Partie II — L’IA générative dans la recherche scientifique : assistant intellectuel légitime ou menace pour l’autonomie du chercheur ?

Retour d’expérience sur six mois de stage chez Fataplus SARLU et observation croisée de deux régimes d’usage d’un agent IA.

Introduction de la Partie II

La Partie I a permis de présenter Fataplus SARLU — startup agritech malgache de cinq membres incubée par le Programme Miary — et de saisir le contexte organisationnel dans lequel s’inscrit ce stage. La Partie II dépasse ce cadre descriptif pour proposer une analyse problématisée articulée autour d’une question qui traverse autant l’espace académique que l’espace professionnel : quel place accorder à l’IA générative dans les processus intellectuels qui fondent la production du savoir ?

Cette question n’est pas abstraite. Durant le stage, deux usagers — l’étudiant-chercheur que je suis et le product designer/lead technique de Fataplus — ont simultanément mobilisé un même agent IA (Lex, propulsé par Hermes) dans leurs activités respectives. Ce dispositif offre un cas d’étude empirique rare : un agent unique, deux contextes distincts, deux régimes de délégation intellectuelle. L’observation croisée de ces deux régimes constitue le matériau principal de cette analyse, articulée en trois mouvements.

Sous-partie A — L’IA comme redéfinition du travail intellectuel : de la production au pilotage.

Sous-partie B — Le vide normatif : doxa académique et pragmatisme professionnel face à l’innovation disruptive.

Sous-partie C — Pour une éthique de la co-production humain/IA : conditions, limites et perspectives.

Sous-partie A — L’IA comme redéfinition du travail intellectuel : de la production au pilotage

A.1 — L’IA n’est pas un outil : l’apport de la sociologie de la technique

La tentation première est de classer l’IA générative parmi les outils intellectuels — au même titre que le traitement de texte, la base de données bibliographique ou le logiciel de statistiques. Cette classification est rassurante : elle maintient l’humain au centre du processus et relègue la machine à un rôle d’auxiliaire subordonné. Or l’observation de terrain contredit cette assimilation.

Le concept d’actant développé par Bruno Latour dans La Vie de laboratoire (1979) et Nous n’avons jamais été modernes (1991) offre un cadre plus pertinent. Pour Latour, un actant n’est pas nécessairement humain : c’est « tout ce qui fait faire quelque chose » dans un réseau d’interactions. L’agent IA que j’ai mobilisé durant le stage n’est pas un simple relais passif entre ma commande et sa réponse — il produit du sens, structure des arguments, suggère des angles d’analyse, catégorise l’information. En termes de théorie de l’acteur-réseau, il est un actant à part entière dans la chaîne de production du savoir.

Concrètement, lorsque je demandais à Lex de synthétiser un cours de gouvernance minière à partir de six documents PDF, l’agent ne se contentait pas de juxtaposer des extraits. Il identifiait des thèmes transversaux, hiérarchisait les informations par pertinence, formulait des liens causaux entre les sources. L’opération intellectuelle — sélectionner, organiser, articuler — n’était pas simplement exécutée par l’IA à ma place ; elle était co-produite. Ma contribution résidait dans la validation, la reformulation et l’orientation de la production — ce que j’appellerai par la suite le pilotage intellectuel.

Du côté professionnel, Fefe mobilise le même agent pour des tâches techniques : gestion d’infrastructure, déploiement Cloudflare, configuration de serveurs, conception produit. Ici aussi, l’agent n’exécute pas mécaniquement — il diagnostique les erreurs, propose des architectures, identifie les points de défaillance. La dimension d’autonomie décisionnelle de l’agent est manifeste dans les deux contextes, bien que les enjeux diffèrent : intellectuels d’un côté, opérationnels de l’autre.

Cette observation rejoint la thèse de Madeleine Akrich (1992) sur les scripts inscrits dans les artefacts techniques : l’agent IA embarque un script qui définit un certain rapport à la connaissance (rapidité, synthèse, structuration), et ce script transforme les pratiques de ceux qui l’utilisent, souvent à leur insu.

