La transformation de la recherche par l'IA : objet, sujet, institution et signification sociale de la recherche à l'ère de l'IA

1. Introduction

Jusqu'à il y a quelques années, j'étais chercheur, mais avec l'émergence d'IA hautement performantes et polyvalentes comme ChatGPT et Claude, j'ai le sentiment que la façon de mener la recherche a considérablement changé par rapport à l'époque.

Depuis l'émergence d'IA polyvalentes comme ChatGPT, l'industrie de la recherche a subi des impacts majeurs. Par exemple, les soumissions à NeurIPS, la conférence de référence en apprentissage automatique, ont plus que doublé en cinq ans, passant de 9 467 en 2020 à 21 575 en 2025 (NeurIPS, 2025), et la revue de gestion de premier plan Organization Science a rapporté une augmentation de 42 % des soumissions en glissement annuel après la publication de ChatGPT (Organization Science editorial board, 2026).

Ici, en procédant à une synthèse exhaustive de la recherche elle-même (objet, acteur, institution, signification sociale), nous examinerons la recherche sous un nouvel angle et discuterons des transformations que l'ère de l'IA exige.

2. L'objet de la recherche

2.1 Définition de la recherche

Le Manuel de Frascati de l'OCDE, norme internationale des statistiques de recherche et développement, définit la recherche comme « un travail créatif et systématique entrepris pour augmenter l'accumulation de connaissances et pour utiliser ces connaissances dans de nouvelles applications » (OCDE, 2015). Le Manuel établit également cinq critères pour déterminer si une activité donnée constitue de la recherche, lesquels constituent un outil de démarcation applicable dans tous les domaines.

• Nouveauté (novel) : La recherche vise à l'acquisition de connaissances qui ne sont pas encore connues

• Créativité (creative) : Elle est fondée sur des concepts ou des hypothèses non évidents et originaux

• Incertitude (uncertain) : Les résultats (réussite ou échec, coûts et délais) ne sont pas déterminés à l'avance

• Systématicité (systematic) : Elle est menée de manière planifiée, budgétisée et documentée

• Transférabilité / Reproductibilité (transferable / reproducible) : Elle vise à rendre les résultats transmissibles à autrui et reproductibles

En vertu de ces cinq critères, les activités qui ressemblent à de la recherche mais n'en sont pas deviennent claires.

• Collecte d'informations pour investiguer une question dont la réponse existe déjà (c'est de l'apprentissage ou de l'enquête, et même si c'est nouveau pour l'individu, la connaissance mondiale n'augmente pas)

• Collecte de données de routine, contrôle de qualité et études de marché (bien que systématiques, ils manquent de nouveauté et de créativité)

• Amélioration type d'un produit existant (incertitude faible, classée comme développement)

En d'autres termes, la définition de la recherche est que « une connaissance nouvelle pour le monde s'ajoute sous une forme vérifiable ».

2.2 Quatre actes constitutifs de la recherche

En décomposant cette définition en actions, la recherche dans tous les domaines est une combinaison des quatre actes suivants.

• ① Poser une question

  • Identifier une question qui n'a pas encore de réponse et qui mérite d'être répondue (non résolue, résoluble en principe, et dont la résolution changerait quelque chose)

  • Exemple : La question « La structure tridimensionnelle d'une protéine peut-elle être prédite uniquement par calcul à partir de la séquence d'acides aminés ? », restée sans réponse pendant 50 ans, fut le point de départ d'AlphaFold (Jumper et al., 2021)

• ② Construire des candidats réponses

  • Construire des hypothèses, théories, modèles ou artéfacts (algorithmes ou appareils)

  • Exemple : Le modèle de maquette en fil de fer de la double hélice d'ADN par Watson et Crick (Watson & Crick, 1953) était une construction physique d'un candidat réponse

• ③ Vérifier

  • Confirmer la validité d'une réponse par la preuve, l'argumentation ou l'expérience

  • Réfutabilité (Popper, 1959) : La condition d'une affirmation vérifiable est de pouvoir dire « quelles observations la réfuteraient »

  • Exemple : La théorie générale de la relativité a formulé la prédiction réfutable que « la position apparente des étoiles changerait pendant une éclipse solaire », et elle a survécu à l'observation (Dyson, Eddington & Davidson, 1920)

• ④ Partager et rendre vérifiable

  • Publier les résultats sous une forme permettant à autrui de les reproduire, de les critiquer et de les réutiliser

  • Champ d'application : La publication de travaux ne se limite pas aux articles, mais inclut la publication de données, de code et de procédures expérimentales

Ces quatre actes ne sont pas une ligne droite mais une boucle : l'échec de la vérification engendre de nouvelles questions, et la critique des résultats partagés inspire de nouvelles hypothèses.

2.3 Classification en trois approches de recherche : Classification par objectif de recherche

Ici, nous présentons deux classifications ayant des rôles différents.

La classification classique en trois catégories est utilisée dans les statistiques de recherche de chaque pays, les budgets gouvernementaux et la comptabilité des dépenses de recherche et développement des entreprises, et tous les éléments sont enregistrés selon cette classification. Cependant, cette classification suppose implicitement une ligne droite unidimensionnelle « recherche fondamentale → recherche appliquée → développement », et il n'y a pas de place pour la recherche qui poursuit simultanément la compréhension et l'application pratique.

Le quadrant de Pasteur est utilisé pour décomposer cette ligne droite en deux axes et capturer la recherche de manière plus précise.

• Classification classique en trois catégories (OCDE, 2015)

  • Recherche fondamentale : Exploration des connaissances sans but d'application direct. Exemples : Élucidation de la structure de la double hélice de l'ADN, observation des ondes gravitationnelles (acquisition de connaissances sans considération d'usage au moment de la découverte)

  • Recherche appliquée : Exploration des connaissances pour atteindre un objectif d'utilité spécifique. Exemples : Recherche pour faire fonctionner la technologie ARNm comme vaccin, recherche en chimie pharmaceutique ciblant un cancer spécifique

  • Développement : Activité de concrétisation des connaissances en produits ou procédés. Exemples : Établissement du procédé de production de masse du vaccin ARNm, conception et prototypage d'un nouveau smartphone

• Quadrant de Pasteur (Stokes, 1997) : Classification en quatre quadrants selon deux axes — « Cherche-t-on à comprendre les principes fondamentaux ? » × « Envisage-t-on une application pratique ? »

  • Type Bohr : Poursuite de la compréhension pure. Cherche à comprendre les principes mais n'envisage pas l'application pratique. Exemples : Construction de la mécanique quantique représentée par le modèle atomique de Bohr, cosmologie explorant les origines de l'univers, recherche du boson de Higgs — poursuivant seulement « Comment le monde fonctionne-t-il ? » sans considération d'usage.

  • Type Pasteur : Poursuite simultanée de la compréhension et de l'application pratique. Cherche à comprendre les principes et envisage l'application pratique. Exemple : Pasteur a élucidé « pourquoi » la fermentation et la corruption se produisent, construisant la microbiologie comme discipline fondamentale, tout en donnant naissance à des applications pratiques comme les vaccins et la pasteurisation. La recherche en physique des solides au Bell Labs (où la clarification des principes des semi-conducteurs a directement mené à l'invention du transistor) suit le même modèle. La recherche actuelle en IA, qui vise à comprendre les principes de l'intelligence tout en générant d'énormes applications industrielles, est un exemple typique de ce quadrant.

  • Type Edison : Poursuite de l'application pratique pure. Ne cherche pas à comprendre les principes et envisage l'application pratique. Exemple : Edison a testé des milliers de matériaux de filament pour l'ampoule électrique mais n'a pas cherché à élucider les principes physiques de l'incandescence. De nombreuses recherches d'amélioration de produits qui optimisent les performances dans le cadre des principes existants entrent dans cette catégorie.

  • Quatrième quadrant : Observation et enregistrement systématiques d'un phénomène particulier. Ne cherche pas à comprendre les principes et n'envisage pas l'application pratique. Exemple : Stokes lui-même cite l'atlas ornithologique de Peterson, qui représente l'observation et la classification naturalistes. Bien que ne visant pas directement la construction de théories ni l'application pratique, il accumule des données qui forment la base de recherches ultérieures.

2.4 Classification en trois approches de recherche : Classification par méthode de recherche

Toute recherche est menée selon trois modes de raisonnement (déduction, induction, abduction) (Peirce, 1878). Le raisonnement peut s'écrire comme une combinaison des trois éléments suivants.

• Rule : Un lien général « si A alors B ». Exemple des haricots : « Les haricots tirés de ce sac sont blancs ».

• Case : Le fait qu'un objet particulier se situe à l'entrée (A) de cette loi. Exemple des haricots : « Ce haricot a été tiré de ce sac ». C'est-à-dire la raison ou l'origine de la blancheur.

• Result : Ce qui se manifeste réellement à la sortie (B) de l'objet particulier. Exemple des haricots : « Ce haricot est blanc ». C'est-à-dire le fait observable.

La différence entre les trois modes de raisonnement réside dans les deux éléments utilisés comme matière première et lequel des trois on en déduit.

• Déduction : Déduire « Result » de Rule + Case

  • Exemple du sac de haricots : Tous les haricots de ce sac sont blancs (Rule) + Ce haricot provient de ce sac (Case) → Ce haricot est blanc (Result)

  • Exemples : Déduction mathématique de la valeur observée du « déplacement du périhélie de Mercure » (Result) à partir de la théorie générale de la relativité (Rule). Preuve de théorèmes à partir des axiomes de la géométrie euclidienne (Rule)

• Induction : Déduire « Rule » de Case + Result

  • Exemple du sac de haricots : Les haricots tirés de ce sac (Case) sont tous blancs (Result) → Tous les haricots de ce sac doivent être blancs (Rule)

  • Exemples : Les trois lois du mouvement planétaire (Rule) déduites par Kepler à partir des observations astronomiques massives de Tycho Brahe (accumulation de Case et Result). La découverte de motifs par apprentissage automatique est une version moderne de ceci.

• Abduction : Déduire « Case » de Rule + Result

  • Exemple du sac de haricots : Tous les haricots de ce sac sont blancs (Rule) + Il y a un haricot blanc sur le bureau (Result) → Ce haricot ne provient-il pas de ce sac ? (hypothèse de Case)

  • Exemples : Confrontant le fait que l'orbite d'Uranus s'écarte des calculs (Result) avec la loi de la gravitation universelle (Rule), on émet l'hypothèse de Case que « une planète inconnue exerce une attraction gravitationnelle », menant à la découverte de Neptune. La découverte de la pénicilline a également commencé par l'hypothèse de Case expliquant que « les bactéries meurent uniquement autour du moisi (Result) ».

Dans la recherche, les trois raisonnements sont utilisés par spécialisation. L'abduction invente l'hypothèse Case, la déduction en déduit le Result vérifiable (prédiction), et l'induction l'établit comme Rule en accumulant les observations. La recherche progresse par ce cycle.

Jusqu'à présent, la science a connu cinq paradigmes (Gray, 2009), ce qui représente une histoire de transformation progressive des trois raisonnements en outils, c'est-à-dire leur mécanisation.

• Premier paradigme (Science expérimentale et observationnelle) : Observer et expérimenter la nature, dégager les lois de l'expérience (milliers d'années d'histoire)

  • L'homme exécute les trois raisonnements entièrement manuellement (axe dominant : induction)

  • Abduction (manuelle) : Dans l'hypothèse de l'évolution de Darwin, les organismes vivants possèdent des traits adaptés à l'environnement (Rule) + les formes des becs des pinsons diffèrent selon les îles (Result) → Les espèces se sont peut-être diversifiées selon l'environnement de chaque île (Case).

  • Déduction (manuelle) : Dans le plan d'expérience de Mendel, l'hérédité se transmet de façon particulaire avec des traits dominants et récessifs (Rule) + ce croisement est une seconde génération du croisement entre deux lignées pures (Case) → les traits devraient se ségréguer dans un rapport 3:1 (Result).

  • Induction (manuelle) : Dans la loi de la chute libre de Galilée, dans chaque essai de faire tomber des sphères de poids différents (Case) + dans tous les essais, la façon de tomber ne dépendait pas du poids (Result) → le mouvement de chute ne dépend pas du poids (Rule).

• Deuxième paradigme (Science théorique) : Expliquer et prédire les phénomènes par des modèles mathématiques et la déduction (du 17e siècle à présent)

  • La déduction devient le rôle principal.

  • Abduction (manuelle) : Dans la gravitation universelle de Newton, les objets changent leur direction de mouvement quand ils reçoivent une force (Rule) + les pommes tombent, la lune orbite autour de la terre (Result) → la lune et la pomme ne recevraient-elles pas la même force gravitationnelle de la terre ? (Case).

