IA et créativité : Que se passe-t-il lorsque nous externalisons le « travail fastidieux » ?

L'IA vole vos inspirations soudaines.

Auteur et source de l'article : Yuan Zhen Business Notes

Au cours des deux dernières années, presque chaque entreprise d'IA a raconté la même histoire :

Laissez les tâches répétitives à l'IA, afin que les humains puissent libérer du temps pour accomplir des choses plus créatives.

Cette approche semble inattaquable. Laisser l'IA organiser les documents, traiter les tableaux et rédiger les procès-verbaux de réunion, tandis que les humains se concentrent sur la stratégie, les produits et la créativité, ressemble à une répartition sociale parfaite.

Mais il cache discrètement une présupposition : le travail répétitif et le travail créatif sont deux choses distinctes qu'on peut séparer nettement.

Les réponses historiques n'étaient pas aussi catégoriques.

Beaucoup de créations véritablement importantes ne se produisent pas après la fin du travail répétitif, mais précisément dans les interstices entre la répétition, l’échec et la distraction. Vous vous accrochez longtemps à un problème, calculez, observez et modifiez encore et encore, jusqu’à ce qu’un moment ordinaire relie soudainement les éléments épars.

Si l'IA nous prend en charge toutes les tâches fastidieuses, ce qu'elle libère ne se limite peut-être pas seulement au temps.

Il peut également emporter le cadre sur lequel repose l'inspiration.

L'histoire de Newton et de la pomme est probablement le mythe de l'innovation le plus réussi de l'histoire de l'humanité.

Une pomme tombe d'un arbre et frappe Newton. Newton a une illumination et découvre la gravité universelle.

La version réelle n'est pas aussi simple.

L'ami de Newton, William Stukeley, a noté dans ses mémoires qu'en 1726, les deux hommes buvaient du thé sous un pommier. Newton se souvenait avoir été plongé dans la réflexion lorsqu'il avait vu une pomme tomber, et s'était demandé : pourquoi la pomme tombe-t-elle toujours perpendiculairement vers le sol, et non vers le haut ou sur le côté ? Ensuite, il a « progressivement » étendu cette force à la Terre, à la Lune et aux autres corps célestes. [1]

Figure 1 | Apple n'a pas donné de réponse ; elle n'a fait qu'allumer les matériaux accumulés par Newton au fil du temps.

La pomme n'a pas frappé Newton, ni n'est tombée directement en une loi.

C'est comme une allumette qui tombe dans un entrepôt déjà rempli de matériaux.

L'expérience du mathématicien Poincaré est plus typique.

Il avait étudié continuellement une classe de fonctions, effectué de nombreux calculs, et échoué à plusieurs reprises. Plus tard, il a temporairement abandonné son travail pour partir en voyage. Au moment où il montait dans un omnibus, un lien crucial lui est soudainement venu à l'esprit : les transformations qu'il étudiait étaient identiques à celles de la géométrie non euclidienne.

Cette idée est venue rapidement, sans même être déduite sur le moment. Après son voyage, Poincaré est revenu à son bureau et a consacré du temps à la vérifier entièrement.

Il a ensuite décomposé le processus de création en plusieurs étapes : d'abord une préparation consciente et ardue, puis une période apparemment inactive de latence, suivie d'un éclair soudain, et enfin un retour à une vérification rigoureuse. [2]

La preuve du dernier théorème de Fermat est également ainsi.

Andrew Wiles a travaillé en secret pendant sept ans, a annoncé la réussite de sa preuve en 1993, mais un défaut a été découvert quelques mois plus tard. Il a passé encore une année à chercher des solutions avec son étudiant Richard Taylor, jusqu'à ce qu'il comble la faille en septembre 1994. [3]

Les gens se souviennent du dernier instant, mais le mathématicien vit réellement des milliers de calculs infructueux, de chemins échoués et de reprises.

L'inspiration ne tombe jamais du ciel comme un cadeau. C'est un retour différé du cerveau après un travail acharné accumulé.

Nous aimons aujourd'hui diviser le travail en deux catégories : les tâches à faible valeur sont confiées aux machines, tandis que les tâches à haute valeur sont réservées aux humains.

Le problème est que le cerveau humain ne fonctionne pas selon les tableaux des rapports de conseil.

Un journaliste qui révise des dizaines de rapports financiers pourrait découvrir que deux jeux de chiffres ne correspondent pas ; un produit manager qui examine point par point les avis négatifs pourrait soudainement réaliser que les utilisateurs ne se plaignent pas de la fonctionnalité ; un médecin qui regarde répétitivement des images parvient progressivement à développer une intuition face aux anomalies.

