Délestage cognitif et dépendance à l’IA générative dans l’apprentissage

1. Vignette : une tâche réussie et un apprentissage qui n’est pas venu

La scène n’identifie aucun établissement, ne rapporte pas de notes et ne peut pas être lue comme un constat empirique. Elle condense le schéma que les dispositifs de retrait décrivent séparément : la remise s’améliore avec l’outil ouvert et s’appauvrit, ou cesse de ressembler à une maîtrise, lorsque l’étudiant se retrouve seul. La traiter comme une donnée inverserait l’ordre de l’article.

La question qui s’ouvre est une question de mesure, non de slogan. Si l’on note la pratique faite avec le chatbot, on enregistre une performance assistée. Si l’on note l’examen dans lequel l’outil n’est plus là, on enregistre une compétence retenue. Cette distinction — et non le volume d’usage — ordonne les données, la conception de l’aide et ce qu’une évaluation peut déclarer que quelqu’un a appris.

2. Problème : performance assistée et compétence retenue

Performance assistée et compétence retenue ne sont pas deux noms du même acquis. La première est ce que l’étudiant produit pendant que le système participe : la pratique avec le tuteur ouvert, l’essai écrit avec le modèle, le problème qui se ferme parce que l’indice est arrivé à temps. La seconde est ce qui demeure lorsque ce soutien est retiré : résoudre un problème apparenté, réviser son propre texte, justifier un pas que personne d’autre n’a rédigé, détecter une erreur sans que le système la signale. Les réunir sous « résultats d’apprentissage » rend invisible la question qui importe le plus pour évaluer.

La distinction importe parce que la note est un proxy. Si la tâche et parfois l’examen se font avec l’outil, la note enregistre l’ensemble étudiant-plus-système et surestime ce que la personne fera à livre fermé ou lorsque le système faillira. À titre d’inférence de conception, il ne s’ensuit pas de l’interdire. Il s’ensuit de ne pas traiter la performance assistée comme si elle était une compétence retenue.

Le contraste avec la synthèse quantitative est délibéré. À titre de constat empirique, Mo et al. (2026) estiment un effet positif important de ChatGPT sur les résultats universitaires (Hedges’ g = 1.14, SE = 0.185) : sur 5555 enregistrements, entre le 1er janvier 2023 et le 31 mai 2025 et dans neuf bases, ils ont inclus 66 études et 129 tailles d’effet. La question critique, qui n’est pas un résultat de Mo et al., est de savoir quelle part de ces résultats a été mesurée avec l’outil présent. L’effet agrégé peut être réel et, malgré cela, se taire sur ce qui reste lorsqu’on l’éteint.

La question de la revue fixe la population, le concept et le contexte : étudiants du secondaire et de l’université ; le délestage de processus cognitifs vers l’intelligence artificielle générative et son rapport avec la compétence sans cette aide ; tâches d’apprentissage et d’évaluation. La thèse anticipée est celle du résumé. L’accès sans restriction peut élever la tâche assistée et nuire à la compétence retenue ; la conception qui conserve l’effort atténue ce coût ; ce qui décide est le mode de délégation, non la fréquence ; mesurer seulement le produit assisté regarde la mauvaise colonne. Les données restent courtes et très appuyées sur l’autodéclaration.

3. Cadre conceptuel : délestage cognitif, effort productif et agentivité

Cette section fixe des termes ; ce n’est pas une liste d’effets. Le délestage cognitif est l’usage d’une ressource externe pour réduire la demande qui retomberait sur la mémoire, le raisonnement ou l’évaluation de la personne elle-même. Gerlich (2025) le traite comme médiateur entre l’usage fréquent d’outils d’intelligence artificielle et la pensée critique, en population générale et avec un dispositif corrélationnel. Ce qui change avec les modèles génératifs n’est pas l’idée de délester, mais l’opération externalisée : le système ne conserve plus une note rédigée par l’étudiant : il produit du raisonnement, de la synthèse et, parfois, le jugement.

