<h2>Abstract :</h2> In recent years, advances in artificial intelligence (AI) have led to the emergence of several derivative forms of this technology. One of these is Generative Artificial Intelligence (GAI).   The ability of GAI to generate content (text, image, video, etc.) in response to a natural language query suggests a range of tasks it could perform in various domains.   In this paper, we propose to explore the ability of an GAI to carry out tasks related to a doctoral research project, such as bibliographic research and the drafting of a synthesis of the latter, with a view in particular to compiling a review of the scientific literature and a conceptual framework. In this sense, we carried out a comparative analysis of three literature searches. The first was conducted by humans and the second by IAGs (Perplexity AI and Scite).   While it seems that the GAI mobilized for this study are capable of producing work that is both coherent and relevant, it also seems necessary to verify this work, as it may have significant limitations.     <h2 style="text-align: justify; margin-bottom: 11px;">Introduction</h2> Au cours de ces dernières années, les progrès enregistrés dans le domaine de l’intelligence artificielle (IA) ont fait émerger plusieurs formes dérivées de cette technologie. Au nombre de celles-ci figure notamment l’intelligence artificielle générative (IAG). La capacité de l’IAG à générer du contenu (texte, image, vidéo, etc.) en réponse à une requête formulée en langage naturel laisse entrevoir un éventail de tâches qu’elle pourrait réaliser dans divers domaines. Ainsi, ce papier propose d’explorer les capacités d’une IAG à réaliser des tâches liées à un travail de recherche doctorale du type recherche bibliographique et la rédaction d’une synthèse de cette dernière en vue notamment de constituer une revue de la littérature scientifique et un cadre conceptuel. Après un point sur quelques éléments fondamentaux propres à l’IA, l’IAG et la créativité, nous présentons la méthodologie de recherche employée ainsi que le corpus analysé, avant d’exposer les résultats des recherches bibliographiques des différentes parties en présence. Ensuite, nous présenterons l’analyse comparée des recherches bibliographiques.   <h2 style="text-align: justify; margin-bottom: 11px;">1. Intelligence artificielle générative et créativité</h2> <h3 style="text-align: justify; margin-bottom: 11px;">1.1.Intelligence artificielle générative</h3> Il convient, sans doute, de s’intéresser à l’IA, de manière générale, avant d’aborder la notion d’IAG. Au cours de la seconde moitié du XXe siècle, à la suite des travaux d'Alan Turing (1950) sur la capacité des ordinateurs à penser, les recherches dans le domaine de l'informatique ont donné lieu à l'émergence de nombreuses technologies. Au nombre de celles-ci figure notamment l'IA. L’IA peut être admise comme un système informatique obtenu à la suite de la mise en relation d'ordinateurs, d'algorithmes et de données dans l'optique de donner forme à un raisonnement logique similaire, au moins sur certains critères, à celui pouvant être produit par l'intelligence humaine (Bouverot, 2020 ; Cazals et Cazals, 2020 ; Pascal, 2022 ; Lamri et al., 2023). Comparée à d'autres types de systèmes ou de programmes informatiques, l'IA présente une particularité non négligeable. Il s'agit du fait que les algorithmes d'IA reposent sur du machine learning et/ou du deep learning. Autrement dit, contrairement à des algorithmes classiques, ayant notamment vocation à suivre uniquement des instructions préalablement programmées, il s'agit, dans le cas de l'IA, d'algorithmes apprenant par le biais du machine learning et/ou du deep learning. Le machine learning renvoie à un mode d'apprentissage de l'IA dans lequel l'intervention humaine occupe une place importante. Concrètement, l'humain aide la machine à apprendre à reconnaître divers objets (un chat, un vélo, une maison, un mot, un chiffre, etc.), ou à extraire différentes caractéristiques propres à l'objet étudié.  Le deep learning quant à lui est une forme dérivée du machine learning comprenant notamment des réseaux de neurones artificiels et qui nécessite moins d'interventions humaines que le machine learning. En effet, dans le deep learning une partie, entre autres, de l'extraction des caractéristiques des objets étudiés est automatisée (Le Cun, 2019 ; Cazals et Cazals, 2020). De fait, l'IA peut être considérée comme un système qui a vocation à apprendre pour devenir autonome. Il faut ajouter que l'apprentissage (machine learning et/ou deep learning) de l'IA repose sur un grand volume de données (big data). Grâce à l'apprentissage, l'IA produit de nouvelles données (en quelque sorte des "connaissances") qui vont lui permettre de résoudre des problèmes, prendre des décisions, réaliser des tâches, produire des contenus (textes, images, vidéos, etc.), de manière plus ou moins autonome.  