Éminents collègues et partenaires, 

Merci d’avoir participé à la deuxième réunion du groupe Recherche 7+ (R7+) à Ottawa. Notre objectif était simple en principe, mais exigeant en pratique : transformer les engagements pris par les dirigeants du G7 en matière d’« IA pour la prospérité » en une feuille de route concrète, à court terme, permettant de faire en sorte que l’intelligence artificielle renforce, plutôt qu’elle n’érode, le milieu scientifique. Ce document consigne à la fois ce que nous avons entendu de la communauté scientifique et ce que nous nous sommes engagés, en tant qu’organismes publics qui financent et réalisent la recherche, conjointement à livrer. 

Pourquoi une telle urgence? Parce que la vitesse à laquelle évolue la recherche ne se prête plus à une modélisation linéaire. Imaginons un instant : si les capacités de recherche en intelligence artificielle venaient à doubler tous les sept mois (en faisant fi de toute spéculation métaphysique sur l’« intelligence artificielle générale » ou « IAG », quoi que recouvre ce terme), une part de plus en plus importante du travail courant de la science (qu’il s’agisse de recherche, de synthèse, de programmation ou d’orchestration expérimentale) deviendrait, dans les faits, disponible sur une base horaire. En revanche, les universités et les systèmes de financement sont structurés autour de cycles pluriannuels : filières de formation, processus de titularisation, acquisition d’infrastructures, cadres d’évaluation. Ce décalage n’est pas sans conséquence. Les organismes comme les nôtres peinent à composer avec les changements « soudains ». 

C’est également pour cette raison que la coopération revêt toute son importance, en particulier entre partenaires animés par un engagement commun envers l’ouverture, l’intégrité et l’intérêt public. Les espaces de coopération ne sont pas une fin en soi, mais plutôt un moyen de mettre en commun des talents rares, d’harmoniser les normes et de mettre en place des infrastructures partagées (et dignes de confiance), tout en respectant la souveraineté et les contraintes légitimes, notamment au moyen d’approches telles que la libre circulation des données dans la confiance. De fait, les projets conjoints pragmatiques que nous nous sommes engagés à réaliser ne pourront donner des résultats que grâce à une collaboration durable, tant sur le plan technique qu’institutionnel et culturel. 

Dans ce contexte, nos trois initiatives communes (un pôle conjoint de talents conçu comme un projet pilote de Communauté de recherche en IA, un axe de travail fondé sur la libre circulation des données dans la confiance et consacré à des espaces de données scientifiques fédérés, et des principes communs pour une utilisation responsable de l’IA en recherche) doivent être comprises comme les piliers de l’architecture de la confiance qui viendront réduire les zones de résistance dans la collaboration, asseoir les garanties communes et enchâsser l’IA aux normes scientifiques de transparence et de reproductibilité. Certes, ce travail est ambitieux et non contraignant; mais il est concret et partagé. 

- Mark Daley (chercheur en résidence en IA du Conseil de recherches en sciences naturelles et en génie du Canada, Canada) 

Le groupe de mobilisation Recherche 7+ (R7+) a été formé en 2024, sous la présidence italienne du G7. La réunion inaugurale du groupe R7+ a remporté un franc succès, réunissant des dirigeants internationaux d’organismes de recherche et de financement de la recherche afin de faire progresser le dialogue sur la recherche et l’innovation. Fort de cet élan et dans le cadre de la présidence canadienne du G7, le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) a organisé la deuxième réunion du R7+ à Ottawa (Ontario, Canada), qui s’est tenue les 17 et 18 novembre 2025. 

L’objectif de la réunion du R7+ de cette année était de traduire les grands engagements énoncés dans la Déclaration des dirigeants du G7 sur l’IA pour la prospérité (17 juin 2025) en une feuille de route réalisable visant à faire progresser l’IA au service de la prospérité par la recherche scientifique.   

Cet événement de deux jours a réuni des chercheuses et chercheurs scientifiques canadiens à l’avant-garde des applications de l’IA en science avec des spécialistes et des leaders en IA provenant à la fois d’organismes publics de recherche et d’organismes de financement de la recherche des pays du R7+. Parmi les organisations participantes figuraient le CRSNG (Canada), le Centre national de la recherche scientifique (CNRS; France), Fraunhofer (Allemagne), le Consiglio Nazionale delle Ricerche (CNR; Italie), le RIKEN (Japon), le UK Research and Innovation (UKRI; Royaume-Uni), la National Science Foundation (NSF; États-Unis), le Centre commun de recherche (CCR; Union européenne) et le Consejo Superior de Investigaciones Científicas (CSIC; Espagne), qui ont examiné de manière concertée les possibilités et les risques que pose l’IA pour la science. La réunion a donné lieu à des échanges enrichissants, qui ont permis de dégager des occasions concrètes de collaboration et d’engagement entre les organisations du R7+. 

Dirigé par le CRSNG en consultation avec les organisations participantes, le présent document fait la synthèse des discussions et des résultats proposés à la suite de la réunion du R7+ de 2025. S’il reflète des convergences générales, ce document ne rend pas compte de l’ensemble des commentaires ou points de vue exprimés, et son contenu ne saurait être considéré comme une représentation des positions officielles des organisations participantes. 

La réunion des spécialistes du R7+ en IA s’est déroulée le 17 novembre 2025. Cette première partie de la réunion du R7+ a réuni des chefs de file de la recherche en IA de l’ensemble des pays du R7+, ainsi que des universitaires et des chercheuses et chercheurs canadiens à la fine pointe de l’IA, qui ont apporté des expertises issues de perspectives diverses en recherche, en pratique clinique, en ingénierie et en éthique. Les échanges de la journée ont porté sur la manière dont l’IA reconfigure la pratique scientifique dans différents domaines et disciplines, ainsi que sur la façon dont les systèmes publics de recherche devraient ou pourraient y répondre afin de maximiser les retombées positives et d’atténuer les effets potentiellement néfastes ou négatifs non intentionnels. Les discussions ont eu lieu sous la forme d’une table ronde suivie de groupes de discussion animés axés sur trois grands domaines disciplinaires : 

• L’IA appliquée à la santé et aux sciences de la vie 
• L’IA appliquée aux sciences de la Terre et de l’environnement 
• L’IA appliquée aux sciences physiques et aux sciences des matériaux 

Tous domaines et secteurs confondus, une conclusion générale s’est dégagée de façon constante : l’enjeu central n’est pas de savoir si l’IA transformera la recherche, mais plutôt de déterminer qui orientera cette transformation, à quelles fins et selon quelles normes. L’IA transforme et amplifie déjà les façons de mener la science (« IA au service de la science »), tandis que de vastes domaines scientifiques se consacrent désormais à la recherche de pointe sur l’IA (« la science au service de l’IA »). Sans une attention accrue à l’IA, les chercheuses et chercheurs redoutent un déplacement du centre de gravité vers de grands acteurs du secteur privé, vers des priorités axées sur l’enthousiasme pour de nouvelles méthodes plutôt que sur leurs effets concrets, ainsi que vers des systèmes opaques, érodant progressivement les compétences humaines et les institutions garantes de l’intégrité scientifique. 

Les résultats des discussions ont mis en évidence la nécessité de créer des cultures, des incitatifs et des infrastructures qui renforcent le jugement scientifique, l’interdisciplinarité et la confiance du public, tout en soulignant que, en matière d’IA au service de la science, la priorité absolue et le meilleur rendement des investissements résident dans le capital humain plutôt que dans le matériel ou les modèles eux-mêmes. 

