Stratégie de contenus vidéo.

Il y a une analyse de Nature qui est sortie et qui a recensé, sur la seule année 2025, plus de cent quarante mille références bibliographiques qui ne correspondent à aucun document réel. Des études citées dans des publications, avec un titre, des auteurs, un nom de revue, un numéro de page. Et rien derrière. Ce qui rend la chose vicieuse, c'est que ces fausses références sont très bien faites. Le titre colle au domaine de l'auteur cité. Les co-auteurs ont vraiment publié ensemble par le passé. Le numéro de volume correspond bien à l'année. C'est une petite fiction parfaitement cohérente, sauf que l'article n'a jamais existé. Et le pire, c'est là où on les retrouve. Sur les articles acceptés à NeurIPS, qui est la plus grosse conférence d'intelligence artificielle au monde, une analyse a confirmé une centaine de citations inventées. Dans des papiers relus par des pairs. Chez les gens qui construisent ces modèles. Le truc c'est que ce n'est pas un bug qu'on va corriger à la prochaine version. Un modèle de langage produit le mot le plus probable après le précédent. Et une référence bibliographique, c'est un objet extrêmement régulier : un nom, une année, un titre, une revue, des pages. C'est exactement ce qu'un modèle sait imiter à la perfection, sans avoir besoin que ça existe. Moi quand je vois ça, ce qui m'inquiète ce n'est pas la publication qui finit rétractée. C'est celle qu'on ne rétracte pas. Parce qu'une fois qu'une fausse référence est citée une fois, elle est reprise, elle circule, et au bout de trois ou quatre reprises plus personne ne remonte à la source. Donc la vraie question à se poser sur un outil, ce n'est pas de savoir s'il hallucine. C'est de savoir s'il vous donne les moyens de vérifier. Un livrable où chaque affirmation renvoie à une source que vous pouvez ouvrir, ça se contrôle en dix minutes. Un texte fluide sans traçabilité, il faut le refaire entièrement. Et le refaire coûte toujours plus cher que de l'avoir fait soi-même.

Ça s'appelle Humanity's Last Exam. Deux mille cinq cents questions, plus de cent disciplines, écrites par des spécialistes de chaque domaine avec une consigne simple : posez la question que vous poseriez à quelqu'un qui prétend être de votre niveau. À la sortie du test, les meilleurs modèles du monde tournaient autour de trois pour cent de bonnes réponses. Trois. Aujourd'hui, un an et demi plus tard, ils sont montés à cinquante-cinq, ce qui est un progrès considérable. Sauf que sur ces mêmes questions, un expert de la discipline concernée est autour de quatre-vingt-dix. Et il y a un détail encore plus parlant. Sur les questions plus générales, celles qu'on trouve dans un cours de master, ces mêmes modèles ont dépassé le niveau des docteurs depuis un bon moment. Donc l'écart ne vient pas de la puissance brute. Il vient de la profondeur. En fait, plus vous êtes pointu dans votre domaine, moins un outil généraliste vous sert. C'est contre-intuitif, parce qu'on nous vend l'inverse : plus le modèle est gros, plus il devrait aider les gens compliqués. Dans les faits, un responsable R&D en chimie de formulation ou un chercheur en microbiologie arrive très vite à l'endroit où l'outil ne sait plus, mais continue de répondre. Et c'est ça, le problème. Ce n'est pas qu'il ne sache pas. C'est qu'il ne le dise pas. Il répond avec la même assurance sur ce qu'il maîtrise et sur ce qu'il improvise, et c'est à vous de faire le tri. Alors que le tri, c'est précisément la partie qui demande votre expertise. Donc la bonne façon de poser le problème, ce n'est pas de se demander si l'IA va remplacer les experts. C'est de se demander si l'outil a été construit sur votre domaine, avec vos sources, vos contraintes, votre façon de valider un résultat. Un outil qui sait tout un peu ne remplacera jamais quelqu'un qui sait une chose à fond. Il peut en revanche lui rendre ses semaines de recherche documentaire, à condition d'avoir été façonné par lui.

Le Crédit d'Impôt Recherche, c'est plus de sept milliards d'euros par an. Et il y a une idée fausse très répandue dans les entreprises : que c'est un dispositif comptable. Que si les calculs sont propres et que les feuilles de paie collent, le dossier tient. En pratique, quand un vérificateur ouvre un dossier, il ne commence pas par le tableau. Il commence par la justification scientifique. Il cherche à comprendre quel était le verrou technique, ce que l'entreprise a essayé, dans quel ordre, et pourquoi l'état des connaissances existant ne permettait pas de résoudre le problème. Autrement dit, il vérifie que ce que vous avez fait relevait bien de la recherche, et pas d'un développement bien mené. Et c'est là que la plupart des dossiers se fragilisent. Pas parce que la recherche n'a pas eu lieu. Elle a eu lieu. Mais parce que personne, à l'époque, n'a écrit l'état de l'art. Personne n'a documenté ce qui existait déjà et pourquoi ça ne suffisait pas. On l'a su, on se l'est dit en réunion, et ça n'est jamais sorti de la tête des ingénieurs. Le problème, c'est le délai. L'administration peut revenir jusqu'à la fin de la troisième année qui suit la déclaration. Trois ans, dans une équipe R&D, c'est deux ou trois départs, un changement d'outils, des cahiers de laboratoire dans un carton. La recherche est réelle et la preuve, elle, a disparu. Ce que font les boîtes qui passent les contrôles sans douleur, c'est d'inverser l'ordre. Elles écrivent l'état de l'art au démarrage du projet, pas au moment de déclarer. À ce moment-là, c'est facile : l'équipe a la question fraîche en tête, elle sait exactement quelles publications et quels brevets elle a écartés, et pour quelles raisons. Le réflexe concret, c'est donc de traiter la justification scientifique comme un livrable de projet, avec une date et un responsable, au même titre qu'un cahier des charges. Un dossier CIR ne se rédige pas en mars. Il se documente pendant qu'on cherche.