---
title: "L’abondance de l’intelligence : ce qui change quand tout le monde peut l’acheter"
description: La pensée experte était rare, vendue à l’heure et rationnée par le prix. Aujourd’hui, tout le monde peut l’acheter pour quelques dollars par mois, et son prix baisse d’environ dix fois par an. Ce que la recherche dit de ses effets sur le travail, l’école et notre propre réflexion, et ce qui reste rare.
date: 2026-11-06
tags: IA, société, avenir du travail, éducation, coûts de l’IA
---

Pendant presque toute l’histoire, la pensée experte a été rare. Vous attendiez des semaines pour voir un spécialiste, vous payiez un avocat à l’heure et un consultant à la journée. Aujourd’hui, n’importe qui avec un téléphone peut interroger un modèle qui répond bien à beaucoup de questions d’expert, à toute heure, gratuitement ou pour environ 20 $ par mois. Quand une chose rare devient bon marché, la valeur passe à ce qui reste rare : l’attention, la confiance, le jugement et les gens.

Le changement touche tous ceux qui vendent ce qu’ils savent : avocats, médecins, enseignants, développeurs. Qui y gagne, qui y perd, et que devient notre propre réflexion ? Je voulais savoir ce que les chercheurs ont vraiment mesuré, pas ce que les gens prédisent.

Cette note rassemble ce que j’ai trouvé. Les chiffres viennent d’Epoch AI, de Stanford, du MIT, de la Banque mondiale, de Microsoft et d’Anthropic, et les liens sont à la fin. Quand une étude est petite ou n’a pas été relue par des pairs, je le dis.

## L’expertise se prenait sur rendez-vous

Un expert n’a qu’un nombre limité d’heures, et on ne peut pas les copier. Alors on rationnait l’expertise par le prix et par la liste d’attente.

L’école montre ce que cela coûte. En 1984, le chercheur en éducation Benjamin Bloom a mesuré ce qu’apporte un professeur particulier. L’élève moyen suivi en tête-à-tête faisait mieux que 98 % des élèves d’une classe normale. Il a appelé cela le « problème des 2 sigma » : le résultat était net, mais aucune école ne pouvait payer un professeur particulier pour chaque enfant.

Un modèle change le calcul. Une fois entraîné, il peut tourner sur autant de puces que vous en avez, en même temps, jour et nuit. En juin 2025, Sam Altman, qui dirige OpenAI, a écrit que « le coût de l’intelligence devrait finir par se rapprocher du coût de l’électricité ».

L’histoire invite à la prudence avec ce genre de promesse. En 1954, Lewis Strauss présidait la Commission américaine de l’énergie atomique. Il annonçait une électricité nucléaire « too cheap to meter », trop bon marché pour mériter un compteur. Cela n’est jamais arrivé : nous payons toujours chaque kilowattheure. Pour l’IA, en revanche, pas besoin de croire qui que ce soit sur parole : la baisse des prix est mesurée depuis 2023.

<figure class="fd-fig kf" aria-labelledby="ab1-cap" data-desc="La pensée experte, avant et maintenant, en deux colonnes. Sur rendez-vous : un expert, quelques heures par jour ; payé à l’heure ou à la journée ; un professeur particulier pour les familles qui peuvent payer. À la demande : un modèle, sur autant de puces que vous en avez ; gratuit, ou environ 20 dollars par mois ; un tuteur dans chaque téléphone, à toute heure.">
<p class="kf-kick">Avant et maintenant</p>
<p class="kf-title">La pensée experte passe du rendez-vous <em>à la demande</em></p>
<div class="kf-swap kf-seq">
<p class="kf-swap-h"><span>Sur rendez-vous</span><span>À la demande</span></p>
<p><span>Un expert, quelques heures par jour</span><em>Un modèle, sur autant de puces que vous en avez</em></p>
<p><span>Payé à l’heure ou à la journée</span><em>Gratuit, ou environ 20 $ par mois</em></p>
<p><span>Un professeur particulier pour les familles qui peuvent payer</span><em>Un tuteur dans chaque téléphone, à toute heure</em></p>
</div>
<figcaption id="ab1-cap">Les 20 $ sont le prix d’un abonnement de chat payant, comme ChatGPT Plus.</figcaption>
</figure>

## Dix fois moins cher chaque année

Le prix d’un niveau donné d’IA baisse vite. En février 2025, Altman l’estimait à environ dix fois tous les douze mois. Son exemple : le prix par token a baissé d’environ 150 fois entre GPT-4, début 2023, et GPT-4o, mi-2024. Un token est l’unité dans laquelle les modèles sont facturés, environ trois quarts d’un mot anglais.

