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 95 % 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 > Précautions et limites de l’IA pour la veille scientifique et technique
Présentation
ConclusionArticle 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.
3. Précautions et limites de l’IA pour la veille scientifique et technique
Les cas d’usage présentés ont démontré le potentiel transformateur de l’IA générative pour la veille. Cependant, une adoption responsable et efficace nécessite une compréhension claire des limites techniques, des risques éthiques et légaux, ainsi que des bonnes pratiques de mise en œuvre.
3.1 Défis opérationnels et stratégiques du déploiement de l’IA générative pour la veille scientifique et technique
L’intégration de l’IA générative dans les pratiques de veille ne se limite pas à une question de choix technologique. Elle soulève des défis opérationnels et stratégiques majeurs qui conditionnent la réussite et la pérennité de ces déploiements.
HAUT DE PAGE3.1.1 Repositionnement de l’expertise humaine et risques de dépendance
3.1.1.1 Évolution du rôle du veilleur
Nous l’avons évoqué à plusieurs reprises, l’introduction de l’IA générative transforme profondément le métier de veilleur, mais ne le remplace pas. Elle opère plutôt un repositionnement stratégique de l’expertise humaine vers les tâches à plus haute valeur ajoutée.
Traditionnellement, le veilleur consacrait une part importante de son temps aux activités de traitement documentaire de premier niveau : recherche systématique de sources, lecture exhaustive d’articles, extraction manuelle d’informations factuelles, catégorisation de documents, et rédaction de synthèses descriptives. Avec l’IA générative, ces tâches chronophages peuvent être largement automatisées via des workflows intégrant de l’IA générative ou déléguées à des agents autonomes.
Cette automatisation libère du temps pour des activités à plus haute valeur ajoutée :
-
contrôle de la qualité et de la cohérence des résultats produits par l’IA ;
-
mise en forme et structuration des livrables de veille ;
-
dialogue...
Cet article est réservé aux abonnés.
Il vous reste 94 % à découvrir.
Déjà abonné ? Se connecter
Précautions et limites de l’IA 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 92 % 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.
