🤖 IA & recherche scientifique : 2026, quels impacts ?
Découvrez en 2026 les impacts de l’IA et recherche scientifique : intelligence artificielle en science, IA générative, bénéfices & éthique. À lire !
L'IA s'attaque aux sciences théoriques : ce qui change vraiment
Pendant longtemps, l'intelligence artificielle a surtout été présentée comme un outil pour écrire, résumer des documents ou générer du code. La recherche scientifique pourrait, elle aussi, basculer. Et cette fois, pas seulement pour produire des textes : les modèles commencent à s'attaquer à des problèmes théoriques là où, jusqu'ici, on pensait que le savoir humain resterait indispensable.
Une étude menée par des chercheurs du MIT, relayée par WIRED, décrit des progrès rapides sur des sujets comme les probabilités, la physique quantique, l'économie théorique ou encore la cosmologie. D'après leurs résultats, les meilleurs modèles testés passent d'environ 2 % de problèmes résolus correctement à près de 35 % entre mi-2024 et mi-2026. Attention : ce chiffre ne veut pas dire que l'IA « fait de la science » toute seule. Il suggère surtout que certaines tâches intellectuelles, longtemps réservées aux spécialistes, deviennent plus accessibles.
Du coup, la vraie question pour les laboratoires, les entreprises et les décideurs n'est pas seulement « l'IA va-t-elle remplacer des chercheurs ? ». Elle est plus fine : que faut-il réellement confier aux modèles, que peuvent-ils accélérer, et qu'est-ce qui doit rester vérifié par des humains ? L'étude aide à clarifier tout ça - sans effacer les limites.
Pourquoi la recherche théorique est la prochaine étape
On évalue souvent les modèles d'IA à partir de tâches faciles à observer : rédiger un texte, répondre à une question, écrire une fonction, réussir un examen. La recherche scientifique exige quelque chose de différent. Un bon problème doit être formulé clairement, on doit mobiliser des connaissances spécialisées, construire un raisonnement, puis produire une solution qui tient quand on la pousse vraiment.
C'est particulièrement vrai dans les disciplines théoriques. Les chercheurs du MIT se sont penchés sur des questions liées aux probabilités, aux statistiques, à l'économie théorique, à la physique des hautes énergies, à la gravitation, à la cosmologie et à la physique quantique. Dans ces domaines, une partie du travail peut se juger sur la logique et la démonstration : pas besoin de lancer une expérience physique ou de faire tourner une simulation lourde pour dire si la réponse est correcte.
Résultat : c'est un terrain de test assez direct pour les modèles de langage. Et ce n'est pas parce que c'est « théorique » que c'est simple. C'est surtout l'occasion de tester une capacité précise : est-ce qu'un modèle arrive à résoudre une question dont la solution n'était pas dans ses données d'entraînement ?
Une progression qui dépasse les seuls mathématiques
Les annonces autour de la résolution de problèmes réputés difficiles par des modèles d'IA ont surtout fait parler des mathématiques. Mais ce que suggère l'étude du MIT, c'est que le phénomène ne s'arrête pas là . Plusieurs sciences reposent sur des structures formelles et des raisonnements qu'on peut, partiellement, automatiser.
Cela dit, il faut garder une distinction nette entre « résoudre un problème » et « faire de la science ». Un modèle peut proposer une réponse correcte à une question donnée sans savoir quelle question vaut la peine d'être posée, sans être capable d'évaluer l'utilité de la piste trouvée, ni expliquer comment elle s'insère dans un programme de recherche. Répondre, ce n'est pas piloter une discipline.
Dans un laboratoire, une avancée théorique ne compte pas seulement parce qu'elle est formellement juste. Elle peut ouvrir une piste, éclairer un résultat expérimental, ou changer la manière dont une équipe interprète un phénomène. Or, ces dimensions ne se voient pas dans les tests de résolution.
Pourquoi le signal compte quand mĂŞme
Malgré ces réserves, la hausse du taux de réussite est difficile à balayer d'un revers de main. Si un modèle passe d'un faible niveau de performance à une capacité significative sur un ensemble de problèmes, il devient vite utile au quotidien. Et ce n'est pas forcément parce que l'IA « remplace » un chercheur. Parfois, c'est plus banal : elle réduit le temps passé sur certaines étapes, génère des pistes, ou aide à explorer plus de variantes.
