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.
Dans le travail clinique, cette différence compte. Il ne s'agit pas seulement d'arriver à une conclusion correcte—C'est à propos de la pensée derrière ça. Prenez quelque chose comme écrire une formulation de cas. Il vous demande de rassembler des pièces complexes, de peser les possibilités et de prendre des décisions prudentes. Lorsqu'une réponse est facilement disponible, il y a un risque de s'y fier sans développer pleinement ce processus interne.
En même temps, ce n'est pas tout négatif. Utilisé avec soin, l'IA peut soutenir l'apprentissage. Il peut offrir des perspectives alternatives, signaler des choses que nous aurions pu manquer, ou même agir comme une sorte de partenaire réfléchissant. La différence réside dans la façon dont nous l'utilisons—Si nous restons engagés, questionnez ce que nous voyons, et comparez-le avec notre propre pensée, ou si nous acceptons simplement ce qui est donné.
Cela complique également l'évaluation. Si quelqu'un produit un travail fort avec l'IA, il devient plus difficile de dire ce qu'il comprend réellement. La formation et la supervision peuvent devoir changer de cap, en accordant plus d'attention à la façon dont les gens pensent plutôt qu'à ce qu'ils produisent.
Il y a aussi une préoccupation plus large. S'il existe moins d'occasions d'entrée ou si les premières tâches sont largement automatisées, les cliniciens et les chercheurs pourraient avoir moins de chances d'acquérir leurs compétences étape par étape. Au fil du temps, cela pourrait façonner non seulement les carrières individuelles, mais la profondeur de l'expertise sur le terrain.
Le côté éthique reste tout aussi important. Même avec l'IA en cause, la responsabilité ne se détourne pas du clinicien. Il importe encore de remettre en question la production, de comprendre ses limites et de rester conscient des biais potentiels. La transparence dans l'utilisation de ces outils fait partie du maintien de la confiance.
Des questions similaires apparaissent dans la recherche et la formation. L'IA peut aider à écrire ou à générer des idées, mais elle ne peut remplacer la pensée critique. Il est essentiel de garder cette limite claire si nous voulons préserver la qualité et l'intégrité du travail.
En fin de compte, l'IA n'est pas en supprimant le besoin d'expertise, il est remodeler comment il grandit. Le défi est maintenant de créer des espaces où l'apprentissage reste actif, où la curiosité et l'effort ont encore une place. Ce qui peut être le plus important pour l'avenir n'est pas seulement ce que nous pouvons produire, mais combien nous sommes encore capables de penser.