Par où commencer pour comprendre les IA, pas seulement les utiliser
Se former à l'IA sans éroder son jugement : un parcours en 4 niveaux, des ressources triées et les recherches récentes sur l'atrophie cognitive.
En octobre 2025, j’intervenais à Dauphine sur le thème du jumeau cognitif. A l’issue de la conférence, nombreux sont les étudiants qui sont venus me solliciter pour me demander : « Par où commencer ? ». J’avais alors rédigé un court texte que je développe ici.
Pas par où commencer à utiliser l’IA mais par où commencer à la comprendre ?
Le piège réel de la formation rapide
Voici ce que la recherche récente documente : une étude Anthropic (2026) ↗ sur 52 ingénieurs juniors apprenant une bibliothèque inconnue montre deux effets. Le groupe assisté par IA affiche une compréhension autonome inférieure de 17 % au groupe sans IA. Et parmi les utilisateurs d’IA, ceux qui posaient des questions conceptuelles (mode enquête) obtenaient 65 % ou plus au test final, contre moins de 40 % pour ceux qui déléguaient la génération de code. Même résultat côté médical : une étude polonaise (Lancet Gastroenterology & Hepatology, 2025) mesure une chute du taux de détection de lésions précancéreuses de 28,4 % à 22,4 % chez les endoscopistes assistés par IA, une fois l’outil retiré.
La délégation précoce et non encadrée produit des compétences de surface. Elle donne l’illusion de la maîtrise là où s’installe silencieusement l’atrophie. C’est le mécanisme du déchargement cognitif (cognitive offloading) : l’atrophie est invisible en temps réel, perceptible seulement quand l’outil disparaît. Macnamara et al. (2024) ↗ le documentent chez des experts qui ignorent que leur compétence décline, parce que le désengagement porte sur l’effort cognitif, pas sur la tâche elle-même. J’ai décrit ailleurs ce que l’usage intensif de l’IA fait au cerveau et ce qu’on perd quand on la laisse penser à notre place.
La question utile n’est donc pas « comment aller vite avec l’IA ? » mais « comment construire le socle qui rend la délégation féconde plutôt que creuse ? »
Ce qui distingue un utilisateur qui pense l’IA
Dans les projets d’accompagnement que j’ai menés, j’ai observé un clivage net entre deux profils.
Le premier utilise les outils. Il génère des livrables plus vite. Il est capable de produire un tableau de bord ou un rapport de synthèse en une fraction du temps habituel. Ce collègue a une valeur réelle, immédiate.
Le second a un réflexe supplémentaire : il sait évaluer ce que l’IA produit. Il détecte les glissements de raisonnement, les sources manquantes, les prémisses discutables dans une synthèse générée. Il sait quand faire confiance au modèle et quand le challenger. La valeur de ce collègue est plus durable. C’est elle que le parcours cherche à construire.
La différence entre les deux tient à une distinction que Joseph Weizenbaum formulait en 1976 dans Computer Power and Human Reason ↗ : un système peut décider (sélectionner une option selon des critères calculables) sans jamais choisir (engager une responsabilité face à des valeurs incommensurables). Le premier collègue délègue des décisions. Le second sait qu’il y a des choix - sur le périmètre, sur la fiabilité d’une synthèse, sur la confiance à accorder à une recommandation - que la machine ne peut pas porter à sa place. Ce n’est pas de la méfiance mais une meilleure compréhension de ce qu’il fait structurellement.
Annapureddy et al. (2024) ↗ identifient 12 compétences constitutives de la littératie en IA générative. Leur ordre n’est pas arbitraire : c’est une progression, des fondations vers le technique puis le contextuel.
