Apprendre avec les LLMs : la méthode qui fait vraiment la différence

La grande majorité des gens utilisent les LLMs exactement comme ils utilisaient Google, en un peu mieux : tu poses une question, tu obtiens une réponse en prose, tu passes à la suite. C’est pratique, rapide, et ça donne une impression de compréhension. Mais lire une réponse et comprendre un concept, c’est la même différence qu’entre lire la correction d’un exercice et le résoudre soi-même. Tu absorbes l’information — tu ne l’intègres pas.

Un article de Laurențiu Gabriel a fait le tour de Hacker News avec 621 points et près de 400 commentaires — pas anodin pour un billet personnel sur sa méthode de travail. L’argument central : un LLM utilisé comme interlocuteur actif, et non comme moteur de recherche, peut transformer radicalement l’efficacité de l’apprentissage. C’est vrai. La vraie question, c’est le comment — et les quelques pièges qui attendent ceux qui ne font pas attention.

Le LLM comme professeur Socrate infiniment patient

Ce qui distingue les LLMs de tous les autres supports pédagogiques — livres, vidéos, documentation — c’est leur disponibilité totale et leur absence de jugement. Un prof humain peut se lasser de reformuler cinq fois la même explication. Un collègue peut trouver tes questions basiques agaçantes après la troisième fois. Le LLM reformule sans broncher, adapte le niveau à la demande, et recommence autant que nécessaire. C’est une asymétrie énorme en faveur de l’apprenant.

Mais la vraie force, c’est de l’utiliser en mode socratique plutôt qu’en mode encyclopédie. La méthode socratique consiste à faire émerger la compréhension par le questionnement, pas par la transmission. Un LLM peut jouer ce rôle — à condition que tu lui demandes explicitement. Démarre une session avec : « Je veux apprendre X. Commence par me poser des questions pour évaluer ce que je sais déjà, puis guide-moi pas à pas. » Ce simple changement transforme l’interaction de monologue en dialogue. Et en apprentissage, le dialogue gagne à tous les coups.

La technique Feynman avec un LLM comme juge

La technique Feynman est brutalement efficace : si tu ne peux pas expliquer un concept à quelqu’un qui n’y connaît rien, tu ne l’as pas vraiment compris. Le problème classique, c’est qu’il faut trouver quelqu’un à qui expliquer — un collègue disponible, patient, et qui accepte de jouer le rôle du novice sans se moquer de toi. Les LLMs résolvent ce problème entièrement.

Concrètement : après avoir lu sur un sujet, tu demandes au LLM de t’écouter expliquer le concept avec tes propres mots, puis de pointer tes imprécisions, tes raccourcis abusifs, et les points que tu aurais laissé de côté. C’est inconfortable. C’est exactement pour ça que ça marche. Tu te retrouves face à tes propres approximations, sans pouvoir les masquer derrière le flou d’une lecture passive.

Une variante efficace : demande au LLM de jouer le rôle d’un intervieweur technique qui doit évaluer si tu maîtrises vraiment le sujet. Il va générer des questions qui testent la profondeur, pas juste la surface. Sur un sujet comme les closures en JavaScript ou le fonctionnement d’un index B-tree, la différence entre « j’ai lu la définition » et « je comprends vraiment » devient évidente en trois questions.

Les patterns de prompts qui génèrent de la vraie friction

Il y a des formats de prompts qui reviennent systématiquement dans les discussions sur l’apprentissage avec les LLMs, et certains sont bien plus efficaces que d’autres. Le plus basique et le plus sous-utilisé : demander des analogies ciblées. « Explique-moi X comme si j’étais un développeur backend qui ne connaît rien au machine learning » donne des résultats incomparablement meilleurs qu’une question ouverte jetée en l’air.