Au cours des discussions de la journée, six grands thèmes se sont dégagés des actions proposées par les personnes participantes : 

1. Renforcer la littératie en IA en assurant la prééminence des compétences humaines 
2. Ancrer les investissements sur les effets ainsi que sur des problèmes et des communautés clairement définis 
3. Soutenir la recherche collective et l’interdisciplinarité 
4. Garantir l’accès à des infrastructures partagées et dignes de confiance  
5. Assurer la durabilité énergétique et la transparence   
6. Renforcer l’accès aux données et les normes   

Les sections qui suivent mettent en lumière les principales conclusions tirées des discussions pour chacun de ces thèmes. Il importe de souligner que ce document n’a pas pour objet de fournir une analyse exhaustive de ces thèmes ni de refléter une adhésion complète de l’ensemble des personnes participantes à tous les sujets abordés; il vise plutôt à rendre compte des discussions et des principaux points saillants soulevés par les spécialistes lors de la réunion du R7+.  

Les échanges ont mis en évidence que le meilleur rendement des investissements publics en IA au service de la science repose avant tout sur le capital humain, plutôt que seulement sur le matériel ou les modèles eux-mêmes. Ce thème est revenu de manière récurrente tout au long des discussions. Les échanges ont mis en évidence la nécessité de recentrer les investissements sur le développement de la littératie en IA des chercheuses  et chercheurs.   

Les personnes participantes ont discuté du manque généralisé de littératie en IA chez les chercheuses et chercheurs, lequel se traduit souvent soit par une confiance excessive dans les systèmes d’IA, soit par un rejet de leur utilisation par principe, le domaine de la santé revenant fréquemment comme exemple. Il a été souligné que ces deux attitudes sont en réalité les symptômes d’une même carence : une compréhension limitée du fonctionnement de ces systèmes, de leurs points faibles et de la manière dont ils doivent être mis en doute et utilisés.     

En réponse à ces défis, les personnes participantes à la réunion du R7+ ont souligné que la littératie en IA doit aller au-delà d’une simple connaissance des outils et englober notamment :   

• une compréhension de base de la manière dont les modèles d’IA modernes sont entraînés et évalués;   
• une connaissance des phénomènes d’hallucination/fabulation, de détournement des mécanismes de récompense et de biais;    
• la capacité à évaluer de manière critique les résultats des modèles et systèmes d’IA, notamment de pouvoir aisément vérifier les résultats, déboguer les systèmes et demander des preuves.  

La littératie en IA devrait relever avant tout d’une discipline épistémique, reposant sur une compréhension approfondie des modèles d’IA, de leur fonctionnement, ainsi que de leurs forces et de leurs faiblesses, et non sur une simple familiarité avec les systèmes d’IA et la manière de les utiliser ou d’interagir avec eux. Les chercheuses et chercheurs ont souligné la nécessité de privilégier et de favoriser le développement de compétences sociotechniques, telles que l’esprit critique, le débogage, la conscience de l’incertitude, la documentation et la reproductibilité – au‑delà des seules compétences en programmation. 

Les discussions ont également mis en évidence des préoccupations relatives à l’évolution du rôle de l’IA dans le processus scientifique lui‑même, en particulier la perspective que l’IA en tant qu’outil devienne une IA assumant le rôle de scientifique. Historiquement, l’IA s’est inscrite dans la recherche scientifique comme outil, au service de l’automatisation de tâches de classification, de régression et de reconnaissance de formes. Toutefois, le rôle de l’IA en recherche scientifique est en train d’évoluer : elle devient de plus en plus agentive1 et est utilisée dans diverses tâches, comme la génération et le débogage de code, la proposition d’hypothèses ou de mécanismes, la conception d’expériences ou de cadres de simulation, ou encore l’orchestration de laboratoires automatisés où la simulation et l’expérimentation physique sont étroitement couplées, pour n’en citer que quelques-unes. Dans certains cas, les systèmes d’IA ont même participé à l’identification de régularités inédites dans des données comportementales ou biologiques. Les spécialistes ont fait remarquer que cette évolution du rôle de l’IA soulève la question de savoir si certains systèmes commencent, de façon limitée, à jouer un rôle de « collaborateur scientifique ». Ils ont toutefois rappelé que les modèles d’IA générative actuels ne sont pas des agents épistémiques fiables. Ils ne sont pas en mesure de calibrer l’incertitude, ils peuvent tricher en « détournant les mécanismes de récompense » pour atteindre leurs objectifs d’entraînement et ont du mal à assurer la cohérence et la reproductibilité, surtout en dehors de tâches quantitatives étroites permettant une vérification formelle. Par conséquent, si l’IA est appelée à jouer un rôle accru en recherche et en innovation, les normes de preuve et de vérification relatives aux renseignements générés par l’IA devraient être proportionnellement plus élevées. Il a également été souligné que les idées produites par l’IA à des fins de recherche doivent être soumises aux mêmes normes que celles issues du raisonnement humain. Le contrôle rigoureux du contenu généré par l’IA pourrait s’appuyer sur plusieurs leviers, dont l’utilisation de démonstrateurs automatiques de théorèmes et d’assistants de preuve afin de valider les affirmations de nature mathématique, l’obligation de fournir du code et des pipelines de données entièrement réexécutables pour les résultats informatiques, ainsi que l’imposition d’estimations explicites de l’incertitude et de tests de robustesse pour les hypothèses ou modèles issus de l’IA. Les spécialistes ont par ailleurs souligné la nécessité de définir clairement les limites entre les contributions humaines et celles de l’IA, afin de soutenir la transparence, la reproductibilité et la responsabilisation. En somme, si l’IA doit être accueillie comme partenaire scientifique, il faut lui imposer les règles de la science et des exigences élevées de vérification.   

Le recours accru à l’IA en contexte scientifique, à des fins de découverte et de recherche, peut avoir des avantages. Toutefois, à mesure que l’IA assume un rôle de plus en plus agentique et prend en charge des tâches auparavant réalisées par des chercheuses et chercheurs humains, les personnes participantes ont également exprimé des préoccupations liées à la déqualification. Les discussions ont porté sur le risque de déqualification résultant de l’érosion progressive des compétences humaines lorsque des systèmes d’IA prennent en charge des tâches qui fournissaient auparavant une formation et une rétroaction essentielles, par analogie avec des technologies antérieures comme les calculatrices, les tableurs ou les systèmes de pilotage automatique. Dans ces situations, les spécialistes ont observé que l’introduction de l’automatisation a fait évoluer le rôle des humains, les faisant passer de l’exécution des tâches à leur surveillance. Si le recours aux technologies s’est révélé bénéfique dans certains cas, il peut, dans d’autres situations (surtout lorsqu’une intervention humaine est nécessaire en cas de défaillances rares mais critiques) devenir dangereux si on s’y fie trop. Face à des systèmes d’IA en mesure de formuler des réponses qui semblent crédibles à presque toute question, les préoccupations ont une portée encore plus grande. Les spécialistes ont soulevé trois risques distincts :   

1. Perte de l’esprit critique : L’utilisation régulière de systèmes d’IA pour la production d’arguments, d’interprétations ou même de réflexions critiques peut conduire, chez les étudiantes et étudiants et les chercheuses et chercheurs, à une perte progressive de l’habitude de s’approprier eux‑mêmes la complexité des enjeux. De plus, si l’esprit critique s’érode, les conséquences pourraient dépasser le seul champ scientifique et avoir des répercussions sur l’ensemble de la société, la littératie médiatique et la cohésion sociale2.  
2. Biais d’automatisation et baisse de vigilance : Les flux de travail avec intervention humaine peuvent produire un faux sentiment de sécurité. On observe que le rôle humain glisse de la résolution de problèmes vers la surveillance. Par contre, la surveillance s’avère psychologiquement bien plus exigeante et fragile que ne l’anticipent souvent les concepteurs.   
3. Exposition éducative : Les spécialistes ont exprimé des préoccupations quant aux effets d’un usage non encadré de l’IA chez les jeunes personnes utilisatrices, notamment les enfants et les adolescentes et adolescents, qui sont à l’étape d’acquérir leurs compétences de base et de développer leur raisonnement et leur l’identité. Des études signalent par ailleurs que l’attachement émotionnel à des systèmes conversationnels constitue un facteur de risque supplémentaire.     

