L’obsession pour l’IA risque d’affamer les domaines de recherche dont elle a besoin pour survivre

J’écris exclusivement sur l’intelligence artificielle depuis dix ans. En 2022, nous n’étions qu’une poignée de journalistes dans le monde à nous consacrer exclusivement à l’IA ; aujourd’hui, nous sommes plusieurs milliers, voire davantage, et les médias les mieux dotés emploient plus d’un journaliste exclusivement chargé de couvrir l’intelligence artificielle.

En tant qu’espèce, nous concentrons désormais notre attention, nos efforts, nos craintes et nos espoirs autour d’un phénomène culturel et technologique qui ne survient qu’une fois par siècle. Jusqu’à l’avènement des grands modèles de langage utiles et de la génération d’images et de vidéos par diffusion efficace, ce phénomène végétait dans la catégorie des « curiosités » ; les hypertrucages servaient de ballon politique, mais les économies mondiales ne semblaient pas menacées.

La tempête « ordinaire » de l’IA

De toute évidence, tout cela appartient désormais au passé. Tout est menacé, tout est bouleversé et, sans doute, 2026 aura été l’année où il a été le plus difficile d’étayer les prévisions concernant l’année suivante.

Chaque semaine, parfois plusieurs fois par semaine, de nouveaux modèles à code fermé et à poids ouverts sont lancés. Leur fréquence est désormais telle que certains ne sont même pas évalués par la communauté des passionnés et des amateurs, qui adoptent à cet égard un regard de plus en plus blasé,  et dont les attentes en matière d’attention ne cessent de croître face à ce flot constant de nouveautés.

En tant qu’observateur attentif et professionnel de l’actualité de la recherche et des lancements, je dois dire que les progrès réalisés dans les différents secteurs de la R&D en IA, malgré leur grande portée à intervalles espacés, tendent (et ont toujours eu tendance) à se produire par petites étapes, plutôt qu’à prendre la forme de jalons révolutionnaires ou évolutifs comme les Transformers. Aujourd’hui, les secousses sont surtout liées aux effets de l’IA sur l’économie, plutôt qu’à ses dernières capacités.

De plus, comme je l’ai déjà observé, la qualité des idées que l’on retrouve dans l’énorme essor de la recherche en IA depuis 2022 n’est pas toujours à la hauteur de leur quantité ; beaucoup sont des reprises, des recombinaisons ou des réassemblages de type Frankenstein de travaux existants et de travaux plus novateurs – des architectures de fortune conçues pour apporter des améliorations apparentes significatives par rapport aux travaux antérieurs –, mais qui, à l’examen, sont entravées par des méthodologies fragiles ou des coûts de VRAM absurdement élevés.

Les déserts de l’actualité

Lorsque ces milliers de journalistes se sont tournés vers la couverture de l’IA, les sujets qu’ils traitaient auparavant ont forcément bénéficié de moins d’attention directe. D’une certaine manière, cela importait peu, car l’IA et ses applications sont devenues si omniprésentes dans la culture et les infrastructures que, par exemple, un correspondant spécialisé dans l’énergie traite désormais davantage de questions liées à l’IA que de tout autre sujet. Il en va de même pour les journalistes chargés de l’économie, de l’emploi, de la politique et des politiques publiques, entre autres domaines.

Il semblait désormais possible d’aborder tous ces sujets sous l’angle de l’IA, ce qui explique peut-être en partie l’énorme augmentation de la couverture « spécialisée » de l’IA, dans un domaine en constante régression (même s’il a connu un léger regain récemment).

On peut donc se demander si d’autres sujets ne sont pas désormais insuffisamment couverts en raison de l’« obsession pour l’IA » — des sujets dont les récits, les tendances et les ramifications pourraient finir par influer sur le « sujet phare » que constitue l’IA elle-même.

Mais que peut-on y faire ? Les ressources sont limitées et, jusqu’à présent, l’IA est l’histoire du siècle.

La grande migration vers l’IA

C’est ce qui pourrait être en train d’arriver à l’IA elle-même, selon un nouvel article qui m’a vivement interpellé sur le sujet : outre le risque que le repli et la réalimentation abaissent la qualité des futurs modèles, l’écosystème scientifique au sens large, où les idées émergent et se fécondent mutuellement d’une discipline à l’autre, se concentre si fortement sur la recherche en IA que les moments de « sérendipité » — lorsque des liens inattendus entre des idées apparemment sans rapport peuvent transformer des domaines entiers — pourraient se faire de plus en plus rares.

En bref, le nouvel article, intitulé Des percées plus marquantes en intelligence artificielle accélèrent leur propre épuisement, avance que l’obsession pour l’IA fait disparaître les conditions de fond propices aux nouvelles avancées, y compris celles qui ont une incidence directe sur l’IA ; et que, pour paraphraser grossièrement les auteurs, ce nouveau centre d’intérêt est traversé par une certaine « tendance incestueuse » qui semble peu susceptible de mener à une issue favorable.