  • Déduction (manuelle) : Dans la prédiction d'Einstein, la théorie générale de la relativité « la masse courbe l'espace-temps » (Rule) + pendant une éclipse solaire, la lumière stellaire passe près du grand solide massif (Case) → la position apparente d'une étoile devrait dévier de 1,75 secondes d'arc (Result).

  • Induction (manuelle) : Dans les observations d'éclipses solaires à divers endroits et la mesure de l'orbite de Mercure, chaque occasion de vérification (Case) + tous correspondent à la prédiction (Result) → la théorie générale de la relativité est acceptée comme une loi établie (Rule).

• Troisième paradigme (Science computationnelle) : Traiter les systèmes complexes insolubles analytiquement par simulation (du dernier quart du 20e siècle à présent)

  • Mécanisation de la déduction. L'ordinateur effectue la déduction à une échelle qui ne peut pas être résolue analytiquement.

  • Rule (équation) + Case (conditions initiales) → Result (solution numérique). L'ordinateur effectue cette exécution de déduction à une échelle qui ne peut pas être résolue analytiquement.

  • Déduction (automatisée) : Dans les modèles climatiques, les équations des lois physiques de l'atmosphère et de l'océan (Règle) + les conditions initiales de l'atmosphère actuelle (Cas) → ont permis de déduire la distribution des températures à 100 ans (Résultat).

  • Abduction (travail manuel) : Dans l'amélioration des modèles climatiques, le modèle intégrant les lois physiques connues (Règle) + les températures calculées s'écartent des observations (Résultat) → ont permis de déduire que l'effet de refroidissement des aérosols manquait peut-être au modèle (Cas).

  • Induction (travail manuel) : Les calculs à partir des conditions initiales passées (Cas) + les enregistrements climatiques passés observés (Résultat) → ont permis de déduire un raffinage du modèle en adaptant les valeurs de paramètres qui correspondent le mieux aux observations (Règle).

• 4e paradigme (science pilotée par les données) : Découvrir des modèles à partir de mégadonnées via des méthodes statistiques et d'apprentissage automatique (années 2000~)

  • Automatisation de l'induction. La statistique et l'apprentissage automatique remplacent l'induction qui extrait une Règle (modèle) à partir d'un grand nombre de paires Cas/Résultat.

  • Induction (automatisée) : Dans les études GWAS, les génomes de plusieurs centaines de milliers de personnes (Cas) + la présence ou l'absence de maladie chez chacun (Résultat) → ont permis de déduire une association entre certaines variantes génétiques et la maladie (Règle).

  • Déduction (automatisée) : Dans la prédiction par modèles entraînés, le modèle acquis par apprentissage (Règle) + le génome d'un nouveau patient (Cas) → ont permis de déduire la prédiction du risque de développer la maladie chez ce patient (Résultat).

  • Abduction (travail manuel) : Dans l'élucidation des mécanismes, la corrélation entre la variante et la maladie (Règle) + l'observation de l'expression génétique dans les tissus du patient (Résultat) → ont permis de déduire l'hypothèse que cette variante pourrait causer la maladie par ce mécanisme (Cas).

  • « Le 4e paradigme a rencontré le défi suivant : de nombreuses corrélations (Règle) peuvent être produites en masse à partir des données (Cas et Résultat) par induction mécanique, mais l'explication (le processus entre Cas et Résultat) ne peut pas suivre. »

  • Par exemple, en 2007, à partir de données comprenant les génomes de plusieurs centaines de milliers de personnes (Cas) et si chacun était obèse (Résultat), une corrélation (Règle) a été obtenue : « Les personnes ayant une variante dans la région FTO sont plus susceptibles d'être obèses ». Cependant, la partie où il faut déduire la cause invisible « par quel mécanisme cette variante entraîne l'obésité » à partir de cette corrélation et de l'obésité observée n'a pas été comblée pendant 8 ans (l'abduction était un travail manuel). En 2015, on a découvert que la variante dans la région FTO modifiait l'expression d'IRX3/IRX5, ce qui réduisait la thermogenèse des cellules graisseuses.

  • Les Cas et les Résultats forment une chaîne (par exemple : Cas 1→Résultat1=Cas2→Résultat2=Cas3→Résultat3…), et élucider cette chaîne constitue l'explication de la Règle. Par exemple, la chaîne pour FTO est : Cas1=variante dans la région FTO → Résultat1=augmentation de l'expression d'IRX3/IRX5 (=Cas2) → Résultat2=les cellules précurseurs adipeuses se différencient en type accumulateur plutôt qu'en type thermogénique (=Cas3) → Résultat3=baisse de la consommation d'énergie (=Cas4) → Résultat4=accumulation de graisse (=Cas5) → Résultat5=obésité. Ce que GWAS a trouvé, c'est seulement une Règle brute qui relie directement les deux extrêmes (Cas1 et Résultat5), et « expliquer » signifie combler la succession de Cas/Résultats intermédiaires et ancrer chaque lien à une Règle connue (les amplificateurs modifient l'expression génétique, les changements d'expression modifient la différenciation cellulaire, etc.). Comme les Cas/Résultats intermédiaires (comme les quantités d'expression et l'état des cellules) n'ont pas été observés dans les données et qu'il faut de nouvelles expériences pour les voir, la vitesse d'élucidation intermédiaire, qui est un travail manuel, ne peut pas suivre la vitesse de découverte des corrélations externes.

• 5e paradigme (science pilotée par l'IA) : L'IA elle-même pilote la boucle de recherche de la génération d'hypothèses à la conception, l'exécution et l'interprétation des expériences (Microsoft Research, 2022 ; Leng et al., 2023)

  • Automatisation des trois inférences, y compris l'abduction.

  • Abduction (automatisée) : Dans la génération d'hypothèses par l'IA, un ensemble de lois connues dans la littérature (Règle) + des données expérimentales non expliquées (Résultat) → l'IA propose une nouvelle hypothèse de mécanisme (Cas). Exemple : l'AI co-scientist de Google (2025) propose de lui-même une hypothèse de mécanisme qui correspond aux résultats expérimentaux pour un problème non résolu concernant le transfert génétique bactérien (Gottweis et al., 2025).

  • Déduction (automatisée) : Dans la prédiction de structure d'AlphaFold, les règles de correspondance « séquence → structure » apprises (Règle) + la séquence d'acides aminés d'une certaine protéine (Cas) → ont permis de déduire la prédiction de la structure tridimensionnelle de cette protéine (Résultat).

  • Induction (automatisée) : Dans l'apprentissage d'AlphaFold, plusieurs centaines de milliers de séquences d'acides aminés (Cas) + structures tridimensionnelles déterminées expérimentalement (Résultat) → ont permis de déduire les règles de correspondance entre séquence et structure (Règle).

2.5 Classification en trois types d'approches de recherche : classification selon les résultats de la recherche

On peut les classifier selon le type de résultat de recherche (quel type de connaissances on ajoute).

• Nouvelle théorie : nouveau cadre explicatif des phénomènes

  • Exemples : la théorie de la relativité restreinte (Einstein, 1905), le modèle de la double hélice d'ADN (Watson & Crick, 1953), le « marché aux citrons » qui a montré l'inefficacité du marché due à l'asymétrie de l'information (Akerlof, 1970)

• Nouvelle méthode : nouveau moyen de mesure, d'analyse ou de construction

  • Exemples : la méthode PCR pour amplifier les fragments d'ADN (Mullis & Faloona, 1987), l'édition génomique CRISPR-Cas9 (Jinek et al., 2012), le Transformer qui est devenu la base de l'IA générative (Vaswani et al., 2017)

• Nouvelle preuve : preuve empirique supportant ou réfutant une théorie existante

  • Exemples : recherche validant la théorie de la relativité générale par l'observation d'une éclipse (Dyson, Eddington & Davidson, 1920), études épidémiologiques montrant le lien entre tabagisme et cancer du poumon (Doll & Hill, 1950), première observation directe des ondes gravitationnelles (Abbott et al., 2016)

• Nouvel artefact : systèmes, jeux de données, benchmarks

  • Exemples : le jeu de données d'images ImageNet qui a jeté les bases du boom du deep learning (Deng et al., 2009), AlphaFold Protein Structure Database qui a publié les structures tridimensionnelles de plus de 200 millions de protéines (Jumper et al., 2021)

• Synthèse : revues de littérature, méta-analyses, revues systématiques

  • Exemples : étude intégrative en psychothérapie qui a elle-même établi la méthode de « méta-analyse » (Smith & Glass, 1977), rapport d'évaluation du GIEC qui intègre les recherches climatiques de chaque pays pour créer une base commune aux politiques

• Reproduction et réplication : vérification qu'une découverte existante peut être reproduite de manière indépendante

  • Exemples : grand projet ayant systématiquement répliqué 100 études célèbres en psychologie, montrant que seulement environ 36% d'entre elles ont été reproduced de manière significative (Open Science Collaboration, 2015), réplication de 21 études en sciences sociales publiées dans Nature et Science (Camerer et al., 2018)

3. Sujet de la recherche

3.1 Évolution du sujet de la recherche

Avec le temps, l'acteur central des activités de recherche a également évolué.

• Jusqu'au XIXe siècle : individus et mécènes　La recherche était principalement menée par des loisirs de la noblesse ou sous la protection de monarques et d'églises

  • Exemples (chercheurs) : Galilée a reçu la protection de la famille Medici et a nommé les lunes qu'il a découvertes de Jupiter « Étoiles Medici » en retour. Cavendish était un « gentilhomme scientifique » qui a découvert l'hydrogène et a mesuré la densité de la Terre avec sa propre fortune, et Darwin a également mené ses recherches avec ses propres ressources financières.

  • Exemples (mécènes) : Tycho Brahé s'est vu offrir une île et un financement par le roi du Danemark, et a construit le meilleur observatoire astronomique du monde à l'époque.

• XIXe siècle ~ : universités　L'université de type Humboldt a professionnalisé la recherche, et l'université est devenue le centre de production du savoir

  • Exemples (institutions de recherche) : le laboratoire de l'université de Giessen de Liebig a inventé l'enseignement moderne en laboratoire en impliquant les étudiants dans des expériences, et a produit en masse des chimistes. Le laboratoire Cavendish de l'université de Cambridge (établi en 1874), depuis le directeur fondateur Maxwell, a produit J.J. Thomson (découverte de l'électron) et Rutherford (découverte du noyau atomique).

  • Exemples (chercheurs) : Pasteur, Koch et autres, les « chercheurs professionnels » affiliés à des universités et instituts de recherche sont devenus la norme au cours de cette période.

• Première à seconde moitié du XXe siècle : laboratoires de recherche centraux d'entreprises et gouvernements

  • Exemples (entreprises) : Bell Labs (transistor de Shockley et autres, théorie de l'information de Shannon — ayant produit plusieurs prix Nobel), Xerox PARC (invention de l'interface graphique et d'Ethernet), DuPont (nylon de Carothers), Laboratoire GE

  • Exemples (gouvernements) : Projet Manhattan (Laboratoire national de Los Alamos dirigé par Oppenheimer), Programme Apollo de la NASA, établissement du CERN (1954) — la science majeure dirigée par les gouvernements s'est développée

• Fin du XXe siècle : réduction et spécialisation des laboratoires de recherche centraux d'entreprises　Retraite de la recherche fondamentale due aux pressions pour un rendement à court terme, transition vers une division du travail où « les universités assument les bases et les entreprises en démarrage assurent la commercialisation » (aux États-Unis, la loi Bayh-Dole de 1980 autorisant les universités à déposer des brevets a contribué à cette évolution)

  • Exemples (symboles du déclin) : déclin de Bell Labs après la division d'AT&T. Le « manque à gagner » où les inventions de Xerox PARC ont été commercialisées par Apple et autres plutôt que par Xerox lui-même est considéré comme symbolique des limites du modèle du laboratoire central.

  • Exemples (entreprises en démarrage issues d'universités) : Genentech (1976), fondée par Boyer et autres de l'UCSF, est devenue le prototype des entreprises de biotechnologie, et Page et Brin, étudiants à l'université Stanford, ont fondé Google (1998).

• Actuel : essor des startups et des nouvelles organisations de recherche　Les nouvelles organisations de recherche désignent une catégorie générale de nouvelles formes d'organisations de recherche qui ne sont ni des universités, ni des agences gouvernementales, ni des entreprises de type traditionnel

  • Exemples (startups spécialisées dans la recherche) : OpenAI, Anthropic (IA), SpaceX (espace), Moderna, BioNTech (ARNm). En particulier dans le domaine de l'IA, les organisations nouvellement créées mènent elles-mêmes les recherches de pointe.