A.2 — L’accélération du savoir et le risque heuristique : le pharmakon stieglerien

Bernard Stiegler, dans *La Pharmacologie du FRONT” (2020), mobilise le concept grec de pharmakon — à la fois remède et poison — pour penser la relation entre humain et technologies cognitives. Ce cadre s’applique directement à l’IA générative.

Le pharmakon comme remède : L’agent IA a considérablement accéléré mon travail de synthèse. En quelques minutes, Lex produisait une synthèse structurée de 300 à 400 mots à partir de documents qui m’auraient demandé deux à trois heures de lecture attentive. Les fiches de droit international privé (arrêts Bartholo, Wagons-Lits), les synthèses de sociologie politique (chapitre 12 de Braud), les prototypes de paragraphes sur la régulation STN — tout cela a été produit dans un rythme qui n’aurait pas été concevable sans assistance. Du côté de Fefe, le déploiement du site alex.nexio.work — 120 pages, configuration Astro + Tailwind, push GitHub + Cloudflare — s’est fait en une seule session de travail assistée.

Le pharmakon comme poison : Mais cette accélération porte en elle un risque heuristique. La lenteur n’est pas un défaut de la recherche — elle est constitutive de son processus. C’est dans la lecture patiente d’un texte, dans le tâtonnement entre concepts, dans l’impasse et le retour en arrière que se forme la pensée critique. L’IA, en produisant du contenu structuré quasi instantanément, court-circuite ce processus d’élaboration lente.

J’ai pu observer ce phénomène sur moi-même. Lors des premières sessions de travail avec Lex, la tentation était forte d’accepter la première formulation proposée, surtout quand elle paraissait cohérente et bien structurée. C’est précisément là que réside le danger du pharmakon : la solution proposée est si immédiatement satisfaisante qu’elle discipline le chercheur à ne pas questionner plus avant. Le confort cognitif remplace le doute méthodique.

Or ce doute, cette insatisfaction productrice, est exactement ce que Thomas Kuhn (1962) décrit comme le moteur de la science normale : le chercheur travaille dans un paradigme, rencontre des anomalies, et c’est la tension entre les attentes du paradigme et les résistances du réel qui produit l’avancée scientifique. Si l’IA lisse ces tensions en proposant une synthèse immédiatement cohérente, elle risque de neutraliser le moteur même de la pensée critique.

A.3 — Le nouveau partage de la valeur intellectuelle

De ces observations se dégage une transformation structurelle : la valeur du travail intellectuel ne réside plus dans la production brute du contenu, mais dans la capacité à diriger, critiquer et réapproprier ce que l’IA produit.

Le chercheur ou le professionnel qui utilise un agent IA ne disparaît pas — il change de fonction. Il passe d’une posture de producteur à une posture de directeur de production intellectuelle. Il doit :

Formuler la bonne demande (le prompt est un acte intellectuel complexe)
Évaluer la pertinence de la production (discrimination critique)
Reformuler ce qui est maladroite, erroné ou insuffisant (réappropriation)
Articuler les productions entre elles (synthèse de synthèses)

Ce que Bourdieu (2001) appelle la science de la science — la réflexivité sur les conditions de production du savoir — prend une nouvelle dimension avec l’IA. Il ne s’agit plus seulement de questionner ses propres biais de chercheur, mais aussi les biais de l’actant non-humain qui co-produit le savoir. Quels savoirs l’IA produit-elle ? Selon quels critères ? Quelles exclusions opère-t-elle dans ses sélections ? Ces questions sont les nouvelles frontières de la réflexivité scientifique.

Sous-partie B — Le vide normatif : doxa académique et pragmatisme professionnel face à l’innovation disruptive

B.1 — La doxa académique : l’habitus du chercheur face à l’intrus

Pierre Bourdieu (1980) définit la doxa comme l’ensemble des croyances et pratiques non interrogées qui structurent un champ. Dans le champ académique, la doxa définit ce qui fait un « vrai » travail de recherche : la lecture patiente des sources, la construction personnelle de l’argumentation, la solitude du chercheur face à son texte. Le plagiat est le crime suprême — non pas tant parce qu’il vole des idées, mais parce qu’il transgresse le rite de la production personnelle qui fonde la légitimité du chercheur.

