Harvard Business Review : quand l'usage intensif de l'IA fait « surchauffer » le cerveau

L'IA ne nous décharge plus seulement des tâches répétitives : elle capte aussi une partie de l'attention que nous consacrions autrefois à une réflexion posée et méthodique. Dans ce contexte émerge un nouvel effet au travail : l'« AI brain fry », ou « surchauffe cérébrale liée à l'IA ». Il ne ressemble pas à la fatigue ordinaire de fin de journée, mais à un étrange mélange de brouhaha mental, de lenteur et de perte de lucidité.

On a pourtant l'impression d'avoir beaucoup travaillé : interroger le modèle, préciser la demande, obtenir une réponse, la revérifier, lancer un autre outil. Puis, à un moment, on s'aperçoit que les décisions deviennent plus laborieuses, que les formulations se dégradent et que des tâches simples exigent un effort disproportionné. C'est précisément ce phénomène qu'analysent les auteurs d'un article publié dans la Harvard Business Review en mars 2026.

Le texte est signé par des experts du BCG et de l'Université de Californie à Riverside, qui ont interrogé 1488 salariés de grandes entreprises américaines. Leur conclusion est désagréable, mais familière pour de nombreuses équipes : l'IA ne se contente pas de faire gagner du temps, elle peut aussi grignoter discrètement les ressources cognitives. Il ne s'agit pas d'un diagnostic clinique, mais d'un état lié au travail, qui apparaît là où l'automatisation promet un soulagement et ajoute en réalité une nouvelle couche de charge.

Pour obtenir un bon résultat, un salarié ne peut pas se contenter de « demander à l'IA » : il doit formuler précisément la tâche, choisir le bon outil, évaluer la qualité de la réponse, repérer les erreurs et intégrer le résultat dans un processus réel. Les plus exposés ne sont pas les débutants, mais justement les utilisateurs les plus actifs. La raison : un usage intensif de l'IA se compose d'une longue chaîne de micro-décisions.

Il faut déterminer quel modèle choisir pour la tâche, quelle quantité de contexte lui fournir, s'il faut réécrire le prompt, comment vérifier un fait, quand arrêter les itérations et laquelle des différentes versions retenir comme définitive. Vu de l'extérieur, cela ressemble à une accélération. De l'intérieur, à un travail de régulation permanent.

Plus on multiplie les assistants, les agents, les éditeurs de code et les générateurs de texte, plus on risque de passer du rôle d'exécutant à celui d'opérateur d'un système complexe. Et si le système accélère plus vite qu'on ne parvient à l'assimiler, le cerveau paie la facture sous forme de surcharge. Cet état présente des symptômes reconnaissables.

La pensée s'interrompt plus souvent en cours de route, l'attention se fragmente en petits morceaux et la confiance dans ses propres décisions diminue. Parfois, on se met à trop faire confiance au modèle et on laisse passer des erreurs, parce qu'on est déjà trop fatigué pour vérifier. Parfois, c'est l'inverse : vérifications sans fin, nouveaux prompts, comparaison de versions et incapacité à conclure.

Dans les deux cas, la qualité du travail en pâtit. L'effet est particulièrement marqué là où il faut de longs raisonnements et où le coût d'une erreur est élevé : analyse de données, développement, gestion de produit, recherche, marketing et management. L'IA aide efficacement à démarrer, à produire rapidement un premier jet ou à traiter la routine, mais elle peut aussi morceler le cœur du processus, cette phase où l'humain a besoin de concentration, d'esprit critique et d'une vision d'ensemble.

Le principal enseignement de cette histoire n'est pas qu'il faut renoncer à l'IA. C'est plutôt l'inverse : plus elle s'intègre profondément au travail quotidien, plus une hygiène d'usage devient essentielle. Les équipes comme les individus devront concevoir non seulement l'automatisation, mais aussi leur propre charge cognitive.

Il est utile de décider à l'avance pour quelles tâches l'IA accélère réellement le travail, où une seule itération suffit et où il vaut mieux d'abord réfléchir sans assistance. Il est utile aussi de limiter le nombre d'outils utilisés en parallèle, de fixer des critères de qualité avant de lancer le modèle et de se réserver du temps pour une vérification manuelle, sans nouvelles requêtes. À l'ère de l'IA, la véritable productivité ne se mesure pas au nombre de prompts, mais à la capacité de garder les idées claires et, au bout du compte, de prendre de meilleures décisions.