Un interne de recherche automatisé redessine la pratique scientifique
Un interne de recherche automatisé n’est plus une simple interface capable de résumer quelques articles scientifiques. Il devient un système actif, capable d’explorer une littérature, de formuler des hypothèses, d’écrire du code, d’analyser des résultats et de proposer les prochaines expériences. Cette évolution marque une nouvelle étape pour les laboratoires, les entreprises deep tech et les équipes produit qui conçoivent des outils scientifiques.
Les avancées récentes d’OpenAI, de Google DeepMind et de plusieurs équipes académiques montrent toutefois une réalité plus nuancée que celle d’un autopilote scientifique. Les agents prennent en charge des sous-tâches de plus en plus complexes, mais la validation humaine reste le principal point critique. La question n’est donc plus seulement de savoir si l’IA peut faire de la recherche, mais comment organiser une collaboration fiable entre chercheurs et systèmes multi-agents.
De l’assistant documentaire à l’interne de recherche automatisé
Les premiers outils d’IA utilisés dans les laboratoires fonctionnaient principalement comme des aides documentaires. Ils recherchaient des publications, résumaient des résultats ou répondaient à des questions techniques. Le nouvel interne de recherche automatisé s’inscrit dans une logique différente : il coordonne plusieurs étapes d’un workflow scientifique, de la compréhension du problème jusqu’à l’interprétation des résultats.
Les systèmes décrits en 2026 peuvent répartir les tâches entre plusieurs agents spécialisés. L’un cartographie la littérature, un autre génère des hypothèses, un troisième écrit et exécute le code, tandis qu’un dernier vérifie la cohérence des méthodes et des conclusions. Cette architecture multi-agent reproduit moins le fonctionnement d’un modèle généraliste que celui d’une équipe de recherche structurée.
Le Stanford AI Index 2026 confirme la généralisation de ces workflows. Plusieurs groupes ont publié des systèmes où des agents se partagent la revue bibliographique, la conception expérimentale, l’analyse et l’évaluation. Le passage clé est celui d’une interaction ponctuelle avec un chatbot à une délégation contrôlée de missions longues, avec mémoire, outils et boucles de vérification.
Une chaîne scientifique presque entièrement orchestrée
Une étude publiée dans Nature sur The AI Scientist décrit une chaîne automatisée allant de la génération d’idées à l’analyse, à l’écriture et à l’évaluation d’articles. Un tel pipeline ne garantit pas à lui seul la qualité scientifique, mais il démontre qu’une partie importante du travail répétitif peut être organisée par des agents logiciels.
Google DeepMind a également présenté Co-Scientist, un partenaire multi-agent conçu pour générer, débattre et faire évoluer des hypothèses sur des problèmes complexes. Le système ne se contente pas de proposer une réponse : il confronte différentes pistes, réévalue les arguments et cherche à améliorer progressivement les hypothèses retenues.
Cette approche transforme la temporalité de la recherche. Une équipe peut explorer en parallèle des centaines de variantes méthodologiques, comparer rapidement plusieurs modèles et identifier les expériences les plus prometteuses. La valeur ne réside donc pas uniquement dans la vitesse d’exécution, mais dans l’augmentation de l’espace des idées effectivement explorées.
Du laboratoire virtuel au lab-in-the-loop
La découverte scientifique autonome commence également à se rapprocher des instruments physiques. Le système Robin, présenté dans Nature, combine génération d’hypothèses et analyse expérimentale pour identifier des candidats thérapeutiques dans un cadre lab-in-the-loop. L’agent propose et interprète des expériences, tandis que les résultats réels alimentent la boucle suivante.
Des travaux publiés dans Communications Materials étudient des laboratoires autonomes pilotés par un ou plusieurs agents. Ces systèmes peuvent analyser des données, prédire des résultats et choisir les expériences suivantes. Dans ce contexte, l’IA ne remplace pas seulement une étape de calcul : elle participe à la gestion dynamique d’un programme expérimental.
Les instruments eux-mêmes deviennent progressivement compatibles avec ces usages. Une étude de npj Computational Materials décrit des agents capables d’opérer des équipements avancés grâce à des garde-fous tels que des espaces d’action restreints, du linting automatique et une supervision humaine. Pour les équipes qui développent des plateformes scientifiques, cette couche de contrôle est aussi importante que le modèle d’IA.
La validation humaine devient le nouveau goulot d’étranglement
L’adoption rapide des agents déplace le problème principal. OpenAI rapporte que, dans plusieurs projets de sciences de la vie assistés par des agents, le goulot d’étranglement est désormais la validation des sorties par des experts humains. La formule est révélatrice : la production d’analyses et de pistes augmente, mais la capacité à les vérifier ne progresse pas au même rythme.
