Les laboratoires de pointe construisent une verticale scientifique : modèles, acquisitions et partenariats visant la découverte scientifique elle-même — conception de médicaments, matériaux, mathématiques formelles. C'est plus discret que la conversation ou la programmation, et pourtant les capitaux engagés dépassent tout ce sur quoi les laboratoires misent en dehors de leurs modèles principaux. Quels domaines, pour quels montants, et que disent les chiffres ?
Suivre l'argent annoncé
En additionnant tous les engagements financiers annoncés pour l'IA au service de la science sur les dix-huit derniers mois — levées de fonds, acquisitions et plafonds de partenariats, d'après les sources liées au fil de l'article —, le camembert n'en est pas vraiment un :
La biologie structurale et la découverte de médicaments captent 6,4 des 7,2 milliards de dollars traçables, soit 88,9 %. Isomorphic Labs représente à elle seule 5,0 milliards de dollars de ce total : une levée de série B de 2,1 milliards de dollars, la plus importante de l'histoire de la découverte de médicaments par IA, plus des plafonds de partenariat de 1,7 milliards de dollars avec Eli Lilly et 1,2 milliards de dollars avec Novartis. Ajoutez-y le laboratoire de co-innovation à 1 milliards de dollars de Lilly avec NVIDIA et l'acquisition par Anthropic de Coefficient Bio pour 400 millions de dollars — une start-up de biologie computationnelle vieille de huit mois — et la domination du domaine est écrasante.
Les matériaux, la chimie et la physique se partagent les 11,1 % restants — pour l'essentiel une seule entreprise, Periodic Labs, fondée par l'un des architectes de ChatGPT, Liam Fedus (ex-OpenAI), et par Ekin Dogus Cubuk (ex-DeepMind). Environ 300 millions de dollars levés, et 500 millions supplémentaires en cours de levée sur une valorisation de 7,5 milliards — soit une valorisation multipliée par près de six en un an.
Tout le reste — mathématiques formelles, météorologie, agents co-chercheurs, laboratoires de données de santé — s'arrondit à zéro capital annoncé. Le plus gros accord traçable de cette catégorie est le laboratoire d'IA clinique de Doctolib, doté de 20 millions d'euros, soit environ 300 fois moins que la seule série B d'Isomorphic. L'activité n'est pas nulle ; ce sont les transactions qui le sont. C'est cette asymétrie qui fait l'objet de ce billet.
L'anatomie de l'accord : 2,6 % de comptant, 97,4 % de promesse
Sous les chiffres d'affichage, la structure est frappante. Le partenariat de 1,7 milliard de dollars conclu par Lilly a donné lieu à 45 millions de dollars versés comptant : 2,6 % en liquide, 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 avec agressivité : une projection passe de 24,5 milliards de dollars en 2026 à 160,5 milliards en 2035, soit un taux de croissance annuel composé de 23,2 %. La lecture honnête, pourtant, est qu'à ce jour la découverte de médicaments reste un secteur de valeur optionnelle : gigantesque si les premiers candidats internes d'Isomorphic, attendus en essais cliniques d'ici fin 2026, fonctionnent vraiment.
Ce qui rend la petite part plus intéressante qu'il n'y paraît.
La part de 11 % est celle qui génère des revenus
Le détail le plus révélateur de ces chiffres : Periodic Labs, l'entreprise de matériaux, a déjà des clients payants dans l'industrie des semi-conducteurs. Là où la découverte de médicaments attend dix ans ses premiers jalons, la R&D en matériaux rapporte tout de suite, car un industriel n'a pas besoin de l'autorisation de la FDA pour adopter un meilleur électrolyte, un meilleur catalyseur ou un candidat supraconducteur à haute température. L'approche de Periodic est structurellement décisive : des laboratoires robotisés autonomes qui enchaînent des milliers d'expériences de physique et de chimie pour produire des données d'entraînement propriétaires. Le rempart, ce n'est pas le modèle : ce sont les données expérimentales que personne d'autre ne possède.
Ce raisonnement vaut pour toute organisation de R&D industrielle assise sur des décennies de cahiers de laboratoire, de campagnes d'essais et de rapports anciens. Ces archives sont exactement le même type de corpus propriétaire ; la plupart des organisations ne savent simplement pas encore les interroger. D'où l'impression que la part des matériaux, à 11 %, est sous-évaluée : les géants du médicament parient sur des molécules futures, quand les acteurs des matériaux monétisent dès aujourd'hui leur cercle vertueux de données.
