L’IA et l’avenir de la recherche économique: de Galilée à Socrate
La recherche en économie a longtemps été freinée par le manque de temps, de main-d’œuvre et d’accès aux données et aux méthodes. L’IA contribue à lever cette contrainte mais elle risque également d’exacerber les défis auxquels la profession est déjà confrontée.
Depuis des siècles, les innovations technologiques transforment la recherche économique. L’imprimerie, apparue au XVe siècle, a réduit le coût d’accès aux connaissances en permettant une diffusion massive des textes. Associée à un service postal fiable, elle a favorisé la création des premières revues scientifiques et des échanges entre chercheurs. En économie, ces innovations ont progressivement orienté la discipline vers une approche plus computationnelle et basée sur les données. Trois axes principaux se dégagent : la réduction du coût du calcul, la diminution du coût des données et l’automatisation des tâches fastidieuses, libérant ainsi du temps pour la réflexion créative. Par exemple, le volume annuel des documents de travail du CEPR (Centre for Economic Policy Research) et du NBER (National Bureau of Economic Research) a été multiplié par huit depuis les années 1980, tandis que les soumissions aux revues de premier plan ont doublé depuis 1990.
L’intelligence artificielle (IA) représente une nouvelle étape dans cette évolution en poussant la recherche économique vers plus d’efficacité. Elle permet de lever des contraintes historiques comme le manque de temps, de main-d’œuvre ou d’accès aux données. L’IA peut également améliorer la communication et la diffusion des connaissances, ce qui est particulièrement utile pour les institutions politiques. Cependant, son adoption soulève des défis. Par exemple, elle pourrait aggraver la contrainte de validation : le temps nécessaire pour publier dans les meilleures revues d’économie a déjà doublé depuis les années 1970, car les revues exigent des révisions approfondies. L’IA, en générant des résultats plausibles mais inexacts, risque d’alourdir encore la charge des évaluateurs et des rédacteurs en chef.
L’IA pourrait également accentuer les inégalités entre chercheurs et institutions. Les modèles d’IA de pointe nécessitent des investissements élevés, créant des économies d’échelle : les universités ou instituts disposant de ressources importantes pourraient creuser l’écart avec les jeunes chercheurs ou les institutions moins dotées. Un autre défi est la formation des chercheurs. Historiquement, une partie de leur apprentissage passait par des tâches manuelles comme les régressions statistiques ou la correction d’erreurs de données. Si l’IA automatise ces tâches, elle pourrait affaiblir ce modèle de formation, privant les futurs chercheurs des compétences nécessaires pour valider rigoureusement les travaux scientifiques.
Le système de publication en économie est déjà sous pression. Le processus d’évaluation par les pairs (où des experts examinent les articles avant publication) est lent : il prend environ deux fois plus de temps que dans les autres sciences sociales et quatre fois plus que dans les sciences naturelles. Pour contourner ce délai, les chercheurs utilisent des documents de travail (versions préliminaires non encore validées) ou des plateformes comme Substack. Ces alternatives accélèrent la diffusion des idées mais posent problème : elles uniformisent le paysage de la publication, augmentent le volume sans approfondir les analyses, et reportent la charge de la validation sur le lecteur. Cette validation repose souvent sur la réputation des auteurs ou des institutions, ce qui favorise les chercheurs établis au détriment des nouveaux talents.
Pour relever ces défis, l’auteure propose plusieurs pistes. D’abord, renforcer la reproductibilité en exigeant des chercheurs qu’ils publient systématiquement leur code, leurs données et leur méthodologie, dès la phase de document de travail. Ensuite, développer des normes communes pour encadrer l’utilisation de l’IA dans la recherche, en précisant comment mentionner son assistance. Enfin, repenser le système de publication en s’inspirant d’autres disciplines. Par exemple, la médecine propose des formats courts (moins de 1 500 mots) évalués par les pairs, ce qui limite les délais tout en garantissant la rigueur. Une approche similaire en économie pourrait aider à gérer le volume croissant de publications tout en maintenant la qualité.
L’IA pourrait ne pas se contenter d’accélérer la recherche : elle pourrait en modifier la structure même. Historiquement, la science suit un cycle stable : observation, hypothèse, prédiction, test et révision, depuis Galilée et Newton. L’IA, en revanche, pourrait brouiller la frontière entre observation et modélisation. Par exemple, AlphaFold (un outil d’IA) prédit la structure 3D des protéines avec une précision remarquable, mais sans expliquer pourquoi cette structure existe. Cela soulève une question majeure : faut-il privilégier les explications compréhensibles par l’humain, même si elles sont moins précises, ou adopter des modèles opaques mais ultra-efficaces ? Cette tension entre prédiction et explication pourrait redéfinir ce que signifie « faire de la science ».
L’IA pourrait aussi transformer le rôle des humains dans la recherche. Platon, dans le *Ménon*, compare Socrate à un esclave qui, guidé par des questions, découvre des réponses qu’il ne pouvait pas trouver seul. Cette analogie suggère que l’humain pourrait se recentrer sur *poser les bonnes questions* plutôt que de détenir les bonnes réponses. Un autre avantage humain est la *reconnaissance de l’ignorance* : Socrate savait qu’il ne savait pas, une humilité que l’IA ne possède pas. Les modèles d’IA répondent toujours, même si leur réponse est dénuée de sens. Pour l’auteure, cette capacité à douter et à distinguer la connaissance d’un simple résultat pourrait devenir la contribution unique et cruciale des humains dans une science de plus en plus dominée par les machines.
