L’évaluation par les pairs repose sur une seule ressource rare : l’attention bénévole des scientifiques en activité, et cette ressource est rationnée un peu plus chaque année. Les publications indexées dans Scopus et Web of Science progressent d’environ 5,6 % par an, un rythme que certaines analyses décrivent comme exponentiel. Selon les estimations, le temps que les chercheurs consacrent collectivement à l’évaluation représente environ 15 000 années-personnes par an, un travail qui coûterait environ 1,5 milliard de dollars s’il était rémunéré aux taux du marché, rien qu’aux États-Unis. L’offre d’attention experte ne croît pas au même rythme que la demande, et l’ère de l’IA aggrave le déséquilibre.
Le coût de cette pression se manifeste au cas par cas. Jason Semprini, économiste de la santé à l’université Des Moines, a soumis un article sur les politiques d’État qui imposent aux élèves du primaire de recevoir le vaccin contre le HPV. Son constat était contre-intuitif mais précis : ces obligations n’ont pas réduit de façon spectaculaire les taux de cancer du col de l’utérus au niveau de la population, en grande partie parce que certaines familles répondent à l’obligation en évitant complètement le vaccin. Un relecteur a lu la soumission et en a conclu que Semprini remettait en cause le fait que le vaccin contre le HPV prévienne le cancer du col de l’utérus. Sur la base de ce malentendu, avec un seul relecteur désigné, l’article a été rejeté.
Les chiffres derrière la pression
L’arithmétique de l’évaluation par les pairs se dégrade depuis des années, mais les éléments sont désormais visibles dans les données. Les volumes de soumissions aux revues ont grimpé dans toutes les disciplines. Les relecteurs, qui travaillent généralement de façon anonyme et sans rémunération, déclarent qu’on leur demande d’évaluer plus d’articles qu’ils ne peuvent raisonnablement en traiter, et ils refusent de plus en plus souvent les invitations. Le résultat est un système dans lequel les revues confient parfois un manuscrit à un seul relecteur, comme ce fut le cas pour Semprini, plutôt qu’aux deux ou trois qui étaient autrefois la norme. Un malentendu, une lecture précipitée, un expert surchargé, et la porte se referme.
Le travail non rémunéré est la faiblesse structurelle du système. Les chercheurs évaluent parce que cela fait partie du contrat académique, parce qu’ils bénéficient du même service, parce qu’ils veulent façonner leur discipline. Mais l’incitation est diffuse et le coût est concret. Chaque évaluation est du temps pris sur la propre recherche du relecteur, et lorsque les volumes de soumissions augmentent tandis que le bassin de relecteurs reste stable, c’est la qualité qui plie.
L’IA comme amplificateur
L’intelligence artificielle pénètre ce système fragile par deux directions à la fois. Côté production, la rédaction assistée par IA rend plus rapide et moins coûteuse l’écriture et la mise en forme d’un manuscrit, abaissant la barrière à la soumission et augmentant le nombre d’articles que les revues doivent traiter. La science sous-jacente peut être parfaitement solide, mais le problème de volume est aggravé par la facilité de production.
Côté évaluation, l’IA est utilisée pour générer les évaluations elles-mêmes, souvent mal. À la conférence d’apprentissage automatique ICLR 2026, une analyse de plus de 75 000 évaluations a révélé qu’environ 21 % semblaient entièrement générées par l’IA, et que plus de la moitié présentaient au moins quelques signes d’assistance par l’IA. À ICML 2026, 506 relecteurs ont été pris en flagrant délit de violation des politiques d’utilisation de l’IA, détectés grâce à des filigranes intégrés, et près de 500 articles ont été rejetés d’office, soit environ 2 % des soumissions. Le problème ne se limite pas à l’informatique. Les usines à articles, opérations commerciales qui produisent en masse de fausses recherches pour des auteurs payants, ont industrialisé la fabrication, et une analyse de la littérature sur le cancer publiée dans Nature estime qu’environ un article sur dix dans ce domaine pourrait provenir de telles usines. Des citations fabriquées ont été trouvées dans des travaux publiés, notamment une lettre de recherche du Lancet signalant le problème dans une fraction de pour cent des articles indexés.
