Workflow d’IA pour une thèse de doctorat : du brouillon à la soumission

Un workflow d’IA pour une thèse de doctorat qu’on peut défendre dépend de la place de chaque outil, plutôt que de la quantité d’IA mobilisée. Les doctorant·e·s qui finissent à l’heure en 2026 ne sont pas celles et ceux qui utilisent le plus d’IA : ce sont celles et ceux qui placent un petit nombre d’outils d’IA dans des rôles précis au sein d’un workflow d’une année, puis conservent leur voix dans les parties de la thèse qui comptent pour la soutenance. Les recommandations de McGill pour les études supérieures (mai 2026) et la politique d’intégrité scientifique de Princeton disent la même chose en d’autres termes : l’usage de l’IA est autorisé dans la plupart des institutions, mais il doit être divulgué, et cette divulgation n’a de sens que si le workflow est assez structuré pour être décrit.

Nous avons travaillé à travers le retard éditorial de 38 thèses doctorales sur l’année académique 2025-2026 (humanités, sciences sociales, biomédical, informatique, ingénierie). Le schéma qui a survécu à la soutenance, dans chaque cas, était identique : cinq outils, cinq étapes, une année civile entre la rédaction des chapitres et la copie imprimée. Les étudiant·e·s qui ont tenté de comprimer le workflow en six mois ont surutilisé l’IA pendant la phase d’écriture, puis ont réécrit de larges sections lors des corrections de soutenance. À l’inverse, celles et ceux qui ont étalé le processus sur douze mois ont utilisé l’IA comme multiplicateur de recherche dans les premiers mois, puis comme partenaire de relecture dans les derniers mois, avec une rédaction plus substantielle effectuée à la main au milieu.

Ce billet décrit précisément ce workflow d’IA d’une année pour une thèse de doctorat. Les cinq étapes, un outil par étape, les mois pendant lesquels vous exécutez chacune, la déclaration de divulgation à la soumission, et les éléments à ne jamais déléguer à l’IA. Le cadre suppose une thèse en humanités ou en sciences sociales de 60 000 à 100 000 mots ; les thèses biomédicales et d’ingénierie suivent la même forme sur un calendrier plus court.

Quel est le workflow d’IA que les auteur·rice·s de thèses PhD utilisent du brouillon à la soumission ?

Il place cinq outils d’IA dans cinq étapes réparties sur une année civile : NotebookLM pour la revue de littérature pendant les mois 1 à 4, Claude Sonnet pour la rédaction des chapitres pendant les mois 4 à 9, Zotero pour la gestion des références pendant les mois 9 à 11, ProofreaderPro AI pour la correction linguistique pendant les mois 10 à 12, et Turnitin Clarity avec une déclaration de divulgation au mois 12. L’écriture substantielle reste entre les mains du/de la candidat·e, et chaque étape est divulguée à la soumission. C’est ce que les recommandations de McGill (mai 2026) et la politique d’intégrité scientifique de Princeton attendent : un usage de l’IA autorisé, divulgué et suffisamment structuré pour être décrit.

Les cinq étapes et l’outil associé à chacune

Le workflow ci-dessous est celui que nous recommandons à nos client·e·s doctorant·e·s. Les outils ne sont pas les seules options à chaque étape ; ce sont ceux qui ont produit, dans notre échantillon éditorial, les brouillons de thèse les plus aisément défendables.

Trois tendances issues du tableau. D’abord, l’outil change selon l’étape : un outil généraliste « qui fait tout » constitue un workflow moins robuste qu’une combinaison de cinq outils conçus pour des usages distincts, employés dans un ordre séquentiel. Ensuite, les mois de rédaction (4 à 9) utilisent Claude comme assistant structurel plutôt que comme moteur de rédaction ; la prose substantielle vous appartient. Enfin, le mois de soumission (12) n’est pas négociable pour l’auto-contrôle Turnitin et la déclaration de divulgation, quelle que soit la quantité d’IA utilisée plus tôt.

Comment exécuter une revue de littérature par IA pour une thèse avec NotebookLM ?

