Les modèles de langage risquent-ils d’uniformiser la créativité humaine ?

Les modèles de langage peuvent écrire une accroche, proposer un plan de roman, imaginer des slogans ou suggérer des pistes pour résoudre un problème. Cette disponibilité immédiate d’idées explique leur adoption dans de nombreuses activités créatives. Mais elle soulève aussi une question moins intuitive : que devient notre capacité à chercher des idées par nous-mêmes lorsque l’outil intervient souvent au début du processus ?

Une équipe de l’Université de Toronto s’est penchée sur ce point. Ses résultats préliminaires, rapportés le 30 octobre 2024, dessinent un tableau nuancé. Les modèles de langage de grande taille, ou LLM, peuvent soutenir les performances créatives pendant leur utilisation. Toutefois, les participants privés ensuite de cette aide n’obtiennent pas les meilleurs résultats. Surtout, les propositions issues d’une interaction avec le modèle risquent de se ressembler davantage.

L’enjeu dépasse le simple débat sur ChatGPT et ses concurrents. La créativité ne consiste pas seulement à livrer rapidement une idée acceptable. Elle suppose aussi de produire des pistes nombreuses, variées, parfois surprenantes, puis de choisir et de développer les plus pertinentes. Si les outils d’IA rendent les réponses plus rapides tout en réduisant leur diversité, leurs effets doivent être compris avant qu’ils ne deviennent un réflexe dans l’école, le travail, les médias ou les pratiques artistiques.

Ce que l’étude cherche à mesurer

Les chercheurs s’intéressent à l’influence des LLM sur la créativité des personnes qui les utilisent. Un modèle de langage est un système entraîné sur de très grandes quantités de textes afin de générer une suite de mots cohérente en réponse à une consigne. Il ne crée pas au sens humain du terme, avec une intention ou une expérience vécue. Il produit des formulations et des associations en s’appuyant sur des régularités apprises dans ses données d’entraînement.

Cette capacité peut être précieuse pour débloquer une page blanche. En réponse à une demande précise, un LLM peut fournir des variantes de titres, une structure d’article, une reformulation, un poème ou des idées de scénario. Mais le même mécanisme peut aussi orienter l’utilisateur vers les associations les plus probables, donc vers des solutions déjà familières.

L’étude de l’Université de Toronto distingue deux dimensions complémentaires de la pensée :

La pensée divergente est particulièrement importante quand il faut ouvrir le champ des possibles. La pensée convergente intervient ensuite pour trier, vérifier, améliorer et rendre une proposition réalisable. Une bonne idée créative naît souvent de l’aller-retour entre ces deux mouvements, plutôt que d’une production automatique suivie d’une simple validation.

Comment les chercheurs ont comparé les participants

Pour observer cet effet, l’équipe a conçu une série d’expériences. Des participants ont été répartis en groupes distincts : certains disposaient de l’assistance d’un modèle de langage, tandis que d’autres devaient accomplir les tâches sans cette aide. L’objectif était d’évaluer ce que l’outil change pendant l’exercice, mais aussi ce qu’il laisse après son retrait.

Ce second point est essentiel. Mesurer uniquement la qualité d’une production réalisée avec un assistant reviendrait à tester l’efficacité du duo formé par la personne et la machine. Or les chercheurs veulent aussi savoir si l’exposition répétée à des suggestions générées modifie les aptitudes créatives mobilisées ensuite de façon autonome.

Les expériences portent ainsi sur des tâches de pensée divergente et de pensée convergente. Durant les phases d’exposition, les utilisateurs assistés peuvent s’appuyer sur les idées proposées par le LLM. Vient ensuite une phase de test finale dans laquelle l’outil n’est plus accessible. Cette comparaison permet de distinguer un gain immédiat de performance d’un éventuel effet plus durable sur la capacité à imaginer et sélectionner des solutions.

Le résumé des travaux disponible au 30 octobre 2024 ne précise pas l’effectif des participants, le modèle employé, la durée exacte de l’exposition ni les critères détaillés de notation. Ces informations seraient nécessaires pour évaluer précisément l’ampleur statistique du phénomène et sa généralisation à d’autres publics ou à d’autres tâches. Elles n’empêchent pas de comprendre la question centrale : une aide très performante sur le moment peut-elle affaiblir la pratique autonome de la créativité ?

Des gains immédiats, puis de meilleures performances sans LLM chez les non-utilisateurs

Les résultats préliminaires font apparaître un contraste. Pendant les sessions où ils ont accès à un modèle de langage, les participants assistés améliorent leurs performances. C’est un résultat cohérent avec l’usage habituel de ces systèmes : ils offrent rapidement des formulations, des angles et des options qui peuvent accélérer le travail.

Mais au moment du test final, lorsque personne ne bénéficie de l’assistance, les personnes qui n’avaient pas utilisé les LLM durant l’expérimentation affichent de meilleures performances. Le constat ne signifie pas qu’un modèle de langage empêcherait mécaniquement toute créativité. Il indique plutôt que la facilité apportée par l’outil peut modifier la manière dont les utilisateurs exercent les mécanismes de recherche d’idées au cours de la tâche.

La comparaison proposée par l’un des auteurs, Harsh Kumar, invite à ne pas s’arrêter au bénéfice immédiat. Selon lui, des outils comme ChatGPT doivent être conçus en considérant non seulement leur avantage instantané, mais aussi leurs conséquences possibles sur les capacités cognitives des utilisateurs. Il rapproche ce risque d’un recours aux stéroïdes dans le sport : une performance peut être temporairement augmentée, tout en soulevant des inquiétudes pour les capacités naturelles à plus long terme.

