement. Le résultat est souvent impressionnant. Mais une question demeure : si ces premières étapes disparaissent, où se construit réellement l’apprentissage ? Traditionnellement, devenir clinicien, thérapeute ou chercheur impliquait de passer par des étapes imparfaites, parfois laborieuses. Les débutants essayaient, se trompaient, recevaient des retours, ajustaient leur raisonnement, puis progressaient progressivement. Ces efforts initiaux n’étaient pas de simples exercices. Ils constituaient le socle du jugement professionnel. Avec le temps, la répétition permettait de reconnaître des profils cliniques, d’identifier des régularités, de mieux tolérer l’incertitude et de développer une pensée plus souple et plus nuancée. Aujourd’hui, l’IA prend progressivement en charge une partie de ces tâches dites « d’entrée de niveau ». Une étude menée par Dell’Acqua et ses collègues en 2025 auprès de 776 employés de Procter & Gamble a montré qu’un individu utilisant l’IA pouvait produire des résultats comparables à ceux d’une équipe entière sans IA. Si cette tendance se poursuit, certaines organisations pourraient être tentées de recruter moins de profils juniors, en privilégiant des profils plus polyvalents, capables de gérer plusieurs tâches avec le soutien de l’IA. Ce changement a des implications importantes pour l’apprentissage. Les recherches en psychologie cognitive montrent que l’on apprend mieux lorsque l’on est activement engagé dans la tâche : en traversant des difficultés, en faisant des erreurs, en recevant des retours et en réfléchissant à ses propres raisonnements. Si l’IA réduit trop cet effort, l’apprentissage peut devenir plus superficiel. Il devient alors possible d’obtenir une bonne réponse sans réellement comprendre le processus qui y mène. En pratique clinique, cette distinction est déterminante. Un travail de qualité ne dépend pas uniquement de la justesse des conclusions, mais aussi de la manière dont elles sont construites. Rédiger une formulation de cas, par exemple, suppose d’intégrer des informations complexes, de hiérarchiser les données, de formuler des hypothèses prudentes et de prendre des décisions adaptées au patient. Si l’IA fournit directement des réponses prêtes à l’emploi, il existe un risque que les cliniciens s’y appuient sans développer pleinement leurs propres compétences de raisonnement. Pour autant, l’IA peut aussi devenir un levier d’apprentissage très intéressant lorsqu’elle est utilisée avec discernement. Elle peut aider à générer des perspectives alternatives, mettre en évidence certains angles morts, reformuler une hypothèse, comparer plusieurs options ou simuler un retour proche d’une supervision. Mais l’essentiel est de rester actif dans le processus. Questionner. Comparer. Vérifier. Reformuler. Argumenter. Ne pas accepter passivement la première réponse. Un autre enjeu concerne l’évaluation des compétences. Si les débutants produisent des travaux de très bonne qualité avec l’aide de l’IA, il devient plus difficile de savoir ce qu’ils comprennent réellement. Cela pourrait nécessiter des ajustements dans les dispositifs de formation et de supervision, avec une attention accrue portée au processus de raisonnement, et non uniquement au résultat final. Une préoccupation plus large concerne aussi les opportunités d’apprentissage. Si les postes juniors diminuent, ou si les tâches initiales sont largement automatisées, les futurs professionnels risquent d’avoir moins d’occasions de construire progressivement leur expertise. Cela pourrait affecter non seulement les trajectoires individuelles, mais aussi la qualité globale de l’expertise dans un domaine. Sur le plan éthique, l’utilisation de l’IA impose une vigilance particulière. Les cliniciens restent responsables de leurs décisions, même lorsqu’ils s’appuient sur des outils technologiques. Cela implique de connaître les limites des systèmes utilisés, de tenir compte des biais possibles, de vérifier les informations produites et d’être transparent sur les usages de l’IA lorsque cela est pertinent. Dans la recherche et la formation, les mêmes questions se posent. L’IA peut soutenir la rédaction, l’organisation des idées et l’exploration d’un sujet. Mais elle ne doit pas se substituer à la pensée critique, à l’analyse méthodologique ou à l’intégrité scientifique. L’IA ne supprime pas le besoin d’expertise. Elle transforme les conditions dans lesquelles cette expertise se développe. Le défi, désormais, est de créer des environnements d’apprentissage où ces outils soutiennent la construction d’une compréhension réelle, plutôt que de la remplacer. L’avenir de l’expertise dépendra peut-être moins de ce que nous sommes capables de produire que de la profondeur de notre réflexion.