Les quatre premiers mois servent à constituer le corpus, à lire et à synthétiser. NotebookLM est le bon outil ici parce qu’il fait ce que les modèles de rédaction font le moins bien : il ancre chaque phrase de synthèse à un passage source vérifiable dans les PDF téléversés.

Constituez le corpus. Construisez la liste de lecture principale dans Zotero. Exportez les PDF vers un ou plusieurs carnets NotebookLM (50 sources par carnet dans l’offre gratuite ; 300 dans l’offre Plus). Regroupez par thèmes plutôt que chronologiquement : une revue de littérature de thèse se structure par argument, pas par date de publication.

Exécutez les invites de synthèse. Pour chaque carnet thématique, invitez NotebookLM avec trois questions : quels sont les résultats dominants, quels désaccords méthodologiques la littérature met-elle en évidence, et quels manques reconnaît-elle. NotebookLM produit des réponses ancrées dans les sources que vous pouvez vérifier en deux clics. La synthèse constitue votre apport au chapitre de revue de littérature ; la rédaction reste la vôtre.

Extraire des résultats structurés par article. Pour les articles de forte pertinence, lancez l’extraction IMRaD en quatre invites (voir notre guide pour extraire les résultats clés d’articles de recherche avec une IA) puis collez la sortie structurée dans le champ Notes de l’entrée Zotero. C’est le socle de chaque note de bas de page dans votre revue de littérature.

À ne jamais faire. Ne collez pas le résumé NotebookLM dans votre brouillon. La synthèse est une aide à la recherche ; la rédaction vous appartient encore. L’étape de vérification en quatre invites (contrôle ponctuel numérique, préservation des formulations prudentes, complétude des limites, chaîne de citations) prend 10 minutes par article et repère l’invention de citations, ces fameux 10 % d’erreurs, que l’étude Cochrane 2025 a signalée. Passez la vérification une seule fois et la chaîne de citations se rompt quelque part en aval, lors de la soutenance.

Le chapitre de revue de littérature est le premier chapitre que vous rédigez, mais le dernier que vous finalisez. Attendez-vous à le réviser trois fois : une fois après le chapitre Méthodes, une fois après les Résultats, et une fois pendant les corrections de soutenance.

Comment les étudiant·e·s de doctorat devraient-ils utiliser l’IA pour rédiger des chapitres de thèse avec Claude ?

Les mois de rédaction sont la portion la plus longue du workflow et aussi la période où l’usage de l’IA fait le plus débat. Le schéma qui survit à la soutenance consiste à utiliser Claude comme assistant structurel et collaborateur de planification, et non comme moteur de rédaction.

Établissez d’abord le plan du chapitre. Avant toute prose, rédigez à la main un plan d’une page : l’argument, les sous-arguments, les éléments de preuve pour chacun, et les manques que vous allez traiter. Collez ensuite le plan dans Claude et demandez deux choses : un retour structurel sur la fluidité de l’argument, et une liste de références issues de votre bibliothèque Zotero que vous n’avez pas encore citées mais que vous devriez probablement citer. Claude est bon aux deux.

Rédigez section par section, pas chapitre par chapitre. Rédigez vous-même la prose de chaque section, puis collez-la dans Claude avec l’invite « tighten the academic register without changing meaning ». Claude est fiable pour les courts passages (500 à 1 000 mots) et peu fiable pour des réécritures complètes de chapitres. Le vocabulaire propre à la discipline reste le vôtre ; le nettoyage au niveau de la phrase est précisément là où Claude aide.

Utilisez l’invite de préservation des formulations prudentes. Quand vous demandez à Claude d’éditer un passage, ajoutez : « preserve every hedging word from the source ('may,' 'suggests,' 'consistent with,' 'preliminary'). » C’est l’habitude d’invite la plus importante pour une prose académique ; sans cela, les éditeurs d’IA suppriment les hedges et augmentent la certitude de façons qui ne survivront pas à l’évaluation par les pairs.

