Le vertical scientifique : une grosse part et quelques miettes

Les laboratoires de pointe construisent un vertical scientifique : modèles, acquisitions et partenariats visant la découverte scientifique elle-même — conception de médicaments, matériaux, mathématiques formelles. C'est plus discret que les activités de chat et de codage, et le capital qui s'y trouve est plus important que tout ce sur quoi les laboratoires parient en dehors de leurs modèles principaux. Quels domaines, combien d'argent, et que disent les chiffres ?

Suivre les dollars divulgués

En additionnant tous les engagements de capital divulgués pour l'IA au service de la science au cours des ~18 derniers mois — levées de fonds, acquisitions et plafonds de partenariats, d'après les sources listées à la fin — le camembert n'en est pas vraiment un :

La biologie structurale et la découverte de médicaments captent $6.4B des $7.2B traçables — 88.9%. Isomorphic Labs représente à elle seule $5.0B de ce total : une levée de série B de $2.1B, la plus importante de l'histoire de la découverte de médicaments par IA, plus des plafonds de partenariat de $1.7B avec Eli Lilly et $1.2B avec Novartis. Ajoutez-y le laboratoire de co-innovation à $1B de Lilly avec NVIDIA et l'acquisition par Anthropic de Coefficient Bio pour $400M — une start-up de biologie computationnelle vieille de huit mois — et la domination du secteur est totale.

Les matériaux, la chimie et la physique se partagent les 11.1% restants — essentiellement une seule entreprise, Periodic Labs, fondée par l'architecte de ChatGPT Liam Fedus (ex-OpenAI) et Ekin Dogus Cubuk (ex-DeepMind). Environ $0.3B levés, avec $0.5B supplémentaires en cours à une valorisation de $7.5B — une valorisation multipliée par presque six en environ un an.

Tout le reste — mathématiques formelles, météo, agents co-chercheurs, laboratoires de données de santé — arrondit à zéro capital divulgué. Le plus gros accord traçable dans ce reste est le laboratoire d'IA clinique de Doctolib, à 20 M€ — soit environ $0.02B, ou 300 fois plus petit que la seule série B d'Isomorphic. Pas une activité nulle ; des accords nuls. Cette asymétrie est le sujet de ce billet.

Les chiffres de l'accord : 2.6% comptant, 97.4% de promesse

En regardant sous les chiffres clés, la structure est frappante. Le partenariat à $1.7B de Lilly a versé $45M comptant — soit 2.6% en cash, 97.4% en jalons conditionnels. Les revenus directs du secteur restent faibles parce que l'économie repose sur des paiements différés à des jalons : l'argent arrive seulement si et quand les molécules franchissent les essais cliniques. Les prévisions de marché valorisent cette promesse de façon agressive — une projection va de $24.5B (2026) à $160.5B (2035), ce qui donne un taux de croissance annuel composé de 23.2% — mais la lecture honnête est qu'aujourd'hui, la découverte de médicaments est un secteur de valeur optionnelle : énorme si les premiers candidats internes d'Isomorphic, visés pour des essais chez l'humain d'ici fin 2026, fonctionnent réellement.

Ce qui rend la petite part plus intéressante qu'elle n'y paraît.

La part de 11% est celle qui génère des revenus

Le détail le plus révélateur dans ces chiffres : Periodic Labs — l'entreprise de matériaux — a déjà des clients payants dans l'industrie des semi-conducteurs. Pendant que la découverte de médicaments attend une décennie pour ses jalons, la R&D en matériaux rapporte dès maintenant, car les clients industriels n'ont pas besoin de l'approbation de la FDA pour utiliser un meilleur électrolyte, un meilleur catalyseur, ou un candidat supraconducteur à haute température. L'approche de Periodic est la partie structurellement importante : des laboratoires robotiques autonomes faisant tourner des milliers d'expériences de physique et de chimie pour générer des données d'entraînement propriétaires. La barrière à l'entrée n'est pas le modèle — ce sont les données expérimentales que personne d'autre ne possède.

Cette logique s'étend directement à toute organisation de R&D industrielle assise sur des décennies de cahiers de laboratoire, de campagnes d'essais et de rapports hérités. Ces archives sont le même type de jeu de données propriétaire — la plupart des organisations ne peuvent simplement pas encore les interroger. C'est pourquoi la part des matériaux semble sous-évaluée à 11% : les géants de la découverte de médicaments parient sur des molécules futures, tandis que les acteurs des matériaux monétisent dès aujourd'hui le volant de données.