Les spécialistes ont exhorté les décideuses et décideurs à adopter une approche explicite et délibérée quant à l’intégration de l’IA dans les activités de formation et d’évaluation, ainsi qu’à déterminer clairement les contextes dans lesquels elle ne devrait pas être intégrée, afin de favoriser le développement de certaines compétences et aptitudes. Un constat à la fois dérangeant et fondamental s’impose : facilitation et développement des compétences sont deux notions qui entrent souvent en contradiction. La maximisation non critique de la première peut, à terme, éroder la seconde.   

Suggestions :   

• Littératie en IA   
  • Adopter des approches pédagogiques et des modes de formation axés sur le développement de l’esprit critique, des compétences en débogage et de la vérification responsable. Si cet enjeu concerne tous les domaines, il prend une importance particulière dans les programmes visant à former les futurs cliniciennes et cliniciens, ingénieures et ingénieurs et décideuses et décideurs politiques.  
  • Encourager les approches pédagogiques qui amènent les étudiantes et étudiants à induire délibérément des défaillances de l’IA pour ensuite les analyser. La capacité à repérer les hallucinations et les erreurs de raisonnement devrait faire partie de la littératie en IA, en vue de limiter les biais d’automatisation et la baisse de la vigilance.   
• Passage de l’IA en tant qu’outil à l’IA en tant que scientifique   
  • Favoriser le développement et l’adoption d’outils destinés à améliorer la reproductibilité des travaux scientifiques intégrant l’IA, par le recours à la vérification formelle, à des chaînes de traitement en environnement conteneurisé et à la journalisation systématique des requêtes et des sorties des modèles mobilisés dans les analyses.   
  • Promouvoir une culture de recherche dans laquelle les idées générées par l’IA sont soumises à des niveaux d’examen équivalents, voire supérieurs, à ceux appliqués aux idées issues du raisonnement humain, en particulier dans les domaines comportant des enjeux importants de sécurité.   
  • Insister sur la documentation explicite de la distinction entre les contributions humaines et celles de l’IA. Cette exigence est essentielle pour assurer la redevabilité, la reconnaissance des contributions et la clarification des responsabilités en cas d’erreur.   
• Préoccupations concernant la déqualification  
  • Reconnaître que certaines activités tirent leur valeur précisément de leur difficulté. Les exercices pédagogiques visant à développer le raisonnement, la capacité à résoudre des problèmes ou le raisonnement éthique peuvent nécessiter de délimiter des cadres au sein desquels il serait parfois proscrit de recourir à l’IA.   
  • Dans les milieux professionnels, privilégier des conceptions de systèmes qui mobilisent régulièrement les compétences humaines, plutôt que de reléguer les humains à un rôle de surveillance passive face à des systèmes difficilement interprétables.   

En outre, en lien avec la nécessité d’élaborer des systèmes appropriés favorisant une littératie accrue en IA (notamment par l’acquisition de compétences sociotechniques) et répondant aux préoccupations relatives à la perte de compétences, les spécialistes ont également insisté sur l’importance de constituer des équipes de recherche interdisciplinaires capables d’aborder les nouveaux défis sous un angle sociotechnique. Soulignons que la notion de « recherche collective » a été largement reconnue et s’est imposée comme un pilier de l’excellence en recherche scientifique, puisqu’elle favorise la diversité des points de vue, l’inclusion réelle de l’ensemble des membres d’une équipe et la reconnaissance des contributions associées à tous les rôles au sein d’une équipe de recherche.  

La formation actuelle met encore trop l’accent sur les compétences techniques et sous-estime les aspects sociotechniques de l’IA : comment les systèmes interagissent avec les établissements, les politiques, les incitatifs et la psychologie humaine. À titre d’exemple, plusieurs personnes participantes ont relevé que, si les informaticiennes et informaticiens sont généralement très compétents en optimisation des modèles, elles et ils ne disposent pas nécessairement d’une formation les préparant à analyser les systèmes sociaux dans lesquels ces modèles sont déployés. À l’inverse, les spécialistes du domaine ont souvent une connaissance approfondie du contexte, mais n’ont pas le vocabulaire nécessaire pour façonner de façon significative la conception de l’IA. Dans ce contexte, la recherche collective (et tout particulièrement les équipes interdisciplinaires) peut être un moyen de renforcer la recherche et devrait être considérée comme l’unité d’excellence de référence pour les découvertes scientifiques mobilisant l’IA.  

Toutefois, en ce qui concerne l’interdisciplinarité et la recherche collective, deux principaux défis ont également été relevés. Premièrement, le travail interdisciplinaire demeure plus difficile à mener, plus ardu à évaluer et moins récompensé. Ainsi, les étudiantes et étudiants des cycles supérieurs engagés dans des travaux à la croisée de l’IA et d’un domaine de recherche précis peuvent être confrontés à un double standard, devant satisfaire deux communautés dont les normes d’évaluation vont rarement dans le même sens. Deuxièmement, la recherche collective appelle une reconnaissance des contributions de l’ensemble des membres de l’équipe, y compris de celles et ceux qui assument des rôles de soutien, tels que les ingénieures et ingénieurs de recherche et les développeuses et développeurs logiciels responsables de la maintenance des outils, des chaînes de traitement et des infrastructures de données. Ces rôles sont souvent financés de façon précaire, considérés comme auxiliaires et insuffisamment reconnus dans les paramètres universitaires traditionnels. Il a été fortement recommandé de rehausser le statut de ces rôles de soutien à la recherche et d’assurer une reconnaissance appropriée et significative de l’ensemble des rôles au sein des équipes, dans le cadre d’une approche inclusive de la recherche collective. Il a en outre été proposé que les systèmes d’évaluation reconnaissent comme des contributions à part entière non seulement les publications, mais également les ensembles de données, les logiciels réutilisables et les chaînes de traitement bien documentées. Ces contributions jouent un rôle déterminant dans le processus scientifique, sans toutefois être systématiquement reconnues ou valorisées dans les cadres d’évaluation s’appuyant sur des critères classiques d’excellence en recherche.  

Si l’intégration de l’IA en recherche ne passe pas par une approche centrée sur l’humain, les équipes risquent d’être moins en mesure de relever les défis sociotechniques évolutifs associés à l’IA. À l’inverse, une telle approche peut renforcer la capacité de toutes les personnes à participer efficacement à la science de pointe et à en tirer pleinement parti.   

