Des agents IA mettent au jour des erreurs vieilles de plusieurs décennies dans des publications scientifiques

Des agents d'intelligence artificielle (IA) ont permis de détecter des erreurs dans des publications scientifiques datant de plusieurs décennies. Ces agents, conçus pour analyser des volumes massifs de données, ont passé au crible des milliers d'articles publiés entre les années 1950 et 2000. Leur rôle est d'identifier des incohérences, des calculs erronés ou des interprétations douteuses, souvent passées inaperçues lors de la relecture par des pairs. Par exemple, une étude publiée en 1985 dans un domaine de la physique a été corrigée grâce à une relecture automatisée, révélant une erreur de calcul dans une formule mathématique. Ces outils, comme AlphaFold ou IBM Watson, ne remplacent pas les chercheurs mais agissent comme des assistants pour améliorer la rigueur scientifique. Leur utilisation s'inscrit dans un mouvement plus large de vérification systématique des connaissances, rendu nécessaire par l'augmentation exponentielle des publications scientifiques.

Les erreurs détectées par l'IA proviennent principalement de trois sources : des approximations mathématiques trop simplistes, des hypothèses de départ devenues obsolètes avec le temps, ou des erreurs de transcription lors de la saisie des données. Par exemple, dans un article de 1972 sur la chimie des polymères, une erreur de transcription a conduit à une valeur erronée pour une constante physique, reprise ensuite dans 14 publications ultérieures. Les chercheurs soulignent que ces erreurs ne sont pas nécessairement le fait de malhonnêteté scientifique, mais plutôt de limites humaines : fatigue, pression des délais ou complexité croissante des modèles. L'IA, elle, ne souffre pas de ces biais et peut repérer des motifs récurrents ou des incohérences statistiques avec une précision inégalée.

La correction de ces erreurs a des répercussions majeures sur la recherche actuelle. Dans certains cas, des théories ou des modèles reposant sur des données erronées ont dû être révisés, comme en biologie moléculaire où une publication de 1998 sur la structure de l'ADN a été partiellement invalidée. Ces corrections permettent d'éviter des pistes de recherche infructueuses et d'économiser des ressources. Par exemple, une équipe de l'Université de Californie a économisé 2 millions de dollars en évitant de reproduire une expérience basée sur des données erronées. Les revues scientifiques, comme Nature ou Science, commencent à intégrer des vérifications automatisées avant la publication, une pratique encore rare il y a cinq ans. Cependant, ce processus soulève des questions éthiques : faut-il publier les corrections sous forme d'errata ou les intégrer directement dans les articles originaux ?

Malgré leur efficacité, les agents IA ne sont pas infaillibles et présentent des limites importantes. Ils peuvent générer des faux positifs, c'est-à-dire signaler des erreurs là où il n'y en a pas, notamment lorsque les données sont incomplètes ou ambiguës. Par exemple, un algorithme a récemment contesté une publication de 1967 en astronomie, avant que des experts ne confirment que les données étaient correctes mais mal interprétées par l'IA. De plus, ces outils nécessitent des bases de données de référence fiables pour fonctionner, ce qui n'est pas toujours le cas pour les recherches anciennes ou marginales. Enfin, leur utilisation soulève des questions de propriété intellectuelle : qui est responsable si une erreur détectée par l'IA conduit à une correction majeure ? Les éditeurs de revues, les auteurs ou les développeurs de l'outil ?