Les agents IA produisent des résultats scientifiques en quelques heures, le chercheur devient superviseur

Les agents IA produisent des résultats scientifiques en quelques heures, le chercheur devient superviseur

En octobre 2024, le comité Nobel a récompensé Demis Hassabis et John Jumper pour AlphaFold, le programme de DeepMind qui prédit la structure tridimensionnelle des protéines. En 50 ans de biologie structurale, la communauté avait résolu environ 200 000 structures. AlphaFold en a prédit plus de 200 millions entre 2021 et 2022, en environ un an. C’est l’écart d’un facteur mille, obtenu non pas en recrutant davantage de chercheurs, mais en changeant la nature de qui fait la science.

Ce qui se passe depuis est plus profond encore. AlphaFold n’était pas un agent : c’était un outil très puissant, mais il répondait à des questions posées par des humains. La génération suivante de systèmes IA formule les questions elle-même. Elle émet des hypothèses, conçoit des expériences, analyse des résultats, et propose des conclusions — le tout en quelques heures. Le chercheur vérifie, valide, oriente. Il ne disparaît pas, mais son rôle se déplace.

La biologie structurale est le laboratoire grandeur nature de cette transformation. Elle sera bientôt le modèle de toute la science.

L’essentiel

• AlphaFold a prédit plus de 200 millions de structures protéiques entre 2021 et 2022, en environ un an, là où 50 ans de biologie structurale en avaient produit environ 200 000.
• Des agents IA autonomes — systèmes capables de formuler des hypothèses, concevoir des protocoles et analyser des résultats sans instruction humaine étape par étape — sont désormais opérationnels dans plusieurs laboratoires universitaires et privés.
• L’accélération soulève une tension inédite : le volume de résultats produits par les agents IA soulève des questions croissantes quant à la capacité des infrastructures de vérification existantes, du peer review aux bases de données ouvertes, à absorber ce flux.
• L’enjeu des dix prochaines années n’est pas de réguler la vitesse de production mais de construire les systèmes de validation à la hauteur du flux.

AlphaFold n’était que le début

Il faut comprendre ce qu’AlphaFold a changé pour mesurer ce qui arrive ensuite. Pendant des décennies, résoudre la structure d’une protéine demandait des mois de cristallographie aux rayons X ou de cryo-microscopie électronique. Ces techniques restent des étalons-or, mais elles sont lentes et coûteuses. AlphaFold a montré qu’un modèle d’apprentissage profond, entraîné sur les structures connues, pouvait prédire les structures inconnues avec une précision qui, pour la majorité des protéines, rivalise avec les méthodes expérimentales.

La base de données publique construite à partir d’AlphaFold couvre aujourd’hui la quasi-totalité du protéome humain et celui de dizaines d’autres organismes. Elle est librement accessible. Des chercheurs à Nairobi ou à Buenos Aires qui n’ont pas accès à un synchrotron peuvent maintenant interroger la structure d’une protéine en quelques secondes. C’est un déplacement réel des conditions d’accès à la biologie structurale de pointe.

Mais AlphaFold répondait à des questions. Il ne les posait pas.

Des agents qui formulent des hypothèses

La distinction est capitale. Un agent IA scientifique ne se contente pas d’exécuter une tâche bien définie. Il parcourt la littérature existante, identifie des lacunes ou des contradictions, propose une expérience pour les résoudre, simule ou analyse les données qui en résultent, et génère un rapport structuré. Le cycle complet — de l’hypothèse aux résultats — peut prendre quelques heures là où un doctorant consacrerait plusieurs semaines à la même séquence.

Plusieurs systèmes de ce type existent déjà. Coscientist, développé par une équipe de Carnegie Mellon et publiée dans Nature en 2023, a automatisé la synthèse chimique de bout en bout : recherche bibliographique, écriture des protocoles, pilotage des robots de laboratoire, analyse des résultats. Le système a synthétisé des molécules connues sans instruction humaine intermédiaire. AI Scientist, publié par Sakana AI en 2024, va plus loin encore : il génère des idées de recherche, rédige le code expérimental, conduit les expériences computationnelles, et produit des ébauches de papiers scientifiques complets, avec des sections, des graphiques et des conclusions.

