par Contenu vs connaissance IA, c’est à mon sens une question majeure. Quand le coût de production du contenu tend vers zéro, et donc que l’abondance de contenu devient la norme, je trouvais intéressant de me demander ce qui crée encore de la valeur. Car ce qui est abondant n’est, par définition, que peu valorisé, tandis que ce qui est rare l’est davantage. Cela m’a amené à réfléchir au contenu, à la connaissance et à l’intelligence, et à la place du temps dans le processus de production intellectuelle. Cet article ne vise rien d’autre qu’à ouvrir le débat et ne se prétend nullement à la pointe scientifiquement parlant : c’est un point de vue sur un sujet que je trouve passionnant.
Au sommaire
Pourquoi la connaissance exige, irréductiblement, du temps humain
Nous vivons un paradoxe que peu de générations ont connu avec une telle intensité : produire du contenu ne coûte presque plus rien, ni en argent ni surtout en temps, alors que produire de la connaissance ou de l’intelligence continue d’exiger la durée lente, coûteuse et laborieuse d’un cerveau humain. En quelques secondes, un modèle de langage rédige une dissertation, esquisse un plan d’article, propose dix variations stylistiques. Cette fluidité est sidérante, et elle nourrit une confusion qui me paraît être la grande méprise intellectuelle de notre époque : confondre la facilité du contenu avec la profondeur de la pensée.
Ma thèse est simple, et je voudrais la défendre avec les travaux les plus récents. Ce qui définit le contenu, sa production quasi instantanée, est précisément ce qui le disqualifie comme indicateur de l’intelligence. C’est tout au plus une simulation d’intelligence, un artifice qui crée une forme d’illusion. Le contenu s’est effondré vers un temps nul.
La connaissance, elle, demeure temporelle par nature, parce que le mécanisme cérébral qui fabrique des idées véritablement neuves est lui-même biologiquement, irréductiblement lent. Le véritable clivage n’est ni la cohérence, ni la grammaire, ni même la pertinence apparente. C’est le temps humain. Car nous sommes en réalité le facteur limitant de l’IA : moins d’information traitée, plus lentement, une moindre capacité à identifier des régularités.
Une précision, d’emblée, pour éviter le malentendu. Ma cible n’est pas l’IA en soi, mais un certain usage de l’IA : celui qui consiste à lui déléguer non pas la corvée, mais l’effort. Tout l’enjeu, on le verra, tient à une distinction que je garderai pour la fin : il existe un temps que l’on peut sans dommage confier à la machine, et un temps que l’on ne peut pas externaliser sans cesser de penser.
I. Trois niveaux : contenu, connaissance, intelligence
Pour penser ce clivage contenu vs connaissance IA, il faut d’abord cesser de poser la mauvaise question. Demander si une machine « pense » est un piège sémantique, car on en connaît la réponse, elle est par construction : non. Il me semble plus fécond de distinguer trois niveaux.
Le premier est le contenu : une forme linguistique ou visuelle cohérente, produite par recombinaison statistique de ce qui existe déjà. C’est ce que les modèles génératifs réalisent aujourd’hui avec une aisance remarquable. Le deuxième est la connaissance : un contenu ancré dans un modèle du monde, vérifiable, structuré par des relations causales et non seulement probabilistes. Le troisième est l’intelligence au sens fort : la capacité de former des idées nouvelles qui modifient en retour le cadre conceptuel dans lequel elles ont émergé.
Cette hiérarchie n’est pas arbitraire. Elle prolonge une distinction que Karl Popper avait formulée bien avant l’IA. Popper séparait le Monde 1 (les objets physiques), le Monde 2 (les états mentaux subjectifs) et le Monde 3, le royaume des produits objectifs de l’esprit : théories, livres, démonstrations, œuvres. Le point décisif de Popper est que les objets du Monde 3 possèdent une autonomie. Une démonstration peut contenir un théorème que son auteur n’avait pas aperçu. Un roman engendre des interprétations que l’écrivain n’avait pas voulues. Une idée véritable se retourne contre celui qui la formule et le contraint comme une découverte [1].