Il convient également d’ajouter qu’une IA est obtenue grâce à la convergence d’au moins quatre sciences : l’informatique, les mathématiques, les sciences cognitives et les sciences du langage (Cazals et Cazals, 2020). Si l’on distingue deux types d’IA (IA forte et IA faible), à ce jour, seule l’IA du type faible est opérationnelle. En effet, l'IA faible est celle qui est capable de réaliser de façon mécanique et très spécialisée des tâches spécifiques. Cela, tandis que l'IA forte ou IA générale quant à elle irait plus loin que l'IA faible en simulant, de manière générale, des modes de pensée et d'action propres à l'humain (Portnoff et Soupizet, 2018 ; Cazals et Cazals, 2020 ; Andler, 2023). Partant de ce positionnement de l’IA, l’IAG peut être admise comme une forme d’IA ayant pour objectif de produire une réponse logique à la suite d’un prompt (requête) qui lui a été soumis (Grinbaum et al., 2023 ; Cantens, 2023). Cette réponse est une séquence de mots parmi les plus probables en réponse à un prompt (c’est-à-dire, une instruction donnée à l’IA sous la forme d’une requête exprimée en langage naturel) sur la base de caractéristiques communes identifiées dans le cadre d’un entraînement / apprentissage (réalisé à l’aide d’un corpus de données relativement volumineux). L’IAG peut être un système unimodal (qui ne prend en compte qu’un seul type d’entrée ; du texte par exemple) ou multimodal (qui peut prendre en compte plusieurs sortes d’entrées, telles que : des textes, des images, des vidéos, etc.) qui se sert de modèles permettant la production de résultats plus ou moins similaires aux données ayant servi pour son apprentissage. De fait, cela donne notamment lieu, comme évoqué plus haut, à des réponses relativement semblables à celles pouvant être produites par l’intelligence humaine (Grinbaum et al., 2023). Ainsi, l’IAG va produire un ou plusieurs types de contenus, selon, d’une part, les fonctions et capacités qui lui ont été attribuées par ses concepteurs, et d’autre part, en référence à la demande formulée dans le prompt ou la série de prompts qui lui a été formulée en tant qu’instruction. De la sorte, une IAG conçue et entraînée pour produire des textes scientifiques devrait être en mesure de constituer des informations scientifiques se rapportant à un sujet donné à l’instar d’un chercheur, démarche s’inscrivant notamment dans une logique de créativité. <h3 style="text-align: justify; margin-bottom: 11px;">1.2. Créativité</h3> Bérangère Szostak (2017) propose de considérer la créativité comme une capacité à proposer des idées nouvelles au terme d’un processus comprenant un certain nombre d’étapes communes à la plupart des écrits de la littérature dédiée : préparation, incubation, illumination, vérification. Par ailleurs, cette capacité peut être évaluée à partir de tests permettant de comparer les productions de plusieurs individus. Dans le même ordre d’idée, François Debois et al. (2023) définissent la créativité en mettant en avant le caractère intrinsèquement individuel et psychologique du mode de déploiement du processus de créativité. Cela, même lorsqu’il s’agit d’une activité collective, rappelant ainsi que, quel que soit le contexte de déploiement de ses différentes phases, le processus de créativité est avant tout une démarche prenant forme au niveau de l’individu.  Les auteurs proposent en effet de considérer la créativité comme « une aptitude individuelle, un processus psychologique à travers lequel un individu (ou un groupe d’individus) témoigne d’originalité à la fois dans la manière dont il mène sa réflexion (associations originales) et dans le résultat lui-même ». François Debois et al. (2023) proposent de considérer les quatre phases du processus de créativité présentés ci-après : Première phase : l’imprégnation · Définition du problème à résoudre, de l’objectif à atteindre, délimitation du périmètre du problème ; · Rassemblement des informations connues (événements, statistiques, recherche documentaire, etc.) ; · Recensement plus ou moins exhaustif des premières idées. Deuxième phase : l’incubation · Le cerveau créatif prend le relais du cerveau rationnel. L’individu cesse de penser de manière consciente au problème. C’est l’inconscient qui travaille ; · Plus l’individu réalisera des activités peu consommatrices en termes de charge cognitive, plus les résultats seront susceptibles d’être satisfaisants. Troisième phase : l’illumination · L’illumination se produit au moment où l’on s’y attend le moins, dans n’importe quelle situation. · Il est possible de favoriser son arrivée en réalisant régulièrement une activité comme celles évoquées au niveau de la deuxième phase ; Quatrième phase : la production · Confrontation des idées de l’illumination à la réalité : vérification de l’adéquation entre le problème et la solution identifiée, passage en revue des enjeux liés à celle-ci, etc. · Sélection des solutions les plus pertinentes et élaboration d’un plan de déploiement ou mise en &oelig;uvre. La créativité apparaît de fait comme un phénomène relativement complexe, tant elle implique une multitude de facteurs allant des corrélats neuronaux aux aspects socioculturels, en