IA et recherche : pourquoi le goût compte encore
L’IA accélère la recherche, mais ne sait pas toujours quoi chercher. Découvrez comment la curiosité historique nourrit l’innovation et limite les angles morts.

À l'ère de l'IA, apprendre les mathématiques babyloniennes n'est pas une perte de temps
Les modèles d'intelligence artificielle savent résumer des archives, repérer des motifs dans de gros volumes de documents et ajuster leurs explications à leur interlocuteur. Et franchement, ça change déjà la façon de travailler des chercheurs, des équipes produit et des entreprises. Mais ça ne règle pas tout de suite une question plus gênante : comment choisir la prochaine bonne question ?
C'est là que le goût de la recherche entre en jeu. Pas comme un supplément d'âme, et pas comme une manière de contredire « par principe ». L'idée, c'est de repérer ce qui paraît secondaire, d'entrer dans des façons de penser différentes, et de comprendre pourquoi des personnes intelligentes ont défendu des idées qu'on a ensuite laissées de côté.
L'expérience d'Allan Chapman, historien des sciences qui faisait apprendre à ses étudiants les bases des mathématiques babyloniennes, éclaire ce point. Ce détour qui semble inutile au premier regard dit quelque chose d'important à l'heure de l'IA : savoir raisonner autrement. Et c'est utile autant aux chercheurs qu'aux organisations qui veulent éviter que l'automatisation ne rétrécisse leur façon de penser.
Pourquoi le goût de la recherche devient stratégique à l'ère de l'IA
L'IA générative fonctionne bien quand on lui donne une tâche nette : classer des documents, résumer un corpus, comparer des réponses, ou proposer une première synthèse. Dans ces cas-là, on peut vérifier ce qui est produit, corriger, puis intégrer le résultat à un processus existant.
Le problème, c'est quand la question est ouverte : que faut-il examiner, et surtout pourquoi ?
Repérer la piste suivante, la plus utile, n'a rien d'automatique. En histoire, en stratégie ou en conception de produit, les critères de réussite changent souvent au fil des échanges. Une idée originale peut sembler faible au début, simplement parce qu'elle ne colle pas aux repères habituels. À l'inverse, une piste familière peut avoir l'air solide juste parce qu'on sait déjà la mesurer.
Les modèles de langage sont entraînés à produire des réponses plausibles à partir des régularités qu'ils ont vues. C'est un atout - mais ça pousse aussi vers ce qui est le plus « courant » dans les données. En recherche, on peut alors obtenir une synthèse propre et raisonnable qui passe à côté d'une hypothèse moins fréquente, mais potentiellement plus féconde. Le danger n'est donc pas uniquement l'erreur factuelle : c'est l'uniformisation des questions.
Le goût n'est pas une intuition inexplicable
Le goût de la recherche, c'est la capacité à choisir, parmi plusieurs pistes possibles, celles qui valent l'effort. Ça repose sur des connaissances, une familiarité avec les méthodes du domaine, et un sens des anomalies. On l'apprend en confrontant ses hypothèses aux sources, aux cas qui ne rentrent pas dans le cadre, et aux points de vue qui ne confortent pas immédiatement le raisonnement.
Ce n'est pas « être original » au sens décoratif. Dans une équipe, multiplier les idées atypiques ne sert à rien si elles n'apportent rien de concret. Une piste devient intéressante quand elle éclaire une décision, met au jour un risque ou ouvre une option réaliste. Sinon, on confond la curiosité et la dispersion : une question inhabituelle mérite d'être suivie quand elle peut changer notre compréhension du problème.
Une conséquence directe pour les entreprises
Dans une équipe produit, une IA peut regrouper les retours clients et faire ressortir les problèmes récurrents. Mais elle ne sait pas à elle seule si les signaux les plus rares indiquent un besoin émergent, un défaut grave ou un cas sans conséquence. Là, l'arbitrage dépend de questions simples, mais difficiles : qui est concerné ? dans quel contexte ? avec quelles conséquences ?
Même logique pour une étude de marché, une analyse interne ou une enquête de conformité. Si les équipes se contentent de synthèses qui reflètent le consensus, elles gagnent du temps - et elles perdent parfois des signaux faibles. Du coup, l'objectif n'est pas de demander à l'IA d'être « originale à tout prix ». Le bon usage consiste plutôt à élargir l'exploration, puis à laisser des personnes juger les pistes, les sources et les conséquences.
Pourquoi apprendre les mathématiques babyloniennes change-t-il le regard ?
Allan Chapman était historien des sciences et spécialiste de Robert Hooke, une figure majeure du XVIIe siècle, dont les travaux ont touché à des domaines allant de l'architecture à la microscopie. D'après le récit d'un ancien étudiant, Chapman ne lançait pas ses cours par une chronologie de grandes découvertes. Il demandait plutôt de se familiariser avec l'astronomie et les mathématiques mésopotamiennes, notamment le système sexagésimal, basé sur la division par 60.
