Les soumissions générées par IA mettent sous pression l’édition médicale, juridique et littéraire
Google News a mis en évidence un conflit qui s’étend à trois univers de l’édition : les revues médicales, les law reviews et les magazines littéraires sont confrontés à des soumissions générées par IA.
Le problème immédiat n’est pas que des logiciels puissent produire des phrases élégantes. Les éditeurs utilisent depuis des années des outils linguistiques et de filtrage. Le conflit commence lorsque le texte généré masque qui a réalisé la recherche, élaboré l’argumentation ou créé le récit.
Cette distinction entraîne des conséquences différentes dans chaque domaine. Une citation inventée peut corrompre les données médicales. Un précédent fictif peut fragiliser les travaux juridiques. Une fiction écrite par machine sans divulgation peut contrevenir aux attentes d’un magazine concernant la paternité créative.
Les publications font également face à une asymétrie. Un auteur peut générer et soumettre un nouveau manuscrit en quelques minutes. Les éditeurs doivent toujours examiner ses sources, son raisonnement, son originalité et ses déclarations. Leur ressource la plus coûteuse reste l’attention humaine.
L’article de Google News renvoie à une réponse institutionnelle plus large. Les éditeurs passent d’une méfiance informelle à des règles de divulgation, de responsabilité des auteurs, de limites de confidentialité et d’évaluation humaine.
Pourtant, ces politiques ne résolvent pas la question la plus difficile. Les éditeurs ne disposent toujours pas d’un moyen fiable de distinguer une assistance acceptable d’une substitution dissimulée.
Il s’agit donc de bien plus que de repérer une prose écrite par machine. C’est une lutte pour déterminer si les systèmes d’édition établis peuvent vérifier la responsabilité humaine derrière chaque œuvre acceptée.
Google News révèle un goulot d’étranglement éditorial commun
L’IA générative a réduit le coût de production d’une soumission plausible sans réduire le coût de son évaluation.
Les revues médicales, les law reviews et les magazines littéraires s’adressent à des publics différents. Toutefois, chacun s’appuie sur une évaluation sélective pour transformer une soumission ouverte en publication digne de confiance.
Ce processus dépend de signaux qui n’ont jamais été conçus pour la génération automatisée de texte. Les éditeurs examinent la qualité de la prose, les citations, les détails méthodologiques, la nouveauté et la maîtrise du sujet par l’auteur.
L’IA générative peut imiter plusieurs de ces signaux. Un grand modèle de langage, ou LLM, prédit des séquences de texte probables à partir de motifs appris durant l’entraînement. Il peut produire une prose structurée sans vérifier chacune des affirmations sous-jacentes.
Une écriture fluide transmet donc moins d’information qu’auparavant. Une introduction soignée ne garantit plus que l’auteur désigné comprend les sources citées ou a construit l’argumentation.
La question est particulièrement sérieuse parce que l’usage de l’IA s’inscrit dans un continuum. Un auteur peut utiliser un logiciel pour corriger la grammaire. Un autre peut demander un plan. Un troisième peut générer des sections entières et ne modifier que légèrement le résultat.
Ces actions ne créent pas des risques éditoriaux identiques. Une interdiction générale peut assimiler une aide à l’accessibilité au recours à un prête-plume. Une politique permissive peut laisser les lecteurs ignorer qu’un modèle a façonné les affirmations centrales d’un travail.
Les éditeurs doivent également distinguer l’écriture assistée par IA de la recherche qui étudie l’IA. Des chercheurs médicaux peuvent légitimement évaluer un modèle dans le cadre d’une méthodologie documentée. Cela n’autorise pas ce même modèle à inventer des résultats ou à rédiger des conclusions non vérifiées.
Les law reviews font face à une autre version de ce problème de frontière. Un auteur peut utiliser l’IA pour trouver des affaires potentielles, résumer des décisions, réviser sa prose ou générer une argumentation. Chaque étape modifie le niveau de vérification requis.
