
« J’ai pleuré. Cela a réveillé ma fille », confiait le mathématicien Hugo Diminil-Copin, médaillé Fields. OpenAI venait d’annoncer qu’un de ses modèles internes avait résolu plus de 700 problèmes mathématiques ouverts (c’est-à-dire non résolus). Parmi eux, seize portaient sur des questions sur lesquelles il travaillait depuis des années. « Ils ont annihilé mon domaine de recherche. » Cédric Villani a trouvé la bonne formule : « En 2026, nous autres mathématiciens, le ciel nous est tombé sur la tête. »
Quand le ciel leur est tombé sur la tête
Même si trois des articles publiés par l’IA ont été retirés dès le lendemain pour erreurs et moins de la moitié des preuves avaient été vérifiées, le résultat est tout de même là. En une journée, les mathématiques viennent de basculer dans une nouvelle ère.
D’où un flot de questions. Que va-t-il se passer maintenant ? Quel est, déjà, l’impact de l’IA sur les sciences 1 ? Pour comprendre la révolution en cours, observons déjà comment depuis vingt-cinq ans, le big data puis l’IA ont transformé de fond en comble certaines disciplines scientifiques.
1. Les avancées remarquables
La physique a été une des premières à recevoir des pluies de données nouvelles grâce à ce qu’on nommait encore au début des années 2000 le « big data ». Dans les grands collisionneurs de particules (comme celui du Cern), des dizaines de millions de particules se percutent chaque seconde. Aucun humain ne peut trier ce déluge faramineux de données : des algorithmes sélectionnent en quelques microsecondes les milliers d’événements par seconde qui méritent d’être observés. Les simulations numériques permettent ensuite de confronter les modèles théoriques aux collisions observées. C’est l’avalanche de données, triées et analysées par l’IA, qui a permis la découverte en 2012 du « boson de Higgs », la plus grande découverte en physique des particules depuis un demi-siècle.
L’astronomie a vécu la même mutation radicale. Les télescopes spatiaux (comme le télescope James-Webb) peuvent cartographier des milliards d’étoiles et de galaxies qui sont classées automatiquement dans une carte du ciel et de repérer des événements furtifs (une supernova ou le passage d’un astéroïde, une exoplanète) que l’œil humain ne saurait isoler dans l’immensité des petits points de couleur reçus de l’espace.
La biologie change de visage
Depuis le séquençage du génome humain (achevé en 2003), le séquençage à haut débit déverse chaque jour des milliards de données (des « téraoctets ») sur un génome ou la structure d’une protéine.
Un saut spectaculaire a été réalisé avec « AlphaFold ». Depuis un demi-siècle, les biologistes butaient sur le problème du « repliement des protéines », c’est-à-dire la forme en trois dimensions que prend une chaîne d’acides aminés. La question est essentielle car la forme d’une protéine détermine sa fonction. D’où l’importance de connaître cette forme. Or, déterminer la structure d’une seule protéine pouvait occuper un thésard pendant toute sa thèse ! Le programme AlphaFold, créé par Google DeepMind, a prédit la forme de plus de deux cents millions de protéines ! La découverte a valu à ses concepteurs, Demis Hassabis et John Jumper, le prix Nobel de chimie de 2024. Autre exemple, en génomique, l’IA permet de repérer des motifs non codants dans l’ADN 2, d’affiner l’outil CRISPR-Cas9 (qui sert à isoler, couper et modifier des gènes) et elle prédit la nocivité de mutations génétiques rares.
La médecine
En médecine, les progrès sont considérables, tant dans la recherche des causes (des maladies rares), que dans le dépistage 3, le diagnostic et le traitement (recherche de nouveaux médicaments 4).
L’imagerie médicale (scanners, IRM) atteint aujourd’hui des performances équivalentes ou supérieures à l’œil humain (pour le dépistage précoce de tumeurs). L’analyse précise des tumeurs permet d’adapter des thérapies ciblées. Le croisement des dossiers de patients informatisés permet d’amorcer la transition vers une médecine de précision fondée sur les 4P (prédictive, préventive, personnalisée, participative).
Archéologie et histoire : la surprise
L’IA a aussi fait son entrée dans les sciences humaines, avec plus ou moins d’importance selon les disciplines. Elle est en train de révolutionner littéralement l’archéologie. Le Lidar, un laser aéroporté qui permet de voir des structures invisibles à l’œil nu, car dissimulées sous des couches de végétation, a révélé des dizaines de milliers de sites situés sous la jungle d’Amérique centrale. Les cités mayas, qu’on croyait limitées à des zones urbaines très localisées, paraissent désormais comme de vastes réseaux urbains interconnectés avec chaussées, terrasses et canaux. « Chaque jour apporte son lot de découvertes », s’enthousiasme l’archéologue Laurent Costa (CNRS). Dans le désert de Nazca, un modèle développé par IBM et l’université de Yamagata a permis de découvrir plus de 300 nouveaux géoglyphes en six mois, presque autant qu’en un siècle de recherches.
