À l’heure de l’IA, qu’est-ce qui fait qu’une connaissance est digne de confiance ?
Le 7 septembre 2026, le CNRS publiait un article au titre particulièrement évocateur : « Quand l’IA menace l’édifice des connaissances scientifiques ».
https://www.cnrs.fr/fr/actualite/quand-lia-menace-ledifice-des-connaissances-scientifiques
L’institution y alerte sur la multiplication des usages frauduleux de l’intelligence artificielle dans le monde de la recherche et sur leurs conséquences possibles pour la qualité des publications scientifiques. Elle indique vouloir défendre « la qualité et la réputation de la science » en s’appuyant notamment sur deux principes : la science ouverte et l’intégrité scientifique.
Cette lecture nous a interpellés.
Non pas parce que Dendrotech serait opposé à l’intelligence artificielle. Nous l’utilisons nous-mêmes comme outil d’assistance éditoriale.
Mais parce qu’elle fait apparaître une question qui dépasse largement celle de l’IA :
Qu’est-ce qui fait qu’une connaissance est digne de confiance ?
Et, derrière elle, plusieurs autres :
D’où vient une connaissance ? Qui la produit ? Comment est-elle validée ? Et qui peut décider qu’elle est suffisamment fiable pour être transmise comme telle ?
Une connaissance scientifique n’est pas simplement une information bien rédigée
Une connaissance ne devient pas scientifique parce qu’elle est formulée avec le vocabulaire approprié.
Elle repose sur une chaîne.
Des observations ou des données doivent être produites ou recueillies. Une méthode permet de les analyser. Des compétences sont nécessaires pour les comprendre. Des outils interviennent. Des contrôles sont réalisés. Des résultats sont interprétés.
La publication scientifique ajoute à cette chaîne ses propres mécanismes : explicitation des méthodes, confrontation avec les connaissances existantes, références bibliographiques, discussion des résultats, évaluation par les pairs…
L’intelligence artificielle générative introduit cependant une rupture importante.
Elle permet désormais de reproduire extrêmement facilement l’apparence extérieure de la connaissance sans nécessairement reproduire la chaîne qui a permis de la construire.
Un texte peut être parfaitement rédigé.
Il peut utiliser le vocabulaire scientifique attendu.
Il peut développer un raisonnement apparemment cohérent.
Il peut même présenter des références bibliographiques.
Pour autant, savons-nous d’où viennent réellement les informations ?
Sur quelles données reposent-elles ?
Les références ont-elles été vérifiées ?
Le raisonnement a-t-il été contrôlé par quelqu’un possédant les compétences nécessaires ?
L’apparence du savoir devient donc de plus en plus facile à produire.
L’IA menace-t-elle la connaissance ou les mécanismes permettant de lui faire confiance ?
C’est peut-être là que l’alerte du CNRS devient particulièrement intéressante.
L’intelligence artificielle ne modifie pas seulement notre capacité à produire des textes.
Elle perturbe certains des signaux qui nous permettaient jusqu’ici d’accorder notre confiance à une information.
Un texte bien écrit n’est plus nécessairement le résultat d’un auteur maîtrisant parfaitement son sujet.
Une bibliographie impressionnante ne garantit pas que les références ont été réellement consultées ni même qu’elles existent.
Une argumentation apparemment complexe peut être produite en quelques secondes.
L’IA ne crée donc pas uniquement un problème de production de connaissances fausses.
Elle augmente considérablement la quantité de contenus ayant l’apparence de la connaissance.
Et cette distinction est essentielle.
Connaissance scientifique et expertise professionnelle : qui produit la connaissance ?
Mais cette réflexion en entraîne immédiatement une autre.
Les universités et les organismes de recherche produisent évidemment une part essentielle des connaissances scientifiques.
Les revues, les comités de lecture, les sociétés savantes et les institutions scientifiques participent également aux mécanismes permettant de les qualifier et de les valider.
Mais la connaissance ne se construit pas uniquement dans le monde académique.
Elle se construit également dans les laboratoires privés, les entreprises, les bureaux d’études, les ateliers, les chantiers, les services patrimoniaux et par l’expérience accumulée des professionnels.
Il existe ainsi différentes formes de connaissances :
connaissances scientifiques publiées, connaissances professionnelles, connaissances techniques, connaissances empiriques, savoir-faire.
Elles n’ont pas toutes le même statut.
Elles ne sont pas validées selon les mêmes procédures.