L’IA générative bouscule cette doxa sans que les règles soient explicitement reformulées. Le chercheur qui utilise un agent IA pour produire une synthèse ne plagie pas au sens classique — il ne copie pas une source identifiable. Mais il délègue une part du travail intellectuel à un actant non-humain, et cette délégation n’a pas de statut dans l’économie symbolique du champ académique. Est-ce du travail légitime ou une forme inédite de triche ?

Durant mon stage, ni Sciences Po, ni Fataplus n’ont fourni de cadre normatif pour l’usage de l’IA. Aucune charte, aucune politique d’entreprise, aucune consigne formelle. Ce silence est significatif : il signifie que l’institution n’a pas encore intégré l’IA dans ses catégories de pensée. Le vide normatif n’est pas un accident — il est le signe que la doxa est en train de se reconfigurer, mais que cette reconfiguration n’a pas encore été codifiée.

B.2 — La crise du paradigme académique : Kuhn appliqué aux pratiques de recherche

Thomas Kuhn (1962) décrit le processus par lequel un paradigme scientifique entre en crise : les anomalies s’accumulent, les outils existants deviennent inadéquats, et un nouveau paradigme émerge. Ce modèle s’applique remarquablement aux pratiques de recherche confrontées à l’IA.

Le paradigme académique « classique » repose sur un postulat : le chercheur est la source unique de la production intellectuelle. Ce postulat structure l’ensemble du dispositif — de l’évaluation (un mémoire, une thèse = un travail personnel) à la sanction (plagiat = exclusion). L’IA est une anomale massive pour ce paradigme : elle produit du contenu qui ressemble à du travail de recherche, mais elle n’est ni le chercheur, ni une source citable. Elle est un tiers que le paradigme ne sait pas classer.

Les réactions institutionnelles illustrant cette crise sont révélatrices. Certaines universités ont purement et simplement interdit l’usage de l’IA — attitude que Kuhn aurait qualifiée de défense du paradigme menacé. D’autres ont tenté de réguler — exiger une déclaration d’usage, limiter les pourcentages. Mais ces réponses restent pragmatiques et fragmentées ; aucune ne propose une théorisation cohérente du rôle de l’IA dans la production du savoir.

B.3 — Deux mondes, même absence de cadre : comparaison académique/professionnel

L’observation croisée du régime académique (Alex) et du régime professionnel (Fefe) révèle une convergence frappante : dans les deux espaces, l’IA est utilisée massivement sans cadre normatif.

Côté académique : L’agent IA m’assiste dans la production de synthèses, fiches, plans de dissertation et prototypes de paragraphes. Aucune charte Sciences Po ne mentionne l’usage des agents IA. Le guide méthodologique du rapport de stage (Master FDSP) ne contient aucune référence à l’IA générative. Le vide est total.

Côté professionnel : Fefe utilise le même agent pour l’infrastructure technique, le déploiement, la gestion de projet et la conception produit chez Fataplus SARLU. Aucune politique d’entreprise ne cadre cet usage. La startup de cinq membres n’a ni comité d’éthique, ni charte numérique.

Cette double absence n’est pas un hasard. Elle traduit une asymétrie temporelle entre l’adoption technologique et la régulation institutionnelle : les pratiques émergent, les normes suivent. Mais cette asymétrie a des conséquences concrètes : elle place les utilisateurs dans une zone gré où l’innovation est encouragée par la nécessité mais stigmatisée par le soupçon.

Foucault (1975), dans Surveiller et punir, montre comment les dispositifs disciplinaires produisent des normes à travers la surveillance et la sanction. Ici, c’est l’inverse : c’est l’absence de dispositif qui crée l’incertitude normative. Les utilisateurs ne savent pas s’ils seront sanctionnés, et cette incertitude est elle-même un mécanisme de régulation — un contrôle par l’ambiguïté plutôt que par la règle explicite.

