258 publications en 8 mois : l’IA générative fracture le monde académique

Un professeur américain a utilisé l’intelligence artificielle pour produire 258 articles scientifiques en huit mois, pulvérisant tous les records de productivité académique. Loin d’être anecdotique, ce cas expose une dérive systémique : celle d’un monde de la recherche où les métriques quantitatives ont pris le pas sur l’excellence scientifique, et où l’IA générative devient l’arme ultime d’une course à la publication devenue folle.

Le cas qui fait exploser les compteurs

Les chiffres donnent le vertige. Nicholas Polson, statisticien bayésien à l’école de commerce Booth de l’université de Chicago, a mis en ligne 258 working papers entre janvier et août 2026 sur la plateforme de prépublications SSRN. Pour mettre ce chiffre en perspective : un chercheur publie en moyenne 2 à 5 articles par an. Polson en a produit 104 pour le seul mois d’août, avec un pic à 6 publications en une seule journée le 26 août.

C’est Auyon Siddiq, chercheur à l’université de Californie (UCLA), qui a sonné l’alarme mi-août sur X (anciennement Twitter), attirant l’attention sur ce profil Google Scholar hors norme. Jeremy Horpedahl, économiste à l’université de Central Arkansas, a ensuite détaillé l’ampleur du phénomène dans un billet de blog : « D’après mes calculs, basés sur sa page SSRN, Nicholas Polson a déjà rédigé 258 working papers rien qu’en 2026 », écrivait-il, stupéfait.

Interrogé par le Washington Post, Polson ne nie rien et assume pleinement sa méthode : « Il est évident que l’IA rend un chercheur plus productif », déclare-t-il. Une franchise qui, loin d’apaiser les esprits, a jeté de l’huile sur le feu.

« Slop » académique ou révolution scientifique ?

La réaction de la communauté scientifique oscille entre consternation et colère. Michael Makowsky, économiste à l’université de Clemson, résume le malaise : « Il s’agit probablement, à des degrés divers, de slops générés par IA, mais contrairement à beaucoup de ce genre de contenu, celui-ci recèle sans doute une réelle valeur. Ce que je n’ai pas encore pu vérifier, c’est si une partie de ce contenu a fait l’objet d’une vérification, d’une analyse ou d’une sélection rigoureuse de la part de l’auteur ».

Le terme « slop », qui désigne du contenu de faible qualité produit en masse par IA, est au cœur du débat. Car le problème ne se limite pas à la quantité astronomique de publications : c’est leur valeur scientifique réelle qui interroge. Ces textes ont-ils été vérifiés ? Apportent-ils de véritables contributions à la connaissance ? Ou ne sont-ils que du « bruit informationnel » généré industriellement pour gonfler artificiellement un CV académique ?

L’ironie de la situation n’échappe à personne : Polson est spécialiste des statistiques bayésiennes, une discipline qui traite précisément de la qualité de l’information et de la gestion de l’incertitude. Qu’un expert en évaluation de la fiabilité des données choisisse de privilégier la quantité sur la qualité ressemble à une forme de nihilisme académique.

Un système déjà brisé que l’IA révèle brutalement

Le cas Polson n’est pas un bug, c’est une fonctionnalité du système. Depuis des décennies, le monde académique fonctionne selon la logique du « publish or perish » (publier ou périr) : les chercheurs doivent accumuler les publications pour obtenir des financements, des promotions, de la reconnaissance. Les universités et les agences de financement évaluent les scientifiques sur des critères quantitatifs facilement mesurables.

Cette course effrénée a déjà produit ses dégâts bien avant l’arrivée de l’IA générative : multiplication des papermills (usines à faux articles, particulièrement en Chine et en Russie), explosion des revues prédatrices qui publient sans vérification contre paiement, saturation des comités de lecture avec des délais de publication atteignant 6 à 18 mois.

L’IA générative ne crée pas le problème, elle l’expose dans toute sa brutalité. Comme le souligne la loi de Goodhart : « Quand une mesure devient un objectif, elle cesse d’être une bonne mesure ». En valorisant le nombre de publications plutôt que leur impact réel, le système académique a créé les conditions de sa propre perversion.

Paradoxalement, Polson applique simplement à la recherche la logique d’optimisation et de productivité maximale enseignée dans sa propre institution, l’école de commerce de Chicago, temple de l’économie néolibérale. C’est la « disruption » portée à sa conclusion logique dans le monde académique.