  • Exemples (nouveaux types d'organisations à but non lucratif) : FRO, une organisation temporaire qui ne résout que des goulots d'étranglement scientifiques spécifiques et se dissout, Arc Institute qui supprime la nécessité de demandes de subvention en fournissant un financement à long terme sans conditions aux chercheurs.

Récemment, avec l'essor des startups et des nouvelles organisations de recherche, les tendances suivantes progressent.

• Les entreprises et startups mènent la recherche

  • Dans le domaine de l'IA, environ 90% des modèles d'IA remarquables proviennent du secteur industriel (Stanford HAI, 2025). La direction de la recherche frontière s'est déplacée des universités à des organisations telles qu'OpenAI, Anthropic et Google DeepMind.

  • SpaceX a transformé la structure des coûts du domaine des lancements, que les agences spatiales nationales ont gérées pendant un demi-siècle, par des ordres de grandeur en réalisant la réutilisabilité des fusées.

  • Moderna et BioNTech se sont concentrées sur l'investissement dans l'ARNm, une technologie longtemps non établie, et ont réalisé le vaccin COVID-19 dans les plus brefs délais de l'histoire.

  • L'échelle requise des ressources de calcul, des données et du capital a dépassé la capacité d'acquisition des universités. L'entraînement de modèles fondamentaux nécessite des investissements de plusieurs dizaines de milliards de yens, ce qui est d'un ordre de grandeur différent du monde des subventions gouvernementales traditionnelles.

  • Dans les principaux pays, environ 70% des dépenses de recherche et développement sont supportées par le secteur des entreprises, et le budget R&D d'une seule grande entreprise technologique dépasse les budgets de recherche gouvernementale de nombreux pays.

  • Les expériences sur de nouvelles organisations de recherche comme FRO (Focused Research Organization) et des instituts de recherche à but non lucratif (exemple : Arc Institute) qui ne sont ni des universités ni des entreprises de type traditionnel s'intensifient.

• Une conception sélective des régimes ouverts/fermés progresse

  • À mesure que le centre de la recherche se déplace vers les entreprises et startups, la tension entre l'ethos de la science (la norme de divulgation ; voir ci-après) et la logique concurrentielle des entreprises (fermeture) s'intensifie.

  • Les détails techniques des modèles de pointe ne sont de plus en plus pas publiés sous forme d'articles. Les résultats de recherche « sans même de préprints » s'élargissent.

  • La conception sélective de l'ouverture/fermeture ne relève plus seulement de la stratégie d'entreprise, mais devient une question institutionnelle portant sur la protection du partage des connaissances dans l'ensemble du système de recherche.

3.2 Comparaison des caractéristiques des acteurs de la recherche

Nous comparons les principaux acteurs de la recherche selon les quatre perspectives suivantes.

• Sources de financement : qui finance la recherche et quel est l'ordre de grandeur

• Orientation de la recherche : vers la recherche fondamentale ou appliquée

• Vitesse : agilité de la prise de décision et du cycle de recherche

• Ouverture : jusqu'où partager les résultats

Selon ces 4 perspectives, nous comparons 6 acteurs.

• Universités

  • MIT, Université Stanford, Université Oxford, etc.

  • Les forces résident dans l'intégration de la formation des talents et de la recherche, ainsi que dans la quête de questions à long terme et libres. Les contraintes tiennent à l'ampleur du financement : la capacité d'acquisition de ressources informatiques et d'équipements importants est inférieure à celle des entreprises.

  • Sources de financement : financement compétitif du gouvernement, allocations de fonctionnement, dons. L'ampleur par projet est réduite.

  • Orientation de la recherche : centre de la recherche fondamentale. Seul acteur couvrant l'ensemble des domaines.

  • Vitesse : lente (limitée par le cycle d'obtention des subventions et les responsabilités en matière d'enseignement).

  • Ouverture : la plus élevée. La publication d'articles elle-même est une mission et une réalisation.

• Organismes de recherche publique / laboratoires gouvernementaux

  • NIH (National Institutes of Health des États-Unis), CERN, NASA, Laboratoire national de Los Alamos, etc.

  • Les forces résident dans les infrastructures géantes que les universités ne peuvent pas posséder (accélérateurs, supercalculateurs, grands télescopes) et les observations continues sur des décennies. Les contraintes sont le manque d'agilité et l'influence des cycles politiques.

  • Sources de financement : budget gouvernemental. Stable et d'ampleur considérable.

  • Orientation de la recherche : de la fondamentale à l'appliquée. Assume des missions nationales (sécurité, santé publique, élaboration de normes).

  • Vitesse : lente en temps de paix (bureaucratie), mais déploie une concentration de force écrasante sur les priorités nationales (exemple : mobilisation de type Projet Manhattan).

  • Ouverture : élevée (toutefois, la sécurité et les domaines sensibles sont classifiés).

• Laboratoires de grandes entreprises

  • Bell Labs, Google Research, Microsoft Research, IBM Research, etc.

  • Les forces résident dans l'intégration verticale de la recherche à la production et l'échelle des données et équipements. Les contraintes sont la pression de rentabilité à court terme, les entreprises tendant à se retirer de la recherche fondamentale (comme l'histoire de la réduction des centres de recherche l'illustre).

  • Sources de financement : revenus de l'entreprise. Liés à la conjoncture et à la politique de gestion.

  • Orientation de la recherche : centrée sur l'application + recherche fondamentale sélective (l'objectif est de maintenir la capacité d'absorption de la science externe, comme indiqué ci-après).

  • Vitesse : rapide (la prise de décision de financement se fait en interne).

  • Ouverture : sélective. Fermeture pour ce qui se vend (biens substituables), ouverture pour ce qui encourage l'utilisation (biens complémentaires).

• Startups / Entreprises de recherche émergentes

  • OpenAI, Anthropic, SpaceX, Moderna, etc.

  • Les forces résident dans le pouvoir de percée par concentration sur un seul point. Non seulement elles ont dirigé la recherche de frontier en IA, mais SpaceX a percé des domaines monopolisés par les agences spatiales nationales grâce aux fusées réutilisables, et Moderna a commercialisé l'ARNm, une technologie non établie, comme vaccin. Les contraintes sont le risque d'épuisement des fonds et l'horizon court, et les connaissances tendent à se disperser en cas d'échec.

  • Sources de financement : capital-risque et grands investisseurs. Les capitaux à risque sont massifs et se concentrent en un seul endroit.

  • Orientation de la recherche : appliquée ~ type Pasteur. Consacrer entièrement les ressources de recherche à une seule mission.

  • Vitesse : la plus rapide. Les décisions se prennent en quelques jours, sans délais ni cycles de subventions.

  • Ouverture : change stratégiquement (initialement ouverte pour l'acquisition de talents, tendance à fermer après l'établissement de la supériorité).

• Instituts de recherche à but non lucratif / Fondations privées

  • Institut médical de recherche Howard Hughes, Allen Institute, Arc Institute, etc.

  • Les forces résident dans la recherche à long terme et haut risque non liée au système de subventions (modèle HHMI type « investir dans les personnes plutôt que dans les projets »). Les contraintes sont la limite de l'échelle et la dépendance envers les intentions des bailleurs de fonds.

  • Sources de financement : fonds de fondations, dons. Plus libre que le gouvernement, à plus long terme que les entreprises.

  • Orientation de la recherche : fondamentale ~ domaines à haut risque. Son raison d'être est de prendre les risques que le financement public n'assume pas.

  • Vitesse : moyenne ~ rapide (bureaucratie mince).

  • Ouverture : élevée (souvent, la mission comprend la fourniture de bases de données et d'outils comme bien public. Exemple : Allen Brain Atlas).

• Chercheurs indépendants / Science citoyenne

  • Chercheurs indépendants, participants à des projets de science citoyenne, etc.

  • Les forces résident dans la liberté de questionnement non entravée par les institutions (mathématiques, découvertes de comètes en astronomie amateur, contributions aux OSS, les résultats sont nombreux). Les contraintes sont le financement et l'équipement, ainsi que l'absence de signal de crédibilité par affiliation.

  • Sources de financement : autofinancement, financement participatif, petites subventions.

  • Orientation de la recherche : domaines nécessitant peu d'équipement en capital, comme la théorie, l'observation, l'analyse de données.

  • Vitesse : la plus rapide (aucune coordination organisationnelle requise).

  • Ouverture : élevée (publication directe via préprints, blogs, OSS).

À travers ces 4 perspectives, on voit que la « nature du financement (de qui provient le financement) » détermine presque l'horizon temporel, l'orientation de la recherche et l'ouverture. Le financement public tend vers le long terme, le fondamental et l'ouverture ; le financement de marché vers le court terme, l'appliqué et l'ouverture sélective ; le financement de fondations vers le domaine à risque intermédiaire.

3.3 Évaluation des chercheurs et carrière

Nous synthétisons l'évaluation des chercheurs (les mécanismes déterminant recrutement, promotion, allocation des fonds de recherche) et la réalité des carrières.

• Sur quoi ont été évalués les chercheurs

  • Quantité et qualité des réalisations : nombre d'articles, nombre de citations, indice h (indicateur composite de productivité et d'impact), prestige du lieu de publication (facteur d'impact ou acceptation aux meilleures conférences).

  • Obtention de financement : antécédents d'obtention de fonds de recherche compétitifs (subventions). C'est le nerf de la guerre pour la gestion du laboratoire et est en soi évalué comme une réalisation.

  • Contribution à la communauté : encadrement d'étudiants, examen par les pairs, gestion des congrès. Important mais mal reflété dans les indicateurs quantitatifs, tendant à être sous-estimé.

  • Comme problème, en tant qu'effet secondaire de la dépendance aux indicateurs, la pression « publier ou périr », la publication parcellisée des résultats (publication salami), la survalorisation du facteur d'impact deviennent normatifs. Des réflexions internationales comme la déclaration DORA (2013) réexaminant la survalorisation des indicateurs sont progressivement institutionnalisées.

• Carrière standard et problèmes structurels

  • La forme standard est : doctorat → postdoctorat (chercheur à terme fixe) → cheminement vers la permanence (période d'examen pour l'emploi permanent) → obtention de la permanence → PI (directeur de laboratoire).

  • Les problèmes structurels sont que le nombre de postes ne suit pas l'augmentation du nombre de détenteurs de doctorats. La prolongation et la précarisation du postdoctorat progressent mondialement, et l'accès à la permanence devient une impasse.

  • Pour la majorité des docteurs comme ci-dessus, l'extérieur du milieu universitaire (entreprises, gouvernement, startups) devient progressivement la norme de carrière.

• Décalage des talents vers l'industrie et différentiels de rémunération

  • Dans le domaine de l'IA, environ 70 % des détenteurs de doctorat poursuivent des carrières dans l'industrie (il y a 20 ans, c'était environ 20 %, le ratio s'est inversé).

  • Les meilleurs chercheurs en IA se voient proposer des rémunérations de plusieurs centaines de millions de yens par des startups et des géants de la technologie, et certains rapports médiatiques font état d'offres de contrats de plusieurs milliards de yens (exemple : les guerres d'embauche lors de la création du laboratoire de super-intelligence de Meta) (CNBC, 2025). L'écart avec les salaires des professeurs d'université est de deux ordres de grandeur.

  • L'acquisition de chercheurs et d'équipes de recherche excellentes devient un substitut aux acquisitions d'entreprises, un phénomène appelé « acquihire » (acquisition à des fins de recrutement). Des cas de transitions d'équipes de recherche entières se multiplient.

  • Quant à l'impact sur les universités, celles-ci deviennent progressivement des institutions qui « forment les talents mais ne peuvent pas les conserver », et la dépopulation du corps professoral chargé de former la prochaine génération est une préoccupation. En revanche, un flux de type « porte tournante » s'émerge, où l'expérience de recherche en industrie reflue vers l'université.

4. Institutions de recherche

4.1 Partage de la recherche

L'histoire de la recherche scientifique peut se lire comme l'histoire de l'invention d'institutions soutenant le quatrième acte constitutif de la recherche mentionné précédemment, le « partage », parmi les quatre actes constitutifs de la recherche. L'institution de partage de la recherche suit l'historique suivant.

• Préhistoire : ère de la confidentialité (jusqu'au 17e siècle)

  • Problème structurel : révéler une découverte ne rapportait aucun profit, seule la perte de la contrefaçon existait. Les savants les plus rationnels cachaient leurs découvertes.

  • Exemple : Galilée enregistrait ses découvertes astronomiques en anagramme (chiffre par permutation de lettres), et Hooke publiait la loi du ressort en anagramme « ceiiinosssttuv » (plus tard révélé comme « ut tensio, sic vis »).