Jose et al. (2025) n’entrent qu’au titre de cadre conceptuel. Le texte récupéré n’est pas leur résumé : aucun résultat ne leur est attribué, et les études qu’ils citent ne sont pas importées. Lus ainsi, ils formulent un paradoxe d’augmentation et d’érosion. Du côté de la charge cognitive, un système peut réduire la charge extrinsèque et, en même temps, amincir la charge germane dont l’apprentissage profond a besoin. Du côté de Bloom, automatiser le rappel et la synthèse peut coexister avec un risque pour le jugement si la réponse arrive déjà close. Du côté de l’autodétermination, un soutien qui maintient l’agentivité n’est pas la même chose qu’un soutien qui la remplace.

La dépendance est employée comme la fixent Zhai et al. (2024) dans une revue systématique de 14 articles : accepter les recommandations d’un système de dialogue sans les questionner, lorsqu’il coûte de juger la fiabilité ou la confiance à accorder. Le résultat de cette revue, pris comme définition et non comme expérience de retrait, est la préférence pour la solution rapide et le raccourci heuristique. La dépendance n’est pas d’avoir ouvert le chatbot de nombreuses fois. C’est d’avoir accepté son produit sans une vérification que l’étudiant aurait pu soutenir seul.

Wang et Shan (2026) est un article conceptuel, non une étude avec des participants. Ils nomment écart de sécurité la divergence entre performance assistée et capacité de vérifier le résultat, surtout lorsque le système échoue ou n’est plus là. Les modèles oracles, argumentent-ils, éliminent l’effort productif dont dépendent les schémas, en particulier chez le novice. Ils proposent des architectures socratiques et adversariales qui ne livrent pas la solution : c’est une inférence de conception, non un effet. Cela nomme le vide de la vignette.

L’agentivité relie le cadre à l’épreuve du retrait. Darvishi et al. (2024) demandent si l’étudiant apprend de l’assistance, de sorte que la conduite se poursuit lorsque l’invite disparaît, ou s’il s’appuie sur elle sans apprendre. Le détail va dans la section 5. Ici le critère suffit : l’agentivité n’est pas une attitude déclarée, mais justifier, réviser ou résoudre sans l’étayage. Quatre distinctions ne se mêlent plus : le délestage comme moindre demande interne ; la dépendance comme acceptation non critique ; l’écart de sécurité comme distance entre l’assisté et le vérifiable ; l’agentivité comme ce qu’une épreuve sans l’outil observe.

4. Méthode : revue narrative avec critère d’épreuve sans IA

Le corpus a été constitué le 12 octobre 2026 dans l’API REST de Crossref : 16 requêtes, 60 lignes, filtres d’article de revue et de publication depuis 2021. 960 enregistrements sont entrés et 882 sont restés après déduplication. L’exclusion automatique a retiré 39 sans auteurs, 272 sans terme d’intelligence artificielle générative dans le titre, 118 sans terme cognitif ou d’apprentissage et 13 techniques hors sujet. La vérification a laissé 440 éligibles. L’amorçage avait enregistré 441 ; la différence d’un enregistrement est une variation de l’index entre exécutions, non un rejet manuel. Le filtre de titre exigeait un terme d’IA générative et un autre de cognition ou d’apprentissage.

Le tri manuel a priorisé les expériences, les épreuves après retrait du soutien, les méta-analyses, les revues et les échelles avec évaluation par les pairs. En sont restées dehors les corrections, les enquêtes d’adoption sans mesure d’apprentissage ou de délestage, et les propositions sans évaluation. De l’amorçage sont sortis 20 travaux. Une recherche ciblée, vérifiée dans Crossref, a ajouté Stadler et al. (2024), Darvishi et al. (2024), Jose et al. (2025) et Wang et Fan (2026). Le corpus en compte 24 : 21 avec résumé et 3 avec le titre seul — Hou et al. (2025), Liu et al. (2026) et Yan et al. (2026) —, sans résultats attribuables. Le Tableau 1 enregistre le flux.

Pour chaque étude, on a enregistré si elle mesure (a) la performance avec l’intelligence artificielle présente, (b) la performance après l’avoir retirée ou un transfert indépendant, (c) une autodéclaration de dépendance ou de pensée critique, ou (d) si elle est conceptuelle ou de revue. Un article peut occuper plus d’une case. Le récit privilégie (b), la seule qui sépare la tâche résolue de l’apprentissage qui demeure, et lit (a) comme performance assistée. La case (c) informe le mode de délégation avec la réserve de l’autodéclaration. La (d) prête des noms — paradoxe, écart de sécurité, littératie de l’interaction — et non des effets.

