# L'IA peut contribuer, à condition... L'IA peut contribuer à la recherche quand elle entre dans une culture déjà capable de lui résister : celle du doute organisé, de la preuve et de la vérification collective. Source canonique : https://lamachinerie.eu/ia-science-doute-organise.html Penser avec l'IA · Mai 2026 · article Dans les laboratoires de biologie, les centres de prévision météorologique, les équipes de pharmacologie ou les départements de mathématiques, l'IA n'apparaît plus comme une machine à produire du texte. Elle devient un instrument de recherche : capable d'explorer des hypothèses, de repérer des régularités invisibles, d'accélérer des démarches autrefois très longues. AlphaFold a transformé la prédiction des structures protéiques. Des modèles d'apprentissage automatique produisent des prévisions atmosphériques en quelques secondes à partir de décennies de données. En pharmacologie, l'IA permet de tester virtuellement des milliers d'interactions moléculaires, de repositionner un médicament existant, de sélectionner des pistes. En imagerie médicale, elle peut repérer une fracture peu visible, un nodule, une anomalie cardiaque, et attirer l'attention du radiologue sur ce qui mérite d'être revu. Ce n'est pas de l'enthousiasme. Ce sont des faits documentés, avec leurs limites propres. Mais la vraie question n'est pas ce que l'IA fait dans ces domaines. C'est pourquoi elle peut le faire sans que cela devienne une catastrophe épistémique, ou du moins pas encore. La réponse tient en une formule : la science a construit, sur plusieurs siècles, une infrastructure du doute organisé. La reproductibilité des expériences. La controverse entre pairs. L'exigence de preuve et non de plausibilité. La publication des résultats négatifs, au moins en principe. La validation avant diffusion. Le droit, même le devoir, de contredire. Ce dispositif n'est pas parfait. Il a ses angles morts, ses biais de publication, ses pressions institutionnelles. Mais il existe. Il est antérieur aux outils. Et c'est précisément ce qui permet à l'IA d'y entrer sans y régner. ## Les mathématiques comme épreuve Les mathématiques en donnent l'exemple le plus saisissant. Des chercheurs ont regardé avec scepticisme les grands modèles de langage : comment une machine statistique pourrait-elle contribuer à une discipline fondée sur la preuve ? Puis certains résultats ont déplacé les certitudes. Des IA ont aidé à explorer des conjectures, à esquisser des pistes de démonstration en quelques heures là où des semaines auraient été nécessaires. Mais la discipline a tenu bon sur l'essentiel : la machine peut produire une forme plausible, mais la plausibilité n'est pas la vérité. Elle ouvre un chemin, le chemin doit encore être parcouru par une intelligence capable de justifier, de relier, de contrôler, de prouver. La question que les mathématiques ont dû reformuler sous la pression de l'IA est exactement la bonne : qu'est-ce qu'une preuve ? Qui valide ? À quel moment une proposition devient-elle un savoir ? Ce sont des questions que la science portait déjà. L'IA les a rendues plus urgentes, pas moins nécessaires. ## Les agents autonomes comme avertissement Le cas des agents autonomes dit l'inverse en creux. Il ne s'agit plus d'interroger un outil, mais de confier à un système plusieurs tâches enchaînées : lire des articles, formuler une hypothèse, écrire du code, tester, comparer, produire un rapport. Dans certains domaines, ces agents peuvent reproduire en quelques dizaines de minutes des démarches qui auraient demandé des mois. Le danger est exactement à la hauteur de la promesse. Une IA peut fabriquer des données, halluciner une source, ignorer des résultats négatifs, reproduire les biais des bases sur lesquelles elle travaille. Elle peut inonder la communauté scientifique de résultats vraisemblables mais faux. Ce n'est pas seulement un problème technique. C'est un problème scientifique. Si la production de résultats devient plus rapide que la capacité collective à les vérifier, la science risque de perdre ce qui fait sa force : non pas l'accumulation de réponses, mais l'organisation patiente du doute, le temps nécessaire de la vérification. ## Une délégation sous condition J'appellerais cela une **délégation sous condition**. L'IA peut recevoir une part du travail exploratoire. Elle ne doit pas recevoir le droit de conclure. Elle peut aider à chercher, pas décider seule de ce qui est une preuve. La question qui reste n'est pas de savoir si l'IA peut contribuer à la recherche. Elle le peut déjà, dans une mesure significative. La question est de comprendre à quelle condition. La réponse que la science suggère est inconfortable pour les autres domaines : la valeur d'un outil dépend toujours d'une culture préexistante capable de le contenir. La science peut intégrer l'IA parce qu'elle a déjà construit l'infrastructure du doute qui lui résiste. Là où cette infrastructure n'existe pas, ou n'a pas encore été construite, l'outil ne rencontre rien qui lui résiste. Il ne libère pas. Il colonise. C'est exactement ce que l'école n'a pas encore. La culture préalable qui permettrait de recevoir ces outils sans se laisser déposséder par eux. Cette culture-là ne s'improvise pas avec une charte d'usage ou une heure de sensibilisation. Elle se construit, lentement, dans le même esprit que la science : apprendre à douter, à vérifier, à refaire le chemin, à ne pas confondre ce qui est plausible avec ce qui est vrai. L'IA dans la science est donc, à sa manière, un modèle de doute salutaire et un modèle sans doute à suivre. Ce texte prolonge les réflexions sur la [dépossession du sujet éducatif](https://lamachinerie.eu/depossession-du-sujet-educatif.html), le [choc des temporalités](https://lamachinerie.eu/choc-des-temporalites.html), l'[exploration dialogique](https://lamachinerie.eu/exploration-dialogique.html) et l'[autonomie numérique responsable](https://lamachinerie.eu/autonomie-numerique-responsable.html).