« La barrière de la connaissance lente »

Tout le monde sait que la science est une réussite collective.
Les ondes gravitationnelles ont été découvertes par des milliers de personnes après des dizaines d'années de travail. AlphaFold est le fruit de toute l'équipe de DeepMind. Personne ne dirait que ces résultats sont le résultat d'un génie travaillant seul.
Mais lorsque les entreprises technologiques recrutent des chercheurs en IA, le pari est tout à fait inverse.
Une critique récemment publiée dans *Nature* a révélé un chiffre : un jeune chercheur ayant environ cinq ans d'ancienneté, dont les publications sont parmi les plus citées, a une probabilité l'année suivante de quitter pour l'industrie de 100 fois celle d'un chercheur ordinaire de la même période.
100 fois. Pas deux ou trois.
Ce n'est pas une question de choix personnel, c'est une extraction structurelle.
Un professeur d'IA de premier plan, avec un salaire complet d'environ 20 à 40 000 dollars américains. Cela semble beaucoup. Mais chez Google ou OpenAI, la rémunération totale peut atteindre 1 à 3 millions de dollars. La même personne, effectuant un travail similaire, voit son salaire différer d'un ordre de grandeur.
La logique dans l'industrie est très simple : tant qu'il y a un « ingénieur 10x », il n'est pas nécessaire d'en former dix ordinaires. Et maintenant, cette logique évolue — si l'IA peut remplacer des ingénieurs de niveau intermédiaire ou inférieur, il faut encore plus concentrer les ressources pour attirer les meilleurs.
Le problème, c'est que cette logique inverse la réalité.
On peut considérer le monde académique comme un sol, et l'industrie comme la construction de bâtiments dessus.
Le travail dans le sol est lent, il ne suppose pas de scénarios d'application précis, il permet l'échec. Il produit des connaissances qui peuvent être citées, critiquées ouvertement, plutôt qu'un produit guidé par des objectifs commerciaux.
Extraire la partie la plus fertile du sol pour construire une maison peut permettre de bâtir une meilleure maison à court terme, mais à long terme, cela creuse lentement la fondation.
Moi-même, lors de ma dernière année de doctorat, je gérais simultanément ce problème : publier une thèse, tout en recevant des offres de l'industrie.
Ce choix ne se limite pas à une question de salaire, il concerne la logique de savoir à quelle vitesse et pour qui votre recherche sert.
Les problèmes de l'industrie sont réels, mais ils comportent tous une pression temporelle implicite et une orientation vers des applications concrètes. La recherche académique est libre, mais il faut accepter que cette liberté a un coût.
Ce déclin ne peut pas être résolu par « rendre la recherche académique plus compétitive ». L'argent ne peut pas être gagné avec moins d'argent.
Ce dont elle a vraiment besoin, c'est que le système académique repense ce qu'il offre comme « choses que l'industrie ne possède pas », puis rende ces choses plus visibles et plus attractives pour ceux qui en ont vraiment besoin.
J'ai une idée que je n'arrête pas de réfléchir : je l'appelle la barrière de la connaissance lente.
Toutes les connaissances précieuses ne peuvent pas être concrétisées dans un cycle de produit de 18 mois. Celles qui ne peuvent pas être concrétisées doivent être gardées par quelqu'un.
--------------------------
Références :
1. Sanders, N. E., & Schneier, B. (2026). Pourquoi des salaires astronomiques pour les chercheurs en IA sont mauvais pour l'avenir de la science. *Nature*.

2. Jurowetzki, R., Hain, D. S., Wirtz, K., & Bianchini, S. (2025). Le secteur privé accumule les chercheurs en IA : quelles implications pour la science ? *AI & Society*, 40(5), 4145–4152.