À travers le Regard de Cyril Voyant et Mélissa Boï
Cyril Voyant est directeur de recherche à Mines Paris-PSL, au sein du centre O.I.E. (Observation, Impacts, Énergie). Ses travaux portent principalement sur la prévision des ressources et de la production photovoltaïque, en mobilisant des approches avancées de modélisation des séries temporelles, d'intelligence artificielle frugale et d'évaluation opérationnelle des performances.
Ses recherches s'inscrivent à l'interface entre physique, données et décision, avec un objectif clair de transférabilité vers les systèmes énergétiques réels. Il développe également une activité en métascience, centrée sur la mesure de l'excellence scientifique, la reproductibilité et l'optimisation de l'impact des travaux de recherche dans un contexte de production scientifique massive.
De formation initiale en physique médicale, il a également contribué au domaine de la radiothérapie, notamment sur les modèles radiobiologiques et l'évaluation des doses. Cette double expertise « énergie et santé » nourrit une approche transversale, structurée et orientée vers des applications concrètes.
Mélissa Boï, Docteur en droit et journaliste scientifique, est spécialisée dans la santé, l’environnement et les technologies. Passionnée par la culture générale, la recherche et l’innovation, il lui tient à cœur d’y contribuer, les rendre accessibles et les valoriser. À cette fin, elle a fondé Arborescence : une application de diffusion des savoirs et des idées, qui initie une démarche de transmission collective.
Elle a consacré sa thèse à l’amélioration du cadre juridique de la recherche en biotechnologies, un secteur porteur d’avenir. Elle s’intéresse également aux enjeux liés aux technologies : robotique, bio-impression, nanotechnologies, intelligence artificielle, ainsi qu’aux moyens de lutte contre la désinformation et les violences en ligne. Avec un fort attrait pour l’épigénétique et l’approche One Health, elle réfléchit par ailleurs à des idées pour réduire l’exposition aux facteurs de risque pour la santé : qualité de l’air, pesticides, aliments ultra-transformés, antibiorésistance, etc.
En un coup d'œil
La production scientifique mondiale a été multipliée par quatre depuis 2004 et l'essor de l'IA générative aggrave encore ce phénomène, menaçant la variance et la qualité de la recherche.
Face à cette saturation, le cadre RTVACOS pense l'impact scientifique comme un système multiplicatif : si l'une des quatre fondations tend vers zéro, l'impact total s'effondre.
Chercheurs, institutions et plateformes de publication ont chacun un rôle à jouer pour parvenir à un usage responsable des technologies et favoriser la visibilité des travaux de recherche.
La science traverse une mutation silencieuse mais profonde. Pendant la majeure partie du XXe siècle, la contrainte principale était la rareté : l'accès aux données était limité, la circulation des publications lente et l'attention des pairs difficile à capturer. Publier dans une revue reconnue suffisait alors à signaler une contribution valable. Cette époque est révolue. Nous sommes entrés dans une ère de saturation informationnelle où la contrainte s'est inversée : le problème n'est plus la production du savoir, mais sa navigabilité dans un paysage encombré.
La saturation informationnelle et l'essor des outils d'IA générative
Les ordres de grandeur sont éloquents. Selon les données bibliométriques, la production scientifique mondiale a été multipliée par quatre depuis 2004, passant de quelques millions de documents annuels à plus de dix millions aujourd'hui. Cette accélération s'est encore amplifiée depuis 2022 avec l'arrivée massive des outils d'intelligence artificielle générative. Des analyses récentes suggèrent qu'une part significative des résumés scientifiques publiés porte la trace d'une modification par des modèles de langage. Certains chercheurs équipés de ces outils voient leur productivité individuelle augmenter de manière substantielle.
La conséquence n'est pas seulement quantitative, elle est qualitative. Le rapport signal sur bruit se dégrade. L'intelligence artificielle amplifie aussi bien les contributions fortes que les faibles. Dans ce contexte, le modèle traditionnel du « publier et prier » n'est plus viable. Un travail, même solide, risque de disparaître s'il n'est pas structuré pour être trouvé, compris et réutilisé. Une tendance se dessine : des cycles de citation plus rapides, avec des pics d'attention précoces suivis d'un déclin accéléré. Si cette vitesse ne remplace pas systématiquement la profondeur, elle menace la diversité des approches.
La recherche, c'est la variance. C'est la diversité des méthodes, la confrontation des idées, l'exploration de chemins incertains. Si les chercheurs s'appuient sur les mêmes modèles d'IA générative pour conduire leurs travaux et rédiger leurs publications, ils s'orientent, sans en avoir conscience, vers les mêmes logiques d'analyse, les mêmes cadres de pensée et les mêmes formulations suggérées par ces outils entraînés sur des données similaires. De même, si tout le monde optimise pour les mêmes canaux algorithmiques, nous risquons une homogénéisation cognitive. Ainsi, dans le contexte de la recherche, l'impact sur la variance est double.
