IA et découverte scientifique : ce que les agents changent vraiment pour les chercheurs

La découverte scientifique repose souvent sur des tâches longues et répétitives : parcourir des milliers de publications, formuler une hypothèse, écrire du code, lancer des calculs, examiner les résultats puis mettre le tout en forme. En février 2025, l’intelligence artificielle s’installe progressivement à chacune de ces étapes. Son rôle n’est pas de produire mécaniquement de la science fiable, mais d’aider les équipes à explorer davantage de pistes, plus vite, tout en conservant le jugement critique indispensable à toute recherche.

Cette évolution est parfois résumée par l’expression « scientifique IA ». Elle peut prêter à confusion. Un logiciel ne possède ni l’intuition, ni la responsabilité, ni la capacité d’observer le monde qu’a un scientifique. En revanche, des systèmes fondés sur des modèles génératifs peuvent orchestrer des outils numériques, analyser des corpus, proposer des expériences de calcul et résumer leurs résultats. C’est précisément l’ambition de AI Scientist, présenté par la startup Sakana AI.

Une nouvelle couche d’automatisation dans la recherche

L’IA est déjà présente depuis longtemps dans les sciences. Les chercheurs l’emploient pour classer des images, détecter des motifs dans de vastes jeux de données, prédire des propriétés moléculaires ou accélérer certains calculs. La nouveauté tient à l’apparition d’agents capables d’enchaîner plusieurs opérations qui étaient auparavant séparées.

Un agent ne se contente pas de répondre à une question dans une fenêtre de dialogue. Il peut recevoir un objectif, découper le travail en sous-tâches, appeler des logiciels, lire les résultats obtenus et tenter une nouvelle approche. Dans un contexte scientifique, cette logique peut réunir la recherche bibliographique, l’écriture de programmes, l’exécution d’expériences numériques, la création de graphiques et la rédaction d’un premier rapport.

Les bénéfices potentiels sont concrets dans les domaines où les essais peuvent être conduits sur ordinateur. L’agent peut comparer davantage de paramètres qu’une personne ne le ferait manuellement, garder une trace structurée de ses essais et réduire le temps consacré aux opérations les plus mécaniques. Mais l’accélération d’une procédure ne garantit pas la solidité d’une conclusion : elle rend surtout la vérification encore plus importante.

AI Scientist, que fait réellement l’outil de Sakana AI ?

Dévoilé par Sakana AI en 2024, AI Scientist est un cadre expérimental qui vise à automatiser un cycle de recherche dans un périmètre donné. Le système s’appuie sur des modèles de langage et sur des outils de programmation. Son objectif est de passer d’une idée à la production d’un document décrivant les expériences effectuées.

La démonstration initiale concerne surtout des travaux informatiques liés à l’apprentissage automatique. C’est une précision essentielle : l’outil peut lancer du code et analyser les données produites par ce code, mais il ne manipule pas seul des échantillons biologiques, des instruments de laboratoire ou des dispositifs médicaux. Il ne remplace donc pas l’expérimentation physique, souvent coûteuse et soumise à des contraintes de sécurité.

L’intérêt d’AI Scientist tient donc moins à une autonomie magique qu’à l’intégration de ces étapes dans une même boucle de travail. Dans les projets numériques et reproductibles, un tel système peut libérer du temps pour les questions les plus difficiles : choisir le bon problème, juger la valeur d’un résultat inattendu, concevoir une expérience décisive et confronter les résultats au réel.

Il faut aussi distinguer deux notions souvent confondues. La première est la simulation scientifique, qui cherche à modéliser un système, comme une réaction chimique ou un climat. La seconde est la simulation de certaines tâches du chercheur, par exemple l’écriture de code ou la préparation d’un rapport. AI Scientist relève surtout de cette seconde catégorie, même s’il peut lancer des expériences informatiques.

Pourquoi la validation humaine reste irremplaçable

Un modèle génératif peut produire une réponse convaincante tout en étant erroné. Dans la recherche, ce risque est particulièrement important, car un résultat plausible ne vaut rien s’il ne peut pas être reproduit, vérifié et discuté. Une erreur de code, un jeu de données mal documenté ou un choix statistique inadapté peuvent conduire à une conclusion trompeuse, même lorsque le rapport est bien rédigé.

Les agents posent également la question de la traçabilité. Pour qu’un résultat soit utile à d’autres équipes, il faut pouvoir savoir quelles données ont été utilisées, quelles versions des logiciels ont été exécutées, quels paramètres ont été sélectionnés et quelles tentatives ont échoué. Sans ces informations, il devient difficile de distinguer une découverte solide d’un simple effet produit par une configuration particulière.

La supervision humaine n’est donc pas une formalité placée à la fin du processus. Elle intervient au début, pour formuler une question rigoureuse, pendant les essais, pour détecter des choix contestables, et à la fin, pour interpréter les résultats. Dans les domaines sensibles, notamment la santé ou les travaux susceptibles d’avoir des conséquences environnementales ou sociales, cette responsabilité est d’autant plus essentielle.