Ce n’est ni une revue systématique ni une méta-analyse : il n’y a pas d’effet commun. Il n’y a pas eu de double tri indépendant ni d’outil formel de risque de biais. Le corpus est seulement celui de Crossref. Wang et Fan (2026) ont été inclus à dessein, non comme résultat d’apprentissage, mais comme échantillon de la fragilité de la synthèse quantitative précoce. Ce qui suit argumente sur ces résumés ; il ne prétend pas à une carte exhaustive du sujet.

5. L’épreuve du retrait : ce qui se passe quand l’outil s’éteint

L’épreuve décisive n’est pas de combien la note monte avec le système allumé, mais de ce qui reste lorsqu’on l’éteint. Le Tableau 2 rassemble les contrastes disponibles. Ils ne sont pas comparables entre eux : un terrain de mathématiques au lycée, une quasi-expérience d’écriture, une enquête d’une séance, une prise de notes avec trente personnes et une assistance à la rétroaction entre pairs qui n’est pas un chatbot ouvert.

Bastani et al. (2025) séparent les deux colonnes en mathématiques au lycée. Avec le tuteur ouvert, la pratique a augmenté de 48 % avec GPT Base et de 127 % avec GPT Tutor. L’accès retiré, GPT Base est resté 17 % en dessous de ceux qui ne l’avaient jamais eu ; les garde-fous ont atténué dans une large mesure ce dommage. Sans eux, le modèle a été utilisé comme béquille. Le même accès peut améliorer la pratique et dégrader ce qui vient ensuite, si pendant la pratique l’outil a fait le travail cognitif.

Chen (2026) mesure la même dissociation en écriture, avec 180 étudiants universitaires et 168 qui ont achevé huit semaines dans six classes. La moyenne assistée la plus haute a été la collaboration ouverte (M = 4.02) ; le contraste avec le soutien contraint a été imprécis (différence = 0.21, intervalle de confiance à 95 % [0.06, 0.36], p = 0.064). À la semaine 8, sans IA, la condition contrainte — limite à la délégation plus réflexion obligatoire — a dépassé l’ouverte en qualité (0.27), pensée d’ordre supérieur (0.35), profondeur (0.42) et révision (0.39), avec p de 0.050 à 0.063. Parmi 112 étudiants exposés, la voie indirecte du délestage a été estimée à −0.34 (intervalle de confiance à 95 % [−0.48, −0.21]). L’écriture autorégulée a atténué le lien sans l’effacer. Ce sont des associations de classe, non des effets causaux définitifs.

Le reste n’est pas un seul effet. Darvishi et al. (2024), avec 1625 étudiants de dix cours, ont vu un appui sur les invites de rétroaction plutôt qu’un apprentissage ; l’autorégulation a comblé une partie du vide et l’hybride n’a pas dépassé l’IA seule. Chez Fan et al. (2025), ChatGPT a amélioré la note de l’essai sans avantage en connaissances ni en transfert. Stadler et al. (2024) ne retirent pas le système : moins de charge et moins de profondeur dans la même séance. Jiang et al. (2026) améliorent le résultat en différant le soutien, sans examen à chatbot fermé. Yan et al. (2026) annoncent la comparaison et n’apportent pas d’effet.

La lecture conjointe est une interprétation, non un estimateur commun. Là où il y a retrait, l’accès sans restriction s’associe à un meilleur produit assisté et à une compétence ultérieure pire ou non améliorée, et limiter la délégation atténue ce coût. Là où il n’y en a pas, apparaît une moindre profondeur avec une moindre charge, ou une meilleure note sans meilleur transfert. Le schéma dépend de la conception et n’est pas une cause unique.

6. Facilité perçue et paresse métacognitive

L’élève de la vignette n’a pas dit qu’elle ignorait le sujet. Elle a dit qu’elle comprenait en lisant et qu’elle ne pouvait pas produire. La facilité est ressentie comme un apprentissage. Abaisser la charge aide lorsque ce que l’on retire est du bruit ; cela gêne lorsque ce que l’on retire était le schéma, et lorsque la fluidité clôt la révision avant l’heure.

