Avec l'IA, on n'a plus besoin de mémoire. Vraiment?

Par Jean-Philippe Bradette

On voit passer le message partout en ce moment. Sur LinkedIn, dans les conférences, dans les fils de discussion entre professionnels. L'idée est séduisante : pourquoi mémoriser quoi que ce soit quand l'IA peut nous donner la réponse en trois secondes?

Je pense que c'est exactement l'inverse.

Plus l'information devient accessible instantanément, plus la capacité humaine de juger, filtrer et appliquer cette information au bon moment devient rare. Ce qu'on n'a pas encodé en mémoire, on ne peut pas l'évaluer, le remettre en question, ni l'utiliser quand ça compte. L'IA peut nous donner une réponse. Mais si on n'a pas les bases en mémoire, on ne sait même pas quelle question poser.

Le vrai enjeu n'est pas de tout retenir

On peut évacuer tout de suite le faux débat. L'enjeu n'est pas de tout apprendre par cœur. La question n'a jamais été là. La question, c'est : qu'est-ce qui mérite d'être encodé en profondeur, et qu'est-ce qu'on peut raisonnablement déléguer à un outil, que cet outil soit une checklist, un guide de référence ou un modèle d'IA?

C'est une question de conception, pas de nostalgie.

En conception pédagogique, on utilise des grilles d'arbitrage pour faire cette distinction. Le filtre E-MAD, par exemple, fait passer chaque contenu à travers quatre questions séquentielles : est-ce que cette information déclenche une décision? Est-ce qu'elle est utilisée fréquemment? Quel est le coût si on l'oublie? Et surtout, est-il réaliste de consulter une aide au moment où on en a besoin?

Quand un chirurgien est en salle d'opération, il ne peut pas ouvrir ChatGPT pour vérifier une étape critique. Quand un gestionnaire doit recadrer un employé en temps réel, il n'a pas le luxe de consulter un guide. Ce qui doit sortir de la tête rapidement et correctement au moment où la situation se présente, ça, c'est de la mémoire qui compte. Le reste peut vivre dans un support externe, à condition que ce support soit bien conçu et qu'on ait appris à s'en servir.

L'IA ne change pas cette logique. Elle la rend plus urgente.

La pensée critique a besoin d'une base en mémoire

C'est ce que les discours sur l'IA oublient de mentionner. La pensée critique n'est pas une compétence abstraite qu'on peut exercer dans le vide. Elle s'appuie sur des connaissances structurées en mémoire à long terme. Daniel Willingham l'a résumé simplement : on ne peut pas penser de manière critique à propos de quelque chose qu'on ne connaît pas.

Face à l'IA, ça se traduit concrètement en trois capacités, et chacune dépend de ce qu'on a en mémoire.

Évaluer ce que la machine produit, parce que sans repères internes, on prend une réponse plausible pour une réponse correcte. La recherche montre d'ailleurs que les gestionnaires suivent les recommandations de l'IA davantage que celles d'experts humains, même quand ils ne devraient pas. Contextualiser, parce que l'IA n'a pas accès à la culture d'une équipe, à l'historique avec un client, aux conséquences d'une décision dans un contexte précis. Et se surveiller soi-même, parce qu'on a une tendance naturelle à réduire l'effort cognitif quand l'IA peut le faire à notre place. Les chercheurs appellent ça le cognitive offloading. Une étude de Microsoft Research auprès de 319 travailleurs confirme que plus la confiance envers l'IA est élevée, plus la vigilance critique diminue. On arrête de vérifier. On arrête de douter.

La pensée critique n'est d'ailleurs pas seulement une capacité. C'est aussi une disposition, une tendance à exercer son jugement même quand c'est plus facile de ne pas le faire. On peut posséder les habiletés sans jamais les utiliser. À l'ère de l'IA, cette disposition devient le vrai facteur différenciateur.

Celui qui a des bases solides se sert de l'IA comme d'un levier puissant. Celui qui n'en a pas se retrouve submergé par du contenu qu'il ne peut ni évaluer, ni contextualiser, ni hiérarchiser.

Ce que ça change pour la formation

Si la mémoire sélective est plus importante que jamais, alors la façon dont on évalue l'apprentissage doit suivre. Et c'est là qu'on a un problème.

La majorité des organisations mesurent encore leurs formations avec des sondages de satisfaction en fin de séance. Et on prend ces résultats pour une validation que les gens ont appris.

Si la mémoire sélective est devenue un avantage concurrentiel à l'ère de l'IA, mesurer uniquement la compréhension immédiate, ou pire la satisfaction, ne suffit plus. On a besoin de savoir ce qui a été retenu, ce qui est transféré au travail, et ce qui influence réellement les décisions des gens.

Le paradoxe de l'IA

On arrive à un paradoxe intéressant. Barbara Oakley et Terrence Sejnowski, les neuroscientifiques derrière le cours Learning How to Learn, ont récemment publié un article qui nomme exactement ce phénomène. Ils l'appellent le paradoxe de la mémoire : plus on délègue aux outils externes, moins on exerce et développe nos propres capacités cognitives. Et ils vont plus loin en montrant que la dépendance prématurée à l'IA pendant l'apprentissage empêche la construction des schémas mentaux nécessaires à l'expertise et à l'intuition.

Plus l'IA rend le contenu facile à produire, plus la capacité humaine de juger ce contenu devient rare. Plus tout le monde a accès aux mêmes réponses instantanées, plus la différence se fait sur la profondeur de compréhension qui permet de poser les bonnes questions, de repérer les failles, et d'agir avec discernement.

La rétention humaine n'est pas une relique de l'ancien monde. C'est ce qui sépare quelqu'un qui utilise l'IA de manière stratégique de quelqu'un qui en dépend passivement.

Et c'est exactement la raison pour laquelle on ne peut pas se contenter de former les gens et de croiser les doigts. La conception doit viser la rétention : pratique de récupération, espacement, scénarios réalistes. La mesure doit dépasser la satisfaction du jour même pour aller chercher la capacité réelle à décider et agir des semaines plus tard.

À l'ère de l'IA, la mémoire ne devient pas moins utile. Elle devient plus stratégique. Et si on ne conçoit pas nos formations en conséquence, on prépare des professionnels qui auront accès à tous les outils du monde, sans savoir quoi en faire.

Sources

Microsoft Research (2025). The impact of AI confidence on human critical thinking. Présenté à CHI 2025, étude menée auprès de 319 travailleurs.

Oakley, B., Johnston, M., Chen, K.-Z., Jung, E., & Sejnowski, T. (2025). The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI. In The Artificial Intelligence Revolution: Challenges and Opportunities (Springer Nature, à paraître). Preprint disponible sur SSRN et arXiv.

Thalheimer, W. (2024). The Learning-Transfer Evaluation Model (LTEM), Version 13. WorkLearning.com.

Willingham, D. T. (2007). Critical thinking: Why is it so hard to teach? American Educator, 31(2), 8-19.