Publications - Articles d'invités
Se former à la recherche à l’ère de l’IA
16.11.2026
L’IA écrit du code, analyse des données et contribue à la recherche de nouvelles substances actives. Mais comment les jeunes scientifiques apprennent-ils leur métier s’ils peuvent déléguer de nombreuses tâches ? Markus A. Lill, professeur de pharmacie computationnelle à l’Université de Bâle, évoque le temps nécessaire à l’apprentissage, les erreurs et la responsabilité des hautes écoles et des entreprises.
Lors de la manifestation annuelle de scienceindustries, Markus A. Lill a présenté, dans son exposé, le potentiel de l’intelligence artificielle pour la recherche de substances actives, ainsi que ses limites. L’entretien qui a suivi avec Nadine Lumme, cheffe de projet Communication et affaires publiques chez scienceindustries, a porté sur une autre question : quelles compétences les jeunes scientifiques doivent-ils maîtriser eux-mêmes lorsque l’IA prend en charge une part croissante de leur travail ?
Pour Lill, la réponse commence par les bases : pour évaluer des résultats, il faut comprendre comment ils ont été obtenus. Les jeunes scientifiques devraient donc d’abord réaliser eux-mêmes les étapes essentielles de leur travail avant de les automatiser.
Parcourir soi-même toutes les étapes une première fois
Dans ses travaux de recherche assistée par ordinateur, Lill demande aux jeunes scientifiques de commencer par effectuer les calculs et les simulations de manière autonome : de la préparation à l’analyse des résultats, en passant par le calcul lui-même. Lorsqu’ils travaillent avec des données, ils doivent également commencer par en comprendre la structure, la qualité et la portée, formuler leurs propres hypothèses et interpréter eux-mêmes les résultats.
Les scientifiques qui développent de nouvelles méthodes devraient en outre connaître les algorithmes sous-jacents et comprendre le fonctionnement du code. Cela vaut aussi lorsqu’une IA aide à programmer : les scientifiques doivent pouvoir comprendre, vérifier et, si nécessaire, améliorer le code généré.
Cela demande du temps au départ. Mais se confronter tôt à des problèmes complexes permet d’acquérir ce qui ne s’obtient pas d’un simple clic : l’expérience scientifique. Celle-ci aide ensuite à traiter de manière autonome des questions plus exigeantes et à évaluer la qualité de ses propres travaux de recherche.
Quand la première tentative échoue
Lill souligne l’importance de disposer d’une marge de liberté pour expérimenter. La recherche suit rarement un parcours linéaire : des approches échouent, des résultats surprennent, des hypothèses se révèlent fausses. C’est dans ces situations que se forge l’expérience. Savoir reconnaître et corriger ses propres erreurs permet aussi de mieux évaluer les réponses d’une IA.
Parallèlement, Lill encourage les jeunes scientifiques à utiliser l’IA. Elle leur permet d’automatiser les tâches répétitives et de dégager du temps pour les questions scientifiques et l’interprétation des résultats. L’IA ne doit pas remplacer la réflexion autonome, mais elle peut aider à clarifier les liens entre différents éléments, à trouver de nouvelles perspectives ou à remettre des hypothèses en question.
Lill recommande de commencer par réfléchir soi-même aux explications possibles et de formuler ses propres hypothèses. Les scientifiques devraient ensuite examiner systématiquement la plausibilité des propositions de l’IA et les confronter aux connaissances scientifiques et à la littérature spécialisée.
Moins de contenu, davantage de réflexion collective
Pour permettre aux étudiantes et aux étudiants de développer ces compétences, les hautes écoles devraient, selon Lill, encourager davantage l’esprit critique, la créativité et la résolution de problèmes. Il plaide également pour un allègement des contenus d’enseignement lorsque les connaissances de détail ne sont pas nécessaires à la compréhension des concepts fondamentaux. Les étudiantes et les étudiants auraient ainsi davantage de temps pour se pencher sur des questions ouvertes et chercher ensemble des solutions.
Il cite en exemple la classe inversée : les étudiantes et les étudiants acquièrent les bases de manière autonome à partir de sources d’information prédéfinies, puis utilisent le temps passé avec le corps enseignant pour résoudre des problèmes et discuter de leurs réflexions. Des examens prenant la forme de présentations, d’entretiens oraux ou de résolutions autonomes de problèmes sous surveillance permettraient de mieux évaluer leur compréhension des liens entre les notions. Ces formes d’enseignement et l’accompagnement individuel nécessitent toutefois des effectifs suffisants dans les hautes écoles, en particulier lorsque le nombre d’étudiantes et d’étudiants est élevé.
D’où viendra l’expérience de demain ?
Selon Lill, les entreprises doivent elles aussi veiller à ce que les jeunes spécialistes puissent acquérir une expérience pratique. Cet enjeu devient particulièrement important lorsque l’IA prend en charge un nombre croissant de tâches grâce auxquelles les personnes en début de carrière apprenaient jusqu’ici leur métier.
Car si tout le monde recherche des spécialistes expérimentés, où pourront-ils acquérir cette expérience ? Lill propose de développer les offres de formation axées sur la pratique pour les professions fondées sur le savoir, notamment les stages en entreprise, les programmes de formation structurés pour jeunes diplômés et les initiatives communes des hautes écoles et des entreprises.
Aux jeunes qui se lancent dans la recherche, il conseille de rester curieux, de remettre en question les approches établies et d’expérimenter de nouvelles méthodes. Cela implique aussi, à ses yeux, d’adapter ses propres travaux de recherche lorsque de nouvelles connaissances ou de nouveaux outils ouvrent d’autres voies.