Des chercheurs des universités de Yale et de Chicago ont mis neuf modèles d’intelligence artificielle dans des conditions similaires à celles de scientifiques humains et ont obtenu des résultats étonnamment homogènes.
Chaque modèle proposait presque toujours la même approche : relier deux travaux de recherche déjà existants.
Dans cette expérience, les chercheurs ont utilisé des articles publiés lors des conférences ICLR, ICML et NeurIPS entre 2023 et 2026, ainsi que des articles de la revue Nature Communications de 2023 à 2025, couvrant 71 disciplines scientifiques, dont la physique, la chimie et la biologie. En tout, 11 683 idées humaines ont été analysées.
L’idée de chaque article a été décomposée jusqu’à ses conditions initiales. Pour chaque œuvre, entre quatre et huit recherches antérieures similaires ont été identifiées et seules les titres et résumés ont été conservés. Les modèles ont ensuite reçu ce jeu de données avec la demande de générer une nouvelle idée dans le même format, incluant une motivation et une méthode séparées.
Les résultats ont été évalués selon une taxonomie binaire du “goût de la recherche”. L’une des dimensions examine l’importance de la recherche, incluant des aspects comme les contradictions, les lacunes explicatives et le manque de données. L’autre dimension évalue comment ces lacunes peuvent contribuer, allant du simple synthèse à la création de systèmes.
La différence entre les idées humaines et celles des modèles a été frappante. La motivation par liaison de travaux existants n’a été choisie que par 12,1 % des idées humaines, tandis que cette proportion variait entre 47,1 % et 64,2 % pour les modèles. Le synthèse était utilisée comme méthode principale par 5,1 % des humains alors que les modèles l’appliquaient entre 22,5 % et 38,7 % du temps.
La diversité des idées a été mesurée par l’entropie normalisée, affichant des résultats supérieurs à 0,92 pour les humains et se situant entre 0,550 et 0,758 pour les modèles. Parmi ces derniers, Gemini 3.1 Pro se rapprochait le plus des résultats humains selon la première dimension, bien qu’elle ait nécessité des ajustements considérables.
Malheureusement, l’accent mis sur la réflexion a empiré les résultats. Par exemple, pour Qwen3-8B, activer le mode de réflexion a augmenté la proportion d’idées de liaison de 49,7 % à 71,1 %, mais cela a également réduit l’entropie, confirmant que cela ne favorise pas la diversité des résultats.
De plus, fournir aux modèles des textes complets plutôt que de simples résumés a encore accentué cette tendance, les éloignant davantage des idées humaines.
Il est intéressant de noter que le verbe “intégrer” a été utilisé dans les idées des modèles 7 994 fois, représentant 34,2 % de leurs propositions, alors que les humains l’utilisaient seulement 2,35 % du temps. En revanche, des verbes comme “remplacer” ont été beaucoup plus fréquents chez les humains.
Une observation intrigante concerne la similarité des modèles : pour une même article de recherche, les idées de Qwen3-8B et DeepSeek-V4-Flash étaient plus similaires entre elles (0,8316) qu’elles ne l’étaient vis-à-vis des idées humaines (respectivement 0,7242 et 0,7829).
Les chercheurs reconnaissent eux-mêmes certaines limitations de leur étude. La sélection est centrée sur des domaines scientifiques spécifiques, et les tâches simplifient l’échange d’idées, alors qu’un scientifique humain s’appuie également sur son expérience implicite et le retour des pairs.
Bien que des agents interactifs et des systèmes spécialisés puissent atténuer certaines de ces lacunes, il semble que pour des idées véritablement originales, l’intervention humaine reste primordiale.
Points à retenir
- Les résultats des modèles d’IA montrent une tendance vers la liaison d’idées existantes.
- Un faible pourcentage d’idées nouvelles émane des modèles comparés aux suggestions humaines.
- Les méthodologies employées par les modèles se révèlent souvent moins diversifiées.
- Le mode réflexion des IA ne stimule pas la créativité, mais renforce des schémas de pensée existants.
- Les chercheurs estiment que la dépendance à l’expérience humaine est cruciale pour le développement d’idées novatrices.
Cette étude soulève des questions captivantes sur le rôle croissant des systèmes d’IA dans la recherche scientifique. À mesure que ces technologies continuent de s’épanouir, il devient essentiel de réfléchir sur la manière dont elles peuvent compléter nos efforts, sans pour autant remplacer la créativité humaine. Je suis personnellement fasciné par la dynamique des interactions entre l’IA et l’esprit humain, car cela ouvre un champ de possibles pour l’avenir de la recherche. Comment pouvons-nous allier nos forces pour innover davantage? C’est une question qui mérite d’être débattue avec attention.