Tout ce que l’IA a déjà révolutionné dans la recherche scientifique

Par David Larousserie

Publié le 25 mai 2026 à 18h00, modifié le 25 mai 2026 à 18h02 https://www.lemonde.fr/sciences/article/2026/05/25/ce-que-l-ia-a-deja-revolutionne-dans-la-recherche-scientifique_6693676_1650684.html

Temps de Lecture 11 min.

Enquête

Réflexion, planification stratégique, analyse des données, génération d’hypothèses de travail, enseignement universitaire… La montée en puissance des outils d’intelligence artificielle, en particulier des « modèles de fondation », bouleverse le travail des chercheurs. Focus sur la biochimie, la météorologie et les mathématiques.

Lorsque vous aurez fini la lecture de cet article, beaucoup des exemples donnés seront sans doute dépassés. Ainsi vont les progrès des techniques d’intelligence artificielle (IA) appliquées aux sciences. Car, avec moins de bruit que dans d’autres secteurs (informatique, traduction, cinéma, journalisme…), l’IA bouscule aussi la manière dont les scientifiques travaillent au quotidien en maths, en chimie, en biologie, en physique, en archéologie ou encore en médecine.

Et encore, on ne parle pas ici de la vague qui submerge littéralement les jurys des conférences ou les demandes de financement de projet, avec des articles entièrement ou partiellement rédigés par des chatbots. Ni de la « parade », si l’on peut dire, qui consiste à évaluer cette masse surnuméraire par… d’autres IA.

Non, il s’agit de changements plus profonds qui touchent au cœur du métier. Ses méthodes de production, mais aussi ses étapes de réflexion, de planification stratégique, d’analyse des données, de génération et d’évaluation d’hypothèses de travail… En amont de ces processus aussi, les conséquences se font sentir sur la manière d’enseigner, voire sur le déroulement d’une thèse : certains s’interrogent sur la pertinence d’une durée de trois-quatre ans à l’heure où des outils trouvent de bons résultats en quelques heures ou jours. Si nous ne sommes qu’aux prémices de ces bouleversements, le sujet est déjà sur toutes les lèvres, y compris, peut-être de façon surprenante, chez la « reine des sciences », les mathématiques.

A vrai dire, l’IA est dans les laboratoires depuis longtemps. L’une de ses premières générations, l’apprentissage statistique, ou machine learning, est indispensable à l’analyse de données. La nouveauté vient de la deuxième vague, celle de l’apprentissage dit « profond », ou deep learning, dont sont issus notamment les générateurs de textes ou d’images connus du grand public.

Plusieurs points communs expliquent les succès à venir. Il y a d’abord les données, cette matière indispensable pour la mise au point des systèmes d’IA, leur apprentissage. En science, la particularité est que ces bases de données ont patiemment été constituées et partagées par les universités, pour être finalement utilisées par les IA développées par les grandes entreprises, Google, Meta, OpenAI, Nvidia ou leurs équivalents chinois. Ainsi, des structures tridimensionnelles de protéines, des informations météo sur plusieurs décennies, des calculs d’interactions chimiques entre molécules, des articles scientifiques, des images astrophysiques ont servi à développer de grands modèles comme AlphaFold, de Google, en biologie, ou bien FourCastNet, de Nvidia, pour la météo…

L’autre clé est que la magie rendue visible avec le lancement, en novembre 2022, de ChatGPT opère aussi en science. Il s’agit du concept de « modèle de fondation ». Autrement dit, un logiciel mis au point grâce à l’ingurgitation massive de tâches simples, comme compléter le mot suivant dans une phrase, s’avère capable de tâches plus complexes et multiples : traduire, résumer, reformuler, analyser, coder, voire « raisonner »… Avec les atomes, les molécules ou les températures, ce principe fonctionne aussi et permet de rêver à des accélérations de calculs et de découvertes.

Fixons donc, pour l’histoire, quelques instantanés de ces révolutions en cours dans les laboratoires de biochimie, de météorologie et de mathématiques.

