Technologie & innovation
Quand l’IA devient un moteur de découverte
De la biologie aux matériaux, l’intelligence artificielle ne se contente plus d’automatiser l’existant. Elle commence à participer au processus même de découverte.
L’intelligence artificielle a d’abord été présentée aux entreprises comme un outil de productivité : automatiser une tâche, résumer un document, accélérer une analyse, produire plus vite.
Cette lecture reste valable. Mais elle devient incomplète.
Une nouvelle génération de systèmes d’IA commence à intervenir plus tôt dans la chaîne de valeur : non plus seulement après qu’une idée a été formulée, mais au moment où il faut explorer, générer des hypothèses, simuler des possibilités et identifier de nouveaux candidats.
Dans la recherche scientifique, cette évolution est déjà visible. Elle pourrait progressivement modifier la manière dont les entreprises conçoivent leur R&D, leur innovation et, à terme, leurs avantages compétitifs.
CONTEXTE
De l’automatisation à l’exploration
Pendant longtemps, l’IA appliquée à la science a surtout permis d’accélérer des calculs ou d’analyser de grandes quantités de données.
Le changement actuel est plus profond : certains modèles sont désormais capables de proposer de nouvelles structures, de nouvelles hypothèses ou de nouvelles combinaisons à tester.
En science des matériaux, par exemple, le modèle MatterGen, présenté dans Nature en 2025, peut générer de nouveaux matériaux inorganiques à partir de contraintes de propriétés recherchées. L’approche ne consiste plus uniquement à parcourir une base de matériaux connus pour trouver le meilleur candidat : le système peut proposer des structures nouvelles répondant à certains objectifs.
En biologie structurale, AlphaFold 3 a étendu la prédiction au-delà des protéines seules pour modéliser des interactions complexes entre protéines, acides nucléiques, petites molécules et autres composants biologiques.
Et dans la recherche biomédicale, des systèmes dits de co-scientist commencent à aider des équipes à générer, critiquer et hiérarchiser des hypothèses de recherche.
Le point commun est important : l’IA commence à entrer dans l’espace où l’on décide quoi chercher ensuite.
MISE EN ŒUVRE
La science devient un espace génératif
La recherche scientifique repose historiquement sur une boucle : observer, formuler une hypothèse, expérimenter, mesurer, puis recommencer.
L’IA ne supprime pas cette méthode. Elle peut en revanche élargir considérablement l’espace exploré entre chaque étape.
Un chercheur ou une équipe ne peut tester qu’un nombre limité d’hypothèses. Un système informatique peut comparer et simuler un volume de possibilités beaucoup plus important, puis aider à concentrer l’attention humaine sur les pistes les plus prometteuses.
C’est ce déplacement qui compte.
L’enjeu n’est pas que la machine « découvre seule ». Les expériences physiques, la validation scientifique, l’expertise métier et le jugement humain restent indispensables. L’intérêt est ailleurs : réduire le coût de l’exploration et augmenter le nombre de pistes crédibles pouvant être étudiées.
Dans un environnement où une découverte peut dépendre d’un espace de recherche immense — molécules, matériaux, protéines, formulations, combinaisons de paramètres — cet avantage devient considérable.
MISE EN ŒUVRE
Trois signaux à suivre
1. Des matériaux conçus à partir de propriétés recherchées
MatterGen illustre un changement de paradigme. Au lieu de commencer par une liste de matériaux existants et de chercher lequel possède les bonnes caractéristiques, le modèle peut générer des structures candidates à partir de contraintes définies.
Les implications potentielles concernent notamment les batteries, les semi-conducteurs, le stockage d’énergie, les aimants ou encore la capture du carbone.
La conséquence économique est simple : si l’on peut raccourcir certaines étapes de conception et de sélection, la R&D peut explorer davantage de directions avec les mêmes ressources.
2. Des modèles qui raisonnent sur des systèmes biologiques plus complexes
AlphaFold a déjà montré l’impact qu’un progrès algorithmique pouvait avoir sur un domaine scientifique entier. Avec AlphaFold 3, la modélisation s’étend à davantage d’interactions biomoléculaires.