Suggestions : 

• Considérer la recherche collective comme l’unité d’excellence de référence pour la recherche appuyée par l’IA, en intégrant l’expertise interdisciplinaire et en reconnaissant les contributions de l’ensemble des membres de l’équipe.  
• Valoriser et reconnaître les rôles qui rendent la recherche possible, notamment ceux des ingénieures et ingénieurs de recherche et des gestionnaires de données, comme étant essentiels au fonctionnement de l’activité scientifique. Dans cette optique, les systèmes d’évaluation devraient reconnaître comme des contributions à part entière non seulement les publications, mais aussi les ensembles de données, les logiciels réutilisables et les chaînes de traitement bien documentées. Une telle reconnaissance contribuerait à renforcer davantage une approche fondée sur la recherche collective.  
• Soutenir le travail interdisciplinaire en créant des environnements dans lesquels l’interdisciplinarité ne met pas en péril la carrière des chercheuses et chercheurs. Ces efforts pourraient inclure, par exemple, l’élaboration de critères permettant d’évaluer la qualité de travaux difficiles à classer, situés à la jonction de plusieurs disciplines.  

Un autre thème a mis en lumière des préoccupations quant à des programmes de recherche centrés sur les modèles et dictés par ce que certains qualifient d’« engouement »3. Au cours de la réunion, les spécialistes en IA ont insisté sur le fait que les organismes publics de financement doivent également privilégier les effets plutôt que la nouveauté des modèles. L’accent devrait ainsi être mis sur les effets réels sur le terrain, notamment par le soutien à des applications dans lesquelles les problèmes visés et les utilisateurs sont clairement définis et concrets, plutôt que sur le financement de plus grands modèles novateurs.  

La taille et la portée des modèles, et plus particulièrement leur adéquation avec l’usage visé, ont suscité de l’attention et de l’intérêt après la présentation d’un participant qui a discuté des avantages relatifs des grands modèles par rapport aux petits modèles. À l’une des extrémités du spectre, le participant a décrit de façon analogique les modèles de grande taille comme des « éléphants », caractérisés par leur puissance et leur champ d’application général. S’ils bénéficient d’une forte visibilité médiatique et d’importants investissements, ces modèles se révèlent également plus coûteux et plus énergivores. À l’autre extrémité du spectre, le participant a décrit les modèles plus petits comme des « abeilles », caractérisés par leur spécialisation. Conçus pour répondre à des problèmes scientifiques ou sociétaux précis, ces modèles, bien qu’en apparence plus modestes, se révèlent particulièrement adaptés à la résolution de problèmes concrets et sont en outre généralement moins coûteux et moins gourmands en ressources. Bien que les deux catégories de modèles puissent s’avérer utiles selon les applications, les personnes participantes ont souligné que la création de valeur publique reposera avant tout sur un système composé de quelques grands modèles et d’une pluralité d’outils plus petits, efficaces et conçus pour des besoins définis.  

Les spécialistes ont examiné le rôle des organismes publics de financement de la recherche et ont souligné l’importance d’exiger que les propositions se concentrent sur les problèmes à résoudre et sur les personnes qui interagiront avec les systèmes d’IA ou en subiront les effets, plutôt que sur les modèles employés. Ils ont relevé à cet égard que les effets sont plus tangibles lorsque les problématiques et les personnes utilisatrices sont clairement définis. Il a été recommandé que ces organismes de financement encouragent des évaluations fondées sur les conditions réelles d’exploitation des systèmes d’IA (notamment l’évolution des données dans le temps par rapport aux données d’entraînement initiales, les effets des interactions humaines avec le système susceptibles d’influencer les résultats futurs, les contraintes de coûts et les conséquences des défaillances, etc.) et favorisant le recours à des modèles plus simples ou plus anciens lorsqu’ils donnent de meilleurs résultats, plutôt que des modèles toujours plus novateurs. Les systèmes de recherche publics devraient éviter de suivre des « cycles d’engouement » qui conduisent fréquemment au financement de projets visant surtout à mettre en vitrine des plateformes génériques, plutôt qu’à résoudre des problèmes précis.  

Voici quelques exemples concrets relevés pendant les échanges :  

• Modélisation environnementale : Dans ce cas précis, il a été constaté qu’en conditions réelles, des approches de régression informée par le domaine ou des émulateurs plus simples surpassaient des modèles profonds plus récents. 
• Problèmes de contrôle industriel et municipal : Dans l’examen de solutions visant la gestion des odeurs dans les stations d’épuration ou l’optimisation de l’agriculture verticale, on a constaté que le succès dépendait moins de la nouveauté de l’architecture des modèles que de l’accès aux données, de l’expertise du domaine et d’une formulation rigoureuse du problème.  
• Applications en santé – prévention et soins primaires : Les discussions ont fait ressortir que les applications en santé liées à la prévention et aux soins primaires ont reçu moins d’attention que les domaines concernant la découverte de médicaments, et ce, malgré leur potentiel de retombées pour la population.  

Suggestions : 

• Réorienter l’attention et la formulation des questions, en passant d’une logique du « comment » (p. ex. « Quel modèle devons‑nous utiliser? ») à une compréhension préalable du « qui » et du « pourquoi » (p. ex. « Quel problème cherchons‑nous à résoudre, et pour qui? »).  
• Les organismes de financement devraient recommander des évaluations intégrant des méthodes moins récentes ou plus simples lorsque celles‑ci démontrent de meilleurs résultats. Dans le cadre de l’évaluation des propositions, les organismes de financement et les comités d'évaluation devraient miser prioritairement sur les retombées, plutôt qu’exclusivement sur la nouveauté des méthodes proposées.  
• Ces évaluations devraient en outre être ancrées dans les conditions de déploiement, c’est‑à‑dire les conditions réelles dans lesquels les modèles seront appelés à être utilisés. 
• Résister à la tentation d’ériger les points de référence et classements comme indicateurs de valeur. Un score de pointe basé sur un un point de référence bien précis n’est d’aucune utilité s’il ne se traduit pas, en situation opérationnelle, par des systèmes plus sûrs, plus fiables ou plus efficaces. 

Dans différentes disciplines, y compris les sciences de l’environnement, la santé et les sciences physiques, les personnes participantes ont souligné que l’obstacle principal à la mise en œuvre des innovations en IA réside moins dans l’absence d’algorithmes que dans le manque d’infrastructures partagées, fiables et adaptées, comme : 

• Infrastructure de données : ensembles de données interopérables bien documentés et administrés et dont la provenance est clairement établie. Données faciles à trouver, accessibles, interopérables et réutilisables (FAIR) pour les modèles et systèmes d’IA, accessibles sur demande. 
• Infrastructure logicielle : outils matures, dotés de services d’inférence et tenus à jour pour la gestion, la modélisation, la surveillance et l’évaluation des données. Interopérabilité entre les systèmes d’IA, les données et les autres services numériques.  
• Infrastructure de calcul : capacité appropriée, située au bon endroit dans la chaîne de traitement (pour de nombreux cas d’utilisation, une puissance de calcul modeste adaptée au problème est plus utile que le matériel de pointe éloigné) et capacité adaptée à l’entraînement et à l’inférence des modèles.   

