L'outil est déjà au laboratoire — la question est ailleurs
Les modèles de langage ont cessé d'être une curiosité dans le travail de recherche. Synthèse de la littérature, ébauches d'hypothèses, code de traitement des données, vérification de calculs formels — tout cela fait désormais partie du quotidien. Mais avec la commodité vient une question qui ne se résout ni par des réglages ni par des règlements : si une partie du raisonnement est effectuée par une machine, à quelles conditions le résultat peut-il encore être qualifié de connaissance, et non de simple texte plausible ?
C'est précisément ainsi que Kalin Stoyanov pose le problème dans son travail « Ethical LLM-Assisted Research » (arXiv:2608.23644, 24 août 2026). Ce n'est pas un énième appel à « utiliser l'IA avec prudence », mais une tentative de construire un cadre normatif et conceptuel — c'est-à-dire un langage permettant de discuter rigoureusement de la délégation du travail cognitif.
Prémisse centrale : le raisonnement scientifique est un processus distribué. Sa contribution peut provenir de sources diverses, humaines et machiniques, dans n'importe quelle proportion. En revanche, la responsabilité de ce qui finit par entrer dans les annales scientifiques reste humaine. Le question « quelle part d'IA est acceptable dans un article » est donc mal posée. La bonne question est autre : que doit précisément faire l'humain pour que le résultat demeure légitime.
Cinq variables au lieu d'une vague « participation de l'IA »
Habituellement, le débat se réduit à un pourcentage : combien a écrit l'humain, combien le modèle. Le cadre propose de décomposer cela en cinq construits distincts. Chacun d'eux peut varier indépendamment des autres.
- Origine du contenu (O(g)) — qui ou quoi a produit une affirmation donnée.
- Achèvement de la vérification humaine (V(g)) — la vérification a-t-elle été menée à terme par un chercheur vivant.
- Attribution de la responsabilité (R(g)) — à qui est attribuée la charge de la décision d'accepter une affirmation.
- Appartenance humaine responsable (M(g)) — qui possède l'affirmation au sens où il est prêt à la défendre et à en répondre.
- Résultat épistémique (E(g)) — ce qu'apporte la vérification du point de vue de l'accroissement du savoir.
Cette distinction paraît presque pédante, mais elle ferme une échappatoire que tout le monde utilise. Origine, vérification, résultat et responsabilité sont des choses différentes, et on ne peut pas les déduire l'une de l'autre. Un texte peut avoir été généré par une machine, et c'est quand même un humain qui en répondra — et c'est normal. L'inverse existe aussi : formellement, tout a été écrit par l'auteur, mais la vérification était fictive, et le savoir, au final, ne progresse pas.
Pourquoi on ne peut pas s'en tirer avec « j'ai tout vérifié »
La phrase « j'ai lu et je suis d'accord » n'est pas une vérification. Elle ne précise pas ce qui a été vérifié, sur quelle base, ni où passe la frontière entre le confirmé et l'accepté sur parole. Le construit V(g) exige précisément que la vérification soit menée à terme, et non qu'elle soit déclarée. C'est important, car un raisonnement assisté par LLM est extérieurement presque indiscernable d'un raisonnement ordinaire : le texte est fluide, les arguments cohérents, les références semblent authentiques.
La frontière passe par la vérification, non par le volume de la contribution machinique
La thèse centrale du travail est la suivante : la frontière éthique est déterminée par une vérification adéquate et une appartenance humaine responsable, et non par le degré d'implication de la machine. Autrement dit, le fait même de déléguer est éthiquement neutre. Il ne devient un problème que lorsque la vérification est formelle et la responsabilité floue.
Cela renverse la logique habituelle. Discuter du « pourcentage » écrit par le modèle n'a pas de sens : une seule ligne générée et insérée aveuglément dans la conclusion peut ruiner le résultat, et une vaste assistance machinique avec une vérification honnête ne casse rien. Ce qui est dangereux, ce n'est pas le volume de la délégation, mais son opacité.
L'audit épistémique : un journal qui rend le raisonnement vérifiable
De cette logique naît un outil pratique — l'audit épistémique. C'est un enregistrement structuré de ce qui a été délégué, de la manière dont cela a été vérifié, de l'origine du contenu et de la personne sur qui repose la responsabilité. En substance, un journal de l'origine des idées, et non une liste des outils utilisés.
La valeur d'un tel enregistrement réside dans le fait qu'il rend le raisonnement accessible à une vérification externe. Le lecteur, l'évaluateur ou le coauteur peuvent voir où s'arrête la conjecture machinique et où commence le fait confirmé. Ce n'est pas un rapport pour les autorités de contrôle, mais un artefact de travail : il aide aussi l'auteur lui-même à remarquer qu'il a quelque part accepté une affirmation sans vérification, simplement parce qu'elle sonnait convaincante.
À quoi cela ressemble au quotidien
Le cadre peut se résumer à quelques actions qui ne requièrent ni nouveau poste au laboratoire, ni logiciel spécial.
- Tenez un journal de délégation : ce que vous avez précisément confié au modèle — recherche de littérature, ébauche d'argument, code, vérification formelle.
- Marquez l'origine : quel fragment vient de la machine, et quel fragment vient de vous.
- Séparez la vérification de l'accord : consignez ce que vous avez concrètement vérifié et par quel moyen.
- Nommez le responsable nommément, et non « le groupe d'auteurs ». Peu importe que ce soit ChatGPT ou un autre assistant — c'est l'humain qui répond de l'affirmation.
- Vérifiez en priorité ce qui est le plus convaincant : un paragraphe bien écrit n'est pas un signe d'exactitude, et parfois l'inverse.
Où cela casse le plus souvent
Trois points de défaillance typiques. Le premier — les références et les citations : elles paraissent plausibles, mais exigent une confirmation manuelle. Le deuxième — les affirmations numériques et statistiques, qu'on accepte facilement comme allant de soi. Le troisième — les généralisations « évidentes », que personne ne vérifie parce qu'elles semblent banales.
Limites d'application et points contestés
Le cadre est formel, et donc il travaille sur les conséquences des définitions adoptées, et non sur la pratique vivante. La question de savoir comment mesurer l'« achèvement de la vérification » reste ouverte — c'est un construit, pas un nombre. On ne voit pas non plus entièrement comment intégrer l'audit dans l'évaluation par les pairs : les revues n'exigent pas encore de journaux de délégation, et il n'est pas certain qu'elles l'exigeront.
Il existe aussi un risque que l'idée se transforme en rituel. Tout reporting tend à devenir bureaucratie : si l'audit est fait pour la forme, il perd son sens exactement comme le perdrait une vérification fictive. L'utilité de l'outil repose sur l'honnêteté de celui qui le tient.
Ce qui, au final, reste à l'humain
On peut confier beaucoup à la machine : le travail préparatoire, l'exploration des variantes, la routine de la recherche, la première assemblage du texte. Ce qui ne se délègue pas, c'est autre chose — la décision de ce qui est tenu pour établi, et la disposition à en répondre. Le cadre de Stoyanov fournit pour cela un vocabulaire formel : il permet de distinguer une délégation cognitive responsable d'un simple transfert de responsabilité ou de son ignorance silencieuse.
En fait, c'est un retour à l'ancienne norme du travail scientifique, mais avec un nouvel outil en main. Le savoir a toujours été le résultat d'une vérification, et non d'une déclaration. L'apparition des LLM n'a rien changé à cela — elle a seulement rendu plus visible la différence entre la vérification et son imitation.