En biochimie, un vocabulaire avec des règles

« L’IA change tout ! », dit souvent, lors de ses conférences, Alessandra Carbone, professeure à Sorbonne Université au Laboratoire de biologie computationnelle, quantitative et synthétique. A son bureau, cette mathématicienne passée à la modélisation des interactions entre molécules explique en quoi « l’IA a changé [sa] vie ». Son but est de comprendre les fonctions des dizaines de milliers de protéines du corps humain (hémoglobine, collagène, insuline, enzymes…) ou des autres organismes, et comment elles interagissent entre elles. L’un des intérêts est que ces molécules plus ou moins grosses peuvent être autant de cibles pour des thérapies.

Dans sa vie « d’avant », elle avait participé à un programme international soutenu par IBM et ses superordinateurs. Après des années de travail, en 2013, l’équipe avait publié un réseau d’interactions entre 168 protéines. « Aujourd’hui, on fait mille fois plus et mieux ! On peut créer ce réseau en trois jours de calcul pour 20 000 protéines », poursuit la chercheuse, anticipant la parution d’un article démontrant ses affirmations. Mais elle a déjà publié les principes de la méthode, qui passe par le fait d’apprendre à un programme le langage des protéines, tout comme un chatbot apprend à parler l’humain.

Pour les biochimistes, les « lettres » sont les acides aminés ; les « phrases », des protéines faites de plusieurs acides aminés ; les « pages », les formes tridimensionnelles de ces molécules en partie responsables de leur activité… Et, avec ce vocabulaire, tout n’est pas possible, il existe des règles : telle protéine interagit avec certaines et pas d’autres, telle mutation change tout ou, au contraire, presque rien…

L’un des premiers modèles de ce genre, AlphaFold, dont les auteurs, Demis Hassabis et John Jumper, ont été couronnés du prix Nobel de chimie en 2024, traduisait une séquence génétique en forme tridimensionnelle de protéine. Depuis, des modèles comme ESM (Meta) ou Ankh (université technique de Munich et université Columbia) se passent de la séquence génétique et partent directement de la succession d’acides aminés. Le propre de ces modèles est que, à partir d’un entraînement assez rustique – prévoir l’acide aminé suivant dans une séquence –, ils construisent une représentation abstraite de la manière dont des acides aminés s’assemblent. Cela sert de base, ensuite, à des modèles ayant d’autres fonctions : prédire la structure ou l’effet d’une mutation, ou une fonction, ou bien encore construire le réseau des protéines en interaction…

Alessandra Carbone promet ainsi plusieurs résultats à paraître. Avec des neuroscientifiques, elle a, à partir de deux protéines connues, prédit que d’autres devraient intervenir. Elle a aussi mis au point une méthode pour identifier automatiquement la fonction de centaines de protéines en les agrégeant par affinités. Elle pense également avoir compris un mystère de ces modèles qui prévoient des interactions entre molécules, sans pouvoir dire exactement quelles parties sont impliquées.

« La chimie se numérise, comme d’autres secteurs avant elle », souligne Jean-Philip Piquemal, qui, lui aussi, avec sa double casquette de professeur à Sorbonne Université et de cofondateur de Qubit Pharmaceuticals, développe un modèle de fondation, FeNNix-Bio1. Il sera bientôt publié après évaluation par des pairs, mais a été décrit en prépublication en décembre 2025. Ce modèle sert à prédire l’interaction de peptides (des petites chaînes d’acides aminés), qui peuvent être des médicaments, avec de plus grosses molécules, en tenant compte du milieu liquide. « En matière d’échelle, c’est comme prédire la meilleure zone d’atterrissage d’une sonde sur Mars. On cherche à savoir où un peptide interagit », observe le spécialiste.

