CNRS Key Labs : les clés du « rang mondial » ?

1 En novembre 2019, le président-directeur général du CNRS, Antoine Petit, avait créé l’émoi en affirmant dans le quotidien Les Échos qu’« il faut une loi ambitieuse, inégalitaire – oui, inégalitaire, une loi vertueuse et darwinienne, qui encourage les scientifiques, équipes, laboratoires, établissements les plus performants à l’échelle internationale ». Fidèle à une conception de la recherche vue comme une compétition mondiale, il revient à la charge six ans plus tard en lançant l’idée de « CNRS Key Labs ». Ces unités seraient « celles qui peuvent légitimement prétendre à être qualifiées “de rang mondial” » et se verraient mieux dotées, a-t-il annoncé le 12 décembre dernier, suscitant colère et manifestations.

2 Ce nouveau débat offre l’occasion de s’interroger sur la signification d’un « rang mondial ». On ignore pour l’instant les critères d’évaluation qui ont mené à la sélection de ces « key labs », mais on sait qu’ils constituent environ 25 % des unités du CNRS. Pourquoi 25 % et pas 10 % ou 33 % ? Mystère, mais on voit déjà l’arbitraire de la notion de « rang mondial ».

3 Nonobstant le problème de la méthode pour l’identifier, suivre une telle logique risque de produire des effets pervers. Ce qui est aujourd’hui « de rang mondial » peut s’avérer demain n’avoir mené nulle part. À l’inverse, la recherche sur l’apprentissage automatique n’était probablement pas de classe mondiale quand elle ne fonctionnait pas dans les années 1980, alors que ce secteur de l’informatique l’est devenu sans conteste depuis 2010.

4 Surtout, comment identifier les unités élues ? Si on utilise une méthode quantitative, en l’occurrence la bibliométrie, alors on comptera essentiellement les citations que leurs membres ont reçues ou les facteurs d’impact des revues où elles publient. On voit le danger : travailler sur un problème qui n’est pas à la mode apportera moins de citations, car peu travailleront sur le même sujet. Suivre les thèmes « porteurs » mènera en revanche à une convergence vers les mêmes problèmes et donc à un manque de diversité. On l’a vu avec la confusion de plus en plus grande entre « intelligence artificielle » et « apprentissage automatique », qui n’est pourtant qu’une façon particulière de construire des algorithmes. Et si on utilise des panels d’experts, alors on ira dans le sens des thèmes actuellement porteurs, avec un biais dû au fait qu’ils considèrent sûrement que leurs propres travaux sont de classe mondiale.

5 Quant à l’idée de concentrer les ressources sur quelques unités, le plus souvent déjà bien dotées, il est démontré qu’au-delà d’un certain seuil, la concentration des ressources n’augmente pas la productivité. Mais même sur le plan intellectuel, la concentration n’est pas rationnelle, car former plus d’experts d’un seul domaine à la mode « mondiale » diminue la diversité des voies de recherche, voies dont la réussite est imprévisible, comme l’a bien montré l’histoire de l’intelligence artificielle depuis les années 1970.

6 En somme, la gestion de la recherche est un art difficile étant donné l’imprévisibilité des découvertes. Trouver un équilibre entre la recherche fondamentale soumise aux seules intuitions des chercheurs, et donc très risquée, et des projets orientés vers des problèmes identifiés comme socialement urgents, d’envergure planétaire ou non, est toujours difficile. Cela dit, fonder une politique de la recherche sur une idéologie darwinienne de la compétition mondiale alors même que la majorité des publications scientifiques – et donc des projets de recherches – se font de nos jours largement en collaboration internationale est anachronique et ne garantit pas de servir les véritables intérêts d’un pays.

7

Fonder une politique de la recherche sur une idéologie darwinienne de la compétition mondiale est anachronique