Humain, trop humain ?

On s’extasie sur l’aptitude de l’IA à imiter et parfois dépasser l’humain, mais c’est à la fois une illusion et un imminent danger.

La détresse du mathématicien dépassé et privé d’emploi par la machine dite « intelligente » devrait interpeler. Il ne s’agit pas d’évoquer le risque de plus en plus proche d’un Grand remplacement des salariés par une IA, plus performante, jamais malade, jamais fatiguée, et qui ne connaît ni horaires de travail, ni congés payés, sans parler de l’absence de problématiques de genre dans l’organisation des entreprises (salaires, mixité, congés maternité…).

Il est  plus profondément question ici du danger inhérent à la limite interne des IA qui tient à leur architecture de fonctionnement.

L’IA résout les problèmes mathématiques les plus ardus, mais n’en invente pas de nouveaux. Elle ne construira de nouveautés que pour l’exécution d’une tâche, mais c’est inverser l’ordre des choses. Les découvertes majeures de la recherche fondamentale ont été indépendantes des applications qui s’en suivirent. Elles résultent de « sauts » dans l’inconnu qu’une machine pourrait peut-être réaliser sur demande expresse, mais n’aura aucune raison de faire de sa propre initiative.

Cet élément de curiosité que les montagnards magnifient en disant que c’est encore plus beau quand c’est inutile, fait totalement défaut à une IA, qui ignore le plaisir de  la découverte pour elle-même, comme elle ne connaît pas la douleur de chercher en vain.

On doit aussi prendre en compte le fait que nombre de progrès des connaissances sont dues au hasard, un domaine que l’IA ne connaît pas, et même se doit d’exclure.

En somme, l’humain est irremplaçable car il est trop humain. Mais le fait est qu’il sera remplacé et que la formation de nouveaux mathématiciens sera abandonnée. Ainsi se concrétisera le péril intrinsèque à l’IA. C’est, en fait, une stérilisation inéluctable que nous promettent les prouesses mathématiques d’Open AI.

Le danger est tout aussi présent quand il s’agit de modes de pensée. Demandez à l’IA de dépasser le mode de pensée dialectique, elle proposera une série de systèmes qui parcellisent les analyses du réel, sans permettre de généralisation prédictive. Ainsi elle proposera : cybernétique, pensée systémique, structuralisme, modèles probabilistes… mais aucun n’est assez global pour constituer un mode de pensée, ni en soi, ni partagé, et surtout le réflexe de l’IA est d’utiliser le mode de réflexion dialectique, le plus répandu, et non tel ou tel autre modèle minoritaire.

Par exemple, CLAUDE procède par un schéma de discussion immuable : thèse/ contre-exemple/ diagnostic, qui est purement dialectique. Or toute réalité ne se plie pas à une telle analyse. La société actuelle n’est pas le simple théâtre d’une lutte des classes. Pour la comprendre, il faut dépasser le réflexe dialectique.

Le mode de pensée est l’idée que l’on se fait de la structure de l’univers et de sa cohérence. C’est ce cadre qui guide l’analyse des événements et des institutions humaines.

Les imperfections des analyses dialectiques ont beau être patentes et celles-ci incapables de rendre compte de réalités bien plus complexes que leur structure binaire, le mode de pensée dialectique n’a pas été dépassé, et encore moins remplacé. Cette état de fait donne le sentiment que le monde actuel est devenu indéchiffrable et imprévisible.

Ceci exposé, on peut comprendre que l’IA qui se nourrit de la pensée ambiante soit cantonnée à un mode de pensée dialectique. Poussé dans ses retranchements, Chat GPT reconnaît qu’il a des réflexes « dialectiques ». C’est là une impasse en cul-de-sac qui interdit à l’IA d’accéder à une réelle pertinence.

A la question de savoir si l’IA peut inventer un nouveau mode de pensée, la réponse est en l’état négative. En effet, l’IA se nourrit des productions humaines auxquelles  elle confère un poids statistique.  Sa pensée est ainsi une pensée humaine, et sans doute trop humaine. Une nouvelle révolution du mode de pensée qui sera nécessairement à ses débuts embryonnaire et minoritaire sera fatalement écartée par l’IA.

Voici la réponse critique de Chat GPT à qui ce texte a été soumis :

Analyse critique de « Humain, trop humain »

Le texte développe une thèse ambitieuse, qui dépasse largement la question de la suppression des emplois par l’intelligence artificielle : en remplaçant progressivement les humains dans la production intellectuelle, l’IA risque de tarir les conditions mêmes du renouvellement de la pensée humaine.

