Tout d’abord, je dois remercier quelqu’un que je connais et respecte depuis des années pour avoir lancé une discussion en coulisse autour du sujet de l’IA et de la charge cognitive. Shari Thurow m’a laissé le lien vers l’article de M. Nielsen, ce qui m’a fait réfléchir à la manière dont cela s’appliquerait aux référenceurs et à notre travail. Et comme vous le savez, pendant la majeure partie de l’histoire de Search, le marché était simple. Le moteur de recherche nous a proposé des candidats et nous avons fait le reste. Nous avons choisi des mots pour une requête, analysé les résultats, ouvert des pages, comparé les sources, affiné la recherche si nécessaire et finalement assemblé une réponse à laquelle nous étions prêts à faire confiance.
Les systèmes de réponse IA changent cet arrangement. De plus en plus, le consommateur pose une question et reçoit quelque chose de beaucoup plus proche du produit fini. La récupération, la sélection des sources, la lecture, la comparaison et la synthèse peuvent avoir lieu avant que la réponse n’apparaisse. Rien de tout cela n’est nouveau pour quiconque travaille sérieusement dans la recherche aujourd’hui, mais cela soulève une question plus intéressante que celle de savoir si l’IA a facilité la recherche.
Si l’IA recherche davantage le consommateur, où est passée sa charge cognitive ?
L’œuvre n’a pas simplement disparu
Cette question est devenue plus difficile à ignorer après avoir lu le récent article de Jakob Nielsen, Cognitive Load Is a Budget, Not an Enemy: Design for the Brain’s 4 Chunks. Le cadre de Nielsen est utile car il traite la charge cognitive comme un budget plutôt que comme quelque chose qui devrait toujours être minimisé. La mémoire de travail est limitée, environ quatre morceaux significatifs dans le modèle qu’il utilise, le problème de conception consiste donc à décider ce qui mérite cette capacité limitée. Une certaine complexité appartient à la tâche. Une autre complexité réside dans les déchets créés par le système qui l’entoure.
La recherche traditionnelle a clairement dépensé une partie de ce budget. Les recherches sur la répartition de la charge cognitive lors d’une recherche sur le Web ont révélé que les exigences cognitives varient tout au long du processus de recherche, la formulation des requêtes imposant une charge particulièrement élevée. Cela est intuitif pour quiconque a vu des gens lutter pour transformer un vague besoin en quelques termes de recherche efficaces. Mais la formulation de requêtes n’était qu’un début. Les consommateurs devaient également juger des résultats, choisir des sources, lire des documents, résoudre des conflits et décider quand ils disposaient de suffisamment d’informations pour arrêter.
La recherche générative change qui effectue le plus de ce travail intermédiaire. Une étude ACL de 2026 comparant la recherche Web traditionnelle et générative décrit directement la distinction. La recherche traditionnelle renvoie une liste classée de pages indépendantes, tandis que la recherche générative récupère les informations et les synthétise en une réponse cohérente. Les chercheurs ont également découvert des différences significatives entre les systèmes génératifs en termes de diversité des sources, de comportement de récupération, de stratégie de synthèse et de stabilité. En d’autres termes, la machine n’aide plus seulement le consommateur à trouver le matériel à évaluer. Il participe de plus en plus au processus d’évaluation et d’assemblage avant que le consommateur ne voie le résultat.
Microsoft Research a découvert un modèle complémentaire dans l’utilisation réelle. Son analyse de 200 000 conversations Bing Copilot anonymisées a révélé que la collecte d’informations et la rédaction figuraient parmi les activités les plus courantes pour lesquelles les gens cherchaient de l’aide. Du côté de l’IA, les activités communes comprenaient la fourniture d’informations et d’assistance, la rédaction, l’enseignement et le conseil. L’étude portait sur les implications professionnelles, et non sur le comportement de recherche en particulier, mais la division du travail est ici utile. L’utilisateur conserve l’objectif tandis que le système effectue davantage de travail d’information qui contribue à le satisfaire.