Ces systèmes ne remplacent pas le jugement scientifique. Ils l’accélèrent et le délocalisent. Le chercheur senior devient celui qui pose les orientations, vérifie la rigueur des protocoles, et décide ce qui vaut la peine d’être publié. C’est un changement de position dans la chaîne de production du savoir, pas une éviction.

Ce changement de position est comparable à ce qui s’est produit dans d’autres secteurs à fort contenu analytique. Les études empiriques sur la tech américaine montrent que les emplois juniors disparaissent au profit d’un renforcement des postes seniors : la machine absorbe les tâches répétitives, l’humain conserve le jugement de niveau supérieur. La science suit la même logique, mais avec une conséquence supplémentaire : les tâches répétitives en science n’étaient pas seulement répétitives, elles formaient les chercheurs.

La base de données est devant la validation

Le problème n’est pas que les agents IA produisent de mauvais résultats. C’est qu’ils produisent des résultats plus vite que les systèmes de vérification ne peuvent en absorber.

Le peer review, tel qu’il fonctionne aujourd’hui, est un processus artisanal. Un article soumis à Nature ou Cell attend en moyenne plusieurs mois avant d’être évalué par deux ou trois pairs qui consacrent chacun quelques heures à la tâche. Ce délai était calibré sur un flux de soumissions humain. Si les agents IA peuvent produire des ébauches de papiers scientifiques par centaines par semaine, le goulot d’étranglement ne se situe plus dans la production mais dans la validation.

Les bases de données présentent le même problème. La Protein Data Bank (PDB) a mis 50 ans à atteindre 200 000 entrées expérimentalement validées. AlphaFold a créé sa propre base de données (AlphaFold DB) avec plus de 200 millions de prédictions, distincte de la PDB expérimentale officielle — ces prédictions ne sont pas équivalentes aux structures expérimentalement vérifiées. La communauté scientifique sait distinguer les deux, mais les utilisateurs en aval — médecins, ingénieurs, startups pharmaceutiques — pas nécessairement.

C’est là que se loge le vrai risque. Pas dans un agent IA qui fabriquerait délibérément de faux résultats, mais dans une accumulation de résultats vraisemblables, non vérifiés, qui circulent comme s’ils l’étaient. La science produit déjà ce phénomène à petite échelle : la crise de la réplicabilité, documentée depuis les années 2010 dans la psychologie et les sciences biomédicales, montre que plus de la moitié des résultats publiés dans certains domaines ne se reproduisent pas. Les agents IA n’ont pas créé ce problème, mais ils ont le potentiel de l’amplifier considérablement.

Les acteurs qui construisent les garde-fous

Ce constat n’est pas ignoré. Plusieurs initiatives cherchent à construire des infrastructures de vérification adaptées au nouveau rythme.

L’EMBL-EBI (European Molecular Biology Laboratory - European Bioinformatics Institute) développe des protocoles d’annotation automatisée pour distinguer les structures expérimentales des structures prédites dans ses bases de données. L’objectif est que chaque entrée porte un indicateur de confiance lisible par des systèmes automatiques, pas seulement par des experts. C’est une réponse d’infrastructure à un problème d’infrastructure.

Plusieurs revues scientifiques, dont eLife, expérimentent des modèles de publication où les articles sont rendus publics dès la soumission, accompagnés des évaluations ouvertes des pairs au lieu d’être cachés derrière le processus de révision. Ce modèle de preprint évalué en ouvert est mieux adapté à un flux accéléré : la communauté peut réagir rapidement, les corrections sont visibles, la réputation des auteurs s’engage publiquement sur chaque publication.

OpenAI, Anthropic et plusieurs laboratoires académiques investissent dans des systèmes d’évaluation automatisée de la cohérence scientifique. L’idée est qu’un agent IA peut aussi servir à vérifier les résultats d’un autre agent IA, à condition que les deux soient entraînés sur des objectifs différents et que leurs architectures divergent suffisamment pour produire des erreurs indépendantes. C’est un pari sur la robustesse par la pluralité, avec ses propres limites.