Sous-partie C — Pour une éthique de la co-production humain/IA : conditions, limites et perspectives

C.1 — Technologies du soi et autonomie intellectuelle : Foucault revisité

Michel Foucault (1984), dans ses cours au Collège de France sur les technologies du soi, définit celles-ci comme les pratiques par lesquelles un individu effectue sur lui-même des opérations visant à transformer son mode d’être. L’écriture, la lecture, la méditation sont des technologies du soi classiques du chercheur.

L’IA générative peut être lue comme une nouvelle technologie du soi — mais avec une spécificité : elle est partiellement exogène. Contrairement à la lecture ou l’écriture, qui sont des pratiques que le sujet maîtrise intégralement, l’usage de l’IA implique un partage de l’agir entre le sujet et un actant non-humain. La question devient : ce partage préserve-t-il ou altère-t-il l’autonomie du sujet ?

L’expérience de terrain offre des éléments de réponse nuancés. Du côté académique, l’usage de Lex m’a permis de produire davantage et plus vite — mais la qualité de cette production dépendait entièrement de ma capacité à revenir sur, critiquer et retravailler les propositions de l’agent. Les meilleures synthèses produites durant le stage étaient celles où le va-et-vient entre ma formulation et la reformulation de l’IA était le plus intense — c’est-à-dire où ma technologie du soi incluait l’IA comme interlocuteur et non comme substitut.

Du côté professionnel, Fefe observe un phénomène similaire : l’agent ne remplace pas son expertise technique, mais il étend ses capacités d’exécution. Les tâches de déploiement et de configuration qui auraient nécessité des heures de diagnostic sont résolues en minutes. Mais la décision de quoi déployer, quand et pourquoi reste du ressort de Fefe.

Ces observations suggèrent que l’autonomie intellectuelle n’est pas détruite par l’IA — elle est redéployée. Elle se déplace de l’exécution vers la supervision, de la production vers la validation. La menace pour l’autonomie ne vient pas de l’IA elle-même, mais d’un usage non réflexif de l’IA — c’est-à-dire d’un usage où le sujet accepte la production de l’agent sans la retourner, la critiquer ou la reconfigurer.

C.2 — Conditions d’un usage légitime : la compétence IA comme nouveau référentiel

Si l’on accepte que l’IA est un actant légitime dans la production du savoir — et les observations de terrain plaident en ce sens — alors la question n’est plus de savoir si l’on peut l’utiliser, mais comment. Quatre conditions se dégagent de l’analyse :

1. La transparence déclarative. L’usage de l’IA doit être déclaré, non comme une confession mais comme une description méthodologique. Dans un rapport de recherche, cela signifie préciser : quel agent a été utilisé, pour quelles tâches, avec quel degré d’autonomie. Cette transparence est l’équivalent de la déclaration de conflit d’intérêts — elle ne disqualifie pas le travail, elle informe le lecteur.

2. La supervision critique. Chaque production de l’IA doit être soumise à un filtre critique par l’utilisateur. Ce filtre inclut : la vérification factuelle, la cohérence argumentative, la pertinence des sources citées, et l’adéquation avec la problématique. Sans ce filtre, l’usage de l’IA devient de la délegation aveugle — et la délégation aveugle est antithétique de la recherche scientifique.

3. La réappropriation. La production de l’IA n’est pas le produit final — c’est une matière première qui doit être retravaillée. L’utilisateur doit imprimer sa voix, son style, ses choix argumentatifs. La distinction entre production IA et production humaine ne doit pas être visible dans le texte final — non pas parce qu’on la dissimule, mais parce que la reprise humaine a transformé la matière en un travail véritablement intellectuel.

4. L’ancrage empirique. L’IA peut structurer, synthétiser, reformuler — mais elle ne peut pas remplacer l’expérience sensible du terrain. Les observations, les entretiens, les impressions, les doutes du chercheur restent irremplaçables. L’IA ne connaît pas le terrain — elle ne connaît que ce qu’on lui en dit.