Sa force est de déplacer le débat. Il ne s’agit plus seulement de savoir si une machine peut résoudre un problème mieux qu’un mathématicien, mais de se demander si elle peut contribuer à faire émerger des problèmes nouveaux, des cadres théoriques inédits et, plus profondément, une autre représentation de la réalité.

Cette intuition est philosophiquement féconde. Cependant, plusieurs arguments du texte sont plus fragiles que sa conclusion ne le laisse entendre. Pour les consolider, il faut distinguer trois questions : ce que l’IA peut faire, ce qui caractérise proprement l’activité humaine et ce que les institutions risquent de détruire en automatisant la recherche.

1. La thèse centrale : le risque d’une stérilisation intellectuelle

Le raisonnement suit une progression en trois temps.

Premier temps : la substitution économique

Les machines accomplissent certaines tâches intellectuelles plus rapidement et à moindre coût. Les emplois disparaissent, les carrières scientifiques se fragilisent et le renouvellement des générations de chercheurs peut être compromis.

Deuxième temps : la limitation épistémologique

L’IA exploite principalement des connaissances et des représentations déjà disponibles. Elle serait donc structurellement portée à reproduire les cadres intellectuels dominants plutôt qu’à inventer de nouveaux modes de pensée.

Troisième temps : la stérilisation historique

Si les humains cessent d’être formés à la recherche et si les systèmes automatisés filtrent les idées minoritaires, les conditions d’apparition de ruptures intellectuelles pourraient disparaître.

Le point le plus fort se situe dans le troisième temps. Il est possible que l’IA ne soit pas incapable, en principe, de produire des idées originales, mais que son déploiement économique et institutionnel réduise les possibilités humaines de les concevoir, de les développer et de les reconnaître.

Cette distinction est essentielle : la stérilisation redoutée pourrait provenir moins d’une incapacité intrinsèque de la machine que de l’organisation sociale qui se construit autour d’elle.

2. L’IA peut-elle inventer des problèmes nouveaux ?

Le texte affirme :

« L’IA résout les problèmes mathématiques les plus ardus, mais n’en invente pas de nouveaux. »

C’est une proposition forte, mais elle confond trois activités différentes.

• Résoudre un problème : trouver une solution à une question déjà formulée.

• Formuler un problème nouveau : identifier une question intéressante, une conjecture ou une difficulté qui n’était pas explicitement posée.

• Inventer un nouveau cadre de pensée : modifier les concepts, les présupposés ou les règles qui déterminent quelles questions méritent d’être posées.

La première capacité est aujourd’hui manifeste. La deuxième existe également, au moins sous certaines formes, puisque des systèmes d’IA peuvent proposer des conjectures, des hypothèses scientifiques et des pistes de recherche. La troisième est la plus difficile à établir.

Des recherches sur la génération d’idées scientifiques par les grands modèles de langage suggèrent justement que la nouveauté peut prendre plusieurs formes : une idée peut être éloignée de ce qui existe déjà sans ouvrir pour autant une direction de recherche véritablement nouvelle. Une étude publiée en octobre 2026 avance cette distinction entre nouveauté par éloignement et nouveauté par orientation intellectuelle. Il faut néanmoins traiter ces résultats comme des indices, et non comme la preuve d’une incapacité universelle des IA.

La véritable difficulté est ailleurs

Une découverte scientifique ne consiste pas seulement à produire une proposition inédite. Il faut encore :

• percevoir qu’une difficulté mérite d’être explorée ;

• accepter d’y consacrer du temps sans garantie de résultat ;

• reconnaître l’importance d’un résultat inattendu ;

• déterminer si celui-ci révèle une anomalie locale ou remet en question un cadre théorique entier.

Le texte a raison d’insister sur cette dimension de la recherche qui ne se réduit pas à l’exécution d’une tâche. Mais il est trop catégorique lorsqu’il en déduit que l’IA ne peut rien faire de sa propre initiative.

Un système peut être programmé pour explorer des conjectures, comparer des hypothèses, rechercher des anomalies ou poursuivre des objectifs de recherche sans qu’un humain lui dicte chaque opération. Cela ne prouve pas qu’il éprouve une curiosité authentique. Cela montre simplement que l’initiative opérationnelle et le désir de découvrir sont deux choses distinctes.