Lui a travaillé sur sa propre base de données, qui stocke des millions de calculs de force entre des atomes et des molécules, réalisés par des méthodes classiques, coûteuses en calcul intensif. Cela sert de base à l’entraînement et fait qu’ensuite le modèle peut s’attaquer à des configurations nouvelles et complexes. « Avant, il nous fallait quatre-cinq mois pour évaluer une interaction entre deux molécules d’intérêt. Maintenant, une nuit suffit », apprécie Jean-Philip Piquemal. C’est le temps qu’il faut pour adapter le gros modèle au contexte particulier, en lui fournissant beaucoup moins de données. Qubit Pharmaceuticals a publié, en avril, son premier brevet pour un candidat anticancer.

Lire aussi le portrait (2026) |  Article réservé à nos abonnés  Demis Hassabis, PDG de Google DeepMind, l’« optimiste prudent »Lire plus tard

Dans la chimie non biologique, la satisfaction et les promesses sont aussi de mise chez Marco Saitta, professeur à Sorbonne Université et au Laboratoire de physique de l’Ecole normale supérieure. « Toute ma carrière, j’ai cherché des méthodes pour calculer des interactions, en simplifiant les modèles pour arriver à simuler des problèmes complexes. Et j’étais frustré de ne pas pouvoir attaquer de grosses molécules. Avec l’IA, on peut désormais », salue-t-il, en donnant pour exemple une publication d’août 2025 qui a permis de comprendre pourquoi certaines électrodes poreuses permettent à des supercondensateurs de se recharger trois fois plus vite (des batteries avec peu d’énergie mais déchargeables rapidement). L’équipe a utilisé un autre modèle de fondation, MACE, qui, comme FeNNix-Bio1, a été entraîné en bénéficiant des calculs effectués depuis plusieurs années pour évaluer les forces entre atomes. « Dans ce domaine, l’Europe a une carte à jouer pour rester dans les leaders », estime Marco Saitta.

Pour la météo, des prédictions rapides… et des défauts

La révolution est déjà en cours dans la prévision météorologique et les sciences du climat. Entre février 2022 et janvier 2023, plusieurs modèles de prévisions globales sont sortis, battant les meilleures simulations de l’époque, et surtout accélérant de 1 000 à 10 000 fois les temps de calcul. Nouveauté, ces progrès viennent d’acteurs inattendus. Le fabricant de cartes graphiques Nvidia, avec FourCastNet, le géant chinois de l’électronique Huawei, avec Pangu-Weather, ou Microsoft, avec ClimaX, et, un peu moins surprenant, l’inévitable Google, avec GraphCast. Aussitôt, le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) a réagi et également sorti son modèle, AIFS, intégré depuis février 2025 à ses flux de prévisions, qui nourrissent la plupart des centres nationaux pour réaliser leurs bulletins locaux.

Lire aussi le décryptage (2024) |  Article réservé à nos abonnés  Prévisions météo : des progrès foudroyants grâce à l’intelligence artificielleLire plus tard

La technique d’apprentissage est simple, ou en tout cas classique. La mise au point consiste à prédire les valeurs de l’atmosphère au jour J + 1, à partir de celle du jour J, en puisant dans la base de données ERA5 de l’ECMWF, qui contient des informations atmosphériques depuis 1940. Cette phase de mise au point est longue, mais la prédiction est ensuite très rapide.

Les prévisions sont aussi parfois meilleures que les simulations tenant compte de la physique. La force de ces systèmes est en effet d’avoir appris des informations cachées dans les données, qui échappent aux simulations classiques.

Cependant, des défauts persistent. Le 29 avril, dans Science Advances, une équipe internationale pointait une fois de plus la difficulté à prédire des événements extrêmes (vents violents, vagues de chaleur ou de froid). L’autre faiblesse est que, pour l’instant, les calculs portent sur de grandes échelles et pas sur des prévisions locales. Cela est dû au fait qu’ERA5 a une maille assez lâche d’environ 30 × 30 kilomètres. L’arrivée prochaine d’ERA6, avec une maille deux fois plus petite, devrait changer la donne. Résultat, pour Météo-France, le passage à l’IA « est en cours de développement », selon Laure Raynaud, responsable de l’équipe chargée du projet, qui souligne clairement qu’« un nouveau paradigme a émergé ».

