French

Une étude expérimentale récente a examiné l’influence d’outils comme ChatGPT sur les processus de pensée lors de tâches d’écriture. L’étude, menée par Kosmyna, N. et al. (2025) au MIT Media Lab et intitulée « Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task », analyse comment différents niveaux d’assistance technologique modulent l’engagement cognitif. Les chercheurs ont recruté des participants répartis en trois groupes : un groupe utilisant un assistant d’IA (groupe LLM), un groupe utilisant un moteur de recherche, et un groupe s’appuyant uniquement sur ses propres ressources cognitives (groupe Brain-only). Sur trois sessions, chaque groupe a conservé la même modalité de travail. Lors d’une quatrième session, les conditions ont été inversées pour certains participants : ceux ayant utilisé l’IA ont travaillé sans celle-ci (LLM-to-Brain), tandis que ceux ayant travaillé de manière autonome ont été introduits à l’IA (Brain-to-LLM). L’étude combinait enregistrements EEG, analyses linguistiques, évaluation des productions écrites et entretiens, afin d’explorer non seulement les performances, mais aussi les processus cognitifs sous-jacents. Les résultats mettent en évidence des différences nettes d’engagement cognitif. L’activité cérébrale, mesurée via la connectivité neuronale, était la plus élevée dans le groupe Brain-only, intermédiaire dans le groupe utilisant un moteur de recherche, et la plus faible dans le groupe LLM. Cela suggère qu’à mesure que le soutien externe augmente, l’engagement cognitif interne diminue. Parallèlement, l’analyse linguistique montre que les textes produits avec l’IA étaient plus homogènes, avec une moindre variabilité lexicale et structurelle, tandis que les productions autonomes étaient plus diversifiées et distinctes. L’expérience subjective des participants reflète ces différences. Les participants du groupe LLM rapportaient un moindre sentiment d’appropriation de leurs textes et davantage de difficultés à se souvenir ou à citer ce qu’ils venaient d’écrire. À l’inverse, le groupe Brain-only présentait une meilleure mémorisation et un sentiment clair de propriété du travail produit. Même lorsque les textes assistés par IA obtenaient de bons scores, ils nécessitaient peu de modifications et restaient proches des réponses générées par défaut, ce qui témoigne d’un niveau de traitement actif plus limité. La quatrième session apporte des éléments particulièrement éclairants. Les participants passés d’un travail autonome à l’usage de l’IA (Brain-to-LLM) ont montré une augmentation de la connectivité cérébrale sur plusieurs bandes de fréquence, suggérant une intégration active du soutien de l’IA aux connaissances préexistantes. Ils ont également obtenu de bonnes performances en termes de mémoire et de structuration. En revanche, les participants passés de l’IA à un travail autonome (LLM-to-Brain) présentaient une diminution de l’engagement neuronal et ne retrouvaient pas le niveau d’activité du groupe initial Brain-only. Leur production portait en outre des traces persistantes de vocabulaire et de structures influencés par l’IA. D’un point de vue clinique, ces résultats sont particulièrement pertinents. Le raisonnement clinique repose sur un engagement actif : organiser l’information, établir des liens, réfléchir aux décisions. L’écriture constitue un levier central pour développer et affiner ce raisonnement. Si l’IA réduit cet effort, notamment en début de formation, cela peut conduire à ce que l’on peut qualifier de « dette cognitive » : un affaiblissement progressif des processus de pensée soutenant le jugement clinique. Dans le même temps, l’étude suggère que l’IA peut être bénéfique lorsqu’elle intervient après une phase de réflexion autonome. Le groupe Brain-to-LLM montre que l’engagement préalable permet une utilisation plus intégrée et réflexive de l’IA. Cela rejoint les modèles pédagogiques et cliniques dans lesquels les outils sont d’autant plus efficaces qu’ils s’appuient sur des bases déjà construites plutôt qu’ils ne s’y substituent. Ces résultats font également écho à la pratique clinique quotidienne. Les thérapeutes soulignent l’importance de la participation active et de la réflexion chez les patients. De la même manière, les cliniciens développent leur expertise par une pensée répétée et exigeante. Si les outils d’IA viennent remplacer ce processus plutôt que le soutenir, cela pourrait modifier de manière subtile mais significative les modes de pensée, de mémorisation et de décision des cliniciens. Les implications éthiques sont importantes. Les cliniciens restent responsables de leur raisonnement et de leurs écrits, même en présence d’IA. La diminution du sentiment d’appropriation soulève des questions quant à l’engagement critique. Si un clinicien se sent moins lié à ce qu’il écrit, il peut être moins enclin à en questionner la validité. Des préoccupations existent également concernant les biais et l’exactitude, dans la mesure où les contenus générés peuvent ne pas correspondre aux contextes individuels ou culturels des patients. Des risques similaires concernent les chercheurs et les étudiants. Un texte de qualité ne repose pas uniquement sur la clarté, mais aussi sur la compréhension. Si l’IA facilite la production de textes sans engagement cognitif approfondi, il existe un risque de produire des contenus apparemment solides mais dépourvus de compréhension réelle. Préserver l’intégrité intellectuelle repose un engagement actif dans le processus de pensée, au-delà du résultat final. Dans l’ensemble, cette étude offre une perspective initiale importante sur la manière dont des outils comme ChatGPT peuvent influencer la cognition au fil du temps. Pour les cliniciens et les thérapeutes, elle souligne la nécessité d’une approche équilibrée, dans laquelle l’IA est utilisée comme un soutien, tout en préservant l’effort cognitif qui fonde l’expertise clinique. L’enjeu n’est pas d’éviter ces outils, mais de les utiliser de manière à renforcer, et non à remplacer, les processus cognitifs au cœur de l’apprentissage et de la pratique.

