L’Intelligence artificielle générative est une technologie utilisée dans la conception, des systèmes informatiques tels que : les moteurs de recherche, les agents conversationnels et les traducteurs, etc. Elle est capable de générer du contenu à partir des données d’entraînement, qu’il s’agisse de textes, de dessins à main levée, d’images, d’enregistrements sonores ou vidéos. Elle se sert des méthodes de deep learning (DL), machine learning (ML) et du traitement du langage naturel (NLP) pour apprendre à la machine (Lamri et al., 2023). A cet effet, les Transformeurs génératifs pré-entraînés ou Generative Pre-trained Transformers (GPT) (Eloundou et al., 2023) pourraient constituer une réponse à l’optimisation de  l’expérience de recherche des utilisateurs en renforçant les capacités d’éditorialisation des moteurs de recherche scientifiques. En effet, un moteur de recherche scientifique identifie la littérature académique et scientifique : articles de revue scientifique, actes de congrès, ouvrages, brevets, prépublications, thèses, rapports de recherche, etc. (Malingre & Serres, 2012). Cependant, nous ne saurions cloisonner l’information scientifique et technique à la seule sphère scientifique. En effet, la littérature exploitée par les moteurs semble résulter de l’action d’un collectif d’utilisateurs ou de contributeurs (scientifiques et profanes) qui collaborent de manière « bidirectionnelle » pour nourrir l’écosystème de l’IST. Ils mettent à disposition des productions dans des formats variés tels que le texte, l’image, la vidéo et le son, portant sur des problématiques de société telles que le changement climatique, les conflits armés, l’inflation, l’immigration, les cybermenaces, etc. Ce sont sur ces productions que les scientifiques s’appuient pour réaliser des publications scientifiques dignes d’intérêt pour la recherche et la société (Crettaz von Roten & Moeschler, 2010). De plus, ces scientifiques  ont besoin de dispositifs d’accès à l’information, comme les moteurs de recherche, qui sont l’une des portes d’entrée privilégiées au sein du Web « un système documentaire construit sur Internet dans lequel les documents, nommés hypertextes ou pages web, sont reliés les uns aux autres par des hyperliens » (Magué, 2014). Par ailleurs, de nombreuses voix se lèvent pour dénoncer la qualité ou la pertinence des résultats fournis dans les pages de résultats ou Search Engine Results Pages (SERP). Parce que, les recommandations des moteurs ne correspondent pas toujours à leurs besoins (Lewandowski & Höchstötter, 2008). L’absence de transparence dans les critères de sélection de l’information et l’exclusion de certains résultats (Steiner et al., 2022). Une prolifération de contenus marketing et des liens morts dans les pages de résultats (Bevendorff et al., 2024). Dans notre article de revue, nous souhaitons comprendre comment l’intelligence artificielle générative (GPT) impacte l’expérience de recherche des utilisateurs des moteurs de recherche scientifiques ? Car les GPT apportent de nouvelles fonctionnalités de recherche aux moteurs scientifiques. Cependant comment est-t-elle utilisée pour rendre les SERP plus qualitative ? Dès lors, dans une démarche qualitative, à l’aide des techniques d’audit, de web scraping et de recherche de documents et d’informations, nous chercherons des éléments de réponse sous forme de traces et de documents dans un moteur scientifique d’étude appelé ELICIT. Au sein de ce moteur, nous nous concentrerons spécifiquement sur les interfaces accessibles aux utilisateurs. Enfin, nos premières recherches indiquent que ce moteur de recherche scientifique a la capacité de synthétiser les résultats de recherche et d’extraire des informations à partir d’un fichier PDF, dans le but de faciliter la lecture et la compréhension pour l’utilisateur.