Présentation
RÉSUMÉ
Cet article montre comment les avancées de l'IA générative (LLM, modèles de raisonnement, agents intelligents) transforment la veille scientifique et technique. Il explore de manière concrète comment ces technologies transforment chaque étape du cycle de veille. À travers des cas d'usage détaillés (exploration thématique rapide avec Perplexity, analyse de corpus avec NotebookLM et SciSpace, surveillance continue automatisée), il montre comment traiter en quelques minutes des volumes documentaires qui nécessitaient auparavant plusieurs jours. L'article examine également leurs limites (hallucinations, biais, non-déterminisme) et propose un cadre méthodologique intégrant validation humaine, documentation et optimisation des coûts.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Gilles BALMISSE : Consultant en management et technologies - Expert CIR/CII, Montpellier, France
INTRODUCTION
La veille scientifique et technique est aujourd’hui confrontée à un paradoxe. Malgré une surabondance de l’information, son exploitation devient de plus en complexe. En effet, chaque année, c’est plus de 3 millions d’articles scientifiques et autant de prépublications et près de 3 millions de demandes de brevets qui sont publiés. Par ailleurs, le délai entre les découvertes académiques et leur application industrielle est passé dans certains domaines de plusieurs années à moins de deux ans dans certains domaines.
Face à une telle situation, les méthodes classiques montrent leurs limites. Les notifications automatiques produisent un bruit significatif et la phase d’analyse reste largement artisanale.
L’IA générative, sous l’impulsion des modèles de langage de grande taille, bouleverse ce paysage en permettant d’automatiser des tâches à faible valeur ajoutée et en élargissant les capacités d’analyse.
Cet article dresse un panorama de l’utilisation de ces technologies à chaque étape du cycle de veille. Ainsi, au travers de différents cas d’usage, cet article présente ce qui fonctionne à l’heure actuelle ainsi que les limites. Il explore également les enjeux que soulève leur déploiement, notamment sur les aspects liés à la fiabilité, aux coûts et à l’impact environnemental.
Cet article est réservé aux abonnés.
Il vous reste 94 % à découvrir.
Déjà abonné ? Se connecter
MOTS-CLÉS
intelligence artificielle générative (GenAI) veille scientifique et technique (VST) grands modèles de langage
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Documents numériques Gestion de contenu > Usages et management stratégique des documents numériques > Veille scientifique et technique - Tirer parti de l’intelligence artificielle générative > Exemples de cas d’usage de l’IA générative pour la veille scientifique et technique
Présentation
Précautions et limites de l’IA pour la veille scientifique et techniqueArticle inclus dans l'offre
"Management et ingénierie de l'innovation"
(451 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
2. Exemples de cas d’usage de l’IA générative pour la veille scientifique et technique
Cette deuxième section illustre concrètement l’apport de l’IA générative à chaque étape du cycle de veille, à travers un cas d’usage fil rouge : une veille sur les ordinateurs quantiques photoniques. Pour chaque cas d’usage, les technologies mobilisées (LLM standards, modèles de raisonnement, workflows IA, agents IA autonomes) seront explicitement identifiées.
2.1 Obtenir une synthèse rapide sur un sujet émergent
Pour ce premier cas d’usage, prenons une situation fréquente en entreprise : un décideur souhaite obtenir rapidement un éclairage sur une technologie émergente dont il a entendu parler : l’informatique quantique photonique.
Le délai accordé est de quelques heures seulement et l’objectif est de fournir un premier niveau de compréhension :
-
définition claire du concept ;
-
principales applications potentielles ;
-
niveau de maturité technologique ;
-
acteurs majeurs investissant dans le domaine.
Ce cas correspond à la phase de ciblage initial du cycle de veille. Il s’agit d’une exploration préliminaire pour comprendre rapidement les contours d’un sujet avant de décider s’il mérite une investigation plus approfondie.
HAUT DE PAGE
Ce cas d’usage peut mobiliser deux types d’architecture d’IA distincts.
Le premier type d’architecture repose sur des LLM standards avec des capacités de recherche web, comme Perplexity AI ou ChatGPT avec recherche web. Le principe de fonctionnement est simple. Le modèle formule quelques requêtes web ciblées à partir de la question posée. Il analyse ensuite les pages identifiées et en extrait les informations pertinentes. Enfin il produit une réponse organisée avec références aux sources
Le second type d’architecture repose sur des LLM avec des capacités de raisonnement et d’orchestration avancées, comme Gemini et sa fonctionnalité Deep Research.
Ce...
Cet article est réservé aux abonnés.
Il vous reste 94 % à découvrir.
Déjà abonné ? Se connecter
Exemples de cas d’usage de l’IA générative pour la veille scientifique et technique
Article inclus dans l'offre
"Management et ingénierie de l'innovation"
(451 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
BIBLIOGRAPHIE
-
(1) - BOMMASANI (R.) - On the opportunities and risks of foundation models. - arXiv preprint arXiv:2108.07258 (2021).
-
(2) - WEI (J.), TAY (Y.), BOMMASANI (R.) et al - Emergent abilities of large language models. - arXiv preprint arXiv:2206.07682 (2022).
-
(3) - VASWANI (A.), SHAZEER (N.), PARMAR (N.) et al - Attention is all you need. - Advances in neural information processing systems, vol. 30 (2017).
-
(4) - OUYANG (L.), WU (J.), JIANG (X.) et al - Training language models to follow instructions with human feedback. - Advances in neural information processing systems, vol. 35, pp. 27730-27744 (2022).
-
(5) - CHELLI (M.), DESCAMPS (J.), LAVOUÉ (V.) et al - Hallucination rates and reference accuracy of ChatGPT and bard for systematic reviews: comparative analysis. - Journal of medical Internet research, vol. 26, no 1, p. e53164 (2024).
-
...
DANS NOS BASES DOCUMENTAIRES
Cet article est réservé aux abonnés.
Il vous reste 94 % à découvrir.
Déjà abonné ? Se connecter
Article inclus dans l'offre
"Management et ingénierie de l'innovation"
(451 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
Entraînez-vous autant que vous le voulez avec les quiz d'entraînement.
L'expertise technique et scientifique de référence
Article inclus dans l'offre
"Management et ingénierie de l'innovation"
(451 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