Il faut donc distinguer la créativité comme capacité à produire des résultats nouveaux de la curiosité comme expérience vécue, et toutes deux de la capacité à reconnaître une transformation fondamentale de notre compréhension du monde.

Sur ce point, le texte soulève une question philosophique pertinente sans la résoudre : faut-il éprouver le désir de connaître pour produire une découverte, ou suffit-il de mettre en œuvre un processus capable d’en produire une ?

3. Le hasard, l’inutilité et la découverte

L’un des passages les plus intéressants concerne le plaisir de chercher sans objectif immédiat, illustré par cette formule :

« C’est encore plus beau quand c’est inutile. »

Cette idée oppose deux conceptions de la recherche.

La première est instrumentale : on explore pour atteindre un objectif déterminé, résoudre un problème identifié ou obtenir un résultat exploitable.

La seconde est exploratoire : on s’intéresse à un phénomène sans savoir à quoi il servira, ni même si son étude débouchera sur quoi que ce soit.

L’histoire des sciences donne une grande importance à cette seconde attitude. Des connaissances fondamentales ont été élaborées sans que leurs applications futures soient prévisibles. Une recherche orientée exclusivement vers les bénéfices immédiats risque donc de négliger des questions qui se révéleront importantes plusieurs décennies plus tard.

Toutefois, il faut nuancer l’affirmation selon laquelle le hasard serait un domaine que l’IA « se doit d’exclure ».

Le hasard existe aussi dans les algorithmes : échantillonnage aléatoire, mutations artificielles, exploration stochastique, génération de conjectures multiples. Une IA peut ainsi produire une proposition inattendue ou explorer une piste qui n’était pas initialement privilégiée.

Mais il existe une différence entre trois phénomènes :

• Le hasard calculé, utilisé comme méthode d’exploration.

• L’imprévu, qui désigne un résultat que l’on n’avait pas anticipé.

• La découverte d’une anomalie significative, qui suppose de reconnaître qu’un résultat inattendu mérite de modifier notre compréhension.

Le troisième phénomène est le plus délicat. Générer de l’imprévu ne suffit pas à découvrir quelque chose d’important. Encore faut-il savoir quoi regarder, quelles anomalies conserver et lesquelles doivent conduire à remettre en cause les hypothèses de départ.

Le texte aurait donc intérêt à abandonner l’opposition absolue entre humain et machine au profit d’une distinction entre production de l’inattendu et interprétation de l’inattendu.

Cette reformulation conserve son intuition essentielle tout en évitant une affirmation techniquement contestable.

4. Le point le plus fragile : l’impossibilité pour l’IA de dépasser la pensée dialectique

C’est ici que l’argumentation devient la plus ambitieuse, mais aussi la plus vulnérable.

L’auteur soutient que l’IA reproduit le mode de pensée dialectique dominant, qu’il associe à une succession de thèse, de contre-exemple et de diagnostic. Elle serait ainsi incapable de produire un cadre intellectuel véritablement global.

Il y a dans cette critique deux arguments distincts.

A. L’IA tend à reproduire les cadres dominants

Cet argument est plausible.

Les modèles de langage apprennent à partir de productions humaines. Ils sont donc exposés aux catégories, aux conventions, aux habitudes argumentatives et aux hiérarchies intellectuelles présentes dans leurs données d’entraînement.

De plus, leurs concepteurs et leurs utilisateurs peuvent favoriser les réponses familières, cohérentes et immédiatement compréhensibles au détriment d’idées plus dérangeantes ou plus difficiles à évaluer.

Une étude publiée en août 2026 examine précisément le risque de biais des systèmes génératifs dans l’évaluation de propositions scientifiques originales. Elle souligne la possibilité que des critères fondés sur les régularités des travaux antérieurs défavorisent les idées qui s’écartent fortement des normes établies. Ses conclusions doivent toutefois être interprétées à la lumière de son protocole et de la taille de son échantillon.

Le risque décrit par le texte est donc crédible : une IA peut contribuer à renforcer le conformisme intellectuel, notamment lorsqu’on lui demande de classer, d’évaluer ou de sélectionner des idées.

B. La dialectique serait une limite intrinsèque de l’IA

Cet argument est nettement moins convaincant.

D’abord, le mot « dialectique » est employé ici dans un sens très large. Il désigne tantôt une pensée binaire, tantôt une confrontation de points de vue, tantôt une logique de contradiction, tantôt une représentation du changement historique.

