Rarement une étude sur l’Intelligence Artificielle n’a retenu autant mon attention.
Et ce n’est pas le fait que Daron Acemoglu, prix Nobel, en soit l’un des auteurs.
Photo : Daron Acemoglu – Source : sintetia.com
C’est plutôt la profondeur de la réflexion menée par l’équipe du prestigieux MIT (Massachusetts Institute of Technology).
Etayée par une démonstration mathématique.
Un travail indépendant, sans que les géants de l’IA en soient partie prenante.
C’est important de le souligner, dans un contexte oû la recherche est de plus en plus privatisée.
Les moyens financiers étant concentrés par les firmes privées.
Voici quelques points clés commentés de “AI, Human Cognition and Knowledge Collapse” (IA, cognition humaine et et effondrement des connaissances) de Daron Acemoglu, Dingwen Kong et Asuman Ozdaglar, publié le 20 février 2026.
1. L’IA : une solution à court terme, un poison à long terme ?
L’étude met en avant cette idée centrale :
Plus l’IA donne directement les bonnes réponses, moins les humains ont intérêt à apprendre, chercher, tester, documenter et partager leurs connaissances.
Ce phénomène est accru avec l’avènement des agents IA.
L’IA ne se contente pas de fournir les réponses, elles les exécute aussi.
À court terme, cela peut améliorer la productivité individuelle.
À long terme, cela peut affaiblir le savoir collectif.
Cela vous semble paradoxal ? Les chercheurs donnent une explication simple à cela.
Les deux savoirs indispensables pour prende une décision
En effet, le fait que l’IA nous « mache » le travail n’a, à priori, que des avantages : gain de temps, concentration sur des tâches à haute valeur…
Sauf cela implique que l’IA doit toujours accéder à des données fiables, actualisées et contextualisées.
C’est là que les chercheurs mettent en garde.
Car pour prendre une bonne décision, il faut deux types de connaissances :
- Le savoir général
C’est le savoir partagé par une communauté : méthodes, protocoles, concepts, bonnes pratiques, retours d’expérience, etc. - Le savoir spécifique
C’est le savoir adapté à un contexte particulier : un client, un patient, un dossier, une période précise…
Car même avec un contexte connu, l’individu doit se référer à un socle de savoir général pour agir.
Infographie représentant les 2 types de savoirs selon l’étude
Prenons le cas de la médecine.
Pour réaliser un diagnostic, un médecin se base sur les connaissances générales (fonctionnement du corps humain, protocole de soins).
Et sur un savoir spécifique, l’état du patient : ses symptômes physiques, l’historique de sa maladie, entre autres.
Avec un usage massif de l’IA, le savoir général n’est plus alimenté.
Et alors ? Me direz-vous. Les livres de médecine ne vont pas disparaitre pour autant.
Certes. Néanmoins, le savoir a une date de péremption.
Les sciences évoluent. Ce qui était considérée comme une connaissance pertinente il y a cinq ans peut être obsolète aujourd’hui.
Surtout dans un Monde caractérisé par des changements fréquents…
C’est le concept de dépréciation des connaissances.
2. Comprendre le mécanisme du « knowledge collapse »
Le knowledge collapse (effondrement des connaissances) désigne une situation où le savoir humain collectif – ce savoir général qu’on a évoqué précédemment – se dégrade progressivement jusqu’à disparaître comme ressource active.
Ce n’est pas une disparition brutale des connaissances déjà stockées.
C’est plutôt une perte de dynamique :
- Moins d’effort humain pour apprendre. Et donc une faible mémorisation ;
- Moins de production de nouvelles connaissances ;
- Moins de partage d’expérience (sur les forums, par exemple). Certains évoquent déjà une érosion des contributions sur Wikipédia ou Stack Overflow (pour l’informatique) ;
- Dépendance croissante aux recommandations de l’IA.
En somme, moins de savoir général disponible pour les générations suivantes.
En tant qu’enseignant, j’observe ce manque de partage et d’interactions entre étudiants. Ils préfèrent passer par l’IA : plus rapide et sans « prise de tête » relationnelle.
L’étude démontre que plus l’IA produit des réponses précises et personnalisées, plus les humains réduisent fortement leur efforts… et plus le risque de collapse (effondrement) augmente !
3. Quelles solutions pour éviter l’effondrement ?
Les auteurs insistent sur un point important :
Améliorer le partage du savoir humain réduit fortement le risque de collapse.
Cela passe par :
- De meilleures communautés de pratique ;
- Une documentation (procédures, méthodes…) soutenue ;
- Une meilleure transmission entre experts et débutants ;
- Des outils qui agrègent les connaissances humaines ;
- Des institutions qui maintiennent l’effort d’apprentissage.
Contrairement à l’IA qui donne des réponses personnalisées à court terme, les systèmes qui renforcent et soutiennent le savoir général améliorent le bien-être collectif.
Ce qu’il faut retenir de l’étude
Comme on le dit souvent chez Définition IA, le problème n’est pas l’intelligence artificielle en elle- même.
C’est son usage inconscient.
L’IA trop substitutive peut affaiblir l’apprentissage humain.
L’IA intégrée de façon responsable doit au contraire soutenir la production, la transmission et l’actualisation du savoir humain.
La question centrale est alors :
Comment structurer l’IA sans détruire les capacités humaines et collectives ? Condition indispensable pour que l’IA reste elle-même viable à long terme.
Pour donner une piste à cette problématique complexe, je finis cet article en partageant un autre cadre d’analyse : Le Practice Graphs.
Une infrastructure organisationnelle pour empêcher cet effondrement des connaissances (ou du moins, le limiter).
Source: Hervé MARY – LinkedIn
Voici un article LinkedIn qui résume cette méthode : https://www.linkedin.com/pulse/apr%C3%A8s-la-fuite-de-donn%C3%A9es-du-savoir-faire-herv%C3%A9-mary-cgvje/