Nom de l'auteur : Rania Kassir

In clinical work, we often think before we speak. A therapist may listen, consider a few possibilities, and only then respond. Much of this thinking remains invisible. Researchers at Anthropic recently described something similar in their AI system, Claude: an internal space called “J-space,” where the model briefly holds and works with ideas before producing an answer. J-space can be understood as a small mental workspace. It is not physical, but a pattern where important concepts are gathered and used. This idea is similar to what psychologists call a “global workspace,” where selected information becomes available for reasoning. In both humans and AI, thinking depends not just on knowledge, but on how that knowledge is organized in the moment. A simple example helps clarify this. Claude was asked about “the animal that spins webs.” Internally, the concept “spider” became active, leading to the correct answer: eight legs. When researchers replaced that internal concept with “ant,” the answer changed to six. This suggests that the AI forms an internal idea first, which then guides its response. For therapists, this process feels familiar. We often hold a working hypothesis in mind before speaking. These internal steps are essential, even if they are not visible. Importantly, when researchers reduced the influence of J-space, Claude still produced fluent language, but its reasoning became less accurate. This reminds us that clear or confident speech does not always reflect sound thinking. At the same time, we should be careful with this comparison. AI systems do not understand in the human sense. Their internal patterns come from data, not lived experience. While the idea of a “workspace” is helpful, it is still a simplified description of a complex system. For research, J-space offers a new way to study how AI reaches its answers. It may help identify errors, biases, or hidden signals, such as when a model detects misleading input. In clinical contexts, this could support decision-making, especially in complex cases—but it does not replace professional judgment. There are also important limits. These findings are early and mostly tested in specific models. We do not yet know how consistent or stable this feature is. Future systems may also become harder to interpret, not easier. Ethically, this raises questions about trust and responsibility. If clinicians use AI tools, they remain accountable for decisions. Internal signals like those in J-space should not be treated as fully reliable evidence. Transparency must include recognizing uncertainty and avoiding overconfidence in systems we do not fully understand. In the end, J-space does not prove that AI “thinks” like humans, but it highlights something important: reasoning often depends on hidden steps. For clinicians, this is already familiar. What is new is the chance to observe a similar process in machines, which may deepen how we reflect on both human and artificial thinking.

In therapy, much of our work happens between knowledge and presence. We are not only applying what we know, we are listening, observing, and adjusting in real time. Often, the challenge is not a lack of knowledge, but making sense of it in a way that fits the person in front of us. As MedGPT expands across Europe, many therapists are beginning to wonder how a tool designed for medical use might support this process. MedGPT first gained attention in France, where it reached more than 200,000 users in a short time. It is now being introduced in several European countries, including Germany, Italy, Spain, Portugal, Belgium, the United Kingdom, Ireland, the Netherlands, Poland, and Switzerland. The rollout starts with smaller groups of users in each country, allowing the system to adapt to different healthcare systems, languages, and clinical cultures. This gradual approach is important, because clinical practice is never one-size-fits-all. Although MedGPT was developed for physicians, it can still be meaningful for therapists. Our work often involves connecting physical, psychological, and social aspects of a person’s experience. We move between different models and perspectives, sometimes within a single session. In this context, a tool that helps organize and revisit these layers can support our thinking without replacing it. When we explored MedGPT, what stood out was not that it provided perfect answers, but that it helped structure reflection. For example, when considering a patient with chronic pain and fear of movement, the system brought together different contributing factors, such as physical sensitization, beliefs about pain, and avoidance behaviors, in a clear and organized way. It did not make decisions for us, but it helped us slow down and see connections more easily. In everyday practice, this kind of support can take simple forms. MedGPT can help rephrase complex information into clearer language for patients, summarize research when time is limited, or assist in organizing clinical notes. It can also support preparation for communication with other healthcare professionals. Used in this way, it becomes less of an authority and more of a thinking partner. At the same time, therapy remains deeply human. Our decisions are guided not only by knowledge, but by experience, intuition, and the relationship we build with each patient. No system can fully capture these elements. This makes it important to use AI carefully, protecting patient data, staying aware of possible biases, and remembering that responsibility for clinical decisions always remains with the therapist. There is also a broader question of how these tools influence our thinking over time. If used without reflection, they may lead us to rely too quickly on structured answers. But if used thoughtfully, they can help us become more aware of our reasoning, more curious, and more precise in our work. In the end, MedGPT’s expansion across Europe is not only about technology, but about how clinicians choose to engage with it. For therapists, it offers a way to support clinical thinking while staying grounded in the human side of care. Its value may lie less in the answers it gives, and more in how it helps us reflect, organize, and approach our work with greater clarity.