Epoch AI, un groupe de recherche qui suit les progrès de l’IA, l’a mesuré plus précisément. Pour un niveau de performance fixe, les prix ont baissé de 9 à 900 fois par an, selon la tâche. Obtenir le score de GPT-4 sur des questions de sciences de niveau doctorat est devenu 40 fois moins cher chaque année. Epoch ajoute que les baisses les plus rapides sont récentes, et qu’elles ne dureront peut-être pas.

Dix fois par an, c’est difficile à se représenter, alors voici le calcul. Une tâche qui coûte 100 € aujourd’hui coûte 10 € l’an prochain et 1 € l’année suivante. Altman compare avec la loi de Moore, le doublement de la puissance des puces tous les 18 mois, qui a façonné l’informatique pendant cinquante ans. Cela fait environ 1,6 fois par an.

Moins cher par réponse ne veut pas dire une facture plus petite. Une équipe du MIT a trouvé que pour les meilleurs modèles, le prix d’un score donné baisse de 5 à 10 fois par an. Mais le prix d’utilisation des modèles les plus récents augmente de 3 à 18 fois par an. Ils sont plus gros et réfléchissent plus longtemps avant de répondre. Les gens passent au modèle le plus récent, donc leur facture peut grossir alors que chaque réponse coûte moins cher.

Ce phénomène a un nom. En 1865, l’économiste William Stanley Jevons l’a remarqué avec le charbon. Les machines à vapeur devenaient plus efficaces, et pourtant la Grande-Bretagne en brûlait davantage, parce que plus d’usages devenaient rentables. En janvier 2025, le laboratoire chinois DeepSeek a sorti un modèle bon marché. Satya Nadella, le PDG de Microsoft, a alors écrit : « Le paradoxe de Jevons frappe encore ! À mesure que l’IA devient plus efficace et accessible, son usage va exploser. »

<figure class="fd-fig kf" aria-labelledby="ab2-cap" data-step="700" data-desc="Le calcul de dix fois moins cher par an, en trois barres qui rétrécissent l’une après l’autre : une tâche qui coûte 100 euros aujourd’hui coûte 10 euros l’an prochain et 1 euro l’année suivante. Chaque barre plus courte est dans le contour en pointillé de l’année d’avant. Sous les barres : Epoch AI a mesuré des baisses de 9 à 900 fois par an, selon la tâche, contre environ 1,6 fois par an pour la loi de Moore.">
<p class="kf-kick">La règle empirique d’Altman</p>
<p class="kf-title">Dix fois moins cher par an : <em>100 €, puis 10 €, puis 1 €</em></p>
<div class="kf-bars kf-seq">
<p class="kf-bar"><span>Aujourd’hui</span><span class="kf-track"><i style="--v:100"></i></span><b data-count="100">100 €</b></p>
<p class="kf-bar"><span>L’an prochain</span><span class="kf-track"><i class="kf-ghost" style="--v:100"></i><i style="--v:10;--from:100"></i></span><b data-count="10" data-from="100">10 €</b></p>
<p class="kf-bar is-key"><span>L’année suivante</span><span class="kf-track"><i class="kf-ghost" style="--v:10"></i><i style="--v:1;--from:10"></i></span><b data-count="1" data-from="10">1 €</b></p>
</div>
<p class="kf-note">Mesuré par Epoch AI : 9 à 900 fois moins cher par an, selon la tâche. La loi de Moore pour les puces : environ 1,6 fois.</p>
<figcaption id="ab2-cap">La tâche à 100 € est un calcul, pas un prix mesuré. La fourchette d’Epoch AI vaut pour un niveau de performance fixe.</figcaption>
</figure>

## Les débutants y gagnent le plus

Quand l’expertise devient bon marché, ceux qui en ont le moins y gagnent le plus. C’est le résultat le plus encourageant de mes lectures.

Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié 5 179 agents de support client qui ont reçu un assistant d’IA au travail. En moyenne, ils ont résolu 14 % de demandes de plus par heure. Les agents nouveaux ou peu qualifiés en ont résolu 34 % de plus. Les plus expérimentés n’ont presque pas changé. Les auteurs pensent que l’assistant a transmis le savoir-faire des meilleurs agents aux nouveaux.

