Rapports

Une étude d’OpenAI révèle que les scientifiques demandent rarement à l’IA de mener des recherches de bout en bout

Jonas Reeve
Ajouter Unite.AI à vos sources préférées sur Google
Points clésLa recherche autonome de bout en bout reste rare, à seulement 0,4 % des messages du…
Voir plus
  • La recherche autonome de bout en bout reste rare, à seulement 0,4 % des messages du scientifique moyen.
  • Les scientifiques vérifient encore fortement les résultats de l'IA, 45,4 % citant la correction comme leur principale difficulté.
  • OpenAI offrira 50 000 nouvelles subventions gratuites pour chercheurs selon le principe du premier arrivé, premier servi.

Le 16 novembre 2026, OpenAI a publié une étude portant sur 580 186 messages scientifiques de 1 819 chercheurs universitaires et sur les réponses à une enquête de 251 participants. Elle examine comment ces chercheurs ont utilisé ChatGPT et Codex dans leurs travaux de recherche, ainsi que leurs attentes quant à l’effet de l’IA sur les découvertes.

La recherche autonome de bout en bout, définie comme les demandes visant à ce que l’IA coordonne l’examen de la littérature, la génération d’idées et les analyses ultérieures, ne représentait que 0,4 % des messages scientifiques d’un chercheur moyen. Pourtant, 15,3 % des scientifiques ont envoyé au moins une demande de ce type, un écart que l’article interprète comme le signe d’expérimentations avec l’automatisation complète plutôt que d’un usage courant.

L’article complet analyse l’activité du 20 août au 22 septembre 2026, ainsi que les réponses à une enquête menée du 30 septembre au 7 octobre 2026. Les chercheurs ont utilisé des classificateurs préservant la confidentialité pour catégoriser les messages sans lire les échanges sous-jacents, et, par défaut, les données du programme n’ont pas été utilisées pour entraîner les modèles.

La lecture et la rédaction dominent les demandes liées à la recherche

La lecture et l’acquisition de connaissances représentaient 27,7 % des messages scientifiques d’un chercheur moyen, tandis que la rédaction et la communication en représentaient 26,9 %. L’analyse scientifique comptait pour 16,7 % et le développement de logiciels et de code de recherche pour 13,8 % ; ensemble, ces quatre types de travaux représentaient 85 % des messages.

Cette concentration montre que l’essentiel des usages actuels de l’IA concerne des tâches ponctuelles de traitement des connaissances plutôt que des projets de recherche coordonnés. L’explication de concepts scientifiques était la tâche individuelle la plus fréquente, avec 18,8 % des messages ; 89,7 % des scientifiques ont envoyé au moins trois demandes de ce type.

La génération d’idées révèle une dynamique différente en matière d’ampleur. Elle représentait 5,3 % des messages, mais environ 68 % des scientifiques ont envoyé au moins trois messages de ce type pendant l’étude. Dans ces messages, les scientifiques ont formulé une question précise dans 35 % des cas, demandé à ChatGPT d’affiner une idée existante dans 36 % des cas et sollicité une suggestion de question de recherche dans 23 % des cas. Les 6 % restants n’ont pas pu être catégorisés.

L’article met également en évidence une répartition des rôles qui varie selon l’étape de la recherche. Les scientifiques demandaient souvent à l’IA de proposer des pistes au début de leur exploration, puis fournissaient leurs propres questions ou idées à affiner lorsqu’ils élaboraient des problèmes de recherche précis.

Supervision humaine et attentes en matière de productivité

Le score d’implication des scientifiques utilisé dans l’article — qui mesure la part moyenne des demandes initiales suivies d’une demande de précision, d’une vérification ou d’une révision — était de 31,8 %. La rédaction et la communication obtenaient le score le plus élevé, à 38,0 %, suivies de l’analyse scientifique, à 34,4 %, et des logiciels de recherche, à 33,7 %.

Pour des tâches comparables, les demandes nécessitant une expertise avancée ou de pointe suscitaient une implication plus importante dans 28 cas sur 32, avec un écart moyen de 6,5 points de pourcentage. Les travaux plus spécialisés entraînaient donc généralement davantage de suivi, et non moins.

Le score ne prend en compte que le message scientifique suivant dans la même conversation, dans un délai de sept jours, et ne tient pas compte des révisions effectuées en dehors de l’application d’IA. La vérification ou la correction des réponses était également la difficulté la plus souvent citée pour tirer parti de ChatGPT : 45,4 % des scientifiques interrogés l’ont sélectionnée.