Pour faciliter la prédiction d’événements extrêmes, des parades existent. Comme ajouter des données hors norme dans l’entraînement. Ou bien utiliser des méthodes statistiques « classiques » pour sélectionner des trajectoires atypiques et les prolonger dans le temps grâce à l’IA. Pour des temps plus longs, à l’échelle de l’étude d’un climat, l’équipe de Freddy Bouchet, du Laboratoire de météorologie dynamique, a procédé ainsi pour estimer la probabilité de températures extrêmes qui n’arriveraient qu’une fois tous les mille ans.

Autre tendance, passer des modèles dits « déterministes » de la première génération, qui pour une même condition initiale donnent toujours la même réponse, à des modèles probabilistes, qui proposent plusieurs scénarios enrichis de probabilité d’advenir. Cette nouvelle génération appartient à la famille des modèles génératifs, comme ChatGPT, c’est-à-dire que les IA répondent aux questions par des cartes de températures, de pressions, d’humidité… Cela est plus utile aux prévisionnistes, mais ces techniques sont encore un peu lentes. En avril, une équipe de l’Institut national de recherche en sciences et technologies du numérique a proposé ArchesWeatherGen, qui entre dans cette catégorie et réduit d’environ dix fois les temps d’entraînement des modèles, donc les consommations d’énergie.

En mathématiques, une crise se profile

Les maths sont déjà passées par tous les stades en matière de relation avec l’IA. La moquerie, devant les grosses erreurs des premiers chatbots en calcul ou en logique. Puis le scepticisme, avec des performances marquantes mais pas fondamentales, comme des succès aux Olympiades de maths. Puis la sidération, quand de « vrais » problèmes difficiles sont « tombés ». Tel le problème 1196 d’Erdös, en théorie des nombres, résolu par un quasi-amateur à l’aide de ChatGPT, en avril. Ou surtout, le 20 mai, quand OpenAI a annoncé avoir invalidé une conjecture du même Erdös faite en 1946, en géométrie combinatoire. Et, enfin, une sorte de ruée vers ces outils pour les plus entreprenants.

« Ça change vite. La période est un peu folle. Les gens s’en emparent et ça devient un collaborateur avec qui on discute. C’est vertigineux », témoigne Gérard Biau, ancien directeur de Sorbonne Cluster for AI, mathématicien à Sorbonne Université, lui-même utilisateur. « Ce qui m’aurait pris quelques semaines d’exploration ne me prend plus que quelques minutes, avec des séquences de travail avec le chatbot, comme je le ferais avec un collaborateur ou un étudiant au tableau », poursuit-il, louant la « grosse culture » mathématique des derniers modèles d’Anthropic ou d’OpenAI.

« Ces progrès sont devenus vraiment difficiles à ignorer, même pour les mathématiciens les plus conservateurs, estime Amaury Hayat, professeur à l’Ecole nationale des ponts et chaussées. Toutes les semaines, on entend parler d’un collègue qui n’avait pas réussi à résoudre un problème par lui-même pendant un bon moment. Et une IA y est parvenue. » Lui-même est dans ce cas avec la démonstration, en mai, d’un problème sur lequel il travaillait depuis une dizaine d’années.

Timothy Gowers, médaillé Fields 1998 et professeur au Collège de France, a aussi crié victoire, le 8 mai, sur son compte X : ChatGPT « a trouvé le résultat, qui selon moi aurait parfaitement constitué un chapitre de thèse, en quelques heures ».

En juin, la deuxième édition du défi First Proof, qui propose à la sagacité des IA dix problèmes inédits rédigés par des professionnels, donnera son verdict. Lors de la première édition, en février, Google, avec son système Aletheia, ou OpenAI avaient résolu respectivement six et cinq de ces problèmes.

