Contexte et motivations
En octobre 2026, OpenAI a annoncé la production de 722 articles scientifiques générés par IA, un chiffre qui dépasse largement les 2 500 publications récentes de la communauté physique. L’objectif affiché est de réduire le temps consacré à la rédaction et à la vérification, en confiant la validation aux spécialistes humains. Cette démarche s’inscrit dans une logique de volume : accumuler le plus grand nombre possible de faits potentiellement vrais, indépendamment de leur lisibilité ou de leur exactitude.
Mécanisme de génération de textes scientifiques
Le système repose sur un modèle de langage probabiliste entraîné sur l’ensemble du corpus académique disponible jusqu’en 2026. Il produit des manuscrits en suivant les schémas de structure habituels (introduction, méthode, résultats) sans intégrer de processus de vérification interne. La probabilité d’erreur reste non quantifiée, mais la stratégie consiste à déléguer la tâche de validation à la communauté, ce qui crée un flux continu de soumissions à examiner.
Analyse des impacts sur la recherche
Le volume accru de publications modifie la dynamique de la revue par les pairs. D’une part, il augmente la charge de travail des évaluateurs, d’autre part, il peut accélérer la diffusion d’idées nouvelles si les articles sont correctement filtrés. Le texte cite la vision de Borges (1941) d’une bibliothèque contenant toutes les réponses possibles ; l’IA se rapproche de ce concept en générant un grand nombre de « faitoids » scientifiques. Cependant, l’absence de garantie de validité soulève la question de la signalisation de la qualité dans les bases de données bibliographiques.
Limites et risques
Le principal risque identifié est la propagation d’erreurs non détectées, qui pourrait polluer les citations et les méta‑analyses. Le modèle ne possède pas de mécanisme d’auto‑correction et dépend entièrement de la vigilance humaine. De plus, la focalisation sur la quantité plutôt que sur la clarté ou la reproductibilité peut entraîner une perte de valeur informative. Enfin, l’accent mis sur la productivité économique (finance quantitative, applications commerciales) détourne les chercheurs de la quête de compréhension fondamentale.