L’article affirme^† :

‘Un paradigme dominant élimine non seulement ses rivaux, mais aussi la diversité à partir de laquelle son propre successeur aurait pu être recombiné.

‘Le rétrécissement de l’attention depuis 2017, la migration vers l’IA de plus de la moitié des auteurs ayant changé de domaine, la vitalité déclinante des idées nouvelles et l’accentuation du déclin de la longue traîne des populations d’idées actives au fil de cycles successifs décrivent ensemble un système dont la capacité créative est érodée par le succès des paradigmes dominants qu’il a produits.’

Des travaux antérieurs ont observé que l’IA risquait de transformer la recherche en monoculture, mais les auteurs de la nouvelle étude estiment également que la domination croissante de l’IA pourrait la priver des idées nouvelles dont elle a besoin pour continuer à progresser. Ils comparent la recherche en IA aux sciences biologiques, où des percées telles que la cryo-microscopie électronique et AlphaFold ont déclenché des cycles similaires d’innovation — puis de déclin.

Pour étayer leurs théories par des données empiriques, les auteurs ont analysé 7,18 millions d’articles d’informatique publiés entre 1990 et 2025 et recensés dans OpenAlex, en suivant l’évolution des sujets de recherche et des citations, les mouvements de 3,7 millions de chercheurs entre les domaines, ainsi que 73 089 évaluations par les pairs, afin de déterminer comment la domination croissante de l’IA a affecté la diversité scientifique.

L’un des résultats les plus intéressants qui ressortent des données concerne la récente migration de chercheurs vers l’IA, au détriment des sujets qu’ils étudiaient déjà :

« Les chercheurs qui changent de domaine sont à mi-parcours de leur carrière et déjà relativement bien établis. Ils abandonnent les travaux qui leur ont valu leur statut pour répondre à l’attrait gravitationnel de ce domaine, quitte à subir le coût d’une réorientation. »

L’étude a révélé que plus de la moitié des 918 862 changements de domaine recensés en informatique étaient des transitions vers l’IA, tandis que d’autres domaines, en particulier les systèmes et la recherche théorique, perdaient régulièrement des chercheurs.

D’après la nouvelle étude, évolution de la part des articles d’informatique consacrés à l’IA, aux systèmes et à la théorie entre 1990 et 2025. Chaque carré représente une année ; le bleu indique une part plus importante et le rouge, une part plus faible. La part de l’IA a fortement augmenté après 2017, tandis que celle des autres domaines a diminué. Source

Les chercheurs les plus susceptibles de franchir le pas étaient des universitaires expérimentés, dont la carrière était déjà bien établie. Parallèlement, la part de l’IA dans l’ensemble des articles d’informatique est passée de 40 % en 2017 à plus de 55 % en 2025.

D’après le blog d’Arxiv, hausse du nombre de soumissions en informatique sur une période de 2 ans, de 2024 à 2026. Source

Trois signaux

L’article identifie trois « signes convergents » qui, selon les auteurs, caractérisent l’informatique depuis 2017.

Le premier est le rétrécissement marqué de l’attention de la recherche après 2017, année de l’introduction de l’architecture Transformer. En extrayant les dix mots-clés les plus importants de chacun des 7,18 millions d’articles d’informatique, les auteurs ont suivi la concentration de la recherche sur les mêmes sujets :

Graphiques montrant la concentration croissante de la recherche en informatique depuis 2017. À gauche : les chercheurs se concentrent sur un éventail plus restreint de sujets. À droite : une part croissante des citations revient à un plus petit nombre d’articles. Les deux tendances se sont accélérées avec l’arrivée du Transformer.

Pendant des décennies, cette concentration était restée relativement stable, malgré l’essor d’Internet, des smartphones et de l’apprentissage profond. Mais entre 2017 et 2025, le coefficient de Gini^†† de l’attention de la recherche (voir l’image ci-dessus) est passé de 0,26 à 0,33, soit une hausse de 27 %. Les citations se sont elles aussi davantage concentrées, leur coefficient de Gini passant de 0,60 à un pic de 0,69.

Les chercheurs, issus de Tsinghua University, de l’University of Chicago et du Santa Fe Institute, déclarent :

« Le Transformer a bouleversé le domaine à une échelle que son prédécesseur n’avait pas atteinte. Ce phénomène n’est pas un artefact : il persiste malgré les variations de [keyword count]. »

Ils poursuivent :

« La part de l’IA dans les publications en informatique passe de 40 % à plus de 55 % entre 2017 et 2025, tandis que la recherche sur les systèmes recule après un long âge d’or et que la théorie se contracte encore davantage. »

Les résultats suggèrent donc que, malgré l’expansion de l’informatique, les chercheurs se sont de plus en plus tournés vers les mêmes idées et ont cité un éventail plus restreint de travaux.