Research Rabbit, l’IA ne se limite pas aux agents autonomes

L’accélération de la recherche passe aussi par des outils plus ciblés. Research Rabbit s’inscrit dans cette catégorie. Son intérêt consiste à aider les utilisateurs à naviguer dans la littérature scientifique en rendant visibles les liens entre publications, auteurs et travaux connexes.

Face à un sujet vaste, une recherche classique par mots-clés peut rapidement devenir insuffisante. Elle fait remonter les articles qui emploient les termes demandés, sans forcément montrer les textes fondateurs, les auteurs influents, les travaux qui citent une étude importante ou les branches voisines d’un même champ. Une représentation en réseau peut alors aider à situer un article dans son environnement intellectuel.

Ce type d’outil ne démontre pas qu’une étude est correcte et ne remplace pas la lecture attentive des méthodes. Il peut néanmoins réduire le temps nécessaire pour construire une bibliographie, identifier des connexions inattendues et suivre l’évolution d’un domaine. Pour les étudiants comme pour les chercheurs confirmés, l’enjeu est moins de lire moins que de mieux choisir quoi lire.

Des services comme Lumina AI et Genei, cités parmi les outils d’assistance à la recherche, participent à la même tendance : organiser des documents, en extraire les éléments utiles et simplifier certaines phases de synthèse. Leur valeur dépend là aussi de la capacité de l’utilisateur à retourner aux documents originaux. Un résumé peut orienter efficacement une lecture, il ne doit pas devenir un substitut à l’article scientifique.

Gemini 2.0 et la montée des modèles capables d’utiliser des outils

La trajectoire des grands modèles généralistes compte également pour la recherche. Gemini 2.0, annoncé par Google en décembre 2024, illustre l’orientation vers des systèmes plus aptes à traiter plusieurs types d’information et à agir à l’aide d’outils. Dans les laboratoires, ces capacités peuvent servir à réunir texte, code, tableaux et parfois images dans des flux de travail plus intégrés.

En 2025, la question n’est donc plus seulement de savoir si un modèle sait répondre à une question scientifique. Elle est de savoir s’il peut s’insérer de manière fiable dans un protocole de travail. Cela suppose notamment de limiter son accès aux seules données nécessaires, de conserver une documentation claire de ses actions et de prévoir des contrôles avant toute décision importante.

La promesse est particulièrement forte lorsque les scientifiques font face à une abondance de données ou de publications. En biologie, chimie, physique, médecine, astronomie, climat ou science des matériaux, les outils d’IA peuvent aider à repérer des régularités et à prioriser les pistes à examiner. Mais plus le domaine comporte de risques humains, financiers ou environnementaux, moins il est acceptable de s’en remettre à une sortie automatique sans expertise.

Des gains d’efficacité, mais pas une science sans limites

L’IA peut élargir l’accès à certaines méthodes avancées. Un chercheur qui ne maîtrise pas tous les langages de programmation peut, par exemple, obtenir une première ébauche de script ou une explication d’une méthode. Une petite équipe peut traiter plus rapidement une masse de documents. Ces gains ne suppriment pas les inégalités d’accès aux données, aux infrastructures de calcul, aux équipements ou aux revues scientifiques.

Ils peuvent aussi créer de nouveaux écueils. Un outil qui facilite la production de textes et de graphiques peut augmenter le volume de documents à évaluer, y compris lorsqu’ils sont de qualité insuffisante. Les revues, institutions et équipes devront donc renforcer les pratiques de relecture, de partage du code, de documentation des données et de déclaration de l’usage de l’IA.

Les questions éthiques et réglementaires sont indissociables de ce mouvement. Les laboratoires doivent se demander si les données confiées à un outil peuvent être utilisées légalement, si elles contiennent des informations sensibles et qui est responsable en cas d’erreur. Ils doivent aussi veiller aux biais : un modèle entraîné sur une littérature incomplète ou déséquilibrée risque de reproduire ses angles morts et de négliger certaines hypothèses.

Ce qu’il faut surveiller pour la recherche en 2025

La prochaine étape ne se mesurera pas seulement au nombre d’agents capables de générer un rapport. Elle dépendra de leur capacité à produire des travaux réellement utiles, transparents et reproductibles. Les démonstrations impressionnantes devront être confrontées à des évaluations indépendantes, à des protocoles clairs et à des résultats que d’autres équipes pourront refaire.

Il faudra aussi observer la place laissée aux chercheurs. Les meilleurs usages ne consistent pas à effacer leur rôle, mais à déplacer leur temps vers la conception des expériences, la critique des résultats et les problèmes qui exigent une connaissance profonde du terrain. L’IA peut devenir un collaborateur informatique puissant, à condition de rester un outil contrôlé plutôt qu’une autorité scientifique.

Pour le public, cette nuance est essentielle. Une découverte assistée par IA n’est ni automatiquement révolutionnaire ni automatiquement suspecte. Sa valeur dépend des mêmes critères que toute avancée scientifique : la qualité des preuves, la clarté des méthodes, la possibilité de répéter les résultats et le débat ouvert entre spécialistes.