De nombreux cliniciens et éducateurs sont maintenant censés créer du contenu vidéo, que ce soit pour l'éducation des patients ou l'enseignement. Pour beaucoup, l'édition a toujours été une barrière—temps, technique, et parfois accablant. De nouveaux outils construits autour de systèmes comme Claude commencent à rendre ce processus plus gérable. Des mises à jour récentes ont rendu cela encore plus visible. Les agents d'IA de Claude peuvent désormais prendre de plus grandes parties du processus d'édition, aidant à structurer le contenu et à affiner les vidéos avec moins d'effort manuel. Pour ceux qui utilisent déjà des outils comme ChatGPT Plus/Pro ou Claude Pro, cela ouvre des façons plus avancées et pratiques de travailler avec la vidéo. Un autre changement vient d'outils tels que Palmier, conçus spécifiquement pour l'édition pilotée par l'IA. Avec une seule prompte, les utilisateurs peuvent guider l'ensemble du processus vidéo, tailler des clips, réorganiser les scènes, ajouter du B-roll et travailler directement dans une timeline. Il se sent moins comme l'édition traditionnelle et plus comme guider le processus à travers la conversation. Cela change le flux de travail de manière significative. Au lieu de se concentrer sur les étapes techniques, vous décrivez ce que vous voulez communiquer. Le système aide à façonner la structure, les visuels et les patins, et vous pouvez l'affiner par la rétroaction. Le processus devient plus itératif et moins dépendant de l'expertise technique. D'un point de vue cognitif, cela réduit la charge de gérer plusieurs petites tâches à la fois. La mécanique détaillée de l'édition se déplace en arrière-plan, permettant une plus grande attention à rester sur le message lui-même. Pour les cliniciens et les chercheurs, cela peut rendre la création de contenu plus accessible. Dans la pratique,

Lors d'une récente séance de supervision, une thérapeute a partagé son expérience en utilisant l'IA pour écrire des notes et des résumés. La sortie était rapide et bien écrite. Mais quand on lui a demandé si cela lui a vraiment facilité le travail, elle s'est arrêtée. "Ça fait gagner du temps," dit-elle, "mais je dois penser autant." Cette hésitation reflète quelque chose que beaucoup de cliniciens commencent à remarquer. Nous entendons souvent dire que l'IA améliorera considérablement la productivité. Certains suggèrent même qu'il pourrait rendre le travail dix fois plus rapide. Pourtant, dans les milieux cliniques quotidiens, le changement se sent plus subtil. La vitesse peut s'améliorer, mais la profondeur du travail, la compréhension, la décision, le maintien présent, reste tout aussi exigeant. Cela revient en partie à la façon dont nous pensons à la productivité. Dans la pratique clinique, il va au-delà de faire les choses rapidement. Il s'agit de comprendre les situations complexes et d'appliquer un jugement réfléchi. L'IA peut supporter des parties du processus, mais elle ne remplace pas la pensée derrière elle. Parfois, il crée même un sentiment de se précipiter dans les décisions plutôt que de s'asseoir avec elles. L'engagement joue également un rôle. Gallup (une firme mondiale d'analyse et de conseil spécialisée dans la recherche sur le lieu de travail; State of the Global Workplace Report, 2023) indique que seulement 20 % des employés du monde entier se sentent engagés dans leur travail. Lorsque de nombreuses personnes se sentent déjà déconnectées, l'introduction d'outils plus rapides n'améliore pas nécessairement l'expérience. Il peut simplement faciliter le passage à travers les tâches sans se sentir plus connecté à elles. La motivation est importante ici. Les gens ont tendance à s'engager davantage lorsqu'ils ressentent un sens du but et de la propriété dans ce qu'ils font. Quand A