Les magazines littéraires sont confrontés à une division plus philosophique. Leur mission éditoriale consiste souvent à découvrir une voix humaine, et non simplement à sélectionner un texte lisible. Une génération non divulguée peut entrer en conflit avec cette mission même lorsque chaque phrase est cohérente.
Ces institutions ne peuvent pas résoudre le problème par de seuls jugements stylistiques. Les signaux souvent cités, tels que les transitions prévisibles ou les formulations répétitives, peuvent aussi apparaître dans des textes humains.
Les auteurs qui utilisent l’anglais comme langue additionnelle sont particulièrement exposés. Un détecteur ou un éditeur pourrait confondre une prose formelle et standardisée avec une production automatique. Une révision poussée peut produire le même effet.
Le goulot d’étranglement commun est donc la vérification, non le goût. Les éditeurs doivent savoir qui est responsable, quels outils ont influencé le travail et si les éléments probants sous-jacents résistent à l’examen.
Google News rend le conflit visible à travers les domaines, mais l’agrégation n’est qu’un point de départ. L’histoire plus profonde se trouve dans les politiques qui remplacent désormais les présomptions sur la paternité des œuvres.
Les revues médicales placent la responsabilité avant le crédit d’auteur
Les éditeurs médicaux acceptent généralement une assistance limitée de l’IA, mais maintiennent la responsabilité auprès d’auteurs humains identifiables.
L’édition médicale a les raisons les plus évidentes d’être prudente. Un article peut influencer la recherche clinique, les recommandations professionnelles, les investissements et les échanges avec les patients. Un ton autoritaire ne peut pas remplacer des preuves vérifiées.
L’International Committee of Medical Journal Editors indique que les chatbots ne doivent pas être mentionnés comme auteurs. Son raisonnement repose sur la responsabilité. Un logiciel ne peut pas approuver un manuscrit final, déclarer des conflits d’intérêts ou répondre à des accusations concernant le travail.
Le même principe apparaît dans les recommandations de revues médicales régissant l’utilisation de l’IA. Les auteurs doivent divulguer comment ils ont utilisé des technologies assistées par IA et rester responsables du contenu soumis.
Cette responsabilité comprend la vérification des affirmations, citations et références générées. Elle inclut également la prévention du plagiat et des résultats biaisés. La divulgation ne transfère aucune obligation au fournisseur de l’outil.
Le New England Journal of Medicine applique ces recommandations dans ses politiques éditoriales. Il avertit les auteurs qu’ils doivent examiner les contenus produits par IA afin d’y détecter tout élément incorrect, incomplet ou biaisé.
Cette approche trace une frontière importante. L’IA peut assister un auteur humain, mais elle ne peut pas devenir la partie responsable d’une affirmation médicale.
La politique traite également des citations. Les contenus générés par IA ne doivent pas servir de source primaire, car la réponse d’un chatbot ne présente pas la stabilité ni la traçabilité attendues des preuves scientifiques.
Une citation générée peut échouer de plusieurs façons. L’article référencé peut ne pas exister. Son titre peut être légèrement modifié. L’article peut être réel mais sans rapport avec l’affirmation.
De telles erreurs engendrent un travail disproportionné durant l’évaluation. Une référence fabriquée ne prend que quelques secondes à générer, mais oblige un évaluateur à interroger des bases de données, examiner des dossiers et déterminer ce qui a mal tourné.
La confidentialité impose une autre contrainte. Un évaluateur par les pairs reçoit un manuscrit non publié dans des conditions destinées à protéger les idées, les données et la propriété intellectuelle des auteurs.
Téléverser ce manuscrit dans un chatbot externe peut exposer des informations confidentielles. L’évaluateur peut ignorer comment le fournisseur stocke les requêtes, surveille l’activité ou utilise les contenus soumis.
Les politiques d’Elsevier sur l’IA dans les revues traitent séparément des auteurs, évaluateurs et éditeurs. Les auteurs doivent vérifier les résultats générés et divulguer leur utilisation lors de la préparation du manuscrit.
L’entreprise impose des limites plus strictes à l’évaluation éditoriale. L’examen d’un manuscrit scientifique exige des jugements qui doivent rester attribuables à des humains. La confidentialité et la supervision humaine demeurent des exigences centrales.