passant par les constituants cognitifs du processus de pensée, les facteurs émotionnels, les traits de personnalité ou encore le comportement ainsi que la production individuelle (Corazza, 2023). Ces facteurs apparaissent comme des leviers permettant de donner forme aux caractéristiques fondamentales de la créativité, à savoir l’originalité et l’efficacité (Runco & Jaeger, 2012). Dans le contexte de la créativité de manière générale, l’originalité peut être associée à la nouveauté, à l’innovation et au bouleversement, tandis que l’efficacité peut être liée à la valeur, à l’utilité, à l’adaptabilité et à la pertinence (Corazza, 2023). Aussi, la créativité a-t-elle besoin, pour se manifester, d’une part de temps, et d’autre part de bienveillance (Debois et al., 2023). Pour ce qui est du facteur temps, c’est l’élément qui permet d’avancer progressivement d’une étape à l’autre du processus de créativité, car tout ne se produit pas en un seul instant. C’est un cheminement potentiellement chronophage qui mène à la solution recherchée ou adéquate (puisqu’au départ, et au moins dans les deux premières phases, il s’agit d’une inconnue). La bienveillance quant à elle renvoie à la faculté de « s’autoriser » à sortir des sentiers battus, d’adopter une posture d’ouverture à l’exploration de nouveaux horizons, de nouvelles voies. Autrement dit, la capacité à tenter d’innover. Il n’est pas superflu ici, de s’intéresser à la notion d’innovation, tant celle-ci peut, au moins dans certains cas, être considérée comme synonyme du terme « créativité ». De plus, si le cadre créatif, lorsqu’il tend vers un objectif défini, s’accompagne de contraintes à prendre en compte, celles-ci peuvent aussi être sources d’inspiration en stimulant l’esprit des personnes en charge du projet créatif et (Arab, 2024). <h3 style="text-align: justify; margin-bottom: 11px;">1.3. L’innovation</h3> Il nous semble difficile de parler de créativité dans un cadre professionnel, sans évoquer certains aspects de l’innovation. En effet, l’innovation peut être admise comme le résultat d’un processus ayant pour finalité la production d’un objet nouveau ou une invention, qui nécessite par ailleurs une intégration réussie dans un milieu social donné pour pouvoir être qualifiée d’innovation (Schumpeter, 1999 ; Alter, 2015). Ainsi, il convient de préciser que l’innovation se situe en fait à un stade en aval de l’invention puisque c’est l’invention qui, lorsqu’elle rencontre le succès auprès de sa population cible, devient innovation. De fait, globalement, l’innovation peut prendre plusieurs formes. Il peut s’agir d’innovation organisationnelle, technologique, méthodologique, etc., pouvant notamment relever de catégories multiples : incrémentale/continue, radicale, disruptive, etc. (Snyder et al., 2016). Ceci étant dit, puisque, comme nous avons pu le voir précédemment, le processus de créativité se limite finalement au niveau de la production, ou plus exactement juste après cette dernière, soit, au stade de l’invention, ou au moins en amont de celle-ci, cette notion ne devrait pas être considérée comme synonyme de l’innovation qui elle, va nécessairement au-delà de l’invention. Bien évidemment, il existe des innovations par emprunts d’idées, d’inventions oubliées (Goria, 2017) ou encore de brevets dormants dont l'emploi peut être devenu rentable avec le temps (Laperche, 2018) dans la phase amont de son processus, mais ce ne sont pas à ces modes d’innovation que l’on pense en premier lieu, même s’ils peuvent être l’objet de veille dédiées. Ceci dit, dans la majorité des cas, il semble que le processus de créativité apparaisse comme une partie intégrante du processus d’innovation. Dans l’optique de donner un exemple concret d’innovation, on peut citer l’intelligence artificielle générative qui est notamment une innovation technologique se rapportant à la catégorie disruptive au vu non seulement des caractéristiques radicalement nouvelles qu’elle présente, mais aussi des fonctionnalités qu’elle offre aux utilisateurs, comme aux organisations. En ce sens, l’emploi d’une IAG pour réaliser une recherche bibliographique est une innovation qui peut être disruptive par rapport aux usages habituels nécessitant une expertise humaine. En considérant les caractéristiques propres à l’IAG ainsi que les capacités en termes de créativité qu’elle laisse envisager, nous pouvons supposer qu’une IAG de textes ayant accès à un fonds bibliographique scientifique conséquent et actualisé peut réaliser une revue de la littérature scientifique et un cadre conceptuel se rapportant à un sujet de recherche donné. Trois possibilités sont alors envisageables : (1) la production de l’IAG est très mauvaise et/ou réduites par rapport à une production humaine qualifiée, (2) la production de l’IAG est acceptable et apporte un soutien technique intéressant pour l’humain non expert et peut servir d’assistant à ce dernier, (3) la production de l’IAG approche, est équivalente ou dépasse celle d’un humain compétent pour ce travail. Dans les deux premiers