L’IA et l’avenir de la recherche économique: de Galilée à Socrate edit

16 September 2026

Depuis des siècles, les innovations technologiques ont transformé notre façon de mener la recherche. L’imprimerie a réduit le coût d’accès et de diffusion des connaissances. Associée à un service postal fiable, elle a permis la création des premières revues scientifiques et la correspondance collective. En économie, les innovations technologiques successives ont de plus en plus orienté la discipline vers une approche plus computationnelle et axée sur les données. Trois axes communs se dégagent de ces innovations : elles réduisent le coût du calcul, diminuent le coût des données et automatisent progressivement le travail fastidieux qui occupait autrefois la majeure partie d’un projet de recherche, laissant ainsi aux chercheurs davantage de temps pour ce qu’Edison appelait « l’inspiration », par opposition à « la transpiration ». Le résultat le plus visible a été une augmentation soutenue de la production scientifique : le volume annuel des documents de travail du CEPR et du NBER a été multiplié par huit environ depuis le début des années 1980, tandis que les soumissions aux revues de premier plan ont à peu près doublé depuis 1990.

L’IA devrait pousser la recherche encore plus loin dans cette voie. Il s’agit là, à bien des égards, d’un triomphe. Pendant des siècles, la recherche a été freinée par le manque de temps, de main-d’œuvre et d’accès aux données et aux méthodes. L’IA contribue à lever cette contrainte. Elle peut également améliorer la manière dont la recherche est communiquée et partagée, et contribuer à diffuser plus rapidement les connaissances, ce qui est particulièrement pertinent pour les institutions chargées de l’élaboration des politiques.

La contrainte de validation et la concentration

Cependant, l’IA risque également d’exacerber les défis auxquels la profession est déjà confrontée. Elle pourrait aggraver la contrainte de validation. Ce problème n’est pas nouveau. Le temps nécessaire pour publier dans les meilleures revues d’économie a doublé depuis les années 1970, ce qui reflète une tendance croissante des revues à exiger des révisions approfondies avant d’accepter des articles. Le simple fait que l’IA réduise le coût marginal de la production de recherche ne réduira pas nécessairement le temps et le coût de l’évaluation par les pairs. Au contraire, la charge pesant sur les rédacteurs en chef et les évaluateurs risque d’augmenter dans un environnement où l’IA peut générer des résultats plausibles mais inexacts.

Pourtant, même avant l’IA, certains signes indiquaient que le processus de publication croulait déjà sous la charge. La communauté scientifique a tenté de gérer cette situation en recourant à des documents de travail, qui permettent la diffusion des recherches avant la validation formelle par une revue, et plus récemment à des plateformes telles que Substack, les sites web personnels et les réseaux sociaux, qui permettent une diffusion encore plus rapide. Ces canaux accélèrent sans aucun doute la diffusion des connaissances, mais ont un coût. Ils risquent d’uniformiser le paysage de la publication, c’est-à-dire d’augmenter le volume sans pour autant accroître la profondeur des analyses (So 2026). Et ils font peser la charge de la validation sur le lecteur. Cette validation prend souvent la forme de raccourcis liés à la réputation : l’attention se concentre sur des universitaires, des institutions ou des réseaux connus et considérés comme fiables par les lecteurs. Il en résulte une littérature à la fois plus encombrée et plus inégale quant à ceux qui sont lus et cités.

L’IA pourrait également accroître la concentration par un autre canal. Les modèles de pointe entraînent des coûts fixes substantiels, créant ainsi de puissantes économies d’échelle. Les universités et les instituts ayant accès à des modèles de pointe et à un personnel expérimenté pourraient creuser encore davantage l’écart, laissant derrière eux les jeunes chercheurs et les institutions aux ressources limitées.

Enfin, un défi plus subtil pourrait également se profiler. Une grande partie de la formation informelle qui façonne les jeunes chercheurs s’est historiquement faite à travers un travail fastidieux : effectuer des régressions à la main, traquer les erreurs de données, rédiger des premières ébauches de revues de la littérature. À mesure que l’IA prend en charge une part croissante de ce travail fastidieux, elle risque de vider de sa substance ce modèle de formation, non seulement dans les universités, mais aussi dans les institutions chargées de l’élaboration des politiques. Les gains d’efficacité d’aujourd’hui pourraient donc se traduire par un déficit de compétences plus tard, lorsque les jeunes chercheurs d’aujourd’hui seront appelés à devenir les validateurs chevronnés de demain.

