Les récents développements de Grands Modèles de Langage augmentés d’une technique d’extraction d’information (Retrieval-Augmented-Generation) soulèvent de multiples questions pour les chercheur·e·s en sciences sociales qui enseignent les techniques classiques d'analyse thématique. La réduction systématique d’un corpus de données qualitatives en un nombre de thèmes représentatifs est un processus itératif long et laborieux qui permet néanmoins d’appréhender toutes les nuances qu’un jeu de données peut offrir. En contrepoint, de récents outils comme « NotebookLM » permettent d'accélérer considérablement ce processus grâce à leur capacité à traiter de grands volumes de données, à établir des connexions entre des éléments disparates et à fournir des réponses sourcées. Basée sur une expérimentation menée dans un cours de méthodologie du programme de maîtrise en Santé Publique à l’Université Laval, notre présentation prendra pour point de départ les différentes tensions qui surgissent lors de l’utilisation de cet outil en classe. Les observations et l’analyse des comptes rendus réflexifs des apprenant·e·s sur leur utilisation de l’IA permettront d’ interroger les compétences nécessaires à la capacitation des apprenant·e·s, et notamment le rôle de la pensée critique et éthique dans un référentiel plus large de compétences numériques.