Les revues médicales utilisent déjà des systèmes automatisés pour des tâches plus ciblées. Cela comprend les contrôles de similarité, la validation des références, la vérification de la mise en forme, l’extraction de métadonnées et le dépistage de l’intégrité des images.
Ces usages diffèrent de la demande faite à un modèle de décider si les conclusions d’une étude découlent de ses méthodes. Les premiers peuvent soutenir une vérification définie. Le second délègue le jugement scientifique.
Cette distinction explique pourquoi les revues ne sont pas simplement « contre l’IA ». De nombreux éditeurs reconnaissent des usages légitimes pour la traduction, la révision linguistique, la recherche documentaire et le soutien aux flux de travail.
Leur préoccupation porte sur l’usage substitutif. Un modèle ne doit pas remplacer le travail intellectuel ni la responsabilité qui font de quelqu’un un auteur, un évaluateur ou un éditeur.
L’application de ces règles reste difficile. Une case de divulgation recueille les usages honnêtes, mais elle n’oblige pas un auteur qui cherche à les dissimuler à décrire une génération non déclarée.
Les revues médicales peuvent examiner les références, les données brutes, les autorisations éthiques, les méthodes statistiques et les historiques de révision. Ces contrôles portent sur les éléments autour de la prose, ce qui est plus utile que de deviner à partir du style.
Néanmoins, une vérification plus poussée exige du temps et du travail spécialisé. Les petites revues disposent de moins de ressources pour un examen médico-légal. Ce déséquilibre procure un avantage structurel aux soumissions automatisées de faible qualité.
La pression dépasse donc les manuscrits individuels. Si les coûts de filtrage continuent d’augmenter, les revues pourraient restreindre l’accès aux soumissions, accroître les rejets préliminaires ou imposer davantage d’exigences aux auteurs légitimes.
Les law reviews ont besoin de divulgation sans externaliser le jugement
Les law reviews traitent l’usage de l’IA comme une question de paternité et de fiabilité, et non comme une simple préférence d’écriture.
Les travaux juridiques reposent sur une autorité traçable. Une phrase persuasive n’a de valeur que si ses affaires, lois, archives historiques et étapes logiques résistent à l’examen.
L’IA générative complique cette chaîne. Un modèle peut produire un style juridique reconnaissable tout en mélangeant des juridictions, en présentant incorrectement des décisions ou en fabriquant des citations.
Ces défaillances ne relèvent pas de simples bizarreries théoriques. Des avocats ont déjà fait l’objet de sanctions judiciaires après avoir soumis des écritures contenant des affaires inexistantes générées par des chatbots. Les law reviews ne peuvent pas supposer que les projets académiques y sont immunisés.
Les law reviews dirigées par des étudiants font face à une charge de travail particulière. Les éditeurs évaluent souvent un grand volume de soumissions tout en vérifiant des notes de bas de page denses et en assumant leurs propres responsabilités universitaires.
L’IA peut aider les auteurs à produire davantage de manuscrits, de résumés et de lettres d’accompagnement. Elle ne donne pas aux éditeurs davantage d’heures pour les vérifier.
Plusieurs law reviews ont par conséquent adopté des politiques explicites de divulgation. La University of Pennsylvania Law Review exige désormais que les auteurs divulguent l’usage de l’IA dans la préparation de leurs soumissions.
Sa règle de divulgation pour les auteurs précise également que la divulgation ne jouera pas, à elle seule, contre une soumission. Cette formulation cherche à encourager l’honnêteté plutôt qu’à pousser l’assistance dans la clandestinité.
Stanford Law Review applique un seuil plus ciblé. Elle demande aux auteurs de divulguer l’usage d’IA générative qui affecte de manière significative la substance, l’originalité ou la fiabilité d’une soumission.
Ces approches reflètent un choix politique central. Une revue peut exiger la divulgation de chaque interaction, ou se concentrer sur les usages qui ont matériellement façonné le travail.