  • Exemple : dans la tradition alchimique, cacher les résultats dans le langage codé et les chiffres était la norme.

• 17e siècle : invention des revues scientifiques et des règles de priorité

  • 印刷術が普及したことで、1660年設立のロンドン王立協会が、1665年に『Philosophical Transactions』を創刊。同じ年にパリでも『Journal des sçavans』が創刊され、学術誌という形式が生まれた

  • L'établissement de la règle selon laquelle plutôt que de cacher une découverte, la révéler permet de reconnaître la priorité (ne pas monopoliser la découverte, mais garder le nom ; donner l'honneur de celui qui a trouvé en premier). L'incitation à cacher le savoir s'est inversée en incitation à le partager.

  • La revue scientifique a alors acquis quatre fonctions qui vivent jusqu'à aujourd'hui : enregistrement (archive officielle de quand et par qui la découverte a été faite = garantie de priorité), certification (garantie de la justesse du contenu), dissémination (transmission à la communauté), conservation (archive pour les générations futures).

• 19e siècle : professionnalisation et spécialisation

  • Commençant par l'Université de Berlin en 1810, l'Université de Humboldt prônait l'« intégration de l'enseignement et de la recherche », transformant la recherche d'un passe-temps en profession.

  • Avec la spécialisation de la connaissance, les revues générales se divisent en sociétés spécialisées et revues spécialisées, et le doctorat (PhD) et le séminaire deviennent la norme de formation des chercheurs.

  • Ce modèle allemand a été exporté vers les États-Unis (Université Johns Hopkins, etc.) et est devenu le prototype des universités de recherche contemporaines.

• 20e siècle : financement public et institutionnalisation de l'examen par les pairs

  • À la suite du rapport de Vannevar Bush intitulé « Science — The Endless Frontier » (Bush, 1945), un approvisionnement massif en fonds de recherche par le gouvernement et l'établissement d'organismes de distribution de fonds tels que la NSF et les NIH se sont consolidés.

  • L'examen systématique par les pairs (peer review) s'est généralisé dans les revues scientifiques à partir de la deuxième moitié du 20e siècle, et face à l'augmentation des soumissions et à la spécialisation, le jugement personnel de l'éditeur a atteint ses limites, transitionnant vers un examen divisé par des experts externes.

  • Exemple : en 1936, lorsque la revue Physical Review a soumis un article d'Einstein à l'examen externe, il a protesté en déclarant qu'il « n'autorisait pas à le montrer à d'autres », et a retiré son article. À l'époque, l'examen par les pairs était encore un mécanisme nouveau, même pour les plus grands physiciens.

• Fin du 20e siècle ~ actuel : expansion du partage par numérisation

  • Avec la numérisation, arXiv, lancé en 1991, a fait du préprint la norme en physique, et le mouvement pour l'accès libre des années 2000 a élargi les modèles de publication où « les lecteurs peuvent lire gratuitement ».

  • L'identification permanente par DOI, la généralisation de la publication de données et de codes, etc., ont élargi l'unité du « partage » des articles aux données, codes et modèles.

L'actif majeur créé par l'histoire de cette institution de partage est la science en tant que domaine de coopération transnational, soutenue par deux couches : les normes et les institutions.

• Couche des normes : ethos et valeurs de la science (Merton, 1942)

  • Communalité : les résultats sont la propriété commune de la communauté.

  • Universalisme : les réalisations sont évaluées par leur contenu, non par la nationalité ou le statut.

  • Désintéressement : poursuite de la vérité indépendamment des intérêts personnels.

  • Scepticisme systématique : toute affirmation est soumise à un examen organisé.

  • Combinées avec la règle de priorité « être public devient une réalisation » que nous avons vue dans ce chapitre, elles donnent effectivité au partage du savoir transnational.

• Couche institutionnelle : mécanismes de coopération internationale

  • Entraide internationale dans l'examen par les pairs : examen gratuit par des chercheurs d'autres pays.

  • Expansion de la collaboration internationale et des grands projets internationaux : CERN, ITER, Projet Génome Humain.

  • Exemple : Le « Principe des Bermudes » (1996) du Projet Génome Humain exige la publication des séquences d'ADN décodées dans les 24 heures. Il s'agit d'une réussite notable de la conception intentionnelle de la base de connaissances au stade de pré-compétition comme bien commun de l'humanité.

  • La base de connaissances fondamentale est un bien complémentaire pour tous les acteurs — entreprises, gouvernement et particuliers — et a une rationalité à être partagée.

4.2 Méthodes d'évaluation de la recherche

Les critères d'examen par les pairs des revues académiques et des conférences internationales (méthodes d'évaluation de la recherche) varient dans leur expression selon le domaine et le média, mais sont communs et se résument aux 5 points suivants.

• Nouveauté (novelty / originality) : Ce qui est nouveau par rapport aux connaissances existantes

• Importance (significance) : Quelle est la signification de cette nouveauté pour le domaine ou la société

• Solidité (soundness / rigor) : Les affirmations sont-elles adéquatement soutenues par la méthode et les preuves

• Clarté (clarity) : L'article est-il rédigé de manière à être compris et vérifié par les lecteurs

• Adéquation (fit) : L'article convient-il aux lecteurs et aux objectifs du média

Cependant, ces 5 critères présentent des problèmes. Comme on l'appelle le « biais de nouveauté » (une étude analysant les données d'examen de 49 revues et plus de 20 000 articles ; Teplitskiy et al., 2022), bien que les revues académiques recherchent des travaux hautement novateurs, les articles hautement novateurs ont tendance à recevoir des évaluations plus strictes de la part des examinateurs. Pour les recherches hautement novatrices, l'étalon d'évaluation existant ne s'applique pas, et le coût de compréhension et de vérification pour l'examinateur est élevé, ce qui entraîne une évaluation averse au risque. Il existe de nombreuses anecdotes de recherches qui ont finalement reçu le prix Nobel mais ont été rejetées par les meilleures revues.

4.3 Types de canaux de diffusion

Le quatrième acte de la recherche, le « partage », dispose de multiples canaux, que nous comparons selon les 6 perspectives suivantes.

• Examen (garantie de l'exactitude) : Qui et avec quelle intensité vérifie le contenu

• Vitesse : Délai entre l'achèvement des résultats et leur publication

• Coût : Charge financière et de travail pour l'auteur

• Portée d'accès / Accessibilité : Pour qui et comment l'accès est-il ouvert

• Évaluation de la performance : Comment est-elle traitée dans la carrière, l'emploi et l'avancement des chercheurs

• Pérennité / Citabilité : Est-ce que le document persiste de manière permanente comme version définitive et peut être cité

Nous comparons les 6 principaux canaux selon ces 6 perspectives.

• Revues académiques avec examen par les pairs (journaux)

  • Nature, Science, PNAS, American Economic Review, etc.

  • Examen : Examen systématique par les pairs par des experts externes. Garantie de qualité la plus forte parmi les 6 canaux

  • Vitesse : Lente (plusieurs mois à plusieurs années entre la soumission et la publication)

  • Coût : Les revues par abonnement sont gratuites pour la soumission (les lecteurs paient). Pour les revues en accès ouvert, frais de publication (APC) de l'ordre de plusieurs centaines de milliers de yen à la charge de l'auteur

  • Portée : Principalement via contrats d'abonnement et bibliothèques. Pour les revues en accès ouvert, accessibles à tous

  • Évaluation de la performance : Primordiale dans de nombreux domaines de la médecine, des sciences naturelles et des sciences sociales

  • Pérennité : Conservée de manière permanente avec DOI comme « version définitive »

• Conférences internationales (actes avec examen par les pairs)

  • NeurIPS, ICML, ACL, etc.

  • Examen : Examen par les pairs effectué. La sélection par le taux d'acceptation (généralement 20-30 %) constitue en elle-même un signal de qualité. Cependant, l'examen par article est moins rigoureux que pour les revues académiques, et c'est le canal où la pression d'examen mentionnée au début est la plus aiguë

  • Vitesse : Rapide (quelques mois entre la soumission et la présentation, orientation vers les échéances)

  • Coût : Frais d'inscription et frais de voyage importants à la charge de l'auteur

  • Portée : En plus de la publication des actes, accès direct aux pairs par la présentation et la discussion

  • Évaluation de la performance : Équivalent ou supérieur aux revues en informatique. Supplément dans de nombreux autres domaines, avec les articles de revue comme élément principal de la performance

  • Pérennité : Conservée avec DOI comme actes

• Prépublications

  • arXiv, bioRxiv, SSRN, etc.

  • Examen : Aucun (vérification formelle seulement). La garantie de l'exactitude est confiée à la capacité de vérification du lecteur

  • Vitesse : La plus rapide (le jour même à quelques jours)

  • Coût : Gratuit

  • Portée : Accessible gratuitement à tous. Le canal le plus ouvert parmi les 6

  • Évaluation de la performance : Peut prouver la priorité, mais en tant que réalisation demeure provisoire (standard en physique et en IA, grande variation entre les domaines). Exemple : À commencer par l'article Transformer (Vaswani et al., 2017), la recherche en IA est en effet guidée par les prépublications

  • Pérennité : Conservation permanente et attribution de DOI, mais ne constitue pas une « version définitive » ayant subi un examen par les pairs

• Livres et monographies

  • « The Pasteur's Quadrant » (Stokes, 1997), « Le Capital au XXIe siècle » de Piketty, etc.

  • Examen : Par les éditeurs et les examinateurs externes des maisons d'édition (plus indulgent que l'examen par les pairs, critères divers)

  • Vitesse : La plus lente (plusieurs années d'écriture et de publication)

  • Coût : Effort de rédaction maximal parmi les 6 canaux. Les ouvrages académiques peuvent nécessiter des subventions de publication

  • Portée : Le seul canal qui atteint réellement les lecteurs généraux au-delà des chercheurs

  • Évaluation de la performance : Primordiale en sciences humaines et sociales, supplémentaire en sciences

  • Pérennité : Relues pendant des décennies, avec l'impact le plus durable

• Archives universitaires, référentiels institutionnels, thèses

  • Stanford Digital Repository, Harvard Research Repository, etc.

  • Examen : Les thèses font l'objet d'un examen par un comité d'examen. Les rapports techniques font l'objet d'une vérification interne uniquement

  • Vitesse : Rapide (procédures universitaires uniquement)

  • Coût : Gratuit (géré par l'université)

  • Portée : Accessible à tous, mais difficile à découvrir par la recherche

  • Évaluation de la performance : N'en constitue pas une en soi (bien que les thèses soient une condition essentielle pour la qualification de chercheur). Exemple : PageRank, qui a jeté les bases de Google, a été publié en tant que rapport technique de l'Université de Stanford et est devenu une contribution historique majeure (Page et al., 1999)

  • Pérennité : Conservation permanente par l'université (voie du libre accès vert)

• Publication de données, codes et modèles

  • GitHub, Zenodo, Hugging Face, etc.

  • Examen : Fondamentalement aucun (une nouvelle forme d'« articles de données » avec examen par les pairs a récemment émergé)

  • Vitesse : Le jour même

  • Coût : Gratuit à faible coût

  • Portée : S'élargit par la réutilisation. Exemple : ImageNet (Deng et al., 2009) et Alpha Fold Protein Structure Database (Jumper et al., 2021) génèrent des citations et des utilisations dépassant de nombreux articles

  • Évaluation de la performance : Le statut en tant que contribution indépendante augmente, mais l'institutionnalisation est en cours

  • Pérennité : L'attribution de DOI devient standard, mais le risque de liens brisés ou d'arrêt de maintenance demeure

Vue d'ensemble selon les 6 perspectives : le choix du canal est essentiellement un compromis.

• La force de l'examen et la vitesse sont inversement proportionnels : Plus la garantie de qualité est forte, plus le canal est lent (revues académiques, livres) ; plus le canal est rapide, plus la vérification est confiée au lecteur (prépublications, publication de données)

• Le poids de l'évaluation de la performance est déterminé par la pratique du domaine : Pour le même canal, le poids s'inverse entre l'informatique (conférences), les sciences humaines et sociales (livres) et la médecine/sciences naturelles (revues académiques)

• En pratique, on combine les canaux : Plutôt qu'un seul canal, la combinaison partage rapide via prépublications → authentification via revues/conférences académiques → assurance de la vérifiabilité via données et codes devient la forme standard

De plus, les canaux de diffusion privilégiés diffèrent selon les disciplines. Cela peut s'expliquer par l'adéquation entre la nature des connaissances du domaine et les caractéristiques du canal (force d'examen, vitesse, capacité). Les 4 éléments suivants déterminent les canaux de diffusion privilégiés.