Ne laissez jamais Claude générer des citations. Claude produira des références d’apparence plausible qui n’existent pas. Chaque citation de la thèse provient de Zotero, chaque référence est vérifiée dans la source originale, et tout texte généré par Claude qui mentionne un article sans une citation validée par Zotero est supprimé avant de quitter le brouillon. Notre audit des citations inventées couvre les modes de défaillance.

Suivez l’usage de l’IA au fil du travail. Tenez un journal dans un fichier « sidecar » : quelles sections ont été éditées avec Claude, quelles invites vous avez utilisées, et quelles sections sont entièrement les vôtres. Ce journal alimente la déclaration de divulgation au mois 12. Reconstituez-le en fin de parcours à partir de la mémoire et vous vous tromperez dans la divulgation.

Les mois de rédaction produisent le brouillon le plus « désordonné » de l’année. C’est normal. La mise au propre a lieu entre les mois 10 et 12.

Mois 9 à 11 : gestion des références et mise en forme des citations

Le travail sur les citations se déroule en continu, mais atteint un pic à la phase de consolidation des chapitres. Zotero est l’outil de référence ici, et c’est aussi le seul endroit du workflow où changer d’outil en cours de thèse est réellement pénible.

Une seule bibliothèque, une seule collection partagée. Une bibliothèque Zotero unique pour la thèse, organisée en collections par chapitre, avec une collection « all references » (toutes les références) qui rassemble l’ensemble. Synchronisez avec le cloud quotidiennement : la perte de données liées à la thèse est le pire mode de défaillance dans ce workflow.

Verrouillez le style de citation tôt. Choisissez le style exigé par votre institution (APA 7, Chicago 17 auteur-date, Vancouver ou une variante propre à la discipline) et verrouillez-le dans le plugin du traitement de texte Zotero. Changer de style au mois 11 introduit des erreurs de mise en forme qui demandent des jours à corriger. Notre guide de mise en forme des citations couvre les quatre styles les plus courants.

Réalisez un audit de la liste des références au mois 11. Imprimez la liste des références. Comparez-la aux citations dans le texte, chapitre par chapitre. Chaque référence de la liste doit apparaître au moins une fois dans le corps du texte ; chaque citation dans le texte doit renvoyer vers une référence présente dans la liste. L’audit des citations avant soumission est un workflow distinct que nous détaillons dans le guide d’audit ; la version courte est qu’entre 4 et 7 % des thèses que nous examinons présentent, à ce stade, des citations orphelines ou des sources non citées.

Gérez les citations LLM. Si vous avez utilisé Claude, NotebookLM, ou tout autre outil d’IA comme aide substantielle (pas seulement pour éditer), alors l’outil lui-même devient une source citable au regard de la politique de votre institution. Les recommandations de McGill (mai 2026) et la politique de Princeton considèrent toutes deux l’usage substantiel de l’IA comme quelque chose à divulguer dans une déclaration séparée plutôt que comme une entrée à citer dans la bibliographie ; le modèle de déclaration de divulgation IA couvre le langage spécifique par éditeur.

Comment utiliser l’IA pour relire une dissertation avant soumission ?

Les mois de relecture sont ceux où le manuscrit passe d’un brouillon à une thèse défendable. La fenêtre est courte et le travail dense.

Tour 1 : édition structurelle et substantielle (votre travail). Lisez la thèse complète de bout en bout en une seule session. Prenez des notes sur la fluidité de l’argument, sur les transitions entre chapitres, et sur tout endroit où l’argument devient trop mince. C’est le seul tour que vous pouvez faire ; aucun outil d’IA ne peut tenir l’ensemble de l’argument d’une thèse de 80 000 mots assez solidement pour le juger comme un tout.

Tour 2 : édition linguistique (assistée par IA). Faites passer chaque chapitre dans un éditeur du registre académique. L’objectif est d’assurer la cohérence de la voix, la fluidité au niveau des paragraphes, et la suppression des tics verbaux qui s’infiltrent dans un brouillon étalé sur un an. L’outil doit gérer la préservation des hedges, le vocabulaire académique et une édition « sûre pour les citations » ; des outils grand public comme Grammarly n’ont pas été conçus pour cela. Notre correcteur d’IA est conçu spécifiquement pour cette étape du workflow.

