L’un des moments les plus gênants de mes études de troisième cycle : mon directeur pointe un passage du mémoire et demande « C’est vous qui avez écrit ce passage ? » — vous répondez « oui », mais vous n’êtes pas tranquille ; vous répondez « c’est l’IA qui m’a aidé », et la question suivante est « d’où viennent les données écrites par l’IA ? ». À l’ère où l’IA participe à la rédaction, « laisser des traces » est devenu une nouvelle étiquette académique. Deux outils, deux types de traces.
Situation 1 : des précisions sont demandées sur la réponse de WorkBuddy
Ce passage est certes bien tourné, mais il s’agit d’une « réponse ponctuelle » — le processus est invisible et il faut chercher les justifications sur-le-champ. Si le directeur demande encore « d’où viennent ces données ? », vous devez feuilleter à nouveau les documents sur place ; si vous ne les trouvez pas, vous ne pouvez que rester vague. Ce n’est pas que la réponse soit fausse, c’est qu’elle ne peut pas se justifier d’elle-même.
Situation 2 : des précisions sont demandées sur ce que produit MuchSci
Le même passage provient du processus de ce dernier : comment la tâche a été décomposée, quels articles ont été utilisés, quelle source est rattachée à chaque conclusion, quels paragraphes ont été modifiés par mes soins — l’ensemble est consigné. Si le directeur demande des précisions sur une étape, je consulte cette étape ; la vérification est terminée en deux minutes et, au contraire, cela joue en ma faveur.
Ce qui importe dans la comparaison, ce n’est pas « qui répond le mieux », mais « dont la manière de participer est la plus transparente » : le modèle de WorkBuddy est celui d’une conversation qui disparaît dès qu’elle a lieu, tandis que le modèle de MuchSci laisse des traces tout au long du processus et permet d’auditer les résultats. Dans un contexte académique, c’est cette dernière méthode de travail qui peut être exposée au grand jour.