C’est exactement le critère qui sépare l’idée du contenu. Margaret Boden distinguait trois formes de créativité : combinatoire (associer autrement des éléments connus), exploratoire (parcourir les frontières d’un espace conceptuel existant) et transformationnelle (modifier les règles mêmes qui définissent cet espace). Seule la troisième produit un vrai saut, et Boden la rattachait directement aux révolutions de paradigme de Thomas Kuhn [2].
Le recours à l’IA dans la production de contenu et l’homogénéisation qui s’en suit doit inciter en retour à cultiver sa différence de pensée, à développer une pluralité d’expériences, de savoirs et à passer à l’action plus rapidement. Une idée neuve réside dans l’improbable, dans l’écart, dans l’inattendu, dans la suprise.
Bergson disait la même chose dans un autre langage : l’intelligence analytique, celle qui décompose et calcule, est une forme fossilisée, tandis que la création authentique jaillit et ne peut se déduire de ce qui la précède. Mesurée à l’aune de ces trois niveaux, l’IA générative excelle au premier, progresse vers le deuxième et reste, philosophiquement comme neurologiquement, assez éloignée du troisième, du moins tant qu’elle n’est pas orchestrée par un humain.
II. Le contenu est devenu instantané, et c’est précisément le piège
La facilité du contenu n’est pas un détail technique. Elle a une conséquence mesurable, et les études les plus rigoureuses de ces deux dernières années la documentent : le contenu produit avec l’IA converge vers la moyenne.
L’étude de référence est celle de Doshi et Hauser, parue dans Science Advances en 2024. Dans une expérience contrôlée, des participants recevaient ou non des idées d’histoires générées par un modèle de langage. Résultat : les récits assistés par l’IA étaient jugés plus créatifs et mieux écrits, surtout chez les auteurs les moins doués au départ. Mais ces mêmes récits se ressemblaient davantage entre eux. Les chercheurs mesurent une augmentation de 10,7 % de la similarité entre les textes des auteurs ayant utilisé une seule idée de l’IA, par rapport au groupe sans assistance [3]. Les auteurs parlent d’un dilemme social : individuellement bénéfique, collectivement appauvrissant.
Le recours à l’IA et l’homogénéisation qui s’ensuit devraient nous inciter, en retour, à cultiver notre différence de pensée, à développer une pluralité d’expériences et de savoirs, et à passer à l’action plus vite. C’est un signal à rebours : plus le contenu se standardise, plus la valeur se déplace vers ce qui détonne, vers ce qui n’est pas déjà dans la moyenne.
Ce résultat n’est pas isolé. Une méta-analyse de 2025 portant sur vingt-huit études et plus de huit mille participants donne des ordres de grandeur précis : aucune différence significative de performance créative individuelle entre l’humain et l’IA (g ≈ −0,05), un avantage net quand l’humain collabore avec l’IA plutôt que de travailler seul (g ≈ 0,27), mais une chute spectaculaire de la diversité des idées (g ≈ −0,86) [4].
Une revue parue dans Trends in Cognitive Sciences va plus loin et nomme le phénomène : l’effet homogénéisant des modèles de langage sur l’expression et la pensée. Les auteurs avertissent que les modèles reflètent et renforcent les styles dominants tout en marginalisant les voix et les stratégies de raisonnement minoritaires, et que l’incitation systématique à raisonner « pas à pas » risque de décourager les modes de pensée intuitifs et associatifs, pourtant cruciaux pour la résolution de problèmes [5]. Une méta-analyse de 2026, agrégeant dix-neuf études, confirme un effet d’homogénéisation faible mais robuste, plus marqué dans l’idéation contrainte et susceptible de persister au-delà de la séance de co-création [6].
Le contenu optimise pour le probable : un modèle de langage produit, par construction, la suite la plus vraisemblable. Or l’idée neuve réside dans l’improbable, dans l’écart, dans la trajectoire inattendue à travers l’espace des concepts, dans la surprise. La facilité même du contenu le tire vers le centre de gravité statistique de ce qui a déjà été pensé, et « digéré » par le modèle mathématique du LLM. Voilà pourquoi la fluidité ne peut servir d’indicateur de pensée : elle mesure plutôt l’inverse de ce qui compte.