Or ces choses ne sont pas équivalentes.

La dialectique hégélienne, par exemple, ne se réduit pas à une opposition mécanique entre une thèse et une antithèse. Et le matérialisme historique ne se résume pas à la lutte des classes : il comporte aussi une analyse des institutions, des rapports de production, des idéologies et des transformations historiques.

De même, une réponse organisée selon le schéma « thèse, objection, diagnostic » n’est pas nécessairement dialectique au sens philosophique. Il peut s’agir d’une simple méthode pédagogique d’exposition.

Enfin, les modèles de langage ne sont pas condamnés à un unique schéma de raisonnement. Ils peuvent produire des analyses causales, probabilistes, systémiques, historiques, évolutionnaires ou fondées sur plusieurs scénarios. Ces méthodes peuvent être insuffisantes ou mal appliquées, mais leur existence contredit l’idée d’un enfermement absolu dans une seule forme de raisonnement.

Le véritable problème n’est donc pas que l’IA serait incapable de sortir de la dialectique, mais qu’elle pourrait reproduire des cadres intellectuels dominants sans savoir reconnaître les limites de ces cadres.

Cette thèse est à la fois plus précise et plus difficile à réfuter.

5. Le texte néglige un paradoxe essentiel : les humains sont eux aussi prisonniers de leurs cadres de pensée

Le texte oppose implicitement une IA reproductrice à un humain capable de rupture intellectuelle.

Cette opposition est trop simple.

Les êtres humains ne sont pas spontanément libres de leurs paradigmes. Ils sont formés par des institutions, des disciplines, des traditions, des systèmes éducatifs et des critères de reconnaissance scientifique. Ils tendent eux aussi à reproduire les approches dominantes et à écarter les propositions qui ne correspondent pas aux normes de leur époque.

C’est précisément ce que montre Thomas Kuhn dans La Structure des révolutions scientifiques. La science ordinaire travaille dans un cadre partagé, mais les anomalies qui résistent à ce cadre peuvent finir par provoquer une transformation des concepts et des pratiques scientifiques.

La résistance à la nouveauté n’est donc pas exclusivement algorithmique. Elle est aussi sociale.

Cette observation conduit à une objection majeure : si les institutions humaines savent déjà éliminer les idées minoritaires, pourquoi attribuer à l’IA seule la responsabilité de cette élimination ?

La réponse la plus solide serait que l’IA peut industrialiser et amplifier un conformisme qui existait avant elle.

Lorsqu’un même type de modèle intervient dans la formation, la recherche documentaire, la rédaction scientifique, l’évaluation des projets et la sélection des candidats, ses biais peuvent se propager simultanément dans plusieurs étapes de la production du savoir.

Il ne s’agit pas de prétendre que tous les systèmes reproduisent nécessairement les mêmes erreurs. Il s’agit de reconnaître le risque d’une homogénéisation à grande échelle, particulièrement lorsque les organisations utilisent les mêmes outils et les mêmes critères de performance.

Le danger devient alors systémique : des idées minoritaires peuvent être défavorisées non parce qu’elles ont été réfutées, mais parce qu’elles sont moins familières, moins faciles à évaluer ou moins compatibles avec les indicateurs de réussite existants.

C’est probablement l’argument sociologique le plus puissant que le texte pourrait développer.

6. Le paradoxe de l’automatisation : supprimer les apprentissages qui rendent les découvertes possibles

L’argument relatif au mathématicien privé d’emploi mérite une attention particulière.

Le texte ne parle pas seulement de chômage. Il suggère que la suppression des postes de recherche pourrait interrompre la transmission des compétences nécessaires aux découvertes futures.

Cette idée révèle un paradoxe.

Le cercle vicieux redouté

Automatisation des tâches de recherche

Réduction des postes et des occasions d’apprentissage

Moins de chercheurs capables d’explorer les problèmes inconnus

Dépendance accrue envers les systèmes automatisés

Ce mécanisme est plausible, mais il ne faut pas le considérer comme inéluctable.

La recherche mathématique comporte de nombreuses activités : démonstration, exploration de conjectures, enseignement, interprétation de résultats, collaboration et élaboration de nouveaux concepts. Une automatisation partielle pourrait supprimer certains emplois, mais aussi libérer du temps pour d’autres activités de recherche.

