L’IA et la science : promesses et défis

L’IA au service de la recherche scientifique : où en sont vraiment les percées ?

L’IA au service de la recherche scientifique : premières percées attendues depuis longtemps, les promesses commencent enfin à se matérialiser. Partout, des laboratoires intègrent des outils d’intelligence artificielle pour accélérer leurs travaux, analyser des montagnes de données ou encore générer des hypothèses que des chercheurs humains auraient mis des années à formuler. Mais derrière l’enthousiasme général, une question s’impose : est-ce que cette révolution annoncée se déroule vraiment comme prévu ? Ou est-ce que l’on court, collectivement, vers quelques déconvenues sérieuses ?

Chez L’Erreur 200, on aime regarder la technologie en face, sans lunettes roses ni catastrophisme de façade. Alors, prenons le temps d’examiner ce que l’IA change vraiment dans la production de la connaissance scientifique, ce qu’elle abîme parfois sans qu’on s’en rende compte, et ce qu’il faudrait faire pour que cette transformation serve vraiment l’humanité plutôt qu’une poignée d’éditeurs ou de géants du cloud.

Ce que l’IA change concrètement dans les laboratoires

Pour comprendre l’ampleur du changement, il faut d’abord sortir des discours abstraits. L’intelligence artificielle n’est pas un chercheur en blouse blanche assis dans un coin du labo. C’est un ensemble d’outils très différents : des algorithmes de reconnaissance de formes, des modèles de traitement du langage, des systèmes de simulation moléculaire, des moteurs de recommandation bibliographique. Autant de briques qui, mises bout à bout, transforment le quotidien de la recherche.

Prenons un exemple concret. En biologie, un chercheur qui voulait analyser des milliers d’images de cellules pour détecter des anomalies passait des semaines, parfois des mois, à trier manuellement. Aujourd’hui, un modèle de vision par ordinateur peut faire ce travail en quelques heures, avec une précision comparable voire supérieure à l’oeil humain entraîné. C’est un gain de temps considérable, qui permet de concentrer l’énergie humaine là où elle compte vraiment : l’interprétation, la créativité, la prise de décision.

Comme le souligne ActuIA dans son panorama de l’IA dans la recherche fondamentale, les applications couvrent désormais des domaines aussi variés que la physique des particules, la climatologie, la génomique ou encore les sciences des matériaux. Dans chacun de ces champs, l’IA agit comme un amplificateur de capacités : elle ne remplace pas le chercheur, elle décuple sa portée.

Les principaux bénéfices observés peuvent être résumés ainsi :

• Traitement de données massives : analyse de corpus gigantesques (génomes, images satellites, données sismiques) en un temps réduit.
• Détection de patterns cachés : identification de corrélations invisibles à l’oeil humain dans des jeux de données complexes.
• Génération d’hypothèses : suggestion de pistes de recherche à partir de la littérature existante.
• Automatisation des tâches répétitives : revue bibliographique assistée, mise en forme, codage de données qualitatives.
• Simulation et modélisation : reproduction virtuelle d’expériences coûteuses ou dangereuses.

Ces avancées sont réelles. Elles ne sont pas de la science-fiction. Mais elles s’accompagnent d’une contrepartie que l’on évoque beaucoup moins souvent dans les communiqués de presse.

Le revers de la médaille : quand l’IA fabrique de la connaissance fictive

Il y a un phénomène qui devrait nous tenir éveillés la nuit, et pourtant il fait rarement les grands titres : les hallucinations des modèles d’IA. Ce terme désigne la tendance des systèmes d’IA générative à produire des informations fausses, mais formulées avec une assurance déconcertante. Références bibliographiques inventées, statistiques sorties de nulle part, auteurs fantômes : l’IA ne sait pas qu’elle ment, elle génère ce qui ressemble statistiquement à une réponse plausible.

Or, dans le domaine scientifique, une citation erronée n’est pas une anecdote. C’est une brique défectueuse dans un édifice de connaissances. Et si d’autres chercheurs construisent sur cette brique, l’édifice entier peut vaciller.

Les chiffres sont préoccupants. Depuis 2023, une hausse significative du taux de citations erronées a été observée dans les publications médicales, un signal qui pointe directement vers l’utilisation de l’IA générative dans la rédaction scientifique. La Vie des idées dresse un tableau lucide de cette situation, en montrant comment la croissance explosive du volume de publications, portée en partie par des éditeurs comme MDPI, ne s’est pas accompagnée d’une augmentation équivalente du nombre de relecteurs qualifiés.