III. Le temps humain irréductible : ce que disent les neurosciences
J’en viens au cœur de mon propos. Si le contenu est instantané et l’idée laborieuse, ce n’est pas par accident culturel. C’est parce que le mécanisme biologique qui fabrique des idées véritables est intrinsèquement temporel. Le temps n’est pas un retard à éliminer. Il est le mécanisme lui-même.
Les neurosciences de la créativité ont connu en 2025 une avancée qui éclaire ce point. Becker et Cabeza, dans Trends in Cognitive Sciences, proposent une théorie de l’insight comme erreur de prédiction. L’illumination, le fameux « Aha ! », naîtrait d’un écart entre ce que le cerveau prédisait et ce qu’il rencontre : l’hippocampe détecte cette erreur, le cortex préfrontal médian l’intègre, la dopamine signale la récompense et la noradrénaline amplifie la saillance. Détail capital : cet écart, cette surprise, renforce durablement la mémoire, ce qui explique pourquoi les idées trouvées par insight s’ancrent mieux que celles reçues passivement [7]. Une perspective convergente, issue des travaux sur le cerveau prédictif de Friston et Clark, montre comment un cerveau qui cherche pourtant à minimiser l’incertitude peut malgré tout créer, en partie grâce à la structure de son environnement [8].
Or la surprise prend du temps. Pour qu’une erreur de prédiction survienne, il faut d’abord avoir prédit, donc s’être engagé activement, donc avoir échoué. C’est pourquoi l’erreur féconde, l’essai infructueux, le retour en arrière ne sont pas des pertes de temps : ce sont les conditions mêmes de l’idée. Stanislas Dehaene résume l’apprentissage efficace en quatre piliers : l’attention, l’engagement actif, le retour d’erreur et la consolidation. Les quatre sont temporels, et aucun n’est satisfait par la simple lecture d’un contenu déjà fait. C’est ici que l’usage substitutif de l’IA risque de coûter le plus cher, non pas en faisant baisser une note, mais en escamotant les conditions mêmes par lesquelles un savoir s’installe et se transforme en compétence.
À cela s’ajoutent deux autres dimensions du temps cérébral. D’abord l’incubation : les idées mûrissent à l’arrière-plan, pendant la rêverie, parfois pendant le sommeil. Une étude préenregistrée de 2025 montre que la divagation mentale durant une phase d’incubation prédit l’amélioration ultérieure des performances créatives. Ensuite l’oscillation entre les grands réseaux cérébraux : la créativité, mesurée par la pensée divergente, est prédite par le nombre de basculements entre le réseau du mode par défaut, celui de la rêverie et de l’association libre, et le réseau de contrôle exécutif, celui du jugement critique. La relation suit une courbe en U inversé, ce qui signifie qu’il faut ni trop peu ni trop de bascules : un dosage qui se construit dans la durée d’un travail réel [9]. Personnellement, le temps de l’écriture de ces articles de prise de recul me permet de jouer sur l’écriture comme formalisation de la pensée, puis sur la sédimentation et la consolidation des idées au fil des échanges qui suivent la publication.
Enfin, et c’est peut-être l’argument le plus frappant, faire le travail créatif transforme physiquement le cerveau. Une revue de 2026 dans Frontiers in Human Neuroscience documente la plasticité induite par l’entraînement artistique, qui renforce notamment la connectivité entre réseaux [10]. Lire un contenu produit par une machine ne déclenche aucune de ces adaptations. La connaissance n’est pas seulement un objet que l’on possède : c’est une modification durable de celui qui l’élabore. Pour cette raison, il me semble extrêmement important de cultiver un éveil à l’art, quelle qu’en soit la forme : musique, peinture, photographie, dessin, chant, peu importe. Passer du temps à pratiquer un art, c’est passer du temps à « muscler » son cerveau, utilement, face à l’IA.
Le contenu, en s’effondrant vers un temps nul, ne produit aucune de ces transformations, parce qu’il supprime précisément la durée qui les rend possibles.
IV. Ce que la machine n’a pas encore : le modèle du monde
On pourrait objecter que les modèles vont rattraper cet écart à un moment donné. C’est l’objet, je crois, d’un débat scientifique intense, et il faut le présenter honnêtement, car il n’est à mon sens pas du tout tranché.
