Pourquoi cette page se lit différemment
La majeure partie de ce manuel se construit autour de l’incertitude, du danger, et de lacunes honnêtes dans ce qui peut être vérifié. Cette page est différente : elle rassemble des résultats scientifiques portés par l’IA qui sont datés, vérifiables, et qui dans un cas portent déjà un prix Nobel — pourtant le même programme de recherche qui a produit cette méthode récompensée par le Nobel a aussi produit un article de Nature formellement corrigé et un outil de diagnostic qui a fonctionné en laboratoire et trébuché dans une clinique réelle. Tenir ces deux faits ensemble — un accomplissement authentique et une surinterprétation authentique, du même laboratoire, parfois la même année — est précisément le propos de cette page, non une contradiction à résoudre.
Tout ce qui suit concerne de l’apprentissage automatique étroit, spécifique à une tâche, appliqué à un problème scientifique ou médical, non à l’AGI. Qu’un futur système général puisse un jour accélérer toute la science à la fois est un scénario, traité sur les bénéfices de l’IA et les coûts d’opportunité du retard ; cette page s’en tient à ce qui a été livré, publié, ou évalué par les pairs.
Structures de protéines, résolues : AlphaFold et le Nobel 2024
Le cas le plus clair est la prédiction de structures de protéines. En octobre 2024, l’Académie royale des sciences de Suède a décerné le prix Nobel de chimie conjointement à Demis Hassabis et John Jumper, de Google DeepMind, « pour la prédiction de la structure des protéines », et à David Baker, de l’université de Washington, pour la conception computationnelle de protéines (NobelPrize.org, 9 octobre 2024) — la plus haute distinction du domaine, quatre ans après les résultats originaux d’AlphaFold2 en 2020, et confirmée par une discipline qui a passé ces années à réellement utiliser l’outil : plus de deux millions de chercheurs dans 190 pays, selon les rapports, ont prédit des structures pour la quasi-totalité des 200 millions de protéines connues, avec une précision approchant celle des méthodes expérimentales sur les cibles les plus difficiles (Nature News, 9 octobre 2024).
De la structure au médicament : Isomorphic Labs, encore en développement
Les travaux de DeepMind sur le repliement des protéines ont donné naissance à Isomorphic Labs, créée pour porter la prédiction de structures jusqu’à la découverte de médicaments. En janvier 2024, l’entreprise a signé des accords avec Eli Lilly et Novartis pour une valeur combinée d’environ 3 milliards de dollars en jalons potentiels, visant des cibles à petites molécules jugées « non médicamentables » (TechCrunch, 7 janvier 2024). Début 2026, des rapports secondaires décrivaient la collaboration comme ayant produit plusieurs candidats précliniques — encore à des années d’un essai clinique, sans parler d’un médicament approuvé. Au moment d’écrire ces lignes, aucun médicament issu de ce partenariat n’est entré en essai chez l’humain.
AlphaFold a accéléré une étape d’un long processus ; il n’a pas été démontré qu’il accélère le résultat final de ce processus, mesuré en thérapies approuvées plutôt qu’en paiements de jalons. Les bénéfices de l’IA et les coûts d’opportunité du retard trace la ligne entre un bénéfice mesuré et un bénéfice projeté — celui-ci est incontestablement un bénéfice projeté.
Découverte de matériaux — et une correction qui prouve que le système fonctionne
Le cas le plus instructif ici est la science des matériaux, précisément parce qu’elle n’est pas restée une histoire de réussite sans tache. En novembre 2023, DeepMind a publié GNoME dans Nature : un système qui a prédit 2,2 millions de structures cristallines candidates, dont environ 381 000 prédites stables — environ 45 fois plus de composés stables mais non réalisés que l’ensemble du registre historique antérieur (Merchant et al., Nature, 29 novembre 2023). Un article complémentaire décrivait un laboratoire robotique autonome, l’« A-Lab », qui a utilisé ces prédictions pour synthétiser des dizaines de nouveaux matériaux sans intervention humaine, en dix-sept jours.
En 2024, trois chimistes extérieurs — Robert Palgrave (UCL), Leslie Schoop (Princeton) et Susan Latturner (Florida State) — ont découvert qu’environ les deux tiers des composés « nouveaux » de l’A-Lab étaient en réalité des structures déjà connues, mal identifiées parce que son analyse de diffraction des rayons X utilisait une comparaison de motifs de niveau novice plutôt que l’affinement de Rietveld rigoureux qu’appliquerait un cristallographe formé ; beaucoup figuraient déjà dans la base de données des structures cristallines inorganiques. Le 19 janvier 2026, Nature a publié une correction formelle des auteurs reconnaissant que les revendications de nouveauté avaient fait l’objet d’une « mauvaise interprétation » — nouveaux pour le catalogue propre de la plateforme, pas nécessairement nouveaux pour la science.
Ce n’est pas une histoire d’échec de l’IA. Les prédictions de structures de GNoME n’étaient pas la partie qui s’est révélée fausse ; la surinterprétation résidait dans la façon dont « nouveau » a été défini en aval — et elle a été détectée et corrigée formellement par la révision par les pairs ordinaire, deux ans plus tard. C’est le système qui fonctionne comme prévu : une publication dans Nature est une preuve solide, mais non à l’abri d’une correction, et le statut réel d’une affirmation est ce qui survit à l’examen minutieux, pas ce que disait le communiqué de presse la semaine de son lancement.
