La découverte scientifique grâce à l'IA ne se limite plus aujourd'hui à la simple synthèse d'articles. D'ici 2026, les systèmes les plus avancés seront capables de formuler des hypothèses, d'écrire du code scientifique, de proposer des expériences et, dans certains laboratoires, d'aider à contrôler des instruments. Les preuves les plus convaincantes proviennent du projet « Co-Scientist » de Google, du projet « Coscientist » de l’université Carnegie Mellon, des travaux de Microsoft Research sur l’IA au service de la science, ainsi que de l’essor des laboratoires autonomes en chimie, en science des matériaux et en biologie.
Les avancées scientifiques en matière d'IA en 2026 : qu'est-ce qui a réellement changé ?
Ce changement est d'ordre pratique, et non mystique. Auparavant, les avancées scientifiques en matière d'IA se traduisaient par une amélioration des recherches bibliographiques, une meilleure prédiction de la structure des protéines ou des simulations plus rapides ; aujourd'hui, la nouvelle frontière réside dans les logiciels autonomes capables de planifier le travail, d'analyser leurs propres idées, de faire appel à des outils et de confier des tâches à des équipements de laboratoire automatisés.
L'article publié par Google en 2026 dans la revue *Nature* au sujet de « Co-Scientist » décrivait un partenaire multi-agent basé sur Gemini qui génère, examine et fait évoluer de manière itérative des hypothèses pour résoudre des problèmes scientifiques complexes. Un an plus tôt, Google avait présenté un « co-chercheur » basé sur l'IA, développé à l'aide de Gemini 2.0, destiné à la formulation d'hypothèses biomédicales ; un article publié sur arXiv indiquait qu'il avait reproduit des résultats expérimentaux non publiés concernant un mécanisme de transfert génétique bactérien.
En 2023, l'université Carnegie Mellon a démontré les capacités de contrôle en laboratoire de son système « Coscientist », présenté dans un article publié dans *Nature*. Ce système, qui combinait plusieurs grands modèles linguistiques, était capable de concevoir, de planifier et de réaliser des expériences chimiques, notamment en lisant la documentation de « Cloud-Lab » et en pilotant des instruments de manipulation de liquides.
Microsoft Research aborde la question sous un autre angle. En 2025 et 2026, son groupe « AI for Science » a présenté ses travaux dans divers domaines apprentissage automatique, la physique quantique, la chimie computationnelle, la biologie moléculaire, la modélisation climatique, la dynamique moléculaire, la conception de matériaux et la découverte de médicaments. Peter Lee, président de Microsoft Research, a prédit en 2026 que l’IA irait au-delà de la simple synthèse d’articles pour en venir à générer des hypothèses, à utiliser des outils permettant de contrôler des expériences et à jouer le rôle d’assistants de laboratoire.
Si vous vous intéressez au développement des modèles de manière plus générale, le contexte pertinent est le passage des chatbots aux agents ; notre comparaison entre agents navigateur IA en 2026 illustre le même principe dans un contexte moins risqué : un logiciel qui planifie, clique, vérifie et corrige, au lieu de se contenter de répondre.
L'IA peut-elle faire des découvertes scientifiques ?
Oui, mais la réalité est plus nuancée que ce que laisse entendre le battage médiatique. L'IA peut contribuer à de nouvelles découvertes lorsqu'elle propose une hypothèse vérifiable, mène ou aide à mener une expérience valable, et que le résultat résiste à l'examen humain, à la reproductibilité et à la validation spécifique au domaine concerné.
Les travaux menés par le « co-chercheur en IA » de Google en sont un bon exemple, car ils ne se sont pas contentés de produire un texte plausible. L'article de 2025 présentait des hypothèses novatrices et démontrait la capacité à reproduire des résultats expérimentaux non publiés concernant le transfert de gènes bactériens. C'est important, car les résultats non publiés sont plus difficiles à simuler en se contentant de mémoriser la littérature accessible au public.