Les spécialistes ont particulièrement insisté sur l’importance de la confiance, au‑delà du seul accès. Celle‑ci est indispensable à l’IA au service de la science et devrait reposer sur des systèmes que les communautés concernées peuvent comprendre, remettre en doute et faire évoluer. Cet enjeu a été jugé particulièrement crucial dans les domaines où des données personnelles ou exclusives sensibles sont en jeu. Dans le cas des données scientifiques et des données sur la santé, par exemple, l’introduction de contenus dans des systèmes opaques soulève de nombreuses inquiétudes quant aux risques de mémorisation et de fuite de données personnelles ou exclusives. Selon les chercheuses et chercheurs, dans ces cas comme dans bien d’autres, la confiance se construit plus facilement lorsque les usagères et usagers sont impliqués en amont dans la définition des problèmes et la conception des systèmes, plutôt que cantonnés à recevoir un produit en fin de processus. Les spécialistes ont en outre proposé de recourir à des approches telles que la génération augmentée par récupération (p. ex. systèmes combinant une source de données externe aux données d’entraînement initiales de manière à optimiser les réponses), les systèmes agentiques (p. ex. agents d’IA qui peuvent, sur demande, utiliser d’autres données et services), ainsi que les modèles « compute‑to‑data » qui autorisent l’accès aux données sans que celles-ci doivent être transférées de leur lieu d’hébergement initial, comme schémas plus acceptables à envisager pour renforcer la confiance et protéger la confidentialité des données.  

L’usage de l’IA dans les processus de recherche (revue de la littérature, collecte et préparation des données, analyse statistique, etc.) et les processus d’évaluation requiert de la transparence, de la traçabilité et des limites claires quant à la responsabilité. Dans cette optique, il est important d’établir des cadres réglementaires et des normes d’utilisation, les spécialistes mettant en garde contre le fait de faire reposer la responsabilité de l’utilisation responsable de l’IA uniquement sur les personnes utilisatrices. L’idée que chaque chercheuse et chercheur, clinicienne ou clinicien ou citoyenne ou citoyen puisse, isolément, comprendre et gérer les risques de systèmes d’IA complexes a été qualifiée d’irréaliste.  

En somme, les spécialistes ont souligné que l’IA ne peut être appréhendée comme un « modèle désincarné et purement technique »; elle doit être envisagée comme une construction sociotechnique, c’est‑à‑dire qui existe et fonctionne dans un système comprenant des incitatifs institutionnels, des cadres réglementaires et des relations humaines. L’adoption de lignes directrices et de règles claires, combinée à l’implication précoce des parties prenantes dans le développement des applications, pourrait contribuer de façon déterminante à instaurer la confiance requise pour continuer à faire des avancées à l’aide de l’IA. 

Suggestions : 

• Aborder les infrastructures en tenant compte des considérations sociotechniques. Les considérations techniques comme le financement, le stockage, les infrastructures de calcul et les outils sont nécessaires, mais insuffisantes. La compréhension globale des modèles d’IA doit intégrer l’analyse des systèmes sociaux dans lesquels ils s’inscrivent, y compris les enjeux de gouvernance, de documentation et de maintenance et l’implication des communautés concernées.  
• Encourager le recours à des schémas respectueux de la confidentialité, tels que les systèmes de génération augmentée par récupération, les approches d’IA agentique et les modèles de « compute-to-data », en particulier lorsque des données scientifiques sensibles ou à forte valeur sont en jeu.  
• Soutenir des normes de transparence lorsque l’IA est utilisée dans les flux de travaux scientifiques, en rendant visibles le moment, le contexte et les modalités de son influence sur les résultats, et en préservant les pistes de vérification. 
• Soutenir les efforts visant à assurer l’interopérabilité entre les systèmes d’IA, les données et les autres systèmes, et à permettre la mise en place d’un écosystème mondial de données scientifiques prêtes pour l’IA et conformes aux principes FAIR (faciles à trouver, accessibles, interopérables et réutilisables). 

Les répercussions environnementales de l’IA ont également fait l’objet de vastes discussions, en particulier au sein des groupes de travail en sciences de l’environnement et de la Terre.  

Les personnes participantes ont fait remarquer que la consommation énergétique de l’IA à grande échelle est déjà comparable à celle de certains pays. L’entraînement et l’exploitation des modèles de pointe mobilisent des ressources de calcul considérables, souvent alimentées par des réseaux électriques fortement dépendants des combustibles fossiles. Parallèlement, ces mêmes modèles sont fréquemment utilisés pour des applications accessoires ou essentiellement superficielles. À l’inverse, nombre des modèles de plus petite taille (ceux de type « abeille » évoqués plus haut, comme des émulateurs météorologiques, des systèmes de contrôle ou des outils de prévision de séries temporelles ou d’optimisation de procédés industriels) pourraient répondre à des objectifs et à des besoins de recherche précis tout en étant plus avantageux sur le plan environnemental en raison de leur consommation énergétique minime en comparaison.  

Selon les spécialistes, l’enjeu clé ne réside pas dans la consommation d’énergie de l’IA, mais dans le caractère mesuré et transparent de celle‑ci, dans sa proportionnalité à la valeur scientifique ou sociétale générée, et dans son orientation vers des applications qui soutiennent la durabilité. À cet égard, il a été proposé de normaliser la déclaration de la consommation énergétique et des émissions dans les milieux de recherche, en particulier pour les projets financés par des fonds publics. Bien qu’il soit difficile de déclarer avec exactitude ces données en raison des outils imparfaits disponibles pour établir ces estimations, l’objectif n’est pas de fournir une mesure parfaitement exacte dès le départ, mais bien d’encourager et de souligner l’importance d’une réflexion sur ces enjeux. En somme, l’IA au service de la science financée par des fonds publics doit intégrer une compréhension claire des coûts, des éléments à considérer et des ressources nécessaires pour produire des bienfaits mesurables.  

Suggestions : 

• Intégrer la comptabilisation de la consommation énergétique et des émissions de l’IA à la fois dans une discussion élargie sur l’excellence en recherche et dans son évaluation élargie, y compris en matière d’éthique et d’intégrité. Avec le temps, l’examen des coûts de calcul devrait s’imposer avec la même évidence que celui des procédures de consentement4. 
• S’intéresser à l’origine de l’énergie, et pas uniquement à la quantité utilisée. Un même calcul peut en effet avoir des implications différentes selon le contexte du réseau électrique.  
• Favoriser, dans la recherche et le déploiement, des méthodes et des modèles plus simples et moins énergivores lorsqu’ils répondent adéquatement à la tâche scientifique visée.   

Les données sont revenues comme thème central tout au long des discussions de la journée. Les échanges ont surtout porté sur les enjeux du partage des données et sur l’importance du partage des retombées avec les communautés et parties prenantes concernées. 

Dans le contexte de l’IA au service de la science et de la recherche, voici les trois principaux enjeux relevés en lien avec le partage des données :  

• Fragmentation et incompatibilité des données : Les différents établissements, secteurs et pays utilisent des schémas, formats et normes qui varient. Même lorsque la volonté de partager existe, des obstacles pratiques entravent le partage ouvert des données. 
• Incertitude en matière de gouvernance : Bien souvent, les établissements ne savent pas exactement quelles données ils peuvent légalement partager, dans quelles conditions et avec quelles garanties. Cette incertitude, due en partie à l’absence de lignes directrices claires, peut alimenter la crainte d’être pointé du doigt en cas de mauvaise utilisation des données, favorisant ainsi une aversion au risque susceptible de freiner les progrès en matière de partage des données. 
• Mesures incitatives mal alignées : Les priorités concurrentes liées au renforcement de la protection et de la sécurité des données et au maintien d’un avantage concurrentiel peuvent décourager davantage le partage proactif des données, même si des bénéfices importants en découleraient.  

En réponse à ces préoccupations, les personnes participantes ont plaidé en faveur de la nécessité de clarifier les normes, les cadres de gouvernance et les incitatifs, tout en notant que, dans certains secteurs, des groupes de travail comme l’Energy Data Task Force du Royaume‑Uni ont démontré que des efforts coordonnés peuvent y parvenir et contribuer à lever les obstacles au partage des données. Les spécialistes ont également souligné que la qualité de l’IA au service de la science dépend d’une solide gouvernance des données pour garantir l’excellence et la rigueur scientifiques. 

