Une IA a publié un paper scientifique dans Nature. Le résultat était un échec.

En mars 2026, Nature a publié quelque chose d’inhabituel : un paper dont la conclusion principale est un échec expérimental. Une technique censée améliorer l’apprentissage des réseaux de neurones n’a pas fonctionné. Ce n’est pas pour ça qu’il a été accepté.

Ce qui a retenu l’attention des éditeurs, c’est qui, ou quoi, l’a produit.

The AI Scientist

Le système s’appelle The AI Scientist, développé par Sakana AI à Tokyo. Il automatise l’intégralité du cycle de recherche : revue de littérature, formulation d’hypothèses, expériences, rédaction. Aucune initiative humaine directe à aucune de ces étapes. Le paper généré a passé le premier tour de peer review d’un workshop associé à l’ICLR, l’une des conférences de référence en machine learning.

Ce n’est pas un cas isolé. Un preprint en physique théorique paru le même mois, dans lequel GPT-5 a joué un rôle central, a été qualifié de “recherche au niveau d’un journal” par un physicien extérieur à l’étude. Google, OpenAI et Anthropic ont tous des travaux en cours dans cette direction.

La question n’est donc plus “est-ce que l’IA peut faire de la science”. Dans des conditions précises, la réponse est oui. La vraie question est ce que ça change pour l’infrastructure de la recherche.

Quatre risques identifiés par Nature

Production de masse et saturation. Un système capable de générer des papers rapidement et à faible coût peut engorger les pipelines de peer review sans faire avancer la connaissance. Nature décrit le risque comme une forme automatisée de P-hacking à grande échelle : itérer sur une analyse jusqu’à obtenir un résultat significatif, puis soumettre. Le bruit augmente, le signal pas forcément.

Traçabilité intellectuelle. Les LLMs s’appuient sur un corpus d’entraînement aux contours flous. Identifier l’origine d’une idée générée devient difficile, ce qui pose des questions non résolues sur le crédit scientifique et la propriété intellectuelle.

Appauvrissement thématique. Une étude de l’Université Tsinghua publiée dans Nature montre que l’adoption de l’IA rend les chercheurs plus productifs mais réduit la diversité des sujets explorés. L’outil tend à orienter la recherche vers des domaines riches en données, au détriment des questions plus spéculatives ou moins balisées.

Formation des chercheurs. Les tâches que l’IA prend en charge en premier (analyse de données, revue de littérature, rédaction) sont exactement celles qui forment les chercheurs en début de carrière. Si elles sont systématiquement déléguées, des compétences fondamentales ne se transmettent plus.

La réponse de Nature

Nature a choisi de publier ce paper sciemment, pour documenter l’état réel du système plutôt que laisser circuler uniquement la version preprint non révisée. La revue exige désormais la transparence sur l’usage des LLMs dans les soumissions, encourage le dépôt des transcripts de prompts aux côtés des données, et refuse de les créditer comme auteurs.

Ce n’est pas encore une réponse institutionnelle complète. C’est le début d’une.

Source : “AI scientists are changing research — institutions, funders and publishers must respond”, Nature, vol. 651, 25 mars 2026. DOI: 10.1038/d41586-026-00934-w