Pour autant, une découverte scientifique issue de l’IA n’équivaut pas à un lauréat du prix Nobel autonome enfermé dans une boîte. Les systèmes les plus performants s’apparentent davantage à des partenaires de recherche infatigables : ils génèrent de nombreuses idées potentielles, les classent par ordre d’importance, en débattent en interne, écrivent du code ou transmettent des instructions à des instruments. Ce sont toujours les humains qui choisissent les problèmes à résoudre, fixent les limites de sécurité, interprètent les résultats ambigus et en assument la responsabilité.
Un calcul utile permet de mieux cerner cette valeur. Supposons qu’un étudiant en doctorat puisse développer sérieusement trois hypothèses expérimentales par semaine après avoir lu des articles et discuté avec ses collègues. Si un système d’IA propose 60 candidates au cours de la même période et qu’un scientifique en écarte 90% jugées peu prometteuses, il en reste six à examiner sérieusement. Même si une seule mérite d’être testée, le goulot d’étranglement n’est plus « trouver des idées », mais « choisir et valider la bonne idée ». Il s’agit là d’un véritable gain de productivité, mais ce n’est pas de la magie.
De commis de bureau à laborantin
La première étape est bien connue : lire des articles, résumer les méthodes, comparer les affirmations, extraire des ensembles de données et rédiger du code. Google a annoncé en 2026 le lancement de « Gemini for Science », qui propose des outils expérimentaux pour la génération d’hypothèses, la découverte computationnelle, un assistant de rédaction d’articles et « ScholarPeer », destinés à faciliter certaines étapes du processus de recherche qui nécessitent habituellement plusieurs semaines de travail.
C'est dans le domaine du calcul que les progrès pourraient se faire sentir le plus rapidement. Google a indiqué en 2025 qu'Empirical Research Assistance avait utilisé Gemini pour écrire et optimiser du code scientifique destiné à des expériences de calcul, puis a précisé en 2026 que cette technologie avait contribué à la mise au point du prototype « Computational Discovery », accessible dans le cadre d'un programme de testeurs de confiance sur Google Labs.
Vient ensuite la paillasse de laboratoire. La revue *Nature Communications* a défini en 2025 les « laboratoires autonomes » comme des systèmes combinant l’exécution automatisée, la sélection des expériences, l’affinement ou la formulation d’hypothèses, ainsi que la collaboration entre groupes de recherche. Il s’agit là d’un niveau d’exigence bien plus élevé que celui d’un bras robotisé se contentant de répéter un protocole.
La même année, un autre article publié dans *Nature Communications* et consacré aux risques avertissait que des agents scientifiques basés sur l’IA étaient déjà déployés en chimie et en biologie pour concevoir des expériences, contrôler des équipements de laboratoire et prendre des décisions en matière de recherche. Franchement, cet avertissement n’est pas venu trop tôt. Dès lors qu’une IA est capable de modifier les conditions expérimentales, d’acheter des réactifs via un flux de travail ou de piloter un robot, le débat sur la sécurité doit passer des « mauvaises réponses » aux « mauvaises actions ».
Les lecteurs intéressés par l'aspect « automatisation physique » trouveront peut-être utile la présentation du site consacrée à Technologie robotique basée sur l'IA utile, car les laboratoires autonomes sont robotique, les logiciels et la méthode scientifique, le tout intégré dans un seul et même système.
Comparaison des principaux systèmes de découverte scientifique basés sur l'IA
Ces noms se ressemblent, ce qui est agaçant. Google a utilisé le terme « AI co-scientist » pour le système de 2025 basé sur Gemini 2.0 et « Co-Scientist » pour le système Nature de 2026, tandis que le Coscientist de Carnegie Mellon est un agent spécialisé en chimie distinct, datant de 2023.
