Nom de l'auteur : Rania Kassir

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 vrai 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 gestion dont elle est présentée, peut à travers une multiplication de noms qui donnent une impression de complexité. Un thérapeute me désagréger : « Je vois passer tous ces noms, mais je ne sais jamais lequel choisir. » Cette remarque illustre bien le problème. Face à cette diversité, il doit être facile de se laisser dépassé, voir de dénoncer à utiliser ces outils pour les producteurs. Une gestion plus simple de s=y retrouve 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 composé comme une échelle. À un premier niveau, Haiku correspond à des usages rapides et simples. Il est notamment utile pour reformuler un texte, résumer des notes ou organiser des informations, sans mobiliser un motif clinique approfondi. Un cran au-dessus, Sonnet représente un équilibre particulier adapté à la pratique quotidienne. Il peut de rédiger, structurer et clarifier des contenus cliniques avec une qualité suffisante pour être directement utilisable, ce qui en fait toujours un choix naturel pour de nombreux traitements. Lorsque les situations d

Lors d'une récente séance de supervision, un stade a proposé l'aide d'un outil simple permettant à un patient de suivre son humeur entre les séances. Il y a peu, cette idée sera restée théorique en l'absence de développement. Aujourd'hui, avec la mise à disposition récente de Codex Sites par OpenAI, une idée structurée à l'écrit peut être transformée en application fonctionnelle, accessible via un simple lien. Cela modifie non seulement ce que nous avons puvons concevoir, mais aussi notre manière de pensée l'application des idées en contexte clinique. Ce basculement ne tient pas uniquement à un gain de rapidité. Il transforme en profondeur la gestion dont les cliniciens travaillent, testent et justient les interventions. Là où la création d'un outil numérique nécessite une chaîne complexe, conception, design, développement, tests et déploiement, impliquant du temps et des compétences spécialisées, une partie de ce processus peut vouloir être directement soutenue par l'IA. Une idée peut avoir devenir rapidement un prototype, peut être un outil utilisable et modifiable. Cela ouvre la voie à la création de supports cliniques variés : suivi de l'humour, outils de psychoéducation, carnets de stratégies ou activités interactives adaptées aux besoins spécifiques des patients. Cette évolution s'inscrit dans la perspective de« esprt étendu », où les outils technologiques viennent soutenir les capacités de raisonnement, d'organisation et d'exploration clinique. L.I.A. ne se limite plus à un rôle technique : elle peut devenir un appui au raisonnement clinique, à condition d'être

Dans la pratique clinique quotidienne, de nombreux traitements commencent à utiliser des outils d'IA pour résoudre des notes, organiser l'information ou soutenir leur réflexion diagnostique. Ces outils peuvent être utiles, mais ils soulèvent une question importante : comprenons-nous vraiment leur fonctionnement ? Le lancement d=Apertus, un modèle d=IA open source multilingue développé en Suisse, invite à répondre non seulement à ce que l=IA peut faire, mais aussi au départ de confiance que nous pouvons lui accorder. Un concept central d'Apertus est la souveraineté numérique, c'est-à-dire le contrôle sur l'emplacement et l'utilisation des données. Pour les thérapies, cela est notamment crucial en raison de la sensibilité des informations patients. Lorsque les systèmes d'IA sont détenus par de grandes entreprises étrangères, la gestion des données manuscrites sous de clarté. Apertus vise à offrir un contrôle plus local, en meilleure équation avec les exigences éthiques et juridiques du secteur de la santé. De nombreux outils d'IA existent, comme ChatGPT, sont capables mais peu transparents. Nous observons les résultats sans toujours comprendre comment ils sont produits. Pour des cliniciens formés à un raisonnement rigoureux, cela peut généraliser un malaise. Apertus propose une approche plus ouverte, permettant aux experts d'examiner et de comprendre le fonctionnement du système, favorisant ainsi un usage plus clair. Une autre caractéristique importante d'Apertus est sa capacité multilingue. En thérapie, la langue joue un rôle central dans l'expression des patie

Allons-nous un jour arrêter le développement de l'IA ? À mesurer que ces systèmes gagnent en intelligence, une question plus profonde émerge : à quel moment décidons-nous que, pour l'humanité, la limite est atteinte ? En mai 2026, le pape Léon XIV a contribué à ce débat mondial en évitant que l'intelligence artificielle ne fasse pas retraiter aux humains la prise de décision morale. Bien que son message soit général, il répond notamment dans la pratique clinique, où efficacité, innovation et responsabilité éthique sont déjà liés. Dans les soins quotidiens, l'IA se manifeste toujours de manière discrète. Elle résume les anciens des patients, consigne des comptes rendus ou suggestions des diagnostics. Ces outils peuvent aller la charge administrative, mais leur influence n'est pas neuf. Avec le temps, ils modifient la gestion dont les cliniciens organisent l'information et abordent la prise de décision. Cela soulève une question essentielle : où se situe le jugement clinique ? Le raisonnement clinique a traditionnellement été un processus réflexif, acquis dans l'expérience humaine et l'interaction avec le patient. À mesurer que l'IA propose des interpretations prises à l'emploi, le risque apparaît que certaines études de ce motif doivent être moins libérées, même de fait non intentionnelle. La responsabilité, tout sauf, demeure pleinement humaine. Les cliniciens restent comptables de l'évaluation et de la décision d'accorder ou non leur confiance aux productions de l'IA. Cela nécessite un engagement actif, en se exigeant non seulement «