① Taille de l'unité de connaissance

• Médecine et sciences naturelles : L'unité de contribution est « une expérience, une découverte », qui s'ajuste parfaitement à un seul article → la revue académique devient un conteneur naturel

• Sciences humaines et sociales : L'unité de contribution est un système d'interprétation ou une narration historique qui ne tient pas dans la longueur d'un article. Ce n'est qu'en tant que structure de plusieurs centaines de pages qu'elle revêt une force de persuasion → le livre devient un conteneur naturel

• Informatique : Le rythme de progrès est rapide et fin, un style produisant de courts articles à haute fréquence s'y adapte → la conférence devient un conteneur naturel

② Vitesse de changement du domaine

• Informatique : L'obsolescence technologique est rapide, attendre le cycle de révision de 1 à 2 ans des revues académiques rend les résultats obsolètes → les conférences menées par les échéances, qui produisent en quelques mois, s'adaptent aux exigences de vitesse

• Sciences humaines et sociales : L'obsolescence des connaissances est lente, la valeur réside dans la relecture pendant des décennies → la lenteur de la publication des livres ne devient pas un défaut

③ Coût social de l'erreur

• Médecine : Les connaissances erronées affectent directement le traitement et la vie humaine → les revues académiques avec les examens les plus rigoureux (examen systématique par les pairs, examen statistique, divulgation des conflits d'intérêts) restent la norme pour la performance. Les demandes de rapidité d'information se divisent en revues par lettres comme Nature et Physical Review Letters

④ Dépendance de chemin historique

• Informatique : Avec la croissance rapide de l'informatique dans les années 1970-1980, ce domaine jeune manquait encore d'une hiérarchie de revues académiques prestigieuses, et les conférences ACM et IEEE ont d'abord établi une « infrastructure de performance » avec « examen rigoureux + sélection par taux d'acceptation + publication d'actes ». Une fois que l'évaluation de l'emploi et de l'avancement se base sur « plusieurs articles dans les meilleures conférences », les chercheurs orientent leurs meilleurs travaux vers les conférences et un renforcement positif s'opère : l'autorité de la conférence augmente davantage

• Médecine et sciences naturelles : L'infrastructure des revues académiques depuis 350 ans (et ses appareils d'évaluation comme les facteurs d'impact) perdure

5. Application de la recherche

5.1 La recherche se développe par la demande de la société

Le développement de la recherche ne peut s'expliquer uniquement par la force de l'offre, la curiosité intellectuelle. L'économie dispose d'une classification classique entre « technology-push » et « demand-pull » (Mowery & Rosenberg, 1979). En examinant l'histoire, on observe que les domaines liés aux grandes demandes, particulièrement aux guerres et aux problèmes sociétaux, concentrent ressources, talents et articles, et se développent rapidement.

• Demande de guerre et de sécurité

  • Durant la Seconde Guerre mondiale, le Projet Manhattan injecte des ressources et talents sans précédent en physique, le développement du radar en électronique, la cryptanalyse (travaux de Turing et autres) dans la naissance de l'informatique

  • Pendant la Guerre froide, le choc de Spoutnik entraîne la création de la NASA et d'ARPA (maintenant DARPA), ARPANET se développe en Internet, et le système de positionnement militaire en GPS

  • La région et les domaines technologiques ayant reçu beaucoup de financement de R&D en temps de guerre (OSRD) durant la Seconde Guerre mondiale ont continué à voir augmenter l'activité inventive pendant des décennies après la guerre (Gross & Sampat, 2023). Il est également montré que la R&D de défense gouvernementale n'élimine pas mais suscite l'investissement privé en R&D (crowdin), augmentant la productivité industrielle (Moretti, Steinwender & Van Reenen, 2025)

  • Le rapport Bush lui-même (Bush, 1945) institutionnalise l'expérience de succès de la recherche en temps de guerre, et le système de recherche financé par le gouvernement d'après-guerre a été une transposition en temps de paix du « système créé par la guerre »

• Demande de problèmes sociétaux

  • Lors du COVID-19, les ressources de recherche se concentrent massivement sur les maladies infectieuses, comprimant le développement de vaccins habituellement en 10 ans à moins d'un an. Les articles connexes explosent, entraînant une expansion rapide des prépublications en biomédecine (Fraser et al., 2021)

  • La « guerre contre le cancer » de l'administration Nixon (1971), la recherche sur le SIDA, la recherche sur le changement climatique (condensée en un énorme corpus d'articles du GIEC), etc., les grands problèmes sociétaux attirent ressources, talents et articles vers ce domaine. Il est également montré que la répartition des fonds du NIH par maladie se corrèle dans une certaine mesure avec la charge morbide (poids social de la maladie) (Gillum et al., 2011)

• Relation entre demande et volume de recherche

  • Là où les fonds s'écoulent, le nombre de chercheurs et d'articles augmentent. La direction de la recherche est déterminée non seulement par l'intérêt intellectuel pur, mais aussi par les priorités sociétales (allocation des fonds). En fait, il est montré que les chercheurs déplacent leurs thèmes de recherche en réponse aux subventions à usage désigné, documenté dans les données d'appels d'offres du NIH (Myers, 2020). Même avec le COVID-19, une portion considérable des articles de la communauté scientifique s'est convertie à la recherche sur les maladies infectieuses en peu de temps (Hill et al., 2025)

  • La demande accélère les résultats, mais elle produit aussi des distorsions : une concentration excessive sur les domaines à la mode (uniformisation de la recherche) et un sous-investissement des domaines fondamentaux sans demande apparente. L'analyse de plusieurs millions d'articles en biomédecine montre que les chercheurs se concentrent sur des sujets à la mode déjà établis et adoptent une stratégie conservatrice en évitant les nouveaux domaines risqués (Foster, Rzhetsky & Evans, 2015).

  • On observe également une « pénalité de pivotement » : la recherche qui pivote vers des thèmes éloignés de sa spécialité voit diminuer son impact, et la transition rapide vers la demande a un coût (Hill et al., 2025).

5.2 La recherche comme bien public

La recherche est soutenue par les investissements publics de chaque pays, et les connaissances produites sont utilisées comme bien public international. Pourquoi est-elle soutenue par l'investissement public ? Deux points importants l'expliquent.

• Caractère de bien public de la connaissance (Nelson, 1959 ; Arrow, 1962)

  • Non-rivalité : son usage ne l'épuise pas

  • Non-exclusivité : impossible à s'approprier complètement, les bénéfices débordent vers la société (externalités positives)

  • Conséquence : si on la laisse au marché, la connaissance ne sera produite qu'en quantité inférieure à celle dont la société a besoin → justification économique du soutien par le financement public, les universités et la communauté scientifique

• Rendement de l'investissement en recherche (Jones & Summers, 2020)

  • Le bénéfice social d'un dollar d'investissement en innovation est estimé à plus de 5 dollars en moyenne, et dépasse clairement le montant investi même sous des hypothèses conservatrices

  • L'investissement public en recherche est, en moyenne, l'un des investissements les plus « rentables » de l'histoire de l'humanité.

5.3 Utilisation de la recherche par les entreprises

Il existe quatre voies principales par lesquelles la recherche parvient à l'activité de production des entreprises.

• ① Utilisation directe de la connaissance (articles → brevets → produits)

  • Une étude analysant les chaînes de citations de millions de brevets et d'articles (Ahmadpoor & Jones, 2017) montre que la plupart des brevets aboutissent à des articles scientifiques en remontant quelques étapes de citations, et que une part considérable des articles scientifiques sont connectés à des inventions futures

  • Les inventions fondées sur des articles scientifiques ont une plus grande valeur marchande (Krieger et al., 2024)

• ② Mobilité des talents

  • Grâce à la mobilité des docteurs vers les entreprises, les connaissances tacites (astuces expérimentales, historique des échecs, intuition pour les bonnes questions) sont transférées en même temps que ce qui est écrit dans les articles

  • Preuve : le lieu de naissance de l'industrie américaine de la biotechnologie a été déterminé presque entièrement par la localisation des scientifiques étoiles, non par le capital ou le marché. Une preuve classique montrant que les talents sont la principale voie de transfert de connaissance (Zucker, Darby & Brewer, 1998)

  • Le processus par lequel l'apprentissage profond est passé de sujets périphériques aux laboratoires universitaires à une technologie centrale de l'industrie est une histoire de mobilité des chercheurs.

• ③ Transfert d'artefacts et d'infrastructures

  • Startups issues du milieu universitaire, mécanismes de transfert technologique, logiciels open source. La valeur économique du côté de la demande pour les logiciels open source est estimée à environ 8,8 trillions de dollars (Hoffmann, Nagle & Zhou, 2024)

  • Bases de données publiques (GenBank, AlphaFold Protein Structure Database, etc.). Il a été démontré que lorsque des échantillons biologiques sont déposés dans des référentiels publics pour que chacun puisse les utiliser, les recherches ultérieures qui utilisent ces données augmentent considérablement (Furman & Stern, 2011)

• ④ Capacité d'absorption (absorptive capacity) (Cohen & Levinthal, 1990)

  • Une moitié de la raison pour laquelle les entreprises mènent elles-mêmes de la recherche est de maintenir leur capacité à comprendre et à intégrer la science externe

  • Les entreprises qui publient elles-mêmes des articles et participent aux conférences sont celles qui peuvent utiliser plus rapidement et plus profondément les résultats de recherche du monde entier. C'est le concept qui explique la raison d'être des laboratoires de recherche d'entreprise.

5.4 Utilisation de la recherche par le gouvernement

Pour le gouvernement, qui coordonne l'ensemble de l'économie, l'accumulation de recherche est elle-même le fondement des politiques, des réglementations et des services publics. Elle peut être organisée en deux grandes utilisations.

• ① Fondement de la formation des politiques (EBPM)

  • Élaboration des politiques fondée sur des données probantes (Evidence-Based Policy Making) : tendance à concevoir et évaluer les politiques non pas sur la base de l'intuition ou des précédents, mais sur la base des connaissances de la recherche et du raisonnement causal (exemple : la vérification de l'efficacité des mesures de lutte contre la pauvreté par essais randomisés contrôlés (RCT) est un cas où les méthodes de recherche de l'économie du développement sont devenues la norme d'évaluation des politiques (Banerjee & Duflo, 2011))

  • Dans une expérience menée dans 2 150 municipalités brésiliennes, les décideurs politiques tels que les maires ont effectivement révisé leurs convictions quand on leur a présenté des preuves de recherche et ont modifié leur politique, et ont même montré une volonté de payer pour les résultats de recherche (Hjort et al., 2021) (exemples : économie de la politique monétaire et de la conception fiscale, modèles épidémiologiques dans les réponses aux pandémies)

• ② Base de la réglementation, des normes et des services publics

  • Approbation des médicaments (normes statistiques des essais cliniques), réglementations environnementales (science du climat ; par exemple, le GIEC intègre la recherche de chaque pays pour créer une base commune aux politiques), normes parasismiques (génie sismique), etc. Les services publics en tant que fonction d'État, la santé publique, les prévisions météorologiques, la prévention des catastrophes, l'espace et la défense ne peuvent tous fonctionner sans l'accumulation de la recherche

  • En tant que système de conseil scientifique, des mécanismes spécialisés reliant la connaissance scientifique à l'administration, tels que les conseillers scientifiques, les commissions d'examen et les académies nationales, ont été développés. Cependant, tandis que la science produit un « savoir provisoire avec incertitude », la politique et l'administration demandent une « décision définitive dans les délais impartis ». Ce décalage dans les échelles de temps et le traitement de l'incertitude est la difficulté éternelle du conseil scientifique (Gluckman, 2014)

5.5 Utilisation de la recherche par les ménages

Finalement, les ménages, en tant que principaux agents de consommation, utilisent aussi l'accumulation de la recherche comme fondement de leurs décisions quotidiennes.