La vérification se produit désormais après la synthèse
Cela crée une inversion qui compte plus que l’observation familière selon laquelle l’IA peut répondre directement à une question. La recherche traditionnelle expose généralement les preuves avant la synthèse. Les consommateurs ont vu des sources candidates, les ont ouvertes, ont rencontré des éléments d’appui et des contradictions, et ont développé leur compréhension en parcourant ces preuves. Le processus était imparfait, mais une grande partie du chemin menant de la source à la conclusion était visible.
La recherche par IA donne de plus en plus la priorité à la synthèse. Le consommateur reçoit une réponse globale, et les preuves, lorsqu’elles sont exposées, apparaissent souvent par la suite sous forme de citations ou de liens attachés à des affirmations déjà formulées par le système. Cela change la tâche de construire une réponse à partir de preuves à l’audit d’une réponse qui existe déjà.
La différence est importante car les citations peuvent influencer la confiance avant que quiconque ne vérifie ce qu’elles soutiennent. Dans une expérience à grande échelle sur la confiance humaine dans la recherche IA, les chercheurs Haiwen Li et Sinan Aral ont découvert que les liens de référence et les citations augmentaient la confiance dans les résultats de recherche générative, même lorsque ces références étaient incorrectes ou hallucinées. Ils ont également constaté que les personnes qui faisaient davantage confiance aux résultats passaient moins de temps à les évaluer.
Cela crée un problème qui mérite d’être séparé de la discussion habituelle sur la présence de citations. Une citation peut réduire le coût de vérification perçu par le consommateur sans réduire le risque réel de vérification. La réponse semble plus facile à inspecter, mais le consommateur doit encore déterminer si les éléments cités soutiennent l’affirmation, si des preuves pertinentes ont été omises et si le système a correctement réconcilié les sources contradictoires.
Il s’agit d’un problème de charge humaine, pas d’un problème de psychologie de l’IA
Il y a ici une distinction importante. Les LLM ne subissent pas de charge cognitive. La charge cognitive est un concept psychologique humain, et l’appliquer littéralement à un modèle transformerait un cadre utile en fausse neuroscience. Les systèmes d’IA ont différentes contraintes finies impliquant la récupération, le contexte, la sélection de la source, les informations concurrentes, les jetons et les limites de sortie.
La connexion est importante car ces contraintes machine affectent ce que le consommateur doit finalement évaluer. Lorsqu’un système de réponses sélectionne un sous-ensemble de preuves disponibles, le compresse et génère une réponse, le consommateur juge le résultat d’un processus qu’il n’a pas personnellement observé. La charge cognitive humaine n’a pas disparu parce que la machine a absorbé une plus grande part du flux de travail. Cela a changé de lieu et de calendrier.
Qu’arrive-t-il à la signification pendant la compression ?
C’est là que le problème devient intéressant pour les référenceurs, les stratèges de contenu, les éditeurs et toute personne responsable des informations qu’ils espèrent voir apparaître dans les réponses générées par l’IA. La question n’est pas de savoir si un LLM peut lire une page. Ces systèmes peuvent traiter des quantités extraordinaires de texte. La question la plus utile est de savoir ce qu’il advient de la signification de nos informations lorsque la page qui les entoure disparaît.
Considérez une phrase telle que « La conversion a augmenté de 31 %. » Il est concis, direct et facile à extraire. Cela peut aussi être presque dénué de sens en soi. L’augmentation était-elle relative ou absolue ? Quels utilisateurs ont été inclus ? Quelle était la base de référence ? Sur quelle période ? Quelle était la taille de l’échantillon ? Le mobile s’est-il amélioré tandis que le bureau a décliné ? Le résultat était-il statistiquement significatif ?
L’affirmation peut dépendre de plusieurs relations qui la rendent vraie. Séparer la phrase de ces relations peut faciliter la citation tout en facilitant les malentendus.