Quelque chose de subtil change dans les environnements d'entraînement. Les tâches qui appartenaient aux débutants, l'écriture des premières ébauches, l'organisation d'idées, la suggestion d'interventions, peuvent maintenant se faire rapidement avec l'IA. La sortie semble souvent polie, voire impressionnante. Mais cela soulève une question tranquille et inconfortable : si ces premiers pas s'effacent, où se déroule le véritable apprentissage ? Pendant longtemps, apprendre un rôle clinique ou de recherche signifiait passer par des étapes imparfaites. Tu as essayé, tu as fait des erreurs, tu as fait des ajustements et essayé à nouveau. Cela pourrait parfois être frustrant, mais cela faisait partie du processus. Ces premiers efforts n'étaient pas seulement la pratique, ils étaient là où le jugement clinique a commencé à se former. Peu à peu, avec suffisamment d'exposition, vous avez commencé à reconnaître les modèles, à vous asseoir avec l'incertitude et à réfléchir de manière plus souple. Maintenant, beaucoup de ces premières tâches peuvent être gérées par l'IA. Une étude réalisée par Dell-Acqua et ses collègues (2025), impliquant 776 employés chez Procter & Gamble, a montré qu'une personne utilisant l'IA pouvait obtenir des résultats semblables à ceux d'une équipe entière travaillant sans elle. Si cette direction continue, il n'est pas difficile d'imaginer que les milieux de travail embauchent moins de personnel junior et cherchent plutôt des gens qui peuvent faire un peu de tout avec le soutien de l'IA. Ce changement touche quelque chose d'important sur la façon dont nous apprenons. La recherche psychologique a été claire sur ce sujet pendant un certain temps: l'apprentissage approfondit quand nous sommes activement impliqués, surtout quand nous luttons un peu, faisons des erreurs, et réfléchissons sur eux. Quand cet effort disparaît, la compréhension peut devenir plus mince. Vous pourriez arriver à la bonne réponse, mais sans vraiment saisir comment vous y êtes arrivé. En clin

Pensez à la dernière fois que vous vous êtes assis avec un cas clinique complexe, des notes étalées, différentes possibilités à l'esprit, en essayant de donner un sens à tout. Ce processus demande généralement du temps, de la patience et une sorte de réflexion tranquille. Avec des outils comme NotebookLM, quelque chose change. L'outil aide maintenant à organiser ce que nous voyons, à faire avancer les connexions et parfois même à faire avancer notre raisonnement. Il commence à se sentir moins comme un outil que nous utilisons et plus comme quelque chose que nous pensons à côté. À mesure que ces systèmes deviennent plus capables, ils passent rapidement par l'information et offrent des perspectives structurées et claires. Cela peut être vraiment utile, surtout lorsque la charge de travail est lourde. Mais cela change aussi notre relation avec la connaissance. Lorsque les réponses sont plus rapides et plus soignées, nous pouvons nous trouver à passer moins de temps assis avec l'incertitude qui mène souvent à une compréhension plus profonde. Certaines des fonctionnalités les plus récentes rendent cela encore plus visible. La capacité d'exécuter des analyses, de traiter des données et de générer des résultats dans un espace élimine de nombreuses barrières habituelles. Les tâches qui une fois ont nécessité des efforts et plusieurs étapes se déroulent maintenant en douceur. Alors que cela ouvre de nouvelles possibilités, il peut également créer un peu de distance de la "comment" derrière les résultats. Il en va de même pour la production de rapports ou de présentations. Transformer les idées en quelque chose de structuré est devenu beaucoup plus facile, ce qui peut soutenir la communication de manière significative. Pourtant, il y a une question subtile qui persiste, quand quelque chose se réunit si rapidement, où a eu lieu la pensée plus profonde? Même la façon dont nous commençons notre travail change. Au lieu de soins