L'agent BioMaster, propulsé par Kimi, sélectionne 100 gènes en 90 minutes au lieu de 4 heures
Moonshot AI, le créateur de Kimi, estime que le marché de l'IA pour le code approche de la saturation et se tourne vers la science. Son agent BioMaster, basé sur Kimi K3.1 Pro, a sélectionné en 90 minutes 100 gènes à étudier plus avant à partir des données de 3696 cellules de souris. Un humain y passerait environ quatre heures. Mais si 72 % des entreprises pharmaceutiques utilisent déjà l'IA, seules 24 % s'attendent à une hausse du taux de succès des médicaments. L'accélération des tâches routinières est démontrée ; « l'IA inventera le médicament », pas encore.
Traité par IA depuis TG: @ai_machinelearning_big_data (Machinelearning) ; édité par Hamidun News
Le chinois Moonshot AI, qui développe les modèles Kimi, affirme que la programmation, principale source de demande pour les modèles d'IA de pointe, approche de la saturation. L'entreprise cherche un nouveau terrain : la biologie, la chimie et la pharmacie. Une première preuve existe déjà : l'agent BioMaster, basé sur Kimi K3.
1 Pro, a reçu des données sur les gènes actifs dans 3696 cellules de pancréas de souris. En environ 90 minutes, il a sélectionné 100 gènes qu'un biologue gagnerait à vérifier ensuite. Selon les estimations, un humain aurait consacré environ quatre heures à la même sélection.
Imaginez un immense tableau où les lignes sont des cellules, les colonnes des gènes, et où chaque case indique un niveau d'activité : l'agent remplace l'analyste qui y cherche des régularités à la main. Pour les développeurs et les fondateurs, c'est un signal : la course au meilleur modèle quitte l'éditeur de code pour le laboratoire, mais les acteurs de la pharmacie restent pour l'instant prudents.
Pourquoi Moonshot quitte le code
C'est le directeur du développement international de l'entreprise qui l'a expliqué lors du Web Summit à Lisbonne. Selon lui, la programmation, qui a généré l'essentiel de la demande pour les modèles de pointe, approche de la saturation technologique : pour la plupart des tâches de code, le niveau actuel des modèles suffit déjà.
Pour la suite, d'après lui, la barre monte. Les tâches en finance et en droit exigent à peu près le même niveau d'IA que le travail sur le code, et la science le relève encore. En science, il ne suffit pas d'écrire un texte plausible : le résultat doit résister à l'épreuve de l'expérience.
Ce qui est déjà fait : BioMaster sur Kimi K3.1 Pro
La société pékinoise DP Technology a annoncé un partenariat avec Moonshot : Kimi K3.1 Pro fonctionnera dans son agent BioMaster, conçu pour les tâches biologiques. C'est un exemple du schéma « modèle généraliste plus agent spécialisé » : le modèle raisonne, et l'agent le relie aux données et aux outils d'un domaine précis.
Lors de la démonstration, BioMaster et Kimi ont analysé l'expression des gènes, c'est-à-dire quels gènes sont « activés » dans la cellule et avec quelle intensité. À partir des données de 3696 cellules, l'agent a isolé 100 gènes candidats pour une étude ultérieure en environ 90 minutes, contre quatre heures de travail estimées pour un humain.
Il faut bien comprendre ce qui a été accéléré. Il ne s'agit pas de la découverte d'un médicament, mais d'une présélection : tirer une centaine de gènes de milliers de caractéristiques, que le biologue vérifiera ensuite en laboratoire. Cette routine absorbe beaucoup du temps des chercheurs. Toutefois, les quatre heures sont une estimation, pas une mesure sur un groupe indépendant, et le matériel ne dit rien de la qualité des gènes sélectionnés.
La pharma reste sceptique
L'enthousiasme des développeurs ne correspond pas à l'humeur du secteur. Une enquête de Citi menée en juin auprès de 50 responsables de la recherche et développement d'entreprises pharmaceutiques américaines révèle un écart entre usage et attentes. Dans 72 % des entreprises, l'IA est déjà utilisée ou pleinement intégrée aux processus de recherche. Mais seuls 24 % des répondants s'attendent à ce que la technologie augmente nettement la probabilité de succès des nouveaux médicaments.
Autrement dit, l'IA sait accélérer l'analyse de données, mais personne ne s'engage pour l'instant à garantir que davantage de médicaments atteindront les patients. Le principal goulet d'étranglement de la pharma, ce sont les essais cliniques, et un modèle de langage ne le lève pas à lui seul.
Que faire en pratique
Pour les équipes qui construisent des agents, les domaines scientifiques ouvrent une niche à part : la valeur vient de l'association d'un modèle puissant et d'outils adaptés à un domaine précis. Les équipes produit gagneraient à vendre ce qui se mesure, par exemple le gain de temps en analyse exploratoire, 90 minutes contre quatre heures, plutôt que la promesse « l'IA inventera le médicament », que le secteur n'achète pas encore.
La stratégie de Moonshot est claire et d'autres laboratoires pourraient la reproduire : quand le marché du code se sature, aller là où le coût de l'erreur est plus élevé, et donc où la disposition à payer pour la qualité l'est aussi. Kimi parviendra-t-il à s'imposer en science ? On le saura quand des vérifications indépendantes des résultats de BioMaster verront le jour, et pas seulement une démonstration.
- 18 nov. 2026rust-anything apprend aux agents IA à réécrire des applications en Rust, module par module
- 18 nov. 2026Google a découvert des agents IA qui traquent les failles et piratent des sites de façon autonome
- 18 nov. 2026L'agent IA ShakeFix corrige un bug d'application de pharmacie en 18 minutes au hackathon GitLab
- 18 nov. 2026Hugging Face route les requêtes LLM via OpenRouter : 46% d'erreurs de capacité en moins
Questions clés sur cet article
Pourquoi Moonshot quitte le code?
C'est le directeur du développement international de l'entreprise qui l'a expliqué lors du Web Summit à Lisbonne. Selon lui, la programmation, qui a généré l'essentiel de la demande pour les modèles de pointe, approche de la saturation technologique : pour la plupart des tâches de code, le niveau actuel des modèles suffit déjà. Pour la suite, d'après lui, la barre monte. Les tâches en finance et en droit exigent à peu près le même niveau d'IA que le travail sur le code, et la science le relève encore.
Que sait-on sur Ce qui est déjà fait : BioMaster sur Kimi K3.1 Pro ?
La société pékinoise DP Technology a annoncé un partenariat avec Moonshot : Kimi K3.1 Pro fonctionnera dans son agent BioMaster, conçu pour les tâches biologiques. C'est un exemple du schéma « modèle généraliste plus agent spécialisé » : le modèle raisonne, et l'agent le relie aux données et aux outils d'un domaine précis. Lors de la démonstration, BioMaster et Kimi ont analysé l'expression des gènes, c'est-à-dire quels gènes sont « activés » dans la cellule et avec quelle intensité.
Que sait-on sur La pharma reste sceptique ?
L'enthousiasme des développeurs ne correspond pas à l'humeur du secteur. Une enquête de Citi menée en juin auprès de 50 responsables de la recherche et développement d'entreprises pharmaceutiques américaines révèle un écart entre usage et attentes. Dans 72 % des entreprises, l'IA est déjà utilisée ou pleinement intégrée aux processus de recherche. Mais seuls 24 % des répondants s'attendent à ce que la technologie augmente nettement la probabilité de succès des nouveaux médicaments.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.