Quel impact de la retouche IA sur la perception de l’authenticité des études ?

Quand une étude est illustrée par une image, un graphique ou même un simple portrait, le lecteur n’évalue plus seulement des résultats, il jauge aussi une mise en scène. Or, la retouche dopée à l’intelligence artificielle s’est banalisée dans les laboratoires, les services de communication et les rédactions, au point de brouiller une frontière déjà fragile entre amélioration visuelle et manipulation. À l’heure où la confiance dans la science se fragilise, cette évolution pose une question nette : que reste-t-il de l’authenticité quand l’image devient « optimisée » ?

Quand une image fausse la confiance

La confiance dans une étude se joue souvent avant la lecture, dans ces premières secondes où l’œil accroche un visuel et où le cerveau tranche, sans le dire, sur la crédibilité. Un microscope électronique trop « propre », une radiographie trop contrastée, un nuage de points qui paraît parfaitement lisible, et l’impression d’un travail solide s’installe. Le problème, c’est que la retouche IA ne se contente plus d’ajuster la luminosité, elle « reconstruit » parfois des détails en comblant du bruit, en lissant des artefacts ou en réinterprétant des textures, et cette sophistication rend la modification invisible, donc difficilement contestable.

Ce glissement n’est pas théorique : les institutions scientifiques ont déjà dû encadrer, parfois dans l’urgence, l’usage de l’édition d’images. Le Committee on Publication Ethics (COPE) recommande de limiter les ajustements à des opérations qui s’appliquent à l’ensemble de l’image et de conserver les fichiers bruts, et de grandes revues imposent des règles strictes sur ce qui est acceptable. Dans la pratique, la détection reste un défi. En 2022, la société allemande Proofig a indiqué, dans une analyse portant sur des dizaines de milliers de manuscrits, repérer régulièrement des duplications ou manipulations d’images dans un ordre de grandeur de quelques pourcents selon les corpus, un niveau suffisant pour affecter la perception globale d’un domaine. Les travaux de chercheurs comme Elisabeth Bik, devenue une référence dans l’identification d’images problématiques, ont aussi documenté, sur plusieurs années, l’existence d’un « bruit de fond » de figures retouchées ou réutilisées dans la littérature biomédicale, et l’IA risque d’abaisser encore la barrière technique de ces pratiques.

Le sujet touche à un ressort psychologique simple : plus une preuve paraît « nette », plus elle semble incontestable. Or, l’IA produit précisément de la netteté, parfois au prix d’une altération des signaux faibles, ces détails qui permettent à un pair de vérifier une hypothèse. Dans les sciences du vivant, un contraste exagéré peut transformer une bande de Western blot en résultat spectaculaire, et dans l’imagerie médicale, un débruitage agressif peut faire ressortir des structures qui n’existent pas, ou masquer des éléments gênants. La conséquence est double : l’étude peut être crue à tort, et, quand l’affaire éclate, les études honnêtes payent la facture en réputation, parce que le lecteur n’a pas le temps de trier.

Retouche IA : la frontière devient floue

Qui retouche, et surtout pourquoi ? Dans la chaîne de production scientifique, la retouche n’est pas forcément le fait d’un fraudeur isolé. Elle peut être un geste routinier, pour rendre un schéma lisible en conférence, homogénéiser des visuels destinés à une soumission, ou répondre à des exigences de mise en page. L’irruption de l’IA change l’équation : là où un logiciel classique obligeait à « toucher » l’image de manière traçable, des outils de génération et d’édition permettent désormais d’« améliorer » une zone précise, de supprimer un élément, de recréer une texture ou de recalculer un arrière-plan, et de le faire sans compétence avancée ni trace évidente. La facilité crée un risque nouveau : l’erreur de bonne foi devient plus probable, parce que l’utilisateur ne maîtrise pas toujours ce que l’algorithme reconstruit.

Les éditeurs le savent : les lignes directrices se durcissent, mais elles se heurtent à des usages qui évoluent plus vite que les règles. Certaines revues exigent la conservation des données brutes, d’autres demandent des déclarations sur les traitements d’images, et plusieurs plateformes renforcent leurs contrôles à l’aide d’outils de détection. Pourtant, la course est asymétrique. Les modèles génératifs progressent vite, tandis que les détecteurs souffrent d’un problème structurel : la retouche acceptable et la retouche trompeuse peuvent produire des signatures proches, et une compression ou un recadrage suffit parfois à effacer les indices. Même sur des cas célèbres, le débat reste délicat, parce que l’éditeur doit prouver l’intention ou, à défaut, établir que la modification a affecté l’interprétation.

Pour le lecteur, cette zone grise s’élargit. Prenons un graphique « nettoyé » par IA : suppression d’étiquettes redondantes, alignement automatique, correction de couleurs, tout cela semble anodin, mais la présentation influence la perception de la dispersion, des incertitudes et des outliers. Dans les sciences sociales, une infographie « optimisée » peut accentuer une tendance, en jouant sur l’échelle, la palette ou la sélection des données affichées. La question de l’authenticité ne se réduit donc pas à la fraude, elle touche aussi à la transparence : qu’est-ce qui relève de la mise en forme, et qu’est-ce qui modifie la preuve ? Pour suivre les évolutions, des acteurs spécialisés partagent des ressources et des analyses sur l’IA et ses usages, voir plus d'information ici, un point de départ utile pour comprendre comment se structurent les pratiques.