Le deuxième « signe » concerne le nombre croissant de chercheurs qui abandonnent leur spécialité pour travailler dans le domaine de l’IA : en suivant 3,7 millions de chercheurs, les auteurs ont recensé près de 919 000 passages d’un domaine de l’informatique à un autre. Parmi ceux-ci, 53,81 % correspondaient à des transitions vers l’IA — un domaine de recherche qui a accueilli des chercheurs chaque année, tandis que les systèmes et la théorie en perdaient régulièrement :

Migration des chercheurs vers l’IA. Le graphique de gauche montre que l’IA attire une part croissante des chercheurs issus d’autres domaines de l’informatique, tandis que les systèmes et la théorie perdent du terrain. Les deux graphiques de droite indiquent quels chercheurs sont les plus susceptibles de faire le changement : ceux qui comptent environ 32 ans de carrière dans la publication scientifique et dont le dossier de publications est plus fourni que celui d’environ 82 % de leurs pairs. Un changement de domaine est comptabilisé lorsqu’un chercheur commence à publier la majorité de ses articles dans un autre domaine.

Les chercheurs qui ont fait le changement étaient généralement des universitaires confirmés en milieu de carrière, plutôt que des novices ou des chercheurs chevronnés. La probabilité de passer à l’IA culminait après 31,8 ans d’ancienneté académique et chez les chercheurs situés au 82e percentile en matière de publications.

La troisième des trois tendances relevées dans l’article est une pression croissante sur l’évaluation par les pairs : le processus par lequel d’autres chercheurs évaluent la qualité et la fiabilité d’un article scientifique avant sa publication.

En examinant 73 089 évaluations de 26 731 articles soumis à 45 conférences et autres lieux de publication entre 2017 et 2025, les auteurs ont constaté que la confiance des évaluateurs dans leur capacité à juger les articles était passée de 3,9 à 2,9 sur une échelle de cinq points :

Graphiques montrant l’évolution de l’évaluation scientifique par les pairs entre 2017 et 2025. Le graphique de gauche montre que les évaluateurs ont de moins en moins confiance en leur capacité à évaluer les articles soumis, les notes passant de 3,9 à 2,9 sur cinq. Celui de droite suit l’évolution des commentaires hostiles dans les évaluations : ils ont brièvement diminué en 2021, lorsque la conférence NeurIPS est passée à la plateforme OpenReview, plus transparente, avant de repartir à la hausse. Les deux courbes représentent des moyennes mobiles sur trois ans.

Les auteurs avancent que ce recul pourrait s’expliquer par l’expansion rapide de l’IA, qui rend plus difficile l’attribution des articles à des évaluateurs ayant les qualifications appropriées :

« Les viviers d’évaluateurs ont été submergés par des novices attirés par l’essor de l’IA. Les évaluateurs reçoivent de plus en plus d’articles truffés de méthodes d’IA qui dépassent leur domaine d’expertise principal. Il est devenu structurellement difficile d’attribuer les soumissions à des évaluateurs véritablement experts. »

« Dans ce contexte, l’acceptation ressemble de plus en plus à un pile ou face. »

Après les ruées vers l’or

L’article avance également que les plus grandes percées de l’IA pourraient, à terme, précipiter leur propre épuisement : chaque avancée majeure est suivie d’une vague de nouvelles idées, mais cette première effervescence novatrice finit par céder la place à une répétition léthargique, à mesure que la recherche se concentre toujours davantage sur les percées elles-mêmes^† :

« Les cycles successifs de l’IA moderne atteignent plus tôt la saturation et s’épuisent plus rapidement. Le cycle se raccourcit. »

« Sur 36 années d’évolution de l’informatique, marquées par les trois grandes avancées technologiques que sont AlexNet, le Transformer et les grands modèles de langage (LLM), nous observons à plusieurs reprises la même spirale [pattern]. »

« Il est à noter que ce phénomène ne se limite pas à l’informatique. En biologie, nous observons le même cycle d’épuisement après des avancées majeures non informatiques (par exemple, la cryo-microscopie électronique) et informatiques (par exemple, AlphaFold). » 

Cet « épuisement » a bel et bien touché les autoencodeurs, les réseaux antagonistes génératifs (GAN) et les approches fondées sur les autoencodeurs, comme les hypertrucages. Les chercheurs ont exploité ces méthodes à outrance pendant des années, bien après qu’elles eurent clairement épuisé leur potentiel, jusqu’à ce que de nouveaux cadres et de nouvelles approches finissent par les relayer.

Pour suivre ces cycles, les auteurs ont recherché dans les résumés scientifiques des noms et des expressions distinctifs, puis ont suivi leur apparition, leur disparition et leurs retours occasionnels, afin de repérer l’évolution des idées de recherche.

