Le knowledge collapse, expliqué : quand l'IA vous fait apprendre moins

Posez la question à un dirigeant aujourd'hui : « Vos équipes vont-elles plus vite avec l'IA ? » La réponse est oui, sans hésiter. Posez la suivante : « Et votre organisation, apprend-elle plus vite ? » Le silence qui suit est le sujet de cet article.

Le gain individuel est spectaculaire et immédiat. Un commercial rédige une proposition en dix minutes, un analyste défriche un dossier en une heure, un consultant cadre une mission le temps d'un café. Mais à mesure que le travail bascule dans une conversation privée avec une IA, quelque chose disparaît en arrière-plan : la trace. Les arbitrages, les méthodes, les réflexes maison (tout ce qui s'écrivait, se relisait, se transmettait) se volatilisent dans des fils de discussion que personne d'autre ne verra jamais.

Ce que dit la recherche

En février 2026, trois chercheurs du MIT (Daron Acemoglu, Dingwen Kong et Asuman Ozdaglar) publient un papier au titre frontal : « AI, Human Cognition and Knowledge Collapse ». Leur modèle part d'une observation simple, presque évidente une fois énoncée : une bonne décision repose sur deux savoirs complémentaires.

• Le savoir général, partagé, accumulé par la communauté : les principes, les patterns, les bonnes pratiquesPratiqueUne unité de savoir-faire capturée dans Marylink : pas un document, mais une structure exécutable (contenu, prompt, règles, style). que personne ne réinvente seul.
• Le savoir de contexte, individuel, situé : ce que vous savez de ce client, ce dossier, cette situation.

Les deux sont des compléments, pas des substituts : l'un sans l'autre ne suffit pas. Et voici le mécanisme central. Apprendre coûte de l'effort, et cet effort produit deux choses à la fois : un signal privé sur votre propre contexte, et un signal « mince » qui vient s'ajouter au stock de savoir commun de la communauté. C'est ce second versant, presque gratuit, qui faisait grossir le patrimoine collectif à chaque fois que quelqu'un cherchait, doutait, expliquait.

L'IA agentique vous donne le savoir de contexte sans l'effort. Et sans l'effort, le savoir commun cesse de se reconstituer.

La conclusion du modèle est nette : quand l'effort humain devient suffisamment « élastique » et que la précision des recommandations de l'IA dépasse un certain seuil, l'économie peut basculer dans un régime de knowledge collapseKnowledge collapseL'érosion de la mémoire institutionnelle quand l'IA fait exécuter plus vite sans que rien ne soit capitalisé. : un état stable où le savoir général finit par s'évanouir, alors même que chaque conseil personnalisé reste d'excellente qualité. C'est le piège : tout va bien à l'échelle de l'individu, et le stock collectif s'effondre quand même.

Pourquoi ça vous concerne, même si vous n'êtes pas une « économie »

Le papier raisonne à l'échelle d'une société entière. Mais le même mécanisme se rejoue, à l'identique, à l'intérieur d'une organisation, en plus rapide, parce qu'une entreprise est une petite communauté très dense.

Chez vous, le « savoir général » porte un nom : c'est votre savoir-faire. La manière dont vous qualifiez un lead, structurez une proposition, conduisez une mission, gérez un litige. Avant l'IA, ce savoir se déposait (imparfaitement, lentement) dans des documents, des templates, des conversations d'équipe, la mémoire des anciens. Chaque collaborateur qui résolvait un problème en laissait une trace exploitable par le suivant.

Avec un assistant IA personnel, ce dépôt s'arrête. Le problème est résolu, brillamment, dans un fil privé. Puis le fil se ferme. Demain, le collègue d'à côté refera le même chemin de zéro. Le savoir n'a pas circulé ; il n'a même pas existé hors de la tête (et du compte ChatGPT) d'une personne. Et le jour où cette personne part, tout part avec elle.

Le remède n'est pas de freiner l'IA

C'est l'erreur réflexe, et le papier la disqualifie. Réduire la précision de l'IA n'est pas la bonne réponse : le bien-être collectif n'est pas une fonction monotone de l'accuracy, il existe un optimum, et brider l'outil détruit de la valeur sans régler le problème de fond.

La recommandation des auteurs est, en revanche, parfaitement claire, et c'est la phrase qui devrait tenir tout dirigeant éveillé :

Une plus grande capacité d'agrégation du savoir général (un partage et une mise en commun plus efficaces de ce que les humains produisent) augmente le bien-être sans ambiguïté, et renforce la résilience face au knowledge collapse.

Autrement dit : le problème n'est pas que l'IA soit trop bonne. Le problème est qu'il n'existe aucun mécanisme pour capter et rendre commun ce qu'elle aide chacun à produire. Ce mécanisme, à l'échelle d'une organisation, c'est précisément ce qu'il faut construire.

Marylink, ou la capacité d'agrégation à l'échelle de l'entreprise

C'est la raison d'être de Marylink. Pas un assistant de plus, pas un wiki de plus : la couche qui agrège. Quand un collaborateur trouve, avec son IA, une approche qui marche, Marylink la capture, la structure, la fait endosser par un référent, et la rend réutilisable et exécutable par toute l'équipe, depuis ses propres outils, via le Practice Graph et le protocole MCPMCPModel Context Protocol : le standard ouvert qui connecte un assistant IA (Claude, etc.) directement à votre espace Marylink..

• L'individu garde son gain de vitesse : on ne lui retire rien.
• L'organisation récupère le signal « mince » qui se perdait : chaque usage enrichit le patrimoine commun au lieu de le contourner.
• Le savoir devient un actif gouverné, mesuré, transmissible, pas une dépendance à la mémoire de quelques personnes.

La recherche désigne la capacité d'agrégation comme le levier qui « augmente le bien-être sans ambiguïté ». Marylink est l'implémentation opérationnelle de ce levier. Le débat théorique sur le knowledge collapse a une réponse produit, et elle existe aujourd'hui.

Pour comprendre la mécanique sous-jacente (comment un savoir-faire devient une « pratique » typée, gouvernée et exécutable par des agents), voyez la science derrière Marylink et le passage « la couche manquante ».