Publications scientifiques : l’IA accélère la recherche, mais fragilise la confiance

L’intelligence artificielle ne se contente plus d’aider les laboratoires à trier des données ou à repérer des corrélations. Elle entre désormais dans la fabrique même des articles scientifiques : recherche documentaire, traduction, correction, programmation, mise en forme des résultats et, dans certains cas, rédaction de passages entiers. Cette évolution promet de fluidifier un système éditorial souvent lent, mais elle oblige aussi la communauté scientifique à redéfinir ce qui fonde la confiance dans une publication.

Un article scientifique n’est pas seulement un texte bien écrit. Il engage la responsabilité de ses auteurs, décrit une méthode qui doit pouvoir être examinée et permet, en principe, à d’autres équipes de vérifier ou de reproduire les résultats. Lorsqu’un outil génératif participe à sa préparation, la question n’est donc pas de savoir s’il écrit correctement. Elle est de savoir si chaque affirmation, chaque référence et chaque analyse a été contrôlée par une personne capable d’en répondre.

Au 20 juillet 2025, les éditeurs, les universités et les chercheurs cherchent encore un équilibre. Il serait réducteur de présenter l’IA comme un simple outil de fraude, tout comme il serait imprudent d’y voir une solution automatique aux lenteurs de la recherche. Elle est à la fois un accélérateur de travail intellectuel et une nouvelle source de risques.

Pourquoi l’IA change la publication scientifique

La chaîne de publication est longue. Avant d’être lu par le public ou ses pairs, un travail passe généralement par la conception d’une étude, la collecte et l’analyse des données, la rédaction d’un manuscrit, son évaluation par des spécialistes, puis les corrections demandées par une revue. L’IA peut intervenir à presque chacune de ces étapes.

Les modèles génératifs peuvent proposer un plan, reformuler un paragraphe, résumer une littérature scientifique ou corriger l’anglais d’un auteur non anglophone. Les outils d’analyse, eux, sont capables de traiter de grands ensembles de données, d’aider à écrire du code ou de repérer des motifs difficiles à déceler manuellement. Dans des domaines où les jeux de données sont massifs, cette assistance peut être particulièrement utile.

La promesse est donc concrète : permettre aux équipes de consacrer davantage de temps à leurs hypothèses, à leurs expériences et à l’interprétation de leurs résultats. Mais la rapidité n’est pas un critère suffisant de qualité. Un modèle de langage produit une réponse plausible à partir de régularités statistiques dans les textes qu’il a appris. Il ne mène pas lui-même une expérience, ne garantit pas l’exactitude d’une référence et ne comprend pas les conséquences d’une erreur méthodologique.

L’épisode Guillaume Cabanac, un signal d’alerte pour les revues

Les inquiétudes ne reposent pas sur une hypothèse abstraite. En août 2023, Guillaume Cabanac, professeur à l’université de Toulouse-III, a détecté dans un article scientifique un passage formulé comme une instruction interrogative et associé à un extrait issu de ChatGPT. Cet épisode a attiré l’attention sur un problème très concret : un texte généré ou mal relu peut parvenir jusqu’à la publication sans être repéré suffisamment tôt.

Ce type d’erreur peut prendre plusieurs formes. Une consigne destinée au logiciel peut être copiée par inadvertance dans le manuscrit. Une réponse générée peut contenir une référence qui semble crédible, mais qui n’existe pas. Une reformulation peut aussi déformer le sens d’un résultat, surtout dans les disciplines où un mot change la portée d’une conclusion.

Il faut toutefois éviter les raccourcis. La présence d’un texte suspect ne prouve pas automatiquement une intention frauduleuse, et l’usage d’une IA n’annule pas à lui seul la valeur d’une recherche. En revanche, il révèle une défaillance possible dans la préparation du texte, dans le contrôle des auteurs ou dans le processus de relecture. La publication scientifique repose précisément sur cette succession de vérifications.

Le risque le plus préoccupant est celui d’une accumulation : des manuscrits produits plus vite, relus trop rapidement et appuyés sur des références ou des résultats insuffisamment contrôlés. La quantité d’articles pourrait alors augmenter sans que la robustesse des connaissances progresse au même rythme.

Des règles plus strictes pour les auteurs et les évaluateurs

Face à ces usages, les grands groupes d’édition scientifique ont commencé à formaliser leurs politiques. Elsevier et Springer Nature, qui regroupe notamment les activités éditoriales de Nature et de Springer, insistent sur un principe commun : l’IA peut être utilisée comme outil d’assistance, à condition que les auteurs en gardent la maîtrise et la responsabilité.

Une règle est devenue centrale : un système d’IA générative ne doit pas être présenté comme co-auteur d’un article. L’auteur d’une publication doit pouvoir prendre la responsabilité du contenu, approuver la version finale et répondre aux questions liées à l’intégrité du travail. Un logiciel ne remplit aucune de ces conditions.

La transparence est l’autre pilier des nouvelles pratiques. Lorsqu’un outil génératif a joué un rôle significatif dans la préparation d’un manuscrit, les revues peuvent demander qu’il soit déclaré. Cette mention ne vise pas à sanctionner les chercheurs qui emploient ces outils. Elle permet au lecteur, aux éditeurs et aux évaluateurs de comprendre dans quelles conditions le texte a été produit.

