Voici l’extrait d’un article assez court qui étudie les conséquences de la venue de l’IA sur la recherche en sciences économiques. L’auteure, Isabel Vansteenkiste, membre de la BCE, conclut l’article avec une perspective plus lointaine sur la façon même dont les découvertes scientifiques peuvent advenir.

Ici pour l’article : Plus ça change. AI and the future of economic research: From Galileo back to Socrates

« [On faisait, s’agissant du rôle de l’IA dans la science économique] l’hypothèse que l’IA accélérerait un travail resté piloté par l’humain. Dans cette optique, l’IA n’est qu’un instrument puissant — au même titre que le télescope, l’accélérateur de particules ou l’ordinateur. Elle change le rythme de la science sans en changer la structure fondamentale.

Mais si cette hypothèse était fausse ? Si l’IA modifiait la forme même du processus ?

Il convient de rappeler la longévité du processus actuel. Depuis la révolution scientifique de Bacon, Galilée et Newton aux XVIe et XVIIe siècles, la science repose sur un cycle remarquablement stable : observer, formuler une hypothèse, prédire, tester, réviser. Toute innovation majeure, jusqu’à présent, s’est inscrite dans ce cadre. Comme le remarquait Jean-Baptiste Alphonse Karr : « plus ça change, plus c’est la même chose ».

La question est de savoir si l’IA pourrait briser cet invariant plutôt que de se contenter de l’accélérer. Le débat reste ouvert, mais certains signes suggèrent déjà que l’IA pourrait remettre en cause notre définition de la bonne recherche, héritée de Galilée. Selon cette conception ancienne, la bonne science ne se contente pas d’ajuster des observations ou de prédire avec précision : elle cherche à mettre au jour la structure sous-jacente de la réalité. Or l’IA pourrait brouiller la distinction traditionnelle entre observer le monde et le modéliser. En biologie, AlphaFold prédit la structure tridimensionnelle d’une protéine à partir de sa séquence d’acides aminés avec une précision remarquable, sans fournir d’explication causale — résolvant ainsi un défi vieux de cinquante ans (Bertoline et al. 2023). Mais ce faisant, il a aussi ouvert un fossé épistémique entre prédiction et explication.

Depuis des siècles, le progrès scientifique consiste à forger de meilleurs outils pour que les humains comprennent le monde. Une IA qui améliore la prédiction sans améliorer notre compréhension soulève une question plus profonde, particulièrement pertinente pour les institutions publiques : que se passe-t-il lorsque notre outil le plus puissant discerne des motifs que nous ne percevons plus nous-mêmes ? La réponse pourrait façonner non seulement l’avenir de la science, mais aussi la place de l’humain en son sein. Nous voici peut-être à un carrefour : continuer à privilégier des explications intelligibles pour l’esprit humain, quitte à perdre en puissance prédictive, ou embrasser des modèles opaques mais très efficaces et élargir ainsi ce que l’on entend par savoir scientifique — au risque d’abandonner discrètement le critère de falsifiabilité de Popper.

Dans un cas comme dans l’autre, notre rôle pourrait de moins en moins consister à détenir les bonnes réponses. L’IA évoque à cet égard l’esclave du Ménon de Platon : à force de poser les bonnes questions, Socrate le conduit vers des réponses qu’il ne pouvait initialement voir seul. Si l’analogie tient, notre rôle s’éloignerait de la méthode galiléenne — avoir la bonne réponse — pour se rapprocher du plus vieux métier de Socrate : poser les bonnes questions.

Socrate pointe vers un second avantage humain, plus subtil, que l’IA ne semble pas près de renverser. Dans l’Apologie de Platon, l’oracle de Delphes déclare que nul n’est plus sage que Socrate. Perplexe, celui-ci interroge les hommes réputés savants et découvre qu’ils croient tous savoir des choses qu’ils ignorent en réalité. Ils confondaient l’ignorance avec le savoir. Sa sagesse, conclut Socrate, tient à ce qu’il reconnaît ce qu’il ne sait pas. Les modèles d’IA, eux, ne possèdent aucune humilité de ce genre : interrogés, ils produisent une réponse, que le schéma sous-jacent soit réel ou non, significatif ou non. La capacité à douter de ses propres conclusions — à distinguer le savoir de la simple production — pourrait bien être l’apport humain le plus singulier, et le plus décisif, à une entreprise scientifique de plus en plus peuplée de machines qui, elles, n’hésitent jamais à répondre.

 

Illustration : La Vérité entraînant les Sciences à sa suite répand sa lumière sur les hommes (1890)
Albert Besnard (French, 1849–1934)