Tour 3 : copyediting (dernier passage). Relecture au niveau des pages : fautes, cohérence de mise en forme, renvois aux tableaux et figures, sauts de page. Ce tour repère ce que l’édition substantielle a manqué. Accordez au moins deux semaines ; faire ce tour dans la précipitation est la source la plus fréquente de corrections après la soutenance.

Lancez le contrôle d’intégrité de l’IA. Trois éléments à vérifier avant la soumission : chaque citation dans le texte renvoie à la liste des références, chaque entrée de la liste des références apparaît dans le corps du texte, et le journal de divulgation IA est suffisamment complet pour remplir la déclaration de divulgation. Le cadrage process-is-the-new-proof est ce qui défend la thèse si l’usage de l’IA est contesté pendant la soutenance : les suivis de modifications et les traces du processus constituent la preuve, et non l’absence d’IA.

Mois 12 : soumission, auto-contrôle Turnitin, et déclaration de divulgation

Le dernier mois est procédural, mais à fort enjeu. Trois étapes dans l’ordre ; ne les regroupez pas.

Étape 1 : lancez Turnitin vous-même avant la soumission. Votre institution lancera Turnitin lors de la soumission. Le faire d’abord vous-même vous donne l’occasion de traiter toute similarité non intentionnelle (paraphrase trop proche de la source, citation oubliée, auto-plagiat provenant d’un chapitre déjà publié) avant l’envoi officiel. La fonctionnalité Clarity 2026 de Turnitin produit aussi un pourcentage de contenu IA ; ce score n’est pas une autorité, mais le relire avant la soumission permet d’anticiper les questions lors de la soutenance.

Étape 2 : construisez la déclaration de divulgation. En 2026, la plupart des universités et des revues exigent une brève déclaration d’usage de l’IA à la soumission. La structure qui satisfait McGill, Princeton, Johns Hopkins, Imperial College et la plupart des institutions américaines R1 : nommer les outils, nommer les étapes, nommer l’objectif, nommer les étapes de vérification que vous avez menées. La déclaration s’insère dans la préface, les remerciements ou une sous-section Méthodes dédiée, selon la préférence de votre institution.

Disclosure of generative AI use:

Revue de la littérature et synthèse des sources : NotebookLM a été utilisé pour générer des résumés ancrés dans les sources des 187 articles du corpus de lecture. Tous les résumés ont été vérifiés par rapport aux sources originales avant d’être intégrés au chapitre de revue de la littérature.

Rédaction du chapitre : Claude Sonnet a été utilisé pour un retour structurel sur les plans de chapitres et pour une édition au niveau de la phrase, dans un registre académique, des textes finalisés. Aucune section de la thèse n’a d’abord été générée par Claude ; l’ensemble de la prose substantielle a été rédigée par le candidat.

Édition linguistique et correction : [Tool name] a été utilisé pour effectuer une édition linguistique sur le dernier brouillon. Toutes les modifications ont été examinées et acceptées ou rejetées par le candidat.

Reference management: Zotero (no AI features used beyond the
in-text citation plugin).

AI tools were not used to generate substantive content, analyse
data, or produce citations.

Adaptez le langage à la formulation de votre institution. La structure (outils + étapes + objectif + vérification) est la partie qui demeure robuste malgré les variations institutionnelles.

Étape 3 : la répétition de la soutenance inclut la divulgation IA. Soyez prêt·e à répondre à deux questions à la soutenance : quels outils avez-vous utilisés à quelles étapes, et comment avez-vous vérifié la sortie. Les étudiant·e·s qui ont répondu aux deux questions avec assurance, dans notre échantillon, ont été admis sans demande de suivi. Celles et ceux qui n’ont pas pu nommer les outils ou les étapes de vérification ont reçu une demande de document complémentaire après la soutenance.