La question de l’accès ouvert prend une nouvelle urgence dans ce contexte. Si les agents IA scientifiques sont développés principalement dans des laboratoires privés — Microsoft et Amazon absorbent les meilleurs labos d’IA sans les racheter, concentrant les capacités hors des universités publiques — les découvertes produites risquent de ne pas alimenter librement la base commune du savoir. Le Nobel d’AlphaFold a couronné un outil dont la base de données est publique : c’est une exception notable, pas la règle du secteur.

L’arc long : une décennie pour construire ou rater le tournant

Projeter l’impact des agents IA scientifiques sur dix ans demande de distinguer deux trajectoires, dont l’une ne s’exclut pas l’autre.

La première trajectoire, optimiste et plausible : les agents IA permettent d’explorer des espaces de l’hypothèse que la science humaine n’aurait jamais pu couvrir faute de temps. En chimie médicinale, l’espace des molécules potentiellement actives est estimé à 10^60 composés. Aucun programme de recherche humain ne peut le parcourir. Des agents capables de cribler cet espace, de proposer les synthèses les plus prometteuses et de les valider computationnellement, puis de remettre aux chercheurs les meilleures candidates pour validation expérimentale, accélèrent massivement le développement de médicaments. Des estimations prudentes du McKinsey Global Institute avancent que l’IA appliquée aux sciences du vivant pourrait générer entre 400 et 800 milliards de dollars annuels de valeur économique à l’horizon 2030 — en tenant compte des délais de validation clinique, qui restent humains.

La seconde trajectoire, plus préoccupante et tout aussi plausible : si les infrastructures ouvertes de vérification ne se construisent pas en parallèle, la science accélère sans que le savoir validé ne progresse à la même vitesse. Le volume de publications double ou triple, mais la part vérifiable stagne ou régresse. La distinction entre résultat produit et résultat établi s’érode dans la communication publique. Les acteurs qui n’ont pas les moyens d’accéder aux outils de vérification — universités du Sud global, laboratoires académiques sous-dotés — se retrouvent consumers de résultats qu’ils n’ont pas la capacité de tester. L’inégalité épistémique se creuse exactement là où l’accès aux données s’était élargi.

Ces deux trajectoires ne s’annulent pas. Elles coexistent déjà, et le choix n’est pas entre les deux mais dans l’énergie institutionnelle consacrée à chacune. L’accélération de la production est déjà là. L’infrastructure de vérification reste à construire.

La question générationnelle mérite aussi d’être posée. Les doctorants formés aujourd’hui seront les directeurs de recherche de 2040. Si leur formation se déroule dans un environnement où les agents IA font la partie répétitive et exploratoire du travail, ils n’apprendront pas à faire certaines choses. Ce peut être un gain net — libérés des tâches chronophages, ils développent plus tôt le jugement de haut niveau. Ce peut aussi être une perte — certaines intuitions scientifiques naissent de l’immersion longue dans les données brutes, du tâtonnement patient qui force à comprendre ce qu’on ne comprend pas encore. Aucune donnée ne tranche aujourd’hui. Plusieurs laboratoires, dont le groupe de recherche de David Baker à l’Université de Washington (Nobel de chimie 2024 pour la conception de protéines), maintiennent délibérément des programmes de formation où les étudiants apprennent les méthodes expérimentales avant d’utiliser les outils computationnels.

La biologie est le modèle, pas l’exception

Ce qui se passe en biologie structurale n’est pas un cas isolé. C’est le premier domaine où la transition a été assez rapide et documentée pour être lisible — la prédiction de structures protéiques était un problème bien défini, avec des critères de succès mesurables, ce qui en faisait une cible naturelle pour l’apprentissage profond. Mais la logique s’applique à toute la science expérimentale.