Un signalement universel paraît clair, mais il peut générer du bruit. Un auteur pourrait devoir déclarer une simple aide orthographique au même titre qu’une analyse juridique générée, alors que les risques diffèrent fortement.
Un critère de matérialité est plus souple. Toutefois, il demande aux auteurs de déterminer à quel moment une contribution de l’IA est devenue importante. Deux auteurs peuvent interpréter ce seuil différemment.
Les cas les plus difficiles concernent l’assistance à la recherche. Supposons qu’un modèle suggère une décision utile et que l’auteur lise ensuite l’avis complet de manière indépendante. Le modèle a influencé la découverte, mais l’auteur a vérifié l’autorité.
Supposons maintenant que l’auteur se fie au résumé généré sans ouvrir le dossier. Le manuscrit visible peut sembler comparable, alors que son fondement probatoire est bien plus fragile.
Les revues juridiques peuvent y répondre en évaluant le travail plutôt que le style de l’auteur. Les éditeurs peuvent vérifier chaque autorité citée, comparer les citations aux sources originales et demander des explications sur les affirmations inhabituelles.
Elles peuvent aussi exiger que les auteurs restent disponibles tout au long de l’édition. Un auteur qui a élaboré l’argumentation devrait pouvoir en défendre la structure, clarifier les sources et réviser les raisonnements fragiles.
Cela ne crée pas un test d’authenticité parfait. Les auteurs humains peuvent eux aussi commettre des erreurs, mal comprendre des décisions ou déléguer leur travail de manière inappropriée.
L’objectif est la responsabilité. Une revue a besoin d’une personne identifiée capable de répondre de l’argumentation et de rectifier le dossier lorsqu’un problème apparaît.
Les étudiants éditeurs sont confrontés à une autre question : peuvent-ils eux-mêmes utiliser l’IA ? Soumettre un article non publié à un chatbot grand public pourrait exposer des travaux confidentiels et compromettre l’évaluation en aveugle.
Même les outils locaux ou approuvés par l’établissement exigent une gouvernance. Les éditeurs ont besoin de règles concernant la conservation des données, les autorisations d’accès, les tâches autorisées et la divulgation aux auteurs.
Le conflit principal oppose donc le jugement humain à une automatisation invérifiable. L’IA peut aider à mettre en forme les citations ou à repérer des problèmes, mais elle ne peut assumer la responsabilité d’une décision éditoriale.
Cette norme ne devrait pas devenir un test de pureté. Les auteurs en situation de handicap ou disposant d’un accès limité à l’édition professionnelle peuvent bénéficier d’outils d’assistance.
Une politique applicable examine ce que l’outil a fait, et non le simple fait qu’il ait touché au document. L’aide grammaticale et la génération d’arguments substantiels ne devraient pas recevoir le même traitement.
Les revues juridiques auront également besoin d’une application cohérente. Si des auteurs prestigieux bénéficient d’exceptions informelles, les règles de divulgation risquent de devenir symboliques plutôt que protectrices.
Des formulaires clairs, des procédures d’examen documentées et des mesures proportionnées comptent davantage que de grands avertissements. Une omission accidentelle ne devrait pas automatiquement entraîner la même réponse que des autorités inventées.
L’objectif de la politique est d’établir une chaîne fiable entre la source et l’affirmation. Sans cette chaîne, une prose juridique fluide devient un risque plutôt qu’une preuve de rigueur intellectuelle.
Les revues littéraires font face au conflit le plus aigu entre humain et machine
Pour les revues littéraires, la génération d’IA non divulguée remet en cause à la fois les capacités éditoriales et la signification de la paternité créative.
Une revue médicale peut se demander si des preuves étayent une affirmation. Une revue juridique peut vérifier si une décision soutient un argument. Un éditeur littéraire doit porter un jugement moins mesurable sur la voix et l’intention artistique.
Cela ne rend pas le problème moins concret. Les revues à soumissions ouvertes fonctionnent avec de petites équipes, des budgets limités et d’importantes files de lecture.
L’IA générative permet à une personne de produire rapidement de nombreuses histoires. Même les textes faibles mobilisent de l’attention avant qu’un éditeur puisse les rejeter.