Le courant le plus critique des modèles de langage est porté par Yann LeCun, dont le programme défend une thèse de fond : l’intelligence requiert un modèle du monde, c’est-à-dire la capacité de se représenter des états du monde en termes causaux et de planifier dans un espace de représentation abstrait, plutôt que de prédire le prochain mot. Son architecture V-JEPA 2, entraînée sur plus d’un million d’heures de vidéo, permet une planification robotique sans réentraînement [11]. Sa version théorique, LeJEPA, démontre formellement la distribution d’embedding optimale, remplaçant les heuristiques par des preuves [12]. Tout récemment, en 2026, un travail de Klindt, LeCun et Balestriero établit sous quelles conditions ce type de modèle apprend réellement les variables latentes du monde. Ce résultat date de quelques jours seulement au moment où j’écris, et il faut le citer avec la prudence d’un préprint très frais [13].
Du côté empirique, les modèles de langage trébuchent encore sur le monde physique. L’étude présentée à NAACL 2025, malicieusement intitulée « le perroquet stochastique sur l’épaule du modèle », montre que les modèles de pointe, dont GPT-4o et les modèles de raisonnement les plus récents, restent en retard d’environ 40 % sur les humains pour « comprendre » des concepts physiques, alors même qu’ils savent parfaitement les décrire en langage naturel [14]. C’est la confirmation expérimentale de l’argument philosophique fondateur de Searle : la chambre chinoise manipule des symboles selon des règles impeccables sans rien comprendre. La syntaxe n’engendre pas la sémantique. Cette formule est intéressante, dite autrement : le contenu ne traduit plus la pensée.
Faut-il pour autant conclure que les modèles ne comprennent rien ? Le débat philosophique de 2025 et 2026 dessine un spectre plutôt qu’un verdict. À un pôle, Bender et Hanna soutiennent que la « compréhension » et l’« agentivité » des modèles sont des illusions entretenues par le marketing, dans la lignée de l’article fondateur sur les perroquets stochastiques [15]. Au centre, Lederman et Mahowald proposent une position de « bibliotechnisme » : les modèles seraient des technologies culturelles dont le texte nouveau hérite son sens du texte humain original [16]. À l’autre pôle, des philosophes défendent une compréhension graduée et mécaniquement fondée.
Beckmann et Queloz, dans Philosophical Studies, soutiennent que certains mécanismes internes des modèles justifient une attribution de compréhension non métaphorique [17], tandis que Mollo et Millière argumentent que les états internes peuvent acquérir une véritable référence au monde, sans même requérir un corps ni la multimodalité [18]. Pour ma part, je me range dans un courant de pensée qui postule que toute activité cognitive de haut niveau est de nature sensori-motrice (Barsalou, 1999) [26], ce qui me place de facto dans ce spectre, du côté de ceux pour qui l’absence de corps et d’expérience pèse lourd.
Ce débat est passionnant, mais il faut noter que même le pôle le plus optimiste parle de la compréhension d’un contenu, non de la production autonome d’idées qui se retournent contre leur auteur. Surtout, un fait demeure, et il est décisif au regard de la neuroscience exposée plus haut : la machine n’est pas surprise par ses propres sorties. Entendons-nous bien, car c’est ici qu’on sur-interprète vite : un écart entre ce qu’un modèle prédit et ce qu’il observe peut tout à fait être mesuré, et même exploité pour l’entraîner.
Ce qui manque à la machine, ce n’est pas l’écart computationnel, c’est la surprise vécue, celle qui, chez nous, déclenche la cascade biologique de l’insight et grave l’idée dans la mémoire. Elle ne vit aucune erreur de prédiction au sens éprouvé du terme, aucun « Aha ! », aucune consolidation, aucune plasticité (même si l’on commence à en simuler certains aspects par une amélioration récursive du cadrage du contexte dans des fichiers markdown). Le moteur biologique de l’idée lui est étranger.
V. Le coût de sauter le temps, et le temps qu’il ne faut pas sauter
Que se passe-t-il quand un humain, séduit par la facilité, délègue à la machine non seulement la mise en forme mais aussi le travail temporel de la pensée ? Les études de 2025 sont sévères.