Combien de fois avons-nous souhaité pouvoir tout garder en tête en même temps ? L’ensemble des rapports, des notes, des détails qui semblent pertinents mais restent dispersés entre différents documents et moments. Et si les outils que nous utilisons pouvaient réellement « retenir » advantage, non pas quelques pages, mais des trajectoires complètes ? Gemini, développé par Google, s’inscrit dans cette perspective. Avec une capacité de traitement pouvant atteindre 2 millions de tokens, il peut intégrer l’équivalent d’environ 1,5 million de mots. Cela peut inclure des notes cliniques, des évaluations, des vidéos, des entretiens et des articles scientifiques, simultanément. Pour les thérapeutes, cela fait écho à une réalité bien connue : notre travail repose rarement sur une information isolée, mais sur l’articulation de multiples éléments. Prenons l’exemple d’un enfant suivi sur plusieurs années. Différents professionnels interviennent, produisent des rapports et apportent des perspectives variées. Le clinicien navigue entre ces documents pour en construire une compréhension cohérente. Un tel système pourrait faciliter la centralisation de ces informations et mettre en évidence des régularités ou des zones d’ombre. Toutefois, cela ne signifie pas qu’il « comprend » l’enfant : il organise les données, sans en saisir le sens. En effet, en clinique, une accumulation de données ne garantit pas une compréhension plus fine. Le travail thérapeutique implique d’écouter, d’observer, de percevoir l’atmosphère relationnelle. Il s’agit de prêter attention à ce qui est exprimé, mais aussi à ce qui ne l’est pas. L’IA peut structurer l’information, mais elle ne fait pas l’expérience de la relation. Elle ne perçoit ni l’hésitation, ni la résistance, ni les variations de tonalité. Utilisé avec précaution, ce type d’outil peut néanmoins être utile. Il peut servir à comparer des rapports, à synthétiser des objectifs récurrents ou à identifier des incohérences. Il permet de préparer le travail clinique et de gagner du temps. Toutefois, l’interprétation, la décision et la responsabilité demeurent du ressort du clinicien. Cette rapidité peut également être séduisante. Lorsque les réponses sont immédiates, le risque est de s’y fier de manière excessive. Or, le raisonnement clinique nécessite du temps. Il se construit à travers le questionnement, la réflexion et l’acceptation de l’incertitude. Si l’IA accélère excessivement ce processus, elle peut en court-circuiter les étapes essentielles. Au-delà de la pratique, des enjeux éthiques se posent. Quelles données sont partagées ? Le consentement est-il respecté ? Les informations sont-elles protégées de manière adéquate ? Même si l’IA peut traiter davantage de données, la responsabilité de leur utilisation nous incombe. Dans le domaine de la recherche, cette capacité étendue peut faciliter l’analyse et l’organisation de volumes importants d’informations. Elle peut soutenir les revues de littérature et les premières phases d’analyse. Toutefois, elle ne se substitue ni à la rigueur méthodologique ni au raisonnement scientifique. Elle accompagne le processus sans en garantir la qualité. Ainsi, la question ne se limite pas à la capacité de l’IA à retenir davantage d’informations, mais à l’usage qui en est fait. Favorise-t-elle une pensée plus claire, ou tend-elle à se substituer à elle ? En définitive, l’essentiel est que la personne accompagnée ne soit jamais réduite à une donnée parmi d’autres, mais demeure au centre de l’attention clinique.

Un thérapeute reçoit un jeune adulte lors d’une séance de thérapie. Le patient devient soudain silencieux, puis exprime un sentiment de débordement sans pouvoir en identifier la cause. Un long silence s’installe. Le thérapeute perçoit la tension, la reconnaît avec délicatesse et laisse au patient l’espace nécessaire pour s’exprimer sans pression. Ces moments sont au cœur de la formation clinique. Ils rappellent que devenir clinicien ne repose pas uniquement sur des connaissances, mais aussi sur la manière de répondre aux émotions humaines réelles. L’IA fait déjà partie de l’apprentissage clinique, bien que son intégration varie selon les contextes. Dans de nombreuses universités et programmes de formation, elle est désormais présente à la fois dans l’enseignement initial et dans la formation continue. Aujourd’hui, de nombreux outils sont accessibles aux cliniciens et aux étudiants dans leur apprentissage : simulateurs de conversation, assistants à la rédaction de notes, plateformes de revue de cas. Il ne s’agit pas d’une évolution à venir, mais d’une transformation déjà en cours de nos modalités d’apprentissage. Ces outils peuvent être utiles. Ils permettent aux étudiants de s’exercer à des échanges, de recevoir des retours rapides et de répéter les exercices autant que nécessaire. Pour les apprenants bénéficiant de la répétition ou d’un rythme flexible, cela peut rendre la formation plus accessible et personnalisée. Cependant, apprendre avec l’IA n’est pas équivalent à apprendre avec des personnes réelles. L’IA peut simuler une conversation, mais elle ne ressent pas les émotions et ne répond pas avec une présence authentique. En situation clinique réelle, les patients peuvent être silencieux, submergés, résistants ou imprécis. Ces moments requièrent plus que des techniques : ils nécessitent une capacité d’accordage. Cela vaut également pour la formation elle-même. Un formateur ou un superviseur ne se limite pas à transmettre des informations. Il perçoit lorsqu’un étudiant est en difficulté, désengagé ou en incompréhension partielle. Il ajuste son accompagnement en temps réel : en ralentissant, en questionnant, en soutenant, ou simplement en étant présent. L’IA ne peut détecter l’indisponibilité émotionnelle, l’anxiété ou la déconnexion. Cette sensibilité humaine constitue un élément central de la formation clinique. Par exemple, un étudiant s’exerçant à une conversation difficile avec l’IA peut acquérir des formulations utiles. Toutefois, en supervision directe, un formateur peut repérer une hésitation dans la voix de l’étudiant ou un inconfort dans l’abord d’un sujet sensible. Il peut alors suspendre l’échange, poser des questions réflexives et accompagner l’exploration des processus internes. Cet apprentissage dépasse la performance : il développe la conscience clinique. Il existe également un risque de dépendance excessive à l’IA. Si les étudiants s’y réfèrent systématiquement pour obtenir des réponses, ils peuvent ne pas développer pleinement leur raisonnement clinique. Un bon clinicien ne se limite pas à répondre : il questionne, réfléchit et tolère l’incertitude. L’IA peut produire des réponses rapides, mais elle ne remplace pas la pensée approfondie qui se construit par l’expérience et la réflexion guidée. Cela étant, l’IA peut soutenir l’apprentissage lorsqu’elle est utilisée avec discernement. Les étudiants peuvent s’exercer en amont de situations réelles, comparer les réponses générées par l’IA avec des modèles théoriques, puis en discuter en supervision. Dans cette