• Soins de santé : la qualité du traitement reçu par chaque individu est déterminée par des directives cliniques (distillation de l'examen systématique de la littérature de recherche). C'est le cadre de la « médecine fondée sur les données probantes (EBM) » qui repose sur les meilleures connaissances de la recherche plutôt que sur l'expérience ou l'autorité de chaque médecin (Sackett et al., 1996). Le consentement éclairé (le processus par lequel les professionnels de santé fournissent une explication suffisante sur l'état et le traitement du patient et le patient accepte de recevoir le traitement) repose également sur le partage des connaissances de recherche

• Éducation et capital humain : les manuels et les programmes d'études sont le résultat de connaissances de recherche qui se sont intégrées au savoir standard au fil des décennies. Le contenu de l'investissement en éducation des ménages est en lui-même l'accumulation de la recherche

• L'individu en tant que participant : avec l'expansion de l'accès ouvert et de la science citoyenne (citizen science), les individus passent du rôle de simples récepteurs à celui de participants à la recherche. Exemple : dans Galaxy Zoo, la classification d'environ 900 000 galaxies par plus de 100 000 volontaires citoyens s'est concrétisée dans un article évalué par les pairs, et les découvertes issues de la science citoyenne continuent (Lintott et al., 2008)

• Problème : les connaissances de recherche ont tendance à être simplifiées et distordues avant d'atteindre les ménages, et elles doivent concurrencer la désinformation. En réalité, de grandes données montrent que sur les réseaux sociaux, les fausses nouvelles se propagent plus rapidement, plus largement et plus profondément que les vraies nouvelles (Vosoughi, Roy & Aral, 2018)

En résumé, l'utilisation de la recherche peut être organisée comme suit par les trois agents économiques que sont l'entreprise (production), le gouvernement (coordination) et les ménages (consommation) :

• Entreprise (production) : par quatre voies – connaissance, talents, artefacts et capacité d'absorption – elle convertit la recherche en nouveaux produits, services et productivité

• Gouvernement (coordination) : il utilise la recherche comme fondement des politiques, des réglementations et des services publics, et maintient les bases de connaissance et la coopération internationale qui ne seraient pas fournies par le marché

• Ménages (consommation) : ils bénéficient de l'accumulation de la recherche comme fondement de leurs décisions en matière de soins de santé, d'éducation et de consommation, et commencent à participer à la production via la science citoyenne

6. La recherche à l'ère de l'IA

Jusqu'à présent, nous avons organisé la recherche selon quatre perspectives : son contenu (quel type d'activité elle est), ses institutions (comment elle est partagée et évaluée), ses acteurs (qui mène la recherche et comment on y vit) et son utilisation (pourquoi la société la soutient et comment elle l'utilise). Nous allons maintenant organiser ce qui change à l'ère de l'IA en correspondance avec chacune de ces quatre perspectives.

6.1 L'objet de la recherche à l'ère de l'IA

À l'ère de l'IA, le rôle des humains devrait se concentrer sur « poser des questions et vérifier ».

• Le centre de gravité de quatre actions se déplace

  • Ce que l'IA remplace le plus profondément est « ② générer des réponses candidates ». La revue de littérature, l'énumération d'hypothèses, la mise en œuvre du code expérimental, la génération de manuscrits d'articles – l'IA dépasse déjà largement la vitesse humaine dans tous ces domaines

  • Ce que l'IA remplace le moins est « ① poser une question » et « ③ vérifier ». L'acte de discerner parmi les hypothèses et articles générés en nombre illimité quelles sont les questions dignes de réponse et quels sont les arguments véritables exige une connaissance de domaine profonde et une capacité de jugement

  • Une expérience où plus de 100 chercheurs en NLP et des LLM produisent des idées de recherche et les comparent en double aveugle montre que les idées des LLM ont été évaluées comme plus « novatrices » que celles des experts humains, mais leur faisabilité était faible, et lorsqu'on les a effectivement mises en œuvre, l'évaluation a baissé. Cela démontre que la « génération de candidats » dépasse déjà le niveau humain, mais que la valeur réside dans la « reconnaissance des bonnes lignes et l'exécution/vérification » (Si, Yang & Hashimoto, 2024)

  • Le centre de gravité du travail de chercheur passe de la génération à « la définition des questions » et à « l'évaluation et le jugement ». Ce n'est pas une supposition optimiste, mais un changement structurel que le déplacement du goulot d'étranglement impose.

• Le cinquième paradigme absorbe les paradigmes antérieurs

  • Le cinquième paradigme (science pilotée par l'IA) ne remplace pas les paradigmes 1 à 4, il les intègre en tant que composants. La boucle de recherche de l'IA référence en interne la théorie, exécute des simulations, apprend à partir des données et finit par vérifier avec des expériences physiques

  • Le système piloté par LLM « Coscientist » effectue de manière autonome la recherche documentaire, la planification des expériences et le contrôle des appareils de robots expérimentaux, et a concrètement exécuté la synthèse chimique. C'est une première preuve de concept d'une boucle de recherche IA englobant la planification à la vérification physique (Boiko et al., 2023)

  • La valeur des humains qui comprennent les méthodes de chaque paradigme (les prémisses des tests statistiques, la validation des hypothèses de simulation, la conception expérimentale) n'est pas en baisse, mais en hausse. Pour évaluer les résultats de l'IA, il faut pouvoir évaluer les méthodes utilisées par l'IA.

• La valeur des types de contribution change

  • Ce qui perd de la valeur : la nouveauté superficielle d'une combinaison inhabituelle d'éléments existants. C'est là que l'IA excelle, et sa valeur s'effondrera une fois qu'elle peut être produite en masse (la « production en masse d'idées novatrices mais peu viables » montrée par Si, Yang & Hashimoto (2024) en est un signe avant-coureur)

  • Ce qui gagne de la valeur : la nouveauté profonde de « changer les prémisses du domaine ou la façon de poser les questions elles-mêmes » et les types de contribution des travaux de vérification, tels que la réplication et la re-vérification, ou l'intégration (le travail de déterminer ce qui constitue un savoir établi)

6.2 L'acteur de la recherche à l'ère de l'IA

• La dominance des entreprises et des startups en tant qu'acteurs devrait s'intensifier

  • Les ressources informatiques, les données et le capital deviennent des conditions d'entrée pour la recherche de pointe, et la dominance des entreprises et startups bien dotées de ressources financières devrait perdurer

  • En parallèle, l'écart de capacité d'absorption s'élargit. Tout le monde peut obtenir une IA capable de lire des articles, mais la capacité à juger ce qui doit être lu et à le traduire dans son propre contexte ne s'accumule que dans les organisations qui participent elles-mêmes à la recherche

  • À l'autre extrême, les outils d'IA amplifient les capacités d'enquête, d'analyse et de mise en œuvre des individus, et les chercheurs individuels et les citoyens-chercheurs bénéficient le plus du vent favorable. Les acteurs se dispersent vers les deux pôles : les organisations géantes et les individus

• L'évaluation et la carrière des chercheurs : les signaux de « quantité » se dégradent

  • À mesure qu'il devient possible de produire en masse des articles avec l'IA, le nombre d'articles et les citations cessent de fonctionner comme signal de capacité, et l'évaluation des chercheurs passe de la « quantité » aux « contributions vérifiées » et à la « qualité des questions »

  • Le travail d'évaluation tel que l'examen par les pairs, la vérification de la reproductibilité et l'accès ouvert aux données sera institutionnalisé en tant qu'accomplissement

  • Les carrières qui se déplacent entre universités, entreprises, startups et instituts de recherche à but non lucratif deviennent la norme, et la dichotomie elle-même entre « monde académique ou industrie » s'estompe.

Par conséquent, les indicateurs d'évaluation des chercheurs devraient évoluer de la manière suivante.

Indicateurs d'évaluation antérieurs (indicateurs de substitution de quantité)

• Nombre d'articles : substitut de productivité. La longueur de la liste de réalisations conduit directement à l'évaluation.

• Nombre de citations et indice h : substitut d'impact. La quantité et l'impact comprimés en un seul chiffre.

• Facteur d'impact de la revue de publication : la qualité de l'article est évaluée par substitution en fonction de « où il a été publié ».

• Montant des subventions obtenues : l'obtention elle-même de fonds de recherche est comptabilisée comme une réalisation.

• Acceptation dans des conférences ou revues académiques à faible taux d'acceptation : le passage de la sélection elle-même est un signal.

Indicateurs d'évaluation à l'ère de l'IA (évaluation directe du contenu et du comportement)

• Description du contenu de la contribution : CV narratif et limite de la liste de réalisations (Royal Society « Résumé for Researchers », limite de 10 articles du DFG). Les contributions représentatives sont expliquées par écrit plutôt que par le nombre.

• Vérifiabilité et transparence : taux de divulgation des données et du code, préenregistrement, badges Open Science (Kidwell et al., 2016).

• Visibilité des rôles : enregistrement via CRediT de « qui a fait quoi », montrant explicitement comment chacun a contribué à la recherche.

• Travail d'évaluation : l'examen par les pairs, la reproduction et la gestion des données sont actuellement un « travail invisible et non rémunéré ». Cependant, tandis que l'IA augmente massivement les soumissions, l'offre d'examen par les pairs n'augmente pas. Il est donc envisagé d'enregistrer le travail d'examen (par exemple Web of Science Reviewer Recognition) et de l'inclure dans les critères d'évaluation pour l'embauche, la promotion et l'examen des subventions au même titre que les articles. NeurIPS exige que les auteurs assument l'obligation d'examiner.

• Résultats de reproduction et autocorrection : l'enregistrement du fait que d'autres personnes indépendantes ont reproduit avec succès votre affirmation, ou l'historique de correction rapide des erreurs détectées, devient un enregistrement de comportement difficile à falsifier qui prédit à long terme la fiabilité de votre affirmation.

6.3 Institution de la recherche à l'ère de l'IA

Les cinq critères standards de l'examen par les pairs ne disparaissent pas, mais leur pondération et leur mise en œuvre se déplacent dans cinq directions.

• ① Vérifiabilité et reproductibilité : de « facteur positif » à « condition obligatoire »

  • Un texte fluide et une description de résultats plausibles ne sont plus des preuves de qualité. La soumission et la publication de code, de données et de journaux expérimentaux deviennent une condition de fait pour les soumissions dans tous les domaines.

  • Exemple précédent : depuis 2019, NeurIPS a adopté une politique de soumission de code et une liste de contrôle de reproductibilité, augmentant considérablement le taux de soumission de code. Il existe des rapports empiriques montrant que « l'exigence de reproductibilité » fonctionne effectivement comme institution (Pineau et al., 2021).

• ② Qualité de la question : augmentation du poids au stade du desk reject

  • Étant donné le doublement des soumissions et l'absence d'augmentation des examinateurs, le renforcement de la sélection avant l'examen par les pairs est inévitable. « Pourquoi cette question ? Pourquoi maintenant ? Pourquoi ce support ? » — la capacité à répondre à cela en introduction détermine l'acceptation ou le rejet.

• ③ Réexamen de la « profondeur » de la nouveauté

  • L'évaluation tend vers une profonde nouveauté, mais existe une « pénalité de nouveauté » (la nouveauté profonde est désavantagée dans l'examen par les pairs) : le mécanisme d'examen par les pairs lui-même filtre la profonde nouveauté. Il est donc nécessaire de changer la structure institutionnelle plutôt que la mise en œuvre. Par exemple, les Registered Reports, où seule la « question et la méthode » sont examinées avant de voir les résultats et où l'acceptation est déterminée, possèdent un mécanisme d'évaluation basé sur la qualité de la question plutôt que sur les résultats spectaculaires. Plus de 300 revues l'ont déjà adopté (Chambers & Tzavella, 2022).

• ④ Provenance et responsabilité

  • Au-delà de la divulgation de l'utilisation de l'IA, on demande aux auteurs s'ils peuvent expliquer et défendre leur propre article. Comme le montrent les nouvelles mesures de NeurIPS (suspension de l'examen pour les auteurs qui ne s'acquittent pas de l'obligation d'examiner, etc.), le droit de soumettre et l'obligation de contribuer à l'évaluation forment une paire.

• ⑤ Renforcement de la dépendance aux signaux de confiance

  • La dépendance à des indicateurs autres que le contenu, tels que les résultats, l'affiliation, le préenregistrement et les antécédents de reproduction, s'intensifie. Parallèlement à l'efficacité, il devient une question de conception de compromis : risque d'être défavorable aux nouveaux entrants.

  • Il a été montré expérimentalement que pour le même article, la recommandation d'acceptation des examinateurs augmente considérablement si le nom de l'auteur est changé en celui d'un lauréat du prix Nobel plutôt que d'un nouveau chercheur (Huber et al., 2022). Le renforcement de la dépendance aux signaux de confiance risque d'amplifier ce biais de statut.

La structure des canaux de publication change également.

• La couche du « partage rapide » (prétirage et partage de données) s'étend encore davantage avec la baisse des coûts de génération, tandis que la couche de « l'authentification fiable bien que lente » (revues académiques avec examen par les pairs et conférences) devient plus distincte, formant une structure à deux niveaux.

• À mesure que l'IA augmente uniformément la vitesse de changement dans les domaines, l'équilibre même des canaux par domaine — revues académiques, conférences et livres — commence à bouger.