La communication claire des bénéfices du partage des données auprès des parties prenantes concernées a été identifiée comme un enjeu central. Les personnes participantes ont indiqué que les communautés qui fournissent des données, qu’il s’agisse de patientes et patients, de collectivités locales ou d’entreprises, doivent bénéficier concrètement de la réutilisation responsable de leurs données, plutôt que d’avoir l’impression que la valeur est extraite au profit d’autres acteurs.  

Suggestions : 

• Encourager les approches de « compute-to-data » et les approches fédérées qui permettent d’entraîner ou d’exécuter les modèles là où sont hébergées les données, afin d’en protéger la confidentialité et la sécurité tout en réduisant les incitatifs à la centralisation de l’information sensible.  
• Soutenir l’élaboration et l’adoption de normes sur les données interopérables dans des secteurs clés, assorties d’indications claires sur la provenance, le consentement et les usages autorisés.  
• Considérer la communication des retombées et le partage des bénéfices comme des dimensions essentielles, et non facultatives. Que ce soit au moyen de services améliorés, d’outils partagés ou d’autres mécanismes, les contributeurs doivent être en mesure de voir les gains découlant de l’utilisation de leurs données. 

À la suite des recommandations formulées par les spécialistes et les chercheuses et chercheurs en IA et des échanges tenus lors de la réunion du R7+, les dirigeantes et dirigeants des organisations du R7+ ont reconnu que les organismes publics de financement et de recherche sont particulièrement bien placés pour relever les défis de l’IA au service de la science et de la recherche, notamment par l’établissement de normes, la mise en place de capacités communes et l’ancrage de l’IA dans les valeurs d’une science ouverte, fructueuse et responsable. Dans ce contexte, trois initiatives concrètes à court terme ont été cernées : 

1. Un pôle conjoint de talents du R7+ en IA au service de la science, lancé à titre de projet pilote de Communauté de recherche en IA (AI Research Commons – ARC). 
2. Un axe conjoint de travail sur des normes communes encadrant les données de recherche et des espaces de données scientifiques fédérés, explicitement fondé sur le principe de la libre circulation des données dans la confiance. 
3. Des principes communs pour une utilisation responsable de l’IA en recherche. 

Les sections suivantes aborderont plus en détail chacune de ces initiatives. Nous sommes conscients qu’il pourrait être impossible de réaliser l’ensemble des éléments de chaque initiative; la portée est donc indicative et non contraignante. Néanmoins, ces trois initiatives tracent une avenue cohérente (politique → programme → plateforme). Le projet pilote de pôle de talents (Communauté de recherche en IA) constitue le volet humain et administratif; l’axe de travail sur des normes pour les données, ancré dans l’infrastructure existante de libre circulation des données dans la confiance, forme le volet informationnel; et les principes d’utilisation responsable définissent le volet normatif. Ensemble, ils permettent au R7+ de passer d’un espace de coordination à une communauté de recherche multilatérale opérationnelle, crédible auprès de l’Organisation de coopération et de développement économiques (OCDE), compréhensible et attrayante pour les partenaires des pays du Sud et complémentaire d’autres processus du G7 et d’autres processus multilatéraux. 

Les personnes dirigeantes ont proposé de créer un pôle conjoint de talents en IA au service de la science, explicitement présenté comme la première phase d’un projet pilote de Communauté de recherche en IA du R7+, soit un cadre multilatéral fondé sur des normes communes permettant l’interopérabilité des personnes, des problématiques, des accès au calcul et des ensembles de données selon des règles communes. 

• Copiloté par l’Allemagne, le Canada, la France, le Japon, l’Italie, le Royaume‑Uni et l’Espagne, le Canada et l’Espagne ayant indiqué la possibilité de fournir des ressources initiales. 
• Le pôle de talents constituerait le noyau opérationnel d’un projet pilote de Communauté de recherche en IA du R7+, reposant sur un cadre léger et axé sur des normes communes, au sein duquel personnes, problématiques, capacités de calcul et données pourraient interopérer selon des règles communes. 
• Il faciliterait l’attribution de bourses transférables, de postes doctoraux et postdoctoraux supervisés, ainsi que de courts séjours de « chercheuse ou chercheur en résidence », grâce à un système d’appariement des talents proposé par l’Espagne et fondé sur l’expertise du CSIC en programmes de compétences et de mobilité à grande échelle. 
• La France et l’Italie ont confirmé leur volonté d’accueillir, en 2026, d’importants ateliers sur l’IA au service de la science, dans le cadre du pôle de talents. 
• Ainsi conçu, le pôle de talents devient un prototype de communauté de recherche multilatérale ouverte par conception à des partenaires au‑delà du G7, y compris ceux des pays du Sud, grâce à des bourses transférables, au renforcement des capacités et à un accès préférentiel à des ressources partagées. 

Le pôle conjoint de talents du R7+ est conçu comme le noyau opérationnel d’un futur projet pilote de Communauté de recherche en IA au service de la science visant à : 

• accélérer la découverte scientifique en reliant les talents et les initiatives de recherche au‑delà des frontières et des disciplines; 
• réduire le dédoublement des infrastructures et des dépenses de programmes en optimisant l’utilisation des investissements existants en formation, en données et en capacité de calcul; 
• mettre en place une voie d’intégration crédible et non extractive pour les partenaires extérieurs au R7+, notamment des établissements des pays du Sud, reposant sur des bourses transférables et le renforcement des capacités, de manière à éviter la fuite à sens unique des talents. 

Cette initiative fait directement écho au constat des spécialistes selon lequel la contrainte majeure de l’IA au service de la science réside dans les capacités humaines plus que dans la seule puissance de calcul. 

Le pôle de talents/projet pilote de Communauté de recherche en IA reposera sur quatre principes de conception : 

• Interopérabilité axée sur les personnes 
  Des bourses transférables, des postes doctoraux et postdoctoraux supervisés, des statuts réciproques de chercheuses et chercheurs invités et des modèles de nomination croisée permettront aux chercheuses et chercheurs et aux ingénieures et ingénieurs de recherche de circuler entre les institutions du R7+ sans devoir renégocier ponctuellement chaque fois. 
• Mise en commun des données et des modèles 
  En lien avec le deuxième axe retenu, les personnes participantes examineront des schémas minimaux viables et conformes aux normes ISO pour décrire les jeux de données, les modèles et les évaluations (fiches techniques des jeux de données, notices de modèle préentraîné et rapports d’évaluation des modèles), avec une prise en compte intégrée de la provenance et du consentement. Les registres recenseront les ressources existantes sans imposer leur centralisation. 
• Réciprocité des capacités de calcul 
  Un mécanisme de type « banque de temps » permettrait aux personnes participantes d’échanger des accès à des grappes de calcul de haute performance et d’IA, en privilégiant les sites alimentés par des énergies vertes et une comptabilisation carbone transparente pour les charges de travail intensives en IA, en lien direct avec les propositions visant à rendre l’IA plus verte évoquées par plusieurs partenaires. 
• Protocoles ouverts, mises en œuvre diversifiées 
  La communauté définirait les interfaces et les règles, et non une plateforme unique; les nœuds nationaux et régionaux demeureraient entièrement souverains de leurs infrastructures et des modalités de la mise en œuvre locales. 