Le vertical à zéro dollar qui change le travail quotidien : les mathématiques formelles

Les mathématiques formelles n'ont attiré aucun capital divulgué, et pourtant c'est le vertical scientifique dont la courbe de coût a le plus bougé — et le seul visible dans le jeu de données de l'arcade (Leanstral et Leanstral 1.5 : 2 des 206 sorties, 1.0%). Les chiffres : Leanstral 1.5 résout 87.4% de PutnamBench (587/672) pour environ $4 par problème, contre ~$300 pour le Seed-Prover fermé — 75 fois moins cher, une réduction de coût de 98.7%, sur un modèle Apache-2.0 avec un point de terminaison gratuit. Et ses exécutions de vérification formelle en Lean 4 ont trouvé cinq bugs jusqu'alors non signalés dans des dépôts open source.

Pourquoi la démonstration de théorèmes compte-t-elle commercialement ? Parce que la vérification formelle est l'extrémité d'un spectre sur lequel vit chaque laboratoire réglementé : des réponses qu'on peut vérifier contre des réponses auxquelles il faut simplement faire confiance. Dans le nucléaire, l'aérospatial ou les dispositifs médicaux, une réponse invérifiable est une réponse inutile. Le vertical des mathématiques formelles construit discrètement l'outillage d'une science vérifiable par machine, et la monétisation probable n'est pas les mathématiques mais des logiciels vérifiés et des dossiers de sécurité destinés précisément aux industries qui ne peuvent pas se contenter d'un « le modèle l'a dit ».

Pourquoi les grands laboratoires ont besoin de la science (l'activité des tokens ne suffira pas à les porter)

Pour relier cela à l'analyse sur les poids ouverts : les modèles ouverts délivrent désormais ~90% des capacités de pointe fermées pour un coût ~6 fois inférieur par appel, et les modèles ouverts chinois traitent trois tokens pour chaque token fermé américain. La fourniture de tokens se banalise. La science est l'échappatoire, car ses barrières à l'entrée sont physiques : les données cibles d'Isomorphic, les laboratoires-robots de Periodic, la décennie de données propriétaires de tissu cérébral de Verge Labs. Un concurrent à poids ouverts peut cloner vos scores de benchmark ; il ne peut pas cloner votre laboratoire humide. Et l'échelle de la récompense est différente : un médicament approuvé est un actif de plus de $1B par an — aucun palier de tarification d'API ne rivalise.

Il y a aussi un angle européen. L'IA scientifique dans les secteurs réglementés — nucléaire, santé, matériaux liés à la défense — ne peut pas simplement envoyer ses données vers une API américaine. C'est le même courant de souveraineté qui traverse Soofi S et les déploiements air-gap de Mistral-Microsoft : pour ce vertical, l'hébergement dans l'UE et sur site n'est pas une case de conformité à cocher, c'est le ticket d'entrée.

L'expérience en direct la plus instructive d'Europe est le laboratoire de recherche en IA clinique de Doctolib : 20 M€ en 2026, une équipe de recherche associée à Inria, l'Inserm et l'Université Paris Cité, et un premier projet — l'amélioration des parcours de soins — qui s'entraînera sur les données de santé de plus de 50 millions de patients français à partir d'août 2026. C'est la même logique de barrière à l'entrée que chez Isomorphic et Periodic — des données propriétaires que personne d'autre ne détient — pour 1/300e du budget. Et cela s'accompagne d'une tension que les acteurs américains ne rencontrent pas chez eux : le projet fonctionne sur une base de retrait volontaire (opt-out) selon la méthodologie MR004 de la CNIL, ce qui l'a déjà rendu controversé. L'IA scientifique européenne n'obtient ses barrières de données qu'en naviguant des cadres de consentement qui font eux-mêmes partie du paysage concurrentiel.

Mise à jour — 29 juillet : une quatrième stratégie qui n'est pas du tout un pari en capital

Tout ce qui précède est une histoire d'argent : acheter le laboratoire humide (Anthropic/Coefficient Bio), construire le laboratoire-robot (Periodic), financer le pari fou (Isomorphic). ChatGPT for Academic Researchers d'OpenAI, annoncé le 29 juillet, ne correspond pas du tout à ce schéma, et il vaut la peine de l'ajouter comme une quatrième catégorie distincte plutôt que de le rattacher à la découverte de médicaments ou aux matériaux.

Le mécanisme, selon l'annonce d'OpenAI elle-même : 100 000 chercheurs dans des établissements sélectionnés délivrant des diplômes et à forte activité de recherche — dans les sciences, les mathématiques et l'ingénierie — obtiennent un accès gratuit à des modèles de pointe : GPT-5.6 Sol Pro dès le lancement, sur ChatGPT, ChatGPT Work et Codex, avec en plus une recherche approfondie étendue, des limites d'usage plus élevées et des fenêtres de contexte plus larges, et jusqu'à quatre invitations de collaborateurs chacun. Les 10 000 premiers cet été — l'accès est déjà actif à l'Institute for Advanced Study et à l'École normale supérieure — avec une montée en charge jusqu'à 100 000 d'ici 2027. Les espaces de travail bénéficient d'une confidentialité de niveau professionnel, et les données ne sont pas utilisées pour l'entraînement par défaut.

