L'IA agentique réécrit les règles de la recherche biomédicale

L'IA agentique réécrit les règles de la recherche biomédicale

Il y a encore quelques années, l'intelligence artificielle en science signifiait une seule chose : un outil puissant qui aidait le chercheur dans les tâches routinières, comme traiter des données, chercher dans la littérature ou rédiger des brouillons d'articles. Aujourd'hui, il se passe quelque chose de fondamentalement différent. L'IA agentique, c'est-à-dire des systèmes capables de se fixer eux-mêmes des sous-tâches, de prendre des décisions intermédiaires et de coordonner les actions d'autres agents, commence à s'intégrer à l'architecture même du travail scientifique. En biomédecine, où la recherche est depuis longtemps l'affaire de grandes équipes, cela soulève des questions qui dépassent largement la technologie.

La science biomédicale est historiquement organisée selon le principe de la « science d'équipe » : grands laboratoires, consortiums, collaborations pluriannuelles entre cliniciens, bio-informaticiens, chimistes et épidémiologistes. Chaque participant a un rôle défini, et tout le processus, de la formulation de l'hypothèse à la publication, repose sur l'interaction directe entre humains. C'est dans cet écosystème bien établi que pénètrent aujourd'hui des agents d'IA autonomes. Non pas comme de simples assistants en renfort, mais comme des acteurs à part entière du flux de travail, auxquels on délègue la planification, l'analyse et les décisions sur le déroulement des expériences.

La différence entre un modèle de langage et une IA agentique n'est pas seulement technique. Un modèle de langage répond à une requête. Un agent agit dans un environnement : il élabore un plan, appelle des outils, reçoit le retour des résultats et corrige l'étape suivante. Dans le contexte de la recherche biomédicale, cela signifie qu'un agent peut demander lui-même des données à une base, mener une première analyse statistique, proposer d'ajuster le protocole d'une expérience et transmettre ses conclusions à l'agent suivant dans la chaîne, ou à un chercheur humain. Ces pipelines multi-agents sont déjà testés dans plusieurs centres de recherche, et les résultats montrent que la vitesse d'exécution de certaines étapes augmente bel et bien.

Mais c'est ici que commencent les questions vraiment difficiles. Quand une hypothèse est formulée ou affinée par un agent plutôt que par un humain, qui répond de sa validité ? Quand un système hiérarchise automatiquement les expériences selon sa propre logique d'optimisation, quelles valeurs scientifiques reproduit-il ? Les mécanismes traditionnels de responsabilité en science sont conçus pour des humains : chaque ligne d'un article a un auteur, chaque décision porte la signature d'un chercheur. L'IA agentique brouille ces frontières d'une manière à laquelle ni la politique éditoriale des revues ni les comités d'éthique ne sont encore préparés.

La question de l'inégalité d'accès est tout aussi pressante. Déployer des systèmes agentiques complexes exige infrastructures, expertise et financements. Les grands laboratoires des universités de pointe et des groupes pharmaceutiques obtiennent des outils qui multiplient leur cadence de travail, tandis que les petites équipes, surtout dans les pays aux ressources limitées, restent sur le bord de la route. Si l'IA agentique devient un composant standard de la recherche biomédicale, le fossé entre les « bien équipés » et « tous les autres » risque de devenir structurel et pratiquement infranchissable.

Il serait toutefois inexact de dresser un tableau uniquement alarmiste. Les systèmes agentiques montrent déjà qu'ils peuvent garder à l'esprit des masses de littérature qu'aucun humain ne peut physiquement embrasser, repérer des liens non évidents entre des données de domaines différents et alléger la charge des chercheurs sur les parties les moins créatives du travail. En oncologie et en génomique, où le volume de données a depuis longtemps dépassé les capacités de l'analyse manuelle, cela a une portée pratique. La question n'est pas de savoir s'il faut utiliser ces outils, mais comment les intégrer à la culture scientifique sans détruire ce qui rend la science fiable.

La réponse devra être élaborée vite. L'IA agentique ne fait pas la queue en attendant que la communauté académique parvienne à un consensus. Elle est déjà dans les laboratoires, et elle remodèle non seulement les outils de recherche, mais la logique même d'organisation du savoir scientifique. La « science d'équipe » s'est construite sur des décennies, avec ses normes de co-signature, sa répartition des rôles et ses méthodes établies de vérification des résultats. Désormais, un nouveau membre rejoint cette équipe : il ne se fatigue pas, n'a pas d'ambitions de carrière et n'assume aucune responsabilité personnelle. Cela n'en fait pas un mauvais coéquipier, mais cela exige des règles du jeu radicalement nouvelles.