La réponse immédiate des institutions face à l’intelligence artificielle générative (IAG) a été celle de la mesure. Comment quantifier l’intrusion de la machine dans le jardin secret de la pensée humaine ? Des initiatives comme l’échelle genevoise DALIA ont émergé avec une promesse de transparence : étiqueter les œuvres de D1 (100% humain) à D5 (100% IA).

Pourtant, cette approche souffre d’une faille ontologique. Elle repose sur une vision dualiste où l’IA et l’humain seraient deux entités séparables, dont on pourrait peser les apports respectifs comme on pèse les ingrédients d’un plat.

1. Le paradoxe du prompt créatif

Dire qu’un texte est « 100% IA » est techniquement faux. Une IAG est un système probabiliste qui nécessite une condition initiale : le prompt. Ce prompt n’est pas qu’une commande ; c’est une intention structurée, un cadre sémantique, une direction artistique. Dans le cadre d’un mémoire de recherche, le chercheur qui passe trois heures à affiner une instruction pour obtenir une synthèse précise exerce une activité intellectuelle de haut niveau. En le classant dans une catégorie « IA dominante », on occulte le fait que l’humain est le moteur immobile de la génération.

2. L’effet « Nutri-score » : la qualité sacrifiée à la quantité

Le « Nutri-score » alimentaire est un outil précieux pour le consommateur pressé, mais il est aveugle à la gastronomie. Il peut classer une huile d’olive vierge en catégorie « C » ou « D » à cause de sa teneur en graisses, oubliant ses vertus antioxydantes et son rôle dans un régime équilibré. De même, une échelle quantitative pénalise le chercheur qui utilise l’IA pour traiter des masses de données ou polir une syntaxe complexe. On risque de valoriser un texte médiocre « 100% humain » au détriment d’une réflexion brillante « 50% assistée », alors que la valeur ajoutée intellectuelle (l’originalité de la thèse) réside dans le second.

Si l’échelle AIAS (AI Assessment Scale) a ouvert la voie en distinguant des étapes (brainstorming, édition), elle reste perçue comme une échelle de « permissions » scolaires. Nous proposons de la dépasser par une « Échelle de Pilotage », conçue pour être adoptée par des revues de référence (Nature, The Lancet) et des institutions académiques.

L’objectif n’est plus de mesurer des volumes de texte, mais de déclarer des niveaux de délégation cognitive.

Nous devons cependant nous préparer à un futur — qui est déjà là en laboratoire — où l’IA ne se contente plus de répondre, mais commence à initier.

1. La fin du pilotage ?

Les versions avancées des modèles agentiques (comme les modèles Claude ou GPT dotés de réflexion interne avancée) possèdent une capacité de « réflexion » interne qui leur permet de suggérer des idées avant même que l’humain ne les formule. Nous passons de l’IA-Outil à l’IA-Initiatrice. Dans ce scénario, l’humain risque de devenir un simple « bouton de validation ». L’IA propose un article complet sur une corrélation qu’elle a détectée seule dans les données. L’humain se contente de dire : « Oui, publie cela ».

2. Le risque de l’atrophie et le dernier refuge

Si l’initiative même de la pensée est déléguée, que reste-t-il de l’auteur ? La conclusion de cette évolution est que la valeur d’un travail ne résidera bientôt plus dans l’effort de production, mais dans l’intentionnalité. Vouloir que tel savoir soit partagé reste un acte humain. Mais si nous perdons l’habitude de « prompter » le monde, nous risquons de ne plus être que les curateurs d’un génie algorithmique qui nous suggère quoi désirer.

Malgré ces vertiges prospectifs, l’urgence est aujourd’hui à la mise en œuvre. Comment des revues telles Science & Vie, La revue française d’économie ou Esprit, ou encore des jurys de mémoires ou de thèses universitaires peuvent-ils intégrer ces outils ?

1. Une mise en place simplifiée

L’Échelle de Pilotage proposée ici a l’avantage de la transparence déclarative. Plutôt que de soumettre un mémoire à un détecteur d’IA (dont on sait qu’ils sont faillibles et injustes), l’étudiant doit joindre une « Annexe de Méthodologie IA ». Dans cette annexe, il coche les niveaux EP utilisés pour chaque section de son travail. Cette approche responsabilise l’auteur au lieu de le criminaliser.

2. Le rôle des éditeurs (Nature, Géo, etc.)

Pour une revue scientifique comme Nature, la validation par les pairs (Peer Review) doit désormais intégrer l’examen de cette délégation. Si un chercheur déclare un niveau P-3 (Co-rédaction) pour ses résultats, les relecteurs doivent être deux fois plus vigilants sur la vérification des faits. Pour une revue de vulgarisation comme Géo, l’usage de l’IA (P-0 ou P-1) permet de libérer du temps pour le reportage de terrain, là où l’IA est aveugle.

3. Vers un « Label de confiance »

Au-delà du Nutri-score, nous avons besoin d’un label de « Qualité du Pilotage ». Un article ou un ouvrage ne seraient pas notés sur leur « pureté humaine », mais sur la rigueur du contrôle exercé par son auteur sur les outils qu’il emploie. La discussion fait actuellement débat au niveau littéraire avec la polémique autour de Thélyson Orélien. Plutôt que de créer un logo « 100% humain » pour lutter contre la production littéraire par l’IA, comme le font les Éditions de l’Observatoire, il vaut mieux considérer le travail plus ou moins symbiotique entre l’auteur et l’IA tel que le décrit Antoine Buéno en tribune de Libération.

Nous ne reviendrons pas en arrière. L’IA est entrée dans la fabrique de la connaissance. Si nous persistons à vouloir quantifier l’IA avec des échelles binaires et morales, nous échouerons à comprendre la mutation en cours.

Le salut de l’enseignement et de la recherche réside dans la formation à la gouvernance de l’IA. Nous devons apprendre aux étudiants et aux chercheurs à être des chefs d’orchestre exigeants plutôt que des consommateurs passifs. L’Échelle de Pilotage est le premier jalon de cette nouvelle éthique : elle ne juge pas l’outil, elle qualifie l’intelligence de celui qui le dirige. Dans un monde où la machine peut tout écrire, la seule question qui vaille demeure : « Qui a voulu dire cela, et pourquoi ? »