Il y a les idées que l’IA nous aide à trouver, et celles que ses suggestions nous font peut-être manquer. À mesure que les chatbots prennent place dans notre quotidien, c’est toute la diversité de nos façons de penser, de créer et de voir le monde qui pourrait s’en trouver affectée.
Trouver un angle, développer une idée, construire une argumentation, prendre une décision ou comprendre un sujet compliqué… Il n’est plus rare aujourd’hui de faire appel à l’intelligence artificielle dès les premières étapes de notre raisonnement. On retient certaines de ses propositions, on les retravaille (ou pas), le plus souvent sans se demander ce qu’on aurait imaginé sans elles.
Mais que se passe-t-il lorsque des centaines de millions de personnes s’appuient sur les mêmes outils pour alimenter leur réflexion ? À force de faire de l’IA une source habituelle d’inspiration, nos idées pourraient finir par se ressembler. Un risque d’homogénéisation cognitive qui concerne la diversité de nos productions, certes, mais soulève aussi la question de l’influence des modèles sur nos jugements et, à plus long terme, sur notre manière de penser.
Plus de créativité individuelle, moins de diversité collective
Dès 2024, deux chercheurs, Anil Doshi et Oliver Hauser, ont demandé à 293 volontaires d'inventer une courte histoire à partir de trois thèmes définis à l’avance. Une partie des participants devait travailler seule, tandis que les autres pouvaient solliciter GPT-4 pour obtenir une idée de départ. Les récits ont ensuite été soumis à 600 évaluateurs, qui ignoraient lesquels avaient bénéficié de l'aide de l'IA. Les histoires assistées par GPT-4 ont été jugées plus créatives, mieux écrites et plus agréables à lire, alors même qu'elles se ressemblaient davantage.
On pourrait ainsi penser qu’il suffit de changer d’assistant pour élargir ses perspectives et faire émerger des idées radicalement différentes. Pourtant, ChatGPT, Claude ou Gemini, malgré leurs différences, reposent sur des principes d’apprentissage comparables et des sources d’entraînement susceptibles de se recouper. Ils peuvent donc varier les formulations et les exemples sans forcément explorer des pistes intellectuelles très éloignées.
En témoignent les récents travaux d’Emily Wenger et Yoed Kenett, qui ont soumis 22 modèles de langage et 102 participants humains aux mêmes exercices de créativité verbale, avant de comparer l’originalité de leurs propositions et leur proximité sémantique, c’est-à-dire à quel point elles se ressemblaient sur le fond. Résultat : si les modèles rivalisaient avec les humains en matière de créativité individuelle, leurs réponses étaient, là encore, nettement moins diversifiées.
Une uniformisation qui ne concerne d’ailleurs pas que les idées, mais aussi la manière de les exprimer, comme l’ont souligné Zhivar Sourati, Alireza Ziabari et Morteza Dehghani, chercheurs à l’université de Californie du Sud, dans une étude portant sur plus de 880 000 textes. En demandant à plusieurs modèles de reformuler des écrits humains, les chercheurs ont constaté que le sens changeait peu, mais que les particularités stylistiques s’estompaient. Or, on le sait, à trop lisser le style, on risque aussi d’édulcorer le propos.
Quand les probabilités favorisent les idées dominantes
Est-ce à dire que nous finirons tous et toutes par avoir exactement les mêmes idées ? Pas tout à fait. L’homogénéisation cognitive, telle que la décrivent Zhivar Sourati et ses collègues, renvoie à un phénomène plus subtil, dans lequel nos façons de nous exprimer, les perspectives que nous envisageons et les raisonnements que nous développons tendent à se rapprocher de manière très progressive. Mais pour comprendre comment les IA génératives peuvent favoriser une telle convergence, il faut d’abord s’intéresser à la manière dont elles apprennent à produire leurs réponses.
Si nous pouvons puiser dans nos souvenirs, nos expériences personnelles ou nos propres associations d’idées, une IA générative s’appuie sur ce qu’elle a appris en analysant de nombreux corpus composés d’immenses volumes de textes. Au fil de son entraînement, elle établit des liens entre les mots, les concepts et les différentes façons d’aborder un sujet. Elle apprend ainsi quelles idées vont généralement de pair, quels arguments servent à défendre telle ou telle opinion, ou encore comment construire un raisonnement. Autant de régularités qui influencent ensuite les réponses qu’elle génère.
