Cher Directeur, nous avons tous vécu l’expérience de ne pas nous souvenir du numéro de téléphone d’un proche enregistré dans nos contacts, ou de nous sentir perdus sans Google Maps même dans un endroit familier. Ces exemples illustrent les effets indésirables de ce qu’on appelle le « chargement cognitif » ou « décharge cognitive ». Ce terme désigne notre tendance à dépendre de supports externes pour prendre en charge des fonctions mentales telles que la mémoire, le calcul, l’analyse de données et la prise de décision.
La décharge cognitive offre des avantages immédiats, comme la réduction de la charge mentale, une meilleure efficacité et un gain de temps pour réaliser des tâches complexes. Cependant, si elle est appliquée de manière excessive et systématique, elle peut engendrer un « déficit cognitif ». Cela signifie qu’un confort à court terme, en raison de la rapidité d’exécution, peut entraîner une diminution de notre capacité critique et de notre autonomie intellectuelle, jusqu’à créer une forme d’atrophie de la pensée critique. En d’autres termes, nous lisons une sortie générée par une IA et croyons maîtriser le sujet, alors qu’en réalité, nous n’avons simplement pris connaissance du résultat final, sans avoir suivi le raisonnement nécessaire.
Le NEJM a récemment abordé ce sujet dans un article portant sur les stratégies éducatives pour la supervision clinique de l’utilisation de l’intelligence artificielle par les étudiants et médecins en formation.
Bien que les concepts de « décharge cognitive » et de « déficit cognitif » aient été principalement explorés dans le domaine de la formation biomédicale, ils peuvent être appliqués à de nombreux autres secteurs, en raison des multiples utilisations des systèmes d’IA générative. En effet, le déficit cognitif, résultant de l’utilisation de l’IA en tant que substitut du raisonnement clinique plutôt qu’en tant qu’outil de soutien, comporte divers risques pour le développement des compétences, tels que la perte progressive de capacités, l’absence de développement de nouvelles compétences, ou la formation inappropriée de certaines compétences.
Des études ont révélé une corrélation négative significative entre l’utilisation fréquente d’IA et les capacités de pensée critique. Plus précisément, une dépendance accrue à ces systèmes est associée à un engagement réduit dans la résolution autonome de problèmes et le raisonnement analytique. Cela indique une tendance à privilégier les sorties générées par l’IA plutôt qu’un effort cognitif personnel. Autrefois, nous déleguions notre mémoire pour des numéros, des dates ou des cartes. Aujourd’hui, nous commençons à déléguer des fonctions qui nécessitent des capacités prédictives dans des contextes incertains.
Un point particulièrement préoccupant est le « mis-skilling », qui peut survenir lorsque l’apprentissage repose entièrement et sans critique sur des modèles d’IA erronés. Par exemple, une recherche publiée dans le JAMA a montré que les cliniciens exposés à des prévisions diagnostiques biaisées générées par l’IA étaient plus enclins à les adopter, ce qui a entraîné une identification et une correction insuffisantes des biais présents dans l’IA elle-même.
Ces risques renvoient à une vision peut-être pessimiste de l’IA en médecine ? Certes non. Écarter le soutien de l’IA, même lorsqu’il est adéquat, constituerait une occasion manquée. Au contraire, la synergie entre le raisonnement humain et les résultats fournis par l’IA peut améliorer la performance globale, suggérant qu’une expertise de base suffisante est essentielle pour garantir une utilisation efficace et sécurisée de l’IA.
Alors, quel modèle de collaboration entre l’homme et l’IA serait le plus adéquat ? Selon l’article du NEJM, deux approches se distinguent : le « modèle centaure » et le « modèle cyborg ». Dans le modèle centaure, les rôles sont clairement délimités : l’IA apporte une assistance opérationnelle (comme l’analyse de données ou la rédaction de documents), tandis que le jugement final et les décisions demeurent de l’ordre de l’humain. Ce modèle traduit une coopération entre IA et humains tout en gardant une nette séparation des compétences. En revanche, le modèle cyborg implique une intégration plus profonde, où l’humain et l’IA coproduisent en continu, particulièrement utile pour des tâches répétitives à faible risque, mais également exposé aux dangers de la dépendance et du demi-savoir. Il convient de noter que la compétence clé d’un clinicien réside non pas dans l’adhésion rigide à l’un des deux modèles, mais dans la capacité à naviguer entre eux en fonction du risque et du niveau d’expertise.
Un défi persistant se pose : comment encourager la pensée critique, qui est essentielle face à une dépendance excessive à l’IA ? Comment éviter les phénomènes de « deskilling », « never-skilling » et « mis-skilling » ? Comment encourager le développement d’une pensée critique pour renforcer nos compétences adaptatives tout en améliorant notre littératie à l’IA ?
Pour répondre à ces questions, un modèle appelé DEFT-AI a été proposé, visant à promouvoir le raisonnement critique lors des interactions avec les systèmes d’IA. Ce modèle suit plusieurs étapes : dans la phase de « Diagnostic/Discussion/Dialogue » (D), l’enseignant demande à l’étudiant d’expliquer son utilisation spécifique de l’IA, ses raisonnements, les informations considérées, et les suggestions formulées. Ensuite, lors de la phase « Preuves » (E), il s’agit d’évaluer les résultats générés par l’IA en les confrontant à des données cliniques. Dans la phase de « Retour » (F), il s’agit de réfléchir aux possibilités d’amélioration de l’utilisation de l’IA. Enfin, la phase « Enseignement » (T) fournit des conseils ciblés sur l’utilisation future de l’IA. Avec « Recommandation pour l’engagement avec l’IA » (AI), des recommandations personnalisées montrent comment utiliser l’IA pour éclairer le raisonnement, et non pour le remplacer.
Ces démarches visent à transformer le raisonnement « fais confiance et avance » en « vérifie et fais confiance », où les résultats de l’IA sont d’abord évalués selon leur transparence, permettant ensuite un usage éclairé. Ce cadre a pour but de favoriser l’acquisition de nouvelles compétences ou de renforcer celles déjà existantes, afin de s’adapter aux technologies émergentes. Au final, le « up-skilling » permet non seulement d’accroître l’efficacité et la sécurité, mais aussi de prévenir le risque de « deskilling », garantissant ainsi une évolution de l’apprentissage et de la pratique professionnelle en phase avec les avancées technologiques.
Points à retenir
- Le phénomène de décharge cognitive peut entraîner une dépendance excessive à l’IA.
- Cette dépendance peut diminuer notre capacité critique et notre autonomie intellectuelle.
- Le déficit cognitif risque de nuire à la formation des compétences dans divers domaines.
- Les modèles de collaboration centaure et cyborg offrent des approches différentes sur l’utilisation de l’IA.
- Favoriser la pensée critique est essentiel pour éviter les risques liés au mis-skilling.
- Le modèle DEFT-AI propose une méthode structurée pour interagir avec l’IA de manière critique.
En somme, il est crucial de trouver un équilibre entre l’utilisation de l’IA et le maintien de nos compétences critiques. Personnellement, je pense qu’une approche réfléchie et intégrée, qui valorise les capacités humaines tout en tirant parti des outils technologiques, est la voie à suivre. En tant que société, nous devons être vigilants et proactifs dans notre manière de nous adapter à ces avancées tout en préservant la profondeur de notre pensée.