Les revues sous pression, les lecteurs aussi

La retouche IA arrive dans un contexte déjà tendu : multiplication des prépublications, accélération des cycles de publication, compétition pour l’attention, et explosion des contenus scientifiques relayés sur les réseaux. Les revues doivent filtrer plus vite, avec des équipes éditoriales qui ne peuvent pas tout vérifier, et des reviewers bénévoles qui manquent de temps. Les contrôles d’intégrité, longtemps perçus comme une étape marginale, deviennent un enjeu central, mais ils ont un coût. Les grandes maisons ont commencé à investir, tandis que des revues plus modestes peinent à suivre, ce qui crée un risque de système à deux vitesses : plus de surveillance pour les titres prestigieux, plus de vulnérabilité ailleurs.

Les chiffres disponibles, même hétérogènes, dessinent une tendance : les rétractations ont augmenté sur le long terme, un mouvement souvent associé à une meilleure détection plutôt qu’à une explosion soudaine de la fraude. Le suivi public des rétractations, notamment via Retraction Watch, a montré à quel point les causes peuvent être variées, de l’erreur honnête aux manipulations d’images. Dans ce paysage, la retouche IA agit comme un amplificateur, parce qu’elle rend l’édition plus accessible et plus difficile à repérer, et parce qu’elle peut être utilisée « après coup », au moment de la communication, quand une université ou une équipe cherche à produire des visuels plus attractifs pour une couverture médiatique.

Le lecteur, lui, se retrouve exposé à une tension contradictoire. D’un côté, il exige des preuves visuelles et une pédagogie claire, surtout sur des sujets complexes comme le climat, l’épidémiologie ou l’énergie. De l’autre, il soupçonne davantage les mises en scène, notamment depuis la démocratisation des deepfakes et des images générées. Résultat : la défiance peut viser indistinctement les études solides et celles qui posent problème. Dans la presse, cette suspicion change aussi le travail : faut-il publier un visuel spectaculaire si l’on ne peut pas garantir la chaîne de traitement ? Faut-il privilégier la donnée brute, au risque de perdre en lisibilité ? Dans les formats rapides, la tentation est grande de choisir ce qui « marche », et l’IA fournit précisément des images qui accrochent, ce qui rend l’arbitrage éditorial plus délicat.

Transparence : la seule boussole crédible

Face à ce brouillage, la réponse la plus robuste n’est pas l’interdiction générale, mais la traçabilité. Exiger les données brutes, conserver les métadonnées, documenter chaque transformation, et fournir des figures « avant/après » quand c’est pertinent : ces pratiques existent déjà dans certains champs, et elles ont vocation à se généraliser. Les plateformes de dépôt de données, comme Zenodo, Dryad ou Figshare, facilitent la mise à disposition, et des standards émergent selon les disciplines. Dans l’idéal, un lecteur devrait pouvoir remonter de la figure publiée au fichier source, ou au minimum à une description précise des traitements, et cette exigence devrait s’appliquer autant aux images qu’aux tableaux et aux scripts.

La formation joue aussi un rôle décisif. Beaucoup d’écarts viennent d’une méconnaissance : un doctorant qui « améliore » une micrographie sans mesurer qu’il a modifié l’information, un service de communication qui retouche pour la couverture d’un rapport, un auteur qui compresse une figure et détruit involontairement des indices utiles à l’évaluation. Or, l’IA ajoute une couche d’opacité, parce qu’elle automatise des choix qui étaient auparavant explicites. Enseigner ce que fait un algorithme de débruitage, ce que signifie une interpolation, et comment éviter d’altérer les données devient aussi important que d’expliquer les statistiques de base. Certaines revues commencent à demander des déclarations sur l’usage d’outils génératifs, et l’on voit se dessiner une norme implicite : l’IA peut aider, mais elle doit être déclarée, et ses effets doivent rester réversibles ou justifiables.

Enfin, la transparence est aussi une stratégie de communication. Dans une période de suspicion, montrer ses méthodes, publier ses scripts, ouvrir ses données, et accepter la critique améliore la crédibilité. Les équipes qui jouent ce jeu gagnent souvent à long terme, parce qu’elles réduisent le risque de polémique tardive, celle qui éclate quand une figure devient virale et qu’un détail retouché suffit à disqualifier tout le travail dans l’opinion. L’authenticité, dans la science comme dans la presse, n’est pas une posture morale, c’est une discipline : rendre vérifiable ce que l’on avance, même quand l’IA rend la tentation du « plus beau » irrésistible.

Comment vérifier avant de publier

Réserver du temps au contrôle, c’est déjà limiter le risque. Avant une soumission ou la diffusion d’un rapport, plusieurs réflexes simples permettent de sécuriser : conserver les fichiers originaux, vérifier que les ajustements s’appliquent à l’ensemble de l’image, et archiver un journal des modifications. Côté graphique, imposer des échelles cohérentes, afficher les incertitudes, et éviter les palettes trompeuses réduit les biais de perception. Pour les équipes, mettre en place une relecture interne dédiée aux figures, distincte de la relecture scientifique, aide à détecter les incohérences qui échappent aux auteurs, parce qu’ils « voient » ce qu’ils s’attendent à voir.

Le budget n’est pas neutre, mais il reste maîtrisable. Des outils d’analyse d’images existent à des coûts variables, des solutions open source peuvent suffire pour des contrôles de base, et des prestations externes se développent pour les institutions qui publient beaucoup. Des aides sont parfois mobilisables via des financements de science ouverte, notamment quand la mise en conformité implique des dépôts de données et des infrastructures. Le meilleur investissement reste souvent organisationnel : une procédure claire, un responsable identifié, et un calendrier qui ne repousse pas l’intégrité à la dernière minute.