On voit la même chose à l’école. La Banque mondiale a mené un essai à Benin City, au Nigeria, avec Microsoft Copilot, un assistant construit sur GPT-4. Des élèves du secondaire l’ont utilisé pour l’anglais après les cours, avec leurs professeurs dans la salle, pendant six semaines. Leur progrès valait 1,5 à 2 ans de scolarité normale. C’est moins que les professeurs particuliers de Bloom, mais cela a pris six semaines, sans salaire de professeur particulier à payer.

David Autor, un économiste du MIT qui étudie l’emploi et la technologie, y voit une chance pour la classe moyenne. Il appelle un outil qui travaille avec les gens, au lieu de les remplacer, « un multiplicateur de force pour l’expertise ». Son exemple est la nurse practitioner américaine, proche de notre infirmière en pratique avancée. C’est une infirmière avec une formation en plus, qui fait un travail autrefois réservé aux médecins. L’IA pourrait permettre à plus de gens sans long diplôme de faire un travail expert de ce genre.

<figure class="fd-fig kf" aria-labelledby="ab3-cap" data-desc="Des barres pour 5 179 agents de support client qui ont reçu un assistant d’IA, variation des demandes résolues par heure : agents nouveaux ou peu qualifiés, 34 % de plus ; agent moyen, 14 % de plus ; agents les plus expérimentés, presque aucun changement.">
<p class="kf-kick">5 179 agents de support : demandes résolues par heure</p>
<p class="kf-title">Moins d’expérience, <em>plus de gain</em></p>
<div class="kf-bars kf-seq">
<p class="kf-bar is-key"><span>Nouveaux ou peu qualifiés</span><span class="kf-track"><i style="--v:100"></i></span><b data-count="34">+34 %</b></p>
<p class="kf-bar"><span>Agent moyen</span><span class="kf-track"><i style="--v:41"></i></span><b data-count="14">+14 %</b></p>
<p class="kf-bar"><span>Les plus expérimentés</span><span class="kf-track"><i style="--v:1"></i></span><b>environ 0</b></p>
</div>
<figcaption id="ab3-cap">Brynjolfsson, Li et Raymond, working paper du NBER. « Environ 0 » traduit le « minimal impact » de l’article.</figcaption>
</figure>

## Le premier échelon vacille

Les outils qui aident les débutants font aussi le travail des débutants. Les données d’embauche vont maintenant dans ce sens.

Brynjolfsson et deux collègues de Stanford suivent les données de paie d’ADP, la plus grande société de paie des États-Unis. Dans les métiers exposés à l’IA, comme le développement logiciel et le service client, ils suivent les 22-25 ans. En juin 2026, leur emploi était 19 % en dessous de ce qu’il serait s’il avait suivi celui des jeunes dans des métiers moins exposés. Les salariés expérimentés des mêmes métiers ne montrent pas cet écart. L’essentiel vient de moins d’embauches, pas de plus de licenciements.

Les auteurs ont vu l’écart pour la première fois en août 2025, et il s’est creusé depuis. Ils restent prudents : d’autres causes, comme les taux d’intérêt, sont encore à l’étude. Mais la baisse apparaît là où l’IA fait le travail, et pas là où elle aide les gens à le faire.

On voit bien le mécanisme dans le logiciel. Les juniors apprenaient sur de petites tâches : un changement de config, un premier test, une correction dans un README. Les agents de code peuvent maintenant prendre ces tâches. On apprend le jugement en faisant de petits travaux et en se trompant sur certains. Alors, qui deviendra le prochain senior ? Une note précédente de ce site parle de [PRAISE](/fr/notes/preceptors-ship-seniors.html), un programme de Microsoft construit sur cette question. Il associe chaque junior à un senior dont le travail est de « livrer des seniors ».