Le résultat est une forme de dilution de la qualité. On publie plus, on vérifie moins. Et l’IA, loin d’arranger les choses, peut accélérer ce dérapage si elle est utilisée sans garde-fous. C’est le paradoxe central de cette révolution : l’outil censé accélérer la production de savoir peut aussi accélérer la production de bruit.

La reproductibilité : le talon d’Achille de la science augmentée par l’IA

En science, la reproductibilité est une valeur fondamentale. Une expérience qui ne peut être reproduite par d’autres équipes n’est pas de la science : c’est une anecdote. Or, les systèmes d’IA générative posent un problème sérieux sur ce point précis.

Prenons l’exemple d’un chercheur qui utilise un grand modèle de langage pour analyser un corpus de textes et en extraire des thèmes récurrents. Si un autre chercheur refait exactement la même manipulation le lendemain avec le même outil, il n’obtiendra pas forcément les mêmes résultats. Pourquoi ? Parce que ces modèles sont non déterministes par nature : une part d’aléatoire est intégrée à leur fonctionnement, et les mises à jour régulières des systèmes font évoluer leurs réponses sans préavis.

Ajoutez à cela l’opacité des algorithmes propriétaires, et vous avez un problème méthodologique majeur. Comment décrire précisément, dans la section « méthodes » d’un article, un outil dont le fonctionnement interne est une boîte noire ? Comment demander à un pair de vérifier vos résultats si l’outil que vous avez utilisé a changé entre-temps ?

La bibliothèque universitaire de Dauphine propose un guide pratique sur l’utilisation de l’IA dans la recherche, qui insiste justement sur la nécessité de documenter précisément l’utilisation de ces outils, de noter les versions utilisées et de soumettre les résultats à une vérification humaine systématique. Ce type de bonne pratique n’est pas optionnel : c’est la condition minimale pour maintenir la crédibilité scientifique dans un environnement où l’IA s’immisce de plus en plus dans le processus de production du savoir.

La question de la reproductibilité rejoint aussi celle de la souveraineté sur les outils. Si un laboratoire public utilise un service cloud propriétaire américain pour faire tourner ses analyses, que se passe-t-il quand cet outil change, disparaît ou devient inaccessible ? La recherche financée par des fonds publics ne devrait pas dépendre de conditions générales d’utilisation révisables à tout moment par une entreprise privée.

Infrastructure et cloud : la question de la souveraineté des données de recherche

Parlons d’argent et de pouvoir, parce que la technique ne se déploie jamais dans un vide politique. L’intégration de l’IA dans les institutions de recherche passe massivement par des services cloud, avec une concentration notable autour de quelques acteurs dominants : AWS, Microsoft Azure, Google Cloud. Ces plateformes offrent une puissance de calcul considérable, des outils prêts à l’emploi et une scalabilité appréciable. Mais à quel prix, au sens propre comme au sens figuré ?

Les données de recherche, notamment en médecine, en génétique ou en sciences sociales, sont souvent sensibles. Les confier à un prestataire étranger soumis à des législations comme le Cloud Act américain, c’est accepter qu’une juridiction étrangère puisse potentiellement y accéder. Pour des données de santé ou des travaux liés à des enjeux stratégiques nationaux, ce n’est pas un détail.

Comme l’analyse ce guide pratique sur le cloud pour les institutions de recherche, les établissements doivent choisir leurs infrastructures en tenant compte non seulement des performances techniques, mais aussi de la conformité réglementaire, de la localisation des données et des garanties de continuité de service. Il ne s’agit pas de rejeter le cloud en bloc : il s’agit de faire des choix éclairés, qui incluent des alternatives européennes ou des solutions d’auto-hébergement pour les données les plus critiques.

Cette réflexion s’inscrit dans un débat plus large sur la souveraineté numérique de la recherche publique. Les universités et organismes publics investissent massivement dans des outils dont ils ne maîtrisent pas le code, la localisation des serveurs ni les conditions d’évolution. C’est une forme de dépendance stratégique qui mérite d’être interrogée sérieusement, loin des présentations commerciales.

Quelques pistes concrètes pour des institutions qui souhaitent reprendre la main :

1. Évaluer les solutions open source disponibles (Nextcloud, Jupyter, outils de machine learning non propriétaires) avant de signer des contrats cloud longue durée.
2. Mutualiser les infrastructures entre établissements pour atteindre une puissance de calcul suffisante sans dépendance unique.
3. Exiger la portabilité des données dans tout contrat avec un prestataire cloud.
4. Former les chercheurs aux enjeux de souveraineté numérique autant qu’aux outils eux-mêmes.