Ce mécanisme existe déjà ailleurs. Quand une tâche coûte moins cher, les équipes ne suppriment pas forcément le rôle humain : elles traitent davantage de dossiers, testent plus d'hypothèses, et redéploient le temps vers les décisions qui demandent du jugement. Ce que ça change dépend alors de l'organisation du travail, pas seulement des performances du modèle.
Ce que les chercheurs ont réellement mesuré
Neil Thompson, chercheur au MIT spécialisé sur les effets de l'informatique et de l'IA sur l'innovation, a mené l'étude avec Gabriel Manso, doctorant, et Claudio Mayrink Verdun, chercheur. D'après le compte rendu publié par WIRED, leur équipe sélectionne des problèmes formulés dans des articles de recherche mis en ligne entre décembre 2025 et mai 2026, puis évalue plusieurs modèles d'OpenAI (d'o1 à GPT-5.5).
Le principe est simple : tester les modèles sur des questions dont les solutions apparaissent dans des publications postérieures à leur date de coupure d'entraînement. Les réponses des articles servent de référence pour juger les résultats. Autre point : pendant les tests, l'accès à Internet est désactivé. Le modèle ne peut donc pas « aller chercher » une solution publiée en ligne.
Cette précaution vise une difficulté classique dans l'évaluation des grands modèles de langage : distinguer ce qui relève du raisonnement de ce qui ressemble à de la restitution d'informations mémorisées. Les chercheurs ne règlent pas tout, mais leur protocole rend le test plus informatif qu'un simple exercice où la réponse pourrait déjà être présente dans les données.
Un test ciblé, pas une mesure de toute la science
L'étude se concentre sur des domaines où les problèmes peuvent être traités sans expérience ni simulation. C'est une limite structurante. En biologie, en chimie ou en climatologie, une hypothèse doit souvent être confrontée à des données mesurées, à des protocoles expérimentaux, ou à des modèles numériques coûteux. Un bon score sur un problème théorique ne prouve pas qu'un système peut mener à lui seul ce type de recherche.
Le taux d'environ 35 % doit aussi être interprété avec prudence : il s'agit des performances observées sur l'ensemble de problèmes retenu par les auteurs, avec les modèles et les règles de test qu'ils décrivent. Ce n'est pas une proportion des « problèmes scientifiques » en général, et ce n'est pas non plus une prévision directe de la productivité d'un laboratoire.
Il y a enfin un point souvent sous-estimé : la « bonne réponse » n'est pas toujours facile à établir. Une solution peut paraître convaincante, contenir une erreur discrète, ou reposer sur une hypothèse bancale. WIRED et les chercheurs cités signalent d'ailleurs que certaines solutions produites par OpenAI ont ensuite été retirées. L'idée est claire : une réponse formulée avec assurance n'est pas automatiquement une preuve.
Ce que la méthode permet néanmoins de conclure
L'intérêt principal n'est pas une promesse d'autonomie scientifique. C'est l'observation d'une progression rapide sur des tâches théoriques bien délimitées, évaluées avec des réponses de référence et sans recours au Web. Pour qui travaille sur ces sujets, ça justifie de regarder la courbe - et pas seulement les démonstrations.
Concrètement, pour un responsable de laboratoire ou une équipe R&D qui investit, la démarche utile consiste à examiner des tâches précises : revue de littérature, formalisation d'un problème, génération de conjectures, vérification de calculs, rédaction de code de simulation, analyse de résultats. Toutes ces tâches ne portent pas le même risque et ne demandent pas le même niveau de validation.
Ce que ces progrès changent pour la science et les entreprises
Si les modèles continuent de progresser, l'effet le plus probable est un changement dans la répartition du travail. Les chercheurs pourront déléguer certaines opérations intellectuelles, mais ils auront aussi à consacrer du temps pour contrôler les sorties, comparer les approches, et décider lesquelles méritent d'aller plus loin.
