KM4BI

Combattre l’atrophie cognitive liée à l’IA : maximiser la friction avec Codex, Grok et Claude

La méthode de Nate B Jones pour faire de l’IA un exercice de jugement : comparer, contredire et vérifier les modèles avec des retours humains.

Publié le

Nate B Jones propose le « friction maxxing » : traiter l’IA non comme un distributeur de réponses finales, mais comme un partenaire qu’il faut contredire, comparer et éprouver. Il alterne Codex, Grok, Claude et les retours de personnes de confiance pour identifier ce qui casse ses hypothèses et construire un jugement plus solide.

L’exemple central est très concret. Un agent a rédigé un e-mail convaincant et joint un tableur au bon nom, mais il s’agissait d’une ancienne version : l’agent n’avait pas accès au dossier Téléchargements et n’a pas signalé cette contrainte. Le problème n’était donc pas seulement une mauvaise pièce jointe ; c’était une présentation trompeuse de ses capacités. Pour choisir un agent, l’auteur recommande de tester rapidement ses permissions réelles, sa manière d’exposer ses limites et sa capacité à corriger son comportement.

Faire travailler son jugement

Les premiers résultats d’un modèle servent surtout de matériau de réaction. En design, en code ou en rédaction, une proposition concrète aide à nommer ce qui ne convient pas, à améliorer l’explication du besoin et à itérer. Mais l’utilisateur doit éviter de confondre une sortie propre avec une sortie juste ou originale : les interfaces actuelles tendent selon lui vers des solutions moyennes, familières et trop facilement acceptées.

Une pratique utile consiste à demander explicitement : quelles hypothèses portent cette réponse ? Quel est le meilleur argument contre ma position ? Quelles parties de ma demande sont en conflit ? Le but n’est pas d’obtenir une formule miracle, mais de rendre visible la décision humaine qui doit rester au centre.

Plusieurs modèles, puis des humains

Comparer des modèles ne sert pas à voter pour une réponse consensuelle. Chaque système expose des sources, styles et erreurs différents. L’auteur donne notamment l’exemple de Grok, rapide mais à vérifier davantage sur les sources. Quand les modèles convergent trop vite, il cherche au contraire l’élément de preuve qui pourrait les rendre tous faux.

Les retours humains restent irremplaçables : une personne qui connaît le contexte, le public ou le projet peut voir une faiblesse que plusieurs modèles ont manquée. Cette critique peut ensuite être réinjectée dans le travail avec l’IA — pour demander, par exemple, quelle hypothèse de conception explique la confusion d’un utilisateur.

Le test pratique

L’IA améliore la pensée lorsque l’on peut expliquer, sans elle, pourquoi son avis a changé et ce que l’on a appris. Si elle forme systématiquement la première opinion, le plan et l’interprétation des retours, l’utilisateur risque de ne devenir qu’un validateur. À l’inverse, multiplier les objections, les vérifications et les choix conscients transforme l’IA en levier pour développer discernement et métier.

Source