Le vrai danger : la pollution invisible

Si le cas Polson fait scandale, c’est précisément parce qu’il est visible et assumé. Le véritable péril pourrait venir d’ailleurs : des milliers de chercheurs utilisant l’IA de manière plus subtile pour passer de 3-5 publications annuelles à 10-15, juste sous le radar de la suspicion.

Cette pollution informationnelle insidieuse menace l’intégrité même du corpus scientifique mondial. Les détecteurs d’IA se concentreront sur les cas extrêmes comme Polson, mais rateront la dégradation progressive et généralisée de la qualité. C’est une forme de « tragédie des communs académiques » : individuellement rationnel (maximiser ses publications pour sa carrière), collectivement désastreux (destruction de la valeur du savoir scientifique).

Les plateformes de prépublications, créées pour accélérer la diffusion des découvertes scientifiques, risquent de devenir des dépotoirs de contenu non vérifié. Le système de validation par les pairs, déjà au bord de l’asphyxie, pourrait s’effondrer sous le volume. Et la confiance du public dans « ce que dit la science » – cruciale pour affronter les défis climatiques, sanitaires ou technologiques – pourrait s’éroder définitivement.

Quelles issues pour la recherche scientifique ?

Face à cette crise, plusieurs scénarios se dessinent. Le premier, celui de la régulation stricte : universités et revues imposeraient une déclaration obligatoire de l’usage d’IA, avec vérification systématique. Cela ralentirait la publication mais restaurerait la confiance, au risque d’une bureaucratie excessive freinant l’innovation légitime.

Le deuxième scénario, celui de la course aux armements : généralisation de l’usage massif d’IA par tous les chercheurs pour rester compétitifs, conduisant à une inflation exponentielle des publications et à l’effondrement du peer-review. De nouvelles métriques basées sur l’impact réel plutôt que le volume devraient alors émerger.

Un troisième scénario envisage une bifurcation : séparation entre « science traditionnelle » (lente, rigoureusement validée, prestigieuse) et « science augmentée par IA » (rapide, volumineuse, moins prestigieuse), créant deux circuits parallèles avec leurs propres règles.

Enfin, le scénario de disruption complète : l’IA deviendrait si performante qu’elle remplacerait partiellement les chercheurs humains, ces derniers devenant des « curateurs » et « validateurs » de recherches générées par IA. Une redéfinition totale du métier de chercheur.

Les questions qui restent ouvertes

Au-delà de l’indignation, le cas Polson soulève des interrogations fondamentales qui dépassent largement le cadre académique. Qui est réellement « auteur » d’un article co-écrit avec l’IA : le chercheur qui formule les instructions, l’algorithme, les deux ? Comment distinguer l’usage légitime de l’IA (assistant de rédaction, analyse de données) de l’abus caractérisé ?

Les métriques académiques traditionnelles – h-index, nombre de citations – vont-elles survivre à l’ère de l’IA ou devenir obsolètes ? Comment éviter que le corpus scientifique mondial devienne un « slop ouroboros » où l’IA s’entraîne sur du contenu généré par l’IA, dans une spirale d’appauvrissement ?

L’université de Chicago n’a pas encore pris position publiquement sur les pratiques de son professeur. Les grandes revues scientifiques (Nature, Science, Cell) commencent tout juste à clarifier leurs politiques concernant l’IA. Les agences de financement restent silencieuses. Ce vide réglementaire ne pourra durer.

Conclusion : l’IA comme révélateur, pas comme cause

L’affaire Polson est symptomatique d’une collision entre innovation technologique et système institutionnel dysfonctionnel. L’IA générative n’a pas créé la crise de la publication scientifique, elle en révèle l’ampleur avec une brutalité inédite. Le véritable enjeu n’est pas de diaboliser l’IA – qui peut être un outil légitime d’assistance à la recherche – mais de refonder un système d’évaluation académique qui mesure enfin ce qui compte vraiment : la contribution réelle à la connaissance humaine.

La question reste entière : la communauté scientifique saura-t-elle saisir cette crise comme une opportunité de transformation profonde, ou s’enfoncera-t-elle dans une course à l’armement technologique qui achèvera de détruire la confiance dans la science ? L’ironie ultime serait que l’IA, produit de décennies de recherche scientifique rigoureuse, finisse par saper la crédibilité même du système qui l’a rendue possible.