La fameuse expérience EEG du MIT Media Lab a comparé des rédacteurs travaillant avec un modèle de langage, avec un moteur de recherche, ou seuls. Les utilisateurs du modèle présentaient la connectivité cérébrale la plus faible et la moins distribuée (ce n’est pas vraiment un scoop en soi), retenaient mal leur propre texte et en ressentaient peu la paternité. Les auteurs parlent alors de « dette cognitive », et cela a beaucoup fait réagir. Je signale toutefois qu’il s’agit d’un préprint non encore évalué par les pairs à ce jour, qui a fait l’objet d’un commentaire critique en 2026 sur sa méthodologie et son petit échantillon : à manier donc avec précaution [19].
D’autres résultats, eux publiés, pointent dans la même direction. Une étude randomisée parue dans le British Journal of Educational Technology observe que l’usage de ChatGPT améliore les notes mais ni l’acquisition de connaissances, ni leur transfert, ni la motivation, et réduit l’engagement dans les processus d’autorégulation de l’apprentissage. Les auteurs nomment ce phénomène la « paresse métacognitive » [20].
Une enquête sur 666 personnes établit une corrélation négative entre l’usage fréquent d’outils d’IA et la pensée critique, médiée par le délestage cognitif [21]. Une étude de Microsoft et Carnegie Mellon, menée auprès de 319 travailleurs du savoir, montre que plus la confiance dans l’IA est élevée, moins l’effort de pensée critique est important [22]. Le philosophe qui a le mieux théorisé ce risque parle d’« esprit creusé » et de « piège de la souveraineté » : la disponibilité sans friction de réponses toutes faites permet de contourner systématiquement les processus cognitifs coûteux, jusqu’à confondre l’accès à l’information avec la capacité réelle [23]. Sauter le temps, c’est sauter la formation de l’esprit.
Faut-il pour autant verser dans le catastrophisme ? Non, et c’est ici qu’il faut affiner la thèse, car elle serait fausse si on la laissait en l’état. Dire que « l’IA supprime le temps » ne suffit pas. La vraie question n’est pas combien de temps elle supprime, mais quel temps elle supprime.
Distinguons donc deux temps que la production intellectuelle confond d’ordinaire. Il y a le temps de production : chercher une référence, mettre en forme, reformuler proprement, explorer une littérature, générer des exemples. Et il y a le temps de transformation : problématiser, juger, se tromper et comprendre pourquoi, laisser une idée incuber, se l’approprier au point d’en être modifié. Le premier est largement logistique. Le second est cognitif au sens fort : c’est précisément celui dont les neurosciences décrites plus haut montrent qu’il reconfigure le cerveau.
Or l’IA peut comprimer le premier sans toucher au second, et c’est alors une bénédiction : elle me débarrasse de la corvée documentaire pour me rendre disponible à l’interprétation. Le danger n’apparaît que lorsqu’on croit pouvoir comprimer aussi le second, lorsqu’on délègue non plus la mise en forme mais la friction même de la pensée. La même phrase, tapée dans la même interface, peut donc appauvrir ou enrichir, selon qu’elle escamote le temps de transformation ou qu’elle libère du temps de production à son profit.
Cette distinction éclaire un usage que mon propos a jusqu’ici négligé, et qui est sans doute le plus prometteur. L’IA-prothèse produit à ma place et m’appauvrit. Mais il existe une IA partenaire de friction qui ne produit pas pour moi : elle me contredit, génère des objections que je n’avais pas vues, oppose à mon cadre théorique un cadre rival, simule la controverse que je n’aurais pas su mener seul.
Loin de supprimer le temps de transformation, cet usage de l’IA l’intensifie : il multiplie les écarts entre ce que je prédisais et ce qu’on m’oppose, donc les occasions de surprise, donc le moteur même de l’idée. C’est aussi, soit dit en passant, l’un des rares antidotes à l’homogénéisation décrite plus haut, puisqu’il me sert des perspectives que je n’aurais pas générées. La frontière décisive ne passe donc pas entre l’humain et la machine, elle passe à l’intérieur de mes usages : entre l’IA qui me dispense de penser et l’IA qui m’oblige à penser mieux.