Réagir vite n'est pas une option, mais cela ne signifie pas céder à la panique. Il faut intégrer ce changement, maîtriser les nouveaux outils plutôt que les diaboliser, tout en gardant un cap absolu : la qualité de la recherche doit rester la condition sine qua non. L'ingénierie de l'impact ne vaut que si le fondement est sain.
Les quatre fondations (R-T-V-A) : rigueur, transparence, visibilité, adoptabilité
Face à cette saturation, l'excellence ne peut plus être supposée ; elle doit être conçue. Le cadre heuristique RTVACOS propose de penser l'impact comme un système multiplicatif plutôt qu'additif. L'équation est simple dans sa logique : l'Impact dépend de quatre fondations multipliées entre elles, le tout amplifié par trois leviers.
Les quatre fondations (R-T-V-A) :
- Rigueur (R) : le socle non négociable. C'est la cohérence des méthodes, l'honnêteté sur les limites, la robustesse des résultats. Si la rigueur est absente, tout s'écroule. Aucune visibilité, aucune communication ne peut sauver un travail mal conçu. La recherche de qualité reste la condition préalable absolue.
- Transparence (T) : Un résultat qui ne peut pas être reproduit n'existe pas pour la communauté. Cela implique le partage du code, des données, des protocoles, selon les principes FAIR (Findable, Accessible, Interoperable, Reusable). La transparence n'est pas une contrainte éthique optionnelle ; c'est une condition de crédibilité opérationnelle.
- Visibilité (V) : Il ne suffit plus d'être publié ; il faut être découvrable par les humains ET par les algorithmes. Métadonnées structurées, identifiants persistants, dépôts ouverts : ce ne sont pas des détails techniques, ce sont des leviers stratégiques dans un monde où l'accès au savoir est médié par des systèmes automatiques.
- Adoptabilité (A) : Le travail peut-il être utilisé dans des conditions réelles ? Une méthode techniquement correcte mais inutilisable hors du laboratoire qui l'a produite restera une curiosité. La documentation, la simplicité d'usage, la clarté des licences sont des facteurs d'impact directs.
Avec l'essor des IA génératives, la transparence soulève par ailleurs une nouvelle interrogation. Ne faudrait-il pas inclure dans la méthodologie l'usage de ces outils ? Une limite mérite toutefois d'être posée : l'explicabilité des systèmes d'IA demeure, à ce jour, impossible en pratique en raison du fonctionnement en boîte noire de ces systèmes, dont le raisonnement interne ne peut être retracé.
Expliquer la façon dont le modèle est parvenu à un résultat reviendrait à effectuer une interprétation alambiquée. En revanche, le chercheur a la possibilité de documenter les modèles qui ont été utilisés, à quel stade, pour quelle finalité, les difficultés rencontrées, les limites qu'il s'est imposées, les choix qui ont été faits. Ces précisions contribueraient directement à la reproductibilité, mais aussi à la crédibilité, du travail de recherche, en particulier lorsqu'il porte sur un sujet sensible.
Pour le cadre RTVACOS, le choix de la multiplication est primordial. Dans une addition, une force compense une faiblesse. Dans une multiplication, si l'un des facteurs tend vers zéro, le résultat total s'effondre. Un article rigoureux mais invisible (Visibilité = 0) n'aura pas d'impact. Un code visible mais non documenté (Adoptabilité = 0) ne sera pas réutilisé. Et surtout, une recherche magnifique mais erronée (Rigueur = 0) annule toute la chaîne.
Les amplificateurs (Collaboration, Ouverture, Signification sociétale) viennent ensuite. Ils permettent de démultiplier l'impact d'un travail solide, mais ils ne compensent jamais une fondation fragile. Faire beaucoup de communication sur un résultat non reproductible, c'est amplifier du bruit, pas du signal. L'enjeu est de retrouver la variance : ne pas optimiser tous les travaux pour les mêmes canaux, mais structurer chaque projet selon ses forces propres, tout en respectant ce socle commun.
Chercheurs, institutions, plateformes : des leviers concrets pour agir
Le temps est à l'action concrète, individuellement et collectivement, sans pour autant tomber dans des injonctions simplistes. Pour le chercheur : discipline et cohérence en actionnant certains leviers :
- Maintenir une identité numérique unique et cohérente (ORCID, affiliations normalisées) pour assurer que les travaux soient correctement attribués.
- Déposer systématiquement codes et données dans des dépôts ouverts, avec des métadonnées structurées, c'est opérationnaliser la transparence et la visibilité en un seul geste.
