La découverte scientifique par l’IA d’Anthropic confrontée à une vérification humaine

Anthropic affirme que Claude a réalisé une découverte scientifique après qu’environ 950 agents d’IA ont exploré des données génomiques pendant 21 heures et identifié un système enzymatique inhabituel. La découverte scientifique par l’IA d’Anthropic est suffisamment réelle pour mériter l’attention, mais le mot « autonome » porte davantage de poids que ne l’autorise les preuves disponibles.

Claude a trouvé un agencement jusque-là non caractérisé de gènes et de séquences d’ADN répétées chez les bactériophages, des virus qui infectent les bactéries. Anthropic a baptisé ce système les transcriptases inverses associées aux réseaux, ou ARTs. Des scientifiques humains ont ensuite sélectionné cette piste, conçu ou mené les travaux en laboratoire, interprété les résultats et publié une prépublication non évaluée.

Cette répartition du travail est importante. Claude a fait davantage que résumer des articles ou répondre à une question ciblée d’un scientifique. Il a exploré des données biologiques brutes, écarté des milliers de candidats et mis en lumière un motif inattendu. Pourtant, les chercheurs d’Anthropic ont toujours apporté l’orientation de la recherche, l’infrastructure de laboratoire, le jugement et la validation physique.

Le résultat remet donc en cause deux récits simplistes. Il est plus solide que l’affirmation selon laquelle les modèles de langage ne font que remixer du texte, mais moins solide que l’idée d’un scientifique-machine indépendant. La description la plus claire est celle d’une recherche computationnelle dirigée par l’IA au sein d’un processus scientifique conçu par des humains.

Ce qu’Anthropic et Claude ont réellement trouvé

Claude a identifié une piste de recherche biologique crédible, et non une technologie d’édition génétique aboutie ou un mécanisme moléculaire entièrement expliqué.

Anthropic a annoncé cette découverte le 23 septembre 2026, parallèlement à la création d’un nouveau groupe de recherche en sciences de la vie et d’un laboratoire de biologie moléculaire. Selon l’entreprise, son laboratoire de la Bay Area réalise des travaux à risque réduit de niveau BSL-1 et BSL-2. Toutes les expériences physiques sont menées par des scientifiques humains.

Le projet a commencé par une instruction humaine générale. Les chercheurs d’Anthropic ont demandé à Claude d’explorer de grandes bases de données ADN afin d’y trouver des exemples intéressants de transcriptases inverses. Une transcriptase inverse est une enzyme qui copie l’ARN en ADN.

Anthropic a coordonné environ 950 agents Claude pendant une exécution computationnelle de 21 heures. Ensemble, ils ont utilisé environ 210 millions de tokens. Les agents ont recensé plus de 200 000 transcriptases inverses et identifié 3 500 systèmes candidats.

Ils ont ensuite réduit cette collection à 20 candidats pour une analyse plus approfondie et la production de rapports lisibles par des humains. Anthropic affirme que le travail équivalent d’exploration génomique pourrait occuper un scientifique expert pendant des semaines ou des mois.

Un agent s’est concentré sur une transcriptase inverse inhabituelle trouvée dans un phage géant. L’enzyme sous-jacente était apparue dans des recherches antérieures ; Claude n’a donc pas découvert la protéine elle-même. Sa contribution a consisté à reconnaître un agencement plus large que les chercheurs précédents n’avaient pas caractérisé.

À côté du gène de l’enzyme, Claude a repéré un gène partenaire et un réseau de répétitions d’ADN régulièrement espacées. Ces répétitions rappelaient une partie de l’architecture associée aux systèmes CRISPR.

CRISPR est un système naturel de défense microbienne que les scientifiques ont adapté en outils programmables d’édition génétique. Ses réseaux de répétitions contribuent à générer des guides ARN, qui dirigent les protéines associées vers des cibles génétiques particulières.

L’agencement ART comporte trois composants signalés : une transcriptase inverse, un gène accessoire adjacent et un long réseau de répétitions. Les premières expériences d’Anthropic indiquent que le réseau produit des molécules d’ARN courtes distinctes.