La réaction de l'étudiant était logique : pourquoi passer du temps à calculer dans un système ancien au lieu d'étudier directement les théories qui, elles, ont fini par s'imposer ? Et pourtant, l'exercice n'avait pas pour but de former un spécialiste des nombres cunéiformes. Il s'agissait d'éprouver de l'intérieur une logique qui n'est pas la nôtre. Le système sexagésimal n'est pas juste un objet d'érudition : il a laissé des traces dans notre découpage des heures et des angles. Mais le point pédagogique va plus loin que cette filiation.
Comprendre une idée, c'est comprendre ses conditions
Dans les récits simplifiés, les sciences avancent par corrections successives : une erreur est remplacée par une vérité, puis une autre découverte vient compléter le tableau. En réalité, c'est moins linéaire. Des théories rejetées aujourd'hui ont pu être cohérentes avec les observations disponibles, avec les instruments de l'époque, et avec les questions que les chercheurs jugeaient prioritaires.
Étudier le phlogistique, les modèles cosmologiques de Tycho Brahe ou un calcul babylonien ne revient pas à dire que c'est « équivalent » à nos connaissances actuelles. L'objectif est plutôt de comprendre ce qui rendait ces approches plausibles pour leurs contemporains. Sans ce travail, on transforme le passé en miroir imparfait de nous-mêmes, et on confond le résultat final avec le chemin qui y a mené.
La même chose vaut pour l'innovation. Une équipe qui regarde une décision passée uniquement à partir de son résultat final risque de rater les contraintes de départ : informations incomplètes, coûts, outils disponibles, incitations internes. Comprendre ces conditions permet de distinguer une décision vraiment mauvaise d'une décision raisonnable... dans un contexte où les informations étaient différentes.
L'inutile peut servir à former le jugement
L'exercice de Chapman n'offrait pas forcément une compétence directement exploitable dans le métier. Il obligeait surtout l'étudiant à ralentir ses réflexes, et à accepter de travailler dans un système de représentation étranger. C'est une façon de rendre tangible une distance intellectuelle qu'un cours magistral produit parfois mal.
Cette idée est particulièrement utile dans les organisations qui travaillent avec des modèles d'IA. Lire ce qu'un système produit sur une culture, une époque ou un domaine éloigné ne garantit pas qu'on en comprenne la logique. Parfois, il faut reconstruire les catégories utilisées, regarder les sources et repérer ce que notre vocabulaire actuel déforme. Une connaissance qui semble inutile à court terme peut, au contraire, renforcer la capacité à poser de meilleures questions plus tard.
Pour autant, ça ne veut pas dire « faire des détours sans fin ». Le détour vaut surtout s'il entraîne une compétence transférable : tolérer l'incertitude, reconnaître les présupposés, et mieux interpréter des raisonnements différents. La curiosité devient alors une méthode, pas une collection de faits insolites.
Comment éviter que l'IA rétrécisse le champ des idées ?
Le risque d'uniformisation ne vient pas forcément d'une intention cachée. Il vient de la façon dont les systèmes fonctionnent - et de la façon dont on les utilise. Un modèle entraîné sur beaucoup de textes reproduit souvent des régularités. Et une organisation qui valorise la rapidité et la présentation « propre » finit par retenir ce qui ressemble le plus à ce qu'elle voit déjà. Résultat : à chaque étape, les idées atypiques ont plus de chances d'être écartées avant même d'être examinées.
Les équipes humaines, d'ailleurs, ne sont pas innocentes là-dedans. Les outils de recherche, les tableaux de bord et les recommandations algorithmiques orientent l'attention vers ce qui est mesurable et fréquent. Si une entreprise utilise l'IA pour résumer des avis clients, par exemple, une synthèse centrée sur les thèmes récurrents peut masquer un problème rare mais sérieux. Et donc, la qualité du résultat dépend autant de la question posée que du modèle utilisé.
Distinguer trois tâches que l'on confond souvent
Pour limiter ce biais, il faut séparer trois usages. D'abord l'exécution : le système accomplit une tâche délimitée, comme classer des documents selon une grille. Ensuite l'exploration : le système aide à générer des hypothèses, des catégories ou des explications alternatives. Enfin l'évaluation : une personne juge la pertinence des pistes, la solidité des preuves et les conséquences d'une décision.
Dans la pratique, un modèle peut aider sur les deux premières étapes, mais la troisième ne doit pas être confondue avec un vote automatique. Une réponse fluide n'est pas une preuve. Le nombre d'occurrences d'une idée ne dit pas à lui seul si elle est importante. Dans un contexte sensible - recrutement, santé, crédit ou service public - il faut renforcer la traçabilité, la validation humaine et l'examen des effets sur les personnes concernées.
Installer des contrepoids dans le processus
Une méthode assez simple consiste à demander plusieurs lectures du même problème : l'explication dominante, les éléments qui la contredisent, et une hypothèse minoritaire qui mérite vérification. Ensuite, retour aux documents d'origine. Ça ne supprime pas les erreurs, mais ça réduit le risque de prendre une synthèse plausible pour une conclusion acquise.
