De récents systèmes d'intelligence artificielle, désignés sous le nom d'« scientifiques IA », promettent d'accélérer la découverte scientifique en automatisant la génération d'idées et l'analyse de données. Deux nouvelles plateformes, Robin développée par l'organisation à but non lucratif Future House et Co-Scientist par Google DeepMind, ont été présentées comme des outils collaboratifs conçus pour travailler aux côtés des chercheurs plutôt que de les remplacer. Ces systèmes, qualifiés de « multi-agents », décomposent le processus de recherche en tâches spécialisées supervisées par une intelligence principale, permettant une interaction plus naturelle avec la littérature scientifique via des modèles de langage. Co-Scientist se distingue par sa capacité à simuler des raisonnements cognitifs complexes. Il utilise des agents spécifiques pour agir comme des relecteurs critiques ou pour débattre d'hypothèses de recherche, évaluant leur qualité et leur pertinence. Dans un test concernant le cancer de la leucémie myéloïde aiguë, le système a proposé trente candidats médicamenteux. Après affinement par des oncologues humains et des tests en laboratoire, trois médicaments ont montré des résultats positifs, dont un particulièrement prometteur. De même, Robin a identifié cinq candidats pour la dégénérescence maculaire liée à l'âge, aboutissant à deux propositions viables après validation humaine. Cependant, malgré ces succès partiels, ces systèmes révèlent des limites fondamentales liées à leur dépendance exclusive au langage. Bien qu'ils soient efficaces pour naviguer dans les vastes corpus de connaissances textuelles, ils ne peuvent pas valider leurs hypothèses par des expériences physiques réelles sans intervention humaine. Les chercheurs restent indispensables pour définir les questions clés, vérifier la plausibilité des résultats et interpréter les données complexes. De plus, des analyses montrent que les agents analytiques de Robin peinent encore avec les statistiques et la bioinformatique sans des directives précises, ce qui suggère que la simple connexion de mots ne suffit pas pour modéliser la complexité des systèmes biologiques. Une préoccupation majeure soulevée par ces évolutions concerne la qualité globale de la science. Des efforts visant à automatiser entièrement le processus scientifique ont déjà conduit à une augmentation du volume de publications au détriment de leur rigueur, avec des cas avérés de références et d'images falsifiées. L'utilisation d'IA pour le « peer review » ou la rédaction pourrait exacerbés ce phénomène de production de contenu de faible qualité. L'avenir de la science assistée par IA réside probablement dans une hybridation plus poussée. Les modèles de demain devront aller au-delà du traitement du langage naturel pour intégrer directement les données structurées et quantitatives, telles que les séquences génomiques ou les structures de protéines. En ancrant le raisonnement scientifique dans la réalité factuelle des données brutes plutôt que dans la description textuelle, ces nouveaux outils permettront une collaboration plus efficace et plus précise. Jusqu'à ce que l'IA puisse modéliser la complexité intrinsèque du monde naturel et pas seulement ses descriptions, elle restera un assistant puissant mais incomplet pour la communauté scientifique.