Ces tâches ne semblent pas sophistiquées, voire très ennuyeuses. Mais elles laissent dans le cerveau de nombreux petits motifs.

L'intuition, c'est souvent simplement de l'expérience si familière qu'on ne peut plus l'expliquer phrase par phrase.

La découverte de la pénicilline s'est faite ainsi.

En 1928, Fleming revint de vacances et découvrit qu'une boîte de Pétri contenant des cultures de staphylocoques avait été contaminée par un champignon, autour duquel les bactéries n'avaient pas poussé. La contamination était accidentelle, mais la découverte ne l'était pas. Une personne n'ayant pas observé les bactéries sur le long terme ne verrait qu'un plateau sale à jeter.

Plus facilement ignoré, Fleming n’a pas immédiatement développé un médicament à partir de cela. Ce n’est qu’après près de dix ans que Florey, Chain et une équipe ont repris cette recherche. Ils ont cultivé le champignon dans des seaux de lait, des boîtes de conserve et même des baignoires, puis ont cherché aux États-Unis des souches à haut rendement, transformant enfin ce hasard de laboratoire en un produit industriel capable de sauver des vies. [4]

Figure 2 | La pollution est accidentelle ; la découverte dépend d'une observation à long terme ; les médicaments proviennent davantage de l'ingénierie au cours des dix années suivantes.

L'histoire aime raconter les « Eureka » (mot grec exprimant la joie de la découverte), mais l'industrie repose véritablement sur l'ingénierie longue, répétitive et peu élégante qui suit ces moments de révélation.

Einstein a également décrit sa manière de penser à l'éminent mathématicien Hadamard, disant que ce qui apparaissait en premier n'était pas souvent un langage complet, mais des images, des symboles et des éléments dynamiques. Il les faisait se combiner répétitivement, et le langage venait ensuite. [5]

Créer, ce n'est pas générer quelque chose à partir de rien, mais plutôt réorganiser.

Ce que tu as vu, ce que tu as fait, les endroits où tu as échoué, déterminent ce qui peut être reconfiguré dans ton esprit.

Si les documents sont toujours résumés par l'IA, la première version est toujours générée par l'IA et les données sont toujours nettoyées par l'IA, les humains auront effectivement beaucoup moins de travail. Mais avec le temps, ce à quoi nous aurons accès ne sera plus que le produit final traité par la machine, et non plus les matières premières brutes, contradictoires et bruitées.

L'efficacité a augmenté, mais la sensation pourrait s'émousser.

Walter Isaacson a posé une question dans « Les Innovateurs » : qui a réellement inventé l'ordinateur et Internet ?

Il a fini par constater que cette question était difficile à répondre avec le nom d'une seule personne.

La révolution numérique n'est pas l'idée soudaine d'un génie dans un garage. Les premiers ordinateurs, les transistors, les puces, les logiciels et l'Internet proviennent tous d'améliorations successives d'une génération à l'autre. Certains ont proposé des concepts, d'autres ont soudé des circuits, d'autres ont écrit des programmes, et d'autres encore ont transformé des prototypes coûteux en produits accessibles au grand public.

Lorsqu'il est fait référence à l'ordinateur Harvard Mark I, le récit de Grace Hopper met davantage l'accent sur Howard Aiken, tandis que la version d'IBM souligne les ingénieurs anonymes : de nombreuses améliorations progressives, telles que les compteurs et les lecteurs de cartes, ont ensemble constitué la machine finale. [6]

Figure 3 | Les Innovateurs rappellent à plusieurs reprises : la révolution numérique provient de collaborations multiples, itératives et progressives.

Ce n'est pas une négation du génie, mais une restitution de la structure réelle de l'innovation.

Un événement révolutionnaire exige généralement à la fois l'imagination de quelques-uns et le travail acharné de la majorité. Les premiers changent la direction, les seconds transforment cette nouvelle direction en réalité. Il n'y a pas de relation de substitution entre les deux.

La chose la plus attrayante avec l'IA, c'est qu'elle semble pouvoir jouer à la fois ces deux rôles : proposer des idées et les exécuter.

Mais de nouveaux problèmes ont également surgi.

En 2024, une étude sur l'IA générative et l'écriture a été publiée dans Science Advances. Les personnes ayant reçu des idées de l'IA ont produit des histoires en moyenne plus créatives et mieux achevées, avec un effet particulièrement marqué pour celles qui étaient initialement moins créatives ; toutefois, lorsqu'on examine l'ensemble des œuvres, les histoires assistées par l'IA se ressemblent davantage entre elles. [7]

L'IA a élevé le niveau minimum de l'individu et réduit les différences au sein du groupe.

