L’IA générative est désormais intégrée au flux de travail quotidien de la recherche scientifique. Les chercheurs l’utilisent pour parcourir et résumer la littérature, générer des idées, rédiger des réponses aux relecteurs et affiner le style de textes écrits. Ce n’est plus une pratique marginale. Cela soulève une question à laquelle la communauté scientifique n’a pas encore répondu clairement : lorsqu’une production intellectuelle de chercheur est en partie produite par un système d’IA, que signifie réellement la paternité d’une œuvre ?
Robert Braun, chercheur senior à l’Institute for Advanced Studies de Vienne, soutient dans Nature que cette question va plus loin qu’il n’y paraît. Il ne s’agit pas simplement de crédit. Il s’agit de responsabilité, de confiance et de toute l’infrastructure par laquelle la science est validée.
La paternité a toujours été une construction sociale, non un droit naturel
L’un des points les plus éclairants de l’analyse de Braun est d’ordre historique. La paternité en science n’a jamais été une catégorie fixe ou évidente. Elle a été construite par des conventions, des institutions et des pratiques qui ont évolué au fil du temps. L’autorité d’Isaac Newton en tant que savant, par exemple, reposait non seulement sur ses découvertes, mais aussi sur sa capacité à naviguer au sein d’institutions comme la Royal Society et les normes de publication de son époque. Les règles du crédit académique ont toujours été façonnées par les outils et les structures sociales disponibles.
Cela importe car cela recadre le débat actuel. L’arrivée de l’IA générative n’est pas la première fois que la technologie perturbe la manière dont la paternité est attribuée. Mais c’est probablement la plus perturbatrice sur le plan structurel, car l’IA ne correspond à aucune catégorie existante de contributeur.
Un étudiant diplômé ou un assistant de recherche qui aide à rédiger un article peut expliquer ce qu’il a fait, répondre aux critiques, apprendre de la correction et être tenu responsable des erreurs. Un système d’IA générative ne peut faire aucune de ces choses. Il ne peut pas justifier ses productions, assumer la responsabilité des inexactitudes ou être sanctionné pour inconduite. Il ne s’agit pas d’une distinction technique mineure. C’est la raison fondamentale pour laquelle le simple ajout de l’IA aux cadres de paternité existants ne fonctionne pas.
Les outils existent, les catégories non plus
La communauté de la recherche a développé des taxonomies pour rendre la paternité plus transparente. CRediT, la taxonomie des rôles de contributeurs, est désormais utilisée par plusieurs éditeurs et décompose le travail académique en rôles spécifiques, allant au-delà du signal brut de l’ordre des auteurs. C’est une véritable amélioration par rapport aux pratiques plus anciennes.
Mais CRediT a été conçu pour des contributeurs humains. Il ne possède pas de catégorie pour la ” synthèse de littérature assistée par IA ” ou l’” itération structurelle générée par IA ”. L’article de Braun lui-même en est un exemple parfait : il révèle que ChatGPT d’OpenAI a été utilisé pour la génération d’idées, l’itération structurelle, la génération de prose, le résumé, la condensation et la révision stylistique, et que Claude d’Anthropic a été utilisé pour relire l’article. Ce sont des contributions substantielles au texte final. Aucun des cadres de paternité existants ne leur offre une place claire.
Le problème dépasse la phase de rédaction. L’IA commence à influencer la sélection des relecteurs, l’interprétation éditoriale des rapports et le langage des décisions éditoriales. Ce sont les mécanismes par lesquels un manuscrit devient un travail scientifique reconnu. Si l’IA façonne ces mécanismes sans aucune comptabilité formelle, la transparence que la paternité est censée garantir devient creuse.
Il existe également une couche de travail invisible qui entre rarement dans la conversation. Les systèmes d’IA générative utilisés dans la recherche ont été construits sur l’étiquetage de données, l’évaluation de modèles, le travail d’ingénierie, la maintenance de plateformes et le vaste corpus de textes sur lequel les modèles ont été entraînés. Aucun de ces travaux n’apparaît dans les sections de remerciements. Les personnes qui les ont accomplis ne reçoivent aucune attribution.
Une faille dans la hiérarchie qui mérite d’être examinée
Voici ce que la plupart des reportages sur ce sujet manquent. L’arrivée de l’IA générative dans la rédaction académique ne crée pas seulement un nouveau problème d’attribution. Elle en expose un ancien.
Le travail académique a toujours été organisé de manière hiérarchique. Les chercheurs juniors recherchent la littérature et collectent des données. Les chercheurs seniors encadrent l’argument conceptuel et approuvent le texte final. La section des remerciements, qui peut sembler être une courtoisie, est en réalité une économie graduée : certaines contributions deviennent une paternité, d’autres sont rétrogradées à des ” commentaires utiles ”, et d’autres disparaissent complètement.
L’argument de Braun est que l’IA générative crée une opportunité de questionner cette économie plutôt que de simplement l’étendre. Si la synthèse de littérature assistée par IA est suffisamment significative pour exiger une divulgation, pourquoi le même travail, lorsqu’il est effectué par un assistant de recherche humain, n’a-t-il historiquement pas valu une paternité ? La question n’est pas rhétorique. Elle pointe vers une incohérence structurelle qui précède l’IA et que l’IA rend désormais plus difficile à ignorer.
Les décisions prises actuellement sur la manière de comptabiliser l’IA dans l’édition académique façonneront l’avenir de la recherche. Si ces décisions sont guidées principalement par la convenance ou le coût, le résultat sera des cadres qui obscurcissent plus qu’ils ne révèlent.
En bref
L’IA générative est déjà au cœur du processus de rédaction scientifique, gérant des tâches allant de la revue de littérature à la révision stylistique. Le problème est que les cadres de paternité existants ont été conçus pour des humains qui peuvent être tenus responsables, et que l’IA ne le peut pas. La solution ne consiste pas simplement à ajouter une nouvelle case à cocher dans les taxonomies existantes. Elle exige une repensée plus fondamentale de la manière dont le crédit et la responsabilité académiques sont attribués, y compris pour le travail humain qui a longtemps été rendu invisible par les mêmes hiérarchies aujourd’hui perturbées.
Basé sur un reportage de Nature : Machine Learning.
D’après un reportage de Nature: Machine Learning.