Google DeepMind a publié Bending the Curve of Discovery: AI in Science Today and Tomorrow, un essai d'Alex Imas, directeur de l'économie de l'AGI, et de James Manyika, président de la recherche, des laboratoires, de la technologie et de la société. Il s'appuie sur l'article associé, AI in Science: Early Insights (Google ATLAS, Google DeepMind et MIT FutureTech, septembre 2026), qui combine environ 15 millions d'interactions Gemini anonymisées, un inventaire de 2 690 modèles d'IA spécialisés et une enquête auprès de 637 scientifiques américains et britanniques menée du 27 juillet au 11 août 2026. Chiffres clés : 46,6 % des scientifiques utilisent l'IA chaque jour, ils gagnent en moyenne 6,9 heures par semaine, et 43,5 % disent que leur goulot d'étranglement s'est déplacé vers l'aval.
Comment l'IA est utilisée en science aujourd'hui
Les métiers scientifiques apparaissent environ 2,7 fois plus souvent dans l'usage de Gemini que dans la population active américaine. Dans l'enquête, 46,6 % des scientifiques utilisent l'IA tous les jours et 30,6 % de plus chaque semaine. Environ 70 % de leur temps d'IA va aux LLM généralistes, pour le code, la rédaction et l'analyse, et environ 30 % aux modèles spécialisés comme AlphaFold, GNoME et MatterGen. Ces modèles spécialisés sont bien cités : 49 % figurent dans le 1 % des publications les plus citées de leur domaine. L'usage croît avec la taille de la main-d'œuvre scientifique d'un pays.
Les deux familles d'outils se recoupent à peine au niveau des tâches individuelles, ce qui en fait des compléments. L'analyse de données quantitatives arrive en tête pour les deux, avec 42,7 % des journaux scientifiques de Gemini et 73,7 % des tâches des modèles spécialisés. La communication des résultats représente 14,1 % des journaux, mais seulement 3,8 % des tâches des modèles.
Paysage des tâches scientifiques, tiré de l'article associé (figure 8) tel que présenté dans l'essai de DeepMind.
D'un outil à l'invention d'une méthode d'invention
L'essai s'ouvre sur la conférence Nobel 2025 de Joel Mokyr : la technologie et la science se nourrissent l'une l'autre, mais jamais automatiquement, et les idées sont de plus en plus difficiles à trouver. Sa thèse est que l'IA peut devenir une « invention d'une méthode d'invention », comme le microscope ou le télescope, qui permet de faire plus de science plus vite, mais aussi une science différente.
AlphaFold en est le modèle. Les cristallographes ont mis des décennies à résoudre environ 170 000 structures de protéines ; AlphaFold en a prédit plus de 200 millions, et la base de données ouverte a été utilisée par plus de 4 millions de chercheurs dans 190 pays. La recherche fondamentale s'appuyant sur les structures d'AlphaFold a augmenté de 15 à 40 %. L'essai cite le connectome complet du système nerveux de la mouche et l'AlphaGenome Atlas, avec 9 milliards de modifications contrefactuelles de l'ADN prédites, comme exemples de prédiction intégrée à une recherche à grande échelle. Le Co-Scientist de Google fait désormais passer la boucle à l'exécution en laboratoire.
D'autres laboratoires illustrent le même schéma. Une étude d'exploration de génomes d'Anthropic a passé au crible 1,9 milliard de clusters de protéines : un LLM a repéré une anomalie de répétitions d'ADN et appelé AlphaFold 2, ESMFold et Boltz-2 pour signaler une famille d'enzymes virales de type CRISPR, présentée dans l'article de ce blog. Dans l'étude Virtual Lab, des agents LLM ont orchestré ESM, AlphaFold-Multimer et Rosetta pour concevoir des nanocorps contre le SARS-CoV-2.
Les points de friction
Le flux de travail s'inverse : la simulation in silico devient la principale source d'idées, et la paillasse devient une étape de test en aval. Dans l'enquête, 43,5 % disent que le goulot d'étranglement s'est déplacé vers l'aval et 13,8 % vers l'amont. Par ailleurs, 40,5 % signalent un retard plus important d'hypothèses non testées, et 45,7 % consacrent plus d'un quart du temps gagné à auditer les sorties de l'IA. L'essai note que les protéines moins étudiées ont suscité davantage de recherche fondamentale après AlphaFold, mais peu de découverte de médicaments en aval, avec des exceptions pour des maladies négligées comme celle de Chagas. Cela rejoint le problème de la chaîne de preuves abordé dans Le vrai problème du scientifique artificiel n'a jamais été la science.
Goulots d'étranglement du flux de travail, retard d'hypothèses non testées et temps consacré à l'audit, tirés de l'article associé (figure 13) tel que présenté dans l'essai de DeepMind.
Les effets sur la créativité sont contrastés. 68,1 % disent que l'IA leur a donné un meilleur accès à d'autres disciplines et 67,3 % qu'elle leur permet de poser des questions plus ambitieuses, mais 48,8 % rapportent un virage vers des projets plus sûrs et incrémentaux, contre 27,5 % vers des projets plus risqués et ambitieux. L'essai ajoute que l'attrait du travail incrémental se concentre chez les jeunes chercheurs, et cite un résultat connexe selon lequel la science assistée par l'IA triple les publications et quintuple les citations tout en resserrant l'investigation autour de domaines établis et riches en données. Il signale aussi des risques pour l'évaluation par les pairs et le compagnonnage, et cite la mise en garde de Pushmeet Kohli contre la « complaisance épistémique ».
Impact perçu de l'IA sur certains résultats, tiré de l'article associé (figure 14) tel que présenté dans l'essai de DeepMind.
Ce que propose DeepMind
L'essai appelle à des poids ouverts, des benchmarks publics et des API de recherche stables d'une version à l'autre, afin que les scientifiques puissent auditer les biais, affiner les modèles et éviter les problèmes de reproductibilité lorsque des modèles sont retirés. Le fossé est géographique : les pays à revenu faible et intermédiaire, hors Chine, représentent environ 3 % du développement de modèles spécialisés mais environ 10 % des citations. Pour les domaines à double usage, il recommande un accès structuré via des plateformes hébergées dotées d'un filtrage de sécurité.
Ses cinq priorités : investir dans l'infrastructure de vérification et de test ; réformer les subventions et l'évaluation par les pairs pour récompenser l'exploration audacieuse ; institutionnaliser les normes de vérification et de sécurité, de l'interprétabilité et de la reproductibilité au filtrage de sécurité ; repenser la formation et la diffusion mondiale grâce à un bien commun scientifique ouvert ; et passer à l'échelle la traduction vers des défis sociétaux que les acteurs commerciaux pourraient négliger. La Genesis Mission américaine poursuit des objectifs voisins, tandis que 25 médaillés Fields soutiennent que résoudre des problèmes n'a jamais été le but.
Viennent ensuite des agents qui planifient une expérience, appellent le bon modèle spécialisé, recoupent les résultats et renvoient un candidat. Le métier du scientifique évolue vers le choix des questions à étudier, du « solveur de casse-têtes complexes » de Kuhn à un « architecte de questions profondes ». Le verdict de l'essai lui-même : « Nos données montrent que nous n'y sommes pas encore. »