cas, il est simplement nécessaire d’être attentif aux évolutions de ce type d’IAG. Dans le dernier cas, il y a un risque à court terme de rupture dans les usages et une nécessité d’adaptation de l’humain à ces outils pour y développer un apport complémentaire. <h2 style="text-align: justify; margin-bottom: 11px;">2. Méthodologie de recherche et corpus</h2> Dans le contexte expérimental qui nous intéresse ici, il s’est agi d’effectuer une recherche bibliographique propre à un sujet de thèse en Sciences de l’Information et de la Communication (SIC) sur lequel nous travaillons. Le sujet de thèse est celui de « l’impact de l’innovation liée à l’intelligence artificielle sur la transformation numérique des entreprises et la sécurité des usages ». Plus concrètement, dans le cadre de cette recherche doctorale, nous tentons de mettre au jour les enjeux relatifs aux avancées technologiques liées à l’intelligence artificielle générative et la manière dont ces avancées technologiques peuvent impacter les usages et la protection des données se rapportant aux systèmes d’information. Du point de vue méthodologique, notre démarche a consisté, dans un premier temps, à réaliser, nous-mêmes de manière humaine et « classique » (en interrogeant des moteurs de recherches de plateformes indexant un grand nombre de publications scientifiques) une revue de la littérature et un cadre conceptuel relatifs à notre sujet de thèse, de manière à disposer d’un modèle de référence. Dans un second temps, nous avons demandé à deux IAG de textes et de recherches de bibliographie scientifique (<a href="https://www.perplexity.ai/" style="color:#0563c1; text-decoration:underline">Perplexity AI</a> et <a href="https://scite.ai/" style="color:#0563c1; text-decoration:underline">Scite</a>) de réaliser les mêmes tâches que nous en faisant varier la formulation des prompts afin de les adapter aux modes d’interrogation des IAG. Dans le cadre de la réalisation de la recherche bibliographique humaine, nous avons déroulé un processus de recherche qui a par la suite servi de cadre à la fois pour l’interrogation des IAG mais également pour l’analyse, au moins en partie, des réponses fournies par les IAG. Plus concrètement, la première étape de ce processus a consisté à identifier la thématique centrale du sujet. Puis, la seconde étape a consisté à constituer un ensemble d’expressions à soumettre à des moteurs de recherche des plateformes indexant des publications scientifiques. Ensuite, il s’est agi, pour ce qui est de la troisième étape, d’interroger ces plateformes et de sélectionner les publications qui nous ont semblé les plus appropriées pour à la fois rendre compte de l’état de l’art sur le sujet et donner forme à un cadre conceptuel autour de ce dernier. Au niveau de la quatrième étape, nous avons procédé au traitement et à l’analyse des publications, avant de rédiger, au niveau de la cinquième et dernière étape, le texte de notre revue de la littérature scientifique et cadre conceptuel. Ainsi, disposant de ce canevas, et concernant Perplexity AI, nous avons commencé par lui faire endosser le statut, ou au moins la posture, de chercheur en SIC en lui indiquant notamment le prompt suivant : « Tu es chercheur en Sciences de l’Information et de la Communication ». Puis, après la réponse témoignant de la « compréhension » de l’IAG concernant notre attente, nous lui avons soumis tour à tour ces prompts : · « Tu réalises une thèse en Science de l’Information et de la Communication sur le sujet suivant : “l’impact de l’innovation liée à l’intelligence artificielle sur la transformation numérique des entreprises et la sécurité des usages” » ; · « La question centrale ou problématique de ton sujet de thèse est : quels sont les enjeux liés aux avancées technologiques relatives à l’intelligence artificielle générative, et comment ces avancées technologiques peuvent-elles impacter les usages et la protection des données se rapportant aux systèmes d’information ? » ; · « Quelle est la thématique centrale de ce sujet de thèse ? » ; · « Quelles sont les expressions à utiliser pour effectuer une recherche bibliographique dans le but de réaliser une revue de la littérature scientifique sur ce sujet de thèse ? » ; · « Réalise une revue de la littérature scientifique ainsi qu’un cadre conceptuel sur ce sujet de thèse ». En termes de contrainte de recherche d’informations, nous avons focalisé les recherches sur des publications académiques. Pour ce faire, nous avons exploité notamment le paramètre de focalisation : « Academic : rechercher dans des articles académiques publiés ». Etant donné que Scite fonctionne davantage comme un moteur de recherche qu’un agent conversationnel, nous avons dû interroger l’IAG avec un seul prompt. Il s’agit notamment de la problématique (traduite en anglais, seule langue disponible dans l’interface de l’IAG) : « What are the stakes involved in technological advances relating to generative artificial intelligence, and how can these technological advances impact the uses and protection of data