Les équipes peuvent aussi suivre quelques indicateurs qualitatifs : les sources utilisées sont-elles variées ? les avis minoritaires sont-ils conservés ? les propositions inattendues sont-elles examinées avant d'être rejetées ? les personnes concernées peuvent-elles corriger une donnée ou contester une décision ? Pour une entreprise européenne, ces questions rejoignent aussi des obligations plus larges de gouvernance des données et de respect du RGPD.
L'objectif n'est pas de forcer une diversité artificielle à chaque réponse. C'est de vérifier que l'efficacité du système ne ferme pas prématurément l'enquête. Une IA utile accélère le travail sans décider seule de ce qui doit retenir notre attention.
Comment faire de la curiosité un outil de travail concret ?
On n'installe pas la curiosité en « ajoutant » une réunion de brainstorming ou en demandant au modèle de « penser autrement ». Dans beaucoup de cas, ces consignes produisent juste des variantes de ce qu'on attendait déjà. Pour obtenir des pistes vraiment exploitables, il faut organiser le travail : définir le problème, explorer les angles morts, vérifier les sources, et décider quoi mérite d'être investigué.
Un cadre léger suffit souvent. Il ne remplace pas l'expertise du domaine, mais rend visibles les choix que les équipes font parfois sans les formaliser. C'est particulièrement utile quand les données sont incomplètes, que les conséquences sont importantes, ou que l'équipe risque de confondre consensus et vérité.
Un protocole en quatre étapes
- Formuler la décision, pas seulement le sujet. Au lieu de demander « Que disent nos clients ? », précisez quelle décision dépend de l'analyse : corriger une fonctionnalité, modifier un parcours, ou revoir une offre. Vous obtenez alors un critère d'utilité pour la recherche.
- Établir une lecture de référence. Utilisez l'IA pour résumer les résultats les plus fréquents, en demandant les sources et les limites de la synthèse. Cette première lecture sert de base, pas de verdict.
- Chercher ce qui manque. Demandez quels groupes, périodes ou situations sont peu représentés, quelles explications concurrentes sont possibles, et quelles observations contredisent la tendance dominante. Vérifiez ensuite avec les données d'origine ou avec les personnes concernées.
- Décider du prochain test. Retenez une ou deux hypothèses dont la vérification pourrait faire bouger la décision. Définissez une preuve attendue, un responsable, et un seuil d'arrêt. Toutes les pistes n'ont pas besoin de devenir un projet.
Exemple : analyser les réclamations d'un service
Une entreprise reçoit des milliers de messages et demande à un modèle de les classer. La synthèse montre que les délais de réponse constituent l'irritant principal. L'équipe peut alors vouloir prioriser l'automatisation du support. Mais une analyse complémentaire révèle que les réclamations les plus rares concernent des erreurs de facturation répétées, pour une catégorie précise de clients.
La fréquence, seule, ne suffit pas à décider. Il faut mesurer le préjudice, vérifier les dossiers concernés, et comprendre pourquoi ce problème échappe aux indicateurs habituels. Le modèle a accéléré le tri ; la curiosité des analystes a permis de voir ce que le classement principal ne montrait pas.
Adapter l'effort au risque
Sur un sujet interne à faible enjeu, une vérification rapide peut suffire. Pour une décision qui touche l'accès à un service, les revenus ou les droits d'une personne, il faut aller plus loin : documenter les sources, tester les résultats sur différents groupes, et prévoir une voie de recours. Le niveau d'examen doit suivre le coût possible d'une erreur.
Enfin, il faut garder trace des questions écartées et dire pourquoi. C'est un moyen simple de distinguer une piste réellement abandonnée après examen d'une piste invisible parce que le système ne l'a jamais proposée. La curiosité devient opérationnelle quand elle laisse une trace dans la décision.
Conclusion : automatiser la recherche sans automatiser le jugement
L'épisode des mathématiques babyloniennes rappelle qu'apprendre n'a pas besoin d'être immédiatement rentable pour changer une façon de penser. En essayant de comprendre un système ancien, on réalise vite que nos catégories ne sont pas universelles, et que des idées qu'on a abandonnées avaient souvent une logique propre - qu'il faut reconstruire avant de les juger.
Les modèles d'IA accélèrent la collecte, le tri et la synthèse. Ils ne règlent pas automatiquement la question de la pertinence : quelles pistes explorer, quels signaux faibles préserver, et quelles conséquences accepter ? Pour répondre à tout ça, les organisations doivent combiner l'efficacité des outils, la vérification des preuves, et une curiosité vraiment disciplinée.
La bonne décision n'est ni de refuser l'automatisation, ni de lui déléguer le jugement. Utilisez l'IA pour élargir et accélérer l'enquête, puis gardez aux équipes la responsabilité de comprendre ce qui est différent, incertain ou resté de côté. Souvent, c'est précisément dans ces zones moins confortables que commence une recherche utile.