| # | Compétence | Ce qu’elle recouvre |
|---|---|---|
| 1 | Littératie IA de base | Comprendre les concepts fondamentaux de l’IA, reconnaître ses différents types – sans exiger de savoir programmer |
| 2 | Connaissance des modèles génératifs | Savoir qu’il s’agit de modèles statistiques entraînés sur de grandes données, qui génèrent du contenu original – distinct d’un moteur de recherche qui récupère |
| 3 | Connaissance des capacités et limites | Attentes réalistes : hallucinations, risques de confidentialité, deepfakes, usages malveillants |
| 4 | Savoir utiliser les outils | Connaître la diversité des outils, choisir le bon pour une application, apprendre vite les nouveaux |
| 5 | Détecter le contenu généré par IA | Distinguer contenu humain/IA, connaître les biais des détecteurs – en combiner plusieurs |
| 6 | Évaluer les sorties | Esprit critique sur qualité, pertinence, biais ; vérification factuelle contre des sources fiables |
| 7 | Prompt engineering | Techniques de formulation (chaîne de pensée, prompts négatifs, multimodal) et réglage des hyperparamètres |
| 8 | Programmer et fine-tuner | Adapter des modèles existants, préparer les données, entraîner, déployer – seule compétence jugée non nécessaire à la majorité |
| 9 | Connaissance des contextes d’usage | Juger où, quand et dans quelle mesure l’usage est approprié (normes professionnelles, institutionnelles) |
| 10 | Implications éthiques | Aligner l’usage sur ses valeurs : désinformation, authenticité, impact sociétal |
| 11 | Aspects légaux | Cadre réglementaire (AI Act, executive orders américains), propriété intellectuelle |
| 12 | Apprentissage continu | Transversale à toutes les autres – le champ évolue trop vite pour une acquisition figée |
La compétence 6 est le pivot. Évaluer une sortie avant de la prompter mieux, c’est le geste qui évite de basculer de consommateur à simple exécutant du modèle, l’inverse de ce que Weizenbaum décrit ci-dessus comme la capacité à choisir plutôt qu’à laisser décider.
Le parcours en 4 niveaux
Ce parcours est issu du document que j’avais partagé ↗ après la conférence Dauphine, actualisé avec les ressources les plus solides disponibles en 2026. La version vivante de ce parcours, tenue à jour, se trouve sur la page Par où commencer. Il est construit pour des étudiants et consultants qui partent de zéro ou presque, avec un niveau lycée/licence en mathématiques. Pas besoin de coder. Pas besoin d’avoir ouvert un terminal.
Niveau 1 - Découverte : comprendre avant d’utiliser
L’objectif à ce stade n’est pas de « faire des choses avec l’IA ». C’est de comprendre ce qu’est un modèle de langue, pourquoi il produit ce qu’il produit, et pourquoi il se trompe comme il se trompe.
Ressources recommandées :
- CS50’s Introduction to Artificial Intelligence with Python (Harvard/edX) ↗ : l’entrée la plus solide sur les fondements. Zéro prérequis mathématiques, pédagogie rigoureuse. S’il ne devait y avoir qu’un seul cours à ce niveau, ce serait celui-là mais il y a un peu de Python…
- Co-Intelligence : Living and Working with AI ↗ (Ethan Mollick, 2024) : le livre qui donne le cadre conceptuel le plus utile pour un professionnel non technique. La distinction centaure (vous pilotez, l’IA exécute) vs cyborg (intégration totale) est la grille la plus opérationnelle que j’aie lue pour penser sa propre posture d’usage.
- Conférence Ethan Mollick à ASU+GSV (2024) ↗ : 30 minutes. L’essentiel du livre en version live, avec des exemples pédagogiques concrets.
Ce que vous devez avoir compris en sortant de ce niveau : un modèle de langage n’est pas une base de données. Il ne stocke pas de faits, il modélise des probabilités de tokens (des fractions de mots sous forme de vecteur mathématiques). Cette distinction change tout à la façon dont vous évaluez ses sorties. J’en détaille le mécanisme dans Les LLM en 10 minutes.
Niveau 2 – Approfondissement : développer un usage structuré
À ce niveau, vous avez déjà manipulé les outils et vous avez déjà utilisé un chatbot comme ChatGPT. L’objectif est de construire un cadre d’usage personnel et non de collectionner des astuces ou des prompts.
