La prolifération des images scientifiques générées par l'intelligence artificielle pose un défi croissant à la crédibilité de la recherche et à la confiance du public. Alors qu'une photographie prise par l'équipage d'Artemis II en avril 2026 a suscité une vive émotion, rappelant le célèbre Earthrise des années 1960, des outils basés sur l'IA permettent désormais à quiconque de créer un visuel similaire en quelques secondes à partir d'une simple description textuelle. Cette capacité à falsifier des images expertes ne constitue pas seulement un problème de désinformation, mais remet en cause les mécanismes établis depuis des décennies pour attester de la véracité des données scientifiques. Les chercheurs utilisent de plus en plus l'IA pour illustrer des concepts, générer des données de synthèse ou améliorer des photographies de laboratoire. Bien que ces outils accélèrent la communication scientifique, ils brouillent la frontière entre amélioration légitime et fabrication trompeuse. En 2024, deux articles publiés dans des revues académiques ont été retirés après la révélation de figures générées par l'IA présentant des structures biologiquement impossibles. En avril 2026, le New England Journal of Medicine a procédé à un retrait similaire pour une image clinique manipulée artificiellement. Ces cas ne représentent que la partie émergée de l'iceberg, notamment dans des disciplines visuelles comme la science des matériaux. Les éditeurs scientifiques tentent de riposter en intégrant des logiciels de détection de faux. Cependant, ces systèmes restent systématiquement en retard sur les algorithmes de génération, car ils ne reconnaissent que les schémas pour lesquels ils ont été entraînés. Le véritable danger réside dans des visuels plausibles qui altèrent subtilement des détails techniques, assez convaincants pour surmonter les relectures par les pairs. Historiquement, la crédibilité des images scientifiques reposait sur leur complexité de production, leur institution d'origine et leur cohérence avec les croyances du public. L'IA générique invalide ces trois critères. Face à cette incertitude, le public s'appuie davantage sur ses convictions préexistantes. Les images authentiques contredisant ces idées sont souvent rejetées comme des artifices numériques, tandis que les contrefaçons confortant ces mêmes idées sont acceptées comme des preuves. Ce phénomène exacerbe le raisonnement motivé, c'est-à-dire la tendance à accepter ce qui confirme ses opinions et à rejeter ce qui les contredit, et affaiblit l'un des leviers les plus puissants de la vulgarisation scientifique. Pour préserver la confiance, la communauté scientifique doit institutionnaliser la traçabilité des visuels, au même titre que celle des données expérimentales. Les chercheurs devraient systématiquement préciser l'origine des images, indiquer l'utilisation de l'IA, décrire les méthodes de vérification et garantir la reproductibilité des résultats. Des études montrent que la divulgation transparente de l'usage de l'IA est perçue comme un gage d'honnêteté, renforçant même la crédibilité du contenu auprès des publics familiarisés avec ces technologies. À l'ère de la génération algorithmique, la valeur d'une image scientifique ne réside plus dans son esthétique ou sa complexité technique, mais dans sa relation documentée avec la réalité physique. Sans normes claires et une transparence rigoureuse, la recherche scientifique risquerait de perdre toute autorité visuelle. La préservation de l'intégrité des connaissances passera par l'adoption de standards éthiques partagés, garantissant que chaque visuel reste un témoignage vérifiable de la découverte scientifique.