relating to information systems? ». Nous avons utilisé les contraintes suivantes : · Specify Reference Requirement: Always use references · Specify Evidence Source: Both (Abstracts only and Citation Statement only) · Citation Style: APA · Publication Types: Article; Book · Response Length: Long · Publications to consult: 50 · Reference Ranking: All Il convient de préciser que nous avons utilisé la version d’essai de 7 jours de Scite pour réaliser ce travail. Une première analyse de la réponse fournie par Scite nous a permis d’identifier la thématique centrale du sujet de thèse ainsi que les expressions à utiliser pour effectuer une recherche bibliographique dans le but de réaliser une revue de la littérature scientifique. Nous présentons ces éléments dans la partie suivante. Nous avons constitué le corpus de cette étude avec les trois textes produits par nous-mêmes d’une part, et les deux IAG d’autre part. Ensuite, nous avons évalué la cohérence et la pertinence de l’ensemble des textes, avant de procéder à une analyse comparée de ces derniers. <h2 style="text-align: justify; margin-bottom: 11px;">3. Résultats des recherches bibliographiques</h2> Afin de simplifier la référence aux textes produits par les différentes parties, nous leur avons attribué des identifiants. L’identifiant de notre production (humaine) est « Texte A », celui de Perplexity AI est « Texte B » et celui de Scite est « Texte C ». <h3 style="text-align: justify; margin-bottom: 11px;">3.1. Texte A</h3> Il convient de préciser que l’ensemble du travail relatif au texte A a été réalisé avant l'interrogation des IAG. Cela a notamment permis d’éviter d’influencer le travail humain du fait de la prise de connaissance des réponses fournies par les IAG. Le texte A est structuré en trois parties : 1. L’innovation liée à l’intelligence artificielle ; 2. Transformation numérique et gestion des connaissances ; 3. Sécurité des systèmes d’information.  La première partie s'intéresse au concept d’innovation avec notamment une articulation avec celui d’intelligence artificielle (caractéristiques de l’IA, composants, fonction, etc.). Ensuite, cette partie présente l’IAG (avec des exemples concrets d’IAG) et quelques risques et opportunités (sociétaux, organisationnels, etc.) induits par l’innovation liée à l’IA. La deuxième partie aborde les enjeux (défis et opportunités) liés à la transformation numérique des organisations avant de s’intéresser plus spécifiquement à l’adaptation au changement des usages et des pratiques ainsi qu’à la notion de Big data. La gestion des connaissances est également présentée dans cette partie. La troisième partie quant à elle présente, de manière globale, la sécurité des systèmes d’information, avant de mettre la focale sur la cybersécurité et notamment les enjeux s’y rapportant. <h3 style="text-align: justify; margin-bottom: 11px;">3.2. Texte B</h3> Perplexity AI a produit de manière distincte une revue de la littérature et un cadre conceptuel. La revue de la littérature comporte quatre parties : 1. « Enjeux épistémologiques de l'IA pour les SIC : Les progrès de l'intelligence artificielle (IA), notamment les modèles de langage de grande taille, soulèvent d'importants enjeux épistémologiques pour les sciences de l'information et de la communication (SIC). Ces technologies reposent sur une naturalisation des phénomènes sociaux et une fétichisation du nombre, remettant en cause les modes de production et de consommation de l'information ; 2. Médiation des usages numériques : L'émergence de l'IA générative aura un impact profond sur les usages et pratiques informationnelles en entreprise. Une réflexion approfondie sur la médiation de ces nouveaux usages numériques sera indispensable, interrogeant la place des SIC face aux injonctions technologiques ; 3. Protection des données et confidentialité : L'utilisation d'IA générative requiert d'importantes quantités de données pour l'entraînement des modèles, posant des défis cruciaux en termes de protection des données personnelles et de respect de la vie privée. Des cadres réglementaires et techniques pour assurer la confidentialité devront être proposés ; 4. Reconfiguration des collectifs de recherche : L'IA impacte également les pratiques de recherche en SIC, avec une reconfiguration des collectifs autour de la gestion et du partage des données. Un positionnement clair des SIC sur ces enjeux de science ouverte sera nécessaire ». Le cadre conceptuel est également composé de quatre parties : 1. « Éthique de l'IA et confiance : l'utilisation d'IA générative soulève d'importantes questions éthiques quant à la fiabilité, la transparence et la responsabilité de ces systèmes. Le concept d'éthique de l'IA, visant à garantir des systèmes dignes de confiance, sera central ; 2. Médiation, usages et pratiques informationnelles : les notions de médiation, d'usages et de pratiques informationnelles, au c&oelig;ur des SIC, permettront d'appréhender finement les processus d'information-communication liés à l'IA générative en entreprise ; 3. Épistémologies des SIC : les épistémologies propres aux SIC, interrogeant la construction des savoirs à l'ère du numérique, fourniront un cadre critique pour analyser les impacts épistémologiques de l'IA sur la circulation des connaissances. 