Stadler et al. (2024) abaissent la charge avec un modèle de langage et, en même temps, la qualité argumentative face à un moteur de recherche, sans homogénéiser les réponses : le coût est une moindre profondeur, non une pensée unique. Fan et al. (2025) nomment la paresse métacognitive. Sans différences de motivation intrinsèque, ChatGPT a amélioré la note de l’essai et non les connaissances ni le transfert, avec des séquences distinctes d’autorégulation. L’étiquette est la leur ; le résumé, lui, ne montre que cette dissociation.

La préférence élargit le biais. Chez Chen et al. (2025), le pire post-test a été le préféré, parce qu’il était facile. Zhu et al. (2026) ont vu des bénéfices immédiats semblables dans les deux modes : l’usage désadaptatif ne se remarque pas sur le moment. Brunnström et Palmqvist (2026) ne font pas d’expérience. Dans leur essai, la sortie par défaut face à « les machines pensent-elles ? » est restée dans la phase multistructurelle de SOLO, et la phase qualitative a exigé des interventions métacognitives de l’étudiant lui-même. Ils nomment cela littératie de l’interaction avec l’IA, et avertissent, à titre de réflexion, que l’usage non guidé pourrait favoriser celui qui arrive déjà avec un avantage. La fluidité est vécue comme de la compréhension. Elle ne l’est pas.

7. Délestage dépendant et délestage autonome

Vérifier un pas déjà tenté et le remettre pour ne pas le tenter additionnent de l’usage et non le même apprentissage. Zhu et al. (2026) séparent le délestage dépendant — déléguer le fait de penser — et le délestage autonome — un étayage sans lâcher l’agentivité. Les issues sont perçues. En trois vagues, N = 589 parmi des étudiants universitaires et des travailleurs du savoir novices, le délestage dépendant s’est associé au transfert d’agentivité et à une motivation intrinsèque plus faible, et ces voies à de moins bons résultats perçus de capacité, de créativité, de traitement et de jugement. Le délestage autonome, à une motivation et à des résultats perçus meilleurs. Le monitorage métacognitif a atténué le lien avec le transfert d’agentivité et non le coût motivationnel. Les deux modes donnaient des bénéfices immédiats semblables. La question cesse d’être de savoir si l’on « utilise l’IA ».

Jiang et Chen (2026) distinguent l’ordre de ce qui est externalisé. Chez 667 étudiants universitaires de Chine continentale, la valeur perçue de l’IA s’est associée au délestage d’ordre inférieur et à celui d’ordre supérieur par l’intermédiaire de la capacité d’utilisation. Avec une capacité élevée à évaluer l’IA, cette voie a cessé d’être significative pour l’ordre inférieur et s’est maintenue pour l’ordre supérieur : juger la sortie peut freiner l’ordre inférieur et non le jugement. Hou et al. (2025) annoncent seulement, dans le titre, une échelle de dépendance pendant la résolution de problèmes. Sans résumé, il n’y a pas de scores.

Il n’existe pas d’utilisateur moyen. Stojanov et al. (2024) ont obtenu cinq profils chez 490 étudiants universitaires et treize tâches : faibles utilisateurs polyvalents, 38,2 % ; tout-terrain, 10,4 % ; chercheurs de connaissances, 16,5 %, élevés en contenu, récupération et résumé ; apprenants proactifs, 11,8 %, élevés en rétroaction, planification et autoévaluation ; délégateurs de tâches, 23,1 %, appuyés sur le système pour rédiger la remise. C’est une conduite déclarée, non un apprentissage. Cela suffit pour ne pas mêler, dans un seul chiffre d’usage, celui qui se met à l’épreuve et celui qui commande le produit que l’évaluation note.

Gerlich (2025) observe à une maille plus large, et non dans une classe : 666 participants, corrélation négative entre usage fréquent et pensée critique, médiée par le délestage. Les plus jeunes dépendaient davantage et obtenaient des scores plus bas ; un niveau d’études plus élevé s’est associé à une meilleure pensée critique indépendamment de l’usage. C’est corrélationnel. La fréquence n’est pas indifférente, et elle n’est pas non plus le construit : elle additionne des délégations distinctes. Zhai et al. (2024) décrivent l’extrême comme une préférence pour le raccourci. La variable qui ordonne le risque est le segment de pensée que l’on remet et si celui qui le remet peut encore l’évaluer.