AlexNet, en 2012, et les Transformers en 2017 ont chacun déclenché une vague de nouvelles idées qui a fini par retomber. Chaque percée a creusé davantage l’avance de l’IA, tandis que les autres domaines de l’informatique prenaient du retard et finissaient par produire de nouvelles idées à un rythme inférieur à celui d’avant 2012 :

Comparaison de la proportion de nouvelles idées de recherche en IA (bleu), en informatique hors IA (rouge) et dans les deux domaines réunis (violet en pointillés). Le nombre de nouvelles idées a bondi après AlexNet en 2012 et le Transformer en 2017, avant de diminuer. L’avantage de l’IA s’est accentué après la deuxième percée. Les courbes représentent des moyennes mobiles sur trois ans.

Ce schéma s’étend aux idées qui tombent en désuétude : de nouvelles percées balaient les approches plus anciennes, parfois des années après leur apparition. Pourtant, les percées elles-mêmes sont prises dans le même cycle : chacune attire un regain d’attention de la recherche qui finit par retomber, laissant le domaine dans l’attente d’une nouvelle découverte pour relancer son élan (comme cela s’est produit avec le splatting gaussien, après un intervalle de 31 ans) :

Comparaison des citations des articles originaux sur AlexNet (rouge) et le Transformer (bleu), de 2012 à 2025. La part des citations consacrées aux deux articles a d’abord augmenté, puis fortement diminué, ce qui illustre le déclin inévitable de l’attention portée aux grandes percées. Les courbes représentent des moyennes mobiles sur trois ans.

Le succès de l’IA concentre les chercheurs et les idées autour d’une poignée d’approches dominantes, tandis que les domaines connexes, qui pourraient contribuer à faire émerger leurs successeurs, continuent de perdre du terrain, soutiennent les auteurs. Et s’ils ne prédisent pas explicitement que cela empêchera de futures percées, ils évoquent la possibilité que l’IA érode peu à peu la diversité dont pourrait dépendre son prochain bond en avant.

Le nombre d’idées toujours activement utilisées a également été suivi. Au fil des vagues successives de développement de l’IA, ce nombre s’est de plus en plus éloigné des prévisions, le déficit étant plus important après l’arrivée des Transformers qu’après AlexNet :

Graphique montrant le nombre d’idées de recherche actives au fil des percées successives de l’IA. Les courbes pleines représentent la croissance modélisée, tandis que les segments en pointillés indiquent que les chiffres réels sont inférieurs aux niveaux prévus. Le déficit est plus important après le Transformer qu’après AlexNet, et un recul précoce apparaît également à l’ère des grands modèles de langage (LLM).

En résumé, les auteurs concluent que la concentration des efforts et des personnes sur un éventail toujours plus restreint de défis liés à l’IA menace d’appauvrir les domaines voisins, qui auraient autrefois naturellement alimenté le secteur de l’IA en idées, ainsi que d’autres secteurs, eux aussi diversifiés.

En faisant référence au commentaire de John Hassler sur l’attribution du prix Nobel 2025 de sciences économiques, ils concluent :

« Le comité Nobel a averti que les mécanismes de destruction créatrice doivent être préservés si l’on veut éviter la stagnation. Nos résultats mettent en évidence l’un de ces mécanismes, la diversité intellectuelle, et montrent que les institutions actuelles l’érodent. »

« Les institutions qui orientent l’attention, notamment les systèmes d’évaluation, les frais et les règles de soumission, les structures de récompense, ainsi que les pratiques en matière de recrutement, de promotion et de départ à la retraite 12, déterminent toutes si le prochain paradigme aura la possibilité d’émerger. »

« Bien les concevoir, c’est résister à la tentation de miser davantage sur le paradigme qui l’emporte actuellement, pénaliser la concentration plutôt que l’exploration, et transférer le pouvoir d’évaluation des personnes les plus prolifiques vers les idées les plus novatrices. »

« La destruction créatrice soutient la croissance uniquement si elle laisse derrière elle quelque chose à recombiner. Une singularité n’a pas de successeur. »

* Il faudrait un mot pour ça : « résistant aux prévisions » ? Bon, ce n’est pas un mot isolé, mais un terme, et cela donne aussi l’impression de faire référence à 2026 plutôt qu’au regard porté sur 2027 depuis 2026. « Infuturisable » ? Le correcteur orthographique l’a souligné en rouge, alors adoptons-le.

^† Ma conversion des citations intégrées des auteurs en liens hypertextes.

^†† Le coefficient de Gini indique à quel point une ressource est répartie de manière inégale, sur une échelle allant de 0 (égalité parfaite) à 1 (concentration maximale). Ici, un score plus élevé signifie que les chercheurs se concentrent sur moins de sujets.

Publié pour la première fois le mercredi 21 octobre 2026