Et elles ne doivent donc pas être présentées comme équivalentes.
Une observation professionnelle ne devient évidemment pas une vérité scientifique établie simplement parce qu’un expert l’affirme.
Mais l’inverse mérite également d’être interrogé :
L’absence de publication académique signifie-t-elle nécessairement absence de connaissance ?
Nous ne le pensons pas.
Un professionnel peut avoir observé des centaines de fois un phénomène, développé progressivement une méthode, accumulé des données pendant plusieurs décennies ou acquis une connaissance extrêmement spécialisée sans que chacune de ces observations ait donné lieu à une publication scientifique.
Cette connaissance existe.
La question devient alors plutôt :
Quel est son statut, d’où vient-elle, comment a-t-elle été construite et comment a-t-elle été contrôlée ?
Ce que la dendrochronologie nous apprend sur la production d’une connaissance
Notre métier fournit justement un exemple intéressant.
La dendrochronologie repose notamment sur la mesure des largeurs de cernes de croissance et sur leur comparaison statistique.
Des logiciels permettent d’effectuer ces comparaisons.
Ils produisent des coefficients et des résultats statistiques.
Pourtant, un résultat statistique affiché par un logiciel ne constitue pas, à lui seul, une expertise dendrochronologique appliquée à un ouvrage en bois ancien.
Bien avant que le résultat apparaisse à l’écran, de nombreuses décisions ont déjà été prises.
Quels bois ont été étudiés ?
Pourquoi ceux-là ?
Appartiennent-ils réellement au même ensemble ?
L’ouvrage présente-t-il plusieurs phases de construction ?
Certains bois sont-ils des remplois ?
La pièce étudiée est-elle représentative de l’ensemble auquel on souhaite attribuer une date ?
Les séries possèdent-elles suffisamment de cernes ?
L’aubier est-il conservé ?
Les mesures sont-elles fiables ?
Les séries se synchronisent-elles entre elles ?
Avec quels référentiels sont-elles comparées ?
Les correspondances statistiques obtenues sont-elles suffisamment solides ?
Et surtout :
sont-elles cohérentes avec les observations effectuées sur l’ouvrage ?
La statistique intervient donc à l’intérieur d’une chaîne beaucoup plus vaste :
OBSERVATION → STRATÉGIE D’ÉCHANTILLONNAGE → PRÉLÈVEMENT → MESURE → CONTRÔLE → COMPARAISON → RÉFÉRENTIELS → STATISTIQUES → INTERPRÉTATION → RÉSULTAT
Un même logiciel placé entre les mains de deux personnes disposant de compétences, de données, de référentiels ou de méthodes différentes ne garantit donc pas la même qualité de résultat.
L’outil peut produire un résultat. Il ne garantit pas, à lui seul, la qualité de la connaissance produite à partir de ce résultat.
Ce constat vaut pour la dendrochronologie.
Il vaut probablement aussi pour l’intelligence artificielle.
Intelligence artificielle : produire une connaissance ou aider à la transmettre ?
Il existe en effet une différence fondamentale entre demander à une intelligence artificielle :
« Dis-moi ce qu’il faut savoir sur ce sujet. »
et lui dire :
« Voici ce que je sais de ce sujet. Aide-moi à le structurer, à l’expliquer et à le transmettre. »
Dans le premier cas, l’IA risque de devenir l’origine apparente de l’information.
Dans le second, elle intervient principalement comme outil éditorial appliqué à une connaissance préexistante.
Cette distinction nous paraît essentielle.
Car produire une connaissance et être capable de la transmettre sont deux choses différentes.
Un chercheur, un artisan, un ingénieur, un restaurateur, un archéologue ou un professionnel peut posséder une expertise considérable sans nécessairement disposer du temps, des moyens ou des compétences éditoriales permettant de transformer cette expérience en contenus accessibles.
Structurer une pensée, rédiger, expliquer, adapter son discours à différents publics, rechercher les références complémentaires nécessaires : tout cela représente un travail important.
L’intelligence artificielle peut considérablement réduire cette barrière.
La chaîne devient alors :
EXPERTISE → INFORMATION → ASSISTANCE IA → CONTRÔLE HUMAIN → DIFFUSION
Dans ce cas, l’intelligence artificielle n’est pas la source de la connaissance.
Elle devient un outil permettant de mieux la transmettre.
Une démocratisation de la diffusion des connaissances ?