La verticale à zéro dollar qui change le travail quotidien : les mathématiques formelles
Les mathématiques formelles n'ont attiré aucun capital divulgué, et pourtant c'est la verticale 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 sous licence Apache-2.0 doté d'un accès 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 occupe une extrémité du spectre sur lequel se situe tout laboratoire réglementé : celui qui va des réponses vérifiables aux réponses qu'il faut croire sur parole. Dans le nucléaire, l'aérospatial ou les dispositifs médicaux, une réponse invérifiable est une réponse inutile. La verticale 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 (vendre des tokens ne suffira pas)
Pour faire le lien avec l'analyse sur les poids ouverts : les modèles ouverts offrent aujourd'hui environ 90 % des capacités du haut du panier fermé, pour un coût par appel six fois moindre, et les modèles ouverts chinois traitent trois tokens pour un token fermé américain. La vente de tokens se banalise. La science est l'issue de secours, car ses remparts 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 copier vos scores de benchmark ; il ne peut pas copier votre laboratoire expérimental. Et l'ordre de grandeur du gain n'a rien à voir : un médicament approuvé, c'est plus d'un milliard de dollars par an — aucune grille tarifaire d'API n'approche cela.
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 souverainiste que celui qui traverse Soofi S et les déploiements isolés de Mistral et Microsoft : dans cette verticale, l'hébergement européen et sur site n'est pas une case de conformité à cocher, c'est le droit 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 rempart que chez Isomorphic et Periodic — des données propriétaires que nul autre ne détient —, pour un trois-centième du budget. Avec, en prime, une tension que les acteurs américains ne rencontrent pas chez eux : le projet repose sur un droit d'opposition au titre de la méthodologie MR004 de la CNIL, ce qui lui vaut déjà une controverse. En Europe, l'IA scientifique ne se construit de rempart de données qu'en composant avec des cadres de consentement qui font eux-mêmes partie du jeu 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 affaire d'argent : acheter le laboratoire expérimental (Anthropic et Coefficient Bio), construire le laboratoire robotisé (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 mieux vaut en faire une quatrième catégorie à part que le rattacher au médicament 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 250 millions de dollars 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 50 millions de dollars 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 40 millions de dollars en tokens et crédits une semaine plus tôt. Le programme universitaire n'est donc pas le seul pari scientifique d'OpenAI : c'est le troisième volet, le plus 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.
Les 250 millions de dollars font figure d'erreur d'arrondi face aux 7,2 milliards recensés ici : moins que la seule acquisition de Coefficient Bio par Anthropic, et 3 % du total d'Isomorphic. Mais raisonner en capital revient à passer à côté de la nature de l'opération. Isomorphic et Periodic fabriquent de la science : données expérimentales propriétaires, modèles internes, médicaments et matériaux dont ils détiendraient les résultats. Ici, il s'agit d'ensemencer la communauté qui produira la science, avec les outils d'OpenAI déjà installés au cœur du dispositif — un pari de distribution et non de découverte, sans doute le moins cher de cette page rapporté à l'influence à long terme.
La distinction compte, car c'est le geste qu'OpenAI et Anthropic ont déjà accompli à plus petite échelle — accès gratuit ou à tarif réduit pour les étudiants et les enseignants —, mais visant cette fois des gens qui publient des articles plutôt que des gens qui rendent des devoirs. 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 détient déjà quelque chose : la couche d'outillage sur laquelle repose toute une génération de recherche publiée, et l'habitude qui poussera les doctorants à réclamer un accès OpenAI plutôt qu'un accès concurrent le jour où ils monteront leur propre laboratoire.
