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 93 % 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 > Innovation > Management et ingénierie de l'innovation > Ingénierie de l'innovation > Veille scientifique et technique - Tirer parti de l’intelligence artificielle générative > Conclusion
Présentation
GlossaireArticle inclus dans l'offre
"Documents numériques Gestion de contenu"
(66 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.
4. Conclusion
Les technologies d’IA générative transforment en profondeur la pratique de la veille scientifique et technique. En quelques années seulement, depuis l’annonce publique de ChatGPT, des tâches qui pouvaient prendre des jours à accomplir sont maintenant automatisées avec des résultats de qualité.
Mais cette puissance technologique ne doit pas occulter les zones d’ombre. Les hallucinations ne sont pas un détail et elles posent un problème fondamental : comment faire confiance à un système qui peut affirmer des choses factuellement fausses avec autant d’assurance que si elles étaient vraies ?
Par ailleurs, des problèmes comme la surreprésentation de l’anglais, de certaines zones géographiques ou des publications les plus connues renforcent les inégalités déjà présentes dans la recherche scientifique mondiale. De plus, la non-reproductibilité des résultats remet également en question les standards de rigueur scientifique et le manque de transparence des algorithmes rend difficile l’établissement des responsabilités en cas d’erreurs importantes.
Ces limites ne sont pas de simples imperfections technologiques transitoires qui disparaîtront avec la prochaine génération de modèles. Elles sont, pour partie, constitutives de l’approche probabiliste qui sous-tend les LLM. Elles exigent donc non pas une confiance aveugle dans l’automatisation mais la construction de méthodologies hybrides où l’IA et l’humain se complètent selon une répartition claire des rôles : à l’IA, le traitement à grande échelle, l’extraction systématique, la génération de synthèses préliminaires ; à l’expert humain, la validation factuelle, l’interprétation contextualisée, la détection des non-dits, la décision stratégique.
Les enjeux dépassent d’ailleurs la seule efficacité opérationnelle. Le déploiement massif de ces technologies soulève des questions éthiques, environnementales et géopolitiques. L’empreinte carbone de l’entraînement et de l’inférence des modèles les plus puissants est considérable. La concentration des capacités de calcul et des données d’entraînement entre quelques acteurs crée de nouvelles dépendances stratégiques. Les cadres réglementaires émergents, comme l’AI Act européen, tentent d’encadrer ces risques, mais peinent à suivre le rythme de l’innovation.
À moyen terme,...
Cet article est réservé aux abonnés.
Il vous reste 92 % à découvrir.
Déjà abonné ? Se connecter
Conclusion
Article inclus dans l'offre
"Documents numériques Gestion de contenu"
(66 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 95 % à découvrir.
Déjà abonné ? Se connecter
Article inclus dans l'offre
"Documents numériques Gestion de contenu"
(66 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
"Documents numériques Gestion de contenu"
(66 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.