D’autres progrès importants sont enregistrés sur une tâche un peu absconse mais fort utile pour les professionnels : la formalisation et la vérification des preuves. L’un des avantages des maths, très adapté aux progrès des machines, est que les affirmations produites sont vérifiables par l’application de règles logiques et de définitions. Des langages ont même été développés – Lean, Coq, Isabelle… – pour prouver automatiquement que des énoncés ou des logiciels entiers sont corrects. Pour cela, il faut traduire des énoncés écrits en langage mathématique dans ces nouveaux langages. C’est la formalisation, et désormais l’autoformalisation, c’est-à-dire que la tâche est effectuée par des machines. En février, une première réussite marquante a été obtenue. La démonstration qui a valu à l’Ukrainienne Maryna Viazovska sa médaille Fields en 2022 a été formalisée à l’aide de Gauss, une IA de la société Math, Inc., créée pour développer ce nouveau marché.

« Ces systèmes d’IA vont devenir très forts. Plus forts que la majorité des professionnels. On ne peut plus l’ignorer, mais cela aura des conséquences », prévient Amaury Hayat. La formation est d’ores et déjà chamboulée, avec le retour d’examens « papier-crayon » et la fin de projets menés hors classe. « La situation est compliquée avec nos étudiants. Il faut continuer à leur enseigner les concepts pour qu’ils bénéficient d’une culture solide, tout en leur faisant aussi manipuler ces nouveaux outils », insiste Gérard Biau, pour qui « le patron reste l’humain, pour les idées originelles, les directions… La machine travaille pour nous. Donc ça demande d’être fort dans son domaine ».

Cette mise à disposition des outils pose la question des moyens et de l’équité. En effet, les versions les plus efficaces coûtent cher et sont donc inabordables pour certains chercheurs en poste ou des étudiants. Gérard Biau se demande aussi si des entreprises continueront à cofinancer des thèses alors que les réponses qu’elles attendent de ce travail au long cours pourraient désormais être obtenues plus rapidement. « Nous allons très bientôt être confrontés à une crise, et les départements de mathématiques, qui ont un devoir de diligence envers leurs étudiants, devraient s’y préparer de toute urgence », prévient Timothy Gowers dans son tweet du 8 mai.

« Il faut rester optimiste. Ces outils font progresser les maths. C’est très stimulant, car on voit les choses bouger en temps réel. Mais c’est vertigineux de se demander ce que sera notre métier demain », conclut Amaury Hayat.

Une autre vedette du domaine, Terence Tao, Médaille Fields 2006, déclarait, le 27 avril, au journal Nature : « Cela nous oblige à repenser des questions fondamentales. Qu’est-ce qu’une preuve ? Qu’est-ce qu’un article ? Quel est le but de notre profession ? Si nous ne nous les posons pas, alors les réponses viendront d’entreprises ou seront décidées par des intérêts financiers. Nous devons prendre les devants. »

Pour approfondir  (2 articles)

• Entretien Article réservé aux abonnés    Face à l’intelligence artificielle, « le métier de chercheur est à repenser avec des changements radicaux dans les pratiques » *
• Article réservé aux abonnés    Les « agents », ces IA qui prennent des décisions de chercheurs **

David Larousserie. 

*Face à l’intelligence artificielle, « le métier de chercheur est à repenser avec des changements radicaux dans les pratiques »

Sans nier les questions énergétiques et environnementales liées à l’usage de l’IA, le professeur Jalal Fadili, qui dirige le centre du CNRS Aissai, plaide dans un entretien au « Monde » pour une approche « bénéfice-risque ». 

Propos recueillis par David Larousserie

Publié le 25 mai 2026 à 17h45 https://www.lemonde.fr/sciences/article/2026/05/25/face-a-l-intelligence-artificielle-le-metier-de-chercheur-est-a-repenser-avec-des-changements-radicaux-dans-les-pratiques_6693674_1650684.html

Temps de Lecture 3 min.

Jalal Fadili est professeur à l’Ecole nationale supérieure d’ingénieurs de Caen. Depuis 2022, il dirige le centre du CNRS Aissai, acronyme d’« AI for science, science for AI » (« IA pour la science, la science pour l’IA »). Dans un entretien au « Monde », il observe que ce lieu permet d’explorer les « fertilisations croisées » entre les deux domaines.