Le danger n’est pas que chaque article assisté par l’IA soit frauduleux. Il est que la capacité des relecteurs, et non le mérite scientifique, devienne la ressource limitante qui détermine quelles affirmations font l’objet d’un examen sérieux. Lorsqu’un seul bénévole surchargé se tient entre un manuscrit et la littérature, la probabilité qu’un véritable malentendu fasse sombrer un bon travail augmente, et la probabilité qu’un article fabriqué ou bâclé passe entre les mailles du filet augmente avec elle.
Ce qui est tenté
Le système n’est pas sans réponses. Des revues expérimentent la rémunération des relecteurs, avec des résultats mitigés rapportés par les éditeurs qui ont mené des essais. Nature étend l’évaluation transparente par les pairs, en publiant les rapports des relecteurs en même temps que les articles, un changement associé à des taux de rétractation plus faibles. Certaines revues testent l’évaluation croisée entre candidats, où les auteurs évaluent les soumissions les uns des autres, et un nombre croissant de financeurs utilisent désormais la randomisation pour départager les propositions jugées de mérite égal, ressuscitant l’ancien kleroterion athénien comme outil d’allocation équitable.
Des outils d’IA sont également développés pour assister les relecteurs, et non les remplacer : filtrer les soumissions pour détecter des indicateurs de fabrication, vérifier les références, signaler des statistiques suspectes. La position selon laquelle l’IA ne devrait pas encore rédiger les évaluations directement gagne du terrain au sein même de la communauté de l’apprentissage automatique, où des comparaisons empiriques entre évaluations humaines et évaluations générées par l’IA ont montré l’écart en matière de qualité et de fiabilité.
Le choix structurel
Aucun de ces correctifs ne s’attaque à l’équation sous-jacente. La science produit davantage chaque année, les revues rivalisent pour publier vite, les chercheurs ont besoin de publications pour leur carrière, et l’IA rend la production écrite plus facile. La seule ressource qui ne peut pas être augmentée à volonté est l’attention experte. L’évaluation par les pairs repose sur un bassin de scientifiques en activité qui font don d’un temps dont ils disposent de moins en moins, et aucune refonte des processus ne change ce goulot d’étranglement.
La prochaine phase probable du débat portera sur la question de savoir si la réponse réside dans la rémunération, le triage, l’assistance de l’IA sous supervision humaine, ou une certaine refonte de la finalité de l’évaluation. Ce que le cas Semprini montre, c’est que la question n’est pas abstraite. Un article qui aurait pu contribuer à un débat politique réellement important, sur la question de savoir si les obligations vaccinales fonctionnent comme prévu, a été retenu par une seule mauvaise lecture, et l’expérience de ce chercheur est de plus en plus courante dans toutes les disciplines.
Les décideurs politiques, les médecins, les investisseurs et le public considèrent la publication dans une revue comme un indicateur de légitimité. Si le processus qui sous-tend cet indicateur s’amincit, le signal devient plus bruité précisément au moment où la confiance dans l’expertise est déjà contestée. Le système qui filtre la mauvaise science hors du corpus scientifique a lui-même besoin d’un filtre, et l’ère de l’IA impose la question plus vite que les institutions ne peuvent y répondre.
Traduit par Lydie
Sources:
- Ars Technica, “Peer review is overwhelmed, can it survive in the AI era?” (Aug 10, 2026): https://arstechnica.com/science/2026/08/peer-review-is-overwhelmed-can-it-survive-in-the-ai-era/
- Nature News Feature, “The peer-review crisis: how to fix an overloaded system” (Aug 2025): https://www.nature.com/articles/d41586-025-02457-2
- Journal Metrics analysis of ICLR 2026 AI-generated reviews (Pangram Labs data): https://www.journalmetrics.org/blog/ai-written-peer-reviews-medical-authors-2026
- PeerJ / Research Integrity & Peer Review (reviewer workload estimates): https://link.springer.com/article/10.1186/s41073-021-00118-2
- arXiv, “Stop Automating Peer Review Without Rigorous Evaluation”: https://arxiv.org/abs/2605.03202