Selon Jamal Atif, directeur du Programme et équipements prioritaires de recherche sur l’intelligence artificielle (PEPR-IA) au Centre national de la recherche scientifique (CNRS), l’IA constitue une « technologie d’usage général » appelée à « transformer de manière radicale » les organisations scientifiques. Derrière cette affirmation se cache une réalité complexe. Sous le terme d’IA coexistent des approches hétérogènes (systèmes symboliques, méthodes probabilistes, optimisation, apprentissage automatique et profond) issues d’une histoire longue d’un champ scientifique en évolution constante. L’IA ne désigne pas une technologie unique, mais un ensemble de techniques dont les impacts sur la recherche varient fortement selon les disciplines.
Les avancées récentes en apprentissage profond, en particulier les réseaux de neurones et les modèles génératifs (Large Language Models / LLM), transforment de manière visible les pratiques scientifiques. Certaines disciplines disposent désormais de modèles capables d’analyser de vastes bases de données, de générer du code ou des hypothèses, et de simuler des phénomènes complexes. D’autres communautés demeurent plus prudentes, soulignant l’opacité de ces méthodes, leurs biais et les risques méthodologiques. L’impact de l’IA sur la recherche n’est ni uniforme ni linéaire.
Cette note se concentre sur les réseaux de neurones modernes en apprentissage profond, non pas parce qu’ils résument l’IA, mais parce qu’ils transforment aujourd’hui les conditions matérielles, méthodologiques et cognitives de la production scientifique.
Comment l’IA aide la recherche aujourd’hui
L’IA s’intègre progressivement dans le quotidien des chercheurs à travers divers outils. Les LLM offrent de nouvelles capacités d’exploration bibliographique. Des services comme Web of Science Research Assistant, Scopus AI ou ScholarGPT permettent de « dialoguer » avec la littérature, de résumer rapidement un corpus ou d’identifier des articles connexes. Ils ne r