Cette observation rend ART scientifiquement intéressant. Elle soulève la possibilité que des molécules d’ARN guident ou influencent l’activité du système. Cependant, les chercheurs n’ont pas établi son rôle biologique naturel.

Anthropic ne sait pas ce qu’ART fait à l’intérieur d’un bactériophage ou d’une cellule bactérienne infectée. L’entreprise n’a pas démontré que les chercheurs peuvent programmer le système, le diriger vers un ADN sélectionné ou l’utiliser en toute sécurité.

La propre annonce de recherche de l’entreprise reconnaît cette lacune. Elle indique que le système possède des propriétés rappelant CRISPR, tout en précisant que sa fonction reste inconnue.

La prépublication technique qui l’accompagne n’avait pas achevé son évaluation par les pairs lorsqu’Anthropic a rendu le résultat public. L’évaluation par les pairs ne réglerait pas toutes les questions, mais elle exposerait les méthodes et les interprétations à des spécialistes indépendants.

Feng Zhang, professeur au MIT et pionnier de CRISPR, a examiné la prépublication avant l’annonce d’Anthropic. Il a qualifié l’association ARN-répétitions de « véritablement intrigante » et déclaré qu’elle méritait une étude plus approfondie.

Ce soutien est significatif, mais délibérément limité. « Intrigante » ne signifie pas utile, programmable ou validée comme mécanisme d’édition génétique. Cela signifie que ce motif mérite davantage d’expériences.

L’événement précis est donc plus restreint que ne le laisse entendre sa version médiatique. La découverte enzymatique de Claude a produit un nouveau système moléculaire candidat et des premiers éléments montrant que son réseau de répétitions est exprimé sous forme d’ARN. Son mécanisme et son utilité restent des questions ouvertes.

Pourquoi la découverte scientifique par l’IA d’Anthropic est importante

Le changement important n’est pas que le logiciel ait remplacé les scientifiques, mais qu’un système d’IA généraliste ait exercé un jugement utile dans le cadre d’une recherche biologique d’une ampleur inhabituelle.

La biologie computationnelle s’appuie sur l’automatisation depuis des décennies. Les chercheurs utilisent couramment des algorithmes pour comparer des séquences, regrouper des protéines, prédire des structures et identifier des gènes qui apparaissent ensemble.

Le rôle de Claude allait au-delà de l’exécution d’une seule analyse fixe. Selon Anthropic, les agents ont lu la littérature, reproduit des résultats connus, écrit du code, inspecté des voisinages génomiques, classé des candidats inhabituels et produit des rapports expliquant leur raisonnement.

Ce flux de travail a combiné plusieurs activités que les chercheurs séparent habituellement. Il a impliqué la recherche d’information, la programmation, l’examen statistique, la reconnaissance de motifs, la comparaison avec la littérature et l’argumentation scientifique écrite.

Un pipeline conventionnel peut effectuer nombre de ces étapes plus rapidement et de manière plus prévisible. Toutefois, les scientifiques définissent généralement à l’avance sa séquence, ses seuils et ses résultats. Claude a reçu un objectif plus large et a effectué des choix intermédiaires au cours de la recherche.

Cette distinction explique pourquoi le projet a attiré l’attention. Le système aurait décidé qu’une famille de transcriptases inverses méritait une enquête plus approfondie, inspecté l’ADN voisin et reconnu le réseau de répétitions.

Les agents ont également écarté la plupart des candidats. Sélectionner ce qu’il ne faut pas poursuivre est central dans le travail scientifique, car les bases de données biologiques contiennent d’innombrables corrélations et anomalies.

Anthropic affirme étudier les hypothèses générées par Claude que ses experts acceptent ou rejettent. L’entreprise utilise ensuite ces jugements pour améliorer les futures instructions, enseignant de fait au système certains aspects du discernement scientifique.

Cette approche déplace le goulot d’étranglement. Lorsque les logiciels peuvent générer des centaines de rapports plausibles, produire des idées devient plus facile. Décider quelles idées méritent du temps de laboratoire devient plus important.

Ce changement exerce également une pression sur les chercheurs et les concurrents de l’IA. Google DeepMind a établi le précédent le plus célèbre avec AlphaFold, qui prédit les structures des protéines à partir de séquences d’acides aminés. Son impact provenait de la résolution à grande échelle d’un problème scientifique défini.

