Les transparents de la présentation
https://www-verimag.imag.fr/~maraninx/FM_DOCUMENTS/2026_03_26_AG_CERAG.pdf
Et la liste de pointeurs de bas de page :
https://www-verimag.imag.fr/~maraninx/FM_DOCUMENTS/2026_03_26_AG_CERAG-footnotes.txt
Ceci n’est pas un exposé recherche. La recherche consolidée sur les divers impacts du déploiement des IAg il y a 3 ans et demi (que ce soit en recherche ou ailleurs) émergent à peine. A part quelques exceptions, les citations n’ont pas vocation à faire autorité sur un sujet. Ce sont seulement des pistes de lectures plus poussées sur les arguments que je défends.
Dans la même collection
Compléments
The machines are fine. I’m worried about us.
https://ergosphere.blog/posts/the-machines-are-fine/
Réflexion sur l’usage des LLMs dans la recherche en astrophysique, mais qui sont généralisables. On y lit :
“But the moment you use the machine to bypass the thinking itself, to let it make the methodological choices, to let it decide what the data means, to let it write the argument while you nod along, you have crossed a line that is very difficult to see and very difficult to uncross. You haven’t saved time. You’ve forfeited the experience that the time was supposed to give you.”
The Expertise Pipeline Crisis: How AI Deployment Undermines the Knowledge Creation It Depends On
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6198038
“First, AI companies extract decades of accumulated professional expertise as training data-radiologists’ diagnoses, developers’ code solutions, analysts’ market assessments-capturing this knowledge in a one-time harvest while generating ongoing commercial value indefinitely. Second, AI systems trained on this knowledge automate entry-level tasks, eliminating the structured learning environments where new expertise traditionally developed. Entry-level positions have declined substantially in AI-exposed sectors (…) Entry-level positions historically served dual functions: they were not merely jobs but learning environments where junior professionals struggled with problems, received corrections from experienced mentors, and gradually built expertise. This learning process simultaneously created individual competence and generated documented knowledge-troubleshooting discussions, code reviews, case analyses-that became training data for AI systems. By eliminating these positions, AI deployment breaks the expertise regeneration cycle. “
Le plus grand danger de l’IA à l’université n’est pas la triche, c’est l’érosion de l’apprentissage lui‑même
https://www.rtbf.be/article/le-plus-grand-danger-de-l-ia-a-l-universite-n-est-pas-la-triche-c-est-l-erosion-de-l-apprentissage-lui-meme-11696887
Impacts environnementaux de la recherche
Le phénomène de “hype”
Les coûts… à venir
La lutte contre le slop
Contrer les arguments, résister
“Pourtant, refuser, retirer, réorganiser, faire un pas de côté, déserter est tout à fait possible, sans pleurer un âge d’or débarrassé de la technique, qui n’a tout simplement jamais existé. Rédiger votre plan de cours grâce à l’IA, affiner votre thèse avec un logiciel de traduction, juste pour « gagner du temps », est une incision à vif dans le temps commun des capacités humaines (déjà soumises à un régime productiviste insoutenable) : ces choses ne sont pas « déjà là », mais activement construites par celleux qui y participent.”
Les réponses institutionnelles