Flow or Fry ? Que fait l'usage intensif de l'IA sur votre cerveau (et le mien) ?

Plusieurs semaines après avoir basculé sur un usage intensif de Claude Code, j’ai cessé de regarder des séries. Pas par décision, ni par manque de temps. Elles avaient simplement cessé de fonctionner comme divertissement. La question qui s’est posée n’était pas « est-ce que l’IA me fatigue ? » mais quelque chose de plus étrange : est-ce que le problème vient du travail, ou de ce que j’appelais « repos » ?

Le brain fry, ou comment confondre deux phénomènes distincts

Le terme circule depuis deux ans dans les discussions sur l’IA et le travail cognitif. Il désigne une forme de saturation mentale après des sessions intensives avec des outils d’IA : incapacité à se concentrer, irritabilité, sentiment de vide. Le diagnostic implicite : l’IA surcharge le cerveau et le grille.

Le problème est que ce terme amalgame deux phénomènes qui n’ont pas la même cause, ni le même remède.

Le premier est réel et documenté : la fatigue par surcharge. Elle survient quand le volume de décisions, de lectures et de micro-arbitrages dépasse la capacité de traitement. Elle produit des erreurs, de l’irritabilité, des décisions dégradées. Les travaux sur l’épuisement des ressources cognitives (Baumeister et al., 1998 ↗) pointent ce mécanisme. Les résultats ont depuis été partiellement contestés, mais le phénomène de dégradation décisionnelle sous charge soutenue reste observé.

Le second est moins visible, souvent confondu avec le premier : le recalibrage par enrichissement. Après des semaines à travailler dans un régime de concentration élevée et de feedback immédiat, le cerveau ajuste son seuil de tolérance aux stimulations. Il ne se plaint pas de trop, il refuse ce qui est trop peu. C’est une mutation du seuil d’engagement, pas un épuisement.

Le cerveau ne se plaint pas qu’on lui donne « trop », il rejette le « trop peu ».

La distinction n’est pas rhétorique. Elle détermine entièrement ce qu’on doit faire ensuite.

Le flow par design ou par accident ?

Comment l’IA intensive génère les conditions du flow

Mihaly Csikszentmihalyi a passé trente ans à cartographier les conditions de l’expérience optimale, ce qu’il appelle le flow (Csikszentmihalyi, Flow : The Psychology of Optimal Experience, 1990 ↗). Ses conclusions tiennent en quelques critères : un défi calibré sur la compétence, un feedback immédiat, un objectif clair et un sentiment de contrôle sur l’action. Csikszentmihalyi décrit aussi la fusion de l’action et de la conscience : l’outil et la procédure s’effacent, il ne reste que la tâche. Ce dernier point n’utilise pas le vocabulaire de 1990, mais il décrit exactement ce qu’une interface bien conçue produit aujourd’hui (un environnement de travail qui disparaît au profit du problème).

Ce que réalise un setup Claude Code bien configuré (CLAUDE.md, skills ou commandes personnalisées), c’est exactement cela. Pas par hasard : par architecture. Quatre sessions ouvertes en parallèle, deux sur des projets critiques, deux sur des projets personnels en mode exploratoire. À chaque instant, quelque chose à trancher, à valider, à réorienter. Le défi reste dans la zone proximale : ni trivial, ni écrasant.

Ce n’est pas du multitasking au sens classique, que Cal Newport condamne à raison dans Deep Work ↗ (2016). C’est un maintien délibéré à la frontière compétence/défi comme un jongleur avec 6 vases Ming inestimables, ce que Csikszentmihalyi identifie comme la condition structurelle du flow. L’interface disparaît. Le temps se dissout. On sort d’une session de six heures avec la sensation d’en avoir passé deux.

Csikszentmihalyi observe par ailleurs que les individus qui pratiquent régulièrement des activités génératrices de flow recalibrent progressivement leur seuil de tolérance aux stimulations diffuses. Ce qui fonctionnait comme détente (le scroll, une série en fond sonore) cesse de fonctionner. Pas parce que ces activités sont objectivement moins bonnes mais parce qu’elles opèrent à un régime d’engagement que le cerveau entraîné perçoit comme structurellement insuffisant.

C’est ce recalibrage, et non une dégradation, que beaucoup de praticiens IA interprètent comme fatigue.