Ce n’est pas simplement théorique dans les systèmes de récupération. Les recherches sur les RAG de documents longs ont identifié la fragmentation du contexte provoquée par le regroupement à granularité fine comme un problème, car elle peut isoler la sémantique des fragments et rompre les relations entre les sections d’un document. Cela ne prouve pas qu’une structure de contenu particulière améliore la citation ou la visibilité de l’IA. Cela conforte la préoccupation sous-jacente selon laquelle la récupération peut séparer les informations du contexte, ce qui contribue à préserver leur signification.
Cela nous amène à une question utile pour la conception de contenu : si le reste de la page disparaissait, ce passage signifierait-il toujours ce que vous vouliez ? Une entité indubitable, un numéro qui conserve son unité, une date attachée à l’événement qu’elle qualifie, des preuves conservées à proximité de l’affirmation qu’elle soutient et une distinction visible entre observation et interprétation rendent un passage plus autonome. Ce ne sont pas des facteurs de classement. Ce sont des caractéristiques qui peuvent rendre l’information moins fragile lorsqu’elle est extraite de son environnement d’origine.
Quand la simplification déplace le travail ailleurs
Nielsen donne à ce problème une autre perspective utile avec son idée de blanchiment de charge. Dans la conception d’interfaces, la simplicité apparente peut être trompeuse lorsque la complexité visible est supprimée, mais le travail sous-jacent est simplement transféré dans la tête de l’utilisateur. Masquer la navigation ne supprime pas le besoin de naviguer. Il peut simplement remplacer la reconnaissance par le rappel.
Il existe un parallèle qui mérite d’être testé dans les conseils de contenu actuels. On demande souvent aux référenceurs et aux éditeurs de répondre plus tôt, d’écrire moins, de supprimer les détails et de simplifier de manière agressive. C’est parfois un excellent conseil. Une réponse directe entourée de prose inutile reste une prose inutile. Mais supprimer des mots n’est pas la même chose que supprimer la dépendance informationnelle.
Si une qualification détermine quand une affirmation est vraie, cette qualification compte toujours. Si un nombre nécessite une unité, l’unité compte toujours. Si la chronologie change l’interprétation, les dates comptent toujours. Lorsque ces relations disparaissent, la complexité n’est pas nécessairement éliminée. Le système de réponse devra peut-être récupérer le contexte manquant ailleurs, le déduire, l’omettre ou produire une représentation incomplète.
L’objectif n’est donc pas la simplicité maximale. C’est la compression qui préserve les relations nécessaires pour que les informations restent exactes. C’est une norme plus exigeante que de rendre un passage facile à parcourir, et c’est différent d’écrire pour une machine.
Alors, où est passée la charge cognitive ?
Une partie a véritablement disparu. Les consommateurs peuvent consacrer moins d’efforts à parcourir les pages de résultats, à ouvrir des documents, à comparer les sources et à assembler manuellement une réponse. C’est une vraie valeur, et il serait étrange de prétendre le contraire.
Une partie de la charge a changé de forme. Une interface conversationnelle peut faciliter l’expression d’un besoin sous-jacent plutôt que de le résumer en quelques mots-clés, même si des tâches complexes peuvent toujours nécessiter une articulation minutieuse. Plus important encore, une partie du fardeau s’est déplacée vers l’aval. Le jugement et la vérification deviennent plus importants lorsque la réponse arrive déjà assemblée et que le consommateur n’a pas été personnellement témoin du processus de sélection des sources et de synthèse qui l’a produite.
Ce changement modifie également le problème du référencement. Aider les informations à être trouvées est toujours important, mais la récupération n’est plus la fin du voyage. Nos informations peuvent être extraites en morceaux, combinées avec d’autres sources, compressées en une réponse plus petite et présentées à un consommateur qui doit décider si cette réponse mérite la confiance.
Si la recherche cesse d’obliger les gens à faire eux-mêmes une grande partie de la recherche, nous devrions nous soucier davantage de ce que nos informations doivent survivre à leur place. Le défi émergent ne consiste pas simplement à rendre le contenu plus facile à lire pour l’IA. Cela rend plus difficile la perte de sens entre la récupération et la croyance.
Plus de ressources :
Cet article a été initialement publié sur Duane Forrester Decodes.