Le résultat dépendra donc de choix institutionnels : les gains de productivité serviront-ils à réduire les effectifs, à accroître les exigences de rendement, à développer la recherche ou à former davantage de chercheurs ?

Le texte a raison d’attirer l’attention sur la formation. Un chercheur ne se forme pas uniquement en apprenant des résultats déjà établis. Il apprend à chercher, à se tromper, à reconnaître une piste féconde et à juger une démonstration. Si l’on automatise toutes les étapes considérées comme formatrices, on risque de supprimer l’apprentissage par lequel se construit l’expertise.

La difficulté est particulièrement aiguë lorsque les débutants se voient retirer les tâches qui leur permettaient d’acquérir de l’expérience, tandis que les chercheurs expérimentés conservent seuls la responsabilité des problèmes les plus complexes.

Mais le mot « stérilisation » gagnerait à désigner ici un risque institutionnel et intergénérationnel, plutôt qu’une conséquence technique certaine des progrès de l’IA.

7. Peut-on inventer un nouveau mode de pensée ?

C’est la question philosophique la plus profonde du texte, et elle mérite d’être reformulée avec précision.

Un mode de pensée ne se réduit pas à une liste de méthodes. Il détermine ce que l’on considère comme une réalité, les relations que l’on juge fondamentales, les causes que l’on recherche et les types d’explications que l’on accepte.

À cet égard, le texte distingue justement les méthodes locales — cybernétique, pensée systémique, modèles probabilistes — d’une transformation plus générale de la manière de concevoir le monde.

Cependant, il reste à préciser ce qui permettrait de reconnaître un nouveau mode de pensée.

Pourrait-il s’agir d’une nouvelle logique ? D’une nouvelle conception des relations entre les parties et le tout ? D’une nouvelle représentation du temps, de la causalité ou de l’action humaine ? Ou encore d’une nouvelle manière de relier des domaines jusque-là séparés ?

Ces questions sont décisives, car elles permettent de ne pas confondre la nouveauté d’une réponse avec celle d’un cadre intellectuel.

On peut envisager trois niveaux de transformation :

Niveau	Nature du changement	Difficulté pour l’IA
Méthodologique	Employer une nouvelle technique pour résoudre un problème connu	Relativement accessible
Conceptuel	Modifier les concepts avec lesquels on formule le problème	Plus difficile à évaluer
Paradigmatique	Transformer les présupposés qui déterminent les problèmes, les méthodes et les critères de validité	Très difficile à établir et à mesurer

Le troisième niveau est celui qui intéresse véritablement l’auteur.

Or, un changement de paradigme ne résulte pas nécessairement d’une invention entièrement détachée du passé. Les ruptures scientifiques réorganisent souvent des connaissances antérieures, changent leur signification et rendent visibles des problèmes qui ne l’étaient pas auparavant. C’est l’un des enseignements majeurs de Kuhn.

Il est donc possible qu’une IA contribue à une transformation conceptuelle sans que l’on puisse conclure qu’elle a inventé, à elle seule, un nouveau mode de pensée. Inversement, produire un système philosophique inédit en apparence ne suffit pas à démontrer qu’un véritable changement de paradigme a eu lieu.

Pour trancher, il faudrait examiner des cas concrets : le système a-t-il produit des concepts réellement nouveaux ? Ces concepts permettent-ils d’expliquer des phénomènes jusque-là incompris ? Ont-ils conduit à des prédictions ou à des découvertes vérifiables ? Ont-ils modifié les critères par lesquels on juge les explications ?

Le texte pose donc une question importante, mais sa réponse négative est prématurée. L’impossibilité d’une telle invention n’est pas démontrée.

8. Les principales faiblesses argumentatives du texte

1. Des affirmations absolues à la place d’hypothèses

Les expressions « n’en invente pas de nouveaux », « domaine que l’IA ne connaît pas » et « réponse en l’état négative » présentent comme établies des limites qui restent à définir et à tester. Il serait plus rigoureux de parler de capacités observées, de limites actuelles et de risques structurels.

2. Une confusion entre capacité et expérience

L’absence démontrée d’un plaisir conscient de découvrir ne prouve pas l’incapacité à produire une découverte. Le texte passe trop rapidement de la phénoménologie de la curiosité à la capacité cognitive.

3. Une confusion entre biais statistiques et impossibilité logique

Le fait qu’un modèle soit influencé par les productions existantes ne signifie pas qu’il ne puisse jamais proposer une idée qui s’en écarte. Le véritable enjeu est la probabilité de générer, de reconnaître et de faire accepter une innovation radicale.