Ce que les institutions devraient faire

Rien de tout cela ne justifie de ralentir l’adoption de l’IA. Les gains d’efficacité sont réels et documentés. De plus, la profession a maintes fois su relever les défis passés. Par exemple, les évaluations par les pairs, telles que nous les connaissons aujourd’hui, ont vu le jour dans les années 1970 en réponse à l’expansion rapide des universités, des revues scientifiques et des soumissions d’articles. Il n’y a guère de raisons de croire que la profession ne pourra pas s’adapter à nouveau. L’IA pourrait également contribuer à surmonter les défis mêmes qu’elle engendre. Un exemple notable est celui des évaluations par les pairs, où l’IA pourrait aider à accélérer le processus d’évaluation – une approche actuellement explorée dans le cadre des partenariats de Refine avec l’American Economic Association (AEA) et l’Econometric Society.

L’économie pourrait également s’inspirer d’autres disciplines. Le processus de publication en économie est non seulement lent, mais il prend également environ deux fois plus de temps que dans les autres sciences sociales, voire quatre fois plus que dans les sciences naturelles. Ces domaines ont connu des transformations technologiques similaires tout en conservant des processus de publication plus légers. À l’ère de l’IA, cependant, il ne suffira pas de rattraper le retard par rapport aux autres sciences : nous devons aller plus loin.

Renforcer la reproductibilité. Lorsqu’il devient plus difficile de distinguer les résultats exacts de ceux qui sont plausibles mais inexacts, la transparence devient indispensable. Les revues et les instituts de recherche devraient s’orienter vers des exigences plus strictes en matière de publication du code, des données et de la documentation méthodologique, éventuellement dès le stade du document de travail.

Développer des normes communes. Les chercheurs reconnaissent déjà la contribution des assistants de recherche, des ensembles de données et des progiciels. Les outils d’IA devraient s’inscrire dans ce même cadre de divulgation, avec des normes communes en matière de transparence et d’attribution dans la recherche assistée par l’IA.

Repenser le système de publication. L’essor des séries de documents de travail, des blogs et des plateformes reflète une demande réelle de diffusion plus rapide des idées. Pourtant, ils ne constituent pas des substituts parfaits à la validation formelle. Plutôt que d’imposer un modèle unique à toute la recherche, la profession pourrait tirer profit d’un écosystème plus différencié. L’économie ne dispose pas du type de formats plus courts et modulaires que proposent d’autres domaines. La médecine offre un modèle utile : les revues de référence proposent un format compact, évalué par des pairs, de moins de 1500 mots, dont le champ d’application est suffisamment restreint pour que les évaluateurs ne puissent exiger des vérifications de robustesse supplémentaires sans fin. Une approche similaire pourrait aider à gérer le volume croissant tout en garantissant que les publications restent d’actualité et fassent l’objet d’un examen rigoureux. Elle pourrait également ouvrir de nouvelles voies d’accès aux jeunes chercheurs. Le défi ne consiste en effet pas seulement à produire des connaissances plus efficacement, mais à veiller à ce que les nouveaux talents continuent d’avoir accès au débat scientifique.

Un changement de donne?

Jusqu’à présent, cette chronique part du principe que l’IA va accélérer le travail mené par l’homme. Dans cette optique, l’IA est un instrument puissant — tout comme l’ont été le télescope, l’accélérateur de particules ou l’ordinateur. Elle modifie le rythme de la science sans en changer la structure fondamentale. Mais que se passerait-il si cette hypothèse était erronée ? Et si l’IA modifiait la structure même du processus ?

Il convient de rappeler depuis combien de temps le processus actuel perdure. Depuis la révolution scientifique de Bacon, Galilée et Newton aux XVIe et XVIIe siècles, la science s’appuie sur un cycle remarquablement stable : observer, émettre des hypothèses, prédire, tester et réviser. Toutes les innovations majeures à ce jour se sont inscrites dans ce cadre. Comme l’a si bien dit Alphonse Karr : « Plus ça change, plus c’est la même chose ».

La question est de savoir si l’IA pourrait briser cette invariance plutôt que de simplement l’accélérer. Le débat reste ouvert, mais certains signes indiquent déjà que l’IA pourrait remettre en cause notre définition de la bonne recherche, qui perdure depuis Galilée.

Selon cette vision, une science de qualité ne se contente pas de concilier les observations ou de prédire avec précision. Elle tente de mettre au jour la structure sous-jacente de la réalité. L’IA pourrait brouiller la distinction traditionnelle entre l’observation du monde et sa modélisation. En biologie, AlphaFold prédit la structure 3D d’une protéine à partir de sa séquence d’acides aminés avec une précision remarquable, sans pour autant fournir d’explication causale. Cela a résolu un défi vieux de cinquante ans. Mais cela a également creusé un fossé épistémique entre prédiction et explication.