4. Science ouverte et archives ouvertes : les mouvements de science ouverte et d'archives ouvertes disciplinaires constitueront des terrains d'étude privilégiés pour observer les reconfigurations des collectifs de recherche induites par l'IA ». Aussi, selon Perplexity AI, « ce cadre conceptuel interdisciplinaire, articulant éthique, médiation, épistémologie et science ouverte, permettra d'analyser en profondeur les enjeux posés par l'IA générative pour la transformation numérique en entreprise ». <h3 style="text-align: justify; margin-bottom: 11px;">3.3. Texte C</h3> À l’instar du texte A, le texte C présente une revue de littérature qui donne à voir le cadre conceptuel du sujet. Le texte est constitué de cinq paragraphes qui traitent chacun d’une ou plusieurs thématiques. Le premier paragraphe introduit les enjeux liés aux avancées technologiques dans le domaine de l’IAG en présentant notamment un aperçu des domaines d’application des IAG et des opportunités et défis qu’elles peuvent induire. Le deuxième paragraphe s’intéresse aux aspects éthiques se rapportant à l’IAG et notamment à l’importance de garantir la transparence et la responsabilité des systèmes d’IA afin de satisfaire les intérêts et attentes des différentes parties prenantes concernées. Ce paragraphe aborde aussi les questions de cybersécurité, de protection des données ainsi que d’automatisation des services administratifs grâce aux technologies de l'IA, et enfin, l’importance de la prise en compte de la base épistémologique des ensembles de données qui sous-tendent les systèmes d'IA afin de garantir la production de résultats impartiaux et efficaces. Le troisième paragraphe traite de l’impact de l’IA, notamment associée à d’autres technologies, sur les processus de prise de décision ainsi que la nécessité de mettre en place des systèmes de gouvernance suffisamment efficaces pour relever les défis induits par les technologies de l’IA. Le quatrième paragraphe quant à lui porte sur le rôle de l’IA dans la transformation des industries et notamment le changement de paradigme qu’elle induit du fait des innovations relatives aux technologies de l’IA telles que l'analyse des big data et le traitement du langage naturel. Ensuite, ce sont des éléments déjà abordés dans le premier paragraphe qui sont répétés. Le cinquième et dernier paragraphe est une conclusion qui reprend de manière résumée les différentes thématiques évoquées dans les quatre premiers paragraphes. Le tableau 1 (ci-dessous) présente les thématiques centrales et les expressions à utiliser pour la recherche bibliographique identifiées par nous-mêmes (humains) et Perplexity AI et celles que nous avons identifiées dans le texte C. En effet, comme évoqué précédemment, le mode de fonctionnement de Scite ne permettant pas de converser avec l’IAG, nous n’avons pas été en mesure de lui demander d’identifier la thématique centrale et les expressions à utiliser pour la recherche bibliographique comme ce fut le cas pour Perplexity AI. Tableau 1. Thématiques centrales et expressions de recherche bibliographique <img height="501" src="https://www.numerev.com/img/ck_3236_1_Tableau 1. Thématiques centrales et expressions de recherche bibliographique1.png" width="715" /> <h2 style="text-align: justify; margin-bottom: 11px;">4. Analyse comparée des recherches bibliographiques</h2> En nous référant à un certain nombre de thématiques et critères se rapportant à la réalisation d’une revue de littérature scientifique et un cadre conceptuel, nous avons élaboré la grille d’analyse ci-dessous (tableau 2), afin d’évaluer les productions des trois parties concernées. Dans la grille d’analyse, la couleur verte est mise pour une réponse positive (oui), le gris correspond à une réponse partiellement positive, et le blanc renvoie à une réponse négative (non). Tableau 2. Grille d’analyse des résultats des recherches bibliographiques <img height="456" src="https://www.numerev.com/img/ck_3236_1_Tableau 2. Grille d’analyse des résultats des recherches bibliographiques .png" width="620" /> La thématique centrale : Il ressort que contrairement aux deux IAG, l’humain a proposé une thématique centrale du sujet trop général (cf. tableau 1). En effet, les thématiques centrales proposées par les IAG sont plus précises. Comme on le voit (tableau 1), elles évoquent toutes deux des éléments clés du sujet, à savoir les enjeux et/ou impacts liés aux avancées technologiques de l’IAG. Par ailleurs, en effectuant un rapprochement des notions « enjeu » et « impact », notamment dans une logique d’analyse catégorielle (Derèze et Walter 2019), on s’aperçoit que ces deux notions peuvent être employées pour désigner le même objet. D’ailleurs, la notion d’impact est mentionnée dans la proposition de Perplexity AI, notamment en tant que propriété des « enjeux liés