Les historiens ne sont pas en reste. La reconnaissance d’écriture manuscrite déchiffre désormais les registres paroissiaux, actes notariés et chartes médiévales. Des corpus qu’un spécialiste aurait mis des années à transcrire deviennent consultables en quelques jours. Le modèle Ithaca, conçu par DeepMind et l’université d’Oxford, restitue les lettres manquantes sur des manuscrits ou des inscriptions gravées, et les date avec précision. Jusque-là, les historiens atteignaient péniblement 25 % de restitutions exactes ; aidés par Ithaca, ils montent à 72 %. En 2024, des étudiants ont pu décoder, grâce à l’IA, plus de deux mille caractères d’un rouleau d’Herculanum carbonisé par le Vésuve en 79.
Les « humanités numériques » comme on les appelle, ont donc fait faire un bon en avant dans l’archivage et le traitement des données dans plusieurs disciplines.
Mais toutes les sciences ne sont pas concernées par le big data et les outils dérivés de l’IA. Un primatologue qui suit une troupe de chimpanzés et accumule des milliers d’heures d’observation et de subtile interaction entre les membres d’un groupe ne peut pas vraiment être assisté et encore moins remplacé par une IA. Il en va de même pour le sociologue qui enquête sur une bande d’adolescents d’un quartier ou sur les conditions de travail des livreurs à vélo. Le psychologue qui explore la rêverie ou les pensées intérieures n’a pas des téraoctets de données à traiter. Leurs données sont qualitatives, singulières, ancrées dans une relation : l’IA ne possède ici pas grand-chose à leur offrir.
2. Limites et critiques
En 2008, Chris Anderson, rédacteur en chef de Wired, a déclenché un débat en annonçant « la fin de la théorie » dans les sciences. Selon lui, avec assez de données, les corrélations notées entre phénomènes allaient bientôt suffire à supplanter la bonne vieille méthode scientifique fondée sur la confrontation entre la théorie et les faits d’observation. Les faits allaient parler d’eux-mêmes. Cette prophétie a réveillé un vieux débat, celui qui opposait déjà les partisans de la « cliométrie » face aux défenseurs de l’étude de cas.
Les objections ont aussitôt surgi. Une donnée n’est jamais brute, a rappelé la chercheuse américaine Lisa Gitelman : elle est toujours sélectionnée et traitée dans le cadre d’une théorie préalable. Derrière chaque chiffre se cachent des conventions qu’on finit par oublier.
Une autre objection porte sur la signification des faits qu’on observe. L’anthropologue Clifford Geertz distinguait le clin d’œil complice du simple battement de paupière : physiquement, ils sont identiques, mais ne signifient pas la même chose. Les algorithmes voient le mouvement, pas l’intention qui se trouve derrière. D’où le plaidoyer de l’ethnographe Tricia Wang pour des thick data, des données épaisses, contre le big data.
Enfin, l’outil oriente le regard. Les historiens risquent de surinvestir les archives numérisées, au détriment des sociétés qui n’ont laissé que des traces orales. Le Lidar repère les pyramides cachées et les terrassements, mais pas les huttes de bois et de chaume où vivait l’essentiel de la population.
Le cas des neurosciences
Les neurosciences offrent le cas intéressant sur les illusions du big data. En 2013, l’Europe a lancé le Human Brain Project, qui promettait de cartographier et simuler le cerveau humain dans un ordinateur en dix ans. Parallèlement, les États-Unis lançaient le leur côté la BRAIN Initiative richement financée. Or, dix ans et des milliards d’euros et de dollars plus tard, la moisson est assez décevante. On dispose d’un atlas de plus de 3 000 types de cellules neuronales et du câblage complet du cerveau… d’une mouche. Mais on n’a ni théorie de la conscience, ni remède à Alzheimer, ni marqueur cérébral de l’autisme ou de la schizophrénie.
3. La révolution discrète du quotidien
Au-delà des outils spécialisés, l’IA a changé les gestes les plus ordinaires des chercheurs comme de la plupart des professionnels du savoir (journalistes, enseignants, documentalistes). Une recherche documentaire qui aurait requis des semaines de dépouillement en bibliothèque se fait en quelques minutes : les assistants IA se montrent capables de lire des thèses volumineuses et d’en résumer le contenu, de passer en revue des centaines d’articles pour y rechercher l’information demandée. L’IA aide à traduire, à rédiger, à corriger, à préparer une présentation PowerPoint. Il est difficile de savoir combien de chercheurs l’utilisent au quotidien, mais ce qu’on nomme la « recherche augmentée » s’est rapidement propagé dans le monde scientifique 5.