OpenAI inscrit cela dans un engagement de $250M envers la recherche scientifique externe jusqu'en 2027, qui se décompose en deux volets nommés qu'il vaut la peine de distinguer : NextGenAI, une initiative de $50M soutenant directement des institutions de recherche, et le rôle propre d'OpenAI dans la Genesis Mission du DOE — la même initiative fédérale à laquelle Google avait engagé $40M en tokens et crédits une semaine plus tôt. Le programme académique n'est donc pas le seul pari scientifique d'OpenAI, c'est le troisième volet, orienté grand public, d'un ensemble de trois — et la Genesis Mission compte désormais au moins deux laboratoires de pointe qui l'alimentent plutôt qu'un seul.

$250M est une erreur d'arrondi face aux $7.2B déjà tracés dans ce billet — moins que la seule acquisition de Coefficient Bio par Anthropic, et 3% du total d'Isomorphic. Mais le comparer en termes de capital passe à côté de ce que c'est réellement. Isomorphic et Periodic construisent de la science : données expérimentales propriétaires, modèles internes, médicaments et matériaux dont OpenAI posséderait les résultats. Ceci consiste à semer la base d'utilisateurs qui produit de la science avec les outils d'OpenAI déjà en position structurante — un pari de distribution, pas un pari de découverte, et probablement le moins cher de cette page par unité d'influence à long terme.

Cette distinction compte parce que c'est le même mouvement qu'OpenAI et Anthropic ont déjà effectué à plus petite échelle — accès gratuit ou à tarif réduit pour les étudiants et les enseignants — mais visant pour la première fois des gens qui publient des articles plutôt que des gens qui rédigent des dissertations. Un étudiant qui apprend sur ChatGPT finit par obtenir son diplôme ; un chercheur qui fait tourner son pipeline d'analyse via GPT-5.6 Sol le cite, forme son laboratoire dessus, et le normalise comme l'outil par défaut vers lequel un domaine se tourne. Même si OpenAI ne possède jamais un seul brevet issu de ce programme, l'entreprise possède déjà quelque chose : la couche d'outillage sous-jacente à toute une génération de recherche publiée, et l'habitude qui pousse les doctorants à demander un accès OpenAI plutôt que celui d'un concurrent lorsqu'ils montent leurs propres laboratoires.

Les propres chiffres d'usage d'OpenAI confortent le cadrage « cela se produit déjà » plutôt que le « un jour, peut-être » sur lequel s'appuient la plupart des autres entrées de ce billet : environ 1,3 million de personnes utilisent ChatGPT chaque semaine pour les sciences et mathématiques avancées, générant environ 8,4 millions de messages. Plus révélatrice encore est la tendance d'un indicateur bien plus difficile à manipuler — les articles qui créditent l'outil :

Multiplié par sept en cinq mois, et le chiffre de juillet est déjà le plus élevé alors qu'il reste dix jours du mois non comptabilisés au moment de la rédaction. OpenAI met aussi en avant deux résultats concrets plutôt que des statistiques agrégées : l'équipe du physicien Rogerio Jorge, qui a utilisé l'IA pour construire un logiciel open source de recherche sur la fusion désormais utilisé par l'industrie et les laboratoires nationaux, et les informaticiens théoriciens Barna Saha, Yinzhan Xu et Christopher Ye, qui ont utilisé GPT-5.5 Pro pour développer une preuve établissant de nouvelles limites sur les algorithmes de géométrie en haute dimension — une preuve qu'ils ont ensuite validée et affinée eux-mêmes, ce qui est la bonne façon de lire toute affirmation de preuve assistée par IA : générée, puis vérifiée par un humain identifiable.

Un dernier résultat mérite d'être signalé pour ce qu'il implique sur les courbes d'adoption en général : les chercheurs dans le top 20% d'intensité d'usage de l'IA au sein de leur domaine sont presque deux fois plus susceptibles de déléguer au modèle des tâches estimées à quatre heures ou plus — environ 7% de leurs requêtes, contre 3,5% pour les utilisateurs moins intensifs du même domaine. Les gros utilisateurs ne posent pas seulement plus de questions ; ils délèguent des portions de travail catégoriquement plus grandes — l'inverse du récit habituel selon lequel « l'IA aide sur les parties faciles ».