perspective, l’IA devient un outil au service de la pensée critique, et non un substitut. Il est également essentiel de reconnaître que l’IA n’est pas neutre. Elle est entraînée à partir de vastes ensembles de données susceptibles d’inclure des biais. Par conséquent, elle peut ne pas refléter avec précision la diversité des expériences culturelles, linguistiques ou individuelles. En clinique, où la compréhension du contexte singulier de chaque patient est essentielle, cela constitue une limite majeure. La responsabilité demeure celle du clinicien. Même en présence de l’IA, les étudiants et les professionnels doivent être en mesure de justifier leurs décisions et de comprendre le raisonnement qui les sous-tend. L’IA doit soutenir l’apprentissage, sans se substituer au jugement professionnel. Pour les formateurs, cette évolution transforme les modalités de conception et de mise en œuvre de la formation. Les programmes s’adaptent, non seulement pour intégrer les outils d’IA, mais aussi pour enseigner leur utilisation de manière critique et éthique. Cela inclut la définition de limites, la protection de la confidentialité et l’accompagnement des étudiants dans la compréhension des forces et des limites de ces technologies. En définitive, l’IA peut soutenir la formation clinique, mais elle ne peut remplacer la relation humaine qui en constitue le cœur. En thérapie comme en formation, l’essentiel réside dans la présence, l’empathie et la capacité à percevoir ce qui se joue chez l’autre. Ces compétences ne sont pas uniquement techniques : elles relèvent de capacités relationnelles qui se développent au contact de l’expérience humaine réelle. À mesure que la formation évolue, l’enjeu n’est pas de savoir s’il faut utiliser l’IA, mais comment l’intégrer sans perdre ce qui fait la dimension profondément humaine du travail clinique.

Dans de nombreux contextes thérapeutiques, l’écoute de la parole du patient constitue un élément central de la compréhension de ses besoins. Les thérapeutes enregistrent souvent les séances, puis consacrent du temps, ultérieurement, à la rédaction de notes ou à l’analyse des productions. Ce processus peut être chronophage et dissocier le moment de l’écoute de celui de la compréhension. Les nouveaux outils d’IA vocale commencent à transformer cette dynamique en permettant un traitement et une analyse de la parole en temps réel. OpenAI a introduit trois nouveaux modèles vocaux fonctionnant en temps réel. GPTRealtime2 permet des interactions plus naturelles et répond à des questions plus complexes grâce à des capacités de raisonnement avancées. GPTRealtimeTranslate peut traduire la parole de plus de 70 langues vers 13 langues pendant que la personne s’exprime. GPTRealtimeWhisper convertit la parole en texte instantanément, sans attendre la fin de l’énoncé. Ensemble, ces outils permettent de concevoir des systèmes capables d’écouter, de répondre et d’agir au cours de conversations en direct. Pour les thérapeutes, cela représente un changement important. Au lieu d’écouter d’abord puis d’analyser plus tard, il devient possible de bénéficier d’un soutien pendant la séance elle-même. Par exemple, un système peut aider à transcrire les propos du patient, à repérer des mots clés ou à suivre l’évolution de la parole dans le temps. Cela peut faciliter la documentation et réduire la charge de travail, notamment dans des environnements cliniques exigeants. Cependant, la thérapie ne se limite pas aux mots. Elle inclut l’intonation, les émotions, les silences et la relation entre le thérapeute et le patient. Si l’IA peut détecter certaines régularités, elle ne comprend pas réellement la personne derrière les paroles. Il reste donc indispensable que les thérapeutes interprètent les significations avec prudence et mobilisent leur jugement clinique. Les outils de traduction en temps réel peuvent être particulièrement utiles lors de prises en charge impliquant des patients de langues différentes. Il facilite la communication sans recourir systématiquement à un interprète. Toutefois, la langue est un phénomène complexe, profondément ancré dans la culture. Certains sens, émotions ou expressions peuvent ne pas être parfaitement traduits. Il convient donc de rester vigilant et de vérifier la compréhension lorsque cela est nécessaire. D’un point de vue pratique, ces outils peuvent soutenir l’évaluation et l’intervention. Par exemple, un thérapeute peut repérer plus rapidement des variations de fluence ou d’utilisation lexicale, ce qui peut permettre d’ajuster plus rapidement les objectifs thérapeutiques. Ils peuvent également accompagner la pratique à domicile, notamment lorsque des retours en temps réel sont disponibles. Néanmoins, des limites persistent. Les systèmes d’IA sont entraînés sur de larges ensembles de données, qui n’intègrent pas nécessairement tous les accents, dialectes ou styles de communication. Des erreurs sont donc possibles. Le système peut mal interpréter la parole ou proposer des suggestions inadaptées au contexte clinique. Il est essentiel de ne pas s’y fier sans esprit critique. Pour les thérapeutes en cours de formation, un risque existe : accorder une confiance excessive à l’IA en raison de son apparente assurance. Or, le raisonnement clinique se construit avec le temps. L’IA doit rester un outil de soutien, et non un substitut à la réflexion. Le questionnement et l’analyse de chaque situation demeurent fondamentaux. Des responsabilités éthiques sont également en jeu. Les patients doivent être informés de l’utilisation de l’IA et des modalités de gestion de leurs données. Les thérapeutes doivent garantir la confidentialité et rester attentifs aux biais potentiels des systèmes. En définitive, la responsabilité des décisions revient au clinicien, et non à la technologie. Aujourd’hui, les données des patients sont comparables à une empreinte digitale : elles sont uniques et personnelles. Si elles sont utilisées pour entraîner des modèles d’IA, votre voix, vos images ou d’autres informations personnelles pourraient être réutilisées sous différentes formes de génération de contenu. Il est donc essentiel de faire preuve de vigilance dans le choix des outils utilisés en contexte clinique. Les thérapeutes doivent systématiquement vérifier où les données sont stockées, comment elles sont utilisées et si elles sont correctement protégées. Le choix de plateformes garantissant la confidentialité n’est pas optionnel, il fait partie intégrante d’une pratique éthique. Le consentement éclairé, la sécurité des systèmes et une prise de décision éclairée doivent guider l’usage de tout outil d’IA. À l’avenir, ces modèles vocaux pourraient devenir des outils utiles en pratique quotidienne, à condition d’être utilisés avec discernement. Ils permettent de gagner du temps et d’apporter des éclairages pertinents, sans se substituer à la compréhension humaine. Le rôle du thérapeute reste central. La qualité des soins continuera de reposer sur un équilibre entre l’usage des outils technologiques et le maintien d’un raisonnement clinique solide.

