Comment l'intelligence artificielle transforme la manière de faire de la recherche

Cette revue systématique de 2024 cartographie les usages de l'IA dans les pratiques de recherche scientifique, révélant à la fois des gains d'efficacité et des risques émergents pour la rigueur méthodologique. Les auteurs identifient un paradoxe : l'IA accélère la production scientifique tout en introduisant de nouvelles formes de fragilité épistémique.

Le constat de départ : La recherche sous pression

La production scientifique mondiale double environ tous les neuf ans. Face à cette accélération, les chercheurs se tournent vers l'IA pour automatiser des tâches autrefois manuelles : revue de littérature, codage qualitatif, analyse statistique, rédaction de manuscrits. Schmitt et ses collègues entreprennent en 2024 une revue systématique pour recenser ces usages, évaluer leur maturité, et identifier les risques associés. Leur ambition est de dresser un état des lieux rigoureux à un moment où les promesses commerciales brouillent la frontière entre possibilités réelles et fantasmes.

La méthode de la revue systématique

Les auteurs suivent le protocole PRISMA, interrogeant cinq bases de données avec des chaînes de recherche combinant les termes liés à l'intelligence artificielle et aux pratiques de recherche. Après filtrage de plus de 3 000 références initiales, ils retiennent un corpus final de publications empiriques décrivant l'utilisation effective d'outils d'IA dans un contexte de recherche. Chaque étude est codée selon le type de tâche automatisée, le domaine disciplinaire, le niveau de validation rapporté, et les limites reconnues par les auteurs eux mêmes.

Les usages dominants identifiés

Trois catégories d'usage émergent nettement. La première concerne la recherche et la synthèse de littérature, où des outils comme Semantic Scholar ou Elicit assistent les chercheurs dans le tri de milliers d'articles. La deuxième touche l'analyse de données, avec des modèles de machine learning utilisés pour détecter des patterns dans des corpus textuels, des images médicales ou des données génomiques. La troisième, plus récente, implique la rédaction assistée par des modèles de langage, utilisés pour produire des brouillons, reformuler des paragraphes, ou générer des sections méthodologiques.

Les risques épistémiques mis en lumière

La revue identifie plusieurs dangers. Le plus préoccupant est la « boîte noire méthodologique » : lorsque l'IA réalise une étape analytique, le chercheur perd parfois la capacité d'expliquer précisément comment un résultat a été obtenu. Ce déficit de transparence contrevient aux principes de reproductibilité. Un deuxième risque est l'homogénéisation : si tous les chercheurs utilisent les mêmes outils, les mêmes biais se propagent à travers des milliers d'études simultanément, créant des corrélations artificielles dans la littérature. Enfin, la facilité de production accroît la pression à publier davantage, renforçant une logique quantitative au détriment de la profondeur.

Un appel à la gouvernance de l'IA dans la recherche

Les auteurs concluent par des recommandations : obligation de déclarer les outils d'IA utilisés dans chaque manuscrit, développement de standards de validation spécifiques aux analyses assistées par IA, et formation des doctorants à l'évaluation critique des sorties algorithmiques. Ils plaident pour une approche où l'IA augmente le chercheur sans le remplacer, préservant la capacité de jugement humain à chaque étape critique.

Transformer ce constat en projet d'équipe

Instaurez dans votre organisation une politique claire de déclaration des outils d'IA utilisés dans les projets de recherche et développement. Formez vos équipes à vérifier les sorties algorithmiques plutôt qu'à les accepter par défaut, et prévoyez des audits périodiques de la chaîne méthodologique pour maintenir la reproductibilité.

Pour aller plus loin

Ren et al. (2024). Theory-driven perspectives on generative artificial intelligence in business and management: Reimagine the relational realm of workplaces in the generative artificial intelligence era

OECD (2023). The Impact of AI on the Workplace: Evidence from OECD Case Studies of AI Implementation

Saloni et al. (2025). The Future of Work: Generative AI's Influence on Turnover Intentions and Organizational Strategy

Référence : Schmitt, M., Raue, M., Stachl, C. et Schoedel, R. (2024). The impact of AI on research practice: A systematic review. arXiv. https://doi.org/10.48550/arxiv.2410.03571