Les chiffres d'usage d'OpenAI accréditent le « cela se produit déjà » plutôt que le « un jour, peut-être » sur lequel repose 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 :
| Mois (2026) | Articles de mathématiques sur arXiv créditant ChatGPT |
|---|---|
| Février | 14 |
| Mars | 46 |
| Avril | 48 |
| Mai | 69 |
| Juin | 97 |
| 1er–21 juillet (partiel) | 100 |
Une multiplication par sept en cinq mois — et le chiffre de juillet est déjà le plus élevé alors qu'il manque dix jours au moment où j'écris. OpenAI met aussi en avant deux résultats concrets plutôt que des statistiques agrégées. L'équipe du physicien Rogerio Jorge a utilisé l'IA pour construire un logiciel open source de recherche sur la fusion, désormais utilisé par l'industrie et les laboratoires nationaux. Les informaticiens théoriciens Barna Saha, Yinzhan Xu et Christopher Ye ont utilisé GPT-5.5 Pro pour développer une preuve établissant de nouvelles limites sur les algorithmes de géométrie en haute dimension — une démonstration qu'ils ont ensuite validée et affinée eux-mêmes. C'est la bonne façon de lire toute annonce de preuve assistée par IA : produite par la machine, puis vérifiée par un humain identifiable.
Un dernier résultat mérite d'être signalé pour ce qu'il dit des courbes d'adoption en général : les chercheurs situés dans les 20 % les plus intensifs de leur domaine délèguent près de deux fois plus souvent au modèle des tâches évaluées à quatre heures ou plus — environ 7 % de leurs requêtes, contre 3,5 % chez les utilisateurs moins assidus du même domaine. Les gros utilisateurs ne posent pas seulement plus de questions : ils confient des blocs de travail d'une tout autre ampleur, à rebours du discours habituel selon lequel « l'IA aide sur les tâches 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). En dessous de Sol, la gamme est segmentée par type de travail et non par prix, contrairement aux paliers grand public habituels : Terra pour la recherche quotidienne, Luna pour les tâches légères et rapides, Sol pour les problèmes les plus difficiles. S'y ajoutent plus de 75 compétences en sciences du vivant — génomique, séquençage, analyse unicellulaire, modélisation des protéines — et des connecteurs vers Zotero, GitHub, Hugging Face, Databricks et les carnets de calcul. On est loin d'un simple agent conversationnel doté d'un mode recherche.
L'annonce suit de peu le discours d'OpenAI sur ses coûts d'infrastructure : Sol dépasse Claude Fable 5 sur un benchmark de programmation de référence en consommant 54 % de tokens de sortie en moins, et Luna coûte 80 % moins cher à exploiter que Sol. Offrir un accès gratuit aux chercheurs devient nettement plus supportable une fois le coût de service par token tombé à ce niveau. Le programme universitaire n'est pas une œuvre charitable indépendante de la courbe des coûts : il en découle directement.
La verticale scientifique compte donc bel et bien un quatrième quadrant :
| Stratégie | Exemple | Ce qui est acheté |
|---|---|---|
| Acheter le laboratoire | Anthropic et Coefficient Bio | Des données expérimentales propriétaires et une équipe |
| Construire le laboratoire | Periodic Labs | Des données d'expériences autonomes, rentables dès aujourd'hui |
| Financer le pari fou | Isomorphic Labs | Des redevances sur médicaments, conditionnées à des jalons |
| Ensemencer la communauté | OpenAI et les chercheurs universitaires | De la distribution et de l'habitude, à coût marginal quasi nul |
Que cette stratégie devienne, dans cinq ans, le plus gros pari de cette page ou reste une erreur d'arrondi dépend entièrement d'une question : un outillage devenu standard fait-il rempart au même titre que des données propriétaires ? L'histoire est partagée sur ce point — les outils pour développeurs créent bien ce type de dépendance, mais les données ne suivent pas toujours l'outil. À réexaminer quand les 10 000 premiers chercheurs auront une année complète derrière eux.
Mise à jour du 31 juillet : la prédiction « la vérification devient un produit » se réalise déjà
Aucune des quatre stratégies ci-dessus ne traite de la question de savoir si l'on peut croire un résultat de recherche produit par une IA : elles portent sur la propriété des données, du laboratoire ou de la communauté d'utilisateurs. L'article ScientistOne de Google, publié la même semaine que cette mise à jour, constitue la première illustration concrète d'un cinquième axe annoncé plus bas dans ce billet : la vérification comme catégorie de produit à part entière, transversale à tous les domaines plutôt que logée dans l'un d'eux.