<figure class="fd-fig kf" aria-labelledby="ab4-cap" data-desc="L’emploi dans les métiers américains exposés à l’IA, face à ce qu’il serait s’il avait suivi celui des jeunes des métiers moins exposés, dessiné en contour pointillé. Les 22-25 ans : 19 % sous le contour, en juin 2026. Les salariés expérimentés des mêmes métiers : au contour, pas d’écart comparable.">
<p class="kf-kick">Métiers exposés à l’IA, données de paie américaines</p>
<p class="kf-title">Les jeunes sont <em class="is-alert">19 % en dessous</em> de leur niveau attendu</p>
<div class="kf-bars kf-seq">
<p class="kf-bar is-alert"><span>22 à 25 ans</span><span class="kf-track"><i class="kf-ghost" style="--v:100"></i><i style="--v:81"></i></span><b data-count="19">−19 %</b></p>
<p class="kf-bar"><span>Expérimentés, mêmes métiers</span><span class="kf-track"><i class="kf-ghost" style="--v:100"></i><i style="--v:100"></i></span><b>pas d’écart</b></p>
</div>
<p class="kf-note"><i class="kf-key"></i>Le niveau attendu, au rythme des jeunes des métiers moins exposés</p>
<figcaption id="ab4-cap">« Canaries in the Coal Mine? », de Stanford, révisé en août 2026, avec des données jusqu’à juin 2026. Les 19 % se comparent aux jeunes des métiers moins exposés : ce n’est pas une baisse des effectifs.</figcaption>
</figure>

## Bon marché à l’achat, inégal à l’usage

L’accès est bon marché, mais savoir bien s’en servir n’est pas réparti également. C’est vrai entre pays, et entre personnes.

Anthropic, l’entreprise derrière Claude, publie la façon dont les gens utilisent son modèle. Dans son rapport de septembre 2025, l’usage suit le revenu. Un pays avec 1 % de revenu par habitant en plus utilise Claude environ 0,7 % de plus, compté par personne en âge de travailler. À l’intérieur des États-Unis, le lien est encore plus fort : 1,8 %.

Ensuite, il y a la compétence. Fin 2023, une équipe menée par des chercheurs de Stanford a donné une série de cas cliniques à 50 médecins américains. La moitié pouvait utiliser GPT-4 en plus de ses ressources habituelles, l’autre moitié n’avait que ses ressources habituelles. Les médecins avec GPT-4 ont obtenu 76 %, ceux sans GPT-4 74 % : pas de vraie différence. GPT-4 seul a obtenu 16 points de plus que les médecins sans lui.

Le modèle était là, et il était bon. Les médecins n’en ont pas tiré grand-chose. L’écart qui compte aujourd’hui tient donc à la façon dont on travaille avec le modèle, plus qu’à qui peut l’acheter.

<figure class="fd-fig kf" aria-labelledby="ab5-cap" data-desc="Un essai de 2023 avec 50 médecins américains sur des cas cliniques, score de raisonnement diagnostique : médecins sans GPT-4, 74 % ; médecins avec GPT-4, 76 %, pas de vraie différence ; GPT-4 seul, 16 points au-dessus des médecins sans lui, dessiné comme leurs 74 plus 16.">
<p class="kf-kick">50 médecins, cas cliniques, score diagnostique</p>
<p class="kf-title">Les médecins avaient <span class="kf-nw">GPT-4</span>, et <em>n’ont presque rien gagné</em></p>
<div class="kf-bars kf-seq">
<p class="kf-bar"><span>Médecins sans GPT-4</span><span class="kf-track"><i style="--v:74"></i></span><b data-count="74">74 %</b></p>
<p class="kf-bar"><span>Médecins avec GPT-4</span><span class="kf-track"><i style="--v:76"></i></span><b data-count="76">76 %</b></p>
<p class="kf-bar is-key"><span>GPT-4 seul</span><span class="kf-track"><i class="kf-base" style="--v:74"></i><i class="kf-plus" style="--v:16"></i></span><b data-count="16">+16 pts</b></p>
</div>
<figcaption id="ab5-cap">Goh et ses coauteurs, JAMA Network Open, 2024. L’étude donne l’avance de GPT-4 sur les médecins sans lui, pas son propre score : sa barre est donc dessinée à 74 plus 16.</figcaption>
</figure>

## Une réflexion qu’on peut sauter

Le risque pour chacun de nous est plus discret : on peut sauter la réflexion et obtenir quand même la réponse.