C'est très semblable aux plateformes de contenu d'aujourd'hui : tout le monde écrit mieux qu'avant, avec des titres, une structure et des phrases marquantes incontournables ; après avoir lu dix articles, on a l'impression d'en avoir lu un seul.

Lorsque tout le monde demande au même modèle « la première idée », nous sautons la page blanche et pourrions aussi converger vers la réponse la plus facile à prédire.

Cela ne signifie pas que les gens devraient rejeter l'IA et gaspiller à nouveau leur temps à copier-coller et à effectuer une mise en page mécanique.

La calculatrice n'a pas détruit les mathématiques, ni le moteur de recherche n'a détruit le savoir. Ce que les outils changent véritablement, c'est le niveau de compétence que l'homme doit conserver.

L'IA peut nous aider à déplacer des briques, mais l'homme ne doit pas oublier pourquoi le mur a été construit ici.

Cette préoccupation ne se limite plus à une discussion philosophique. En 2025, des institutions comme Microsoft Research ont enquêté auprès de 319 travailleurs du savoir et recueilli 936 cas réels d'utilisation de l'IA. Les résultats montrent que plus les individus font confiance à l'IA, moins ils exercent une réflexion critique (une forme de pensée rationnelle et réfléchie) dans leurs tâches ; en revanche, plus ils font confiance à leur propre jugement professionnel, plus ils exercent une réflexion critique. L'IA n'a pas fait disparaître la pensée, mais l'a déplacée de la « production directe » vers la « vérification, l'intégration et la supervision ». Le problème est que, si les individus ne voient qu'un produit final fluide, la vérification risque de se réduire à un simple hochement de tête. [8]

Des signaux plus directs proviennent de l'écriture et de la programmation. Une expérience du MIT Media Lab impliquant 54 participants sur l'écriture par cerveau a révélé que ceux qui ont utilisé continuellement de grands modèles pour écrire présentaient les connexions de réseau cérébral les plus faibles, ainsi qu'une mémoire réduite du contenu des textes et une sensation plus faible de « c'est mon œuvre » ; toutefois, cette étude reste un préimpression à petit échantillon et ne permet pas de conclure que l'IA rendra les gens définitivement moins intelligents. [9] Lors d'expériences aléatoires menées par METR sur 16 développeurs expérimentés en open source et 246 tâches réelles, il a été constaté qu'après l'utilisation d'outils d'IA début 2025, les développeurs ont mis 19 % de temps en plus pour accomplir leurs tâches. Plus intéressant encore, ils s'attendaient initialement à être plus rapides grâce à l'IA. [10] Dans un suivi effectué par METR en 2026, il a été jugé que les nouveaux outils avaient probablement déjà apporté une accélération, mais en raison d'un biais de sélection évident chez les participants et les tâches, il n'est toujours pas possible d'estimer avec fiabilité l'ampleur de cet effet. [11] Ce que l'IA affaiblit probablement en premier, ce n'est pas la capacité elle-même, mais la capacité des individus à juger s'ils sont encore en train de penser.

Pour les particuliers, il y a au moins trois choses qu'il ne faut pas confier facilement à autrui.

Premièrement, d'où provient le problème.

Ne commencez pas par demander à l’IA : « Que devrais-je écrire ? » ou « Que devrais-je étudier ? ». Allez d’abord sur le terrain client, lisez d’abord les documents originaux, ressentez d’abord ce qui ne va pas. Une bonne question provient souvent des détails que les autres trouvent trop fastidieux pour les considérer.

Deuxièmement, d'où provient le premier jugement.

Vous pouvez faire en sorte que l’IA développe, réfute et complète les informations, mais il vaut mieux d’abord laisser une version brute, non traitée par le modèle. Même si ce n’est que quelques phrases, il est essentiel de savoir comment vous voyez les choses initialement. Sinon, la collaboration entre l’humain et l’IA risque de se transformer en simple relecture de ce que l’IA a produit.

Troisièmement, qui est responsable des résultats.

Seul celui qui a travaillé sur les bases sait où l’IA se trompe. Une personne qui n’a jamais écrit de code peine à distinguer entre un code qui fonctionne simplement et un code prêt pour la production ; une personne qui n’a jamais analysé de bilans financiers peine à repérer les erreurs de méthode cachées dans une analyse apparemment solide.

Alors, qu'est-ce qui peut être confié à l'IA ?

