🚀 IA et biologie : Anthropic, les promesses à limites (2026)
Découvrez comment Anthropic vise la découverte de médicaments par IA et l’IA générative en santé, malgré des limites d’essais, délais et réglementation.
Anthropic veut accélérer la biologie : pourquoi les découvertes prendront du temps
L'intelligence artificielle promet de changer la façon de faire de la recherche en biologie. Pour Anthropic, la société derrière Claude, l'idée est simple : accélérer la découverte de médicaments et contribuer à de nouvelles avancées contre des maladies difficiles. Ses dirigeants ont même évoqué la possibilité de « condenser » plusieurs décennies de progrès en quelques années.
Le problème, c'est que ce qu'on appelle « accélérer » ne se confond pas avec le travail réel à mener. Passer d'une prédiction produite par un modèle à un traitement utile implique d'autres compétences, d'autres installations et, surtout, des étapes de validation qui ne dépendent pas uniquement de la qualité du modèle.
Dans son dossier lié à son projet d'introduction en Bourse, Anthropic insiste justement sur ces différences. La recherche biologique n'est pas un simple prolongement du logiciel : elle mobilise des expertises, des équipements et des risques qui n'ont rien à voir avec le monde numérique. Et même quand un candidat médicament semble prometteur, il reste à franchir des étapes longues, coûteuses et incertaines.
On comprend mieux, avec ce contraste, où se situe l'IA dans les sciences du vivant. Et surtout ce que les entreprises devraient demander avant de parier sur des « découvertes assistées par IA ».
Ce que le dossier d'Anthropic change aux promesses publiques
Le dossier d'Anthropic ne tourne pas le dos à l'idée d'utiliser l'IA en biologie. L'entreprise maintient que ses modèles peuvent accélérer fortement la recherche et réduire le temps nécessaire pour arriver à des avancées. La différence, c'est qu'elle décrit plus clairement le chemin entre une idée générée et un résultat démontré.
Avant, Dario Amodei avait déjà avancé des ordres de grandeur très ambitieux : une accélération équivalant à « mille ans » de progrès en biologie en cinq à dix ans, avec l'espoir que l'IA aide à guérir une grande partie des maladies humaines dans la même période. Il avait aussi parlé d'une vague de médicaments conçus plus vite grâce à l'IA. Sur le plan narratif, c'est spectaculaire. Sur le plan opérationnel, ce n'est ni un plan de développement validé, ni une garantie clinique.
Le dossier destiné aux investisseurs, lui, sert surtout à cadrer les risques. Dans les documents déposés à la Securities and Exchange Commission américaine, Anthropic détaille les éléments susceptibles d'impacter son activité. L'entreprise explique notamment que ses équipes doivent acquérir une expérience directe de la recherche scientifique et de la découverte de médicaments. Elle reconnaît aussi que ces activités la font sortir de son historique : une société de logiciels devenue, au moins en partie, un acteur qui veut intervenir dans des projets de biologie appliquée.
Cette nuance compte pour les partenaires comme pour les investisseurs. Oui, un modèle peut produire des hypothèses, analyser des données ou aider à prioriser des pistes. Mais ça ne prouve pas qu'une cible biologique est pertinente chez l'humain, qu'une molécule sera sûre, ni qu'un traitement pourra être produit à grande échelle. Raisonner ou générer des idées n'est pas, en soi, une preuve d'efficacité biologique.
Le cas de l'enzyme présentée comme une découverte
Anthropic a aussi mis en avant une enzyme décrite comme potentiellement comparable, pour certains usages, à un outil de type CRISPR. Dans son dossier, le message devient plus prudent : l'enzyme pourrait être développée comme un nouvel outil biotechnologique, possiblement pour l'édition génétique.
Ce n'est pas la même chose qu'une « preuve ». Là où certains voient une piste intéressante, d'autres restent sceptiques. Des chercheurs interrogés par WIRED ont exprimé des réserves sur la portée et la valeur de ce qui est présenté. Et un scientifique travaillant sur ces enzymes s'est demandé si Claude avait pu exploiter ses recherches ; Anthropic a contesté cette hypothèse en indiquant que le modèle et son équipe de biologie n'y avaient pas eu accès.
La leçon vaut au-delà de ce cas : une annonce scientifique doit être évaluée avec ses preuves, sa reproductibilité et ses usages déjà démontrés - pas seulement avec la puissance du modèle qui l'a formulée.
