Une étude révèle que l’usage des agents de codage par IA est fortement inégal dans les sciences sociales

L’usage de l’IA dans la recherche est large, mais pas l’adoption des agents de codage

Une nouvelle étude d’Anthropic mise en avant par The Decoder suggère que les scientifiques sociaux n’adoptent pas les agents de codage de manière homogène. Alors que l’usage général de l’IA semble relativement équilibré entre les groupes, l’utilisation d’agents de codage, c’est-à-dire d’outils qui génèrent automatiquement du code, est bien plus inégale, avec des écarts marqués selon le genre, la discipline, le stade de carrière et le rang universitaire.

Le résultat le plus frappant dans le matériel fourni est l’écart entre les genres. Les chercheurs portant des prénoms typiquement masculins auraient utilisé des agents de codage plus de deux fois plus souvent que ceux portant des prénoms typiquement féminins. L’étude indique que cette différence persiste même au sein des mêmes disciplines et des mêmes niveaux de carrière, ce qui suggère que la fracture ne peut pas être expliquée simplement par la composition des disciplines.

Les économistes en tête, les chercheurs en éducation à la traîne

La répartition par discipline est également significative. Les économistes auraient été les plus gros utilisateurs d’agents de codage, avec un taux d’adoption de 39 %, tandis que les chercheurs en éducation occupaient le bas du classement avec seulement 4 %. Cet écart indique une forte fracture structurelle dans la manière dont les différentes branches des sciences sociales intègrent l’IA dans leur travail quotidien.

Le principal cas d’usage était la génération de code pour l’analyse de données, citée par 97 % des utilisateurs d’agents de codage. Selon le matériel source, seul un tiers environ utilisait l’IA pour rédiger du texte. Ce détail est important, car il distingue les agents de codage des outils de chat généralistes. Dans cette étude, le changement clé n’est pas simplement que les chercheurs utilisent davantage l’IA. C’est que certains commencent à en dépendre beaucoup plus que d’autres dans des flux de travail computationnels.

Le stade de carrière et le rang institutionnel façonnent l’adoption

L’étude a également constaté que les doctorants et les chercheurs postdoctoraux utilisent l’IA de codage bien plus que les professeurs, et que les chercheurs des universités du top 25 adoptent ces outils 40 % plus souvent que leurs pairs ailleurs. Ces résultats correspondent à un schéma reconnaissable de diffusion technologique : les nouveaux entrants et les institutions mieux dotées en ressources avancent souvent plus vite lorsque les outils promettent des gains de productivité.

Mais ce schéma soulève aussi des questions plus difficiles. Si les agents de codage facilitent le traitement des données, le prototypage des analyses ou l’accélération de la production d’articles, une adoption inégale pourrait creuser les hiérarchies universitaires existantes. Les chercheurs disposant d’un meilleur accès, de traditions quantitatives plus solides ou de normes locales plus permissives pourraient creuser leur avance sur des pairs plus lents à adopter ces outils ou plus sceptiques.

Les chercheurs attendent des gains personnels, mais s’inquiètent des effets sur la discipline

L’une des tensions les plus révélatrices de l’étude concerne la manière dont les répondants perçoivent l’impact de l’IA sur eux-mêmes par rapport à leur discipline. Le texte fourni indique que 88 % ont évalué l’effet de l’IA sur leur propre production d’articles à plus de 5 sur une échelle de 10, et que la moitié l’ont noté à 8 ou plus. Les utilisateurs d’agents de codage se sont montrés encore plus optimistes que les autres répondants.

Pourtant, 70 % se sont montrés plus confiants quant à leur propre productivité qu’à l’impact plus large de l’IA sur les sciences sociales. Les auteurs soupçonnent que les chercheurs craignent qu’une hausse de la production d’articles ne submerge l’évaluation par les pairs, n’intensifie la concurrence pour l’attention et n’aggrave des problèmes déjà existants comme la publication sélective et le travail incrémental, averses au risque.

Cette division est importante, car elle illustre une dynamique technologique bien connue : l’outil semble bénéfique au niveau individuel tout en paraissant déstabilisant au niveau systémique. Dans le monde universitaire, où les incitations récompensent déjà la production, la rapidité et la visibilité, même des gains de productivité modestes peuvent avoir des effets institutionnels disproportionnés.

La grande question est de savoir qui restera à la traîne

L’étude ne soutient pas que les agents de codage soient intrinsèquement nuisibles. Au contraire, elle montre que de nombreux utilisateurs les considèrent comme des accélérateurs pratiques du travail de recherche. Mais le schéma d’adoption inégal suggère que l’IA n’entre pas dans les sciences sociales comme une couche neutre qui profite à tout le monde de manière égale.

Elle pourrait au contraire amplifier des écarts existants en matière de compétences techniques, de prestige institutionnel et d’accès à la pratique computationnelle. L’écart entre les genres est particulièrement important, car il semble plus large pour les agents de codage que pour l’usage général de l’IA. Si ce schéma persiste, l’un des changements les plus importants liés à l’IA dans l’université pourrait reproduire les inégalités plutôt que les réduire.

Pourquoi ce résultat compte au-delà des sciences sociales

L’étude se concentre directement sur les comportements de recherche, mais ses implications sont plus larges. Les agents de codage sont de plus en plus présentés comme des outils de productivité universels. Des études comme celle-ci suggèrent que leur adoption dépend peut-être bien davantage de la culture locale, des normes disciplinaires et de l’aisance technique préalable que ne le laisse entendre le marketing.

Cela rend ces résultats pertinents bien au-delà des universités. Si les outils de codage par IA se diffusent de manière inégale, même parmi des travailleurs du savoir hautement qualifiés, les organisations devraient s’attendre à des écarts d’adoption similaires dans l’industrie, l’administration publique et les organisations à but non lucratif. Le défi ne consiste plus seulement à construire des outils performants. Il s’agit de comprendre qui les adopte, qui en profite en premier, et quelles inégalités existantes ils renforcent discrètement.

Cet article s’appuie sur un reportage de The Decoder. Lire l’article original.