Cela ne remplace ni les laboratoires ni les essais cliniques. Mais cela peut aider à mieux sélectionner les expériences à mener et à réduire certaines incertitudes avant de passer aux étapes coûteuses du monde physique.
Pour les industries pharmaceutiques, biotechnologiques et chimiques, cette capacité pourrait devenir une nouvelle couche d’infrastructure de recherche.
3. Des systèmes qui participent à la formulation d’hypothèses
Google Research et Google DeepMind ont présenté des systèmes multi-agents conçus pour générer, débattre et classer des hypothèses scientifiques.
Le signal ici dépasse le seul secteur de la santé.
Une partie de la recherche — scientifique comme industrielle — consiste à décider quelles pistes méritent d’être testées. Si l’IA devient capable d’assister cette étape, elle ne se contente plus d’optimiser l’exécution : elle intervient dans le processus de décision qui précède l’expérimentation.
IMPACT
Ce que cela change pour les entreprises
Toutes les entreprises n’ont évidemment pas besoin d’un laboratoire d’IA.
Mais beaucoup devraient regarder ce mouvement de près, car les technologies développées dans la recherche finissent souvent par redéfinir les standards industriels.
La première question n’est donc pas : « Quel modèle devons-nous acheter ? »
Elle est plutôt : « Où, dans notre chaîne de valeur, la découverte et l’expérimentation créent-elles aujourd’hui un goulot d’étranglement ? »
Pour une entreprise industrielle, cela peut être la formulation d’un matériau, la maintenance d’un équipement ou l’optimisation d’un procédé.
Pour une entreprise de santé, cela peut être la priorisation d’une cible thérapeutique ou l’analyse de données biologiques.
Pour une entreprise technologique, cela peut être la conception d’une architecture, d’un produit ou d’un algorithme.
Dans tous les cas, la valeur vient rarement du modèle seul. Elle vient de la combinaison entre données propriétaires, expertise métier, capacité technique et processus de validation.
MISE EN ŒUVRE
Le véritable avantage sera organisationnel
L’histoire récente de l’IA en entreprise montre déjà une chose : accéder à une technologie ne crée pas automatiquement un avantage durable.
Lorsque les mêmes modèles deviennent accessibles à tous, la différence se déplace vers l’organisation capable de les intégrer le plus intelligemment.
Dans l’IA appliquée à la science et à la R&D, cette logique sera encore plus forte.
Les entreprises qui avanceront ne seront probablement pas celles qui accumulent le plus d’outils. Ce seront celles qui sauront :
- identifier les problèmes où l’espace de recherche est réellement coûteux ;
- rendre leurs données exploitables ;
- associer scientifiques, ingénieurs, experts métier et décideurs ;
- construire des protocoles de validation robustes ;
- mesurer la valeur créée par rapport aux méthodes existantes.
Autrement dit, la prochaine frontière de l’IA n’est pas seulement technologique. Elle est aussi opérationnelle.
MISE EN ŒUVRE
La question pour les dirigeants
Pendant deux ans, beaucoup de conversations autour de l’IA ont commencé par : « Que pouvons-nous automatiser ? »
La prochaine pourrait être plus ambitieuse :
« Qu’est-ce que nous pouvons désormais découvrir, concevoir ou tester que nous n’aurions pas pu explorer auparavant ? »
C’est à cet endroit que l’IA cesse d’être uniquement un outil de productivité et devient une capacité stratégique.
Pour les dirigeants, l’enjeu n’est donc pas de prédire exactement jusqu’où ces technologies iront. Il est de comprendre suffisamment tôt quelles capacités — données, talents, gouvernance, infrastructures et partenariats — devront être construites si cette nouvelle manière d’innover devient un standard.
MISE EN ŒUVRE
Sources
- Nature — A generative model for inorganic materials design (MatterGen)
- Nature — Accurate structure prediction of biomolecular interactions with AlphaFold 3
- Google Research — Accelerating scientific discovery with AI co-scientist
- Google DeepMind — Co-Scientist: a multi-agent AI partner to accelerate research