Dans l'industrie, même logique : les équipes de R&D, les bureaux d'études et les entreprises qui utilisent des modèles scientifiques peuvent s'en servir pour accélérer la formulation de pistes ou l'exploration d'un espace de solutions. Mais ça ne retire pas la responsabilité de vérifier que le résultat reste compatible avec les contraintes physiques, réglementaires et économiques du projet.
De l'accélération locale à un changement de rythme
Si une équipe utilise l'IA pour résoudre un problème plus vite, le temps gagné peut ensuite servir à traiter autre chose. Sauf que l'accélération locale ne garantit pas une amélioration globale. Si le goulot d'étranglement vient de l'accès aux équipements, de la collecte de données, ou d'autorisations, produire plus de solutions théoriques ne fera pas forcément avancer le projet plus vite.
C'est pour ça que l'investissement doit être évalué de façon réaliste. Avant d'adopter un outil, il faut identifier où part réellement le temps et ce qui bloque le cycle de recherche. Une démonstration impressionnante peut finir par avoir peu d'impact si les résultats doivent être repris manuellement, si les données ne sont pas accessibles, ou si la vérification coûte plus cher que le « travail initial ».
En France et en Europe, les laboratoires publics, les entreprises du CAC 40 et les jeunes pousses de la French Tech devront aussi gérer la confidentialité des données, les conditions d'utilisation des modèles et les obligations applicables. Envoyer des résultats non publiés ou des données sensibles vers un service externe n'est pas une simple décision technique : cela touche à la sécurité, à la propriété intellectuelle et, selon les cas, à la conformité réglementaire.
La science peut produire davantage de questions
Un effet moins évident de l'automatisation, c'est la question de la rareté. Si résoudre certains types de problèmes devient moins coûteux, le travail humain se déplace vers le choix des questions, l'interprétation des résultats et la conception d'expériences capables de départager les hypothèses.
Ça peut être positif : une équipe pourrait explorer des pistes qu'elle mettait de côté par manque de temps. Des chercheurs de domaines différents pourraient comparer plus facilement leurs modèles, ou examiner un éventail plus large de conjectures. Dans ce scénario, l'IA ne remplace pas le jugement : elle augmente la quantité de matière à examiner.
Mais plus de résultats veut aussi dire plus de bruit. Si les modèles produisent davantage de démonstrations, d'hypothèses ou d'articles que les communautés ne peuvent pas valider au même rythme, la charge se déplace vers l'évaluation. Le système scientifique devra alors adapter la revue des preuves, la réplication et le partage des résultats. Publier plus vite ne signifie pas forcément progresser plus vite.
Une opportunité qui dépend du modèle économique
Pour les entreprises, la question est aussi celle de la valeur créée. L'IA scientifique peut réduire certains coûts de recherche, mais la valeur ne se résume pas au nombre de réponses produites. Elle dépend de la capacité à transformer une réponse fiable en décision, en produit, ou en procédé réellement utile.
Avant de déployer à grande échelle, une organisation peut tester trois choses :
- Le gain de temps réel : combien de temps l'outil fait-il économiser après vérification ?
- La qualité des résultats : les solutions sont-elles reproductibles et assez robustes pour le cas d'usage ?
- Le coût opérationnel : quelles compétences, quelles données, quelles infrastructures et quelles procédures de contrôle faut-il ?
L'objectif du pilote est de comparer le gain annoncé à son coût total. Une solution techniquement brillante, mais qui exige une validation manuelle lourde ou qui expose des données sensibles, peut être un mauvais choix opérationnel.
Les limites : vérifier, interpréter, assumer
Le principal piège consiste à confondre une réponse plausible avec un résultat démontré. Les modèles de langage peuvent produire des raisonnements structurés et convaincants, tout en ratant une étape. En recherche théorique, une hypothèse implicite mal posée, ou une étape manquante, peut suffire à invalider toute une démonstration.
Les chercheurs cités dans WIRED insistent sur un point : il faut vérifier les solutions et garder des experts capables de relier les idées entre elles. Ce n'est pas un détail de méthode. C'est une nécessité pratique : quelqu'un doit pouvoir reconstituer le raisonnement, repérer les hypothèses, et vérifier que la conclusion répond bien à la question posée.
