L'intelligence artificielle est de plus en plus employée pour vérifier les publications et les bases de données scientifiques. Des exemples récents illustrent comment des agents d'IA parviennent à déceler des inexactitudes passées inaperçues pendant des décennies.
Le chimiste théoricien Sebastian Pios, de Zhejiang Lab à Hangzhou, a utilisé un modèle d'IA pour prédire les points d'ébullition des molécules. Le système a fourni des valeurs qui contredisaient celles d'un ouvrage de référence datant de 75 ans. Pios a d'abord suspecté une erreur de son modèle, mais la vérification des sources originales a démontré le contraire : ce sont les données de référence qui se sont avérées incorrectes.
Dans d'autres situations, l'IA a mis en évidence une faute de frappe dans un article ainsi que des valeurs erronées de mesures de points d'ébullition vieilles d'un siècle. Ces erreurs, selon Pios, auraient pu causer de nombreux problèmes aux chercheurs utilisant la base de données.
Des outils similaires sont également utilisés pour l'audit des travaux de conférence. Dans une analyse de SAI Labs, des agents d'IA ont examiné 168 articles issus de présentations orales de l'ICML 2026. Parmi les 92 travaux comportant un nombre suffisant d'affirmations vérifiables, les agents n'ont pu reproduire plus de deux des cinq affirmations clés que dans 34 cas. La reproduction complète — plus de 80 % des affirmations — n'a été possible que pour huit articles.
James Zou de Stanford et ses collègues ont mis au point un « vérificateur d'IA » qui a analysé des articles de NeurIPS. Le nombre d'erreurs objectives dans les formules, les calculs et les figures a augmenté de 3,8 par article en 2021 à 5,9 en 2025, soit une hausse de 55 %. De tels outils permettent de travailler à des échelles inaccessibles à l'être humain.
Cependant, les experts mettent en garde : l'IA commet également des erreurs. Odd Erik Gundersen, de l'Université norvégienne des sciences et de la technologie, souligne la nécessité d'un contrôle humain. Comment, dès lors, garantir la fiabilité des connaissances scientifiques à l'ère de la vérification automatisée ?
L'analyse se concentre sur les erreurs objectives, laissant les questions de nouveauté et de pertinence à la discrétion des êtres humains. Cela permet d'éviter de surcharger l'IA avec des jugements subjectifs.
