Une récente étude de Google DeepMind souligne comment les agents d’intelligence artificielle transforment désormais la recherche scientifique. En quelques jours, des systèmes comme Co-Scientist parviennent à formuler des hypothèses que des équipes de chercheurs mettraient des années à élucider. L’exemple du microbiologiste José Penadés, dont l’équipe a validé en deux jours une théorie sur la résistance bactérienne élaborée durant près d’une décennie, illustre cette accélération. Pourtant, ces outils ne produisent pas de connaissances autonomes : ils génèrent des pistes qu’il incombe toujours aux scientifiques de vérifier par l’expérience. Le rapport de DeepMind, intitulé Conjecture Machines, identifie un goulot d’étranglement nouveau : la validation. Si la génération d’hypothèses et le criblage de candidats s’affinent, les capacités expérimentales et d’analyse humaine restent inchangées. Cette disparité risque de ralentir les découvertes si les infrastructures ne s’adaptent pas. Cette progression s’explique par trois facteurs. Les modèles de langage développent des capacités de raisonnement multi-étapes supérieures à celles des experts sur certains benchmarks. Des architectures externes permettent désormais aux agents de naviguer dans les bases de données, d’exécuter du code et de collaborer entre eux. Enfin, la modularité rend ces systèmes plus personnalisables : les chercheurs peuvent encoder leurs protocoles expérimentaux sous forme d’instructions, transformant l’IA en assistant technique tout en conservant le contrôle scientifique. Les applications concrètes se multiplient. AlphaEvolve optimise des algorithmes pour la conception de puces TPU ou l’analyse génomique. Aletheia résout rapidement des problèmes mathématiques complexes en générant et en vérifiant automatiquement des démonstrations. Cependant, dans les disciplines expérimentales, un score élevé reste une simple indication. Un catalyseur conçu par IA ou un candidat médical doit toujours être synthétisé, testé sur cellules puis en essais cliniques. L’automatisation ne remplace pas la réalité physique. Face à cet afflux d’hypothèses, le système scientifique doit évoluer. DeepMind recommande de faciliter l’accès des universités aux agents d’IA, de structurer les données de recherche dans des formats exploitables automatiquement, et de développer des laboratoires partagés et robotisés pour désengorger les capacités de validation. La relecture par les pairs devrait également intégrer des outils numériques pour vérifier la cohérence des données, tandis que la formation académique devrait préserver des phases d’apprentissage sans assistance IA afin de maintenir l’esprit critique des futurs chercheurs. En somme, l’intelligence artificielle ne remplacera pas le scientifique, mais redéfinira son rôle. Le passage de l’exécution manuelle à la supervision stratégique marquera la prochaine étape de la recherche, à condition que les infrastructures et les méthodologies de vérification suivent le rythme des innovations computationnelles.