Le récit rassurant sur l’intelligence artificielle en science veut que l’automatisation élimine les tâches ingrates et que les chercheurs utilisent le temps récupéré pour réfléchir plus en profondeur et achever leurs travaux de façon plus complète. Une nouvelle étude de modélisation soutient que ce récit inverse exactement la logique économique. En rendant les scientifiques plus rapides, les grands modèles de langage augmentent le prix du temps d’un chercheur, et un temps plus cher se dépense sur le projet suivant, pas sur le polissage du projet en cours. Les auteurs, Eamon Duede, Kevin Gross, Molly Crockett et Carl Bergstrom, prédisent sans ambages dans leur résumé que les chercheurs feront plus, et moins bien, plutôt qu’autant, et mieux.
L’article, déposé sur arXiv le 19 juillet 2026 et pas encore évalué par les pairs, se montre délibérément généreux envers la technologie. Le modèle suppose que les LLM fonctionnent exactement comme l’imaginent leurs promoteurs les plus enthousiastes : bon marché, rapides, précis et exempts d’erreurs. Même sous cette hypothèse, montrent les auteurs, la simple existence des outils redessine la manière dont les scientifiques répartissent leurs efforts, car elle modifie les frictions et les incitations qui orientent la recherche. Le constat est structurel, et non une plainte contre les hallucinations ou la perte de compétences, et les auteurs sont explicites : les outils d’IA ne sont pas le problème de fond. Les LLM tendent un miroir à un système d’incitations qui récompense déjà la quantité au détriment de la qualité.
La machinerie mathématique provient de l’écologie comportementale. Le modèle emprunte la théorie de la quête optimale de nourriture, élaborée par Eric Charnov en 1976 pour décrire comment un animal décide de quitter une parcelle de nourriture, et l’applique à un chercheur qui décide de quitter un projet. Un scientifique traverse une phase de découverte de durée fixe pour apprendre la valeur d’un projet : hypothèses, expériences pilotes, données préliminaires. Une fois la valeur connue, le chercheur abandonne le projet et entame une nouvelle phase de découverte, ou investit dans le développement, qui comporte deux volets. Le premier est le travail requis, le coût irréductible de la transformation des résultats en article publiable : figures, mise en page, relecture, soumission. Le second est le développement discrétionnaire : expériences complémentaires, analyses de sensibilité, statistiques plus poussées, polissage de la prose. La quantité clé du modèle est le taux de rendement à long terme du temps, qui fixe le coût d’opportunité de chaque heure qu’un chercheur consacre.
De ce cadre, l’article tire trois prédictions, et les deux premières sont inconfortables. Lorsque les LLM raccourcissent la phase de découverte, comme c’est le cas dans les domaines techniques où ils aident à repérer rapidement les problèmes prometteurs, les chercheurs deviennent plus sélectifs et publient une fraction plus faible de leurs projets, mais même les projets qu’ils publient sont développés de façon moins approfondie, car le coût d’opportunité du temps a augmenté. Lorsque les LLM réduisent au contraire le travail requis pour produire un manuscrit, ce qui est le cas dans les disciplines fondées sur le travail de terrain, où l’écriture et l’analyse dominent, le seuil de publication baisse : davantage de projets sont publiés, chacun développé de façon moins approfondie. Seul le troisième cas est sans ambiguïté positif : lorsque les LLM accélèrent le développement discrétionnaire lui-même, rendant les expériences complémentaires et les analyses plus approfondies moins coûteuses, les projets sont développés de façon plus complète. Le résultat qui domine dans un domaine donné dépend de la phase de recherche que le LLM accélère.
Le résultat le plus incisif du modèle est un diagnostic du sophisme des économies de temps. L’espoir que l’automatisation des tâches ingrates donnera aux scientifiques le temps de réfléchir en profondeur échoue, écrivent les auteurs, parce que les LLM rendent le temps des chercheurs plus précieux, et non moins. Une fois qu’un article est presque publiable, l’heure marginale passée à le peaufiner est une heure qui n’est pas consacrée à découvrir le projet suivant, et lorsque tout va plus vite, le coût d’opportunité de cette heure augmente. Le résultat est une incitation à passer à autre chose. Les auteurs notent qu’ils ont traité les institutions scientifiques comme statiques, ce qui est raisonnable à courte échéance, mais garantit une période de décalage à mesure que les pratiques changent plus vite que les politiques. Les soumissions de manuscrits augmentent déjà fortement dans les domaines où les LLM réduisent le temps nécessaire à la production d’un article, mettant à rude épreuve l’évaluation par les pairs, et la structure d’incitations du publier ou périr précède les outils de plusieurs décennies.
Le détail le plus frappant de l’article est sa propre déclaration d’utilisation de l’IA. Les auteurs indiquent que le texte a été rédigé sans assistance de l’IA au-delà du correcteur orthographique intégré, mais qu’ils ont utilisé ChatGPT 5.4, ChatGPT 5.5 et Gemini 3.1 pour suggérer des stratégies de preuve, Claude Fable 5 pour vérifier la cohérence des preuves, et ChatGPT 5.5 pour affiner les polices des figures et le formatage LaTeX. Un article soutenant que les LLM pousseront les scientifiques vers la précipitation a lui-même été produit avec l’assistance de LLM, précisément aux étapes que le modèle décrit : le travail discrétionnaire de vérification des preuves et de mise en forme, accéléré et partiellement délégué. C’est une petite illustration honnête du phénomène, plutôt qu’une critique de celui-ci.
Les réserves sont réelles. Il s’agit d’une prépublication, et le modèle simplifie fortement, traitant le temps comme la seule ressource et maintenant les incitations fixes. Les vrais LLM commettent des erreurs, et leurs erreurs peuvent imposer des coûts que le modèle ignore. Mais la valeur de l’exercice est d’isoler l’effet structurel : même un outil parfait, dans un système qui récompense la production, détourne l’effort de la profondeur. La conclusion pratique pour la politique scientifique est que corriger le résultat suppose de changer les incitations, car la technologie n’est pas la contrainte déterminante. Les auteurs soutiennent que l’espoir de voir les économies de temps se traduire par une réflexion plus profonde est tempéré par leurs résultats. Le miroir que les LLM tendent montre au système sa propre image.
Traduit par Lydie
Références
Eamon Duede, Kevin Gross, M.J. Crockett, and Carl T. Bergstrom, The unintended consequences of large language models as a labor-augmenting technology in science. arXiv:2607.17397 (2026). DOI: 10.48550/arXiv.2607.17397.
Kaia Glickman, Scientists using LLMs will ‘do more, less well’, modelling study predicts. Nature News, 31 July 2026. DOI: 10.1038/d41586-026-02397-5.
E.L. Charnov, Optimal foraging, the marginal value theorem. Theoretical Population Biology 9(2), 129-136 (1976).