Mettre en place une validation proportionnée au risque
Toutes les sorties du modèle ne demandent pas le même niveau de contrôle. Une suggestion utilisée pour explorer une idée n'a pas le même statut qu'un résultat intégré à un article, une décision d'investissement, ou la conception d'un composant critique.
Une organisation peut mettre en place une chaîne de validation simple :
- Qualifier l'usage : exploration, assistance à la rédaction, calcul, ou résultat destiné à être publié/déployé.
- Exiger des éléments vérifiables : étapes de raisonnement, références, code, hypothèses explicites ou démonstration formelle selon le domaine.
- Faire contrôler les résultats importants par un spécialiste capable d'examiner la méthode, pas seulement la conclusion.
- Documenter les corrections et les limites, pour que les utilisateurs ultérieurs sachent ce qui vient du modèle et ce qui a été validé.
- Réévaluer le dispositif quand les modèles, les usages ou les conséquences d'une erreur évoluent.
Cette approche évite deux excès : accepter n'importe quoi parce que c'est cohérent, ou interdire l'outil sans distinguer les cas à faible risque des décisions critiques. Le niveau de contrôle doit suivre les conséquences possibles d'une erreur.
Le rôle humain ne disparaît pas ; il change
Les modèles peuvent aider à produire des solutions. Ils ne prennent pas automatiquement la responsabilité d'en tirer les conclusions. Un expert reste nécessaire pour comprendre les enjeux du problème, détecter les contradictions avec les connaissances du domaine, et décider si le résultat mérite d'être utilisé.
Et ça peut modifier les compétences recherchées. Savoir poser une question précise, comparer plusieurs réponses et auditer un raisonnement devient plus central. La compétence n'est pas de demander à l'IA de « faire de la science », mais de définir une tâche adaptée, fournir le bon contexte, puis évaluer le résultat sans lui déléguer le jugement.
Ce déplacement ne sera pas identique dans toutes les disciplines. Parfois, le gros du travail est dans le raisonnement formel ; ailleurs, c'est la qualité des données, des expériences ou des instruments. Un outil très bon sur le premier cas ne résout pas mécaniquement les difficultés du second.
Transparence et responsabilité
Quand une découverte s'appuie sur un modèle, les équipes doivent pouvoir expliquer son rôle. A-t-il proposé une conjecture, produit une preuve, vérifié un calcul, ou simplement reformulé un texte ? Cette traçabilité aide à la reproductibilité scientifique et à clarifier qui a validé chaque étape.
Les institutions et entreprises européennes doivent aussi intégrer la gouvernance des données et la protection des informations sensibles. Le RGPD ne transforme pas automatiquement l'usage d'un modèle en problème juridique, mais il impose de réfléchir aux données personnelles, à leur traitement et aux responsabilités associées. Selon les secteurs, la propriété intellectuelle, la confidentialité contractuelle et d'autres règles peuvent s'ajouter.
En pratique, le bon réflexe est de traiter l'IA comme un composant du processus de recherche, pas comme une boîte noire isolée. Il faut savoir quelles données elle reçoit, ce qu'elle produit, comment les résultats sont contrôlés, et qui assume la décision finale.
Conclusion
Les progrès décrits par les chercheurs du MIT montrent que l'IA prend de la place dans plusieurs disciplines théoriques. Ils ne prouvent pas que les modèles sont devenus des scientifiques autonomes. Ils indiquent plutôt que, dans des conditions bien délimitées, une part croissante du travail de résolution peut être assistée, voire automatisée.
Pour les laboratoires et les entreprises, la décision utile n'est ni de tout déléguer, ni de tout interdire. L'enjeu est d'identifier les tâches où l'IA apporte un gain mesurable, de garder une vérification proportionnée au risque, et de préserver la capacité humaine à interpréter les résultats. Commencez par un problème réel, mesurez le temps gagné après contrôle, puis seulement après décidez si l'usage mérite d'être élargi.
Pour le compte rendu original de l'Ă©tude, consultez l'article de WIRED sur l'IA et la recherche scientifique.