La situation est particulièrement sensible lors de la revue par les pairs. Les évaluateurs reçoivent souvent des manuscrits confidentiels, parfois avant toute publication des résultats. Copier ce contenu dans un service d’IA externe peut poser un problème de confidentialité et de protection des données. Les règles diffèrent selon les éditeurs et les revues, mais la prudence est indispensable : un évaluateur ne devrait jamais déléguer à un outil la responsabilité de son jugement scientifique.

Détecter les textes générés ne suffit pas à garantir l’intégrité

Les éditeurs développent ou utilisent des outils capables de signaler des similitudes textuelles, des formulations inhabituelles, des références incohérentes ou des anomalies dans les images et les données. L’IA peut donc être mobilisée pour surveiller les effets de l’IA elle-même. Cette apparente contradiction reflète une réalité : les outils automatisés sont utiles pour trier et attirer l’attention, pas pour rendre seuls un verdict.

Les détecteurs de texte généré présentent des limites importantes. Ils peuvent se tromper, considérer à tort qu’un texte humain a été produit par une machine ou, à l’inverse, laisser passer un contenu généré puis largement retravaillé. Ils sont particulièrement fragiles lorsqu’ils sont appliqués à des textes courts, à une langue autre que l’anglais ou à des auteurs dont le style est très normé.

La bonne méthode consiste donc à croiser plusieurs signaux : cohérence du raisonnement, existence des sources citées, disponibilité des données, plausibilité statistique, qualité des figures, réponses des auteurs et expertise de relecteurs humains. Dans ce cadre, l’IA peut faire gagner du temps aux équipes éditoriales, mais ne remplace pas leur jugement.

Une aide légitime, à condition de ne pas confondre assistance et preuve

Pour de nombreux chercheurs, l’IA n’est pas d’abord un outil de rédaction automatique. Elle sert à simplifier des tâches répétitives : nettoyer un jeu de données, commenter un script informatique, traduire un résumé ou améliorer la lisibilité d’un manuscrit. Ces usages peuvent être particulièrement précieux pour des équipes disposant de peu de moyens ou travaillant dans une langue qui n’est pas celle de la majorité des revues internationales.

L’enjeu est de définir une frontière claire. Utiliser une IA pour corriger la grammaire d’un texte n’a pas la même portée que lui demander de produire l’interprétation d’une expérience. De même, employer un algorithme pour assister l’analyse d’images médicales ne dispense pas de décrire la méthode, d’évaluer ses performances et de faire contrôler les résultats par des spécialistes.

L’exemple de projets médicaux utilisant l’IA pour aider au positionnement d’aiguilles avec davantage de précision montre le potentiel de ces technologies dans des interventions complexes. Mais un résultat prometteur ne devient pas fiable par la seule présence d’un algorithme. Il doit être documenté, comparé à des méthodes existantes et évalué dans des conditions rigoureuses. Cette exigence vaut tout autant pour les projets artistiques utilisant l’IA : l’innovation ne dispense ni de la transparence ni du respect de règles éthiques.

Quels risques pour la qualité de la recherche ?

Le premier risque est celui des erreurs convaincantes. Les systèmes génératifs peuvent inventer des références, attribuer une idée à la mauvaise équipe ou produire une explication scientifiquement plausible mais fausse. Dans un contexte académique, une telle erreur peut contaminer un article, puis être reprise par d’autres travaux si elle n’est pas détectée.

Le deuxième concerne l’inégalité entre disciplines et institutions. Les laboratoires capables de financer des outils puissants, des infrastructures de calcul ou des spécialistes des données peuvent bénéficier plus vite de ces avancées. À l’inverse, une adoption mal accompagnée peut placer certains chercheurs en difficulté, notamment s’ils ne disposent pas de formation suffisante pour évaluer les réponses produites par les modèles.

Le troisième est plus diffus : la tentation de mesurer la productivité scientifique au nombre de manuscrits produits. Or, la science ne progresse pas uniquement par l’accélération de l’écriture. Elle progresse par la qualité des questions posées, la solidité des protocoles, la discussion critique et la possibilité de reproduire les résultats. Si l’IA réduit certains délais, elle pourrait aussi augmenter la charge de vérification pesant sur les relecteurs et les éditeurs.

Enfin, la confiance du public est en jeu. L’IA peut rendre des travaux difficiles d’accès plus compréhensibles grâce à des résumés et à des outils de recherche améliorés. C’est un atout pour la diffusion des connaissances. Mais ces synthèses doivent rester clairement distinguées de la recherche originale, et ne jamais masquer les incertitudes ou les limites d’une étude.

Ce qu’il faut surveiller

L’avenir de l’édition scientifique dépendra moins de la capacité des IA à écrire que de la capacité des institutions à organiser leur usage. Les revues devront préciser ce qui doit être déclaré, les universités devront former les chercheurs aux limites des outils génératifs, et les équipes devront conserver des traces suffisamment claires de leurs méthodes de travail.

Plusieurs points méritent une attention particulière : la protection des manuscrits confidentiels, la vérification des références générées, la traçabilité des analyses réalisées avec des outils automatisés et la formation des évaluateurs. La question n’est pas de bannir toute IA des publications scientifiques. Elle est de veiller à ce que l’automatisation renforce la recherche au lieu d’affaiblir ses garanties fondamentales.

La revue par les pairs, souvent critiquée pour sa lenteur et ses imperfections, reste au cœur de cette réponse. Elle devra elle aussi évoluer, avec des outils capables d’aider à repérer les problèmes sans substituer un jugement automatique à l’expertise. Dans une science assistée par IA, la transparence et la responsabilité humaines ne deviennent pas secondaires : elles deviennent plus importantes encore.