Pourquoi un centre de plus sur l’intelligence artificielle (IA) en France, alors que de tels acteurs ne manquent pas ?

Depuis le plan national pour l’IA lancé en 2018, beaucoup de choses ont été faites : des clusters IA, de meilleures infrastructures de calcul (le supercalculateur Jean-Zay et un réseau d’ingénieurs), de la formation… Mais il manquait quelque chose de transversal et d’interdisciplinaire, que le CNRS a porté très tôt, un centre pour structurer la recherche en IA et en science. La finalité est de faire avancer la découverte dans les autres sciences et de nourrir l’IA par ces autres secteurs. Cela signifie développer l’IA comme outil pour les sciences, mais aussi étudier la science de l’IA, car il y a des fertilisations croisées entre les deux, comme l’ont montré les prix Nobel de physique [attribué à John Hopfield et Geoffrey Hinton] et de chimie de 2024 [récompensant David Baker, Demis Hassabis et John Jumper]. Pour éviter la fragmentation disciplinaire, les dix Instituts du CNRS sont présents. Un tel centre est encore assez rare dans le monde.

Mais, concrètement, qu’y fait-on ?

On est un lieu de rencontres entre spécialistes de plusieurs domaines, comme c’est le cas pour l’Institut Henri-Poincaré en mathématiques. L’une des principales actions du centre Aissai s’articule autour de « trimestres » thématiques, durant de trois à six mois, pendant lesquels des scientifiques explorent en profondeur des questions aux interfaces entre l’IA et les sciences. Dix ont déjà été organisés sur la physique et l’IA, sur la causalité, sur les sciences humaines et sociales et l’IA ou encore sur la biologie et l’IA. On organise et finance aussi un programme de post-docs, des écoles de recherche thématiques…

L’IA n’est-elle donc pas qu’une mode ?

En dépit de la méfiance de certains, ce que je comprends, ces technologies sont là pour durer. C’est aussi important que l’électricité, les ordinateurs ou Internet. Le métier de chercheur est à repenser avec des changements radicaux dans les pratiques.

Comment ?

L’approche de la découverte est modifiée. Avant, on se posait des questions, on échafaudait des hypothèses et on les testait par des expériences, des simulations ou des raisonnements. Maintenant, des systèmes d’agents intelligents peuvent élaborer des plans d’expériences automatiquement et surtout bien plus rapidement. Et même faire ces expériences. Sur le calcul, il y a de nombreux exemples de méthodes bien plus rapides avec l’IA qu’auparavant. Enfin, sur le raisonnement, l’exemple du domaine des mathématiques montre que des tâches cognitives de logique et de preuve peuvent être assistées par une machine en interaction avec le chercheur. Dire que l’IA ne va rien changer à la recherche, c’est comme dire qu’Internet n’a rien changé à nos sociétés.

Quelles sont les limites à ces progrès ?

Tous les jours, nous en parlons dans les laboratoires, que ce soit au niveau des chercheurs ou plus globalement de la société.

Le premier point de vigilance pour les scientifiques concerne les questions d’intégrité, notamment au sujet les publications. Quel usage de l’IA doit être signalé au lecteur ? Et comment évaluer cette vague de soumissions d’articles pour les conférences, parfois multiplié par 4 ou par 5, due au recours à des chatbots ? Peut-on et a-t-on le droit d’automatiser aussi l’évaluation de ces articles ? Pour garder confiance dans la littérature, nous devons répondre à ces questions, mais on court derrière le train.

Une autre grande question est de repenser la formation des étudiants. Le pire serait d’interdire ces outils. Mais il faut veiller à ce que cela ne crée pas d’inégalités, car les meilleurs outils sont chers et peuvent ne pas être accessibles à tous.

Et pour la société ?