Sur les capacités précises : la divulgation de benchmarks d'OpenAI donne de vrais chiffres plutôt qu'un résumé de classement — GPT-5.6 Sol obtient 83% sur FrontierMath Tier 4 (raisonnement mathématique de niveau recherche) contre 72,5% pour GPT-5.5, et GPT-5.6 Sol Pro résout 31,5% de GeneBench Pro (analyse de données biologiques complexes). La gamme sous Sol est répartie par charge de travail plutôt que par prix comme le sont habituellement les paliers grand public : Terra pour la recherche quotidienne, Luna pour les tâches légères et rapides, Sol pour les problèmes les plus difficiles — plus de 75 compétences en sciences de la vie (génomique, séquençage, analyse unicellulaire, modélisation de protéines) et des connecteurs vers Zotero, GitHub, Hugging Face, Databricks et les notebooks de calcul, ce qui est une forme véritablement différente d'un chatbot avec un mode recherche greffé dessus.

Cela arrive aussi juste après le propre récit de coûts d'infrastructure d'OpenAI : Sol dépasse Claude Fable 5 sur un benchmark de codage de référence tout en utilisant 54% de tokens de sortie en moins, et Luna coûte 80% moins cher à faire tourner que Sol. Un accès gratuit pour les chercheurs devient bien plus abordable à offrir une fois que votre coût de service par token a chuté à ce point. Le programme académique n'est pas une œuvre de charité indépendante de la courbe des coûts ; il en découle directement.

Ce qui donne au vertical scientifique un authentique quatrième quadrant, prêt à mettre en tableau :

Que cela devienne le plus gros pari de cette page dans cinq ans, ou une erreur d'arrondi pour toujours, dépend entièrement de la question de savoir si un outillage normalisé se transforme en barrière à l'entrée de la même façon que des données propriétaires. L'histoire est véritablement mitigée sur ce point — les outils pour développeurs ont tendance à créer ce genre de verrouillage, les données ne suivent pas toujours l'outil. À revisiter une fois que les 10 000 premiers chercheurs auront eu une année complète avec.

À quoi s'attendre ensuite

• Les revenus des matériaux dépasseront ceux des médicaments pendant des années. L'économie pharmaceutique différée par jalons contre des clients du semi-conducteur qui paient dès aujourd'hui ; la répartition du capital de 88.9/11.1 ne correspondra pas à la répartition des revenus avant 2030.
• Chaque laboratoire de pointe possédera une capacité de laboratoire humide d'ici fin 2027. Anthropic a racheté Coefficient Bio ; Periodic a construit des laboratoires-robots ; le volant d'expériences propriétaires est trop évidemment la barrière à l'entrée.
• La vérification devient une catégorie de produit. La courbe de coût de Leanstral (75 fois en une génération) montre à quoi ressemble la banalisation avant la mise en produit — des dossiers de sécurité vérifiés par machine pour le logiciel et l'ingénierie se vendront de la même façon que l'OCR se vend aujourd'hui.
• Le camembert se diversifie lentement. Les 88.9% de la découverte de médicaments reflètent l'endroit où les brevets rapportent le plus, pas l'endroit où l'IA aide le plus la science. La réalité du travail quotidien — littérature, données héritées, reporting — est répartie sur tous les domaines et n'apparaît dans aucune annonce de financement.

Méthode : les chiffres de capital sont les levées de fonds, acquisitions et plafonds de partenariat divulgués, listés dans les références ci-dessous, additionnés par domaine ($7.2B au total tracés) ; les parts, ratios d'accords et TCAC sont calculés à partir de ces chiffres. Les statistiques de sorties de modèles proviennent du jeu de données de l'arcade (206 entrées).

Références : OpenAI — ChatGPT for Academic Researchers (annonce primaire) · Forbes — Isomorphic Labs' $2.1B fundraise · BioPharm International — Series B and partnerships · MedCity News — milestone-deferred economics · Presenc — IsoDDE and the 2026 trial timeline · Drug Target Review — 2026 predictions, Lilly×NVIDIA · 1BusinessWorld — Anthropic × Coefficient Bio · Contrary Research — Periodic Labs breakdown · TechFundingNews — Periodic's $7.5B valuation round · Towards Healthcare — AI drug-discovery market sizing · PR Newswire — Verge Labs launch · Turing Post — 12 AI co-scientists of 2026 · Mistral — Leanstral model card · Maddyness — Doctolib's €20M AI lab · DSIH — Doctolib care-pathways project · Usine Digitale — the opt-out controversy · Axios — the launch and the $250M commitment · SiliconANGLE — programme mechanics · TheNextWeb — the agent harness and token-cost cuts