Cette analogie ne doit pas être interprétée comme une équivalence médicale ou scientifique entre les deux situations. Elle traduit une préoccupation de conception : un outil d’assistance ne devrait pas seulement optimiser le résultat visible à l’instant T. Il devrait aussi éviter de décourager l’apprentissage, l’effort de formulation et l’exploration personnelle qui permettent de progresser sans lui.

Pourquoi l’homogénéisation des idées est un enjeu culturel

L’autre résultat marquant concerne la diversité des idées. Les participants s’appuyant sur les suggestions des LLM présentent une homogénéisation de leurs conceptions. Autrement dit, les propositions tendent davantage à converger vers des directions comparables. Les chercheurs observent que cet effet persiste même après l’arrêt de l’utilisation des modèles.

Ce risque est important parce que la créativité collective ne se mesure pas uniquement au nombre de contenus produits. Dans une salle de rédaction, une équipe de design, une classe, un laboratoire ou un atelier d’écriture, la valeur d’un groupe vient aussi de la pluralité des regards. Des idées proches les unes des autres peuvent paraître efficaces, lisibles et bien structurées, tout en laissant de côté des pistes moins évidentes.

Les LLM peuvent contribuer à cette convergence pour une raison simple : confrontés à une consigne semblable, ils proposent des réponses façonnées par des régularités communes. Ils ne sont pas nécessairement programmés pour privilégier la réponse la plus conventionnelle. Toutefois, leurs suggestions peuvent servir de point de départ identique à de nombreux utilisateurs. Lorsque ces suggestions sont reprises sans être discutées, transformées ou mises en concurrence avec d’autres idées, elles risquent de rétrécir l’espace créatif.

Utiliser un modèle comme partenaire de réflexion, pas comme pilote automatique

Les résultats invitent à repenser la manière d’intégrer les assistants génératifs dans une activité créative. L’objectif ne consiste pas forcément à bannir ces outils. Dans certaines situations, ils peuvent aider à franchir un blocage, à reformuler une idée, à explorer une contrainte ou à multiplier les pistes initiales. La question est de préserver le rôle actif de l’utilisateur.

Quelques pratiques peuvent aller dans ce sens :

• Formuler ses propres idées avant de demander des suggestions au modèle.
• Demander des pistes volontairement contrastées plutôt qu’une réponse unique présentée comme idéale.
• Identifier ce qui est banal, imprécis ou inadapté dans les propositions générées.
• Réécrire, combiner et contredire les suggestions au lieu de les reprendre telles quelles.
• Prévoir des moments de travail sans IA, notamment pour entraîner la capacité à démarrer seul.

Ces gestes ne constituent pas une recette universelle, mais ils répondent au problème relevé par les chercheurs. Une assistance créative utile ne devrait pas remplacer la phase de tâtonnement. C’est souvent dans cette phase, avec ses impasses et ses bifurcations, qu’apparaissent des associations vraiment personnelles ou inattendues.

Le sujet concerne aussi les concepteurs de produits. Les chercheurs soulignent la nécessité de créer des agents LLM capables d’encourager la diversité des idées tout en préservant la créativité individuelle. Un assistant pourrait, par exemple, inviter l’utilisateur à préciser son intention, mettre en regard plusieurs directions très éloignées ou demander une critique de la première proposition plutôt que d’imposer une réponse fluide immédiatement exploitable.

Ce que cette recherche permet, et ne permet pas encore, d’affirmer

Cette étude apporte un signal à prendre au sérieux, mais ses résultats sont qualifiés de préliminaires. Ils montrent une association observée dans le cadre des expériences décrites, entre l’exposition aux LLM, la performance lors d’un test ultérieur sans outil et la similarité des idées. Ils ne suffisent pas, à eux seuls, à conclure que tout usage fréquent d’un assistant génératif entraînerait nécessairement une baisse durable de créativité chez tous les utilisateurs.

La créativité est par ailleurs difficile à résumer à un seul indicateur. Elle dépend de la tâche, de l’expertise de la personne, de son niveau de familiarité avec l’outil, du temps disponible, de la manière de formuler la demande et de la qualité de l’évaluation. Écrire une histoire sur plusieurs semaines, concevoir un objet, préparer une campagne ou résoudre un problème scientifique ne mobilisent pas exactement les mêmes aptitudes.

C’est précisément pourquoi les chercheurs prévoient d’étendre leurs investigations à des contextes plus réalistes. Ils souhaitent notamment explorer l’usage des LLM dans des tâches créatives prolongées, comme l’écriture d’histoires. Un tel cadre permettra de mieux observer ce qui se passe lorsque l’assistant accompagne un projet sur la durée, situation dans laquelle la dépendance à ses suggestions peut devenir plus marquée.

Ce qu’il faut surveiller

La diffusion rapide des modèles de langage oblige à dépasser l’opposition simpliste entre enthousiasme et rejet. Ces outils peuvent faire gagner du temps et aider certaines personnes à se lancer. Ils peuvent aussi modifier les habitudes de réflexion, parfois sans que l’utilisateur s’en aperçoive, en rendant la première réponse disponible trop séduisante pour être remise en question.

Les prochaines recherches devront donc examiner non seulement la qualité immédiate des contenus générés, mais aussi la diversité des idées, l’autonomie créative et les effets d’un usage prolongé. Les environnements éducatifs, culturels et professionnels auront intérêt à évaluer l’IA selon ce double critère : ce qu’elle permet de produire aujourd’hui, et ce qu’elle aide ou non les humains à continuer d’inventer demain.