IA dans la recherche scientifique: Gains de productivité contre Risques de qualité

IA en tant qu’assistant de recherche

L’IA représente une véritable révolution pour de nombreux domaines scientifiques, permettant le traitement de données et la modélisation de matériaux et de situations réelles d’une manière que même les superordinateurs les plus puissants ne pouvaient pas atteindre il y a seulement quelques années.

Des exemples récents incluent diverses formes d’IA utilisées pour:

• Trouver de nouveaux matériaux pour les réacteurs à fusion nucléaire.
• Restaurer la clarté des images du télescope spatial.
• Optimiser les processus d’impression 3D métal.
• Découvrir de nouveaux matériaux pour les cellules solaires, les électrocatalyseurs à hydrogène, les matériaux ultra-durs, les polymères et les électrolytes solides.

Ces applications reposent généralement sur des modèles d’IA hautement spécialisés, finement entraînés pour examiner une classe spécifique de cristaux ou traiter un ensemble unique d’images.

Cependant, lorsqu’on parle d’IA, le grand public pense généralement aux LLM généralistes (modèles de langage de grande taille). Ceux-ci sont actuellement principalement utilisés pour rédiger et améliorer du texte, ainsi que pour effectuer des requêtes avancées et lisibles comparées aux moteurs de recherche traditionnels.

En théorie, cela devrait s’appliquer non seulement aux dissertations d’étudiants, à la mauvaise poésie et aux présentations PowerPoint, mais aussi à la recherche scientifique et aux articles publiés.

Cela dit, cela peut être une arme à double tranchant, comme expliqué dans une analyse récente publiée dans la prestigieuse revue scientifique Science¹, intitulée « Production scientifique à l’ère des grands modèles de langage ».

Dans cette analyse, des chercheurs de l’Université de Californie et de l’Université Cornell ont observé la production des scientifiques utilisant les LLM comparée à leurs travaux antérieurs. Ils ont découvert que si l’utilisation des LLM peut améliorer la qualité des articles scientifiques, elle génère également un volume plus important de recherches de moindre qualité, aggravant les problèmes existants dans le milieu académique.

Détection de l’utilisation de l’IA dans les articles de recherche scientifique

Le premier défi consiste à déterminer à quel point l’utilisation des LLM est répandue dans la rédaction scientifique et qui l’utilise.

Sans surprise, ce ne sont pas des données que les chercheurs admettent spontanément, car les outils sont encore nouveaux et peuvent être sujets à des erreurs, notamment concernant les données techniques ou les sujets de niche.

Les chercheurs ont compilé plus de 2 millions d’articles provenant de grandes bases de données scientifiques telles qu’arXiv, bioRxiv et le Social Science Research Network (SSRN), datant de janvier 2018 à juin 2024.

Ils ont ensuite comparé les articles publiés avant 2023 — supposés écrits par des humains — avec du texte généré par l’IA.

En utilisant ces données, ils ont développé un modèle pour détecter l’utilisation de l’IA. Avec cet outil, ils ont déterminé avec une précision raisonnable quels scientifiques utilisent les LLM et quand ils ont commencé. Ils ont ensuite suivi le volume de publications de ces scientifiques avant et après l’adoption des outils, ainsi que l’acceptation éventuelle de ces articles par les revues scientifiques.

Impact de l’IA sur la recherche scientifique

Faire glisser pour faire défiler →

Productivité accrue

La première conclusion est que l’utilisation des LLM augmente la productivité des scientifiques, du moins lorsqu’elle est mesurée par le nombre de publications.

Sur arXiv, les scientifiques identifiés comme utilisant des LLM ont publié environ un tiers de papiers de plus que ceux qui ne semblaient pas utiliser l’IA. Sur bioRxiv et SSRN, l’augmentation dépassait 50 %.

Étant donné que la culture du « publier ou périr » détermine les trajectoires professionnelles de la plupart des scientifiques, cette augmentation du volume a un impact sérieux sur les parcours de carrière.

Une autre observation est que ce gain était plus fort chez les scientifiques supposés être des locuteurs non natifs de l’anglais.

Par exemple, les chercheurs affiliés à des institutions asiatiques ont publié entre 43,0 % et 89,3 % de papiers supplémentaires après que le détecteur a suggéré qu’ils avaient commencé à utiliser les LLM.

Cela a du sens ; de nombreux scientifiques sont techniquement brillants et capables de lire l’anglais (une exigence dans le milieu académique moderne) mais peuvent avoir du mal à formuler des phrases claires et élégantes dans une seconde langue.

Une utilisation généralisée des LLM pourrait niveler le terrain de jeu pour les locuteurs non natifs, aidant la recherche de haute qualité à obtenir une reconnaissance internationale indépendamment de la maîtrise linguistique de l’auteur.

Meilleure découverte des connaissances scientifiques

Les LLM peuvent également être utilisés pour trouver des articles pertinents à un sujet spécifique, en utilisant des IA spécialisées comme Elicit, ResearchRabbit ou Scite.

Une part importante de la recherche scientifique consiste à trouver et lire d’autres articles afin de déduire des informations ou d’identifier des protocoles expérimentaux pouvant être réutilisés dans de nouveaux contextes.