En 2025, une équipe du MIT Media Lab a demandé à 54 personnes d’écrire des essais sur plusieurs séances. Chaque personne écrivait avec son seul cerveau, avec un moteur de recherche, ou avec ChatGPT. L’équipe a enregistré l’activité cérébrale par EEG, des capteurs posés sur le cuir chevelu. Le groupe « cerveau seul » montrait les réseaux les plus forts, le groupe moteur de recherche venait ensuite, et le groupe ChatGPT montrait les plus faibles. Les utilisateurs de ChatGPT avaient aussi du mal à citer leurs propres essais. L’étude est petite et sortie en prépublication : je la lis comme un signal d’alerte, pas comme une preuve.

Une enquête de Microsoft Research et de l’université Carnegie Mellon va dans le même sens. Elle a interrogé 319 travailleurs du savoir sur 936 tâches réelles faites avec l’IA. Plus les gens faisaient confiance à l’IA, moins ils déclaraient d’esprit critique. Plus ils faisaient confiance à leurs propres compétences, plus ils vérifiaient.

Le même risque vaut pour les équipes qui laissent des agents d’IA écrire du code : elles peuvent livrer plus de changements qu’on ne peut en relire. Deux habitudes décrites dans des notes précédentes aident : [relire le plan](/fr/notes/review-the-plan-not-the-pull-request.html) avant qu’un agent commence, et [demander ce que chaque check vert a prouvé](/fr/notes/ask-what-the-green-check-proved.html). Les deux gardent les décisions du côté des humains.

<figure class="fd-fig kf" aria-labelledby="ab6-cap" data-desc="La connectivité cérébrale de trois groupes qui écrivent des essais dans l’étude du MIT Media Lab, 54 personnes, enregistrée par EEG. Cerveau seul : la plus forte. Moteur de recherche : moyenne. ChatGPT : la plus faible, et le groupe ChatGPT avait du mal à citer ses propres essais. Les barres montrent l’ordre, pas des mesures.">
<p class="kf-kick">54 personnes écrivent des essais, activité cérébrale par EEG</p>
<p class="kf-title">Plus l’outil en faisait, <em class="is-alert">plus les réseaux du cerveau étaient faibles</em></p>
<div class="kf-bars kf-seq">
<p class="kf-bar"><span>Cerveau seul</span><span class="kf-track"><i style="--v:100"></i></span><b>La plus forte</b></p>
<p class="kf-bar"><span>Moteur de recherche</span><span class="kf-track"><i style="--v:60"></i></span><b>Moyenne</b></p>
<p class="kf-bar is-alert"><span>ChatGPT</span><span class="kf-track"><i style="--v:28"></i></span><b>La plus faible</b></p>
</div>
<p class="kf-note">Le groupe ChatGPT avait aussi du mal à citer ses propres essais.</p>
<figcaption id="ab6-cap">Kosmyna et ses coauteurs, une prépublication du MIT Media Lab. L’ordre vient de l’étude ; la longueur des barres est schématique.</figcaption>
</figure>

## Ce qui reste rare

Quand une chose devient bon marché, la valeur passe à ce dont elle a besoin et qu’elle ne sait pas produire elle-même. En 1971, l’économiste Herbert Simon l’a dit en une phrase : « une abondance d’information crée une pauvreté d’attention ». Voici ce qui, à mon avis, reste rare quand l’intelligence est bon marché.

- **L’attention.** Les réponses sont gratuites, mais les lire prend votre temps, et personne n’a plus de 24 heures.
- **La confiance.** Graphite, une société de SEO, estime qu’environ la moitié des nouveaux articles web sont écrits surtout par l’IA. Pourtant, dans un échantillon de 2025, 86 % des articles des deux premières pages de Google étaient écrits par des personnes. Savoir qui a écrit quelque chose, et qui en répond, vaut plus qu’avant.
- **Quelqu’un qui signe.** Un modèle peut suggérer un diagnostic ou une architecture. Un médecin signe l’ordonnance. Un ingénieur valide l’architecture et en répond quand elle casse.
- **Les gens.** Dans une étude de quatre semaines du MIT Media Lab et d’OpenAI, 981 personnes ont utilisé un chatbot. Celles qui ont choisi de l’utiliser davantage ont fini par se sentir plus seules et voyaient moins les autres. C’est un lien, pas une preuve : les personnes seules l’utilisent peut-être simplement davantage.
- **L’électricité et les puces.** La réflexion bon marché tourne sur des centrales électriques et des usines de puces. L’Agence internationale de l’énergie prévoit qu’en 2030, les États-Unis consommeront plus d’électricité pour traiter des données que pour produire l’aluminium, l’acier, le ciment et les produits chimiques réunis.