aux avancées de l'intelligence artificielle (IA) générative ». Ainsi, on peut dire que les deux IAG ont identifié la même thématique centrale. Cela dit, l’on pourrait reprocher à la proposition de Perplexity AI d’être une simple reformulation de la problématique, tant elle reprend finalement les notions clés de cette dernière. Cette remarque ne peut être émise quant à la proposition relative à Scite puisque c’est nous qui avons identifié la thématique centrale du sujet relative à son texte (C). Les expressions de recherche bibliographique : Un point commun aux trois groupes d’expressions est qu’ils présentent tous des expressions en anglais. Cela a pour avantage d’élargir considérablement le nombre de résultats de recherche sachant que même lorsqu’un texte (article, livre, etc.) n’est pas entièrement rédigé en anglais, dans bien des cas, il contient une ou plusieurs sections (titre traduit en anglais, résumé, mots-clés) en anglais. De manière générale, il est notable que les trois groupes d’expressions comportent des expressions étroitement liées au sujet traité. Néanmoins, on voit que les expressions que nous avons constituées pour Scite sont en nombre relativement faible par rapport aux deux autres groupes d’expressions. Il n’est pas superflu d’ajouter que les expressions fournies par Perplexity AI l’ont été sous forme de requêtes, comprenant notamment des contraintes (opérateurs booléens (AND, OR et NOT) et guillemets ("...")), prêtes à être soumises à des moteurs de recherche. Comme cela est visible dans le tableau 3 (ci-dessous), Perplexity AI a regroupé les requêtes par thématique. Tableau 3. Requêtes constituées par Perplexity AI par thématique <img height="333" src="https://www.numerev.com/img/ck_3236_1_Tableau 3. Requêtes constituées par Perplexity AI par thématique.png" width="618" /> La cohérence et la pertinence du texte : S’il est notable que les trois textes permettent de se faire une idée non seulement de l’état de l’art relatif au sujet de thèse mais aussi du cadre conceptuel s’y rapportant, force est de constater que les deux textes fournis par les IAG sont relativement courts. En effet, alors que le texte A s’étend sur une dizaine de pages, les textes B et C s’étendent chacun sur environ deux pages. De fait, l’on pourrait reprocher à ces textes (B et C) d’être trop synthétiques pour permettre la compréhension des idées auxquelles ils renvoient ; ou encore de ne pas contenir d’autres éléments d’informations (comme des concepts connexes) pouvant, eux aussi, être pertinents et contribuer à enrichir davantage le texte. On note par ailleurs, en ce qui concerne le texte B, une « volonté » manifeste de mettre en évidence l’ancrage du sujet en SIC. Cela peut être dû au fait que le premier prompt indique que le sujet de thèse relève de cette discipline. Comme évoqué plus haut, dans le texte C, on remarque une répétition du contenu du paragraphe un dans le paragraphe quatre. Il s’agit a priori d’un dysfonctionnement de Scite qui n’a visiblement pas été en mesure de prendre en compte le contenu précédemment constitué dans la réponse, et ainsi, d’éviter de reproduire un contenu similaire dans la même réponse. Les références bibliographiques : Les trois textes mobilisent des références bibliographiques scientifiques. Cependant, un écart significatif apparaît au niveau du nombre de référence. En effet, il est notable que le texte B présente seulement cinq références bibliographiques contre 45 pour le texte C et 52 pour le texte A. Un écart considérable, d’autant qu’il met en lumière une insuffisance en termes de points de vue mobilisés dans la revue de la littérature et le cadre conceptuel. La créativité chez l’humain et la créativité chez l’IAG : Il nous a été donné, dans le cadre de la production du texte A, de passer par les quatre phases du processus de créativité. Ainsi, si les propriétés de l’IAG concourent à lui permettre de produire un raisonnement semblable à celui de l’humain, il semble évident que cela ne se produit pas dans les mêmes conditions, tant le facteur temps (élément central du processus de créativité) apparaît, s’agissant de l’IAG, comme réduit au minimum. Nous avons en effet pu voir que si chez l’humain, la créativité peut, et en général, nécessite un temps plus ou moins long pour prendre forme (Debois et al., 2023), l’IAG est capable d’apporter une réponse cohérente et pertinente à un problème de créativité en quelques minutes (moins de 10 minutes pour chacune des deux IAG questionnées). La puissance de calcul de l’IAG supérieure à celle de l’humain semble justifier cela. <h2 style="text-align: justify; margin-bottom: 11px;">Conclusion</h2> Au début de ce travail nous nous interrogions sur les capacités créatives d’une IAG dans un contexte de réalisation de revue de littérature scientifique et de cadre conceptuel. L’IAG peut être admise comme un système informatique résultant de la mise en relation d'ordinateurs, d'algorithmes et de données dans l'optique de donner forme à un raisonnement logique similaire, au moins sur certains