Dans un cadre clinique typique, l’orthophoniste peut utiliser un outil d’IA pour analyser un échantillon de parole d’un enfant. L’outil peut rapidement repérer des schémas récurrents ou suggérer des objectifs possibles. Cela permet un gain de temps, mais peut aussi générer une certaine incertitude. Les données peuvent paraître claires, sans pour autant refléter pleinement les émotions de l’enfant, ses intentions ou son style interactionnel. C’est dans cet espace que de nombreux thérapeutes se situent aujourd’hui, cherchant à concilier l’apport de technologies utiles avec leur propre jugement clinique. Les nouveaux principes du Royal College of Speech and Language Therapists ont précisément pour objectif d’accompagner les praticiens dans cette situation. Ce document a été élaboré dans un contexte de développement rapide de l’IA, alors que de nombreux thérapeutes l’utilisent déjà à petite échelle. Plutôt que d’imposer des règles strictes, ces principes proposent un cadre de réflexion sur l’usage de l’IA. Ils rappellent que l’IA est un outil, et non un décideur. Les thérapeutes doivent continuer à mobiliser les données scientifiques disponibles, leur expérience clinique et les besoins spécifiques de chaque patient dans leurs prises de décision. Une manière utile de comprendre cela consiste à distinguer deux types de raisonnement. L’IA fournit souvent des réponses rapides fondées sur des régularités. Ces réponses peuvent être utiles, mais elles restent incomplètes. Les thérapeutes, quant à eux, mobilisent un raisonnement plus lent et plus nuancé. Ils prennent en compte le contexte, l’histoire du patient et les observations issues de la séance. Les principes invitent à ralentir le raisonnement clinique plutôt qu’à accepter automatiquement les suggestions de l’IA. L’IA peut s’avérer très utile dans la pratique quotidienne. Elle peut soutenir la rédaction de notes, le suivi des progrès ou la suggestion d’activités. Cela peut alléger la charge de travail et libérer du temps pour se concentrer davantage sur les patients. Dans certains contextes, notamment lorsque l’accès aux services est limité, l’IA peut également contribuer à améliorer l’accès aux soins. Toutefois, ces bénéfices s’accompagnent de défis. Les outils d’IA peuvent ne pas saisir pleinement les différences culturelles, la diversité linguistique ou la complexité des besoins communicationnels. Les apports d’autres disciplines, comme la psychologie et les neurosciences, rappellent que la communication ne se réduit pas à des mots ou à des scores. Elle inclut les relations, le langage corporel, les émotions et le contexte. Deux patients peuvent présenter des profils de parole similaires tout en ayant des besoins sous-jacents très différents. L’IA ne reconnaît pas toujours ces nuances, ce qui rend l’interprétation du thérapeute indispensable. Pour les chercheurs, l’IA soulève également de nouvelles questions. Il ne suffit pas de démontrer qu’un outil est précis. Il est également nécessaire d’évaluer son impact sur les résultats thérapeutiques, les prises de décision des cliniciens et l’expérience des patients. La recherche devra s’intéresser aux usages en conditions réelles, et pas uniquement à des environnements contrôlés. Cela implique une collaboration interdisciplinaire entre technologie, pratique clinique et formation. Dans les séances du quotidien, ces principes peuvent servir de repères pour la réflexion. Les thérapeutes peuvent se poser des questions simples : cet outil améliore-t-il ma compréhension ? Est-il adapté à ce patient ? Suis-je toujours à l’origine de la décision finale ? Ces questions sont particulièrement importantes dans les situations complexes, où des détails subtils de la communication peuvent être déterminants. L’IA peut soutenir la réflexion, mais ne remplace pas la compréhension globale de la personne par le thérapeute. Parallèlement, un défi demeure. Les outils d’IA reposent souvent sur des données générales, alors que la thérapie nécessite une approche individualisée. Les thérapeutes doivent adapter les propositions de l’IA à chaque personne. Cela requiert non seulement des compétences cliniques, mais aussi la capacité à questionner et ajuster les résultats produits. Les principes viennent renforcer ce positionnement central du thérapeute. Sur le plan éthique, l’usage de l’IA implique une responsabilité quant à son utilisation. Les thérapeutes doivent être transparents et s’assurer que les patients comprennent quand et comment l’IA intervient. Des questions de biais se posent également, certains systèmes ne représentant pas équitablement l’ensemble des populations. Par ailleurs, le manque de transparence de certains outils peut compliquer la compréhension des mécanismes de décision. Les cliniciens demeurent responsables de l’ensemble des décisions cliniques, même lorsque l’IA est mobilisée. Un autre point essentiel concerne la relation thérapeutique. La confiance, l’empathie et la qualité du lien sont des éléments centraux du soin. Un recours excessif à l’IA pendant les séances peut altérer la présence du thérapeute auprès du patient. Les principes rappellent que la relation humaine doit rester au cœur de la pratique, même en intégrant de nouveaux outils. Dans l’ensemble, les principes du Royal College n’apportent pas de réponses définitives, mais constituent un point de départ solide. Ils encouragent les thérapeutes à adopter une posture à la fois curieuse, réfléchie et responsable face à l’IA. À mesure que la technologie évolue, les cliniciens joueront un rôle clé dans la manière dont elle sera intégrée en pratique. L’objectif n’est pas de remplacer le soin humain, mais de le soutenir de manière sûre et pertinente.