En résumé, l'examen par les pairs passe de « l'examen du contenu » à « l'examen de la confiance ». Les informations partagées de manière vérifiable, la provenance transparente, la capacité de l'auteur à assumer la responsabilité. C'est un renforcement institutionnel du quatrième acte de la recherche : « ④ Partager et rendre vérifiable ».

6.4 Utilisation de la recherche à l'ère de l'IA

• Accès direct au savoir et expansion simultanée de la désinformation

  • La recherche de documents, le résumé et la traduction par l'IA réduisent drastiquement le coût pour que les gouvernements appliquent l'EBPM ou que les ménages accèdent directement aux connaissances de recherche pour leurs décisions en matière de santé et de vie (raccourcissement du « dernier kilomètre » qui nécessitait auparavant l'intermédiation d'experts). Exemple : les réponses d'un chatbot IA aux questions médicales des patients ont été évaluées comme supérieures à celles des médecins en termes de qualité et d'empathie selon une comparaison en aveugle (Ayers et al., 2023). Il s'agit d'une preuve empirique initiale que le coût de l'intermédiation du savoir spécialisé diminue réellement.

  • Parallèlement, l'IA réduit également le coût de génération d'« informations plausibles mais erronées », de sorte que l'importance des mécanismes pour distinguer ce qui est du savoir vérifié (examen par les pairs, directives cliniques, institutions de conseil scientifique) s'accroît en réalité. Exemple : les faux tweets générés par GPT-3 sont plus difficiles à déceler que les fausses informations écrites par des humains, comme l'a montré une expérience (Spitale, Biller-Andorno & Germani, 2023).

• Coopération internationale et renégociation de la sécurité

  • Les exigences en matière de sécurité de la recherche et l'expansion des avantages de premier arrivé grâce à l'IA renforcent les pressions vers la fermeture.

  • L'OCDE place la recomposition de la coopération scientifique dans un environnement géopolitique au cœur de son agenda politique (OCDE, 2025), et il est démontré que dans le domaine de l'IA, le conflit sino-américain reconfigure actuellement le réseau de coauteurs internationaux construit au cours des 25 dernières années (Zhang et al., 2026).

• L'écart temporel va-t-il se réduire ?

  • Jusqu'à quel point l'IA peut-elle réduire le décalage de plusieurs décennies de la recherche fondamentale à l'impact social (le long lien entre les articles et les brevets mesuré par Li, Azoulay & Sampat (2017) et Ahmadpoor & Jones (2017)) reste une question empirique non résolue.

  • Ce qui est certain, c'est que la source du décalage réside non seulement dans la « génération » mais aussi dans la « vérification et l'acceptation sociale ». Si seule la génération s'accélère et que la vérification ne suit pas, le décalage ne se réduira pas, créant un nouveau risque : le transfert de connaissances erronées vers l'industrie, la politique et la vie quotidienne.

À travers ces quatre perspectives, une structure unique émerge. La génération devient moins coûteuse dans toutes les perspectives, et la valeur se concentre sur la « question, la vérification et la confiance ».

7. Conclusion

Nous avons ainsi organisé systématiquement la recherche en la survolant et clarifié comment la transformation est exigée à l'ère de l'IA. Face à ces changements, on estime que les chercheurs et les institutions de recherche seront confrontés à des demandes d'adaptation rapide.

Références bibliographiques

• Abbott, B. P., et al. (LIGO Scientific Collaboration and Virgo Collaboration) (2016). Observation of Gravitational Waves from a Binary Black Hole Merger. Physical Review Letters, 116, 061102. : Exemple représentatif de contribution de type « nouvelle preuve », observation directe des ondes gravitationnelles pour la première fois depuis la prédiction d'Einstein il y a 100 ans.

• Ahmadpoor, M., & Jones, B. F. (2017). The dual frontier: Patented inventions and prior scientific advance. Science, 357(6351), 583–587. : Analyse à grande échelle des chaînes de citations entre brevets et articles scientifiques, montrant que la plupart des brevets se connectent à des articles scientifiques en quelques étapes.

• Akerlof, G. A. (1970). The Market for \"Lemons\": Quality Uncertainty and the Market Mechanism. Quarterly Journal of Economics, 84(3), 488–500. : Exemple représentatif de contribution de type « nouvelle théorie », montrant que l'asymétrie informationnelle crée une défaillance de marché. Objet du prix Nobel d'économie.

• Arrow, K. J. (1962). Economic Welfare and the Allocation of Resources for Invention. In The Rate and Direction of Inventive Activity. Princeton University Press. : Classique de l'économie montrant que, compte tenu de la nature de bien public de la connaissance, si l'on s'en remet au marché, la recherche sera insuffisamment fournie.

• Ayers, J. W., et al. (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine, 183(6), 589–596. : Étude en comparaison en aveugle montrant que les réponses du chatbot IA aux questions médicales des patients ont été évaluées comme supérieures à celles des médecins en termes de qualité et d'empathie. Évidence de la baisse du coût d'accès direct au savoir spécialisé.

• Banerjee, A. V., & Duflo, E. (2011). Poor Economics: A Radical Rethinking of the Way to Fight Global Poverty. PublicAffairs. : Synthèse d'une série de recherches ayant apporté les essais contrôlés randomisés (RCT) à l'évaluation des mesures de lutte contre la pauvreté, devenant l'exemple représentatif de la formation des politiques fondées sur des preuves.

• Boiko, D. A., MacKnight, R., Kline, B., & Gomes, G. (2023). Autonomous chemical research with large language models. Nature, 624, 570–578. : Preuve empirique initiale d'une boucle de recherche par IA, montrant que le système piloté par LLM « Coscientist » a autonomement exécuté la recherche de littérature, la planification d'expériences, le contrôle d'appareils robotiques et la synthèse chimique.

• Bush, V. (1945). Science, The Endless Frontier. U.S. Government Printing Office. : Rapport qui devint le plan directeur de la mise en place d'un système de soutien gouvernemental à la recherche fondamentale après la Seconde Guerre mondiale.

• Camerer, C. F., et al. (2018). Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2, 637–644. : Exemple représentatif de contribution de type « reproduction et reproduction », réplication systématique de 21 expériences en sciences sociales publiées dans les meilleures revues.

• Chambers, C. D., & Tzavella, L. (2022). The past, present and future of Registered Reports. Nature Human Behaviour, 6, 29–42.：Article qui synthétise le système et la diffusion des « Registered Reports » (plus de 300 revues) où la révision se fait avant de voir les résultats, en examinant uniquement la question et la méthode.実例 d'une conception institutionnelle qui évalue la qualité de la question plutôt que l'éclat des résultats.

• CNBC (2025). AI talent war: Tech giants pay talent millions of dollars.：Article rapportant la compétition pour l'acquisition de chercheurs en IA et la réalité des offres de rémunération dans les gammes de plusieurs millions à centaines de millions de dollars.

• Cohen, W. M., & Levinthal, D. A. (1990). Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128–152.：Article classique présentant le concept de « capacité d'absorption » permettant de reconnaître, d'assimiler et d'exploiter les connaissances externes, expliquant pourquoi les entreprises entreprennent elles-mêmes des recherches.

• Deng, J., et al. (2009). ImageNet: A large-scale hierarchical image database. IEEE CVPR 2009.：Exemple représentatif de contribution de type « nouvel artefact » ayant constitué la base du boom de l'apprentissage profond en construisant un ensemble de données d'image de plus de 14 millions d'images.

• DFG (2022). Package of Measures to Support a Shift in the Culture of Research Assessment. Deutsche Forschungsgemeinschaft.：Paquet de mesures de réforme de l'évaluation de la recherche par la Deutsche Forschungsgemeinschaft. Exemple précurseur d'institutionnalisation de « la qualité plutôt que la quantité », comme la limitation du nombre de publications pouvant être citées dans les demandes (10 articles).

• Doll, R., & Hill, A. B. (1950). Smoking and Carcinoma of the Lung. British Medical Journal, 2(4682), 739–748.：Article classique d'épidémiologie montrant le lien entre le tabagisme et le cancer du poumon. Exemple représentatif de contribution de type « nouvelle preuve » par étude observationnelle.

• DORA (2013). San Francisco Declaration on Research Assessment.：Déclaration internationale demandant que le facteur d'impact ne soit pas utilisé pour évaluer les chercheurs individuels ou les articles. Des milliers d'institutions et d'individus l'ont signée, ce qui en a fait le point de départ de la réforme de l'évaluation.

• Dyson, F. W., Eddington, A. S., & Davidson, C. (1920). A Determination of the Deflection of Light by the Sun's Gravitational Field. Philosophical Transactions of the Royal Society A, 220, 291–333.：Exemple représentatif de contribution de type « nouvelle preuve » ayant vérifié les prédictions de la relativité générale par l'observation d'une éclipse solaire.

• Einstein, A. (1905). Zur Elektrodynamik bewegter Körper. Annalen der Physik, 17, 891–921.：Exemple représentatif de contribution de type « nouvelle théorie » présentant la théorie de la relativité restreinte.

• Foster, J. G., Rzhetsky, A., & Evans, J. A. (2015). Tradition and Innovation in Scientists' Research Strategies. American Sociological Review, 80(5), 875–908.：Étude empirique montrant, par l'analyse de millions d'articles en sciences biomédicales, que les chercheurs adoptent de manière dominante une stratégie conservatrice se concentrant sur des sujets à la mode déjà établis. Preuve de l'uniformisation de la recherche.

• Fraser, N., et al. (2021). The evolving role of preprints in the dissemination of COVID-19 research and their impact on the science communication landscape. PLOS Biology, 19(4), e3000959.：Étude empirique montrant quantitativement l'expansion rapide des prépublications en sciences biologiques et médicales suite à la COVID-19.

• Furman, J. L., & Stern, S. (2011). Climbing atop the Shoulders of Giants: The Impact of Institutions on Cumulative Research. American Economic Review, 101(5), 1933–1963.：Étude empirique montrant que lorsque les biologistes déposent des échantillons biologiques dans des référentiels publics (centres de ressources biologiques), leur utilisation par les recherches ultérieures augmente considérablement. Preuve que les infrastructures publiques accélèrent l'accumulation des connaissances.

• Gillum, L. A., et al. (2011). NIH Disease Funding Levels and Burden of Disease. PLOS ONE, 6(2), e16837.：Étude empirique montrant que la répartition des crédits de recherche par maladie au NIH est à un certain degré coordonnée avec le fardeau de la maladie (gravité sociale de la maladie). Preuve que les enjeux sociaux attirent les financements.

• Gluckman, P. (2014). Policy: The art of science advice to government. Nature, 507, 163–165.：Réflexion du conseiller scientifique auprès du Premier ministre de la Nouvelle-Zélande, mettant au cœur des enjeux des conseils scientifiques le fossé entre l'incertitude scientifique et la prise de décision administrative.

• Gottweis, J., et al. (2025). Towards an AI co-scientist. arXiv:2502.18864.：Rapport montrant qu'une IA multi-agents de Google a proposé d'elle-même une hypothèse mécanistique cohérente avec les résultats expérimentaux pour un problème non résolu concernant la transmission génétique bactérienne. Démonstration initiale de la mécanisation de l'abduction (génération d'hypothèses).

• Gray, J. (2009). Jim Gray on eScience: A Transformed Scientific Method. In The Fourth Paradigm: Data-Intensive Scientific Discovery. Microsoft Research.：Transcription de conférence formalisant le « quatrième paradigme (science axée sur les données) » suivant l'expérience, la théorie et le calcul. Document originel du cadre des paradigmes du premier au quatrième.

• Gross, D. P., & Sampat, B. N. (2023). America, Jump-Started: World War II R&D and the Takeoff of the US Innovation System. American Economic Review, 113(12), 3323–3356.：Étude empirique montrant que les régions et domaines technologiques ayant reçu des investissements en R&D de guerre pendant la Seconde Guerre mondiale (OSRD) ont enregistré une augmentation durable de l'activité inventive après la guerre. Preuve que la demande de guerre développe la recherche.

• Hill, R., Yin, Y., Stein, C., Wang, D., & Jones, B. F. (2025). The pivot penalty in research. Nature.：Étude empirique montrant à grande échelle la « pénalité de réorientation » : lorsqu'un chercheur change de domaine d'expertise, son impact diminue. Incluant une analyse des grands changements de recherche pendant la COVID-19.

• Hjort, J., Moreira, D., Rao, G., & Santini, J. F. (2021). How Research Affects Policy: Experimental Evidence from 2,150 Brazilian Municipalities. American Economic Review, 111(5), 1442–1480.：Étude montrant par une grande expérience que les décideurs politiques (maires, etc.) révisent leurs croyances suite à la présentation de preuves de recherche et changent effectivement les politiques. Preuve directe du fonctionnement de l'EBPM.

