En 2014, une communauté internationale de chercheurs a formulé les principes FAIR, acronyme signifiant que les données scientifiques doivent être trouvables, accessibles, interopérables et réutilisables. Né de la nécessité de renforcer la transparence et la reproductibilité de la recherche, ce cadre est désormais largement promu par les gouvernements, les organismes de financement et les éditeurs scientifiques. Une décennie plus tard, bien que ses créateurs reconnaissent leur caractère général, ces principes ont évolué pour couvrir l’ensemble de l’écosystème de la recherche, incluant les logiciels, les algorithmes et les pipelines de traitement. Au cœur de cette démarche se trouve la qualité de la documentation. Pour qu’un jeu de données soit véritablement utile, il doit être accompagné de métadonnées précises, d’identifiants pérennes et d’un plan de gestion des données. Ces éléments permettent non seulement aux chercheurs de vérifier la fiabilité des résultats, mais aussi de reproduire les expériences des décennies plus tard. Amelia Jiménez-Sánchez, spécialiste de l’intégrité des données à l’Université de Barcelone, compare l’adoption des pratiques FAIR à la cuisine : une fois les bonnes habitudes acquises, elles deviennent un réflexe naturel dans le quotidien scientifique. Très vite, le cadre a été adapté aux spécificités de chaque discipline. Des guides sectoriels ont ainsi vu le jour en chimie, en astronomie, en génétique ou en neuroscience. En physique des hautes énergies, Eliu Huerta, du Laboratoire national d’Argonne, a co-fondé FAIR4HEP. Ce groupe a évalué les données du Grand collisionneur de hadrons au CERN et développé une série de vérifications pas à pas pour faciliter leur mise en conformité, un processus baptisé FAIRification. Des outils en ligne, comme ceux du fonds australien Australian Research Data Commons, proposent désormais des conseils pratiques pour améliorer la conformité de tout type de jeu de données. Au-delà des données brutes, les principes FAIR s’étendent aux logiciels et aux modèles d’intelligence artificielle. Des initiatives telles que FAIR4RS et FAIR-USE4OS appliquent ces mêmes exigences au code open source et aux outils de recherche. Neil Chue Hong, directeur fondateur du Software Sustainability Institute à l’Université d’Édimbourg, souligne que la dépendance croissante envers les logiciels rend cette adaptation indispensable. Il plaide pour une formation systématique des scientifiques aux bonnes pratiques logicielles. De même, les plateformes de partage de modèles IA, comme Hugging Face, encouragent la rédaction de fiches descriptives, ou model cards, précisant les objectifs, les performances, les données d’entraînement et les limites des algorithmes. La relecture par les pairs du code et la transparence des méthodes deviennent ainsi des piliers de la confiance scientifique. Plutôt qu’une contrainte administrative, l’approche FAIR s’impose comme un standard opérationnel qui garantit la pérennité, la collaboration et la fiabilité de la recherche ouverte à l’ère numérique.