Anthropic évalue le potentiel de l’IA dans la science : jusqu’à 2 fois aujourd’hui et jusqu’à 15 fois à l’avenir

Le travail d’un chercheur ne consiste généralement pas en une seule tâche, mais en une chaîne de dizaines d’activités différentes : trouver des publications, comprendre le code d’autrui, écrire le sien, préparer les données, vérifier les calculs, décrire les résultats, puis seulement revenir à l’expérience elle-même. L’IA accélère efficacement les portions numériques de cette chaîne, mais elle ne peut pas supprimer automatiquement toutes les autres contraintes.

Anthropic a analysé plus de 207 000 sessions d’utilisateurs de Claude et Claude Code liées au travail scientifique. La conclusion de l’entreprise va au-delà du constat habituel selon lequel « les scientifiques utilisent davantage les chatbots » : avec les capacités actuelles de l’IA, le volume de résultats pourrait, en théorie, presque doubler dans certains domaines. Et si l’ensemble du cycle pertinent pouvait un jour être automatisé, la progression pourrait atteindre un facteur 15.

Il ne faut pas confondre ces deux chiffres. Le quasi-doublement est une estimation de l’effet des outils disponibles aujourd’hui sur les étapes où le modèle peut déjà apporter son aide. La multiplication par 15 est un scénario prospectif d’automatisation complète, et non le résultat obtenu par une équipe de recherche après l’installation de Claude Code.

D’où vient l’accélération

Imaginons une petite équipe qui teste une nouvelle hypothèse. Auparavant, un chercheur passait deux jours à chercher les bibliothèques adaptées, une journée supplémentaire à assembler un script de traitement des données et plusieurs heures à corriger des erreurs. L’IA peut raccourcir cette partie du travail : proposer un point de départ, expliquer un code inconnu, rédiger une première version du script et aider au débogage.

Mais si l’échantillon doit ensuite être fabriqué, placé dans une installation et observé pendant une semaine, le projet dans son ensemble ne sera pas dix fois plus rapide. Le travail effectué sur l’ordinateur a été accéléré, mais l’étape physique reste inchangée. C’est une situation classique en ingénierie : optimiser une partie ne revient pas à accélérer tout le système.

La valeur pratique de Claude et des outils similaires ne dépend donc pas seulement de la qualité de leurs réponses. Elle est déterminée par la part du processus qui peut être confiée au modèle, par le temps nécessaire pour vérifier son travail et par l’emplacement du véritable goulot d’étranglement. L’effet peut être plus marqué dans la recherche computationnelle que dans les disciplines de laboratoire, où les résultats dépendent des équipements, des matériaux et de la présence humaine.

Pourquoi le facteur 15 ne doit pas être interprété comme une promesse

L’étude repose sur l’analyse de sessions d’utilisateurs, et non sur le suivi pendant plusieurs années d’équipes identiques travaillant avec et sans IA. Ces données montrent bien quelles tâches les personnes délèguent au modèle, mais elles ne prouvent pas à elles seules que l’ensemble de la productivité scientifique a progressé dans les proportions annoncées.

D’autres limites existent. La quantité de code généré, de données traitées ou de textes préparés ne correspond pas encore au nombre de découvertes de qualité. Une erreur du modèle peut accélérer la production d’un résultat incorrect. Plus une conclusion est importante, plus la vérification indépendante, la reproductibilité et l’évaluation par des experts sont coûteuses. Enfin, l’analyse porte sur les utilisateurs des produits Anthropic : leur comportement ne peut donc pas être automatiquement extrapolé à l’ensemble des scientifiques.

Il est plus raisonnable de considérer le facteur 15 comme la limite supérieure d’un scénario : ce qui pourrait arriver si l’IA apprenait à exécuter de manière fiable presque toutes les tâches numériques et si les processus environnants étaient réorganisés. Entre un tel modèle et le laboratoire actuel se trouvent encore l’intégration avec les outils, le contrôle qualité, l’accès aux données, la sécurité et la responsabilité des conclusions.

Ce que doivent faire les développeurs et les équipes produit

La principale leçon pratique est de ne pas commencer par promettre « l’automatisation de toute la recherche ». Il faut d’abord décomposer le processus en étapes et mesurer chacune d’elles : recherche de sources, écriture du code, analyse des données, vérification, expérimentation et préparation de la publication. Il faut ensuite choisir une partie comportant beaucoup de travail numérique répétitif et dont le résultat peut être rapidement contrôlé.

Pour un produit, il est plus utile de mesurer non pas le nombre de requêtes adressées au modèle, mais le délai jusqu’à l’obtention d’un résultat vérifié, la proportion de corrections humaines et la fréquence des erreurs détectées. Si l’IA écrit le code deux fois plus vite, mais que le chercheur passe autant de temps à le vérifier, le gain réel peut être nul.

L’étude d’Anthropic ne prouve pas que la science sera 15 fois plus rapide dès demain. Elle met en évidence un point plus utile : le potentiel de l’IA dépend de l’architecture du flux de travail. Les équipes qui identifieront un goulot d’étranglement mesurable et y intégreront une automatisation vérifiable pourront en tirer parti dès aujourd’hui. Les autres n’obtiendront qu’un chiffre séduisant sans amélioration des résultats.