Cette évolution pourrait avoir des conséquences beaucoup plus profondes qu’une simple amélioration des outils de rédaction.
Les grandes institutions disposent historiquement d’infrastructures importantes permettant de formaliser et de diffuser les connaissances : chercheurs, centres de documentation, bibliothèques, revues, éditeurs, services de communication, réseaux scientifiques…
Une petite structure, une association, un artisan ou un professionnel indépendant peut posséder une connaissance extrêmement spécialisée sans disposer des mêmes moyens pour la formaliser et la rendre accessible.
L’intelligence artificielle réduit une partie de cette asymétrie.
Elle permet potentiellement à davantage de personnes de mettre en forme et diffuser une connaissance qu’elles possèdent réellement.
Cela peut constituer une formidable démocratisation de la transmission du savoir.
Mais exactement le même outil permet à quelqu’un qui ne possède pas cette connaissance de produire un texte qui en possède toutes les apparences.
Nous sommes donc confrontés simultanément à deux phénomènes :
EXPERTISE RÉELLE + IA → connaissance plus facilement transmissible
mais aussi :
ABSENCE D’EXPERTISE + IA → apparence de connaissance plus facilement produite
C’est cette coexistence qui transforme profondément la question de la confiance.
Qui détermine alors ce qu’est une connaissance fiable ?
C’est ici qu’apparaît une question plus institutionnelle.
Universités, organismes de recherche, revues scientifiques, comités de lecture et sociétés savantes jouent un rôle essentiel dans la qualification de la connaissance scientifique.
Face à la multiplication de contenus générés ou assistés par IA, il est parfaitement compréhensible que ces institutions renforcent les mécanismes permettant de distinguer une véritable production scientifique d’un contenu qui n’en possède que l’apparence.
C’est précisément ce que traduit l’insistance du CNRS sur la science ouverte et l’intégrité scientifique.
Mais les conséquences de cette évolution méritent également d’être interrogées.
Comment renforcer les mécanismes de validation scientifique sans aboutir progressivement à une confusion entre connaissance scientifique validée et connaissance tout court ?
Autrement dit, comment éviter qu’une équivalence implicite s’installe :
connaissance académique = connaissance légitime
et, à l’inverse,
connaissance professionnelle non publiée = connaissance de moindre valeur ?
Il ne s’agit pas de supposer que les institutions scientifiques chercheraient volontairement à conserver un monopole sur la connaissance.
La question est plus structurelle.
Lorsqu’un système est confronté à une explosion de contenus dont il devient difficile d’établir la fiabilité, il est logique qu’il renforce ses propres mécanismes de validation.
Mais cela pourrait simultanément renforcer le poids de ceux qui disposent déjà de la capacité institutionnelle de qualifier une connaissance comme légitime.
Il faut donc probablement distinguer deux choses :
le statut scientifique d’une connaissance
et
la valeur d’une connaissance.
Une publication scientifique possède un statut particulier parce qu’elle est passée par certaines procédures de production, de présentation et de validation.
Cela ne signifie pas que toute connaissance produite en dehors de ce système soit inexistante ou dépourvue de valeur.
La question pourrait donc être moins :
« Qui a le droit de produire de la connaissance ? »
que :
« Sommes-nous capables d’expliquer comment cette connaissance a été produite et pourquoi nous lui accordons notre confiance ? »
De l’auteur du texte à la provenance de la connaissance
Nous nous demandons aujourd’hui beaucoup :
« Ce texte a-t-il été écrit par une intelligence artificielle ? »
Cette question est légitime.
Mais elle pourrait ne pas être la plus importante.
Un texte entièrement rédigé par un humain peut contenir des informations fausses.
Inversement, un texte dont la rédaction a été assistée par une intelligence artificielle peut transmettre correctement une information provenant d’un véritable travail scientifique, professionnel ou technique.
Il faut donc distinguer :
la provenance des mots
et
la provenance de la connaissance.
Ce ne sont pas nécessairement les mêmes.
La question déterminante devient alors :
D’où vient la connaissance contenue dans ce texte ?
Qui l’a produite ?
À partir de quelles observations ?
Avec quelles données ?
Selon quelle méthode ?
Avec quelles compétences ?
Quelles sources ont été utilisées ?
Qu’est-ce qui relève d’une publication scientifique ?
Qu’est-ce qui relève d’un retour d’expérience ?
Qu’est-ce qui constitue une hypothèse ou une interprétation ?