Imaginez que vous travaillez sur un cas clinique complexe. Vous avez plusieurs notes, des observations, des résultats d’évaluation, des comptes rendus antérieurs et différentes interprétations possibles. Habituellement, ce type de travail demande du temps, de l’attention et une réflexion approfondie. Avec les nouvelles évolutions d’outils comme NotebookLM, l’IA peut désormais aider à organiser les informations, suggérer des pistes et accompagner certaines étapes du raisonnement. Il ne s’agit plus seulement d’un outil de stockage ou de synthèse. L’IA devient progressivement un partenaire actif dans la réflexion. Le système est désormais capable de traiter des documents longs, de rechercher des informations, d’établir des liens entre différentes sources et de formuler des réponses structurées. Pour les thérapeutes et les chercheurs, cela représente un gain de temps considérable. Mais cela modifie aussi notre rapport aux connaissances et à l’effort cognitif que nous investissons dans l’analyse. Une autre évolution majeure est l’intégration d’un « ordinateur dans le cloud ». Cela permet à certains systèmes d’exécuter du code, d’analyser des données et de générer des résultats dans un même environnement. Des tâches qui nécessitaient auparavant plusieurs outils ou des compétences techniques spécifiques deviennent plus accessibles. Cela peut soutenir les cliniciens dans l’exploration de données, l’analyse de résultats ou la structuration de documents. Mais cela implique aussi parfois de s’appuyer sur des processus que l’on ne comprend pas entièrement. L’outil peut également générer différents types de productions : rapports, tableaux, graphiques, présentations ou supports de travail. Cela facilite la transformation d’idées en contenus structurés. D’un point de vue clinique, cela peut soutenir la documentation, la communication interprofessionnelle et la préparation de supports adaptés. Mais une question demeure : si l’outil contribue au résultat final, quelle part du raisonnement nous appartient encore ? Un changement important concerne aussi la manière de commencer un travail. Au lieu d’apporter nos propres sources, il devient possible de partir d’une simple question et de laisser le système rechercher, sélectionner et organiser l’information. C’est pratique. Mais cela peut réduire une compétence essentielle : savoir chercher, choisir, comparer et évaluer les sources.Cette compétence reste pourtant centrale, aussi bien en recherche qu’en raisonnement clinique. Du point de vue de l’apprentissage, l’enjeu est majeur. Nous savons que l’apprentissage est plus profond lorsque les individus restent activement engagés dans le processus : tester des idées, confronter des hypothèses, réfléchir aux résultats, traverser des difficultés et ajuster leur raisonnement. Si l’IA en fait trop, l’apprentissage peut devenir plus passif. Il devient alors possible d’obtenir une bonne réponse sans comprendre pleinement le chemin qui y conduit. En pratique clinique, cela a des conséquences concrètes. Une prise en charge de qualité ne repose pas uniquement sur des réponses correctes. Elle repose sur la compréhension du patient, l’adaptation à l’incertitude, la prise en compte du contexte et la capacité à prendre des décisions réfléchies. L’IA peut soutenir ce processus. Mais elle ne peut pas remplacer le jugement clinique, l’expérience, la responsabilité professionnelle ni la relation humaine. Les considérations éthiques sont également centrales. Les cliniciens restent responsables de leurs décisions, même lorsqu’ils utilisent des outils d’IA. Il est donc essentiel de vérifier l’exactitude des informations, de comprendre leur provenance, d’identifier les biais possibles et de rester transparent sur les processus de décision. En définitive, l’IA ne remplace pas l’expertise. Elle transforme les conditions dans lesquelles cette expertise s’exerce et se développe. Le défi consiste à rester activement engagé, à penser de manière critique et à utiliser ces outils comme des soutiens plutôt que comme des raccourcis. Utilisée avec discernement, l’IA peut renforcer la pratique.Mais elle ne doit jamais en affaiblir les fondements.