critères, à celui pouvant être produit par l'intelligence humaine (Bouverot, 2020 ; Cazals et Cazals, 2020 ; Pascal, 2022 ; Lamri et al., 2023) ayant vocation à produire du contenu (texte, image, vidéo, etc.) en réponse à un prompt (Grinbaum et al., 2023 ; Cantens, 2023). La créativité quant à elle renvoie à une capacité individuelle et psychologique à proposer des idées nouvelles au terme d’un processus comprenant un certain nombre d’étapes communes à la plupart des écrits de la littérature dédiée, à savoir la préparation, l’incubation, l’illumination et la vérification (Szostak, 2017 ; Debois et al. 2023). Si comme nous avons pu le voir, les conditions de réalisation des tâches conduisant in fine à l’apport de réponse à un problème de créativité, en l’occurrence la production d’une revue de littérature scientifique et un cadre conceptuel, ne semblent pas similaires chez l’humain et l’IAG, force est de constater que cette dernière, ou au moins celles mobilisées dans de le cadre de cette étude, est capable de produire un travail à la fois cohérent et pertinent. Toutefois, il faut garder à l’esprit que les textes produits par l’IAG requièrent, à date, vérification pour notamment identifier, le cas échéant, des effets de dysfonctionnement tels que la répétition d’informations. Par ailleurs, dans certains cas, les références bibliographiques peuvent être trop peu nombreuses pour être représentative de l’état de l’art sur un sujet donné. Au vu des résultats obtenus dans le cadre de cette étude, il semble pertinent d’envisager l’utilisation d’IAG de texte et de recherche de bibliographie scientifique dans le cadre de la réalisation d’une veille scientifique. <h2 style="text-align: justify; margin-bottom: 11px;">Bibliographie</h2> Andler, D. (2023). Intelligence artificielle, intelligence humaine : la double énigme. Gallimard. <a href="https://doi-org.bases-doc.univ-lorraine.fr/10.3917/gall.andle.2023.01" style="color:#0563c1; text-decoration:underline">https://doi.org/10.3917/gall.andle.2023.01</a> Alter, N. (2015). L’innovation ordinaire. Presses universitaires de France. Paris. Arab, N. (2024). La conception collective avec des usagers : organiser la synchronisation cognitive des co-concepteurs dans le processus de projet, Les Cahiers du Développement Urbain Durable, 24, p. 39-57. Bouverot, A. (2020). Préface, pp. 9-14, in : Cazals F., Cazals C., eds, Intelligence artificielle : L'intelligence amplifiée par la technologie. Louvain-la-Neuve : De Boeck Supérieur. Cantens, T. (2023) Comment pensera l'État avec ChatGPT ? Les douanes comme illustration de l'intelligence artificielle générative dans les administrations publiques, P330, FERDI [Document de travail]. Cazals, F., Cazals, C. (2020). Intelligence artificielle : L'intelligence amplifiée par la technologie. De Boeck Supérieur. Corazza, G. (2023). Chapitre 1. Définition de la créativité. Dans : Nathalie Bonnardel éd., La créativité en situations : Théories et applications (pp. 30-39). Paris : Dunod. https://doi.org/10.3917/dunod.bonna.2023.01.0030 Debois, F., Groff, A., Chenevier, E. (2023). La boîte à outils de la créativité. Dunod. Derèze, G., Walter, J. (2019). Méthodes empiriques de recherche en information et communication (2e édition). De Boeck supérieur. Grinbaum, A., et al. (2023). Systèmes d’intelligence artificielle générative : enjeux d’éthique. Comité national pilote d’éthique du numérique. Pp. Avis 7 du CNPEN. cea-04153216f Goria, S. (2017). Méthodes et outils de veille créative. ISTE Group. Lamri, J., Tertrais, G., & Silver, A. (2023). Travailler à l'ère des IA génératives. Éditions EMS. Laperche, B. (2018). Le capital savoir de l’entreprise. ISTE Group. Pascal, C. (2022). « Contemporanéité et Intelligence artificielle », Communication, technologies et développement, 11.  <a href="https://doi.org/10.4000/ctd.6803" style="color:#0563c1; text-decoration:underline">https://doi.org/10.4000/ctd.6803</a>. Portnoff, A. & Soupizet, J. (2018). Intelligence artificielle : opportunités et risques. Futuribles, 426, 5-26. <a href="https://doi.org/10.3917/futur.426.0005" style="color:#0563c1; text-decoration:underline">https://doi.org/10.3917/futur.426.0005</a> Runco, M. A., & Jaeger, G. J. (2012). The standard definition of creativity. Creativity Research Journal, 24, 92-96.  Szostak, B. (2017). Chapitre 1. Développer la créativité organisationnelle : enjeux stratégiques et modalités d’action. Dans : Claudine Gay éd., Management de l'innovation (pp. 11-46). Paris : Dunod. <a href="https://doi-org.bases-doc.univ-lorraine.fr/10.3917/dunod.gaycl.2017.01.0011" style="color:#0563c1; text-decoration:underline">https://doi.org/10.3917/dunod.gaycl.2017.01.0011</a> Turing, A. (1950). Computing Machinery and intelligence. A Quarterly Review of Psychology and Philosophy 59(236): 433-460. <a href="https://www.robertspahr.com/teaching/hnm/turing_computing_machinery_and_intelligence.pdf" style="color:#0563c1; text-decoration:underline">https://www.robertspahr.com/teaching/hnm/turing_computing_machinery_and_intelligence.pdf</a>