Or, toutes les idées ne sont pas représentées à parts égales dans les données utilisées pour entraîner les modèles, et leur apprentissage peut accentuer ces déséquilibres en privilégiant les régularités les plus faciles à généraliser. Les discours les plus diffusés, les références culturelles dominantes et les interprétations les plus courantes ont de fait statistiquement plus de chances d’apparaître dans leurs réponses que les points de vue moins répandus. Une prédominance que les préférences humaines et les choix des concepteurs peuvent encore renforcer lors des ajustements effectués après l’entraînement initial.
L'IA n'a pas besoin de nous convaincre pour exercer une influence
D’où l’importance de soigner la manière dont on interroge l’intelligence artificielle. Lorsqu’on consulte un chatbot sans savoir soi-même dans quelle direction chercher, on risque de le laisser guider notre réflexion plutôt que l’inverse, et ainsi de passer à côté d’autres idées auxquelles on aurait peut-être pensé sans lui. Et cela même sans reprendre ses suggestions telles quelles.
En psychologie cognitive, on parle d’effet d’ancrage lorsqu’une première information influence les jugements qui suivent, et de fixation cognitive lorsqu’une idée déjà présentée nous empêche d’envisager aussi facilement d’autres solutions. À force de confrontation aux mêmes arguments, un effet de familiarité peut aussi nous conduire à leur accorder davantage de crédit, y compris lorsqu’ils sont faux. C’est ce qu’on appelle l’effet de vérité illusoire.
En mars 2026, une expérience menée auprès de 2 582 participants a ainsi montré à quel point les suggestions d’un assistant d’écriture pouvaient peser sur les opinions exprimées. Sterling Williams-Ceci et son équipe avaient demandé à des volontaires de rédiger des textes sur des sujets de société avec l’aide d’une IA volontairement orientée.
À l’issue de l’exercice, les opinions exprimées par les participants avaient tendance à se rapprocher des positions défendues par l’outil. Plus troublant, la majorité n’avait conscience ni du parti pris de l’assistant ni de l’influence qu’il avait exercée sur leurs jugements, sans que les avertissements des chercheurs, formulés avant ou après l’exercice, aient permis d’atténuer le phénomène.
À l’inverse, l’IA peut aussi conforter nos convictions plutôt que nous amener à en adopter d’autres. C’est ce qu’ont observé Myra Cheng et ses collègues de Stanford en étudiant la sycophancy, cette propension des chatbots à donner raison à celles et ceux qui les consultent, au point de renforcer leur sentiment d’être dans leur bon droit. Une influence possiblement réciproque, Moshe Glickman et Tali Sharot ayant observé un phénomène voisin, dans lequel les biais d’un système d’IA et ceux de ses utilisateurs pouvaient se renforcer mutuellement au fil des interactions, parfois à leur insu.
Et notre esprit critique dans tout ça ?
Plus nous faisons confiance à l’IA pour accomplir une tâche, moins nous serions enclins à mobiliser notre esprit critique. C’est du moins ce qui ressort d’une étude menée en 2025 par Microsoft Research et l’université Carnegie Mellon auprès de 319 professionnels. Les personnes interrogées qui faisaient le plus confiance aux outils déclaraient moins solliciter leur esprit critique, tandis que celles qui avaient confiance en leurs propres compétences rapportaient un effort de réflexion plus important. Leurs témoignages montrent également que cet effort se concentrait davantage sur la vérification des informations, le tri et l’intégration des réponses que sur la recherche ou la résolution des problèmes.
Alors qu’on s’entende, cette étude, fondée sur des déclarations, ne permet pas de conclure à une diminution de nos capacités intellectuelles. Mais lorsque l’IA nous fournit un raisonnement déjà construit, notre esprit critique s’exerce sur des arguments qu’elle a retenus pour nous. Chose qui devrait nous faire réfléchir aux (mauvaises) habitudes que nous pourrions prendre à force de lui confier les premières étapes de notre réflexion.
Finir par penser comme l’IA, une hypothèse encore en suspens
Au contact des autres, on s’imprègne de leurs expressions, de leurs références, parfois même de leur manière de voir les choses. Rien d’étonnant, donc, à ce que nos échanges avec l’IA puissent produire des effets comparables. Ce qu’on sait moins, en revanche, c’est combien de temps cette influence peut durer.
Les premiers travaux menés sur ce sujet concernent principalement la créativité. En mars 2026, une équipe menée par Yiyong Zhou a ainsi constaté que les améliorations obtenues grâce à ChatGPT s’estompaient lorsque les participants devaient de nouveau travailler seuls, alors que leurs idées présentaient toujours des similitudes, y compris lors des évaluations réalisées un et deux mois plus tard.