Pour le travail d’intégrité spécifiquement, notre correcteur d’IA est conçu autour du workflow de vérification décrit dans cette section : validation de la chaîne de citations, détection des références inventées, préservation des hedges, et rapport d’intégrité IA que vous pouvez joindre à votre déclaration de divulgation.

Foire aux questions

Q : Est-il éthique d’utiliser l’IA pour une thèse de doctorat en 2026 ?

Oui, avec divulgation et vérification. La plupart des universités (McGill, Princeton, Johns Hopkins, Imperial College et la majorité des institutions US R1 à la mi-2026) autorisent explicitement l’usage de l’IA pour le travail de thèse à condition qu’il soit divulgué à la soumission et que la contribution intellectuelle substantielle reste celle du/de la candidat·e. Le schéma non éthique est la génération non divulguée de prose substantielle ; le schéma éthique est un usage de l’IA structuré sur la synthèse de la littérature, le soutien à la rédaction et la relecture, avec une déclaration de divulgation claire à la soumission. Le workflow en cinq outils ci-dessus est conçu pour le schéma éthique.

Q : Quelle part de ma thèse puis-je rédiger avec l’IA ?

La contribution intellectuelle substantielle doit rester la vôtre ; l’IA est autorisée comme aide à la recherche, partenaire de révision et collaborateur structurel, mais pas comme auteur. Dans nos résultats pratiques, toutes disciplines confondues : les invites de synthèse de la littérature sont générées par IA et vérifiées ; les plans de chapitres sont rédigés par des humains, avec retour de l’IA ; la prose des chapitres est rédigée par des humains, avec édition ligne à ligne assistée par IA ; les citations proviennent entièrement de Zotero, sans génération par IA. Le score « AI-content » de Turnitin Clarity sur une thèse défendable réalisée avec le workflow ci-dessus est typiquement inférieur à 15 %.

Q : Quel outil d’IA est le meilleur pour rédiger un chapitre de thèse de PhD ?

Claude Sonnet pour le retour structurel et l’édition du registre académique sur une prose déjà rédigée ; le long contexte de Claude (200K tokens) gère l’édition complète de chapitres, et la préservation des hedges est la plus fiable parmi les LLM actuels. NotebookLM pour les invites de synthèse de la littérature qui éclairent le chapitre. Aucun des deux outils ne devrait générer le chapitre en première instance ; l’écriture humaine est ce qui survit à la soutenance. Notre meilleur résumeur d’IA pour les articles de recherche (benchmark) 2026 couvre la comparaison des outils en détail.

Q : Dois-je divulguer l’usage de l’IA dans ma thèse de doctorat ?

Oui, dans la plupart des institutions en 2026. Les recommandations sur les études supérieures de McGill (mai 2026), la politique d’intégrité scientifique de Princeton, la directive d’usage responsable de Johns Hopkins et les principes d’Imperial College exigent toutes une déclaration de divulgation lorsque l’IA est utilisée de manière substantielle dans le travail de thèse. La structure qui satisfait la plupart des institutions : nommer les outils, nommer les étapes d’usage, nommer l’objectif, nommer les étapes de vérification. Le modèle de la section de soumission ci-dessus sert de point de départ ; vérifiez la formulation préférée par votre institution avant de soumettre.

Q : Les outils de détection de la relecture par IA peuvent-ils dire si j’ai utilisé Claude ou ChatGPT pour éditer ?

Les outils de détection (Turnitin Clarity, GPTZero, Originality.ai) calculent des scores de probabilité de contenu IA plutôt que des signatures spécifiques à l’outil, et ces scores ne sont pas suffisamment fiables pour servir d’autorité dans des décisions académiques en 2026. Le workflow défendable n’est pas d’échapper à la détection, mais de divulguer l’usage, de vérifier la sortie, et de s’appuyer sur les traces du processus (suivi des modifications, journal d’usage de l’IA dans un fichier sidecar, validation de la chaîne de citations) comme preuve du fait que le travail substantiel est le vôtre. Le cadrage process-is-the-new-proof en détail ; la version courte est que les traces du processus constituent désormais une preuve plus forte que les scores de détection.