L’un des enjeux est celui de la souveraineté. Il ne faut pas que notre expertise scientifique dépende de modèles ou de ressources étrangères. En outre, nous avons besoin d’une force académique importante, pour ne pas dépendre seulement des entreprises.

Il ne faut pas non plus ignorer les questions énergétiques et d’environnement, car ces outils ont des effets sur la nature, par leur consommation intense en énergie, en eau et en matériaux, dont les terres rares. Cela peut conduire certains à en refuser l’usage. Mais on peut plaider pour une approche bénéfice-risque. C’est-à-dire qu’il y a aussi des avantages à recourir à l’IA. On peut défendre qu’une science de meilleure qualité et plus rapide, permise par ces outils, sera bénéfique pour la société avec la mise au point de nouveaux médicaments, vaccins, ou matériaux…

David Larousserie

**Les « agents », ces IA qui prennent des décisions de chercheurs

Qualifiés de « laboratoires autodirigés » ou de « coscientifiques », ces outils doivent permettre d’accélérer la recherche, en libérant du temps pour que les scientifiques puissent se consacrer à des missions plus créatives. 

Par David Larousserie

Publié le 25 mai 2026 à 17h30 https://www.lemonde.fr/sciences/article/2026/05/25/les-agents-ces-ia-qui-prennent-des-decisions-de-chercheurs_6693673_1650684.html

Temps de Lecture 4 min.

François Lanusse, astrophysicien au CNRS travaillant au CEA Paris-Saclay, s’interroge. « Des IA sont-elles plus futées que nous ? » Avec un groupe de collègues, il a été battu en décembre 2025 lors d’un hackathon, un défi pour programmeurs, par une équipe constituée d’agents, des intelligences artificielles (IA) capables de prendre des décisions, d’utiliser différents outils numériques, d’élaborer des stratégies… de façon autonome. Le défi consistait à trouver les paramètres d’un modèle d’évolution du cosmos capable d’expliquer une série d’observations du ciel influencées par la présence de matière noire.

« La nouvelle a fait sensation, même si, en réalité, le résultat victorieux était le fruit d’une collaboration entre ces agents et des humains. Mais ça fait réfléchir ! », remarque-t-il.

Il n’est pas le seul, car la vogue pour ces agents artificiels, qui a envahi tous les secteurs de l’économie, touche aussi les sciences. Ils s’appellent Kosmos, Co-Scientist, Denario, Sakana, ChemAgent… et sont les représentants de cette nouvelle famille de « laboratoires autodirigés », de « coscientifiques », d’« IA scientifiques », de « recherche scientifique autonome », censée accélérer la recherche. Ils sont constitués de plusieurs sous-systèmes consacrés à la fouille bibliographique, à l’analyse de données, à la formulation d’hypothèses, à l’écriture de code informatique, au choix d’outils numériques, à la répétition d’essais et d’erreurs, à l’évaluation, à l’écriture de l’article final… et à l’orchestration de toutes ces fonctions bien sûr.

La plupart de ces sous-systèmes ont comme cerveau un modèle de langue, comme ceux au cœur de ChatGPT, de Claude ou de Gemini. Mais les agents ne se contentent pas de générer du texte, ils agissent. Le 19 mai, les entreprises américaines Google DeepMind et FutureHouse ont publié de façon indépendante dans Nature les promesses de leurs agents, qui ont notamment proposé des repositionnements de médicaments pour des pathologies comme la leucémie ou la dégénérescence maculaire liée à l’âge.

« Je ne l’aurais pas cru »

Le monde académique n’est pas en reste. Le chercheur Louis-Félix Nothias, avec des collègues de l’université Côté d’Azur et de l’Institut national de recherche en sciences et technologies du numérique, développe plusieurs agents. MetaboT, pour interroger des bases de connaissance sur des métabolites et connaître leurs formules ou leurs fonctions ; Perspicacité AI, pour explorer la littérature scientifique ; et surtout Mimosa, un système multiagent particulièrement efficace et doté de capacité d’évolution.