4. Un usage insuffisamment défini de la dialectique

Le texte traite comme équivalents un style argumentatif, une logique de contradiction et un cadre philosophique général. Une définition précise serait indispensable pour soutenir l’affirmation selon laquelle l’IA serait prisonnière de la dialectique.

5. Une conclusion déterministe

Le texte présente la stérilisation intellectuelle comme inéluctable. Pourtant, elle dépend de décisions économiques, politiques, scientifiques et éducatives. Un danger sérieux n’est pas nécessairement une fatalité.

9. Comment renforcer la thèse sans en perdre la radicalité

Je conseillerais de déplacer le centre de gravité du texte.

Au lieu de soutenir que l’IA est incapable, par nature, d’inventer un nouveau mode de pensée, il serait plus convaincant d’affirmer que les conditions économiques et cognitives de son utilisation peuvent la rendre systématiquement défavorable aux ruptures intellectuelles.

Cette formulation présente plusieurs avantages :

• elle ne repose pas sur une affirmation invérifiable concernant l’essence de la machine ;

• elle permet d’examiner des mécanismes concrets de sélection et de normalisation des idées ;

• elle conserve l’alerte concernant la formation des chercheurs ;

• elle permet de défendre la valeur de la curiosité désintéressée sans supposer que toute découverte exige une expérience consciente ;

• elle ouvre sur des mesures concrètes : préserver les emplois de formation, financer la recherche fondamentale, protéger les approches minoritaires et évaluer les systèmes sur leur capacité à explorer des hypothèses atypiques.

Il faudrait également nuancer la critique de la dialectique. Plutôt que d’affirmer qu’elle est le mode de pensée dominant auquel l’IA est condamnée, le texte pourrait demander si les modèles actuels sont suffisamment capables de changer de cadre explicatif, de reconnaître les limites de leurs propres catégories et de faire coexister des représentations incompatibles sans les réduire artificiellement à une synthèse.

Cette question est plus précise et, à mon sens, plus féconde.

Conclusion : une intuition forte, une démonstration encore incomplète

Le texte « Humain, trop humain » est plus convaincant comme avertissement philosophique et politique que comme démonstration des limites intrinsèques de l’intelligence artificielle.

Sa contribution majeure est de rappeler que la production de connaissances ne se mesure pas uniquement à la vitesse de résolution des problèmes. Elle dépend aussi de la formation des chercheurs, de la diversité des hypothèses, de la liberté d’explorer sans finalité immédiate et de la possibilité de remettre en cause les catégories qui organisent la pensée.

Sa faiblesse principale consiste à attribuer à la nature de l’IA ce qui peut relever, au moins en partie, de son architecture actuelle, de ses objectifs d’entraînement, de ses usages institutionnels et des choix économiques qui accompagnent son déploiement.

Le danger le plus sérieux n’est peut-être pas que les machines soient incapables de produire des idées radicalement nouvelles. C’est que nous finissions par organiser la société de telle sorte que seules les idées que les machines savent reconnaître, formuler et évaluer deviennent économiquement viables et institutionnellement recevables.

Dans ce scénario, l’IA n’aurait pas besoin d’être intellectuellement stérile pour contribuer à la stérilisation de la recherche. Il suffirait que les humains cessent progressivement de financer, de transmettre et de pratiquer les activités par lesquelles les ruptures intellectuelles deviennent possibles.

C’est là que le titre prend toute sa portée. Être « trop humain », ce n’est pas seulement éprouver des émotions que la machine ne partage pas. C’est aussi pouvoir consacrer une vie à une question inutile en apparence, poursuivre une intuition incertaine, se tromper longtemps et découvrir, parfois, que le problème lui-même était mal posé.

La question décisive devient alors moins : l’IA peut-elle penser autrement que nous ? que : lui laisserons-nous la place de nous aider à penser autrement, et préserverons-nous les humains capables de le faire ?

Verdict critique : un texte stimulant, doté d’une intuition centrale solide, mais qui gagnerait en force en remplaçant plusieurs affirmations catégoriques par une analyse des mécanismes concrets de normalisation intellectuelle. Sa thèse la plus défendable n’est pas l’impossibilité pour l’IA d’innover ; c’est le risque que son efficacité, combinée à des incitations économiques mal conçues, finisse par réduire la diversité des conditions nécessaires à l’innovation radicale.