Clarkesworld est devenu un signal d’alerte précoce en février 2023. Le magazine de science-fiction a temporairement fermé les soumissions après avoir reçu un afflux de récits soupçonnés d’avoir été générés par des machines.
L’éditeur Neil Clarke a déclaré à Time que le magazine avait reçu 700 soumissions légitimes et 500 soumissions écrites par des machines ce mois-là avant la fermeture.
Le déluge de soumissions a illustré une asymétrie économique dommageable. L’automatisation a augmenté l’offre, tandis que la capacité de lecture éditoriale restait fixe.
L’incident a également montré pourquoi la détection seule ne suffit pas. Une fiction générée médiocre peut être évidente, mais les éditeurs doivent tout de même ouvrir, évaluer et traiter chaque soumission.
À mesure que les modèles s’améliorent, la qualité apparente devient moins informative. Un récit généré peut éviter les erreurs manifestes sans développer une intention artistique cohérente.
Le jugement littéraire dépend en partie des choix qui sous-tendent le texte. Les éditeurs prennent en compte la tension, la forme, le point de vue, l’imagerie et la relation entre une œuvre et son contexte culturel.
Un modèle peut imiter statistiquement ces éléments. Il ne peut pas fournir un témoignage humain sur la manière dont un souvenir, un risque ou une décision formelle particulière a façonné l’histoire.
Certains lecteurs soutiendront que seul le texte achevé compte. Selon cette perspective, une histoire convaincante mérite d’être examinée quelle que soit sa méthode de production.
Cette position a une force intellectuelle, mais elle n’efface pas la politique éditoriale. Une revue peut définir sa mission autour d’œuvres créées par des humains, tout comme un autre lieu de publication peut accueillir explicitement la littérature computationnelle.
La divulgation permet aux deux modèles d’exister. Lecteurs et éditeurs peuvent évaluer les œuvres assistées par IA lorsque la publication identifie clairement ses normes.
La dissimulation crée le conflit le plus important. Un auteur qui soumet une fiction générée à un lieu réservé aux humains gagne en rapidité tout en demandant aux autres participants de respecter des règles qu’il a lui-même ignorées.
Les fausses accusations créent le risque inverse. Les détecteurs d’IA peuvent attribuer des scores suspects à des œuvres humaines, en particulier à une prose soignée, stéréotypée, traduite ou fortement éditée.
Une revue littéraire qui traite le résultat d’un détecteur comme concluant peut rejeter de véritables auteurs sans preuve significative. Elle peut également pousser les auteurs à rendre leur prose moins ordonnée simplement pour paraître humains.
Les incidents les plus connus plaident en faveur d’un examen prudent, non d’une certitude automatisée. Les éditeurs peuvent examiner les schémas de soumission, le comportement des comptes, les métadonnées, l’historique des révisions et les structures textuelles répétées.
Ils peuvent demander un échange lorsqu’une œuvre présélectionnée soulève de sérieuses questions. Un auteur authentique devrait généralement pouvoir discuter des révisions, des influences et des choix écartés.
Même ce processus a ses limites. Certains auteurs communiquent difficilement sur leur pratique. D’autres recourent à une collaboration étendue, à la traduction ou à une assistance éditoriale.
La confidentialité compte également. Exiger chaque brouillon ou chaque prompt pourrait devenir intrusif, notamment lorsqu’une histoire puise dans un traumatisme, une identité ou des expériences confidentielles.
Les éditeurs littéraires ont donc besoin de procédures proportionnées. Le filtrage initial peut cibler les comportements de spam, tandis que les vérifications d’authenticité plus poussées devraient se concentrer sur les œuvres proches de la publication.
Les revues peuvent aussi distinguer l’assistance acceptable de la génération interdite. Le remue-méninges, l’aide à l’accessibilité, la traduction et l’édition ligne par ligne nécessitent des règles distinctes.
Le secteur devrait résister à une définition universelle unique de l’art légitime. Des publications expérimentales peuvent explorer délibérément la collaboration entre humains et machines.