Ressources recommandées :
- One Useful Thing ↗ (Ethan Mollick, Substack) : la newsletter la plus rigoureuse sur l’usage de l’IA en contexte professionnel. Chaque article est sourcé, nuancé, honnête sur les limites. Son article « Post-apocalyptic education » (août 2024) ↗ est une lecture obligatoire si vous travaillez dans l’enseignement ou la formation. Mollick y propose un cadre en trois questions pour évaluer n’importe quelle tâche pédagogique : l’IA peut-elle la faire seule ? La tâche développe-t-elle des compétences irréproductibles ? L’expérience elle-même est-elle la valeur, indépendamment du livrable produit ? Ce cadre est directement transposable à l’auto-formation.
- How I’d learn AI if I could start over ↗ (Dave Ebbelaar, 2024) : pragmatique, orienté pratique professionnelle plutôt qu’académique. Utile pour structurer un plan d’apprentissage personnel.
- AI is deskilling you. Here’s how to prevent it ↗ (Kartik Hosanagar, Wharton) : lecture indispensable au niveau 2 précisément parce qu’elle nomme le risque que la formation rapide fait courir. Hosanagar (même institution que Mollick, position inverse) identifie trois zones de deskilling actif : l’écriture (perdre la capacité à structurer sa pensée sans aide), la recherche (perdre la capacité à évaluer des sources), la résolution de problèmes (perdre la tolérance à l’ambiguïté). Sa contre-mesure centrale : utiliser l’IA uniquement en post-effort, jamais en remplacement de l’effort. Hosanagar documente ce que Di Santi (2026) ↗ formalise dans un cadre métrique : la distinction entre amplification cognitive (l’IA comme microscope) et délégation cognitive (l’IA comme prothèse). L’une renforce les compétences, l’autre les remplace.
Ce que vous devez avoir construit en sortant de ce niveau : un usage qui a de la valeur sans l’outil et vous connaissez le jargon. Si retirer l’IA de votre workflow vous laisse désarmé, vous avez délégué sans construire - ce qui doit vous alerter.
Niveau 3 – Consolidation : comprendre les limites systémiques
Ce niveau est celui où la plupart des formations s’arrêtent, et où l’apprentissage réel commence. Il s’agit de comprendre ce que les modèles ne font pas, pourquoi, et quelles implications cela a pour le jugement professionnel.
Ressources recommandées :
- State of AI Report ↗ (Benaich & Hogarth, annuel) : la synthèse la plus dense sur l’état des recherches et des déploiements. Technique, mais les résumés exécutifs sont accessibles. À lire une fois par an.
- The Augmentation Trap (arXiv 2604.03501) ↗ (Caosun & Aral, MIT Sloan, 2026) : l’étude la plus récente et la plus rigoureuse sur le paradoxe de productivité de l’IA. Gain de vitesse réel à court terme, érosion des compétences à moyen terme. Les graphiques de décomposition du gain de productivité valent à eux seuls la lecture.
- Is AI Making Us Dumber ? Maybe. ↗ (TEDx, 2024) : introduction accessible aux questions d’atrophie cognitive. Utile comme introduction aux enjeux du niveau 4.
- How ChatGPT Slowly Destroys Your Brain ↗ (Justin Sung, 2024) : le titre est volontairement provocateur, le contenu est sérieux. Sung documente la différence entre apprentissage en profondeur et apprentissage superficiel assisté par IA.
Ce que vous devez avoir intégré en sortant de ce niveau : la distinction entre un outil qui amplifie votre capacité de jugement et un outil qui la contourne. Cette distinction est le critère fondamental pour évaluer tout usage professionnel de l’IA : l’IA béquille ou levier ?
Niveau 4 – Maîtrise : développer un cadre critique propre
À ce niveau, les ressources deviennent secondaires. Ce qui compte, c’est la capacité à évaluer une affirmation sur l’IA, à distinguer la recherche solide de l’anecdote bien habillée, et à construire sa propre position.
Ressources recommandées :
- Generative AI Literacy : Twelve Defining Competencies (arXiv 2412.12107) ↗ (Annapureddy, Fornaroli & Gatica-Perez, Idiap/EPFL, 2024) : le cadre de référence académique le plus complet pour évaluer sa propre littératie, premier du genre, publié dans ACM Digital Government. Détail des 12 compétences plus haut, dans la section sur ce qui distingue un utilisateur qui pense l’IA. A mes yeux, elle a vieilli, comme tous les documents qui ont plus de 2 ans. Mais la logique est bonne.
