IA et création des savoirs : que valent les critiques de Greg Ip ?

La diffusion des assistants d’intelligence artificielle pose une question qui dépasse largement la technique : que devient la connaissance lorsque des millions de personnes demandent une réponse à un modèle de langage plutôt qu’à un moteur de recherche, un forum spécialisé, une encyclopédie ou un professionnel ? Le débat rapporté autour des critiques de Greg Ip, chroniqueur au Wall Street Journal, met le doigt sur cette tension. L’IA peut rendre le savoir plus accessible, sans pour autant garantir que la société continuera à en produire, à le vérifier et à le transmettre dans de bonnes conditions.

À la date du 7 septembre 2025, il serait trompeur de présenter l’enjeu comme un duel simple entre une technologie qui détruirait le savoir et une autre qui le démocratiserait. Les deux dynamiques peuvent coexister. Un assistant conversationnel peut aider un étudiant à comprendre une notion difficile ou un développeur à débloquer un problème banal. Mais il peut aussi fournir une réponse plausible, erronée ou impossible à retracer, tout en détournant l’attention des lieux collectifs où les explications sont discutées et corrigées.

Le désaccord porte sur ce que signifie créer de la connaissance

Dans l’argumentaire attribué à Greg Ip, les grands modèles de langage, tels que ChatGPT, n’ajouteraient pas réellement au stock de connaissances. Ils exploiteraient principalement des contenus déjà produits par des humains, pour les résumer, les reformuler ou les combiner. Cette critique vise moins la rapidité des outils que l’économie intellectuelle qu’ils pourraient installer : si l’IA capte l’attention, l’audience et parfois les revenus, qui financera encore l’enquête, la recherche, la documentation et la résolution publique de problèmes ?

Le texte d’origine défend la position inverse. Il considère que relier des informations existantes, faire émerger des rapprochements et produire une explication adaptée à une question constituent déjà une forme de création de connaissances. Cet argument est solide sur un point : la valeur d’un savoir ne réside pas seulement dans son caractère inédit. Une synthèse claire entre plusieurs disciplines peut permettre à une personne de comprendre, décider ou expérimenter autrement.

Il faut toutefois distinguer plusieurs opérations souvent réunies sous le mot connaissance :

• Découvrir, c’est produire une donnée, une observation, une méthode ou un résultat qui n’existait pas auparavant.
• Vérifier, c’est tester une information, documenter sa provenance et permettre à d’autres de la contester ou de la reproduire.
• Synthétiser, c’est organiser des éléments dispersés afin d’en dégager une vue d’ensemble.
• Transmettre, c’est rendre un savoir compréhensible et exploitable par un public donné.

Les modèles de langage sont particulièrement performants dans les deux dernières tâches. Ils peuvent aider à résumer un corpus, traduire un texte technique, proposer des pistes de recherche ou reformuler une explication. En revanche, leur réponse ne devient pas une découverte fiable simplement parce qu’elle paraît cohérente. Un modèle prédit une suite de mots à partir de régularités apprises. Il ne garantit ni l’exactitude d’un fait ni l’existence d’une source précise derrière chacune de ses affirmations.

Stack Overflow et Wikipedia : ce que les métriques ne disent pas

La publication d’origine évoque la baisse des questions publiées sur Stack Overflow. Pour Greg Ip, selon cette présentation, ce recul pourrait signaler une fragilisation de la production collective de connaissances : les développeurs obtiennent une réponse directement auprès d’un assistant, plutôt que de poser une question dont la réponse restera publiquement consultable, discutée et améliorée.

La réponse formulée dans la publication d’origine est qu’une diminution des questions répétitives peut aussi traduire un progrès d’efficacité. Si les contributeurs et les développeurs trouvent plus vite une solution, ils ont moins de raisons de publier des demandes élémentaires. Les réponses accumulées au fil des années continuent d’ailleurs à nourrir l’écosystème technique dont s’inspirent de nombreux outils d’IA.

Les deux interprétations ne s’excluent pas. Tout dépend du type de question qui disparaît. Si seules les demandes très fréquentes sont absorbées par les assistants, les communautés peuvent consacrer davantage de temps aux problèmes complexes. Si, à l’inverse, les échanges détaillés, les corrections publiques et les retours d’expérience se raréfient, un élément précieux de la mémoire technique risque de s’éroder.

Le même raisonnement s’applique à Wikipedia. La publication d’origine mentionne la baisse de vues sur certaines pages et réfute l’idée qu’elle établirait automatiquement un recul de l’encyclopédie. Un utilisateur qui reçoit rapidement une explication ciblée ne consulte pas nécessairement plusieurs pages pour parvenir au même résultat. Les contributeurs de Wikipedia ne sont pas non plus motivés uniquement par le trafic : la volonté de documenter, de corriger et de rendre une information accessible compte tout autant.

Mais une métrique de fréquentation plus faible ne permet pas davantage de conclure à une amélioration certaine. Une réponse d’IA peut être commode tout en effaçant le contexte, les nuances, les controverses éditoriales et l’historique des corrections visibles sur une encyclopédie ou un forum.

Le model collapse est-il une menace réelle ?

Greg Ip évoque aussi le risque de model collapse, ou effondrement des modèles. Cette expression désigne un phénomène étudié par des chercheurs : lorsqu’un système est entraîné de manière répétée sur des contenus synthétiques produits par d’autres modèles, il peut perdre progressivement la diversité et la richesse statistique présentes dans les données humaines d’origine. Les cas rares, les formulations atypiques ou les informations peu représentées risquent alors de disparaître plus vite que les contenus les plus communs.