En physique des matériaux, des agents IA identifient déjà des candidats pour les batteries de nouvelle génération et les supraconducteurs en parcourant des espaces de composition que la chimie expérimentale mettrait des décennies à explorer. En astronomie, les données du télescope James Webb représentent un volume que les astronomes humains ne pourraient pas traiter manuellement dans un délai raisonnable : des systèmes automatisés détectent les anomalies, signalent les candidats galactiques inhabituels, et génèrent des hypothèses pour les équipes d’observation. En épidémiologie, des modèles prédictifs identifient les pathogènes à risque de saut d’espèce avant que les épidémies ne se déclarent.

La différence avec les décennies précédentes n’est pas que l’IA entre dans la science — c’était déjà le cas depuis les années 1990. La différence est que les systèmes actuels opèrent sur la logique entière du cycle scientifique, pas sur une étape isolée. Formuler une hypothèse, concevoir l’expérience, analyser les résultats, rédiger les conclusions : chaque étape était jusqu’ici l’apanage d’un chercheur. Elles sont désormais automatisables dans un spectre croissant de contextes.

L’enjeu n’est donc pas de ralentir cette transformation ni de la déplorer. Il est de construire, en parallèle et avec le même niveau d’urgence, les infrastructures ouvertes qui permettent de vérifier ce que la machine produit. Des revues en accès ouvert avec évaluation transparente. Des bases de données annotées et maintenues par des institutions publiques. Des protocoles de réplication automatisée. Des programmes de formation qui ne réduisent pas le chercheur à un superviseur passif mais lui donnent les outils pour questionner et corriger les agents qu’il supervise.

La science a toujours progressé par accélération discontinue. L’imprimerie a multiplié la circulation des idées et créé de nouveaux problèmes de vérification que la République des Lettres a mis un siècle à résoudre. Le séquençage génomique à haut débit a inondé les bases de données de variantes dont l’interprétation clinique reste incomplète trente ans plus tard. Les agents IA scientifiques posent la même question structurelle, à une vitesse plus grande. La réponse n’est pas dans l’instrument, elle est dans les institutions qui l’entourent.

Sources

1. Sciences et Démocratie / Nature — L’IA accélère la découverte scientifique : promesse et vertiges : https://www.sciences-et-democratie.net/intelligence-artificielle-33106-ia-accelere-decouverte-scientifique-promesse-vertiges
2. AlphaFold Protein Structure Database (EMBL-EBI / DeepMind) : https://alphafold.ebi.ac.uk
3. Boiko et al., « Autonomous chemical research with large language models » (Nature, 2023) — Coscientist
4. Lu et al., « The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery » (Sakana AI, 2024)
5. RCSB Protein Data Bank — statistiques historiques des dépôts de structures
6. McKinsey Global Institute — The economic potential of generative AI (2023)
7. Comité Nobel de chimie — annonce du prix 2024, Royal Swedish Academy of Sciences
8. Nobel Prize 2024 Chimie – Communiqué officiel : https://www.nobelprize.org/prizes/chemistry/2024/press-release/
9. EMBL – AlphaFold Nobel 2024 : https://www.embl.org/news/science-technology/alphafold-wins-nobel-prize-chemistry-2024/
10. RCSB PDB – Milestone 200 000 entrées : https://www.rcsb.org/news/639b9e337f8444f313d20414
11. AlphaFold DB – Site officiel : https://alphafold.ebi.ac.uk/
12. PubMed – AlphaFold DB in 2024 (214 millions de structures) : https://pubmed.ncbi.nlm.nih.gov/37933859/
13. ScienceDirect – Facteur 1000 AlphaFold vs PDB : https://www.sciencedirect.com/science/article/pii/S0966842X25001106
14. Nature – Coscientist (papier original) : https://www.nature.com/articles/s41586-023-06792-0
15. Carnegie Mellon – Communiqué officiel Coscientist : https://www.cmu.edu/news/stories/archives/2023/december/cmu-designed-artificially-intelligent-coscientist-automates-scientific-discovery
16. Nature – AI Scientist (Sakana AI, 2026) : https://www.nature.com/articles/d41586-026-00899-w
17. Nature – AlphaFold (papier original 2021) : https://www.nature.com/articles/s41586-021-03819-2