Les critères de jugement ne sont pas « s’il y a de la créativité » ni « si c’est répétitif ou non », mais trois choses : les critères d’acceptation sont-ils clairs, le processus est-il traçable, et peut-on revenir en arrière en cas d’erreur ? La transcription de documents, la mise en forme, le nettoyage de données selon des règles connues, les modèles de code et les cas de test, ainsi que les versions multiples de textes et les croquis de design sur un même thème, sont tous adaptés à être confiés à l’IA. Les choix stratégiques, les définitions factuelles, l’esthétique de marque, l’architecture système et la signature finale ne doivent pas être délégués à l’IA uniquement parce qu’elle est rapide.

Après avoir délégué, il faut continuer à « s'affronter » avec l'IA. Avant d'agir, notez vos propres jugements et critères d'évaluation ; pendant la génération, demandez à l'IA de fournir en parallèle des opinions opposées, des conditions d'échec et les sources des preuves ; après la génération, revenez aux documents d'origine pour vérifier aléatoirement les faits, recalculer les chiffres clés et exécuter les tests essentiels ; après un certain temps, organisez une « formation à mains nues » sans utiliser l'IA. Les rédacteurs doivent conserver leurs entretiens indépendants et leurs premières versions ; les programmeurs doivent conserver les revues de code et les diagnostics de pannes ; les designers doivent conserver leurs choix conceptuels et leurs jugements visuels finaux. Seules les personnes capables de vérifier, d'oser rejeter et de reprendre le contrôle ont réellement le droit de déléguer leur travail à l'IA.

Ce qui devrait vraiment alerter l'entreprise, ce n'est pas la quantité d'IA utilisée par les employés, mais si l'organisation continue encore de produire une expérience directe.

Si les jeunes ne font plus d'analyse de base, ne négocient plus les besoins avec les clients et ne traversent plus les échecs des premières versions, l'entreprise obtiendra à court terme des livrables plus rapides, mais risque à long terme de perdre le chemin de développement de leur jugement.

Auparavant, un débutant devenait progressivement un expert intuitif grâce à trois ans de travail acharné. Maintenant, l'IA permet à un débutant de fournir une réponse de 70/100 dès le premier jour.

Mais pour passer de soixante-dix à quatre-vingt-dix, il lui faut toujours avoir vu les problèmes de ses propres yeux, commis des erreurs et payé le prix des résultats.

L’IA augmente-t-elle la créativité ou la diminue-t-elle ?

The answer depends on where we place it.

Laissez l'IA gérer les tâches répétitives déjà bien définies ; c'est un levier. Mais si vous laissez l'IA remplacer notre contact avec la réalité, formuler des problèmes et prendre les premières décisions, elle deviendra progressivement une canne.

La véritable créativité ne se limite jamais à « avoir une idée ».

Cela inclut la familiarité avec les matériaux, la sensibilité aux anomalies, la capacité à supporter de longues périodes sans réponse, et, après une illumination, répéter inlassablement l'opération jusqu'à ce qu'elle soit solidement établie.

Ces parties sont lentes, peu élégantes, et même difficiles à intégrer dans les évaluations de performance. Pourtant, les grands théorèmes historiques, les découvertes scientifiques et les innovations industrielles sont presque toutes nées ici.

L'IA peut certainement nous aider à cueillir des pommes.

Mais la capacité de cette personne sous l'arbre à concevoir la gravité universelle dépend toujours de combien de temps il a réfléchi avant que la pomme ne tombe.

Références

[1] William Stukeley, Memoirs of Sir Isaac Newton's Life, Newton Project (Université d'Oxford).

[2] Henri Poincaré, « L'invention mathématique », 1908.

[3] Institut de mathématiques d'Oxford, Université de Bristol : documents sur Andrew Wiles et le dernier théorème de Fermat.

[4] Groupe des musées des sciences, « Comment la pénicilline a-t-elle été développée ? »

[5] Jacques Hadamard, The Mathematician's Mind: The Psychology of Invention in the Mathematical Field.

[6] Walter Isaacson, Les Innovateurs : Comment un groupe de pirates, de génies et de geeks a créé la révolution numérique.

[7] Anil R. Doshi et Oliver P. Hauser, « L’IA générative stimule la créativité individuelle mais réduit la diversité collective des contenus novateurs », Science Advances, 2024.

[8] Hao-Ping Lee et al., « The Impact of Generative AI on Critical Thinking », CHI 2025.

[9] Nataliya Kosmyna et al., « Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task », prépublication 2025.

[10] Joel Becker et al., « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », METR, 2025.

[11] Joel Becker et al., « We are Changing our Developer Productivity Experiment Design », METR, 2026.