Ce qui importe, c’est que la publication énonce sa norme et l’applique honnêtement. Une revue qui accepte l’écriture assistée par IA peut étiqueter ces œuvres et préserver le choix des lecteurs.
Une revue réservée aux humains peut interdire la prose générée sans prétendre que chaque phrase assistée par une machine est dépourvue de valeur. Différentes missions éditoriales peuvent coexister.
Le danger immédiat n’est pas que l’IA écrive la nouvelle définitive. C’est que le volume automatisé rende la découverte ouverte financièrement impossible.
Fermer les soumissions ouvertes protège les éditeurs, mais nuit aux auteurs émergents. Les auteurs établis peuvent toujours atteindre les revues par l’intermédiaire d’agents, de réseaux ou d’invitations.
Cela crée un renversement préoccupant. Des outils présentés comme démocratisant la créativité peuvent pousser les publications sélectives vers des systèmes plus fermés, fondés sur les relations.
Les politiques de divulgation ne peuvent toujours pas détecter la tromperie de manière fiable
Le consensus politique émergent répond à la question de savoir qui est responsable, mais il ne fournit pas de test fiable de l’usage non divulgué de l’IA.
Dans ces domaines, plusieurs principes reviennent. L’IA ne peut pas être un auteur responsable. Les humains doivent vérifier les contenus générés. Les usages substantiels doivent être divulgués. Les soumissions confidentielles exigent une protection.
Ces principes sont utiles parce qu’ils définissent les obligations avant qu’un différend ne survienne. Ils aident les éditeurs à distinguer l’assistance autorisée de la faute professionnelle.
Toutefois, une déclaration de politique n’est pas un système de détection. Les personnes les plus susceptibles de divulguer sont souvent celles qui essaient déjà de respecter les règles.
Les détecteurs automatisés semblent offrir une réponse évolutive. Ils analysent des caractéristiques statistiques et estiment si un modèle a probablement généré un passage.
Cette estimation n’est pas une preuve. Les résultats peuvent changer après une paraphrase, une traduction ou une édition ordinaire. Différents détecteurs peuvent également parvenir à des conclusions divergentes sur le même passage.
Les faux positifs ont de graves conséquences. Une accusation peut nuire à la carrière d’un chercheur, à la réputation d’un juriste universitaire ou à la relation d’un auteur avec les éditeurs.
Les faux négatifs créent un problème différent. Les utilisateurs avertis peuvent réviser un texte généré, combiner plusieurs outils ou demander à un modèle d’imiter un style moins prévisible.
Cela produit une course aux armements que les éditeurs ne peuvent pas facilement gagner. Chaque amélioration de la détection encourage de nouvelles méthodes de contournement, tandis que les éditeurs restent responsables de décisions équitables.
La réponse la plus durable est la traçabilité. La traçabilité consiste à conserver des éléments sur l’origine d’un contenu et sur la manière dont il a évolué.
Dans l’édition scientifique, la traçabilité peut inclure les dossiers de laboratoire, le code d’analyse, les fichiers de données, la documentation éthique et la correspondance concernant les révisions.
Dans la recherche juridique, elle peut inclure des notes de sources, l’historique des affaires, des vérifications de citations et des explications sur l’élaboration de l’argumentation.
Pour les œuvres littéraires, elle peut comprendre des brouillons ou un échange ciblé avec l’auteur. Ces mesures devraient rester proportionnées à la décision de publication et à la politique annoncée.
Aucune n’offre de certitude. Leur valeur tient au fait qu’elles permettent de vérifier si l’œuvre soumise est reliée à un processus humain crédible.
Les éditeurs peuvent renforcer ce processus par un examen à plusieurs niveaux. Les formulaires de soumission devraient poser des questions précises sur les outils, les tâches et les sections concernées.
Une question vague telle que « Avez-vous utilisé l’IA ? » produit des réponses incohérentes. Les auteurs peuvent ne pas savoir si les logiciels de grammaire, les résumés de recherche ou les outils de transcription sont concernés.