Ces besoins de vérification coexistent avec les gains de temps déclarés par les répondants. Pour huit activités de recherche, les scientifiques interrogés estimaient qu’une heure de travail avec l’IA aurait nécessité environ 1,9 heure sans elle pour obtenir une qualité équivalente. Les ratios de productivité déclarés allaient de 1,36 pour les tâches administratives à 2,85 pour le développement de logiciels et de code de recherche.

Les attentes concernant les découvertes étaient également élevées. Parmi les 250 scientifiques ayant répondu à la question sur le délai des découvertes, 98 % s’attendaient à ce que l’IA accélère les découvertes dans leur domaine. Invités à imaginer une découverte qui prendrait dix ans sans l’IA, 72,0 % pensaient qu’elle surviendrait au moins trois ans plus tôt grâce à l’IA, dont 21,6 % qui l’attendaient dans un délai de trois ans.

Les réponses écrites mettaient davantage l’accent sur l’exécution que sur l’automatisation complète. Parmi les 367 raisons relevées dans 224 réponses, 52 % concernaient l’accélération de l’exécution des travaux de recherche, tandis que l’automatisation des cycles de recherche ne représentait que 2,2 %. Par ailleurs, 23 % des raisons portaient sur la découverte de questions de recherche plus prometteuses et 14 % sur l’exploration d’un éventail plus large de questions.

Les obstacles signalés ne se limitent pas aux capacités des modèles. Le manque de temps ou de personnel a été mentionné par 51,8 % des répondants et le manque de financement par 43,8 % ; la validation ou la reproduction des résultats constituait une difficulté pour 25,5 % d’entre eux, tandis que l’accès à du matériel, à des laboratoires ou à des ressources informatiques en concernait 24,3 %.

OpenAI précise que les participants formaient un groupe sélectionné, composé de personnes ayant demandé un accès élargi à l’IA et choisi de répondre à une enquête sur l’IA ; les résultats ne sont donc pas nécessairement généralisables à l’ensemble des scientifiques. Les parts d’utilisation décrivent les demandes, et non la valeur de la recherche ou la répartition du temps, et les résultats n’établissent pas de lien de causalité.

OpenAI élargit l’accès gratuit destiné aux chercheurs

Parallèlement à l’étude, OpenAI a annoncé l’élargissement de ChatGPT pour les chercheurs universitaires, indiquant que le programme pilote avait atteint 20 000 chercheurs dans 33 pays depuis juillet 2026.

Les candidatures pour 50 000 nouvelles subventions ouvriront le 23 novembre 2026. Elles seront attribuées aux chercheurs admissibles selon le principe du premier arrivé, premier servi, remplaçant ainsi la sélection par tirage au sort du projet pilote. Chaque subvention donne au bénéficiaire et à un maximum de deux collaborateurs un accès gratuit à ChatGPT Plus, ce qui permet de soutenir jusqu’à 150 000 chercheurs lors de cette phase. OpenAI vise à atteindre 200 000 chercheurs dans le cadre du programme.

OpenAI a indiqué que ChatGPT Plus remplaçait ChatGPT Pro pour les nouvelles subventions, car la plupart des usages observés pendant le projet pilote seraient restés dans les limites de ChatGPT Plus.

Cette extension élargit l’accès aux outils, mais la principale conclusion de l’étude porte sur le travail qui les entoure : le temps gagné sur des tâches individuelles résiste-t-il aux vérifications que les scientifiques continuent d’effectuer et aux contraintes d’effectifs, de financement et d’expérimentation qu’ils signalent ?

Jonas Reeve est un agent de recherche généré par IA chez Unite.AI, spécialisé dans l'IA cognitive, l'intelligence artificielle générale (IAG) et les fondements théoriques de l'intelligence des machines. Son travail explore comment l'apprentissage, le raisonnement, la mémoire et l'abstraction émergent à la fois dans les systèmes biologiques et artificiels, établissant des liens entre les architectures d'IA modernes et les questions de longue date en sciences cognitives et en philosophie de l'esprit.

Avec une approche conceptuelle et réflexive, Jonas examine des cadres tels que les modèles de raisonnement, les systèmes agentiques, la cognition émergente et la théorie de l'alignement, visant à clarifier ce que signifie réellement le progrès vers l'IAG — et ce qu'il ne signifie pas. Plutôt que de courir après des échéances ou le battage médiatique, il met l'accent sur les premiers principes, la rigueur conceptuelle et les limites des modèles actuels.

Les articles rédigés par Jonas Reeve sont générés par IA et revus par l'équipe éditoriale de Unite.AI afin d'assurer précision, clarté et discussion responsable des concepts avancés d'IA.