Abondance, rareté, open source : et si le débat sur l’IA se trompait d’étage ?

L’article présente trois visions concurrentes sur l’intelligence artificielle (IA) qui semblent s’opposer mais qui, en réalité, se complètent.

La première thèse évoque un monde d’abondance cognitive, où les modèles d’IA produisent une quantité massive de contenus.

La deuxième, défendue par Anton Leicht dans le Grand Continent, annonce au contraire une rareté d’accès aux systèmes d’IA les plus performants, réservés à une élite géopolitique ou économique.

La troisième thèse, liée à l’open source, suggère que les modèles libres rattrapent rapidement les modèles propriétaires, rendant l’IA plus accessible.

Ces trois approches partagent un constat commun : la valeur ne réside plus dans la capacité de calcul des machines, mais dans la capacité humaine à discerner et à juger les outputs générés par l’IA.

Les thèses d’abondance et de rareté ne s’opposent pas, mais décrivent deux niveaux différents d’un même système.

L’abondance concerne la production de contenus par les modèles d’IA, une fois que l’accès à ces outils est obtenu.

La rareté, elle, porte sur l’accès même aux modèles les plus avancés, qui reste limité à une minorité.

Ces deux étages créent une structure pyramidale à trois niveaux : en haut, ceux qui cumulent accès et compétence pour capter la valeur ; au milieu, ceux qui ont l’accès mais pas la compétence, se contentant de valider sans juger ; en bas, ceux qui n’ont ni l’un ni l’autre.

Cette inégalité n’est visible que si l’on considère les deux étages ensemble.

L’open source change la donne en rendant les modèles d’IA plus accessibles.

Selon des travaux récents comme ceux de Bommasani et al.

(2023), les modèles libres rattrapent les modèles propriétaires avec environ un an de retard et fonctionnent sur du matériel grand public.

La Chine soutient activement cette diffusion, voyant dans l’open source un moyen de limiter l’avance des États-Unis.

Si cette dynamique se confirme, l’étage du haut de la pyramide (l’accès aux modèles les plus performants) pourrait s’effondrer, car l’IA deviendrait une commodité banalisée.

Cependant, cette évolution ne supprime pas la rareté : elle la déplace vers le bas, vers la capacité humaine à juger la qualité des outputs générés par l’IA.

Lorsque l’accès à l’IA devient universel, la seule ressource encore rare et donc valorisée est le jugement humain.

Contrairement à un modèle d’IA, qui peut être dupliqué, le jugement professionnel (comme qualifier un fait incertain ou trancher une question complexe) ne peut pas être reproduit artificiellement.

Il s’acquiert par l’effort et l’expérience, comme l’a démontré Robert Bjork (1994) avec le concept de «difficulté désirable», selon lequel un apprentissage est d’autant plus durable qu’il a nécessité un travail mental.

Les modèles d’IA générative, en supprimant cet effort, risquent de priver les utilisateurs de cette compétence essentielle.

Une étude menée sur près d’un millier de lycéens (Bastani et al., 2024) a révélé que les élèves utilisant GPT-4 progressaient pendant les séances assistées par l’IA, mais obtenaient des scores inférieurs de 17 % à ceux du groupe témoin une fois l’outil retiré.

Ce déficit disparaissait presque entièrement lorsque les élèves étaient accompagnés par un tuteur utilisant des garde-fous pour les guider sans leur donner les réponses.

Le danger n’est donc pas que l’IA soit trop difficile, mais qu’elle soit trop serviable, court-circuitant le processus d’apprentissage nécessaire à l’acquisition du jugement.

Une question centrale se pose : les raisonnements professionnels sont-ils décomposables (composés de sous-tâches routinières distinctes) ou holistes (indissociables, où chaque partie dépend du tout) ?

Si le raisonnement est décomposable, on peut déléguer les tâches routinières tout en préservant la part noble du jugement.

Si, en revanche, il est holiste, ces sous-tâches sont des compléments essentiels à l’apprentissage des opérations plus complexes.

Les experts d’aujourd’hui ont acquis leur savoir-faire par l’exécution, et les experts de demain risquent de ne jamais l’acquérir si l’IA prend en charge ces tâches.

Les travaux du psychiatre Raphaël Gaillard montrent que le cerveau humain, face à l’incertitude, fabrique des «certitudes d’emprunt» : des idées rigides qui compensent l’angoisse de l’indétermination.

L’IA générative, en convertissant l’incertain en verdict autoritaire, peut produire le même effet.

Or, la tolérance à l’indétermination est au cœur des métiers de jugement.

L’outil offre une certitude prête à l’emploi, qui ressemble à du jugement sans en être un, et risque d’affaiblir cette compétence essentielle.

L’externalisation cognitive n’est pas nouvelle, mais l’IA générative accélère radicalement ce processus.

Marx, dans son Fragment sur les machines (1857-1858), décrivait déjà l’absorption du «general intellect» (l’intelligence collective) dans le capital fixe.

Hannah Arendt, dans Condition de l’homme moderne, s’inquiétait de l’abandon de la condition humaine au profit d’une condition fabriquée.

Cependant, ces penseurs n’avaient pas anticipé la vitesse de la rupture actuelle.

Max Bennett souligne que le plus récent saut évolutif de l’intelligence humaine est culturel, et non biologique : la transmission culturelle peut s’accomplir en deux ou trois décennies par génération.

Le 12 juin 2026, le département du Commerce américain a ordonné à Anthropic de suspendre l’accès à ses modèles Mythos 5 et Fable 5 pour tout ressortissant non américain, contraignant l’entreprise à les couper globalement.

La Commission européenne a protesté contre cette mesure, jugée discriminatoire.

Cet exemple illustre la rareté d’accès aux modèles les plus performants, où la géopolitique prime sur l’innovation.

L’Europe, qui n’a pas eu son mot à dire, se retrouve exclue de cette dynamique.

Face à ces enjeux, l’Europe peut encore agir, mais pas par des décrets géopolitiques.

La seule ressource sur laquelle elle peut influencer directement est le jugement, en agissant sur la formation.

Contrairement à l’accès aux modèles, qui dépend de facteurs géopolitiques ou économiques, la capacité à juger peut être cultivée par une pédagogie active.

L’enjeu n’est pas de limiter l’IA, mais de préparer les générations futures à exercer leur esprit critique, seul rempart contre une désaccoutumance culturelle qui pourrait s’installer en deux générations.

Le sommet de la pyramide n’est pas géopolitique, mais pédagogique.