C.3 — Perspectives : vers une norme de la co-production intellectuelle

Le vide normatif actuel n’est pas une fatalité. Il appelle une innovation institutionnelle que l’on peut esquisser à partir de trois pistes.

Piste 1 — La norme académique. Les universités pourraient adopter une déclaration d’usage IA standardisée, analogue à la déclaration de méthodologie. Cette déclaration distinguerait trois niveaux : assistance (correction, mise en forme), collaboration (production partielle supervisée), délégation (production intégrale non retravaillée) — les deux premiers étant acceptables, le troisième assimilable à un manquement.

Piste 2 — La norme professionnelle. Les entreprises — et les startups en particulier — pourraient adopter des chartes d’usage de l’IA définissant les tâches délégables (exécution technique) et les tâches non délégables (décisions stratégiques, communication sensible, données confidentielles).

Piste 3 — La norme interdisciplinaire. Au croisement de l’épistémologie, de l’éthique et de la sociologie de la technique, un champ de recherche émergent pourrait théoriser les conditions de la co-production humain/IA comme nouveau paradigme de production du savoir — non pas pour remplacer le chercheur, mais pour repenser les conditions dans lesquelles le chercheur reste autonome dans un environnement techniquement médiatisé.

Conclusion de la Partie II

L’analyse problématisée proposée dans cette Partie II a montré que l’IA générative n’est ni un simple outil ni une menace existentielle pour le chercheur. Elle est un actant (Latour) qui redéfinit les étapes du travail intellectuel en déplaçant la valeur de la production vers le pilotage. Elle est un pharmakon (Stiegler) — accélération puissante mais potentiellement stérilisante si elle court-circuite le doute méthodique. Elle est une anomalie (Kuhn) qui révèle la crise du paradigme académique classique et le vide normatif qui l’accompagne. Elle est enfin une technologie du soi (Foucault) qui, utilisée de manière réflexive, étend les capacités du chercheur au lieu de les substituer.

Le cas empirique de Fataplus — et plus précisément l’observation croisée de deux régimes d’usage d’un même agent IA dans les contextes académique et professionnel — confirme la thèse provisoire : le professionnalisme accordé à l’IA ne dépend pas de ses capacités techniques, mais de la posture réflexive de celui qui l’utilise. L’enjeu n’est pas de savoir si l’IA peut penser — elle ne pense pas au sens où l’entend la recherche scientifique. L’enjeu est de savoir si le chercheur qui l’utilise continue de penser — et les conditions proposées dans cette analyse (transparence, supervision critique, réappropriation, ancrage empirique) visent précisément à garantir que la co-production humain/IA reste une production scientifiquement légitime.

Références mobilisées

Akrich, Madeleine. (1992). « The De-Scription of Technical Objects ». In Bijker, W. & Law, J. (dir.), Shaping Technology/Building Society, MIT Press.
Bourdieu, Pierre. (1980). Le Sens pratique. Paris : Les Éditions de Minuit.
Bourdieu, Pierre. (2001). Science de la science et réflexivité. Paris : Raisons d’agir.
Foucault, Michel. (1975). Surveiller et punir. Paris : Gallimard.
Foucault, Michel. (1984). Le Souci de soi (Histoire de la sexualité, t. III). Paris : Gallimard.
Kuhn, Thomas S. (1962). The Structure of Scientific Revolutions. Chicago : University of Chicago Press.
Latour, Bruno. (1979). La Vie de laboratoire (avec Woolgar, S.). Paris : La Découverte.
Latour, Bruno. (1991). Nous n’avons jamais été modernes. Paris : La Découverte.
Stiegler, Bernard. (2020). *La Pharmacologie du FRONT”. Fécamp : Le Ligneau / Les Liens qui libèrent.

Partie II — L'IA générative dans la recherche scientifique : assistant intellectuel légitime ou menace pour l'autonomie du chercheur ?