Quels contrôles ont été effectués ?
Quelles sont les limites ?
Et finalement :
qui accepte d’en assumer la responsabilité ?
Traçabilité de la connaissance : un nouvel enjeu à l’heure de l’IA
Dans nos métiers, la traçabilité n’est pas une notion nouvelle.
En dendrochronologie appliquée aux ouvrages en bois anciens, nous cherchons à savoir quel bois a été prélevé, où il se trouvait dans l’ouvrage, à quel ensemble il appartient, quelle série de mesures lui correspond, avec quelles autres séries elle a été comparée et sur quels référentiels repose finalement une proposition de datation.
Pourquoi devrait-il en être autrement pour la connaissance que nous diffusons ?
Une information devrait elle aussi pouvoir conserver une forme de provenance :
OBSERVATION / DONNÉE
↓
EXPERTISE
↓
ANALYSE
↓
SOURCES
↓
OUTILS
↓
CONTRÔLE
↓
INTERPRÉTATION
↓
PUBLICATION
L’intelligence artificielle peut parfaitement intervenir dans cette chaîne.
Mais il devient alors essentiel de pouvoir identifier où elle intervient et ce qu’elle fait.
Et chez Dendrotech ?
Cette réflexion nous conduit nécessairement à examiner nos propres pratiques.
Dendrotech utilise des outils d’intelligence artificielle générative pour accompagner la préparation de certains contenus éditoriaux.
Nous avons choisi de ne pas le dissimuler.
Notre processus commence par une prise d’information auprès de Yannick Le Digol, dendrochronologue et archéologue du bâti : connaissances, méthodologie, observations, exemples issus des expertises, difficultés rencontrées, limites d’interprétation et retour d’expérience.
Lorsque le sujet le nécessite, ces informations sont complétées et confrontées à des références scientifiques, institutionnelles ou professionnelles vérifiées.
L’intelligence artificielle peut ensuite intervenir pour structurer cette matière, travailler sa mise en forme, améliorer sa lisibilité, reformuler certains passages ou accompagner le travail éditorial.
Le contenu est ensuite corrigé et contrôlé.
Enfin, Yannick Le Digol relit et valide chaque publication technique avant sa mise en ligne.
Notre chaîne éditoriale peut donc être résumée ainsi :
EXPERTISE MÉTIER → PRISE D’INFORMATION → SOURCES SI NÉCESSAIRE → ASSISTANCE IA À LA RÉDACTION → CORRECTION → VALIDATION DE L’EXPERT → PUBLICATION
Cette démarche ne transforme évidemment pas un article du blog Dendrotech en publication scientifique.
Ce n’est pas son objectif.
Elle permet au lecteur de comprendre d’où vient l’information, comment elle a été transformée en contenu et qui en assume finalement la responsabilité.
C’est également la raison pour laquelle nous avons choisi de rendre publique notre charte éditoriale.
L’intelligence artificielle nous ramène finalement aux fondamentaux
L’intelligence artificielle générative nous oblige à nous méfier davantage des apparences.
Mais le problème n’est finalement pas totalement nouveau.
En dendrochronologie, un résultat statistique impressionnant n’a jamais suffi à garantir une datation.
Une référence bibliographique n’a jamais garanti à elle seule la pertinence d’un raisonnement.
Un logiciel n’a jamais remplacé une compétence.
Une institution n’est pas infaillible.
Un expert ne l’est pas davantage.
Et une affirmation répétée suffisamment souvent ne devient pas vraie pour autant.
L’intelligence artificielle change surtout l’échelle et la vitesse auxquelles l’apparence de connaissance peut désormais être produite et diffusée.
Peut-être faut-il donc déplacer progressivement la question.
Non plus seulement :
« Qui a écrit ce texte : un humain ou une IA ? »
Mais :
« D’où vient ce que ce texte affirme ? »
Et derrière cette question retrouver :
les données, les observations, les sources, les compétences, la méthode, les outils, les contrôles, les limites, l’interprétation et la responsabilité.
Car finalement :
L’intelligence artificielle pose peut-être moins un problème d’accès à la connaissance qu’un problème de traçabilité de la connaissance.
Et dans un monde où produire l’apparence du savoir devient extrêmement facile, être capable d’expliquer d’où vient ce que nous affirmons, comment nous le savons et qui l’a contrôlé pourrait devenir l’un des principaux critères de confiance.
Amandine Le Gallais – Le Digol