L’IA comme extension, à condition de garder le bon temps
La lecture la plus féconde est sans doute celle d’Andy Clark, coauteur en 1998 de la thèse de l’esprit étendu, qui l’a actualisée en 2025 dans Nature Communications : il est dans notre nature de construire des systèmes de pensée hybrides, et les suggestions de l’IA peuvent être traitées comme des pensées qui « remontent » au cours d’une conversation, à la fois accueillies et questionnées, examinées pour savoir si elles ont vraiment du sens [24]. La nuance cruciale est apportée par Hernández-Orallo : les gains de la cognition étendue sont perdus dès que l’outil disparaît ou défaille, contrairement à la compétence intériorisée [25]. L’IA ne remplace pas le sujet pensant ; elle peut devenir une partie de son écologie cognitive. Encore faut-il que le sujet reste, lui, un sujet.
C’est là que se joue la frontière. L’IA augmente la production d’idées lorsque l’humain conserve le travail coûteux, évaluatif, génératif, et donc le temps de transformation. Elle la creuse quand elle s’y substitue. La discipline de notre époque consiste à protéger ce temps-là comme la ressource rare qui change le contenu en connaissance : le temps de l’erreur, de la surprise, de l’incubation, du basculement entre rêverie et jugement, le temps qui modifie physiquement celui qui pense.
Au fond, ce n’est pas l’IA qui menace la connaissance. C’est un usage de l’IA : celui qui supprime le temps nécessaire à l’appropriation, au jugement, à l’erreur féconde, à la transformation de soi. Reformulée ainsi, ma thèse perd son tranchant facile contre la machine et gagne sa vraie cible. Car le paradoxe initial se dénoue alors de lui-même : justement parce que le contenu est devenu gratuit et instantané, le temps redevient, à mon sens, la véritable mesure de l’intelligence. Produire du contenu, désormais, ne prouve plus rien. Produire de la connaissance, en revanche, atteste toujours qu’un esprit a pris le temps de se transformer en pensant, de penser en se transformant, voire de faire évoluer sa pensée. Et cela, aucune machine, pour l’instant, ne le fait à notre place, même si les intelligences artificielles, bien employées, peuvent puissamment y contribuer.
Pour prolonger la réflexion : Penser autrement à l’ère de l’IA ? ou encore Développer les compétences cognitives, émotionnelles et comportementales à l’ère de l’IA.
Références
[1] K. R. Popper, Objective Knowledge: An Evolutionary Approach, Oxford University Press, 1972. Sur l’autonomie du Monde 3, voir aussi les discussions contemporaines, par ex. Studia Humana et Social Studies of Science sur « Is Popper’s Third World Autonomous? ».
[2] M. A. Boden, The Creative Mind: Myths and Mechanisms, 2e éd., Routledge, 2004 ; et J. Gero et al., « Transformational Creativity in Science: A Graphical Theory », arXiv:2504.18687, 2025.
[3] A. R. Doshi, O. P. Hauser, « Generative AI enhances individual creativity but reduces the collective diversity of novel content », Science Advances, vol. 10, n° 28, eadn5290, 2024. DOI : 10.1126/sciadv.adn5290.
[4] S. Holzner, M. Maier, S. Feuerriegel, « Generative AI and Creativity: A Systematic Literature Review and Meta-Analysis », préprint, arXiv:2505.17241, 2025. Chiffres d’effet à vérifier sur la version finale.
[5] Z. Sourati, A. H. Ziabari, M. Dehghani, « The homogenizing effect of large language models on human expression and thought », Trends in Cognitive Sciences, 2026 (en ligne 2025). Préprint : arXiv:2508.01491.
[6] M. de Rooij, M. M. Biskjaer, « Does generative AI make us think alike? A systematic review and three-level meta-analysis of homogenization effects in human–AI co-creation », préprint OSF, 2026. DOI : 10.31234/osf.io/rz5s4_v1.
[7] M. Becker, R. Cabeza, « The neural basis of the insight memory advantage », Trends in Cognitive Sciences, vol. 29, n° 3, p. 255, 2025. DOI : 10.1016/j.tics.2025.01.001. Voir aussi M. Becker, Y. Wang, R. Cabeza, « Surprise!—Clarifying the link between insight and prediction error », Psychonomic Bulletin & Review, 2024, DOI : 10.3758/s13423-024-02517-0.