L’IA resserre-t-elle la science en l’accélérant ?

Il y a une tension peu discutée dans les cercles enthousiastes de l’IA scientifique : celle entre vitesse et diversité intellectuelle. Plus les chercheurs utilisent les mêmes outils d’IA pour générer des hypothèses, identifier des sujets porteurs ou rédiger leurs articles, plus il existe un risque de convergence artificielle de la recherche. L’IA au service de la recherche scientifique peut produire ses premières percées tout en créant des angles morts collectifs.

Imaginez un système de recommandation bibliographique utilisé par des milliers de chercheurs dans le monde. Ce système, entraîné sur la littérature existante, va naturellement orienter les lectures vers les articles les plus cités, les sujets les plus représentés dans ses données d’entraînement. Ce faisant, il renforce les courants dominants et invisibilise les recherches émergentes, minoritaires ou issues de traditions académiques moins bien représentées dans les grandes bases de données anglophones.

C’est exactement le phénomène décrit dans cette analyse publiée sur la plateforme de l’INSP : l’IA booste les chercheurs, mais resserre la science. En optimisant la production scientifique, on risque de sacrifier la sérendipité, cette capacité à découvrir quelque chose d’important en cherchant autre chose. Les grandes révolutions scientifiques naissent souvent aux marges, dans les disciplines hybrides, dans les questions jugées non pertinentes par les algorithmes de recommandation.

Ce n’est pas une raison de rejeter ces outils. C’est une raison de les utiliser avec une conscience critique aiguë, en cultivant délibérément la diversité des approches, en valorisant les recherches exploratoires qui ne rentrent pas dans les cases et en formant les chercheurs à reconnaître les biais que leurs outils d’IA peuvent introduire dans leur pratique.

Pour une utilisation responsable : transparence, éthique et esprit critique

Après ce tour d’horizon, une chose est claire : l’IA transforme la recherche scientifique de façon irréversible. Refuser cela serait aussi absurde que de refuser les bases de données numériques dans les années 1990. La vraie question n’est pas « doit-on utiliser l’IA ? » mais « comment l’utiliser sans trahir les fondements du travail scientifique ? »

Voici les principes qui semblent incontournables pour une intégration responsable :

• La transparence sur les outils utilisés : tout article produit avec l’aide de l’IA devrait le mentionner explicitement, en précisant les outils, les versions et les étapes concernées. Ce n’est pas une question de honte ; c’est une exigence méthodologique.
• La vérification humaine systématique : aucune citation, aucun chiffre, aucune affirmation générée par l’IA ne devrait être publié sans avoir été vérifié par un chercheur humain sur la source originale. Les hallucinations ne pardonnent pas.
• Le respect des droits de propriété intellectuelle : les modèles d’IA sont entraînés sur des corpus qui incluent des oeuvres protégées. Leur utilisation pour produire des travaux scientifiques soulève des questions légales et éthiques qui ne sont pas encore totalement résolues.
• La formation des chercheurs : comprendre ce que fait un outil d’IA, ses limites et ses biais, devrait faire partie de la formation méthodologique de base, au même titre que la statistique ou la bibliographie.
• La préservation de la pensée critique : l’IA est un outil d’exécution, pas un outil de jugement. La décision de ce qui vaut la peine d’être étudié, de la façon dont un résultat doit être interprété et des implications éthiques d’une découverte reste une responsabilité humaine, et elle doit le rester.

L’enjeu dépasse les murs des laboratoires. La qualité de la production scientifique conditionne les politiques de santé publique, les décisions environnementales, les choix technologiques de nos sociétés. Si la science se fragilise sous le poids de citations inventées, de résultats non reproductibles et de biais algorithmiques non détectés, c’est l’ensemble du processus démocratique de décision fondée sur des preuves qui vacille.

Ce n’est pas un plaidoyer contre le progrès. C’est un plaidoyer pour un progrès honnête, qui se regarde dans le miroir et qui accepte que la vitesse ne justifie pas de sacrifier la rigueur. L’IA au service de la recherche scientifique offre des percées réelles et prometteuses. Mais ces percées n’auront de valeur durable que si elles reposent sur des fondations solides : la transparence, l’esprit critique et une communauté scientifique qui garde les mains sur le volant.

La prochaine fois que vous lirez un article dithyrambique sur une découverte faite « grâce à l’IA », posez-vous la question : qui a vérifié quoi, comment, et avec quels outils ? Cette question simple est peut-être la plus importante que vous puissiez poser en 2025.