« Avec Martin Legrand, le jeune ingénieur en informatique qui travaille sur ce projet, nous l’avons testé sur un cas que j’avais étudié pendant ma thèse. En une trentaine de minutes, le système a reproduit les résultats que j’avais mis des mois à obtenir », précise le chercheur. En l’occurrence, Mimosa a identifié des composés antiviraux dans des extraits d’euphorbe arborescente, un arbuste, à partir de leur spectre de masse et de leur bioactivité prédite. Ce système a surtout résolu 44 tâches scientifiques de références sur les 102 disponibles dans un « banc d’essai », ScienceAgentBench, allant de l’informatique aux neurosciences, en passant par la chimie et la géographie.

François Lanusse, depuis son « échec » au hackathon, a lancé, le 13 mai, le projet Lightcone Research avec Liam Parker, de l’université de Berkeley (Californie), qui veut utiliser des agents pour proposer des solutions aux problèmes posés par… l’IA. Si cette dernière promet d’accélérer les découvertes et la production d’articles, elle « risque cependant de submerger les chercheurs de nouveaux résultats en apparence plausibles, mais dont la véracité est extrêmement difficile à évaluer », selon François Lanusse. Son projet ambitieux est de développer des agents garantissant la fiabilité de la recherche par « la transparence des analyses, la reproductibilité des résultats et la vérifiabilité des sources et des conclusions ». « Je vais peut-être y passer un an. Mais j’espère que, en retour, j’y gagnerai du temps pour ma recherche », estime le chercheur.

Amaury Hayat, mathématicien à l’Ecole nationale des ponts et chaussées, a, lui, déjà élaboré un système de 30 000 agents qui l’ont aidé à traduire un livre de cours, niveau master ou doctorat, non pas de l’anglais vers une autre langue, mais de la langue naturelle vers le langage Lean, un langage informatique dit « de vérification », qui permet d’assurer que les énoncés et démonstrations sont justes. « C’est le genre de travail qui, normalement, aurait dû prendre de l’ordre d’un an à une équipe de quelques mathématiciens, observe le chercheur. Si on m’avait dit il y a trois ans que ce serait possible en 2026 en une semaine et de manière totalement automatique sans humains, soyons honnêtes, je ne l’aurais pas cru. »

Tout n’est pas encore réglé

Quelques semaines plus tard, avec une entreprise à but non lucratif, Numina, Amaury Hayat annonçait sur le réseau X, le 5 mai, qu’il était aussi venu à bout d’une démonstration mathématique grâce à un autre système d’agents. Le 7 mai, c’est Google DeepMind qui publiait son « comathématicien », un autre agent qui bat, dans différents défis mathématiques, les seuls chatbots, pourtant de plus en plus forts en maths. Ainsi sur le test FrontierMath, il résout presque la moitié des 48 problèmes proposés quand Gemini seul en résout près de 20 %. Sur un test interne de 100 problèmes, il trouve la solution pour 87 d’entre eux contre 70 pour Gemini, selon l’entreprise.

Pourtant, tout n’est pas encore réglé car de nombreux défauts subsistent. Lorsque les tâches demandées sont très longues, l’efficacité stagne voire baisse. Sur le site de l’agent Denario, ses auteurs reconnaissent aussi que des données avaient été fabriquées. Puiser les informations dans la littérature scientifique accessible peut par ailleurs restreindre l’expertise en excluant des articles payants, des résultats négatifs non publiés…

Les gains attendus sont cependant importants. Ces agents pourraient ainsi libérer du temps aux scientifiques pour réfléchir aux problèmes importants, être plus créatifs, ou… guider leur assistant. « Il faut en faire des alliés pour mieux raisonner et produire, et non pas que nous soyons leur esclave cognitif », pense Louis-Félix Nothias, qui reste optimiste : « Ces agents IA sont peut-être aussi un moyen de ne pas se laisser distancer par les acteurs dominants, qu’il s’agisse de géants technologiques ou de pays disposant de ressources humaines et techniques considérables. »