Les chercheurs se montrent de plus en plus prudents face à l’IA. D’après un aperçu du rapport 2025 de l’éditeur académique Wiley, l’usage des outils augmente, mais la confiance recule. Autrement dit, plus les scientifiques les utilisent, plus ils en perçoivent clairement les limites.
Ce que disent les chercheurs en 2025
Le sondage préliminaire indique un net durcissement du regard porté sur l’IA par la communauté scientifique. En 2024, l’enthousiasme était marqué; en 2025, le ton se fait plus réservé. L’adoption progresse, mais les attentes se normalisent. La promesse d’une machine dépassant l’humain « partout, tout de suite » laisse place à une appréciation plus réaliste des forces et faiblesses des modèles.
Un usage qui grimpe, une confiance qui baisse
- L’emploi de l’IA par les chercheurs est passé d’environ 45 % à près de 62 % en un an, signe d’une intégration rapide dans les workflows.
- Dans le même temps, la méfiance augmente. Les craintes liées aux hallucinations — ces réponses inventées présentées comme vraies — progressent fortement: d’environ 51 % des répondants inquiets en 2024 à près de 64 % en 2025.
- Ce paradoxe s’explique par l’expérience: à mesure que l’on confronte l’IA à des tâches concrètes, on mesure mieux ce qu’elle sait faire… et ce qu’elle ne sait pas faire.
Les inquiétudes qui montent
Les préoccupations autour de la sécurité et de la confidentialité augmentent sensiblement (environ +11 points). Les attentes en matière d’éthique et de transparence progressent aussi: d’où viennent les données? comment sont-elles traitées? quelles sont les limites déclarées du modèle? Les chercheurs demandent des systèmes explicables, des traces d’audit et des garde-fous clairs, en particulier pour les usages sensibles.
Fin de l’euphorie: l’IA n’éclipse pas l’humain
L’an dernier, beaucoup estimaient que l’IA surpassait déjà les humains dans plus de la moitié des cas d’usage. Cette perception s’effondre en 2025: moins d’un tiers la partage désormais. L’emballement suscité par des startups très médiatisées a cédé la place à un jugement plus nuancé: utile, oui; infaillible, non.
Pourquoi ce refroidissement?
Comprendre l’IA rend plus exigeant
Les travaux récents convergent: plus on comprend le fonctionnement des modèles, moins on les idéalise. Les « fans » les plus fervents sont souvent ceux qui en maîtrisent le moins les mécanismes. A l’inverse, les experts repèrent rapidement les zones grises: biais, dérives statistiques, et surtout hallucinations persistantes.
Les hallucinations, un vrai frein
Au-delà de l’anecdote, ces erreurs ont déjà provoqué des incidents en justice, en santé, et même dans le voyage. Et malgré des progrès de puissance, des évaluations récentes ont montré des modèles parfois plus enclins à halluciner dans certaines conditions. Corriger durablement ce défaut reste un défi technique majeur.
Le paradoxe commercial
Les utilisateurs préfèrent souvent des modèles tranchants qui répondent vite et avec assurance, même lorsque la réponse est fausse, plutôt que des modèles prudents qui admettent l’incertitude. Cette préférence crée une tension: durcir la précision et la modération peut dégrader l’attrait perçu. Pour des entreprises, éliminer totalement les hallucinations pourrait réduire l’engagement, ce qui ralentit l’alignement vers des comportements plus sûrs.
Ce qu’il faut retenir
- L’IA progresse, mais la confiance scientifique diminue car les limites sont mieux connues.
- Les risques majeurs identifiés: hallucinations, sécurité/confidentialité, éthique et transparence.
- La hype recule: l’IA n’écrase pas l’humain sur la plupart des tâches, surtout celles nécessitant du raisonnement, du contexte et de la responsabilité.
- Conseil pratique: considérer l’IA comme un assistant qui propose, et non comme une autorité qui tranche; toujours vérifier les sources.
Comment avancer de manière responsable
- Documenter systématiquement les résultats (prompts, versions de modèles, données d’entrée) pour pouvoir auditer.
- Utiliser des garde-fous: détections de faits, bases de connaissances internes, et validation humaine sur les points critiques.
- Former les équipes aux limites des modèles et à la gestion de l’incertitude.
- Exiger des fournisseurs plus de transparence (données d’entraînement, métriques, comportement en cas d’erreur).
FAQ
Comment réduire le risque d’hallucinations dans un projet scientifique?
- Ancrer les réponses dans des sources vérifiables (RAG, bases de documents).
- Imposer des formats de sortie structurés et des citations obligatoires.
- Activer des vérifications factuelles automatiques et des revues humaines ciblées.
- Préférer des modèles spécialisés ou fine-tunés sur votre domaine.
Dans quels cas l’IA est-elle réellement utile en recherche aujourd’hui?
- Pré-tri de littérature, élaboration de plans d’expériences, extraction d’entités et de relations, prototypage de code, normalisation de données, et création de résumés assistés avec renvois aux sources.
Quelle différence entre une « hallucination » et une simple erreur?
- L’hallucination est une réponse présentée avec confiance mais sans fondement factuel. Une erreur classique peut être incertaine ou signalée comme telle. Le danger vient du vernis de certitude.
Quelles métriques suivre pour évaluer la fiabilité d’un usage d’IA?
- Taux de véracité sur un échantillon annoté, taux de citations valides, couverture des sources, taux d’incertitude déclarée, et taux d’escalade vers une validation humaine.
Que peuvent faire les institutions pour sécuriser l’adoption?
- Mettre en place des politiques de données claires, des lignes directrices d’évaluation des modèles, des environnements contrôlés pour les prompts et logs, et des programmes de formation à l’éthique et à la conformité.