Reste une objection qu’il faut traiter de front, parce qu’elle vise le cœur de la thèse. Si un setup IA bien réglé absorbe à ce point l’attention, qu’est-ce qui le distingue d’un produit conçu pour rendre accro ? Nir Eyal a documenté la mécanique de ces produits dans Hooked ↗ (2014) : un déclencheur interne (l’ennui, l’anxiété, le blocage), une action à friction quasi nulle, une récompense variable (parfois une réponse brillante, parfois le vide, et c’est l’imprévisibilité qui maintient l’engagement), puis un investissement progressif qui verrouille l’utilisateur. Les LLM cochent toutes les cases, et leur flagornerie en est l’illustration la plus nette : un modèle qui vous flatte fabrique une récompense émotionnelle variable, un dark pattern dont j’ai détaillé l’anatomie dans pourquoi les LLM nous flattent. Le flow partage avec le hook le même substrat cognitif (défi calibré, feedback immédiat, absorption), ce qui rend la confusion légitime. La ligne de partage tient à la finalité. Le hook exploite un biais pour capter du temps que vous n’aviez pas l’intention de donner ; Eyal parle sans détour de « manufacturer le désir ». Le flow active une expérience autotélique, poursuivie pour elle-même, qui laisse une trace (le temps résonant de Rosa, sur lequel je reviens plus bas). Travailler six heures sur une architecture qui vous transforme et scroller six heures sur un feed qui vous vide mobilisent la même chimie de l’attention au service de deux régimes opposés. Le recalibrage du seuil rend précisément le second insupportable. Mais la frontière est mince, et c’est pourquoi elle mérite d’être surveillée.

L’effet Newport : quand la concentration profonde rend le reste insupportable

L’attention résiduelle comme effet secondaire attendu

Cal Newport documente dans Deep Work (2016) un phénomène qu’il nomme « attention residue » (résidu d’attention) : après avoir interrompu une tâche de concentration profonde, une partie de l’attention reste fixée sur la tâche précédente, dégradant la qualité du travail ou de la séquence suivante. L’inverse est moins discuté, mais tout aussi réel.

Les personnes entraînées à la concentration profonde développent une intolérance croissante aux stimulations faibles : pas une allergie morale mais du fait d’un inadéquation fonctionnelle. Le cerveau habitué à traiter des problèmes complexes avec un feedback immédiat n’a pas les outils pour s’occuper d’une intrigue télévisée à rythme lent. Il ne s’ennuie pas : il ne trouve pas prise.

Newport identifie ce phénomène dans Deep Work : sa règle « Embrace Boredom » pose que l’intolérance aux stimulations passives est un signal d’affaiblissement de la capacité à se concentrer, et prescrit de l’embrasser pour maintenir la profondeur. Mais il l’interprète comme un dysfonctionnement à corriger, non comme une adaptation attendue. Il prescrit des périodes de déconnexion totale et des activités structurées (artisanat, lecture exigeante), sans théoriser pourquoi le repos passif classique cesse de fonctionner différemment selon les profils. C’est là que Rosa devient indispensable.

L’intolérance aux stimulations diffuses s’installe progressivement sur six à douze mois d’entraînement. Cette intolérance est une adaptation, pas un bug cognitif.

Rosa : le temps qui laisse une trace contre le temps qui passe

L’incompatibilité des régimes temporels

Hartmut Rosa, sociologue allemand, propose dans Accélération ↗ (2010) puis Résonance ↗ (2016) une distinction qui éclaire ce que Newport n’arrive pas à nommer.

Il distingue deux régimes d’expérience temporelle. Le temps résonant est celui des activités qui laissent une trace subjective, qui transforment celui qui les traverse. Quelque chose s’y passe : une résistance, un apprentissage, une modification. Le temps aliéné, lui, « passe » sans transformer. Il peut être agréable (une série bien construite l’est) mais il ne laisse pas de marque. Il glisse.

Rosa ne juge pas ces deux régimes moralement. Il observe qu’ils sont structurellement incompatibles. Passer d’un régime de haute résonance (travail intensif avec une IA qui transforme vos capacités en temps réel) à un régime temporel aliéné (une série dont vous oublierez l’intrigue dans quinze jours) n’est pas difficile parce que vous êtes fatigué. C’est difficile parce que les deux régimes opèrent sur des temporalités structurellement incompatibles.

Voilà pourquoi l’utilisateur intensif de l’IA ne s’ennuie pas devant une série. Il expérimente une inadéquation de régimes temporels. Son cerveau cherche la résistance, le feedback, la trace. Il ne la trouve pas. Ce n’est pas un symptôme d’épuisement, c’est un symptôme d’entraînement.

Cette lecture, appliquée à l’usage de l’IA, prolonge directement ce que Rosa développe dans Accélération et Résonance : les outils qui génèrent de la résonance (apprentissage en temps réel, feedback immédiat, transformation de la pratique) entrent en conflit avec les pratiques de récupération conçues pour un régime d’engagement différent. C’est en tout cas la conclusion à laquelle je pense être arrivé avec le présent article pour moi-même, sans aucun sentiment d’une supériorité morale éventuelle.

