Une étude dans Nature indique que l'IA stimule la carrière des chercheurs individuels mais réduit le champ de la science dans son ensemble
Une vaste étude révèle que, bien que les outils d'IA accélèrent le succès des scientifiques, ils réduisent de manière préoccupante le champ global de la découverte de nouvelles connaissances.
Une étude majeure publiée dans la revue mondiale Nature révèle les deux facettes de l'impact de l'intelligence artificielle (IA) sur le monde scientifique. Elle indique que l'IA est devenue un outil puissant qui aide les chercheurs individuels à réussir plus rapidement dans leur carrière, mais qu'en même temps, elle rend la direction de la recherche scientifique globalement plus étroite et moins diversifiée.
L'équipe de recherche, dirigée par James Evans, sociologue de l'Université de Chicago, a analysé plus de 310 957 publications dans 6 domaines des sciences naturelles (biologie, médecine, chimie, physique, science des matériaux et géologie). En utilisant un modèle linguistique de Google pour identifier les études utilisant l'IA, les résultats ont montré que les chercheurs qui utilisent l'IA publient 3,02 fois plus d'articles que ceux qui ne l'utilisent pas, et leurs travaux sont cités 4,85 fois plus souvent. De plus, ils deviennent chefs d'équipe de recherche en moyenne 1,37 an plus tôt que leurs pairs.
Cependant, en examinant le tableau général du monde scientifique, des impacts négatifs ont été observés. L'adoption de l'IA a entraîné une réduction de 4,63 % du nombre de sujets de recherche étudiés et une diminution de 22 % des interactions entre chercheurs. Les auteurs de l'étude concluent que "les outils d'IA semblent automatiser davantage les domaines existants plutôt que d'en explorer de nouveaux", créant ainsi un paradoxe : "élargir l'impact des scientifiques individuels, mais réduire le champ d'action de la science dans son ensemble."
James Evans résume ce phénomène comme "un conflit entre les incitations individuelles et la science dans son ensemble". Il est intéressant de noter que ce modèle s'est manifesté de manière constante depuis les premières ères du machine learning et du deep learning jusqu'à l'actuelle ère de l'IA générative. Ceci reflète les défis structurels auxquels le monde scientifique est confronté à l'ère de l'IA.
Bien que l'IA soit un outil d'accélération de l'efficacité, cet impact souligne le risque que les découvertes scientifiques se concentrent sur des sujets existants, ce qui pourrait freiner les grandes découvertes à long terme nécessitant l'exploration de nouvelles connaissances.