Un meilleur formulaire distingue la correction linguistique, la traduction, la découverte de recherches, l’analyse de données, la rédaction, la génération d’images et la création de citations.
Les éditeurs peuvent alors appliquer des vérifications fondées sur le risque. Une révision rédactionnelle générée exige moins d’examen qu’une interprétation médicale ou une autorité juridique produite par un modèle.
Les politiques devraient également décrire les recours. Les revues ont besoin d’options entre l’acceptation sans condition et l’exclusion permanente.
Un auteur peut corriger une divulgation incomplète avant que l’examen ne se poursuive. Des preuves fabriquées ou une dissimulation délibérée peuvent justifier un rejet et une enquête complémentaire.
Le processus doit inclure un moyen de contester les accusations. Un score de détecteur ne devrait jamais devenir un verdict impossible à réexaminer.
Les éditeurs ont également besoin d’une divulgation interne. Les auteurs méritent de savoir si les éditeurs ou les évaluateurs utilisent l’IA sur des soumissions confidentielles.
Cette exigence révèle une symétrie inconfortable. Les institutions ne peuvent pas exiger de la transparence de leurs contributeurs tout en automatisant discrètement leurs propres décisions.
L’examen humain reste essentiel, mais invoquer une « supervision humaine » ne suffit pas. Un éditeur pressé qui accepte une recommandation de l’IA sans l’examiner n’offre une supervision que de nom.
Les flux de travail devraient consigner qui a pris chaque décision importante et quels éléments l’ont étayée. C’est particulièrement important lorsqu’un rejet affecte l’avancement professionnel.
Les fournisseurs d’IA continueront à proposer des systèmes de filtrage, car les files de publication créent un marché attrayant. Les institutions devraient évaluer ces produits à l’aune d’erreurs réelles, et non de démonstrations marketing.
Des audits indépendants devraient mesurer les performances selon les disciplines, les langues et les parcours d’écriture. Un détecteur entraîné sur un type d’anglais peut être peu performant ailleurs.
Les éditeurs devraient également indiquer quand le filtrage a lieu et comment les résultats sont utilisés. Les systèmes secrets empêchent les auteurs de corriger les erreurs ou d’évaluer les traitements inégaux.
Pour les chercheurs et auteurs individuels, conserver une base de connaissances personnelle peut préserver les notes de sources, les brouillons et l’historique des décisions. Ces documents favorisent un travail rigoureux même lorsqu’aucun différend ne survient.
L’objectif n’est pas une surveillance constante. Il s’agit d’un lien vérifiable entre une publication, ses sources et les êtres humains qui en assument la responsabilité.
Ce que les éditeurs et les auteurs devraient surveiller ensuite
La prochaine phase sera déterminée par les données d’application, les normes de provenance et la viabilité économique des soumissions ouvertes.
Le premier signal sera la manière dont les éditeurs appliquent les règles de divulgation. De nombreuses institutions disposent désormais de politiques, mais moins nombreuses sont celles qui publient des informations sur les enquêtes, les corrections ou les décisions contestées.
Les éditeurs devraient observer si des cas similaires reçoivent un traitement similaire. Une application incohérente découragera les divulgations honnêtes et récompensera les auteurs qui gardent le silence.
Les éléments les plus probants prendraient la forme de rapports de cas anonymisés. Ils pourraient expliquer ce qui a déclenché l’examen, quelles preuves ont compté et comment les auteurs ont contesté une conclusion.
De tels rapports renforceraient l’argument central. Ils montreraient que les politiques de divulgation deviennent des systèmes opérationnels plutôt que de simples formulations sur un site web.
L’absence de rapports rendrait cette appréciation moins solide. Les politiques pourraient surtout servir à transférer la responsabilité vers les auteurs lorsqu’un problème survient.
Le deuxième signal est l’élaboration de normes de provenance. Les éditeurs ont besoin de moyens interopérables pour consigner les usages substantiels de l’IA sans exiger chaque frappe privée.
Une norme utile identifierait l’outil, la tâche, le contenu concerné et la vérification humaine effectuée. Elle devrait fonctionner sur l’ensemble des plateformes de soumission et des éditeurs.
