Tout ce qui « a air » nouveau n'est pas vraiment. Les IA génériques peuvent générer booster la productivité en recherche : plan détaillé, réécriture, traduction, et même revenues quand on est bloqué. Mais la même situation qui rend ces sorties « publiques » peut aussi porter un risque plus discret : des travaux généraux par IA peu recycleur, sans intention malveillante, des connaissances existentes, non pas fortément en copie des phrases, mais en réutilisant des idées, des ossatures argumentatives familiales, des logiques d'étude déjà vues, et une nouvelle de façade.
C'est la réalité à laquelle beaucoup de chercheurs sont désormais confrontés : le problème d'intégrité n'est toujours pas un plagiat flagrant, mais une réutilisation cachée, où le texte est original dans la forme, tant que l'apport intellectuel est mince, dérivé, ou trop proche de l'existant. Dans ces cas-là, la « nouvelleté » d'avoir un effet de surface, et l'intégrité scientifique consiste en moins à débusquer du texte copié qu'à protéger la véritable originalité, la traduction du motif et l'honnêteté de la contribution.
Un exemple clairant vivant de l'étude ACL 2025 de Gupta et Pruthi, All That Glitters is Not Novel: Plagiat in AI Generated Research (Extrait Paper à ACL 2025). Leur objet n'est pas le simple copieur-coller, mais une forme plus subtile : des textes de style recherche qui reformulent ou recombinent des travaux anciens de gestion à parachute « Neufs » d'une rélecture rapide.
Au lieu de demander aux évaluateurs de juger la nouvelle comme d'habit, les auteurs ont conçu un dispositif pilote par des experts, explicitement chargés de rechercher des sources de plagiat. Ils ont fait évaluer 50 documents de recherche générale par LLM « Le scientifique de l'IA » et d'autres propositions publiques, ainsi que de nouvelles générations). C. est important, car les évaluations classiques supposent que la bonne foi et n.
Ils ont aussi utilisé une grille clé : les notes les plus élevées correspondent aux cas où l'on observe quasiment une correspondance un‐pour‐un entre la méthodologie générale et des travaux antérieurs, ou bien où des pans substantiels sont Empruntés à un petit nombre d'articles antérieurs sans attribution. Autre dit, il ne s=agit pas d=identifier des phrases identiques, mais de constater que l=ossature intellectuelle de la méthode et de la contribution est trop proche de quelque choix qui existe déjà.
Le résultat clé est difficile à ignorer : les experts ont signalé 24 % des 50 documents comme plagiés (notes 4–5) après des vérifications comprenant le contact avec les auteurs originaires ; si l'on inclut les cas où la vérification n'a pas été possible (par ex. auteurs injoignables), le taux monte à 36 %. Cet écran compte, car il montre comment les cas « confirmés » Peuvent reposer sous‐estimés lorsque la vérification réelle est prêtée ou impossible.
C'est précisément ce qui rend le plagiat à l'ère de l'IA si particulier : le risque se loge toujours au niveau des idées, du calendrier du problème, de la chaîne méthodologique et des révisions de contribution, plutôt que dans la phraséologie identité. Si une proposition est écrite avec assurance, présentée par sections impeccables et reprise de citations plausibles, elle peut passer un contrôle de surface, même si le concept sous‐jacent n'est pas vraiment original.
L'étude met aussi en évidence un deuxième problème : l'automatisation ne nous sauve pas (encore). Les auteurs présentent que plusieurs approches automatisées, notamment la recherche par embeddings et un service commercial de détection de plagiat, se sont révélés insuffisants pour reproduire le plagiat dans ces propositions générales par LLM. C'est cohérent avec une réalité plus grande : « L'emprunt sémantique » est bien plus difficile à protéger que le recouvrement de chaînes de caractères.
Pour l'évaluation par les paires, cela créer un compromis réalisable en termes de charge de travail. Si l'IA augmente le volume de demandes très polies tout en accroissant la probabilité d'emprunts cachés, les relecteursdoivent passer avant de temps en travail d'enquête : faire la littérature, cartographier les méthodes, vérifier si les « contributions initiales » ne sont pas de simples versions renommées d'idées liées. Cette pression ne fait pas que ralentir la revue ; elle peut aussi pousser les évaluateurs vers des heures superficielles, pendant le système encore plus facile à contourner.
Pour les utilisateurs qui utilisent l'IA de gestion éthique, l'état d'esprit le plus sûr est : l'IA peut vous aider à exprimer vos idées, mais elle ne doit pas être la source de votre contribution. Gardez une « trace de provenance » : ce que vous avez reçu dans vos notes (entre guillemets), et ce que vous avez décidé vous-même. Si l'IA suggère une méthode ou un cadrage, traitez-les comme des indices non fiables ; puis venez en chercher les travaux anciens et en jouant des citations explicites là où votre idée se rattache à la littérature existente.
Pour les universités, les revues et les conférences, la réponse ne doit pas être la panique, mais la mise à niveau des processus. Exigez une divulgation transparente de l'usage d'IA, renforçonnez les contrôles de nouvelleté (surtout au niveau des idées/méthodes), et donnez aux relecteurs des outils et du temps pour mener des recherches ciblées de sources qu'il a choisi parait « trop propre ». Surtout, récompensez la citation signée et le postement honnête (« ceci est une extension de X ») plutôt que la sur-vente de la nouvelleté ; car à l'ère de l'IA, il est plus facile de fabriquer une nouvelle apparente que du vénérable progrès scientifique.
Enfin, c'est précisément là que les relecteurs humains et le jugement humain restent essentiels, et où la responsabilité ne peut pas être externe. Pare que la réutilisation au niveau des idées est subtile, il faut avoir une expertise de domaine pour reproduire une « nouvelle » CHAÎNE DE TRAITEMENT n'est en réalité qu'une version rénommée ou légèrement réarrangée d'un travail établi. Autre dit, l'intégrité à l'ère de l'IA repose moins sur des alertes automatisées que sur une lecture attentive, la vérification des sources et des processus administratifs responsables. La même prudence s=Applique en contexte clinique : nombre d=outils d=IA disponibles sur le marché ne sont pas encore associés pour être combinés comme des dispositifs de niveau clinique, et ils peuvent produire des sorties assurées mais faites, bilatérales ou dangereuses. En thérapie tout particulièrement, traités l'IA comme un logiciel de soutien aux flux de travail, pas comme une autonomie en maintenant le clinicien plein responsable de l'interprétation, des décisions et de la sécurité des patients.