FutureHouse veut accélérer les découvertes scientifiques avec ses agents d’IA

La science n’a jamais produit autant de publications, de jeux de données et d’outils spécialisés. Pourtant, pour les équipes de recherche, cette abondance peut devenir un frein : lire les travaux pertinents, retrouver une méthode déjà testée, comparer des résultats ou préparer une expérience exige un temps considérable. C’est dans cet espace que veut s’inscrire FutureHouse, un laboratoire qui développe des agents d’intelligence artificielle conçus pour assister les scientifiques à différentes étapes de leur travail.

L’ambition n’est pas de remplacer le raisonnement, l’intuition ou le contrôle expérimental des chercheurs. Elle consiste plutôt à déléguer à des logiciels certaines opérations longues et répétitives, comme la recherche dans la littérature, la synthèse de documents, l’organisation d’informations ou l’exploration de données. À condition, bien sûr, que les réponses produites soient vérifiées avec la même rigueur que toute autre piste de recherche.

Pourquoi la découverte scientifique semble ralentir

De nombreux travaux ont mis en évidence une baisse de la productivité scientifique sur plusieurs décennies. L’idée ne signifie pas que les chercheurs découvrent moins de choses, ni que la science serait à l’arrêt. Elle décrit un phénomène plus précis : obtenir une avancée comparable demande souvent davantage de personnes, de temps, de financement et d’équipements qu’auparavant.

Plusieurs facteurs se cumulent. Les questions les plus accessibles ont parfois déjà trouvé une réponse, tandis que les problèmes restants sont plus complexes. La recherche se spécialise aussi : un biologiste, un chimiste, un clinicien et un informaticien peuvent devoir croiser leurs compétences pour étudier une même question. Enfin, l’explosion du nombre d’articles rend la veille scientifique difficile, y compris dans un champ très étroit.

Le quotidien d’un laboratoire ne se résume donc pas à la manipulation ou à l’observation. Il faut identifier les références importantes, distinguer les résultats robustes des résultats fragiles, concevoir des protocoles, analyser des séries de données et documenter chaque choix afin que l’expérience puisse être reproduite. Une intelligence artificielle peut potentiellement accélérer plusieurs de ces opérations, sans pour autant supprimer les incertitudes inhérentes à la recherche.

FutureHouse, une plateforme d’agents spécialisés

FutureHouse part de ce constat et propose une plateforme réunissant plusieurs agents d’IA aux rôles distincts. Le laboratoire a été financé par des philanthropes et défend une approche dans laquelle les outils ne sont pas seulement de grands modèles généralistes capables de discuter, mais des assistants reliés à des usages précis de la recherche scientifique.

L’un de ses fondateurs, Sam Rodriques, s’est intéressé au problème pendant son doctorat au MIT consacré au fonctionnement du cerveau. Son expérience a mis en lumière une difficulté familière à de nombreux scientifiques : même lorsqu’une question semble formulée et que les connaissances nécessaires existent en partie dans la littérature, personne ne dispose du temps suffisant pour parcourir et mettre en relation l’ensemble des travaux concernés.

Ce point est essentiel. Un agent n’apporte pas nécessairement une information absente de la science. Il peut surtout permettre de retrouver plus vite une information publiée, d’en produire une synthèse structurée, ou de signaler qu’une hypothèse a déjà été examinée. Cela peut éviter de recommencer certaines recherches ou, au contraire, révéler une piste qui était restée dispersée entre plusieurs disciplines.

La plateforme a été officiellement lancée le 1er mai 2025. À cette occasion, FutureHouse a renommé certains de ses outils afin de les rendre plus accessibles. Le plus connu, PaperQA, est devenu Crow. L’outil appelé Has Anyone a pris le nom d’Owl.

Crow, Owl, Phoenix et Finch : que font ces agents ?

Chaque agent est présenté comme spécialisé dans une tâche. Cette organisation cherche à éviter de demander à un même assistant de tout faire, de la recherche bibliographique à la planification d’une synthèse chimique. Dans un workflow multi-agents, les résultats d’un outil peuvent nourrir le travail du suivant, tout en laissant au scientifique la responsabilité de décider de la suite.

Crow répond à un besoin immédiatement identifiable : la littérature scientifique contient souvent la réponse partielle à une question, mais celle-ci est difficile à localiser. L’agent est conçu pour récupérer des publications et produire des résumés. Pour un chercheur, l’intérêt potentiel est de passer moins de temps à trier des résultats et davantage de temps à évaluer les articles vraiment décisifs.

Owl cible un autre problème très concret : savoir si quelqu’un a déjà tenté une expérience comparable. Une recherche par mots-clés classique peut manquer un article parce que les auteurs emploient une terminologie différente, travaillent dans une autre discipline ou décrivent une méthode sous un angle inattendu. Un outil capable de reformuler une question et de parcourir la littérature de façon contextuelle peut aider à réduire ce risque.

Phoenix et Finch vont plus loin dans le processus scientifique. Le premier s’intéresse à la planification en chimie, notamment à la synthèse, qui consiste à imaginer une succession d’étapes pour obtenir une molécule donnée. Le second doit contribuer à la découverte guidée par des données biologiques. Ces usages sont plus ambitieux, car ils touchent à des décisions expérimentales où la faisabilité pratique, les conditions du laboratoire et les connaissances tacites des équipes comptent autant que les informations contenues dans les textes.

Des démonstrations, pas encore des découvertes établies

Le 20 mai 2025, FutureHouse a présenté un workflow de découverte multi-agents. L’objectif affiché était d’automatiser plusieurs étapes afin d’identifier un candidat prometteur pour une possible nouvelle thérapie contre la dégénérescence maculaire liée à l’âge, une maladie qui atteint la rétine et peut altérer la vision.