En pratique clinique, nous apprenons souvent que ce qui semble « parfait » n’est pas toujours ce qui aide le plus les patients. Un exemple récent issu de l’IA illustre cette idée de manière inattendue. Un nouveau prompt, utilisé avec un modèle d’image avancé (GPT Image 2), lui demande de redessiner des images dans un style très brouillon et maladroit, comme un dessin rapidement esquissé à la souris dans MS Paint. De manière surprenante, le modèle suit très bien cette consigne, alors même qu’il a été conçu pour produire des images très réalistes et de haute qualité. À première vue, cela peut sembler anecdotique, voire amusant. Pourquoi demander à un système avancé de produire quelque chose de « médiocre » ? Mais du point de vue clinique, cela met en lumière un point essentiel. En thérapie, des représentations simples, imparfaites ou symboliques sont souvent plus utiles que des images très abouties. Par exemple, certains patients, notamment les enfants ou les personnes présentant des difficultés cognitives ou langagières, s’engagent plus facilement avec des dessins simples qu’avec des images détaillées. Un rendu « brouillon » peut paraître plus accessible et moins intimidant. Cela renvoie à la manière dont les individus traitent l’information. Tout le monde ne pense pas de manière abstraite ou complexe. De nombreuses personnes comprennent mieux à travers des formes simples, concrètes ou visuelles. Dans ce contexte, demander à une IA de « réduire » la qualité de ses productions ne revient pas à la rendre moins performante, mais à la rendre plus flexible et mieux adaptée à des besoins variés. La valeur réside dans l’adéquation entre l’outil et la personne, et non dans la perfection technique. Un aspect particulièrement intéressant de GPT Image 2 est sa capacité à suivre précisément les instructions. Les systèmes d’IA plus anciens avaient tendance à « améliorer » automatiquement les résultats, même lorsque cela n’était pas souhaité. Ils pouvaient rendre les images plus propres ou plus réalistes, en ignorant l’intention de l’utilisateur, ce qui pouvait être source de frustration. À l’inverse, ce modèle plus récent respecte davantage le prompt. Il exécute la consigne, même si cela implique de produire un résultat volontairement imparfait. Pour les cliniciens, cette logique est familière. En thérapie, l’objectif n’est pas toujours d’obtenir la réponse « la meilleure » ou la plus élaborée, mais celle qui est la plus utile pour le patient à un moment donné. Un croquis rapide, une métaphore simple ou une explication imparfaite peuvent parfois ouvrir des échanges plus significatifs qu’un contenu très abouti. De cette manière, le comportement de l’IA reflète un principe clinique fondamental : l’utilité dépend du contexte. Cette observation ouvre également des perspectives intéressantes en recherche. Si l’on peut guider une IA pour produire à la demande des résultats de haute qualité ou d’une qualité volontairement simplifiée, il devient possible d’explorer la manière dont elle « comprend » les images. Par exemple, lorsqu’elle génère une version brouillonne d’une image, quels éléments conserve-t-elle et lesquels altère-t-elle ? Cela peut contribuer à mieux comprendre la manière dont le modèle hiérarchise l’information visuelle, avec des implications potentielles en sciences cognitives ou en recherche sur la perception. Cependant, certaines limites doivent être prises en compte. Un système qui suit très fidèlement les instructions peut aussi produire des résultats inappropriés ou trompeurs si le prompt est imprécis ou mal formulé. En contexte clinique ou éducatif, cela peut générer de la confusion. Par exemple, une image volontairement « mauvaise » pourrait être interprétée comme une erreur plutôt que comme un choix intentionnel. Cela implique que les utilisateurs doivent faire preuve de clarté et de discernement dans l’usage de ces outils. Des considérations éthiques s’imposent également. Lors de l’utilisation de l’IA en contexte clinique ou de recherche, nous sommes responsables des contenus générés. Il est nécessaire d’être transparent sur les modalités de création des images et de veiller à ce qu’elles ne soient pas confondues avec des données réelles ou des représentations fidèles. Les questions de biais et d’interprétation restent également centrales. Même une image simple ou « imparfaite » reste influencée par les données d’entraînement du modèle, qui peuvent contenir des biais implicites. Dans l’ensemble, cet exemple montre que la véritable force de l’IA ne réside pas uniquement dans la production de résultats parfaits, mais dans sa capacité à s’adapter à différentes consignes et à divers besoins. Pour les thérapeutes et cliniciens, cette flexibilité est précieuse, car elle permet de créer des supports mieux ajustés aux patients, qu’il s’agisse de visuels détaillés ou de croquis simples et imparfaits. À l’avenir, l’enjeu sera d’utiliser cette flexibilité de manière réfléchie, en s’intéressant non seulement à ce que l’IA fait le mieux, mais aussi à la manière dont elle peut répondre de manière plus simple, plus accessible et plus humaine, ouvrant ainsi de nouvelles perspectives pour la pratique, l’enseignement et la recherche. Avant de conclure, essayez par vous-même : c’est à ce moment-là que tout devient concret. L’exécution de ce prompt permet d’expérimenter directement à quel point le modèle suit fidèlement les instructions, même lorsque l’objectif est de produire quelque chose de « volontairement médiocre » : « Redessine l’image jointe de la manière la plus maladroite, brouillonne et franchement médiocre possible. Utilise un fond blanc et donne l’impression qu’elle a été réalisée avec une souris dans MS Paint. Le résultat doit être vaguement similaire, sans vraiment l’être : à la fois ressemblant et décalé, avec un rendu confus et approximatif, et cet aspect pixelisé qui souligne à quel point c’est volontairement de mauvaise qualité. En fait, peu importe, dessine-la comme tu veux. »