L’inquiétude ne signifie pas que toute IA est condamnée à devenir monotone ou inutilisable. Les conditions d’entraînement comptent beaucoup. Un modèle ne repose pas nécessairement sur des données générées par d’autres IA, et les concepteurs peuvent chercher à préserver des données humaines de qualité, diversifier leurs corpus, filtrer les contenus synthétiques et tester les résultats sur des évaluations indépendantes.

Le texte d’origine a raison de rappeler que ce défi technique fait l’objet d’un travail actif et que la créativité humaine ne s’arrête pas avec l’essor des assistants. Il serait néanmoins excessif d’affirmer que le problème est déjà réglé. Les contenus générés par IA se multiplient sur le web, parfois sans signalement clair. Identifier l’origine d’un texte, d’une image ou d’un jeu de données devient donc une question importante pour la qualité future des systèmes.

L’IA ne remplace pas automatiquement la recherche originale

L’argumentaire rapporté critique une comparaison entre l’IA et les fonds indiciels. L’idée est la suivante : de même que des investissements passifs pourraient, s’ils devenaient hégémoniques, réduire les incitations à analyser les marchés, l’IA pourrait réduire les incitations à créer les contenus et les recherches dont elle dépend. La réponse de la publication d’origine est que les fonds indiciels n’ont pas supprimé la recherche active ni la découverte des prix, pas plus que l’IA ne supprimerait le besoin d’enquête et d’innovation.

Cette analogie a le mérite de déplacer le débat vers les incitations. Une technologie peut être utile aux utilisateurs tout en modifiant la répartition des revenus et de l’attention entre ceux qui produisent l’information et ceux qui la distribuent. Or les journalistes, chercheurs, auteurs, développeurs et experts ont besoin de temps, d’outils, de reconnaissance et souvent de financement pour faire émerger des connaissances nouvelles.

La curiosité, la générosité intellectuelle et le désir de résoudre des problèmes sont effectivement de puissants moteurs humains, comme le souligne le texte d’origine. L’histoire des sciences, du logiciel libre ou des encyclopédies collaboratives le montre. Mais ces motivations ne dispensent pas de s’interroger sur les conditions matérielles de la production de savoir. Une enquête exigeante ou une expérimentation scientifique ne peut pas toujours reposer sur le bénévolat.

L’enjeu n’est donc pas de choisir entre humains et machines. Il consiste à organiser une complémentarité saine : l’IA peut alléger les recherches documentaires, accélérer certaines analyses et rendre des domaines plus accessibles. Les humains doivent conserver les tâches qui demandent jugement, responsabilité, contrôle des preuves, observation du réel et capacité à poser des questions inédites.

Un moindre effort cognitif n’est pas forcément un moindre apprentissage

La publication d’origine mentionne des travaux du MIT cités par Greg Ip, selon lesquels des utilisateurs de modèles de langage montreraient moins d’engagement cognitif dans certaines zones du cerveau. Il rapproche cette inquiétude des débats plus anciens sur les calculatrices : déléguer une opération peut réduire l’exercice d’une compétence, mais aussi libérer de l’attention pour des problèmes plus complexes.

Cette comparaison est utile, à condition de ne pas en tirer une conclusion automatique. Utiliser une calculatrice pour vérifier un calcul n’a pas le même effet que l’employer sans avoir appris les bases de l’arithmétique. De même, demander à un assistant de proposer une première structure de texte ne produit pas le même résultat que lui confier entièrement une analyse que l’on ne relit pas.

Une mesure d’activité cérébrale ou une baisse de l’effort ressenti ne suffit pas, à elle seule, à évaluer la qualité d’un apprentissage. Il faut aussi examiner la tâche accomplie, le niveau initial de l’utilisateur, sa capacité à expliquer le résultat, son aptitude à repérer une erreur et ce qu’il est capable de faire ensuite sans assistance.

Le risque le plus concret est celui de l’automatisation de la confiance. Quand une réponse est fluide, structurée et formulée avec assurance, elle peut donner l’impression d’être juste. Pour un usage éducatif ou professionnel, la bonne pratique consiste à demander les hypothèses, chercher les omissions, vérifier les éléments déterminants et comparer la réponse avec une documentation fiable. L’IA devient alors un outil de dialogue et de contrôle, plutôt qu’un substitut au raisonnement.

Ce qu’il faut surveiller pour préserver un savoir vivant

Le potentiel de démocratisation mis en avant dans la publication d’origine est réel. Des étudiants, des petites entreprises et des personnes sans formation technique approfondie peuvent désormais obtenir une première explication, générer des pistes de travail ou accéder à un vocabulaire spécialisé plus facilement qu’auparavant. Cette baisse des barrières à l’entrée peut élargir la participation à la recherche, à la création et à l’innovation.

Le bénéfice collectif dépendra toutefois de plusieurs garde-fous. Il faudra préserver des espaces où les connaissances sont expliquées en détail, attribuées à leurs auteurs, corrigées publiquement et accessibles au-delà des réponses instantanées. Il faudra aussi encourager les utilisateurs à considérer un assistant comme un point de départ, non comme une autorité finale.

Les questions décisives ne se résument donc pas à savoir si l’IA produit ou détruit le savoir. Il faudra observer si les contenus originaux restent suffisamment nombreux et diversifiés, si les communautés d’experts continuent d’échanger publiquement, si les erreurs sont détectables et si les gains de productivité servent réellement à approfondir les problèmes plutôt qu’à multiplier des textes sans vérification.

L’IA peut devenir un formidable outil d’accès, de synthèse et d’exploration. Elle ne remplacera pas ce qui fait la vitalité d’une connaissance collective : des humains qui observent, enquêtent, expérimentent, contestent et prennent la responsabilité de corriger ce qu’ils affirment.