L’IA dans la recherche menace les jeunes chercheurs

Impact positif de l’IA sur la découverte de matériaux, les dépôts de brevets et les prototypes de produits • Source : Aidan Toner-Rodgers, MIT

Aidan Toner-Rodgers, doctorant en économie au MIT, vient de publier une étude intitulée Artificial Intelligence, Scientific Discovery and Product Innovation, qui met en lumière les effets de l’introduction de l’IA dans le laboratoire de recherche et développement d’une grande entreprise américaine, impliquant 1 018 scientifiques spécialisés en chimie, physique et ingénierie. Ces chercheurs, répartis en plusieurs équipes, ont été exposés progressivement à un outil d’IA permettant d’accélérer la découverte de matériaux grâce à des modèles de réseaux neuronaux graphiques (à l’instar, donc, de Gnome de Deepmind).

Les résultats sont parlants. Les chercheurs qui utilisent l’IA ont découvert 44 % de matériaux de plus que leurs collègues non équipés. Ces nouveaux matériaux se distinguent par leurs structures chimiques inédites et un potentiel de développement d’innovations plus important. L’utilisation de l’IA a conduit à une augmentation de 39 % des dépôts de brevet et à une hausse de 17 % des prototypes produits, ce qui illustre son impact sur l’ensemble du cycle d’innovation.

Les composés générés par l’IA se sont révélés significativement différents des structures connues, ouvrant la voie à des innovations radicales. Cela se traduit par des brevets contenant un vocabulaire technique inédit et par une augmentation de la proportion de prototypes appartenant à de nouvelles lignes de produits, plutôt qu’à des améliorations de lignes existantes.

Une redéfinition des processus de recherche

L’outil d’IA utilisé génère des « recettes » pour des matériaux présentant des propriétés spécifiques. Les scientifiques évaluent ensuite ces suggestions et synthétisent les options les plus prometteuses. Cela a considérablement modifié la répartition des tâches au sein des équipes : 57 % des activités de génération d’idées ont été automatisées, libérant ainsi les chercheurs pour se concentrer sur l’évaluation des propositions générées par l’IA. 

Les coûts par matériau découvert ont diminué de 13 à 15 %, grâce à une meilleure allocation des ressources et à une réduction du temps nécessaire à la génération de nouvelles idées. Toutefois, ces gains d’efficacité ne sont pas uniformes : les chercheurs dotés d’une expertise accrue dans leur domaine ont su tirer parti de l’outil, tandis que d’autres ont eu des performances stables ou en déclin.

Répartition des compétences entre la génération d’idées et l’analyse des idées générées par IA • Source : Aidan Toner-Rodgers, MIT

La redistribution des tâches a en effet provoqué une disparité dans les gains de productivité. Les chercheurs les plus expérimentés ont vu leur production presque doublée, grâce à leur expertise dans l’évaluation des propositions de l’IA. En revanche, les scientifiques moins expérimentés ont souvent gaspillé des ressources en testant des propositions inefficaces. Les équipes qui ont intégré l’IA avec succès ont favorisé les chercheurs dotés de fortes capacités de jugement, renforçant ainsi la complémentarité entre l’intelligence artificielle et les compétences humaines. 

Cette accélération de l’innovation a un coût. 82 % des chercheurs ont exprimé une baisse de satisfaction professionnelle, citant une perte de créativité et un sentiment d’inutilisation de leurs compétences. Cette évolution soulève des questions sur l’avenir des carrières scientifiques dans un contexte d’automatisation croissante.

Pour en savoir plus :

• Aidan Toner-Rodgers, Artificial Intelligence, Scientific Discovery, and Product Innovation, Arxiv, 2024