Un thérapeute peut utiliser l’IA pour préparer un plan de séance, rédiger un compte rendu, organiser ses observations ou créer des idées de programme à domicile. Cela peut être très utile, en particulier lors d’une journée clinique chargée. L’IA permet de gagner du temps, de réduire la charge mentale et d’apporter une structure lorsque le thérapeute se sent fatigué ou débordé. Mais une question essentielle se pose : lorsque l’IA nous aide à penser plus vite, gardons-nous confiance dans notre propre raisonnement clinique ? Une étude récente publiée dans la revue Technology, Mind, and Behavior de l’American Psychological Association a exploré cette question. L’étude a inclus 1 923 participants adultes utilisant des outils d’IA commerciaux pour réaliser des tâches professionnelles simulées. De nombreux participants ont estimé que l’IA « faisait l’essentiel du raisonnement », en particulier pour des tâches nécessitant planification, organisation ou séquençage. Ces participants ont également rapporté une moindre confiance dans leur raisonnement autonome et un sentiment réduit d’appropriation des idées. Pour les thérapeutes, ce résultat est particulièrement important, car notre travail dépasse largement l’exécution de tâches. Les orthophonistes, ergothérapeutes, psychomotriciens, psychologues, enseignants et professionnels de la rééducation mobilisent chaque jour leur jugement clinique. Nous observons l’enfant ou le patient, comprenons le contexte, écoutons les familles, interprétons les comportements et adaptons nos interventions. Un plan de séance n’est pas simplement un document : il est le fruit d’un raisonnement approfondi, d’une expérience et d’une compréhension humaine. L’IA peut soutenir ce processus, mais ne doit pas s’y substituer. Par exemple, l’IA peut suggérer des objectifs de communication pour un enfant, mais elle ne peut pas pleinement saisir ses gestes, sa motivation, sa frustration ou la relation thérapeutique. Elle peut proposer des stratégies sensorielles, mais ne connaît pas les réactions réelles de l’enfant en séance. Elle peut aider à organiser des activités psychomotrices, mais ne peut pas ressentir le mouvement, le rythme, les hésitations ou la conscience corporelle de l’enfant. Ces éléments cliniques relèvent toujours du thérapeute. Le principal enjeu n’est pas l’utilisation de l’IA, mais la manière dont elle est utilisée. Un usage passif consiste à accepter trop rapidement les réponses de l’IA, sans les questionner, les adapter ou les confronter à ses propres observations cliniques. Dans l’étude, les personnes qui modifiaient, remettaient en question ou rejetaient activement les suggestions de l’IA se sentaient plus confiantes et développaient un sentiment d’appropriation plus fort. Cela signifie que l’IA est plus sûre et plus utile lorsqu’elle est utilisée comme un assistant, et non comme un décideur final. Une approche efficace consiste à réfléchir d’abord, puis à solliciter l’IA. Par exemple, avant de demander à l’IA de formuler un objectif thérapeutique, le thérapeute peut d’abord esquisser une idée : quelle est la difficulté principale ? De quoi l’enfant a-t-il besoin ensuite ? Qu’ai-je déjà observé ? L’IA peut ensuite aider à reformuler, proposer des alternatives ou structurer l’idée plus clairement. De cette manière, le thérapeute reste actif dans le processus de réflexion. Cela est particulièrement important pour les étudiants et les professionnels en début de carrière. La confiance clinique se construit par la pratique : observer, formuler des hypothèses, tester des interventions, réfléchir et bénéficier de supervision. Si les jeunes professionnels dépendent trop tôt de l’IA, ils peuvent produire des documents de qualité apparente tout en étant moins sûrs de leur raisonnement. Les programmes de formation devraient donc enseigner non seulement l’usage de l’IA, mais aussi la manière de la questionner, de la corriger et de rester responsable des décisions cliniques. Il existe également des limites importantes à la recherche actuelle. L’étude est corrélationnelle, ce qui signifie qu’elle ne peut pas établir de lien causal direct entre l’usage de l’IA et la baisse de confiance. Elle repose également sur des tâches simulées, et non sur des situations cliniques réelles avec de vrais patients et familles. Des recherches supplémentaires sont nécessaires en contexte clinique. Il est essentiel de comprendre comment l’IA influence la documentation, la prise de décision, la supervision, l’apprentissage et les résultats cliniques dans la durée. Sur le plan éthique, les thérapeutes doivent rester responsables de leur pratique, même en présence d’IA. Les systèmes d’IA ne doivent pas recevoir d’informations privées ou identifiantes, sauf s’ils sont sécurisés et validés à cet effet. Les thérapeutes doivent également faire preuve de transparence quant à l’utilisation de l’IA lorsque cela est pertinent. Surtout, les décisions cliniques doivent reposer sur des données probantes, des observations, le jugement professionnel et les besoins du patient, et non uniquement sur des suggestions générées par l’IA. L’avenir de l’IA en thérapie ne doit pas être guidé par la crainte, mais par un usage réfléchi. L’IA peut être un outil précieux lorsqu’elle aide les thérapeutes à penser plus clairement, à gagner du temps et à explorer différentes options. Elle devient en revanche problématique lorsqu’elle réduit l’implication du professionnel dans son propre raisonnement. L’objectif n’est pas d’éviter l’IA, mais de l’utiliser de manière à préserver la confiance professionnelle, le jugement clinique et le sentiment d’être auteur de ses décisions.

