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.