- Privilégier la clarté à la complexité : une idée bien testée, avec ses limites explicitées, vaut mieux qu'un empilement opaque de méthodes. La rigueur impose de documenter les échecs, car c'est ce qui permet à la communauté d'avancer. Ce dernier enjeu n'est pas reconnu dans les pratiques éditoriales et algorithmiques. Pourtant, un résultat négatif a autant de valeur qu'une avancée positive : il évite à d'autres équipes de reproduire les mêmes travaux pour aboutir aux mêmes conclusions. Or, ces derniers ne sont pas suffisamment valorisés malgré un intérêt réel pour le milieu de la recherche.
- Utiliser les outils d'IA comme des leviers, pas comme des substituts, pour explorer la littérature, structurer des brouillons, vérifier la cohérence. Mais jamais pour contourner la réflexion critique. La tentation inverse mérite aussi d'être exposée. Refuser d'intégrer ces outils, par scepticisme ou méfiance, constitue certainement une erreur. Ils transforment déjà nos pratiques et ne pas s'y intéresser, c'est également renoncer à contribuer aux débats sur leurs usages et leurs limites. L'enjeu réside ainsi dans un usage éclairé : tirer parti des perspectives positives de ces outils (gain de temps et d'argent, élargissement du champ de la recherche, organisation, clarification…), tout en préservant ce qu'ils ne peuvent pas remplacer (l'expérience terrain du chercheur, son jugement critique ou encore sa capacité à s'aventurer dans l'inconnu et prendre des risques à partir d'hypothèses incertaines).
Pour les équipes et les institutions, il devient important de se positionner :
- Investir dans des compétences transversales : gestion de données, versionnement, métadonnées. Ces savoir-faire ne sont pas uniformément répartis ; laisser cette charge aux seuls chercheurs sans soutien creuse les inégalités.
- Intégrer ces critères dans l'évaluation : ne pas seulement compter les publications, mais évaluer la robustesse, la réutilisabilité, l'ouverture des portfolios de recherche.
- Anticiper les exigences réglementaires : tant qu'ils ne sont pas mis sur le marché ou mis en service, les systèmes d'IA utilisés à des fins de recherche bénéficient d'un régime juridique assoupli (art. 2 (8), EU AI Act). Cependant, si des applications sont envisagées, les exigences de transparence, traçabilité, sécurité et protection des données s'appliquent. Elles sont d'ailleurs renforcées dans les secteurs dits « à haut risque » (santé, biométrie, éducation, emploi, infrastructures critiques, application de la loi, répression…). Ainsi, les institutions qui agissent dès à présent prennent une longueur d'avance sur la conformité et la confiance.
Pour les plateformes de publication, c'est au niveau des algorithmes qu'il conviendrait d'agir. Les logiques actuelles, très proches des moteurs de recherche grand public, manquent de pertinence dans le contexte exigeant de la recherche. La popularité et le nombre de publications d'un auteur ou les articles optimisés pour le seul référencement ne devraient pas être privilégiés sur la qualité des travaux.
Si les critères RTVACOS constituent les fondements d'un impact réel et durable pour la communauté scientifique, il serait cohérent d'en attendre une intégration dans les algorithmes. En effet, la responsabilité de retrouver la qualité et la variance ne pèse pas seulement sur les chercheurs et les institutions.
Remplir des métadonnées sans partager les données, multiplier les collaborations de façade, utiliser l'IA pour gonfler la production sans approfondir la réflexion : c'est vider le cadre de son sens. RTVACOS n'est pas un score à maximiser, mais un miroir pour interroger la cohérence de son travail. La saturation informationnelle n'abolit pas l'excellence ; elle en révèle les conditions structurelles. Produire du savoir ne suffit plus ; il faut augmenter la probabilité qu'il survive, circule et transforme son environnement.
Mais rappelons-le avec force : tout cet édifice repose sur un socle unique. Si la recherche n'est pas bien faite, si la rigueur n'est pas au rendez-vous, alors aucune ingénierie, aucune visibilité, aucune collaboration ne pourront lui conférer un impact durable.
L'urgence est réelle. Mais les outils sont là. À nous de les utiliser avec discernement, pour préserver ce qui fait l'âme de la recherche : sa capacité à explorer, à varier, à surprendre. L'excellence reste, avant tout, une question de vérité scientifique et de courage pour la faire vivre dans un monde saturé.
Pour Approfondir
Cyril Voyant, L’impact des publications bouleversé par l’IA, The Meta News, 2026.
EU AI Act, La loi européenne sur l'intelligence artificielle, Développements et analyses actualisés de la loi européenne sur l'IA, 2026.