Depuis des siècles, le progrès scientifique consiste à construire de meilleurs outils permettant aux humains de comprendre le monde. Une IA qui améliore la prédiction sans améliorer notre compréhension soulève une question particulièrement pertinente pour les institutions politiques : que se passe-t-il lorsque notre outil le plus puissant détecte des schémas que nous ne sommes plus capables de percevoir ? La réponse pourrait façonner non seulement l’avenir de la science, mais aussi le rôle des humains au sein de celle-ci. Nous pourrions nous retrouver à la croisée des chemins : continuons-nous à privilégier les explications que les humains peuvent saisir, en acceptant une certaine perte de pouvoir prédictif, ou adoptons-nous des modèles opaques mais hautement efficaces et élargissons-nous ce qui relève de la connaissance scientifique, en abandonnant potentiellement en silence le critère de falsifiabilité de Popper ?

Dans tous les cas, notre rôle pourrait moins consister à détenir les bonnes réponses. À cet égard, l’IA ressemble à l’esclave du Ménon de Platon. En posant les bonnes questions, Socrate l’a conduit vers les réponses qu’il ne pouvait pas voir lui-même au départ. Si cette analogie tient la route, notre rôle pourrait s’éloigner de la méthode de Galilée – c’est-à-dire détenir la bonne réponse – pour se rapprocher de la plus ancienne des compétences de Socrate : poser les bonnes questions.

Platon met en avant un deuxième avantage humain, que l’IA a peu de chances de renverser. Dans l’Apologie de Socrate, l’oracle de Delphes déclare que personne n’est plus sage que Socrate. Perplexe, Socrate interroge ceux qui ont la réputation d’être sages et constate qu’ils croient tous savoir des choses qu’ils ignorent en réalité. Ils confondent ignorance et savoir. La sagesse, conclut le philosophe, réside dans le fait de reconnaître ce qu’on ignore. Les modèles d’IA ne possèdent pas une telle humilité : lorsqu’on leur pose une question, ils génèrent une réponse, que le schéma sous-jacent soit réel ou significatif ou non. La capacité à douter de nos propres conclusions – à distinguer la connaissance d’un simple résultat – est peut-être la contribution humaine unique, mais aussi la plus cruciale, à une entreprise scientifique de plus en plus peuplée de machines qui n’hésitent jamais à répondre.

La version anglaise de cet article est publiée par notre partenaire VoxEU.

Note de l’auteur. Lors de la préparation de cette chronique, j’ai utilisé Claude Projects et Perplexity pour améliorer la rédaction du texte et s’orienter vers des références et des études existantes. Après avoir utilisé ces outils, j'ai relu et révisé le contenu si nécessaire et assume l’entière responsabilité du contenu de l’article publié. Je tiens à remercier Beatrice Weder di Mauro, Antonio Fatas, Ugo Panizza, Christian Keller, Angel Ubide, Andre Sapir, Peter Praet, Giancarlo Corsetti, Arnaud Mehl, Chiara Osbat et Luc Laeven pour leurs discussions fructueuses et pour avoir contribué à façonner les idées développées dans cet essai. Les opinions exprimées dans cet essai sont les miennes et ne reflètent pas nécessairement celles de la Banque centrale européenne ou de l’Eurosystème.

Références

Bertoline, L M F, A N Lima, J E Krieger, and S K Teixeira (2023), “Before and after AlphaFold2: An overview of protein structure prediction”, Frontiers in Bioinformatics 3:1 120370.

Card, D and S DellaVigna (2013), “Nine facts about top journals in economics”, Journal of Economic Literature 51(1): 144–161.

Dittmar, J E (2011), “Information technology and economic change: The impact of the printing press”, The Quarterly Journal of Economics 126(3): 1133–1172.

Ellison, G (2002), “The slowdown of the economics publishing process”, Journal of Political Economy 110(5): 947–993.

Gotti, M (2014), “Scientific interaction within Henry Oldenburg’s letter network”, Journal of Early Modern Studies (3): 151–171.

Hadavand, A, D S Hamermesh, and W W Wilson (2024), “Publishing economics: How slow? why slow? is slow productive? how to fix slow?”, Journal of Economic Literature 62(1): 269–293.

Luttmer, E F P (2024), “Report of the editor, American Economic Review”, AEA Papers and Proceedings 114: 734–750.

Milne, W K and D M Fatovich (2026), “The potential for artificial intelligence to augment peer review”, Emergency Medicine Australasia 38(2): e70243.

So, R (2026), “The economics of AI slop: How cost-per-paper alters the academic publishing ecosystem”, preprint. 

Thakkar, N, M Yuksekgonul, J Silberg et al (2026), “A large-scale randomized study of large language model feedback in peer review”, Nature Machine Intelligence 8(3): 326–336.

Weder di Mauro, B (2026), “AI, the future of economic research and of the many-handed economist”, VoxEU, 17 July.

Zou, J (2026), “Exploring AI’s growing role in scientific peer review”, Stanford University, March.