Pour comprendre ce que cela change dans la pratique quotidienne, l’article L’IA accélère le code, et ralentit les développeurs documente un paradoxe adjacent : le gain de vitesse d’exécution peut masquer une perte de profondeur d’engagement qui, sur le long terme, fragilise exactement les compétences que l’IA est censée augmenter.

Le mode dilettante comme forme de repos légitime

Deux régimes dans la même journée

La distinction entre deep work et mode « best effort » sur ses propres projets est cruciale, et elle est rarement nommée.

Le deep work au sens de Newport : concentration totale, objectif défini, évaluation immédiate du résultat. C’est le régime des projets clients, des architectures critiques, des sessions de code où chaque décision compte.

Le mode dilettante (ce mot qu’on utilise souvent comme reproche) désigne autre chose : un engagement authentique sur un sujet qui intéresse, sans pression de résultat. Travailler sur cyrilcolleatte.fr un dimanche matin parce qu’un angle éditorial s’est formé pendant la nuit. Explorer une base de code d’un projet personnel parce qu’une question technique s’est posée. Ce mode d’engagement n’entre dans aucune des deux cases habituelles : ni le travail sous contrainte, ni le repos passif.

C’est ce que la Théorie de la restauration de l’attention (ART) éclaire : un engagement cognitif suffisamment structuré pour capturer l’attention, mais suffisamment libre de contraintes pour permettre la restauration des ressources d’attention dirigée (Kaplan & Kaplan, The Experience of Nature : A Psychological Perspective, Cambridge University Press, 1989 ↗). Une intégration conceptuelle plus récente (Pham & Sanocki, 2024 ↗) réunit explicitement ART, flow et créativité, et conclut que les activités combinant flow et restauration attentionnelle produisent des effets complémentaires sur la créativité et la récupération cognitive, à condition que la pression de résultat soit absente.

Le mode dilettante fonctionne comme repos actif parce qu’il opère dans un régime temporel résonant (quelque chose se passe, une trace se forme) sans les contraintes de performance qui génèrent la fatigue par surcharge. Pour un praticien dont le seuil d’engagement a été recalibré vers le haut, c’est souvent le seul repos qui fonctionne vraiment.

Les quatre régimes d’engagement. Deux axes : l’engagement cognitif (faible/élevé) et le régime temporel de Rosa (aliéné/résonant). Après recalibrage, le repos passif (faible engagement, temps aliéné) cesse de fonctionner ; le repos migre vers le mode dilettante (engagement élevé, temps résonant).

C’est une adaptation du répertoire de récupération à un profil cognitif qui a changé, pas du workaholisme. (Une petite voix m’oblige à me demander avec honnêteté si ça n’est pas, quand même, un peu du workaholisme… ;-))

Ce qui reste ouvert : les signaux à surveiller

L’article ne se conclut pas en plaidoyer pour l’usage intensif.

Le recalibrage décrit ici est un phénomène réel, et une chose peut être réelle sans être saine à l’infini. Trois signaux distinguent le recalibrage sain de la fatigue cognitive qui se déguise :

• L’irritabilité de fond. Le recalibrage rend sélectif. La fatigue cognitive rend réactif. Si des interruptions mineures provoquent une irritabilité disproportionnée, si des décisions simples semblent coûteuses, ce n’est plus du recalibrage.

• L’incapacité à basculer en mode dilettante. Si les projets personnels cessent de générer de l’engagement, si le mode « best effort » lui-même devient contraint et joyless, la restauration attentionnelle ne fonctionne plus. C’est le signal que le régime est devenu trop dense.

• La dégradation du sommeil. Deux heures de sommeil les premières nuits d’un abonnement Max, ou les semaines où les volumes de tokens sont doublés…, c’est de l’excitation. Deux heures de sommeil après trois mois, c’est de la dette physiologique. Les deux ne se ressemblent pas de l’intérieur, mais les marqueurs biologiques, eux, ne mentent pas.

La question que la recherche ne tranche pas encore : est-ce qu’un repos qui ressemble à du travail peut être durable sur le long terme ? Les études longitudinales sur ce profil spécifique n’existent pas. Mais vous avez compris : je pense que je connais un cobaye ;-). Ce que l’on sait, c’est que la durabilité dépend de la capacité à maintenir la distinction entre les régimes : reconnaître quand le mode dilettante devient, lui aussi, sous pression de performance.

La réflexion sur ce que l’IA fait à notre capacité à penser de façon autonome reste ouverte. Le recalibrage cognitif décrit ici est une adaptation, pas nécessairement une amélioration. La différence mérite d’être surveillée.

Pour prolonger

• Thinking Fast, Slow and Artificial – ce que ça change quand l’IA pense à votre place, pas seulement à votre rythme
• La veille IA nourrit la reconnaissance, votre pratique construit votre compétence – le lien entre effort cognitif soutenu et compétence réelle