Dans les cliniques et les laboratoires de recherche, la difficulté principale n’est souvent pas le jugement clinique lui-même, mais la préservation du temps et de l’espace mental nécessaires à ce jugement. Les notes s’accumulent, les emails et formulaires se multiplient, les analyses attendent un moment de calme qui n’arrive jamais, et les décisions doivent malgré tout être formalisées clairement. C’est dans ce contexte que GPT5.5 devient cliniquement pertinent : non pas comme un modèle plus spectaculaire, mais comme un levier de transformation des flux de travail. OpenAI le décrit comme plus rapide pour comprendre l’intention, plus performant sur des tâches complexes, et plus efficient en tokens, ce qui se traduit souvent par des itérations plus rapides ou moins coûteuses. En pratique, « comprendre ce que vous essayez de faire » distingue un assistant qui se contente de reformuler des phrases d’un outil qui aide à préserver le raisonnement clinique sous contrainte temporelle. Prenons l’exemple d’une évaluation complexe où antécédents traumatiques, troubles du sommeil, usage de substances et symptômes thymiques entrent en compétition explicative. Un modèle plus performant peut aider à maintenir une narration cohérente, suivre les hypothèses en cours et distinguer les données observées des inférences. Le risque est que la cohérence donne l’illusion de la vérité et favorise une fermeture prématurée du raisonnement. L’efficience en tokens peut sembler technique, mais elle influence les comportements en modifiant la fréquence des révisions. Si la réécriture d’un formulaire de consentement, l’amélioration d’un email de supervision, la simplification de consignes de sortie ou la traduction de psychoéducation deviennent plus faciles, les équipes itéreront davantage, ce qui peut améliorer la clarté et réduire les erreurs. À l’inverse, une friction réduite peut favoriser un élargissement des usages vers des tâches à plus fort enjeu. Lorsque le langage devient facile à produire, l’incertitude peut se transformer en discours assuré. Un changement plus profond concerne le travail agentif, c’est-à-dire la capacité de l’outil à faire avancer les tâches à travers plusieurs étapes et outils, et pas seulement à produire du texte. En recherche, cela peut resserrer la boucle entre plan d’analyse, code et rédaction. En clinique, cela peut accélérer la production de premières versions de lettres, synthèses et guides, qui nécessitent néanmoins validation et signature par un clinicien. La promesse est une réduction de la charge administrative, et non un remplacement du raisonnement clinique. Un effet plus discret concerne le travail en équipe. Si un outil conserve le contexte, suit les dépendances et propose des actions suivantes, les professionnels peuvent externaliser la planification et la synthèse, ce qui allège la charge mais peut aussi éroder des compétences de sécurité essentielles : détecter les incohérences, remettre en question les hypothèses et identifier les éléments manquants. Des outils plus performants n’éliminent pas les biais ; ils les redistribuent souvent. Des productions soignées peuvent induire un biais d’automatisation (« cela semble validé »), et des formulations initiales peuvent s’ancrer durablement même lorsque de nouvelles données apparaissent. La mesure de protection la plus concrète consiste à maintenir une structure clinique explicite, même lorsque la rédaction devient fluide. Il est utile de distinguer systématiquement faits, interprétations et décisions, et de solliciter régulièrement des alternatives : quelles autres hypothèses pourraient expliquer ce tableau, quels éléments permettraient de les invalider, et quelles incertitudes persistent. En recherche, l’usage le plus rigoureux concerne souvent le soutien méthodologique plutôt que la génération narrative, par exemple pour clarifier des pré-enregistrements, documenter les étapes de traitement des données et standardiser les rapports. À mesure que les capacités augmentent, le contrôle des versions devient central : prompts, productions intermédiaires, modifications et décisions finales doivent être traçables pour l’évaluation par les pairs ou l’audit. Sur le plan éthique, la responsabilité incombe toujours au clinicien ou au chercheur, et non à l’interface. Même si les documents systèmes décrivent des mesures de sécurité, ils ne remplacent pas la gouvernance locale, les contrôles de confidentialité et les règles encadrant les données pouvant être partagées, ainsi que les validations nécessaires pour les contenus destinés aux patients ou influençant les décisions. La transparence implique de pouvoir expliquer ce que le modèle a modifié, ce qu’il n’a pas modifié, et comment les productions ont été vérifiées. La surveillance des biais doit rester active, car une langue fluide peut masquer des erreurs inégales selon les contextes culturels, les handicaps, le niveau de littératie ou les conditions socio-économiques, en particulier dans les contenus traduits ou simplifiés. La conclusion doit rester mesurée. L’enjeu n’est pas l’automatisation du jugement, mais l’amélioration des conditions dans lesquelles il s’exerce. Si l’efficience en tokens libère du temps et que les outils réduisent la charge administrative, l’attention peut se recentrer sur la qualité de la formulation clinique, l’alliance thérapeutique, la mesure et la rigueur méthodologique. La question clé n’est pas de savoir si GPT5.5 « fonctionne », mais dans quelles conditions il améliore les décisions, comment il échoue sous contrainte, et quelles structures de responsabilité garantissent que le raisonnement humain reste clairement au centre.