Pourquoi la biologie ne s'accélère pas comme un logiciel
Dans le logiciel, on peut modifier, tester, corriger et redéployer rapidement. En biologie, une prédiction doit être confrontée à une réalité matérielle, et cette réalité ne suit pas toujours les hypothèses. Les cellules, les organismes et les patients ne sont pas un environnement de test parfaitement contrôlé. Une piste « qui marche » sur écran peut échouer au laboratoire, ou produire un effet différent selon le contexte.
L'IA peut réduire le temps passé sur certaines étapes : explorer de grands ensembles de données, proposer des structures moléculaires, classer des cibles, ou aider à formuler des hypothèses. Mais ces gains ne suppriment pas la validation. Il faut encore vérifier les résultats en laboratoire, puis étudier la sécurité et l'efficacité dans des modèles adaptés, avant de passer aux essais chez l'humain. Les autorisations, les protocoles et les résultats observés imposent leur propre rythme.
Le passage du calcul à l'expérimentation
Anthropic reconnaît, dans son dossier, que ses activités en biologie peuvent impliquer la manipulation de matériaux potentiellement dangereux, l'usage d'équipements de laboratoire et le respect de réglementations. Ce ne sont pas des contraintes « ajoutées » après coup : ce sont des conditions de travail qui déterminent ce qu'une équipe peut faire, comment elle documente les résultats et à quelles exigences de sécurité elle doit répondre.
Pour une entreprise d'IA, entrer dans ce domaine revient donc à développer (ou acheter) des compétences nouvelles : savoir mener des expériences, disposer d'installations adaptées, appliquer des procédures de sécurité, gérer le contrôle qualité et travailler avec des spécialistes. On peut entraîner des modèles sans pour autant avoir l'infrastructure et les réflexes nécessaires pour produire des résultats expérimentaux fiables.
Le même principe s'applique à la validation clinique. Même si l'IA aide à écarter plus tôt des candidats moins prometteurs, les candidats retenus doivent encore démontrer leur innocuité et leur efficacité. Les essais ne sont pas qu'une formalité qui ralentit : ce sont des étapes qui fournissent les informations nécessaires pour décider si un traitement peut être proposé à des patients.
Ce que l'IA peut accélérer - et ce qu'elle ne peut pas garantir
La vraie question n'est pas « l'IA va-t-elle remplacer la recherche ? » mais plutôt : quelles étapes, concrètement, l'IA améliore ? Elle peut réduire des coûts sur certaines analyses, ou augmenter le nombre de pistes examinées. Elle peut aussi aider à mieux diriger le travail des équipes. En revanche, un gain à l'étape des hypothèses ne signifie pas automatiquement un gain équivalent sur la durée totale de développement.
Le dossier d'Anthropic est clair : les médicaments et découvertes issus de ces efforts suivraient des parcours de développement et de réglementation longs, coûteux et incertains, avec un risque de ne jamais générer de revenus. Et là , le problème est simple : produire beaucoup de propositions n'est pas suffisant. Ce qu'il faut mesurer, c'est combien survivent aux étapes expérimentales et cliniques, et à quel coût.
Du fournisseur de modèles à l'acteur des sciences du vivant
Le dossier suggère aussi un changement de positionnement. Anthropic ne se contente plus de présenter la biologie comme un secteur où vendre des outils d'IA. L'entreprise envisage la découverte biologique comme une partie de son activité. La différence est importante : fournir un modèle à un laboratoire n'engage pas les mêmes responsabilités, les mêmes investissements ni les mêmes risques qu'une implication directe dans la recherche de candidats médicaments.
Un fournisseur de logiciels peut souvent servir plusieurs clients sans porter, au premier plan, le risque scientifique de chaque projet. Un acteur qui participe à la découverte, lui, doit vivre avec des résultats incertains, des dépenses de recherche étalées dans le temps et la possibilité qu'aucun candidat ne devienne un produit. Et le dossier assume explicitement le risque de ne jamais générer de revenus.
Un modèle économique soumis aux délais de la biotech
Le secteur pharmaceutique sait depuis longtemps qu'une découverte de molécule n'est qu'un départ. Il faut sélectionner une piste, vérifier qu'elle agit comme prévu, caractériser les risques, organiser les essais et répondre aux exigences réglementaires. Chaque étape peut révéler un problème et forcer à modifier le projet ou à l'arrêter. L'IA peut aider en amont, mais elle n'assure pas la suite.
Pour une entreprise technologique, cela crée un décalage entre deux temporalités. Le marché attend souvent des résultats rapidement, alors que la recherche biomédicale se construit sur le long terme. Les dépenses arrivent avant les preuves cliniques, et une découverte « annoncée » n'est pas forcément un actif commercial exploitable.