Le revers est déjà visible : les revues croulent sous les manuscrits rédigés avec l’aide d’IA. Sur arXiv.org, la grande plateforme où les chercheurs prépublient leurs travaux, les auteurs qui recourent aux modèles de langage publient environ un tiers d’articles en plus qu’auparavant. La conférence ICLR 2026 6, un congrès annuel majeur dans le domaine de l’IA, a sonné l’alerte : non seulement il y a eu une explosion des articles soumis pour le congrès (près de 20 000 !), mais il est apparu que 20 % de ces articles en principe évalués par les pairs ont été entièrement rédigés par une machine ! Désormais, les revues scientifiques reçoivent une avalanche d’articles produits en série, parfois truffés de références inventées et eux-mêmes relus par des IA ! Comme les mémoires d’étudiants ou les romans soumis aux éditeurs, une course aux armements est désormais lancée entre les auteurs et ceux chargés de les valider.
La fusée a décollé
L’examen des vingt-cinq dernières années conduit d’abord à écarter deux fantasmes opposés. Le premier est celui de l’IA consciente et autonome, une machine pensante qui s’affranchirait des humains pour suivre sa propre voie. En réalité, les modèles de LLM (comme ChatGPT, Claude) reposent d’abord sur un entraînement supervisé : pour que l’IA puisse être performante, il faut l’entraîner, lui poser des questions, la corriger. L’IA doit être entraînée, elle doit aussi être nourrie. Elle reste tributaire des informations que les humains produisent et lui transmettent : il faut construire des télescopes et des collisionneurs, fouiller des sites, mener des enquêtes de terrain, écrire des livres pour l’alimenter. L’IA enfin a besoin de data centers qui nourrissent ses infrastructures.
Le second fantasme est celui d’une IA qui remplacerait complètement l’humain dans ses activités de création, de réflexion et de conception. Comme on vient de le voir (et comme le montrent les pratiques réelles des chercheurs), l’IA reste un assistant de recherche : c’est l’humain qui lui pose les questions, qui forge les hypothèses, qui oriente les directions de recherche. Il faut n’avoir jamais utilisé l’IA pour croire qu’il suffit de rédiger une instruction (un prompt) pour que la machine livre un résultat pertinent.
Ce qui se dessine est donc une interaction permanente entre l’humain et la machine. Il faut des humains pour poser des questions, interpréter les résultats et reposer de nouvelles questions. Le Lidar révèle des milliers de sites mayas, mais ne dit pas ce que cela change à notre compréhension de l’évolution des sociétés. Doté de nouveaux outils, le métier de chercheur ne disparaît pas, il se modifie. Une symbiose se met en place, mais ne fait que prolonger celle qui unit depuis des lustres le cerveau humain avec l’écriture, les livres, les bibliothèques, l’imprimerie, les télescopes, les machines à calculer, les ordinateurs et Internet.
Rien n’arrêtera l’usage de l’IA dans les sciences. Les enjeux économiques, géopolitiques sont trop massifs. Les avantages pour les chercheurs sont trop grands : au nom de quoi un historien ou un physicien s’interdirait-il d’utiliser une machine qui simplifie et démultiplie ses capacités de réflexion ? Une nouvelle ère du savoir vient de débuter. Nul n’en connaît le terme. Qu’on le veuille ou non, la fusée a décollé et nous sommes tous à bord.
- Sans même parler de ce qui se passe en parallèle en littérature, dans la création musicale, picturale, l’éducation, l’emploi aussi en plein bouleversement. ↩︎
- 98 % des gènes d’un génome ne servent pas à fabriquer des protéines. Longtemps, sa fonction était ignorée et cette partie non codante était appelée « gène poubelle ». Or, il est apparu que cette partie non codante joue en fait plusieurs rôles importants de régulateur et protecteur des gènes codants. D’où l’importance de les observer à l’œuvre, ce que permet l’IA. ↩︎
- En Suède, un vaste essai de dépistage du cancer du sein assisté par IA a détecté 20 % de cancers en plus, tout en réduisant de près de moitié la charge de lecture des radiologues. ↩︎
- L’IA réduit de plusieurs années le criblage moléculaire virtuel, prédisant l’affinité, la toxicité et le comportement pharmacocinétique des candidats médicaments. ↩︎
- Voir par exemple Ourida Heddouche, « L’intelligence artificielle dans le contexte universitaire : un aperçu sur son usage dans la rédaction académique », ATRAS Journal, septembre 2024 (en ligne), ou Emanuela Chiriac, « Intelligence artificielle générative et usages scientifiques : les bibliothèques face à une littératie postinformationnelle », Documentation et bibliothèques, vol. 71, 2025/2, (en ligne). ↩︎
- L’International Conference on Learning Representation, est un des rendez-vous scientifiques mondiaux les plus influents dans le domaine de l’intelligence artificielle. ↩︎