En avril 2026, les entreprises d’IA ont publié de nouveaux outils à un rythme très rapide, presque comme si elles couraient un marathon à la vitesse d’un sprint. Cela peut sembler déroutant ou accablant. Pourtant, le changement principal est significatif : ces outils ne sont plus seulement des « chatbots ». Ils deviennent des outils de travail capables de produire des éléments que nous utilisons au quotidien : documents, synthèses, visuels, formulaires et ébauches de décisions. La question « Quel est le meilleur modèle d’IA ? » apparaît généralement dans des tâches concrètes. Par exemple : rédiger une fiche patient compréhensible, construire une page web d’étude ou tester un nouveau formulaire d’admission avant des échéances de financement. Le risque est que l’IA produise des contenus propres et assurés avant que leur exactitude n’ait été vérifiée. Il est donc essentiel de maintenir des habitudes cliniques solides : expliciter l’incertitude, conserver les versions, et vérifier systématiquement à l’aide de sources fiables et d’utilisateurs réels. Voici les mises à jour récentes les plus commentées. OpenAI a lancé ChatGPT Images 2.0 le 21 avril 2026, ainsi qu’un document de sécurité détaillant les risques liés aux images réalistes ou trompeuses. Anthropic a publié Claude Opus 4.7 et introduit Claude Design (un outil de type « canvas » pour la création d’actifs visuels) en version de recherche le 17 avril 2026. Google a lancé Gemini 3.1 Pro (Preview) le 19 février 2026, puis Gemini 3.1 Flash Lite (Preview) le 3 mars 2026. Comparaison des modèles Modèle Entreprise Fenêtre de contexte Indice d’intelligence Prix (USD / 1M tokens) Vitesse de sortie (tokens/s) Latence (TTFT, s) GPT-5.5 (xhigh) OpenAI 922k 60 11.25 74 63.19 GPT-5.5 (high) OpenAI 922k 59 11.25 78 28.01 Claude Opus 4.7 (max) Anthropic 1M 57 10.00 48 17.57 Gemini 3.1 Pro (Preview) Google 1M 57 4.50 116 21.53 Gemini 3.1 Flash Lite (Prev) Google 1M 34 0.56 313 5.08 Un changement majeur est que l’IA crée désormais des « objets avec lesquels penser ». Cela inclut non seulement du texte, mais aussi des prototypes, des présentations, des interfaces d’admission et des synthèses structurées de cas. Ces productions peuvent accélérer le travail en équipe et améliorer la collaboration. Mais elles peuvent aussi figer des hypothèses précoces : si quelque chose est facile à générer, cela devient facile à tester, financer et déployer, même si ce n’est pas la meilleure option sur le plan clinique. C’est pourquoi le coût et la vitesse comptent, et pas seulement le niveau d’intelligence perçu. Certains modèles peuvent être performants en raisonnement mais sembler lents en pratique car ils mettent plus de temps à démarrer. Dans les flux de travail cliniques, un outil perçu comme lent est souvent abandonné, même s’il est techniquement supérieur. Alors, quel est le « meilleur » modèle ? Une approche pragmatique consiste à identifier le principal risque. Si le risque majeur concerne des erreurs conceptuelles ou factuelles, il peut être pertinent d’accepter un coût plus élevé ou une vitesse moindre, en ajoutant une relecture humaine rigoureuse avant toute utilisation auprès d’un patient. Si le principal enjeu est le volume (notes, formulaires, traductions), un modèle plus rapide et moins coûteux peut être adapté, à condition d’intégrer des gabarits, des règles et des étapes de vérification. Le principal risque éthique apparaît lorsque l’IA produit quelque chose qui semble « finalisé » : une fiche soignée, une présentation structurée ou une interface claire. Lorsqu’un contenu paraît professionnel, il inspire davantage confiance, parfois trop rapidement. C’est pourquoi la responsabilité reste humaine : indiquer l’usage de l’IA, conserver une traçabilité des prompts, des versions et des sources, et tester les supports avec des utilisateurs réels (patients, familles, équipes). Si l’IA influence les parcours de soins, alors l’accessibilité, la langue, l’adéquation culturelle et la gestion des données deviennent des enjeux de qualité clinique, et non de simples aspects techniques. Les mises à jour vont se poursuivre. La posture la plus sûre n’est ni de refuser l’IA, ni de lui faire confiance parce qu’elle est nouvelle. Elle consiste à générer rapidement, mais interpréter lentement. Choisir les outils en fonction des zones où les erreurs peuvent causer des dommages, et placer les contrôles précisément là où ces dommages sont les plus susceptibles de survenir. Si vous souhaitez suivre les évolutions des indicateurs de prix, vitesse et latence, la source de comparaison utilisée ici est le classement d’Artificial Analysis : https://artificialanalysis.ai/leaderboards/models

Aujourd’hui, l’IA semble apparaître partout à la fois. Un collègue évoque un nouvel outil de rédaction de notes entre deux séances, un patient cite une réponse donnée par un chatbot, et une plateforme ajoute discrètement une fonctionnalité d’IA que vous n’aviez pas demandée. Au cœur du travail clinique réel, il devient difficile de distinguer ce qui est véritablement utile, ce qui relève de l’effet de mode et ce qui soulève des enjeux éthiques. C’est pour cette raison que nous avons créé la Happy Brain Training Community. Il s’agit d’un espace gratuit destiné à tous les thérapeutes qui souhaitent rester informés des avancées en intelligence artificielle et en thérapie, sans surcharge informationnelle ni pression à devenir experts techniques du jour au lendemain. Nous l’avons conçu comme nous souhaiterions qu’un espace professionnel soit : pratique, chaleureux et réaliste quant à ce qui aide réellement. Au sein de la communauté, nous partageons ce qui compte pour la pratique quotidienne. De nouveaux outils d’IA, des mises à jour en santé et des innovations qui ont un impact concret en thérapie, et pas seulement en théorie. Nous publions également des annonces de formations à venir, afin d’éviter de dépendre de publications dispersées ou de rappels de dernière minute. L’ensemble est entièrement gratuit, pensé pour vous aider à rester informé, inspiré et prêt pour l’avenir de la thérapie. Nous accordons également une attention particulière aux enjeux éthiques. Un outil utile n’est pas automatiquement un outil sûr, notamment lorsqu’il est question de confidentialité, de biais et de responsabilité clinique. Nous revenons à une posture clinique familière : ralentir, nommer clairement les risques et choisir des garde-fous qui protègent à la fois les patients et notre responsabilité professionnelle. Cette approche est cohérente avec les recommandations majeures en matière d’IA responsable en santé et de gestion des risques. Concrètement, cette communauté vise à réduire la fatigue décisionnelle. Plutôt que de réinventer chacun de notre côté, nous pouvons comparer les pratiques en matière de planification de séances, de psychoéducation et d’organisation du travail thérapeutique, tout en restant clairs sur ce qui ne doit jamais être automatisé. Elle offre également un espace pour aborder des questions concrètes : comment répondre à un patient qui s’appuie sur des conseils générés par une IA, ou comment poser des limites lorsqu’un outil semble utile mais éthiquement incertain. Un point important : pour des raisons internationales, la langue de la communauté est l’anglais, afin de permettre des échanges entre thérapeutes de différents pays et systèmes. Notre intention est simple : rester informé, rester éthique, rester inspiré. Si cela vous parle, nous serons ravis de vous accueillir. Lien : https://chat.whatsapp.com/ELZIqaf4eY6C7MoROCPrG7