[8] A. Constant, K. Friston, A. Clark, « Cultivating creativity: predictive brains and the enlightened room problem », Philosophical Transactions of the Royal Society B, 2024. DOI : 10.1098/rstb.2022.0415.
[9] C. Chen et al., « Dynamic switching between brain networks predicts creative ability », Communications Biology, 2025, DOI : 10.1038/s42003-025-07470-9 ; et « Mind wandering during creative incubation predicts increases in creative performance in a writing task », Scientific Reports, 2025, DOI : 10.1038/s41598-025-09736-y.
[10] « Brain plasticity in response to artistic and non-artistic training aimed at promoting creativity », Frontiers in Human Neuroscience, 2026. DOI : 10.3389/fnhum.2026.1632331.
[11] M. Assran et al., « V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning », Meta AI, arXiv:2506.09985, 2025.
[12] R. Balestriero, Y. LeCun, « LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics », arXiv:2511.08544, 2025.
[13] D. Klindt, Y. LeCun, R. Balestriero, « When Does LeJEPA Learn a World Model? », préprint arXiv, mai 2026. Résultat très récent, à confirmer.
[14] M. Yu et al., « The Stochastic Parrot on LLM’s Shoulder: A Summative Assessment of Physical Concept Understanding », NAACL 2025. DOI : 10.18653/v1/2025.naacl-long.569. Argument philosophique de référence : J. Searle, « Minds, Brains, and Programs », Behavioral and Brain Sciences, 1980.
[15] E. M. Bender, A. Hanna, The AI Con, Harper / The Bodley Head, 2025 ; et E. M. Bender, T. Gebru, A. McMillan-Major, M. Mitchell, « On the Dangers of Stochastic Parrots », FAccT ’21, 2021, DOI : 10.1145/3442188.3445922.
[16] H. Lederman, K. Mahowald, « Are Language Models More Like Libraries or Like Librarians? Bibliotechnism, the Novel Reference Problem, and the Attitudes of LLMs », Transactions of the ACL, vol. 12, p. 1087-1103, 2024. DOI : 10.1162/tacl_a_00690.
[17] P. Beckmann, M. Queloz, « Mechanistic indicators of understanding in large language models », Philosophical Studies, vol. 183, n° 6, p. 1747-1792, 2026. DOI : 10.1007/s11098-026-02513-1.
[18] D. C. Mollo, R. Millière, « The Vector Grounding Problem », Philosophy and the Mind Sciences, vol. 7, n° 1, 2026. DOI : 10.33735/phimisci.2026.12307.
[19] N. Kosmyna et al., « Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task », préprint, arXiv:2506.08872, 2025. Commentaire critique : arXiv:2601.00856, 2026. Résultats à interpréter avec prudence (préprint, échantillon réduit).
[20] Y. Fan et al., « Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance », British Journal of Educational Technology, vol. 56, p. 489-530, 2024. DOI : 10.1111/bjet.13544.
[21] M. Gerlich, « AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking », Societies, vol. 15, n° 1, art. 6, 2025. DOI : 10.3390/soc15010006.
[22] H.-P. Lee et al., « The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers », CHI ’25, 2025. DOI : 10.1145/3706598.3713778.
[23] T. Klein, « The extended hollowed mind: why foundational knowledge is indispensable in the age of AI », Frontiers in Artificial Intelligence, 2025. DOI : 10.3389/frai.2025.1719019.
[24] A. Clark, « Extending Minds with Generative AI », Nature Communications, vol. 16, art. 4627, 2025. DOI : 10.1038/s41467-025-59906-9. Source originale de la thèse : A. Clark, D. Chalmers, « The Extended Mind », Analysis, 1998.
[25] J. Hernández-Orallo, « Enhancement and assessment in the AI age: An extended mind perspective », Adaptive Behavior, 2025. DOI : 10.1177/18344909241309376.
[26] L. W. Barsalou, « Perceptual symbol systems », Behavioral and Brain Sciences, vol. 22, n° 4, p. 577-660, 1999. (Référence ajoutée pour compléter la citation au fil du texte.)