Dans un délai de douze mois, le pôle de talents/projet pilote de Communauté de recherche en IA vise à réaliser ce qui suit : 

• Jumelage des talents et bourses transférables 
  Un système de jumelage des talents piloté par l’Espagne mettrait en relation des chercheuses et chercheurs, des ingénieures et ingénieurs et des établissements au sein de cohortes structurées autour de problématiques ciblées (p. ex. l’IA au service de la modélisation climatique, de la découverte de matériaux ou de la santé), cofinancées par les organismes participants et régies par un code de conduite commun ainsi que des cotes de sécurité et des autorisations en matière d’éthique simplifiée. 
• « Trousse initiale de normes » 
  Un ensemble initial de modèles communs (fiches techniques des jeux de données, notices de modèle préentraîné et rapports d’évaluation des modèles), aligné sur l’axe de travail concernant les normes pour les données et les ressources de l’ISO, comprenant au moins une mise en œuvre de référence par modèle. 
• Protocole d’accès aux capacités de calcul 
  Mise en place d’un système de banque de temps et de crédits pour l’accès aux systèmes de calcul de haute performance et d’IA, assorti de données de télémétrie de base essentielles à la reproductibilité et à la déclaration de la consommation énergétique. 
• Fiches de cadrage de défi axées sur des problématiques 
  Ensemble restreint de fiches de cadrage de défi détenues conjointement, initialement dans les domaines du climat, de la santé et des matériaux, par des équipes composées de membres de l’OCDE et des pays du Sud, et comportant des arrangements préalablement établis en matière de gouvernance des données. 
• Registre de la communauté 
  Registre à API ouvertes répertoriant les personnes, projets, jeux de données, modèles et évaluations faisant partie de la communauté, afin de rendre la Communauté de recherche en IA visible et facile à trouver. 
• Ateliers 
  La France et l’Italie proposeront en 2026 deux ateliers phares sous l’égide de la Communauté de recherche en IA, dans le cadre du pôle de talents. Le choix des thématiques fera l’objet d’une confirmation ultérieure. 

• Copilotée par le Canada, l’Italie, les États‑Unis et l’Allemagne, cette initiative a été identifiée comme prioritaire par la France, les États‑Unis et l’Italie, les États‑Unis ayant par ailleurs indiqué disposer possiblement de ressources disponibles pour soutenir la coordination. 
• Elle s’inscrit dans le cadre des principes de la libre circulation des données dans la confiance. Introduit par le Japon et mis en avant lors du G20 d’Osaka (2019), puis repris dans les feuilles de route et plans d’action du G7, le principe de la libre circulation des données dans la confiance vise à favoriser l’utilisation transfrontalière des données dans le respect de la vie privée, de la sécurité et de la propriété intellectuelle. Il ne s’agit pas d’un ensemble unique d’obligations découlant de traités, mais d’une boîte à outils interopérable combinant principes, normes, certifications et gouvernance. 
• Cet axe de travail propose de cartographier et d’harmoniser les espaces de données nationaux et régionaux existants, puis de lancer un projet pilote de « maillage de données scientifiques » du R7+ dans des domaines ciblés (p. ex. santé, matériaux, etc.), combinant : 
  • des métadonnées cataloguées, dont la provenance est bien documentée, permettant l’exploration et la compréhension des jeux de données même lorsque ceux‑ci ne peuvent pas être transférés à l’étranger; 
  • des mécanismes d’accès multiniveau et d’interopérabilité (juridiques, organisationnels et techniques) qui permettent aux requêtes et aux modèles de circuler sans que les données sensibles aient à être transférées hors de leurs régimes de gouvernance locaux, avec des droits d’accès modulés selon la sensibilité et les rôles; 
  • des calculs fédérés, dans le cadre desquels les modèles ou les analyses sont exécutés près de l’emplacement où sont hébergées les données et où seules des données agrégées concernant les mises à jour, les paramètres ou les preuves sont échangées. 
• En résumé, les données demeurent régies là où elles sont hébergées; les requêtes, les modèles et les preuves, en revanche, circulent.  

Formulé initialement par le Japon, puis repris dans les feuilles de route du G7 et du G20, le principe de la libre circulation des données dans la confiance vise à permettre l’utilisation transfrontalière des données tout en protégeant bien la vie privée, la sécurité, la propriété intellectuelle et d’autres intérêts publics légitimes. Cette deuxième initiative répond aux préoccupations liées aux normes communes pour les données de recherche, avec pour objectif explicite de faire de la libre circulation des données dans la confiance une réalité concrète de la collaboration scientifique. 

Il est important de souligner que cette proposition ne vise pas à créer une nouvelle infrastructure monolithique. Il s’agit plutôt de fédérer et de normaliser ce qui existe déjà, selon les principes de la libre circulation des données dans la confiance, afin de permettre à la science de bénéficier de l’IA fondée sur les données sans porter atteinte au contrôle de l’information sensible par les États ou les communautés. 

1. Cataloguer et étiqueter les jeux de données et espaces de données de recherche existants 
   La première étape consiste à cartographier les principales infrastructures de données nationales et régionales (p. ex. les espaces de données européens, les espaces de données internationaux en Allemagne, les espaces de données nationaux du Canada, l’espace de données scientifiques du CSIC, les dépôts du CNR et du CNRS, ainsi que les carrefours de données sur la santé et le climat), et à mettre à disposition des registres et API interrogeables indiquant au minimum les métadonnées et les conditions d’accès. 
2. Définir un « schéma de données scientifiques » commun minimal 
   Définition par le R7+, avec l’ISO et d’autres organismes de normalisation, d’un ensemble minimal de champs exposés par les jeux de données inclus (identifiants, schémas, niveau de sensibilité, fondement légal, conditions de consentement et contraintes d’utilisation). Ces travaux seront étroitement liés à la « trousse initiale de normes » du projet pilote de Communauté de recherche en IA. 
3. Lancer un projet pilote de « maillage de données scientifiques » au sein du R7+ 
   Dans un petit nombre de domaines (p. ex., la science des matériaux et la santé entre autres), les établissements participants prévoient mettre en œuvre des chaînes d’analyse fédérées et démontrer que les partenaires peuvent collaborer dans le cadre des contraintes de la libre circulation des données dans la confiance, avec des pistes de vérification complètes sur la lignée des modèles et l’accès aux données. 
4. Élaborer une couche d’assurance et de certification 
   En s’appuyant sur les travaux du G7 et de l’OCDE, le R7+ élaborera des prototypes de certifications ou de codes de conduite propres au contexte scientifique (p. ex. pour les données en santé, les données environnementales ou les données autochtones), afin de permettre aux chercheuses et chercheurs de démontrer leur conformité et de renforcer la confiance des partenaires dans les collaborations transfrontalières. 

• Cette initiative est pilotée par l’Allemagne et le Royaume‑Uni. Le Canada, l’Espagne et l’Union européenne ont manifesté un fort intérêt, tandis que le Royaume‑Uni et l’Allemagne ont indiqué la possibilité de mobiliser des ressources. 
• Les dirigeants proposent d’élaborer une déclaration de principes du R7+ sur l’utilisation responsable de l’IA en recherche, qui : 
  • s’appuie sur les cadres existants (Principes de l’OCDE en matière d’IA, ONU, UNESCO, Partenariat mondial sur l’IA, lois nationales sur l’IA), mais se concentre particulièrement sur les milieux de recherche, de l’analyse des données assistée par l’IA à l’expérimentation, la simulation et la gestion de la recherche facilitées par l’IA; 
  • établit des attentes en matière de divulgation, de documentation et de « dossiers de sûreté » lorsque les outils d’IA influencent les résultats de recherche, y compris des orientations précisant les cas où l’usage de l’IA est inapproprié ou interdit; 
  • jette les bases de travaux futurs sur des méthodes d’assurance partagées, des batteries d’évaluation communes et des pratiques d’audit en laboratoire adaptées aux activités scientifiques fortement appuyées par l’IA. 