Pour tous ceux qui vendent ce qu’ils savent, cette liste est la part du métier qui garde sa valeur. C’est l’attention au vrai problème, la confiance des gens pour qui l’on travaille, et un nom qui répond du travail. Le savoir seul coûte moins cher chaque année.

<figure class="fd-fig kf" aria-labelledby="ab7-cap" data-desc="Ce que l’IA rend bon marché face à ce qui reste rare, en cinq lignes. Les réponses sont bon marché ; l’attention, vos 24 heures, reste rare, car personne n’a plus de temps. Le texte est bon marché ; la confiance dans qui l’a écrit reste rare, alors qu’environ la moitié des nouveaux articles web sont écrits par l’IA. Le conseil est bon marché ; quelqu’un qui signe, le médecin ou l’architecte, reste rare. La conversation est bon marché ; le temps avec les gens reste rare, car un usage plus intense des chatbots va avec plus de solitude. La réflexion est bon marché ; l’électricité et les puces restent rares, car les centres de données américains dépasseront l’industrie lourde d’ici 2030.">
<p class="kf-kick">Quand l’intelligence est bon marché</p>
<p class="kf-title">Ce qui devient bon marché, et <em>ce qui reste rare</em></p>
<div class="kf-swap is-short kf-seq">
<p class="kf-swap-h"><span>Bon marché</span><span>Reste rare</span></p>
<p><span>Réponses</span><em>L’attention : vos 24 heures<small>Personne n’a plus de temps</small></em></p>
<p><span>Texte</span><em>La confiance dans qui l’a écrit<small>Environ la moitié des nouveaux articles web sont écrits par l’IA</small></em></p>
<p><span>Conseil</span><em>Quelqu’un qui signe<small>Le médecin, l’architecte</small></em></p>
<p><span>Conversation</span><em>Le temps avec les gens<small>Plus de chatbot va avec plus de solitude</small></em></p>
<p><span>Réflexion</span><em>L’électricité et les puces<small>Les data centers américains dépassent l’industrie lourde d’ici 2030</small></em></p>
</div>
<figcaption id="ab7-cap">La liste est la mienne. Les signes viennent du décompte d’articles web de Graphite, de l’étude d’OpenAI et du MIT, et de l’Agence internationale de l’énergie.</figcaption>
</figure>

## À essayer

Toutes les sources sont ci-dessous, en anglais. Si vous n’en ouvrez qu’une, prenez l’article de Stanford sur les jeunes travailleurs : il est mis à jour quand de nouvelles données de paie arrivent.

- Sam Altman, [Three Observations](https://blog.samaltman.com/three-observations) et [The Gentle Singularity](https://blog.samaltman.com/the-gentle-singularity), 2025.
- Epoch AI, [LLM inference prices have fallen rapidly but unequally across tasks](https://epoch.ai/data-insights/llm-inference-price-trends), et [The Price of Progress](https://arxiv.org/abs/2511.23455), de l’équipe du MIT.
- Brynjolfsson, Li et Raymond, [Generative AI at Work](https://www.nber.org/papers/w31161), et Brynjolfsson, Chandar et Chen, [Canaries in the Coal Mine?](https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/)
- La Banque mondiale, [From Chalkboards to Chatbots](https://econpapers.repec.org/RePEc:wbk:wbrwps:11125), et Goh et ses coauteurs, [Large Language Model Influence on Diagnostic Reasoning](https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2825395).
- Anthropic, [la géographie de l’usage de l’IA](https://www.anthropic.com/research/economic-index-geography).
- Kosmyna et ses coauteurs, [Your Brain on ChatGPT](https://arxiv.org/abs/2506.08872), et Lee et ses coauteurs, [The Impact of Generative AI on Critical Thinking](https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/).
- Ma note sur le côté prix, [l’intelligence au robinet](/fr/notes/intelligence-on-tap-consumer-ai.html), d’après Garry Tan et Mark Pincus.

Choisissez ensuite une chose pour laquelle vous avez payé un expert cette année : un courrier d’avocat, une question d’impôts, une revue de code. Posez d’abord la question à un modèle. Notez ce pour quoi vous avez encore eu besoin d’une personne. C’est votre propre liste de ce qui reste rare. Si vous essayez, dites-moi ce qu’il y avait sur la vôtre.