Les revues médicales avanceront probablement le plus vite, car elles recueillent déjà des informations structurées sur les méthodes, l’éthique, le financement et les conflits d’intérêts.
Les revues de droit peuvent adapter les formulaires de divulgation à la recherche juridique et à l’élaboration d’arguments. Les magazines littéraires auront besoin de catégories plus simples, respectueuses de la confidentialité créative.
La provenance ne devrait pas devenir un label prétendant qu’un travail est exempt d’erreurs. Les recherches et écrits produits par des humains peuvent toujours contenir de la fraude, des biais ou des erreurs.
Son objectif est plus limité. Elle établit un historique vérifiable et identifie la personne responsable du travail final.
Si des normes communes émergent, la pression décrite ici deviendra plus gérable. Les éditeurs pourront comparer les divulgations de manière cohérente et concentrer leur examen sur les usages à haut risque.
Si les normes se fragmentent, les auteurs seront confrontés à des définitions différentes dans chaque publication. Cette confusion favorisera les violations accidentelles et l’application sélective des règles.
Le troisième signal est de savoir si les espaces de soumission ouverte restent ouverts. C’est la mesure la plus visible de l’effet de l’IA sur l’accès éditorial.
Un magazine qui ferme sa file générale protège une capacité de lecture limitée. Mais il transfère aussi les opportunités vers les auteurs invités et les personnes disposant de relations établies.
Les revues universitaires pourraient réagir par des taux plus élevés de rejet préalable ou des exigences de soumission plus strictes. Les revues de droit pourraient privilégier des fenêtres d’exclusivité, des chercheurs reconnus ou des signaux institutionnels plus solides.
Ces évolutions réduiraient le spam automatisé, mais elles restreindraient aussi les points d’entrée pour des voix moins connues.
Les lecteurs devraient donc surveiller les fermetures de files, les délais de réponse plus longs, les plafonds de soumission et les expérimentations sur invitation uniquement. Ce ne sont pas de simples détails administratifs.
Ils révèlent si les institutions peuvent préserver un large accès tout en demandant à des humains d’évaluer chaque soumission sérieuse.
Les auteurs ont des responsabilités pratiques durant cette transition. Ils devraient lire la politique en vigueur de chaque publication au lieu de supposer que les règles d’une revue s’appliquent partout.
Ils devraient consigner les moments où l’IA a influencé la recherche ou l’écriture. Ils devraient ouvrir eux-mêmes les sources citées, vérifier les citations et conserver des versions de travail significatives.
Les éditeurs devraient rendre les usages acceptables faciles à comprendre. Des exemples sont plus utiles qu’un avertissement général contre une « utilisation abusive de l’IA ».
Ils devraient également protéger les contributeurs contre les accusations non étayées. Un soupçon devrait déclencher une procédure d’examen équitable, et non une conclusion automatique de faute professionnelle.
Les lecteurs ont aussi un rôle à jouer. Ils devraient attendre des publications qu’elles expliquent leurs normes, en particulier lorsqu’une controverse révèle des lacunes.
Google News continuera de faire remonter les différends dans les domaines de la médecine, du droit et de la littérature. La question décisive est de savoir si les éditeurs bâtiront des systèmes qui protègent la confiance sans fermer leurs portes.
Le meilleur résultat n’est ni une automatisation sans restriction ni une interdiction symbolique. C’est une division du travail documentée dans laquelle les outils assistent et les humains restent responsables.
Cette norme préserve la place d’une aide linguistique utile, d’outils de recherche et de l’expérimentation créative. Elle rend également la dissimulation plus difficile à justifier.
Surveillez la prochaine mise à jour de politique d’une revue ou d’un magazine auquel vous faites confiance. Définit-elle les usages substantiels, protège-t-elle les travaux confidentiels et explique-t-elle comment les accusations sont examinées ?
Si oui, l’institution dépasse l’anxiété pour aller vers la gouvernance. Dans le cas contraire, son processus de soumission repose encore sur des hypothèses que l’IA générative a déjà fait voler en éclats.