| Système ou initiative | Année | Organisation | Ce qu'il fait | Domaine d'intervention |
|---|---|---|---|---|
| Co-chercheur | 2023 | Université Carnegie Mellon | Conçoit, planifie et réalise des expériences de chimie, notamment en assurant le contrôle des instruments de manipulation des liquides | Automatisation en chimie |
| Co-chercheur en IA | 2025 | Google Research, Google DeepMind, Google Cloud AI | Génère des hypothèses et des propositions de recherche à l'aide d'un système multi-agents basé sur Gemini 2.0 | Sciences biomédicales |
| Chercheur associé | 2026 | Google DeepMind et Google Research | Génère, examine et affine de manière itérative des hypothèses relatives à des problèmes scientifiques complexes | Travaux généraux sur les hypothèses scientifiques |
| L'IA au service de la science | 2025-2026 | Recherche Microsoft | Applique l'apprentissage automatique aux simulations, aux matériaux, à la chimie, à la biologie, au climat et à la découverte de médicaments | Recherche interdisciplinaire |
| MatterSim-MT | 2026 | Recherche Microsoft | Simulation multitâche des propriétés des matériaux au-delà des surfaces d'énergie potentielle | Science des matériaux |
| Le spécialiste de l'IA | 2026 | Article publié dans *Nature* sur l'automatisation de la recherche en intelligence artificielle | Il élabore des idées de recherche, écrit du code, mène des expériences, analyse les résultats et rédige des articles scientifiques | Recherche en apprentissage automatique |
Une comparaison chiffrée ressort particulièrement : ces systèmes s’attaquent à des goulots d’étranglement différents. Coscientist cible la boucle d’expérimentation physique ; Co-Scientist de Google cible la formulation d’hypothèses ; le projet MatterSim de Microsoft cible le coût de la simulation et la prédiction des matériaux ; The AI Scientist cible l’automatisation de la recherche en apprentissage automatique. Le fait de les qualifier tous d’« AI Scientists » masque l’aspect qu’il faut réellement évaluer.
Là où les meilleurs résultats sont susceptibles d'apparaître en premier
Les avancées scientifiques en matière d'IA ne se répartiront pas de manière homogène. Elles favoriseront les domaines où les expériences sont numériques, fortement instrumentées ou faciles à standardiser. La chimie computationnelle, la dynamique moléculaire, la modélisation des matériaux et certains processus biomédicaux seront naturellement les premiers à en bénéficier, car les données, la simulation et l'automatisation y sont déjà étroitement liées.
La science des matériaux présente un intérêt tout particulier. Le 12 mai 2026, Microsoft Research a annoncé des mises à jour de MatterSim, mettant en avant des simulations plus rapides, des liens avec la synthèse expérimentale et MatterSim-MT pour la modélisation multitâche des matériaux. L’enjeu ne réside pas seulement dans la vitesse, mais aussi dans la réduction du nombre de pistes sans issue avant qu’une équipe humaine n’y consacre des ressources financières et du temps en laboratoire.
Les laboratoires de chimie évoluent eux aussi. Le C&EN a rapporté le 25 juin 2026 que les laboratoires de chimie autonomes transforment la manière dont travaillent les chimistes, notamment grâce à de nouvelles configurations associant agents IA et robotique. L'article mentionnait l'ouverture par Atinary Technologies d'un laboratoire de chimie à Boston où un chercheur peut interroger un agent IA pour connaître les étapes de synthèse de molécules ou de matériaux.
Le magazine *Scientific American* a rapporté en 2026 que des laboratoires autonomes menaient des expériences 24 heures sur 24 dans des domaines tels que la chimie des batteries et les traitements contre le cancer. Travailler sans interruption peut sembler séduisant, mais le véritable avantage réside dans la régularité : une machine peut appliquer le même protocole à 3 heures du matin sans se fatiguer, sans s’impatienter et sans se laisser distraire.
L'IA biomédicale mérite une mise en garde particulière. Une hypothèse concernant le traitement du cancer ou le transfert de gènes peut être précieuse tout en étant encore loin de constituer un traitement. Pour mieux comprendre comment l'IA s'intègre à la recherche médicale sans pour autant se substituer au jugement clinique, consultez cette analyse de L'IA dans la recherche et la prise en charge de la sclérose en plaques et au rapport sur les travaux de ConcertAI et de Bayer dans le domaine de l'oncologie de précision.
Tirez parti des avancées scientifiques en matière d'IA sans vous faire d'illusions
Le piège que peu d'articles de vulgarisation mentionnent est la contamination par les critères de réussite. Si une IA propose une hypothèse, écrit le code, choisit l'expérience, analyse les résultats et rédige l'article, l'ensemble du processus peut se transformer en une boucle fermée qui privilégie la confirmation plausible plutôt que la vérité.