Les IA privilégient généralement les articles plus récents et accordent moins d’importance au nombre de citations comparé aux moteurs de recherche traditionnels. Ainsi, elles offrent une alternative aux scientifiques à la recherche de nouvelles idées ou d’expériences moins discutées.

« Les personnes utilisant les LLM se connectent à des connaissances plus diversifiées, ce qui pourrait stimuler des idées plus créatives. »

Keigo Kusumegi, doctorant à l’Université Cornell

Cette hypothèse pourrait être testée à l’avenir en vérifiant si les articles rédigés avec l’aide de l’IA possèdent des bibliographies plus diversifiées ou sont plus innovants et interdisciplinaires.

L’IA comme nouvelle problématique dans la science & l’académie

Ces dernières années, la recherche scientifique — en particulier dans les sciences sociales — a connu une crise de reproductibilité.

Parce que les résultats de nombreux articles ne peuvent pas être reproduits par d’autres chercheurs, des études apparemment sérieuses peuvent être défectueuses voire frauduleuses. Cela a été décrit comme une « crise existentielle pour la science ».

Historiquement, une rédaction complexe — incluant des phrases plus longues et un vocabulaire sophistiqué — a été une heuristique pour identifier une recherche de haute qualité. Bien que ce ne soit pas infaillible, cela aidait à distinguer les recherches rédigées avec expertise des analyses médiocres.

En revanche, les articles rédigés avec l’aide de l’IA sont actuellement moins susceptibles d’être acceptés par les revues.

Dans l’ensemble, cela menace de davantage découpler la métrique « articles publiés » du véritable talent d’un chercheur. Les éditeurs et les évaluateurs pourraient avoir du mal à identifier les soumissions les plus précieuses, surtout à mesure que l’IA devient de plus en plus efficace et semblable à l’humain.

Enfin, d’énormes volumes de « remplissage » — des articles de recherche faux mais plausibles — pourraient être générés par l’IA. Ce risque ne se limite pas aux réseaux sociaux ; c’est un problème important pour la recherche scientifique, où le temps des évaluateurs était déjà une ressource rare avant l’émergence des LLM.

Ce que l’IA signifie pour l’avenir de la recherche scientifique

Parce que l’IA est un outil, les chercheurs doivent apprendre à l’utiliser efficacement. Il est presque impossible d’interdire les LLM dans les laboratoires de recherche, et la détection ne fera que devenir plus difficile.

L’adaptation et l’utilisation productive de l’IA dans la rédaction scientifique seront le sujet déterminant à l’avenir.

« Déjà maintenant, la question n’est pas « Avez‑vous utilisé l’IA ? » mais « Comment avez‑vous exactement utilisé l’IA, et cela a‑t‑il été utile ? »

Les pratiques d’embauche en science pourraient bénéficier d’un retour aux métriques qualitatives, telles que des entretiens approfondis et des tests techniques, plutôt que de se fier uniquement au volume de publications.

De même, les évaluateurs et les revues scientifiques doivent s’adapter. Il pourrait être nécessaire de mettre en place des systèmes qui vérifient si une soumission provient d’un laboratoire de recherche légitime avant l’analyse, afin de bloquer la production massive de faux articles.

En fin de compte, une compréhension approfondie des éléments techniques d’un article, plutôt que l’élégance linguistique, deviendra le critère principal pour juger de la qualité.

Investir dans l’innovation IA

Nvidia

Nvidia est passée d’une entreprise de cartes graphiques destinée aux joueurs à la plus grande société du monde, grâce à son rôle central dans la fourniture de matériel IA à l’ensemble de l’industrie technologique.

En tant que pionnière du matériel dédié à l’IA, Nvidia a été la première à aider les chercheurs à exploiter ces outils. « CUDA », une interface de programmation à usage général pour les GPU de Nvidia, a ouvert la porte à des utilisations au‑delà du jeu, ouvrant la voie aux applications IA d’aujourd’hui.

« Les chercheurs ont réalisé qu’en achetant cette carte de jeu appelée GeForce, vous l’ajoutez à votre ordinateur, vous avez essentiellement un superordinateur personnel.

Mécanique moléculaire, traitement sismique, reconstruction CT, traitement d’images — toute une série de choses différentes.

»

Jensen Huang, dans une interview avec Sequoia

Il est probable que le matériel Nvidia, soit directement, soit intégré aux clouds de Microsoft (MSFT ), Google, Meta et OpenAI, restera le matériel de choix pour les chercheurs.

Les dépenses d’investissement en IA devraient atteindre jusqu’à 200 milliards de dollars en 2025, en plus des dépenses cumulées en constante augmentation des plus grandes entreprises technologiques. D’autres composants électroniques, tels que la RAM haute performance, sont désormais en pénurie alors que la production de puces Nvidia s’accélère.

Bien que la recherche scientifique ne représente peut‑être pas la majeure partie du calcul IA comparée aux usages grand public ou B2B, elle pourrait devenir le moteur à long terme le plus impactant, promettant de nouveaux alliages, médicaments et méthodologies scientifiques.

(Vous pouvez lire davantage sur l’histoire de Nvidia, ses activités actuelles et ses perspectives futures dans notre rapport d’investissement dédié à l’entreprise.)

Étude référencée

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Production scientifique à l’ère des grands modèles de langage. Science. 18 déc. 2025. Vol 390, Numéro 6779 p. 1240-1243. DOI: 10.1126/science.adw3000}