Dans de nombreux contextes de formation, un changement discret mais profonde est en cours. Des tâches autres confiées aux moteurs peuvent être réalisées rapidement par l'IA : résoudre un premier jet, organiser des idées, former des hypothèses, proposer des pistes d'intervention ou structurer un raisonnement. Le résultat est sous impressionnant. Mais une question demeure : si ces premières études disparaisent, où se construit réellement l'Apprentissage ?
Traditionnellement, devenir clinicien, théérapeute ou chercheur impliquait de passer par des inscriptions imparfaites, parfois laborieux. Les débutants essayaient, se trompaient, recevoir des retours, juste leur raisonnement, peut progresser progressivement. Ces efforts initiaux n'étaient pas de simples exercices. Ils constituent le corps du juge professionnel. Avec le temps, la répétion permanente de reconnaitre des profils cliniques, d'identifier des régions, de meilleur Tolérerance et de développer une pensée plus soupele et plus nuancée.
Aujourd'hui, IA prend progressivement en charge une partie de ces tâches dites « D'entrée de niveau ». Une étude menée par DellaAcqua et ses collègues en 2025 après de 776 employés de Procter & Gamble a monté qu'un individu ayant recours à l'IA pouvoir produire des résultats comparables à ceux d'une équipe entière sans IA. Si cette tendance se poursuit, certaines organisations pourraient être tentées de recruter des moins de profils juniors, en privilégant 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 estime mieux que l'on est en train d'être engagé dans la tâche : en traversant des difficultés, en faisant des erreurs, en recevant des retours et en répondant à ses propres raisons. Si l'IA réduit trop cet effort, l'apprentissage peut devenir plus superfique. Il est possible d'obtenir une bonne réponse sans répondre au processus qui y mène.
En pratique clinique, cette distinction est déterminante. Un travail de qualité ne dépense pas exclusivement de la justesse des conclusions, mais aussi de la gestion dont elles sont constitutives. Rédiger une formulation de cas, par exemple, supposons d'intégrer des informations complexes, de hiérarchiser les données, de former des hypothèses prudentes et de prendre des décisions adaptées au patient. Si l'IA fournit des réponses pratiques à l'emploi, il existe un risque que les cliniciens s'appliquent sans développer pleinement les propres compétences de raisonnement.
Pour encore, l'IA peut aussi devenir un lecteur d'apprentissage très intéressant lorsqu'elle est utilisée avec discernement. Elle peut aider à gérer des perspectives alternatives, mettre en évidence certains angles morts, reformuler une hypothèse, comparer plusieurs options ou simuler un retour près d'une supervision. Mais l'essentiel est de reste actif dans le processus. Interrogateur. Comparer. Vérificateur. Réformateur. Argumenter. Ne pas accepter passivement la première réponse.
Un autre enjeu concerne l'évaluation des compétences. Si les participants produisent des travaux de très bonne qualité avec l'aide de l'IA, il est plus difficile de savoir ce qu'ils comprennent vraiment. Cela pourrait nécessiter des aménagements dans les dispositifs de formation et de supervision, avec une attention portée au processus de raisonnement, et non exclusivement au résultat final.
Une préoccupation plus grande concerne aussi les possibilités d'apprentissage. Si les postes juniors diminuent, ou si les tâches initiales sont grosso modo automatisées, les futurs professionnels risquent d'avoir d'autres 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 decisions, même si elles s'appliquent sur des outils technologiques. Cela implique de connaître les limites des systèmes utilisés, de tenir compte des bilatéraux 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'intégration scientifique.
L.I.A. 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 peut être moins de ce que nous sommes capables de produire que de la profondeur de notre réflexion.