• Hoffmann, M., Nagle, F., & Zhou, Y. (2024). The Value of Open Source Software. Harvard Business School Working Paper 24-038.：Étude estimant la valeur économique du côté de la demande des logiciels open source à environ 8,8 trillions de dollars. Preuve de l'impact économique des artefacts issus de la recherche (logiciels).

• Huber, J., et al. (2022). Nobel and novice: Author prominence affects peer review. PNAS, 119(41), e2205779119.：Étude montrant par une grande expérience le « biais de statut » : les recommandations d'acceptation des évaluateurs changent drastiquement selon que l'auteur soit un chercheur éminent ou novice, pour un même article.

• Jinek, M., et al. (2012). A Programmable Dual-RNA–Guided DNA Endonuclease in Adaptive Bacterial Immunity. Science, 337(6096), 816–821.：Exemple représentatif de contribution de type « nouvelle méthode » montrant le principe de l'édition génomique par CRISPR-Cas9. Sujet du prix Nobel de chimie.

• Jones, B. F., & Summers, L. H. (2020). A Calculation of the Social Returns to Innovation. NBER Working Paper 27863.：Étude estimant que le bénéfice social d'un dollar investi dans l'innovation est en moyenne supérieur à 5 dollars, montrant l'ampleur du rendement social de l'investissement en recherche.

• Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.：AlphaFold ayant porté la prédiction de structure tridimensionnelle des protéines à un niveau pratique, fournissant simultanément une base de données publique comme « nouvelle méthode » et « nouvel artefact ». Sujet du prix Nobel de chimie.

• Kidwell, M. C., et al. (2016). Badges to Acknowledge Open Practices: A Simple, Low-Cost, Effective Method for Increasing Transparency. PLOS Biology, 14(5), e1002456.：Étude empirique montrant que lorsque la revue Psychological Science a introduit des badges de partage de données, le taux de partage a augmenté d'environ 3% à environ 40%. Preuve que rendre visible le partage comme un accomplissement change le comportement.

• Krieger, J. L., et al. (2024). Standing on the shoulders of science. Strategic Management Journal, 45(6).：Démontre que les inventions fondées sur des articles scientifiques ont une valeur marchande plus élevée.

• Leng, C., et al. (2023). Fifth Paradigm in Science: A Case Study of an Intelligence-Driven Material Design. Engineering, 24, 126–137.：Article qui illustre les contours concrets du « cinquième paradigme », la science pilotée par l'IA, en prenant la conception des matériaux comme étude de cas.

• Li, D., Azoulay, P., & Sampat, B. N. (2017). The applied value of public investments in biomedical research. Science, 356(6333), 78–81.：Étude empirique s'appuyant sur 27 années de données montrant qu'environ 30 % des subventions des NIH produisent des articles ultérieurement cités dans les brevets privés. Fournit des preuves du chemin et du délai par lesquels l'investissement public en recherche atteint l'industrie.

• Lintott, C. J., et al. (2008). Galaxy Zoo: morphologies derived from visual inspection of galaxies from the Sloan Digital Sky Survey. Monthly Notices of the Royal Astronomical Society, 389(3), 1179–1189.：Résultat exemplaire de la science citoyenne : la classification d'environ 900 000 galaxies par plus de 100 000 bénévoles citoyens aboutit à un article révisé par les pairs.

• Merton, R. K. (1942). The Normative Structure of Science.：Ouvrage fondateur qui formule l'« éthique de la science » : la propriété commune, l'universalisme, la désintéressement et le scepticisme systématique.

• Microsoft Research (2022). AI4Science to empower the fifth paradigm of scientific discovery.：Explications qui positionnent la science pilotée par l'IA comme le « cinquième paradigme ».

• Moretti, E., Steinwender, C., & Van Reenen, J. (2025). The Intellectual Spoils of War? Defense R&D, Productivity, and International Spillovers. Review of Economics and Statistics, 107(1), 14–27.：Étude empirique montrant sur données des pays de l'OCDE que la R&D de défense financée par le gouvernement stimule l'investissement privé en R&D (effet d'éviction inversé) et améliore la productivité industrielle.

• Mowery, D., & Rosenberg, N. (1979). The influence of market demand upon innovation: A critical review of some recent empirical studies. Research Policy, 8(2), 102–153.：Ouvrage fondateur qui synthétise de façon critique les études empiriques portant sur la technologie-push et la demand-pull. Établit le cadre de compréhension de l'innovation comme interaction entre la demande et les opportunités technologiques.

• Mullis, K. B., & Faloona, F. A. (1987). Specific synthesis of DNA in vitro via a polymerase-catalyzed chain reaction. Methods in Enzymology, 155, 335–350.：Exemple représentatif d'une contribution de type « nouvelle méthode » : établissement de la technique PCR d'amplification d'ADN. Sujet du prix Nobel de chimie.

• Myers, K. (2020). The Elasticity of Science. American Economic Journal: Applied Economics, 12(4), 103–134.：Étude empirique montrant à partir des données d'appels à candidatures des NIH que les chercheurs réorientent leurs thèmes de recherche en réaction aux subventions à usage spécifié. Preuves que la répartition des fonds détermine l'orientation de la recherche.

• Nelson, R. R. (1959). The Simple Economics of Basic Scientific Research. Journal of Political Economy, 67(3), 297–306.：Article qui formule pour la première fois le fondement économique du soutien public à la recherche fondamentale.

• NeurIPS Program Committee Chairs (2025). Reflections on the 2025 Review Process. NeurIPS Blog.：Rapport sur la situation réelle d'une envergure de 21 575 soumissions avec un taux d'acceptation de 24,52 %, ainsi que sur l'augmentation du bruit d'évaluation, la difficulté à recruter des relecteurs, et les nouvelles mesures liant les obligations des auteurs et des relecteurs.

• NISO (2022). CRediT, Contributor Roles Taxonomy (ANSI/NISO Z39.104-2022).：Norme internationale enregistrant par article quatorze rôles de contribution (conceptualisation, analyse, validation, etc.) sous forme lisible par machine. Infrastructure d'évaluation qui rend visible « qui a fait quoi ».

• OECD (2015). Frascati Manual 2015: Guidelines for Collecting and Reporting Data on Research and Experimental Development. OECD Publishing.：Manuel qui établit les définitions internationales standard de la R&D (trois catégories : recherche fondamentale, recherche appliquée, développement) et les cinq critères de qualification en tant que recherche.

• OECD (2025). Science, Technology and Innovation Outlook 2025. OECD Publishing.：Réorganisation de la coopération scientifique dans le contexte de changements géopolitiques, avec la compatibilité entre sécurité de la recherche et ouverture posée comme enjeu politique.

• Open Science Collaboration (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716.：Vérification systématique de 100 études célèbres en psychologie montrant que seulement 36 % environ montrent une reproductibilité statistiquement significative. Exemple représentatif d'une contribution de type « reproduction et vérification » symbolisant la crise de reproductibilité.

• Organization Science Editors (2026). More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science.：Éditorial quantifiant une augmentation de 42 % des soumissions depuis le lancement de ChatGPT et un taux de rejet au stade de la décision éditoriale de 69 % pour les articles à fort usage d'IA, diagnostiquant que « le goulot d'étranglement s'est déplacé de la production à l'évaluation ».

• Page, L., Brin, S., Motwani, R., & Winograd, T. (1999). The PageRank Citation Ranking: Bringing Order to the Web. Stanford InfoLab Technical Report.：Exemple de publication de la base algorithmique de la recherche Google sous forme de rapport technique universitaire, montrant que les contributions historiques peuvent aussi passer par des canaux en dehors des revues académiques.

• Peirce, C. S. (1878). Deduction, Induction, and Hypothesis. Popular Science Monthly, 13, 470–482.：Ouvrage fondateur qui formalise la déduction, l'induction et l'abduction (formation d'hypothèses) comme combinaisons des trois éléments « Rule, Case et Result ». Inclut l'exemple classique du sac de haricots.

• Pineau, J., et al. (2021). Improving Reproducibility in Machine Learning Research (A Report from the NeurIPS 2019 Reproducibility Program). Journal of Machine Learning Research, 22(164), 1–20.：Rapport sur la réforme institutionnelle consistant à introduire à NeurIPS une politique de soumission de code et une liste de contrôle de reproductibilité, qui a considérablement augmenté le taux de soumission de code. Cas pilote montrant que l'exigence de reproductibilité fonctionne.

• Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson.（原著：Logik der Forschung, 1934）：Ouvrage fondateur de la philosophie des sciences qui formule la réfutabilité comme condition d'une affirmation scientifique.

• Royal Society (2019). Résumé for Researchers.：Format de CV narratif où, au lieu d'une liste d'articles, les chercheurs décrivent en texte « les connaissances, le développement des talents et les contributions à la société ». Adopté par les principaux organismes de financement du Royaume-Uni.

• Sackett, D. L., et al. (1996). Evidence based medicine: what it is and what it isn't. BMJ, 312, 71–72.：Ouvrage fondateur qui formalise la « médecine fondée sur des preuves (EBM) », où la pratique clinique s'appuie non sur l'expérience personnelle des médecins ou l'autorité, mais sur les meilleures connaissances issues de la recherche. Base théorique des directives cliniques.

• Si, C., Yang, D., & Hashimoto, T. (2024). Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers. arXiv:2409.04109.：Comparaison en aveugle avec plus de 100 chercheurs en PLN montrant que les idées de LLM sont évaluées comme plus novatrices que celles des humains, mais que leur faisabilité est plus faible et que l'évaluation baisse au stade de l'exécution. Preuves de l'asymétrie entre génération et vérification.

• Smith, M. L., & Glass, G. V. (1977). Meta-analysis of psychotherapy outcome studies. American Psychologist, 32(9), 752–760.：Exemple représentatif d'une contribution de type « intégration » : établissement de la méthode de la méta-analyse elle-même.

• Spitale, G., Biller-Andorno, N., & Germani, F. (2023). AI model GPT-3 (dis)informs us better than humans. Science Advances, 9(26), eadh1850.：Expérience montrant que les fausses informations générées par GPT-3 sont plus difficiles à détecter que celles écrites par des humains. Preuves de la baisse du coût de génération de désinformation par l'IA.

• Stanford HAI (2025). The 2025 AI Index Report.：Rapport annuel quantitatif démontrant l'évolution des acteurs de la recherche en IA, notamment le fait qu'environ 9 décennies des modèles d'IA remarquables proviennent du secteur industriel.

• Stokes, D. E. (1997). Pasteur's Quadrant: Basic Science and Technological Innovation. Brookings Institution Press.：Classique qui classe la recherche en quatre quadrants selon deux axes « quête de compréhension » et « conscience de l'utilité pratique », démontrant les limites du modèle linéaire.

• Teplitskiy, M., et al. (2022). Is novel research worth doing? Evidence from peer review at 49 journals. PNAS, 119(47).：Étude montrant la « pénalité de nouveauté » - les articles très novateurs reçoivent des évaluations plus sévères lors de l'examen par les pairs - basée sur des données d'examen provenant de 49 revues.

• Vaswani, A., et al. (2017). Attention Is All You Need. NeurIPS 2017 / arXiv:1706.03762.：Exemple représentatif de contribution de type « nouvelle méthode » qui a présenté le Transformer, fondement de l'IA générative. Article emblématique de la recherche en IA pilotée par les prépublications.

• Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146–1151.：Étude empirique montrant sur la base de données massives que les fausses nouvelles se propagent en ligne plus rapidement, plus largement et plus profondément que les vraies. Preuve du problème du « dernier kilomètre » où les connaissances scientifiques entrent en concurrence avec la désinformation.

• Watson, J. D., & Crick, F. H. C. (1953). Molecular Structure of Nucleic Acids: A Structure for Deoxyribose Nucleic Acid. Nature, 171, 737–738.：Exemple représentatif de contribution de type « nouvelle théorie (modèle) » présentant le modèle de la double hélice d'ADN sur un peu plus d'une page.

• Zhang, L., et al. (2026). When science meets geopolitics: global AI research network transformation (2000–2025). Science and Public Policy.：Étude empirique basée sur 25 ans de données démontrant que le réseau de coauteurs internationaux dans le domaine de l'IA se reconfigure en raison de la rivalité sino-américaine.

• Zucker, L. G., Darby, M. R., & Brewer, M. B. (1998). Intellectual Human Capital and the Birth of U.S. Biotechnology Enterprises. American Economic Review, 88(1), 290–306.：Étude empirique montrant que le lieu de naissance de l'industrie biotechnologique américaine était largement déterminé par la localisation des chercheurs vedettes. Preuve que la mobilité des talents est le principal vecteur du transfert de connaissances.