8. Une conception qui préserve l’effort : garde-fous, délai et étayage

Quatre conceptions se rapprochent d’une épreuve sans l’outil, et elles ne sont pas interchangeables. Les garde-fous de Bastani et al. (2025) ont atténué dans une large mesure le dommage au retrait de l’accès. Le délai de Jiang et al. (2026) a amélioré le résultat pendant l’usage, sans examen à chatbot fermé. La limite avec réflexion de Chen (2026) a mieux soutenu la semaine 8, avec des réserves de classe. L’assistance intermédiaire de Chen et al. (2025) a dépassé au post-test l’aide maximale. L’inférence de conception est bornée : conserver une production propre s’associe à une meilleure compétence qu’ouvrir les vannes.

L’enveloppe aimable ne suffit pas. Melanou et Beege (2026), avec 175 étudiants et quatre heures, ont comparé un étayage complet avec gabarit GCC (objectif, contexte et contraintes), un étayage léger et un contrôle. Il y a eu des gains de connaissances, de pensée critique et d’usage réflexif dans toutes les conditions, sans différences entre étayages ; seulement une tendance descriptive dans les connaissances d’ordre supérieur. Joo et al. (2026), avec 40 étudiants universitaires sud-coréens en Python, ont trouvé des différences de processus en faveur des invites métacognitives, et une tendance à une moindre charge, une auto-efficacité plus élevée et une meilleure performance. Ils mentionnent une épreuve de rétention et n’en isolent pas un contraste significatif. La tendance n’est pas une compétence retenue.

Au secondaire, les données contraires pèsent davantage. Fütterer et al. (2026) ont assigné au hasard 371 élèves de la 7e à la 9e année, en six séances de 45 minutes de physique ou d’anglais, à la valeur d’utilité, aux stratégies cognitives ou à ChatGPT standard. La valeur perçue a mieux évolué dans sa condition que dans celle de stratégie. Aucune n’a dépassé le contrôle en effort, en connaissances ou en élaboration. Une analyse exploratoire a lié un usage plus substantiel à un intérêt plus soutenu ; il n’y a pas eu de différence selon la matière. Un soutien pensé pour l’autorégulation n’a pas vaincu le chatbot ordinaire. Ce qui, dans d’autres études, accompagne une meilleure compétence est précis : ne pas livrer la réponse, différer, obliger à réfléchir. Pas n’importe quel script.

Aux âges précoces, le retrait n’est pas tranché. Liu et al. (2025) ont mesuré l’utilisabilité de ChatGPT-MWPS chez 52 élèves de cinquième année du primaire et sur treize dimensions, favorable en fiabilité, qualité de l’information et engagement cognitif : l’utilisabilité n’est pas l’apprentissage. Liu et al. (2026) et Yan et al. (2026) n’entrent que par le titre et n’apportent pas d’effets. À titre d’inférence de conception, et non de constat, dans l’éducation de base, primaire compris, substituer l’effort pourrait être plus risqué, parce que la vérification est moins constituée. C’est la logique du novice de Wang et Shan (2026) transposée à l’âge, et le corpus n’a presque pas cette donnée. La précaution est de ne pas tenir pour appris ce qui n’a été fait qu’avec de l’aide.

9. Ce que les données ne soutiennent pas encore

Il n’y a pas de synthèse quantitative tranquille. Mo et al. (2026) estiment un effet positif important. Wang et Fan (2026) rétractent une méta-analyse antérieure sur ChatGPT, la performance, la perception de l’apprentissage et la pensée d’ordre supérieur, publiée en ligne le 6 mai 2025. On n’invente pas le motif : le texte est la note de rétractation, non un jugement. La leçon est la prudence avec les synthèses précoces. Un g de 1.14 oblige à prendre au sérieux l’amélioration assistée ; une rétractation oblige à ne prendre aucune méta-analyse de cette génération comme le dernier mot sur la compétence. Aucune des deux ne répond au retrait.