Le chiffre qui motive cela : audités sur 75 articles générés par IA à travers cinq systèmes, tous les agents de recherche autonomes existants hallucinaient des citations à des taux allant jusqu'à 21 % — des entrées bibliographiques pointant vers des publications jamais écrites. La solution de Google, Chain-of-Evidence, oblige chaque affirmation d'un article généré à porter une chaîne de preuves traçable depuis la recherche bibliographique jusqu'au PDF final. ScientistOne, le système construit selon cette norme, rapporte zéro référence hallucinée sur 337 entrées bibliographiques, les cinq systèmes tournant sur le même modèle de base afin que l'écart ne puisse pas être balayé d'un « c'est le meilleur modèle qui a gagné ». Le chiffre le plus frappant au regard du propos de ce billet : évalués par un relecteur automatisé, les articles ont été acceptés dans 40 % des cas, contre 13 % pour le meilleur des autres systèmes — preuve que vérifiabilité et qualité perçue progressent ensemble au lieu de s'opposer.
Cela n'entre pas dans le tableau financier ci-dessus — il s'agit d'une production de recherche de Google, non d'une levée de fonds ou d'une acquisition —, mais c'est le même pari que la vérification formelle de Leanstral en mathématiques, un cran au-dessus : la question n'est plus « une machine peut-elle démontrer ce théorème ? », mais « peut-on croire le compte rendu qu'une machine fait de sa propre recherche ? ». Si les laboratoires de pointe entreprennent de bâtir une verticale scientifique, les agents qui feront cette science auront besoin exactement de cette piste d'audit pour que leur production ait la moindre valeur aux yeux d'un relecteur humain.
Dès le lendemain, OpenAI a donné à cet argument un cas de test en direct. Son propre article sur dix nouveaux résultats en mathématiques et en informatique théorique — des problèmes ouverts depuis des décennies, produits par un modèle non publié appelé Astra pour environ 2 000 $ de tokens — s'appuie exactement sur le même instinct. Chaque preuve a été formalisée en un certificat Lean vérifiable par machine avant publication, le genre de vérification qu'un argument en langage naturel seul ne peut pas fournir. L'article porte en outre une cicatrice que le reste de ce fil sur les mathématiques formelles n'a pas : neuf mois plus tôt, OpenAI avait avancé une affirmation presque identique sur GPT-5 résolvant des problèmes d'Erdős, qui s'est révélée exagérée et a dû être retirée. Le mathématicien qui avait repéré l'erreur, Thomas Bloom, déclare publiquement trouver crédibles les résultats de cette semaine. La vérification comme produit n'a donc rien d'abstrait ici : c'est la différence entre une affirmation qu'un sceptique identifié accepte de cautionner et une autre qu'il faut retirer en vingt-quatre heures.
À quoi s'attendre ensuite
- Les matériaux rapporteront plus que les médicaments pendant des années. D'un côté une économie pharmaceutique suspendue à des jalons lointains, de l'autre des clients du semi-conducteur qui paient dès maintenant : la répartition du capital, 88,9 contre 11,1, ne correspondra pas à celle des revenus avant 2030.
- Tous les laboratoires de pointe disposeront d'une capacité expérimentale d'ici fin 2027. Anthropic a racheté Coefficient Bio, Periodic a bâti ses laboratoires robotisés : le cercle vertueux des expériences propriétaires est trop manifestement le vrai rempart.
- La vérification va devenir une catégorie de produit. La courbe de coût de Leanstral — divisée par 75 en une génération — montre à quoi ressemble une banalisation avant la mise sur le marché : des dossiers de sûreté vérifiés par machine, pour le logiciel comme pour l'ingénierie, se vendront demain comme l'OCR se vend aujourd'hui.
- Le camembert se diversifiera lentement. Les 88,9 % du médicament indiquent où les brevets rapportent le plus, pas où l'IA sert le mieux la science. Le travail quotidien réel — revue de littérature, données anciennes, rédaction de rapports — se répartit sur tous les domaines et n'apparaît dans aucune annonce de financement.
Méthode : les montants retenus sont les levées de fonds, acquisitions et plafonds de partenariat rendus publics, liés au fil de l'article et additionnés par domaine, soit 7,2 milliards de dollars traçables ; parts, ratios et taux de croissance annuel composé en découlent. Les statistiques de sorties de modèles proviennent du jeu de données de l'arcade, qui compte 206 entrées.