AIPOCH ouvre le code d'Open-Science : un journal « vibe Research » pour la recherche assistée par IA

AIPOCH a mis Open-Science en accès libre, et son idée centrale tient en une promesse de trois mots : une recherche doit être traçable, transmissible et reproductible. Le point de départ : deux ans pendant lesquels les outils d'IA sont entrés dans chaque étape du travail scientifique, de la recherche bibliographique au nettoyage des données, de l'exécution du code à la préparation du rapport. La vitesse a augmenté, et avec elle un problème que relève le média chinois Jiqizhixin : plus le travail avance vite, plus il est difficile d'expliquer comment il a été réalisé.

Où la trace de la recherche se perd

Quiconque a travaillé avec des agents IA reconnaîtra le tableau. Les dialogues avec le modèle restent dans le chat. Les données se trouvent dans un stockage cloud. Le code a été exécuté sur une machine locale. Les conclusions intermédiaires sont restées coincées dans un Notebook. Chaque fragment est intact pris isolément, mais les liens entre eux ne sont consignés nulle part.

Tant que la recherche reste entre les mains de son auteur, c'est tolérable. Dès qu'il faut la soumettre à une relecture, la confier à un collègue ou la refaire six mois plus tard, on constate que le résultat est là, mais que le contexte a disparu. Quel prompt a conduit à cette hypothèse, quelle version des données a été utilisée, pourquoi l'une des options a été écartée : il est souvent impossible de le reconstituer.

Ce que promet Open-Science

AIPOCH présente le projet comme une infrastructure pour un mode de travail qu'elle appelle « vibe Research ». Le nom renvoie au vibe coding : le chercheur formule sa tâche en langage naturel, les agents exécutent le travail de routine. D'après la description, Open-Science doit assembler ce processus en une chaîne unique, que l'on peut vérifier, transmettre et relancer.

Paramètres clés tirés du matériel disponible :

• Développeur : AIPOCH, publication en open source.
• Date de publication : 15 octobre 2026.
• Trois propriétés annoncées : traçabilité, possibilité de transmettre le travail, reproductibilité.
• Problème visé : des artefacts dispersés (chats, données dans le cloud, code local, notebooks).
• Non précisés dans l'extrait disponible : licence, architecture, modèles pris en charge, formats de stockage, benchmarks et exemples de projets réels.

Le dernier point compte. Une promesse de reproductibilité ne se vérifie que dans la pratique : il faut savoir ce qui est exactement enregistré, comment le non-déterminisme des modèles est pris en compte, et s'il est possible de figer la version du modèle et de l'environnement.

Pourquoi l'idée touche un point sensible

En développement logiciel, ce problème est résolu depuis longtemps par les systèmes de gestion de versions : chaque modification du code a un auteur, une date et une raison. Pour les recherches menées avec des agents, il n'existe pas encore de standard équivalent. La sortie d'un modèle de langage n'est pas reproductible au bit près, et les décisions se prennent au sein d'un dialogue que personne n'archive. Un projet qui transforme ce dialogue en journal structuré comble un vrai manque. C'est notre analyse, pas une déclaration des développeurs.

Un regard plus mesuré s'impose aussi. Un journal d'actions ne garantit pas à lui seul la reproductibilité : si le modèle a été mis à jour ou si l'API a changé, une nouvelle exécution donnera un résultat différent. Le format open source est ici un atout, car l'implémentation pourra être auditée plutôt que crue sur parole.

Ce que les équipes peuvent faire dès maintenant

Si votre groupe utilise des agents IA dans ses recherches, n'attendez pas une solution toute faite. Commencez simplement : conservez les prompts et les réponses avec le code, figez les versions des modèles et des jeux de données, notez les raisons des hypothèses écartées. Quand les détails sur Open-Science seront disponibles, vérifiez quatre points : la licence, l'intégration avec Jupyter et avec votre stockage de données, la méthode de fixation des versions de modèles, et la présence d'exemples publics que l'on peut relancer de zéro. Si reproduire la recherche d'un tiers prend une heure et non une semaine, l'outil fait son travail.