Anthropic poursuit un modèle plus large. L’entreprise veut que Claude navigue entre la littérature, les données, les outils logiciels et le retour expérimental au sein d’un même flux de travail. Son atelier scientifique connecte Claude à plus de 60 bases de données scientifiques et systèmes de recherche spécialisés.

D’autres laboratoires explorent des méthodes apparentées fondées sur des agents. Des chercheurs de Stanford ont utilisé des groupes d’agents d’IA pour proposer et évaluer des stratégies de développement de médicaments. Le projet AI Scientist de Sakana AI a tenté d’automatiser des expériences d’apprentissage automatique et la rédaction d’articles.

Ces efforts varient considérablement en matière de qualité scientifique et d’autonomie. Ils signalent néanmoins une concurrence commune : quelle organisation peut relier des modèles capables à des données fiables, à une revue par des experts et à des expériences physiques.

La découverte scientifique par l’IA d’Anthropic compte également parce qu’elle a utilisé un modèle généraliste. Claude n’a pas été conçu exclusivement pour localiser des transcriptases inverses ou reconnaître une signature génomique particulière.

Les systèmes généralistes peuvent passer d’une tâche à l’autre sans nécessiter un nouveau modèle pour chaque question de recherche. Cette flexibilité attire les laboratoires dont les jeux de données, hypothèses et outils logiciels évoluent constamment.

Elle rend aussi l’évaluation plus difficile. Un modèle spécialisé peut être testé sur un benchmark défini. Un processus de recherche agentique comporte de nombreuses décisions, et sa réussite dépend en partie des prompts, des outils, des bases de données et de l’intervention humaine.

Les chiffres communiqués illustrent l’ampleur, mais pas l’efficacité. Faire fonctionner 950 agents pendant 21 heures paraît rapide comparé à des mois de travail d’experts. Pourtant, Anthropic n’a pas publié de comparaison économique complète avec un pipeline computationnel conventionnel.

Les décomptes de tokens ne révèlent pas les coûts totaux de calcul, le temps d’ingénierie, les campagnes infructueuses ni le travail nécessaire à la préparation des outils et des données. Anthropic souligne que la piste ART est issue d’un programme de recherche plus large, et non d’une conversation sans effort avec un chatbot.

La bonne leçon concerne donc la capacité de recherche. Claude semble pouvoir élargir le nombre de possibilités biologiques qu’une petite équipe d’experts peut examiner. Cela pourrait accélérer la découverte, même lorsque les humains conservent chaque décision conséquente.

Pour les scientifiques en activité, cela ressemble davantage à un groupe de recherche élargi qu’à un collègue indépendant. Les agents peuvent examiner des pistes en parallèle, tandis que les humains gèrent l’accès au laboratoire et décident quelles preuves comptent.

Les travailleurs du savoir hors de la biologie reconnaîtront ce schéma. L’IA devient la plus utile lorsqu’elle peut relier des informations dispersées, préserver le contexte et montrer son raisonnement afin qu’il puisse être examiné. Une base de connaissances IA soigneusement entretenue peut soutenir des flux de travail similaires et vérifiables, sans prétendre que le jugement humain a disparu.

Le véritable opposant est l’affirmation d’autonomie d’Anthropic

Le différend central ne porte pas sur la contribution de Claude, mais sur la question de savoir si cette contribution justifie d’affirmer qu’il a découvert le système « par lui-même ».

Anthropic décrit ce travail comme une découverte autonome réalisée avec seulement des orientations générales. Cette formulation reflète une avancée technique importante, mais elle condense une longue chaîne de choix humains.

Les chercheurs ont choisi les transcriptases inverses comme vaste domaine de recherche. Ils ont assemblé ou rendu accessibles les outils et bases de données pertinents. Ils ont construit l’infrastructure coordonnant de nombreuses sessions Claude.

Les humains ont également décidé quels résultats méritaient des ressources de laboratoire. Anthropic indique que les agents ont réduit la recherche à 20 candidats convaincants, mais l’examen par des experts est resté une partie du processus de sélection.