Si vous avez déjà entendu parler de Haiku, Sonnet ou Opus sans vraiment savoir lequel utiliser, vous n’êtes pas seul. Cette confusion est fréquente, notamment chez les cliniciens qui découvrent ces outils. Elle ne vient pas tant de la technologie elle-même que de la manière dont elle est présentée, souvent à travers une multiplication de noms qui donnent une impression de complexité. Un thérapeute me disait récemment : « Je vois passer tous ces noms, mais je ne sais jamais lequel choisir. » Cette remarque illustre bien le problème. Face à cette diversité, il devient facile de se sentir dépassé, voire de renoncer à utiliser ces outils pourtant prometteurs. Une manière plus simple de s’y retrouver consiste à changer de perspective. Plutôt que de se demander quel est le meilleur modèle, il est plus pertinent de se poser une autre question : de quel niveau de soutien ai-je besoin pour cette tâche ? Cette approche permet de ramener l’outil à sa fonction, et non à son nom. Dans cette logique, Claude peut être compris comme une échelle. À un premier niveau, Haiku correspond à des usages rapides et simples. Il est particulièrement utile pour reformuler un texte, résumer des notes ou organiser des informations, sans mobiliser un raisonnement clinique approfondi. Un cran au-dessus, Sonnet représente un équilibre particulièrement adapté à la pratique quotidienne. Il permet de rédiger, structurer et clarifier des contenus cliniques avec une qualité suffisante pour être directement utilisable, ce qui en fait souvent un choix naturel pour de nombreux thérapeutes. Lorsque les situations deviennent plus complexes, Opus entre en jeu. Il permet d’explorer des hypothèses, de structurer une formulation de cas ou d’analyser des situations cliniques plus nuancées. Son utilisation est plus exigeante, mais elle se justifie lorsque la profondeur de réflexion devient essentielle. À un niveau encore plus avancé, Fable et Mythos introduisent des différences dans la gestion de la sécurité et de la liberté de réponse. Fable privilégie la prudence et les garde-fous, tandis que Mythos offre plus d’ouverture, dans des contextes qui nécessitent un cadre maîtrisé. Cependant, un développement récent introduit une limite importante : le gouvernement des États-Unis a émis une directive de contrôle des exportations suspendant l’accès à Fable 5 et Mythos 5 pour les ressortissants étrangers, qu’ils se trouvent à l’intérieur ou à l’extérieur des États-Unis. En pratique, ces systèmes peuvent donc devenir soudainement indisponibles pour de nombreux utilisateurs. Penser ces outils comme une échelle permet de retrouver une logique familière aux cliniciens. Dans la pratique, il s’agit déjà d’ajuster son niveau d’analyse, ses outils et sa précision en fonction des besoins du patient et de la situation. L’IA s’inscrit simplement dans cette continuité. En définitive, l’objectif n’est pas de maîtriser chaque nom, mais de comprendre cette gradation. Une fois intégrée, elle rend l’outil plus accessible et plus cohérent. L’IA peut alors devenir un véritable support du raisonnement clinique, à condition de rester utilisée avec discernement et responsabilité.

Lors d’une récente séance de supervision, un stagiaire a proposé l’idée d’un outil simple permettant à un patient de suivre son humeur entre les séances. Il y a peu, cette idée serait restée théorique en l’absence de développeur. Aujourd’hui, avec la mise à disposition récente de Codex Sites par OpenAI, une idée formulée à l’écrit peut être transformée en application fonctionnelle, accessible via un simple lien. Cela modifie non seulement ce que nous pouvons concevoir, mais aussi notre manière de penser l’application des idées en contexte clinique. Ce basculement ne tient pas uniquement à un gain de rapidité. Il transforme en profondeur la manière dont les cliniciens élaborent, testent et ajustent leurs interventions. Là où la création d’un outil numérique nécessitait auparavant une chaîne complexe, conception, design, développement, tests et déploiement, impliquant du temps et des compétences spécialisées, une partie de ce processus peut désormais être directement soutenue par l’IA. Une idée peut ainsi devenir rapidement un prototype, puis un outil utilisable et modifiable. Cela ouvre la voie à la création de supports cliniques variés : suivi de l’humeur, outils de psychoéducation, carnets de stratégies ou activités interactives adaptées aux besoins spécifiques des patients. Cette évolution s’inscrit dans la perspective de l’« esprit étendu », où les outils technologiques viennent soutenir les capacités de raisonnement, d’organisation et d’exploration clinique. L’IA ne se limite plus à un rôle technique : elle peut devenir un appui au raisonnement clinique, à condition d’être utilisée avec rigueur et discernement. Elle transforme également la manière dont les cliniciens envisagent leur rôle. Certains peuvent progressivement se positionner non seulement comme praticiens, mais aussi comme concepteurs d’outils numériques simples. Cette évolution peut être source d’autonomie, mais aussi d’incertitude, notamment en l’absence de formation technologique formelle, ce qui souligne l’importance d’un accompagnement adapté pour en faire un usage responsable. Pour autant, la facilité de création ne garantit pas la pertinence clinique. Un outil peut être fonctionnel sans être utile, ni fondé scientifiquement. Cela impose de maintenir une pratique exigeante, ancrée dans un cadre théorique clair, des objectifs définis, des données probantes, une compréhension fine du patient et une évaluation continue des effets. Les considérations éthiques sont, dans ce contexte, centrales. Les cliniciens restent responsables des outils qu’ils conçoivent ou utilisent et de leurs effets sur les patients. La transparence concernant le fonctionnement, la gestion des données et les limites de ces outils est essentielle. Les patients doivent pouvoir comprendre ce qu’ils utilisent et les implications possibles pour leur prise en charge. En définitive, ces transformations invitent les thérapeutes à adopter une posture plus active dans la conception d’outils adaptés à leur pratique, tout en restant vigilants face aux enjeux de confidentialité, de consentement, de validation clinique et de supervision humaine. Si la distance entre l’idée et sa mise en œuvre se réduit considérablement, la responsabilité clinique, elle, demeure inchangée.