L’autodéclaration n’équivaut pas non plus à un retrait. Gerlich (2025), Zhu et al. (2026), Stojanov et al. (2024) et Jiang et Chen (2026) séparent fréquence, mode, profil et ordre avec ce que les personnes déclarent. Que l’expérience immédiate ne trahisse pas l’usage désadaptatif ne convertit pas ces enquêtes en Bastani et al. (2025) ni en la semaine 8 de Chen (2026). La corrélation n’est pas la causalité. Chez Gerlich (2025), en outre, le niveau d’études s’associe à une meilleure pensée critique indépendamment de l’usage. Les durées sont courtes — quatre heures chez Melanou et Beege (2026), huit semaines chez Chen (2026) et six séances chez Fütterer et al. (2026) — et plusieurs dispositifs tiennent dans un pays ou quelques classes ; Chen (2026) parle d’associations de classe.

« L’IA nous rend bêtes » ne sort pas de ce corpus. Il y a un dommage ultérieur sous une conception sans garde-fous, une dissociation avec des valeurs de p à la limite, moins de profondeur avec moins de charge, et aussi des effets assistés importants, un secondaire où l’étayage ne vainc pas le chatbot ordinaire, des intensités d’aide qui ne se séparent pas, et une méta-analyse rétractée à côté d’une autre qui tient encore. Une affirmation conditionnelle a sa place : l’accès sans restriction peut améliorer ce qui est fait avec l’outil et dégrader ce qui est fait sans lui, et la conception déplace l’équilibre. Un diagnostic d’époque n’a pas sa place.

10. Discussion : évaluer ce qui reste sans l’outil

La performance avec l’outil n’est une mauvaise nouvelle que si on la prend pour de la compétence. Elle peut être élevée en déléguant la procédure ou en s’en servant comme raccourci sans lâcher le jugement. Ce qui sépare les lignes est la cellule sans outil. L’attente est théorique : on l’infère de Bastani et al. (2025), de Chen (2026), de l’écart de sécurité de Wang et Shan (2026) et des modes perçus de Zhu et al. (2026), qui ne remplissent pas la cellule avec une note. La Figure 1 est une matrice de travail, non une donnée.

Quatre principes sont une inférence de conception, non un protocole essayé. Inclure des moments sans outil. Évaluer le processus et la vérification, non seulement le produit : Wang et Shan (2026) le demandent et Chen (2026) le sépare ; Brunnström et Palmqvist (2026) demandent, à titre de réflexion, la phase qualitative de SOLO. Enseigner à diriger et à évaluer l’interaction, non seulement à formuler des commandes. Préférer des outils qui diffèrent ou ne livrent pas la solution, sans promettre que n’importe quel gabarit vainc le chatbot ordinaire : Melanou et Beege (2026) et Fütterer et al. (2026) l’interdisent. Ni une liste, ni le monitorage, ni savoir évaluer la sortie ne restaurent seuls l’agentivité, comme le montrent Darvishi et al. (2024), Zhu et al. (2026) et Jiang et Chen (2026). La cellule de droite s’observe avec une tâche faite sans le système.

Une autre inférence de conception, non un constat, concerne le Mexique et l’Amérique latine. Ce corpus n’apporte ni données ni norme de ces systèmes. Le contexte que l’on suppose, sans le mesurer, est celui de classes nombreuses, d’un accès inégal et d’outils calibrés surtout sur l’anglais. L’usage non guidé peut élargir les écarts : Brunnström et Palmqvist (2026) suggèrent, à titre de réflexion, que celui qui est déjà en avantage tire davantage d’un chatbot superficiel. Si la note ne regarde que le produit assisté, celui qui a le système et sait le diriger capte la note. Il ne s’ensuit ni un programme ni une interdiction, mais de ne pas livrer la colonne assistée comme si elle était une compétence propre.

11. Limites

Le corpus est seulement celui de Crossref : sans Scopus, Web of Science, ERIC ni PsycInfo, l’absence ici n’est pas l’absence dans le champ. Les échantillons universitaires prédominent et, pour autant que le résumé permette d’en juger, la Chine, les États-Unis et l’Europe. Trois sources ne vont qu’avec le titre — Hou et al. (2025), Liu et al. (2026), Yan et al. (2026) — et Jose et al. (2025) seulement comme cadre conceptuel, parce que ce qui a été récupéré n’est pas leur résumé. Entrent une étude de population générale (Gerlich, 2025) et une d’interaction personne-ordinateur avec 30 participants (Chen et al., 2025). Il n’y a pas eu de double tri ni d’évaluation formelle du risque de biais. L’outil change plus vite que la publication.