Mathématiques : AlphaProof à l’Olympiade, hors chronomètre
En juillet 2024, DeepMind a annoncé qu’AlphaProof et AlphaGeometry 2 avaient résolu quatre des six problèmes de l’Olympiade internationale de mathématiques de cette année-là, pour un score de 28 sur 42 — niveau médaille d’argent, une première pour un système d’IA (DeepMind, 25 juillet 2024). DeepMind a elle-même révélé qu’un problème avait été résolu en quelques minutes, mais que d’autres avaient demandé jusqu’à trois jours de calcul, ce qui mérite d’être noté puisque les compétiteurs humains résolvent les six mêmes problèmes sur deux sessions de 4,5 heures. Ceci n’a été ni soumis ni jugé comme une véritable participation à l’IMO et n’a pas été évalué par des pairs indépendants en tant que résultat de compétition ; il s’agit d’un test de référence géré par l’entreprise elle-même, honnêtement présenté comme tel, non d’une affirmation selon laquelle l’IA rivalise avec les mathématiciens olympiques dans les conditions qu’ils affrontent réellement.
Prévisions météorologiques : un cas déjà tranché par la révision par les pairs
Les prévisions météorologiques offrent un contraste utile car la vérité terrain arrive chaque jour et ne peut être manipulée rétroactivement. GraphCast, de DeepMind, publié dans Science en novembre 2023, a surpassé le modèle opérationnel HRES de l’agence météorologique européenne sur la grande majorité de milliers de combinaisons variable-échéance évaluées, et produit une prévision mondiale à dix jours en moins d’une minute sur un seul TPU (DeepMind, 14 novembre 2023). Les prévisions sont notées contre la météo réelle chaque jour, ce qui en fait l’un des domaines les plus difficiles à surinterpréter, et des années plus tard, le résultat a tenu.
Médecine, à l’échelle réglementaire : les autorisations de la FDA se multiplient
L’IA clinique est passée de la nouveauté à une affaire réglementaire routinière. En avril 2018, IDx-DR (aujourd’hui LumineticsCore) est devenu le premier système de diagnostic par IA entièrement autonome autorisé par la FDA en médecine, homologué pour détecter la rétinopathie diabétique sans interprétation d’un médecin, sur la base d’un essai de 900 sujets montrant une sensibilité de 87,2 % et une spécificité de 90,7 % par rapport à l’évaluation d’experts (npj Digital Medicine, 2018). De telles homologations sont désormais routinières : les autorisations FDA de dispositifs intégrant l’IA sont passées d’environ 758 fin 2024 à 1 039 en décembre 2025, à un rythme grimpant d’environ 21 à environ 30 par mois, avec en tête GE HealthCare, Siemens Healthineers, Philips et Canon (The Imaging Wire, 11 mars 2026). Une homologation est un fait réel et vérifiable — ce n’est pas la même affirmation que « cet outil fonctionne bien dans votre hôpital », ce sur quoi porte la section suivante.
L’écart labo-clinique : ce qui se passe quand le modèle rencontre un vrai patient
Le cas documenté le plus clair de l’écart entre précision validée et réalité du déploiement est le système de rétinopathie diabétique de Google Health, qui dépassait 90 % de sensibilité et de spécificité en essais. Déployé dans 11 cliniques de Thaïlande entre novembre 2018 et août 2019, il a rejeté environ 21 % des quelque 1 940 images soumises par les infirmières comme « non classables » — surtout des conditions d’éclairage qu’un lecteur humain aurait acceptées sans y réfléchir à deux fois —, perturbant le flux de travail et allongeant les visites de patients ayant souvent voyagé des heures pour se faire dépister. La conclusion a été évaluée par les pairs à CHI 2020, une conférence de premier plan en interaction homme-machine, et rapportée à l’époque par MIT Technology Review (MIT Technology Review, 27 avril 2020). Des analyses ultérieures sur l’IA en radiologie décrivent ceci comme un schéma récurrent : la performance en conditions réelles dépend de l’équipement et du flux de travail locaux, pas seulement du chiffre de précision d’un modèle.
Un autre outil homologué par la FDA pour l’AVC, Viz.ai, montre l’écart différemment : une revue systématique et méta-analyse regroupant une douzaine d’études et plus de 15 000 patients a accéléré le flux de travail hospitalier sans amélioration statistiquement significative des résultats cliniques que ces flux de travail sont censés améliorer. Plus rapide n’est pas automatiquement meilleur.
Ce que ce schéma dit du reste du site
Chacun des cas ci-dessus a été produit par le même petit groupe de laboratoires de pointe que ce manuel traite ailleurs — principalement Google DeepMind —, dont la culture de recherche est couverte dans en quoi les laboratoires d’IA de pointe diffèrent, et dont la concentration de capacité scientifique entre les mains d’une poignée d’organisations fait l’objet d’un sujet à part dans concentration du pouvoir : pourquoi quelques laboratoires comptent. Cette concentration joue dans les deux sens : c’est pourquoi un même programme peut accumuler un prix Nobel, une performance médaille d’argent aux Olympiades et un article de Nature corrigé en l’espace de deux ans, et pourquoi le cadrage de ces affirmations passe d’abord par la publicité propre d’un laboratoire, et seulement ensuite par une révision par les pairs qui ne lui rend pas de comptes.
Rien de tout cela ne plaide pour écarter les résultats. Un prix Nobel n’est pas du battage médiatique ; une prévision à dix jours produite en moins d’une minute n’est pas du battage médiatique. Mais « l’IA accélère la science » est vrai de la même manière que le sont la plupart des affirmations durables sur cette technologie : de façon inégale, avec les succès les plus nets dans les problèmes qui disposent d’une vérité terrain propre et vérifiable — une protéine repliée, la météo de demain, la stabilité mesurée d’un cristal — et un écart persistant partout où le dernier kilomètre traverse une clinique désordonnée ou un communiqué de presse non vérifié. La discipline qui a détecté l’erreur de GNoME, deux ans plus tard, est la discipline que cette page demande aux lecteurs d’appliquer partout ailleurs sur ce site.