• Dégager une compréhension commune de l’« IA responsable au service de la science », englobant la transparence, l’explicabilité, l’atténuation des biais, la responsabilité, la sûreté, la reproductibilité, ainsi que le respect des droits de la personne et de l’intégrité de la recherche. 
• Fournir des orientations pratiques et adaptées aux disciplines sur les usages appropriés de l’IA à chaque étape du cycle de vie de la recherche (de la collecte et de l’analyse des données à la rédaction, à l’évaluation par les pairs et à la gestion de la recherche), ainsi que sur les situations où son utilisation est inappropriée ou interdite (p. ex. dans certaines formes d’inférence à haut risque sans surveillance humaine). 
• Clarifier les attentes en matière de divulgation et de documentation, notamment quant à la manière dont les chercheuses et chercheurs devraient rendre compte du recours à l’IA dans les sections sur la méthodologie, et à ce qui constitue un « dossier de sûreté » suffisant lorsque l’IA joue un rôle substantiel dans la production ou la validation d’énoncés scientifiques. 
• Jeter les bases d’infrastructures communes d’assurance et d’évaluation, comprenant des batteries d’essais partagées visant la validité, la robustesse et la reproductibilité, ainsi que des évaluations d’adéquation à l’usage prévu dans des domaines réglementés tels que la santé et l’environnement. 

Les échanges entre les personnes dirigeantes, nourris par les contributions de spécialistes en IA et d’autres personnes participantes, ont porté sur des actions et des collaborations tournées vers l’avenir. Les principaux points à retenir des échanges sont résumés dans cette annexe. 

Les personnes dirigeantes ont reconnu l’analyse des spécialistes selon laquelle, dans la science appuyée par l’IA, la contrainte déterminante réside dans les capacités humaines, et non dans les capacités de calcul. Ils ont souligné l’importance de : 

• valoriser la recherche collective comme une pratique à forte valeur ajoutée, en reconnaissant explicitement le rôle des ingénieurs de recherche et des responsables de la gestion des données; 
• généraliser le renforcement de la littératie en IA dans l’ensemble des disciplines, y compris les expertises sociotechniques et la connaissance des usages inappropriés de l’IA; 
• prévenir la déqualification, notamment en créant des espaces sans IA dans l’enseignement et la formation, propices au développement du raisonnement approfondi et de la résolution autonome de problèmes. 

Face au fait que les sociétés font généralement confiance aux scientifiques mais pas à l’IA, les dirigeants ont fait valoir que les normes culturelles de transparence sont aussi importantes que la réglementation officielle. Les scientifiques devraient donc déclarer ouvertement quand et comment l’IA est utilisée dans les processus de recherche. 

Les personnes dirigeantes ont estimé que le R7+ devrait privilégier la définition de valeurs et de normes communes, plutôt que de chercher à réglementer directement la science, et que les principes d’utilisation responsable devraient être formulés comme des attentes à respecter dans le cadre des régimes de financement public. 

Les personnes participantes ont reconnu que les différences intergénérationnelles dans l’usage des technologies constituent un défi majeur et que les chercheuses et chercheurs en IA ne peuvent, à eux seuls, y répondre; des spécialistes en éducation et d’autres parties prenantes de la société doivent être mis à contribution. 

S’appuyant sur la métaphore des « éléphants et des abeilles » (modèles fondamentaux de grande taille et à usage général, par opposition à des modèles beaucoup plus petits et spécialisés), les personnes dirigeantes ont fait valoir que les modèles généralistes de grande taille ne constituent pas toujours l’outil le plus approprié pour répondre à des questions scientifiques ciblées, et que les revendications de technologies « de pointe » doivent être examinées de manière critique lorsqu’elles ne sont pas étayées par des évaluations pertinentes en conditions de déploiement. 

Les enjeux énergétiques ont été largement mis en avant. Quelques personnes participantes ont envisagé d’exiger que les projets de recherche faisant un usage intensif de l’IA incluent des estimations de la consommation énergétique et des répercussions environnementales, afin d’encourager le recours à des modèles plus petits et plus efficaces lorsque ceux‑ci répondent adéquatement aux besoins scientifiques. Cette perspective sera intégrée aux mécanismes de réciprocité des capacités de calcul de la Communauté de recherche en IA, ainsi qu’aux fonctionnalités de comptabilisation carbone de l’axe de travail relatif aux normes de données. 

Les personnes dirigeantes ont également reconnu l’ampleur de la « dette en matière d’évaluation et d’interprétabilité ». Malgré le code ouvert, le fonctionnement interne des modèles complexes n’est que partiellement compris et leur comportement dans les systèmes sociotechniques est difficile à prévoir. Le financement public devrait donc soutenir l’interprétabilité mécaniste et la science de l’évaluation comme des composantes fondamentales des programmes d’IA au service de la science. 

Les échanges sur les données ont mis en évidence tant la fragmentation opérationnelle des données de recherche (formats hétérogènes, documentation inégale) que les réalités politiques de la souveraineté des données et des calculs, y compris la sécurité de la recherche et la gouvernance des données autochtones. 

Il a été proposé de recourir à la libre circulation des données dans la confiance comme cadre diplomatique général, de manière à garantir que les données demeurent régies là où elles sont hébergées, tandis que les requêtes, les modèles et les preuves peuvent circuler au‑delà des frontières selon les normes et régimes de consentement convenus. L’axe de travail consacré aux normes sur les données est chargé de traduire cette orientation en une mise en œuvre concrète, en s’appuyant dans un premier temps sur l’approche de catalogage et de maillage décrite à la section II.2. 

Les personnes dirigeantes ont réfléchi à l’influence des organismes publics de financement dans un contexte où l’investissement privé en IA prédomine. L’expérience historique du financement public des réseaux neuronaux dans les années 1980 (des investissements qui ont, à terme, rendu possible la vague actuelle de l’IA) a été invoquée comme preuve que le financement public peut orienter des trajectoires de long terme, même lorsqu’il n’est pas la principale source d’investissement. 

Les discussions ont fait ressortir que les organismes publics de financement devraient tenir compte des éléments suivants : 

• Soutenir des travaux de recherche à haut risque et à fort potentiel de retombées, même en l’absence de perspectives commerciales immédiates; 
• Faire de l’ouverture, de la reproductibilité, de la transparence et de la responsabilité des conditions explicites de l’octroi des financements; 
• Investir dans la sécurité, l’interprétabilité, l’évaluation et la gouvernance; 
• Mettre à profit leur pouvoir de mobilisation pour créer des structures comme le projet pilote de Communauté de recherche en IA, le maillage de données scientifiques aligné sur la libre circulation des données dans la confiance et les principes communs d’utilisation responsable, capables d’influencer les normes tant dans les secteurs publics que privés. 

La réunion ne s’est achevée pas uniquement sur la définition de trois initiatives précises, mais sur une vision élargie du R7+ comme voie vers une plateforme diplomatique capable de traduire des valeurs convergentes et des forces complémentaires en actions concrètes visant à développer des capacités partagées en matière de science appuyée par l’IA, et conçue délibérément pour s’étendre, au fil des prochaines années, à un cercle plus large de partenaires.