• « Génère 5 questions à choix multiples sur ce concept, avec les réponses expliquées » — parfait pour s’auto-évaluer après une session
• « Montre-moi un exemple où cette approche échoue » — force le LLM à sortir du mode « tout va bien »
• « Quels sont les malentendus les plus fréquents sur ce sujet ? » — donne accès aux erreurs communes sans avoir à les faire soi-même
• « Explique la différence entre X et Y comme si je les confondais souvent » — efficace pour les concepts proches qui se ressemblent trop

Le principe sous-jacent : tes prompts doivent provoquer de la friction cognitive. Ce n’est pas le confort de la réponse claire qui fait apprendre — c’est l’effort de traitement. Un quiz, une analogie inattendue, une contradiction à dénouer : tout ce qui te force à travailler activement l’information plutôt qu’à la recevoir passivement.

Ce n’est pas le confort de la réponse claire qui fait apprendre — c’est l’effort de traitement.

Hallucinations, validation molle et fausse maîtrise

Soyons honnêtes sur les limites. Les LLMs hallucinent — ils produisent des affirmations fausses avec le même niveau de confiance que leurs affirmations vraies. Sur des sujets factuels précis (dates, chiffres, détails de spécifications, comportements d’API), c’est un vrai problème. Et quand tu apprends quelque chose de nouveau, tu n’as pas encore les outils pour détecter l’erreur — ce qui rend la situation particulièrement délicate.

Il y a aussi un effet pervers subtil : le LLM va avoir tendance à valider tes explications, même imparfaites, parce qu’il est optimisé pour être utile et agréable. Demander explicitement « sois critique et sans indulgence » aide, mais ne résout pas complètement le problème. Sur des sujets où la précision compte — sécurité informatique, médical, légal, mathématiques avancées — utilise toujours des sources primaires pour vérifier ce que tu crois avoir compris.

L’autre piège : la fausse confiance. Une session de deux heures sur la cryptographie peut te donner l’impression d’avoir compris les courbes elliptiques. Tu as probablement saisi les intuitions de base — pas les démonstrations. C’est utile (les intuitions sont un excellent point de départ), mais distingue clairement ce que tu comprends intuitivement de ce que tu pourrais défendre face à un expert.

Construire une vraie routine autour de ces outils

La vraie valeur des LLMs dans l’apprentissage, c’est de rendre la phase de compréhension conceptuelle beaucoup plus efficace — pour libérer du temps pour la pratique. Le ratio qui semble marcher : 30% de dialogue avec le LLM pour construire le modèle mental, 70% de pratique réelle (code, exercices, projets). Dès que le LLM remplace la pratique plutôt que de la préparer, tu perds le bénéfice principal.

Un workflow concret : commence par demander une cartographie des concepts clés du domaine (pas les détails, juste la structure). Traite ensuite un concept à la fois en mode dialogue actif. Valide avec une source primaire. Pratique. Et reviens au LLM pour des révisions espacées : « Il y a 3 semaines, on a parlé de X. Pose-moi 5 questions pour voir ce que j’ai retenu. » La répétition espacée appliquée à un format conversationnel, c’est redoutablement efficace pour ancrer ce qui a tendance à glisser.

---

Mon avis sur le sujet, sans détour : les LLMs sont actuellement les outils pédagogiques les plus intéressants disponibles pour quelqu’un qui travaille sur des sujets techniques — sous une condition stricte. Tant que tu les utilises en mode passif, tu paies plein tarif pour un service de niveau moyen. En mode actif (dialogue, Feynman, quiz, friction), tu accèdes à quelque chose qu’aucun cours en ligne ou livre ne peut offrir : un interlocuteur qui s’adapte en temps réel à tes lacunes spécifiques, sans jamais regarder sa montre.

La question ouverte, et je pense qu’elle mérite d’être posée : est-ce que ça va changer structurellement la façon dont on forme des développeurs ? Si un junior peut comprimer une courbe d’apprentissage de 6 mois sur des concepts spécifiques en quelques semaines en utilisant ces outils intelligemment, les cursus classiques ont un problème réel. Le seul garde-fou : le LLM ne peut pas pratiquer à ta place. Il peut rendre l’apprentissage moins solitaire et plus efficace — le travail, lui, reste entièrement le tien.