Les bons laboratoires établissent une séparation des rôles. Un agent peut formuler des propositions. Un autre peut émettre des critiques. Un être humain peut définir des règles d'exclusion avant le lancement de l'expérience. Un logiciel indépendant peut vérifier les statistiques. Des chercheurs externes peuvent reproduire les résultats. C'est dans ces contrôles, aussi ennuyeux soient-ils, que réside la crédibilité.
- Demandez à quelle étape l'IA intervient : analyse documentaire, formulation d'hypothèses, programmation, contrôle des instruments, analyse ou rédaction.
- Exiger des règles d'évaluation prédéfinies : définir ce qui constitue une réussite avant le début de l'expérience.
- Veillez à ce que les données brutes restent accessibles : Les résumés ne suffisent pas lorsqu'un agent a pu filtrer les résultats gênants.
- Autorisations relatives aux réactifs et aux outils : Un agent de laboratoire ne devrait pas disposer d'un pouvoir illimité pour passer des commandes, réaliser des mélanges ou exécuter des tâches.
- Distinguer la nouveauté de l'utilité : Une nouvelle hypothèse peut être banale, peu fiable ou impossible à vérifier.
Il y a également un enjeu lié à la main-d'œuvre. Les assistants de laboratoire basés sur l'IA peuvent certes alléger les tâches fastidieuses, mais ils vont transformer la formation. Si les scientifiques en début de carrière évitent le travail de longue haleine que représentent les protocoles infructueux, le nettoyage manuel des données et la lecture critique des résultats, ils risquent de devenir d'excellents gestionnaires de prompts, mais de piètres expérimentateurs. Ce compromis est rarement pris en compte dans les démonstrations des fournisseurs.
En ce qui concerne la question plus générale de la gouvernance, le débat pertinent ne porte pas sur la nécessité d’arrêter les progrès de l’IA. Ceux-ci ne s’arrêteront pas. La question la plus épineuse est de savoir comment les chercheurs peuvent garder le contrôle lorsque les systèmes acquièrent davantage d’autonomie, un thème également abordé dans cette analyse de le contrôle humain après le cycle de hype autour de l'IA.
Qu'est-ce qu'un « co-chercheur en IA » ?
Un « co-scientifique IA » est un système d’IA conçu pour aider les chercheurs à formuler, tester et affiner des idées scientifiques, plutôt que de se contenter de résumer des articles existants. Le « co-scientifique IA » de Google de 2025 utilisait Gemini 2.0, tandis que le « co-scientifique » de 2026 décrit dans Nature recourait à un processus multi-agents pour générer et débattre des hypothèses.
Le programme « Google Co-Scientist » est-il accessible aux chercheurs ?
Google a annoncé en 2026 que Co-Scientist serait accessible via un outil expérimental de génération d'hypothèses sur labs.google/science. Cet accès était présenté comme destiné à un usage de recherche plutôt qu'à un produit grand public.
L'IA est-elle capable de mener seule des expériences en laboratoire ?
Dans certains contextes, oui. Le « Coscientist » de Carnegie Mellon, présenté en 2023, contrôlait des instruments de manipulation de liquides destinés à des expériences chimiques, et des articles publiés en 2025 dans *Nature Communications* décrivaient des agents scientifiques basés sur l’IA et des laboratoires autonomes capables de sélectionner et de mener à bien des expériences dans le cadre de systèmes définis.
L'IA va-t-elle remplacer les scientifiques ?
Pas de manière significative à court terme. L'IA peut accélérer la lecture, la programmation, la simulation, la formulation d'hypothèses et certaines expériences automatisées, mais ce sont toujours les humains qui définissent les problèmes, en évaluent le sens, gèrent les questions éthiques et valident les conclusions.
Quels domaines tireront le plus grand profit des avancées scientifiques en matière d'IA ?
Les domaines qui devraient prendre la tête à court terme sont probablement la chimie computationnelle, la science des matériaux, la biologie moléculaire, la découverte de médicaments, la modélisation climatique et la recherche en apprentissage automatique. Ces domaines disposent déjà de flux de travail et de chaînes d'outils riches en données que les agents d'IA peuvent exploiter.
FR 
EN 
ES