Pour l’instant, le terrain est encore peu exploré, et la ressemblance entre plusieurs productions ne nous dit pas grand-chose de la manière dont leurs auteurs et autrices ont réfléchi. Ont-ils repris des associations d’idées suggérées par l’IA, des habitudes de formulation ou même certaines façons de raisonner ? Les expériences disponibles ne permettent pas de le déterminer, pas plus qu’elles ne démontrent une modification durable de nos convictions ou de notre capacité à envisager d’autres perspectives. Quant aux conséquences de plusieurs mois, voire de plusieurs années d’utilisation quotidienne, nous manquons encore de recul pour les mesurer.
De la circulation des idées à leur réinjection dans les modèles, un risque pour la pluralité des voix
Ce qui est certain, par contre, c’est que les idées formulées par les modèles débordent du cadre des conversations entre humains et chatbots. On les retrouve dans des articles, des cours, des présentations ou des projets professionnels, qui nourrissent ensuite la réflexion d’un public n’ayant pas lui-même fait appel à l’intelligence artificielle. Une forme de contamination indirecte qui, de reprise en reprise, pourrait contribuer à diffuser les mêmes associations d’idées à travers des contenus pourtant issus de sources différentes.
Cette diffusion pourrait aussi accentuer les déséquilibres déjà évoqués plus haut. Les perspectives privilégiées dans les réponses des modèles auraient davantage de chances d’être reprises dans les contenus qui circulent, tandis que des références culturelles ou des traditions intellectuelles moins représentées pourraient perdre en visibilité.
Dans l’enseignement, cette convergence pourrait réduire la place accordée aux interprétations concurrentes ; dans la recherche, favoriser les hypothèses les plus familières au détriment de pistes moins explorées ; dans le débat public, donner davantage de poids aux arguments et aux références déjà amplement diffusés. Alors, bien sûr, rien ne permet aujourd’hui d’affirmer qu’un tel appauvrissement se produit à l’échelle de la société. Mais la multiplication des contenus n’est pas non plus garante d’une plus grande diversité des points de vue.
Une partie de ces contenus pourrait même, à terme, être réinjectée dans les données utilisées pour entraîner de nouvelles générations de modèles, au risque de renforcer les tendances déjà présentes dans leurs réponses, puisque les suggestions d’aujourd’hui contribueraient à façonner celles de demain. En 2024 déjà, Ilia Shumailov et son équipe montraient qu’un entraînement répété sur des données générées par des IA pouvait appauvrir progressivement la représentation des informations les plus rares et dégrader la qualité des réponses produites.
Observé dans des conditions expérimentales particulières, ce phénomène, appelé model collapse, ne permet pas d’affirmer que les assistants actuels sont déjà concernés. La diversité des sources dont dépendront les futures générations d’IA pourrait néanmoins être plus difficile à préserver, tandis qu’une part croissante des contenus disponibles sur le web aura elle-même été produite avec leur aide.
Une homogénéisation collective pourrait alors se développer sans que personne cherche délibérément à penser comme les autres.
Penser avec l'IA, sans penser comme elle
L’intelligence artificielle peut pourtant faire bien plus que nous conforter dans nos idées ou nous proposer des réponses convenues. Elle peut aussi nous donner accès à des connaissances que nous ne possédons pas, confronter nos arguments, ouvrir des pistes de réflexion, élargir nos perspectives.
Les recherches sur l’homogénéisation cognitive ne décrivent d’ailleurs pas toutes une humanité condamnée à penser de façon uniforme, comme en témoignent les travaux de Joshua Ashkinaze et de son équipe, qui ont constaté en 2025 qu’une forte exposition aux propositions de ChatGPT pouvait accroître la diversité des idées à l’échelle d’un groupe de plus de 800 participants. Plus récemment, Yun Wan et Yoram Kalman ont montré qu'en demandant à un modèle de proposer des idées d'intrigues à partir de dix profils fictifs différents, il était possible de préserver la diversité des récits écrits avec son aide.
Notre manière de solliciter les chatbots pèse également dans la balance. Leur demander de développer une intuition ne revient pas à leur demander de la contredire. On peut aussi commencer par chercher ses propres idées avant de confronter son raisonnement à celui de l’IA, lui soumettre plusieurs hypothèses plutôt qu’une seule, ou l’interroger sur les arguments et les références qui manquent à sa première réponse. Autant de façons de profiter de ses connaissances sans lui abandonner complètement la direction de notre réflexion.