Il n’y a presque pas de données sur l’éducation de base ni en espagnol. La vignette est composite et n’ajoute pas un cas au corpus. La compétence retenue, en outre, n’est pas la même échelle dans les vingt-quatre travaux : une note sans accès, une rubrique, un post-test, un transfert qui ne diffère pas, ou une cellule vide. La Figure 1 les aligne dans une attente. Elle ne prouve pas qu’il s’agisse d’une seule variable, et c’est pourquoi l’on n’a pas estimé d’effet commun. La rétractation recueillie dans Wang et Fan (2026) fait partie de cette prudence.

12. Conclusions

Une tâche peut aboutir et un apprentissage ne pas venir. Au lycée, l’accès sans garde-fous a amélioré la pratique et dégradé la performance lorsqu’on l’a retiré ; un tuteur qui ne servait pas de béquille a atténué dans une large mesure le dommage. En écriture, la collaboration ouverte a fait meilleure figure avec l’aide en place et la condition qui limitait la délégation s’est mieux tenue sans elle, comme association de classe. Dans d’autres conceptions, il y a moins de profondeur avec moins de charge, une meilleure note sans meilleur transfert, ou un meilleur post-test avec une aide intermédiaire qu’avec l’aide maximale. C’est une dissociation réitérée et sensible à la conception, non un effet unique.

La fréquence est un signal grossier, non l’explication. Déléguer le jugement et s’appuyer pour continuer à juger se ressemblent dans le soulagement immédiat et se séparent ensuite. Des profils, des échelles et une corrélation médiée par le délestage le suggèrent depuis des autodéclarations qui ne ferment pas la causalité. La question pratique est de savoir quel segment de la pensée a été remis et s’il réapparaît lorsque l’on ferme le système. Préserver l’effort, en outre, n’est pas envelopper un oracle d’un script : garde-fous, délai, réflexion et assistance incomplète ont quelque épreuve derrière eux ; l’intensité générique de l’étayage et l’utilisabilité au primaire, non. Pour l’éducation de base, l’inférence est de précaution.

L’évaluation est l’endroit où la distinction change une note. Le produit assisté est la colonne dans laquelle presque n’importe quel mode peut avoir l’air bon ; ce qui reste sans l’outil, et la manière dont on le vérifie, est celle que le mode, lui, sépare. C’est une inférence de conception, non une politique du Mexique ou de l’Amérique latine. Une méta-analyse de résultats assistés lue comme apprentissage, ou un titre de détérioration universelle, fait l’impasse sur le retrait. Il faut davantage d’épreuves avec l’outil éteint. Cette performance n’atteste pas la compétence qui demeure lorsqu’on l’éteint.