Cette contrainte concerne aussi la reproductibilité. Un résultat généré rapidement doit être associé à des données traçables, à un code versionné, à des paramètres explicites et à une documentation permettant de reconstruire chaque décision. Sans cette chaîne de provenance, un système peut produire une grande quantité de contenu scientifiquement plausible sans créer de connaissance réellement exploitable.
La supervision doit donc être conçue comme une fonction du produit, et non comme une étape informelle ajoutée à la fin. Il faut définir les seuils d’autonomie, les personnes responsables de l’approbation, les conditions d’arrêt et les critères de rejet. Pour une startup ou un laboratoire, ces règles sont aussi importantes que le choix du modèle ou du framework d’orchestration.
Les bénéfices pour les équipes scientifiques et produit
Les gains potentiels sont considérables. Les agents peuvent réduire le temps consacré à la recherche bibliographique, automatiser la préparation de jeux de données, générer des scripts d’analyse et comparer rapidement des protocoles. Ils permettent également à des équipes réduites de mener des investigations plus ambitieuses, en particulier lorsque les tâches sont structurées et les données accessibles.
Les chercheurs utilisent déjà massivement ces outils. OpenAI indique qu’en juin 2026 les utilisateurs situés au 99e percentile généraient plus de 60 heures d’agent turns par jour, tandis que l’usage médian en recherche avait été multiplié par 56 depuis novembre 2025. Ces chiffres illustrent une évolution des pratiques quotidiennes plutôt qu’une simple expérimentation technologique.
Pour les entreprises, l’enjeu dépasse la productivité individuelle. Un interne de recherche automatisé peut devenir une couche d’intelligence connectée aux bases documentaires, aux environnements de calcul, aux systèmes de gestion d’expériences et aux instruments. Cette intégration crée un avantage opérationnel, à condition de traiter dès le départ la sécurité, les droits d’accès, la gouvernance des données et l’observabilité.
Éviter une science plus rapide mais moins diverse
L’automatisation comporte aussi un risque de concentration. Nature a alerté sur la possibilité d’une science de masse orientée vers les domaines les plus riches en données, les mieux documentés et les plus faciles à évaluer automatiquement. Les agents pourraient alors amplifier les sujets déjà populaires au détriment de questions émergentes, interdisciplinaires ou insuffisamment représentées dans les corpus.
Les biais de sélection peuvent apparaître à chaque étape : choix des publications, formulation des hypothèses, définition des métriques ou sélection des expériences. Un système multi-agent ne supprime pas nécessairement ces biais ; il peut les reproduire à grande échelle et leur donner une apparence de consensus lorsque plusieurs agents ont été entraînés sur des sources similaires.
La réponse consiste à maintenir une diversité de méthodes, de sources et de profils humains dans la boucle. Les chercheurs doivent pouvoir contester les recommandations de l’agent, explorer des hypothèses moins évidentes et documenter les décisions qui s’écartent des priorités statistiques du système. L’automatisation scientifique doit élargir l’espace des découvertes, pas le réduire à ce qui est immédiatement mesurable.
Construire une architecture fiable d’agents scientifiques
La mise en œuvre d’un tel système commence par une cartographie précise des tâches. Les activités répétitives, vérifiables et réversibles sont de bonnes candidates à l’automatisation. À l’inverse, les décisions qui engagent la sécurité, l’interprétation causale ou la publication doivent conserver un niveau élevé de contrôle humain.
Une architecture robuste sépare généralement les agents par responsabilité et impose des interfaces explicites entre eux. Chaque agent doit fournir ses sources, ses hypothèses, ses outils utilisés et son niveau d’incertitude. Des mécanismes de validation peuvent ensuite comparer les sorties, exécuter des tests, contrôler les permissions et bloquer les actions qui sortent du périmètre autorisé.
Cette conception rejoint les recommandations émergentes sur l’IA agentique : autonomie progressive, journaux d’exécution, évaluation continue et possibilité d’interrompre le système. L’objectif n’est pas de créer un chercheur artificiel totalement indépendant, mais un environnement dans lequel l’IA accélère la production et la confrontation des idées tout en laissant aux experts la responsabilité des conclusions.
L’interne de recherche automatisé redessine déjà la pratique scientifique en transformant des séquences de tâches isolées en workflows coordonnés. Les exemples de The AI Scientist, Robin, Co-Scientist et des laboratoires autonomes montrent que la recherche multi-agent passe rapidement du prototype à l’infrastructure expérimentale.
La prochaine étape ne sera probablement pas l’automatisation totale, mais la conception de collaborations plus fiables entre humains et agents. Les équipes qui investiront dans la traçabilité, la validation et la gouvernance pourront exploiter la vitesse des systèmes automatisés sans sacrifier la rigueur, la diversité des hypothèses ni la responsabilité scientifique.