- AI & Data Competencies : Scaffolding Holistic AI Literacy (arXiv 2510.24783) ↗ (Kennedy & Gupta, 2025) : matrice 4 niveaux × 7 dimensions. Opérationnel pour construire un plan de formation pour une équipe.
- You’re Not Behind (Yet) : How to Learn AI in 17 Minutes ↗ (theMITmonk, 2024) : courte synthèse sur les compétences meta-cognitives nécessaires pour apprendre en continu dans un domaine en mutation rapide.
La question qu’on esquive
Il existe un argument courant contre les parcours structurés : l’IA évolue trop vite pour qu’un parcours soit stable. Ce que vous apprenez aujourd’hui sera périmé dans six mois.
L’argument est partiellement juste, et il porte sur la mauvaise cible.
Les interfaces changent vite. Les noms de modèles changent encore plus vite. Les benchmarks changent toutes les semaines. Mais les mécanismes sous-jacents (comment un modèle de langue modélise des probabilités, pourquoi il hallucine, ce qu’est une boucle de rétroaction dans un système agentique) sont stables depuis 2020. Et les réflexes intellectuels (évaluer une sortie, identifier une prémisse fragile, distinguer un fait d’une inférence) sont stables depuis Aristote.
Ce que le parcours construit, c’est la capacité à apprendre les prochains outils. Pas la maîtrise des outils actuels. C’est la même bascule que pour la formation elle-même : enseigner le processus, pas le résultat.
Benedek & Sziklai (2025) ↗ documentent un effet que j’ai observé dans mes missions : les professionnels qui ont construit un socle conceptuel solide avant de déléguer développent une surconfiance beaucoup moins marquée dans les outputs générés. Ils savent quand douter. Ceux qui ont commencé par l’usage font confiance par défaut.
Ce que j’en retiens
Ce parcours a été construit pour des étudiants et jeunes consultants. Il reste pertinent pour des profils plus seniors qui n’ont pas eu l’occasion de construire ces fondations.
Quelques principes opérationnels que je tire de trois ans d’accompagnement :
La délégation féconde vient après la compréhension, pas avant. Utiliser un LLM pour rédiger un rapport avant de comprendre ce qu’est un modèle de langage, c’est conduire une voiture sans comprendre comment fonctionne le frein. Ça marche jusqu’au moment où ça ne marche plus.
Utiliser un LLM pour rédiger un rapport avant de comprendre ce qu’est un modèle de langage, c’est conduire une voiture sans comprendre comment fonctionne le frein. Ça marche jusqu’au moment où ça ne marche plus.
La formation IA n’est pas une formation à des outils. C’est une formation à un mode de raisonnement sur des systèmes probabilistes. Les outils sont le support, pas la cible. C’est davantage un sport qui nécessite de l’entraînement régulier qu’une compétence qu’on acquière pour des années “comme le vélo” (qui ne s’oublie pas).
La formation IA n’est pas une formation à des outils. C’est une formation à un mode de raisonnement sur des systèmes probabilistes.
L’enquête protège mieux que la délégation. Poser des questions à l’IA plutôt que lui demander des réponses directes préserve les compétences là où la délégation les érode. L’étude Anthropic (2026) le montre : parmi les utilisateurs d’IA, ceux qui interrogeaient le modèle pour comprendre franchissaient les 65 % au test final, ceux qui déléguaient la génération restaient sous les 40 %.
Sur les projets que j’accompagne, je recommande systématiquement de commencer par une phase d’usage supervisé de 4 à 6 semaines, avec des points de vérification autonome : retirer l’outil, refaire l’exercice, mesurer l’écart. Ce n’est pas confortable. C’est précisément pour ça que ça fonctionne.
Pour prolonger
- La veille nourrit la reconnaissance, votre pratique construit votre compétence : comment transformer les ressources de ce parcours en compétence réelle, pas en simple culture d’outils.
- Les LLM en 10 minutes : le socle du niveau 1, pourquoi un modèle de langage n’est pas une base de données et ce que ça change à la façon d’évaluer ses sorties.
Les opinions exprimées ici sont personnelles et n'engagent pas mon employeur.