Pour les partenaires français et européens, le sujet est concret : avant de s'appuyer sur un outil d'IA, il faut regarder qui fait réellement les expériences, qui porte la responsabilité des données et des résultats, et comment la valeur est partagée si une piste devient un produit. Les obligations dépendent des usages et des activités. Elles ne disparaissent pas parce qu'une étape a été réalisée avec un modèle génératif.
Le compromis entre vitesse, contrôle et responsabilité
Accélérer la recherche est une ambition compréhensible : des traitements plus rapides à identifier peuvent avoir une valeur considérable. Mais accélérer sans clarifier ce qu'on mesure crée une zone de flou. Une hypothèse générée, une validation préclinique, un essai réussi et un médicament disponible ne sont pas des jalons interchangeables.
Dario Amodei a plaidé pour un allègement de certaines contraintes réglementaires pour les médicaments conçus avec l'IA. Le débat mérite d'être posé, mais il ne se résume pas à « innovation contre réglementation ». Les règles peuvent ralentir, oui, mais elles servent aussi à encadrer les risques et à produire des preuves sur la sécurité et l'efficacité. La question, c'est de distinguer les contrôles qui sont vraiment redondants de ceux qui protègent les patients.
Au final, l'enjeu business revient à construire une chaîne de preuve crédible. Si une entreprise ne peut pas relier les performances du modèle à des résultats d'expériences, puis à des décisions dans le développement, elle risque surtout de vendre une promesse plutôt qu'une capacité mesurable. À l'inverse, une amélioration plus limitée mais reproductible peut avoir une vraie utilité opérationnelle, même si elle ne « révolutionne » pas tout du jour au lendemain.
Conclusion : l'IA peut accélérer la recherche, pas supprimer ses étapes
Le dossier d'Anthropic ne dit pas « non » à l'IA en biologie. Il met surtout en évidence l'écart entre une capacité technique prometteuse et une avancée médicale réellement démontrée. Cet écart passe par des expériences en laboratoire, la reproductibilité, les essais, la réglementation et un modèle économique capable d'absorber des délais longs.
Pour les entreprises, le bon réflexe consiste à remplacer les promesses générales par des questions concrètes : quelle tâche l'IA améliore, quelles preuves montrent cet effet, et qui prend en charge la validation. Si vous évaluez un projet dans les sciences du vivant, commencez par un cas d'usage mesurable et financez la suite en fonction des résultats. Ce n'est pas aussi spectaculaire qu'une révolution annoncée, mais c'est bien plus utile pour décider.
Comment évaluer une annonce de découverte biologique par IA
Pour une direction de laboratoire ou pour un investisseur, répondre aux annonces spectaculaires ne devrait ni être de l'enthousiasme automatique, ni un rejet de principe. Le réflexe, c'est de demander où est la preuve et ce qui reste à démontrer. Une grille simple aide à séparer ce qui relève de la technologie de ce qui relève de la valeur scientifique et commerciale.
Une grille de lecture en cinq questions
Cette grille permet d'éviter de comparer des résultats à des stades différents. Elle aide aussi à cadrer un projet pilote : plutôt que demander « l'IA va-t-elle découvrir un médicament ? », on peut tester si un modèle améliore une étape précise (priorisation de cibles, analyse de données, préparation d'expériences). Le périmètre doit être assez resserré pour être évalué, mais assez proche du travail réel pour que le résultat soit utile.
Définir un pilote sans confondre démonstration et impact
Un pilote sérieux commence par un point de comparaison : comment l'équipe fait-elle la tâche aujourd'hui, combien de temps cela prend, et quels critères définissent un résultat exploitable. Sans cette base, une démonstration impressionnante ne dit pas forcément si le modèle améliore le travail.
Ensuite, il faut définir la validation avant de tester : qui vérifie les propositions, quelles erreurs sont inacceptables, et comment le modèle change la charge de travail. Est-ce qu'il réduit vraiment l'effort, ou est-ce qu'il le déplace vers la vérification ? Dans les sciences du vivant, cette dernière question est décisive : une réponse « plus rapide » à des problèmes mal contrôlés peut finir par augmenter le coût global.
Enfin, le pilote doit prévoir un scénario d'échec. Si les prédictions ne se confirment pas, l'équipe doit pouvoir arrêter sans transformer une hypothèse en engagement coûteux. En pratique, c'est une discipline de portefeuille : financer des étapes successives en fonction des preuves obtenues, plutôt que de miser d'emblée sur une annonce générale.