La nuance est importante : identifier un candidat ne revient ni à démontrer son efficacité ni à disposer d’un traitement. Entre une hypothèse produite par un système informatique et une thérapie utilisable, il faut passer par des validations expérimentales, des tests de sécurité, puis, le cas échéant, des essais cliniques. L’intérêt de la démonstration réside dans l’enchaînement des étapes : recherche documentaire, formulation de pistes, analyse et sélection peuvent être orchestrées plus rapidement.

En juin 2025, FutureHouse a également annoncé ether0, un modèle de raisonnement destiné à la chimie et comptant 24 milliards de poids. Dans les modèles d’IA, les poids correspondent aux paramètres internes ajustés pendant l’apprentissage. Leur nombre donne une indication de l’ampleur du système, mais ne suffit pas à mesurer sa fiabilité scientifique. Pour un outil de chimie, la qualité des données, les méthodes d’évaluation et la capacité à justifier ses propositions comptent tout autant.

En quoi ces agents diffèrent-ils d’un moteur de recherche ?

Un moteur de recherche scientifique traditionnel renvoie principalement une liste de références à partir de mots-clés. Le chercheur doit ensuite lire, comparer et interpréter les publications. Les agents de FutureHouse cherchent à ajouter plusieurs opérations : comprendre une demande en langage courant, sélectionner des passages pertinents, relier des résultats et proposer une synthèse exploitable.

Cette différence ne dispense pas de vigilance. Une synthèse peut omettre une étude déterminante, mal interpréter une limite méthodologique ou présenter avec trop d’assurance une conclusion incertaine. Plus la question est importante, plus il est nécessaire de remonter aux publications citées, de vérifier les données et d’examiner les conditions de l’expérience.

Une assistance qui exige des contrôles scientifiques

Comme les autres systèmes d’IA générative, les agents scientifiques peuvent produire des réponses plausibles mais inexactes. Dans le monde de la recherche, ce risque est particulièrement sensible. Une erreur bibliographique peut faire perdre du temps. Une erreur dans une interprétation biologique ou chimique peut conduire à orienter un programme expérimental dans une mauvaise direction.

La bonne pratique consiste donc à traiter les réponses de l’agent comme un point de départ documenté, non comme un verdict. Le chercheur doit vérifier les références, lire les passages importants dans leur contexte, identifier les limites signalées par les auteurs et confirmer les pistes au laboratoire. Cette démarche est aussi nécessaire pour la reproductibilité : un résultat utile doit pouvoir être retrouvé, compris et testé par d’autres équipes.

FutureHouse envisage d’intégrer ses agents à des outils exploitant les données brutes associées aux publications de recherche. Cette orientation pourrait être importante. Les articles résument des méthodes et des résultats, mais les données sous-jacentes peuvent apporter un niveau de précision supplémentaire pour contrôler une conclusion, refaire une analyse ou comparer plusieurs études.

Le laboratoire évoque également l’objectif d’enrichir les agents avec du savoir tacite. Cette expression désigne les connaissances pratiques difficiles à formaliser dans un article : les réglages d’un protocole, les signes permettant de détecter une anomalie ou les compromis qu’un expérimentateur expérimenté applique au quotidien. C’est probablement l’un des défis les plus difficiles, car ce savoir dépend souvent d’un contexte matériel et humain très précis.

Les premiers retours et l’accès à la plateforme

Les agents de FutureHouse sont accessibles via la plateforme du laboratoire. Cette ouverture permet à des chercheurs d’essayer les outils sur leurs propres questions, dans des domaines qui ne sont pas nécessairement couverts par les démonstrations publiques.

Des utilisateurs ont rapporté des résultats prometteurs, notamment l’identification d’un gène lié au syndrome des ovaires polykystiques et l’élaboration d’une nouvelle hypothèse de traitement pour cette pathologie. Ces retours illustrent le type de contribution que ces agents espèrent fournir : faire émerger une association ou une piste thérapeutique à partir de connaissances existantes et de données disponibles.

Ils ne doivent cependant pas être confondus avec une validation clinique ou une découverte définitivement établie. Dans la recherche biomédicale, une hypothèse doit être étudiée à plusieurs niveaux, de l’analyse informatique aux travaux expérimentaux, avant que l’on puisse déterminer sa pertinence pour les patients. La prudence est d’autant plus nécessaire lorsque les résultats touchent à la santé.

Ce qu’il faut surveiller pour juger cette promesse

L’enjeu, dans les mois à venir, sera moins de savoir si une IA peut rédiger un résumé convaincant que de mesurer si elle améliore réellement le travail scientifique. Plusieurs critères seront déterminants : le temps effectivement gagné, la qualité des références retrouvées, la traçabilité des raisonnements, le taux de résultats reproductibles et la capacité des chercheurs à repérer les erreurs.

Il faudra aussi observer la manière dont ces outils s’intègrent aux pratiques de laboratoire. Un agent performant sur des documents ne sera pas nécessairement utile face à un instrument imprévisible, à un échantillon rare ou à un protocole incomplet. À l’inverse, une plateforme bien reliée aux données, aux logiciels d’analyse et aux méthodes de recherche pourrait alléger une part significative de la charge administrative et documentaire.

FutureHouse défend une vision dans laquelle des agents spécialisés seraient dotés de modèles avancés et d’outils analytiques couramment employés par les scientifiques. Si cette infrastructure tient ses promesses, elle pourrait aider les équipes à explorer plus vite les connaissances existantes et à consacrer davantage d’énergie aux expériences qui font réellement avancer un domaine. Mais la découverte scientifique restera fondée sur une exigence non négociable : toute proposition, humaine ou algorithmique, doit pouvoir être mise à l’épreuve des faits.