Laboratoire éditorial de NEXTECH.IA / Ingeniero Mitre

Références

1. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122
2. Brunnström, L., & Palmqvist, L. (2026). AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education. Assessment & Evaluation in Higher Education. https://doi.org/10.1080/02602938.2026.2731261
3. Chen, X. (2026). Layer-sensitive cognitive offloading in generative AI-assisted writing: supported performance and independent no-AI outcomes. Frontiers in Psychology, 17, Article 1906199. https://doi.org/10.3389/fpsyg.2026.1906199
4. Chen, X., Ruan, K., Ju, K. P., Yap, N., & Wang, X. (2025). More AI Assistance Reduces Cognitive Engagement: Examining the AI Assistance Dilemma in AI-Supported Note-Taking. Proceedings of the ACM on Human-Computer Interaction, 9(7), 1–29. https://doi.org/10.1145/3757632
5. Darvishi, A., Khosravi, H., Sadiq, S., Gašević, D., & Siemens, G. (2024). Impact of AI assistance on student agency. Computers & Education, 210, 104967. https://doi.org/10.1016/j.compedu.2023.104967
6. Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
7. Fütterer, T., Bardach, L., Kuhn, J., Keller, S. D., & Gerjets, P. (2026). Enhancing School Students’ Self-Regulated Learning through Generative AI Support: A Randomized Controlled Trial. Educational Psychology Review, 38(1), Article 42. https://doi.org/10.1007/s10648-026-10133-8
8. Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
9. Hou, C., Zhu, G., Sudarshan, V., Lim, F. S., & Ong, Y. S. (2025). Measuring undergraduate students' reliance on Generative AI during problem-solving: Scale development and validation. Computers & Education, 234, 105329. https://doi.org/10.1016/j.compedu.2025.105329
10. Jiang, Y., & Chen, H. (2026). AI-based cognitive offloading by students in higher education in China. Computers in Human Behavior: Artificial Humans, 8, 100327. https://doi.org/10.1016/j.chbah.2026.100327
11. Jiang, Y., Feng, X.-M., Liu, Y., Liu, B., & Bao, L. (2026). How does generative AI affect self-regulated learning in learners with varying knowledge levels? The role of chatbot design and support timing. Interactive Learning Environments. https://doi.org/10.1080/10494820.2026.2691907
12. Joo, S., Han, I., & Park, I. (2026). The effect of metacognitive prompts using generative AI on cognitive load, task performance, and self-efficacy in online self-regulated learning. Educational Psychology. https://doi.org/10.1080/01443410.2026.2618717
13. Jose, B., Cherian, J., Verghis, A. M., Varghise, S. M., S, M., & Joseph, S. (2025). The cognitive paradox of AI in education: between enhancement and erosion. Frontiers in Psychology, 16, Article 1550621. https://doi.org/10.3389/fpsyg.2025.1550621
14. Liu, J., Keane, T., Sun, D., Yang, Y., & Yang, Y. (2025). Design and evaluation of ChatGPT-MWPS: an AI-enhanced learning system for improving primary students’ mathematical word problem solving. Smart Learning Environments, 12(1), Article 68. https://doi.org/10.1186/s40561-025-00419-9
15. Liu, J., Zhang, Y., Li, W., Wang, Q., Niu, P., & Zhang, X. (2026). Adaptive vs. planned metacognitive scaffolding for computational thinking: Evidence from generative AI-supported programming in elementary education. Computers & Education, 241, 105473. https://doi.org/10.1016/j.compedu.2025.105473
16. Melanou, C., & Beege, M. (2026). Scaffolding Generative AI as a Tutor: A Quasi-Experimental Study of Learning Outcomes and Motivational, Cognitive and Metacognitive Processes. Education Sciences, 16(4), 651. https://doi.org/10.3390/educsci16040651
17. Mo, F., Huang, J., Yang, Y., Özen, Z., Maeda, Y., & Olenchak, F. R. (2026). Undergraduate students’ learning outcomes with ChatGPT: A meta-analytic study. Computers and Education: Artificial Intelligence, 10, 100536. https://doi.org/10.1016/j.caeai.2025.100536
18. Stadler, M., Bannert, M., & Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. Computers in Human Behavior, 160, 108386. https://doi.org/10.1016/j.chb.2024.108386
19. Stojanov, A., Liu, Q., & Koh, J. H. L. (2024). University students’ self-reported reliance on ChatGPT for learning: A latent profile analysis. Computers and Education: Artificial Intelligence, 6, 100243. https://doi.org/10.1016/j.caeai.2024.100243
20. Wang, H., & Shan, W. (2026). The safety gap: restoring productive struggle through pedagogically aligned generative AI. Frontiers in Education, 11, Article 1757622. https://doi.org/10.3389/feduc.2026.1757622
21. Wang, J., & Fan, W. (2026). Retraction Note: The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: insights from a meta-analysis. Humanities and Social Sciences Communications, 13(1), Article 528. https://doi.org/10.1057/s41599-026-07310-z
22. Yan, S., Yan, Y., Wang, S., Chen, S., Li, Y., & Ai, Z. (2026). Learning with AI, Not from AI: A quasi-experimental comparison of AI-assisted learning with versus without an interactive AI-generated error-correction phase on knowledge application and metacognition. International Journal of Educational Research, 139, 103047. https://doi.org/10.1016/j.ijer.2026.103047
23. Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students' cognitive abilities: a systematic review. Smart Learning Environments, 11(1), Article 28. https://doi.org/10.1186/s40561-024-00316-7
24. Zhu, Q., Li, X., Dong, Y., Chang, P., & Fan, M. (2026). Not all cognitive offloading is equal: distinguishing dependent and autonomous offloading to generative AI. Frontiers in Psychology, 17, Article 1878629. https://doi.org/10.3389/fpsyg.2026.1878629