Après le filtrage computationnel, des scientifiques humains ont exprimé des protéines dans des souches de laboratoire et les ont caractérisées sur les plans biochimique et structurel. Ils ont interprété les résultats avec l’aide de Claude.

L’affirmation finale est née de ce partenariat. Claude a repéré le motif, mais des personnes ont déterminé que ce motif constituait un système potentiellement nouveau et méritait une publication.

Cela ne réduit pas Claude à un outil passif. Les microscopes ne choisissent pas où regarder, et les logiciels de recherche ordinaires ne rédigent généralement pas de plan d’enquête après avoir remarqué une anomalie.

Cependant, « de manière autonome » suggère une indépendance dans le choix des questions, la collecte de preuves, l’expérimentation, l’interprétation et la validation. Le workflow publié ne répond pas à cette exigence.

Un meilleur cadre distingue l’initiative de l’autonomie. Claude a fait preuve d’initiative dans le cadre d’une tâche délimitée, car il a sélectionné des étapes d’analyse et poursuivi un candidat inattendu. Il n’a pas établi indépendamment le programme de recherche ni complété la chaîne de preuves.

La découverte scientifique comporte également plusieurs seuils possibles. Identifier un motif non signalé en est un. Démontrer une fonction moléculaire reproductible en est un autre. Établir une valeur pratique est un seuil bien plus élevé.

Anthropic a franchi le premier seuil et commencé à s’approcher du deuxième. L’entreprise a identifié une organisation génétique auparavant non caractérisée et rapporté des preuves expérimentales indiquant que son réseau de répétitions produit de l’ARN.

Elle n’a pas montré ce que font ces molécules d’ARN. Elle n’a pas non plus montré qu’ART peut modifier des gènes, défendre un hôte, copier des séquences ciblées ou effectuer une autre opération programmable.

Cette distinction affaiblit les comparaisons avec CRISPR. Les séquences répétées d’ART présentent une ressemblance structurelle avec un réseau CRISPR, mais une similitude visuelle ou génomique ne démontre pas un comportement équivalent.

CRISPR n’est devenu transformateur qu’après des années de recherche établissant sa fonction et permettant aux chercheurs d’apprendre à le programmer. ART reste au début de ce parcours.

Les reportages indépendants ont reflété cette prudence. Une analyse de Nature a décrit le résultat comme un aperçu du nouveau laboratoire d’Anthropic, tout en soulignant que la fonction du système reste non résolue.

La découverte a également été présentée dans un préprint rédigé par des employés d’Anthropic. C’est une manière normale de partager une science précoce, mais cela signifie que l’institution à l’origine de l’affirmation commerciale sur l’IA a également produit les premières preuves scientifiques.

Une réplication indépendante réduirait ce conflit. Un autre groupe doit pouvoir retrouver la même famille ART, reproduire les résultats concernant l’ARN et tester le mécanisme proposé.

La question n’est pas de savoir si des scientifiques en entreprise peuvent mener des recherches valides. Ils le peuvent clairement. La préoccupation est que le positionnement produit puisse encourager un langage public plus affirmatif que ne le justifient les preuves sous-jacentes.

Présenter Claude comme un découvreur autonome sert l’argument commercial plus large d’Anthropic. L’entreprise vend Claude comme un système capable de prendre en charge un travail intellectuel long et complexe.

Un résultat scientifique crédible devient une preuve de capacité, un outil de recrutement et une démonstration pour les clients pharmaceutiques ou biotechnologiques. Cela ne rend pas la découverte fausse, mais relève le niveau d’exigence en matière de transparence.

Un compte rendu complet montrerait dans quelle mesure l’intervention humaine est présente à chaque étape. Il identifierait les prompts initiaux, les configurations d’outils, la méthode de classement, les critères humains de rejet et les essais de recherche infructueux.

Il comparerait également le workflow des agents à des références plus simples. Un pipeline conventionnel d’exploration génomique aurait-il pu trouver les mêmes répétitions avec moins de calcul ? Un doctorant formé utilisant des logiciels établis aurait-il classé ART de manière similaire ?

Sans ces comparaisons, le public peut évaluer la nouveauté, mais non l’efficacité relative. Claude a trouvé quelque chose d’intéressant, mais les preuves n’établissent pas qu’un essaim d’agents était la meilleure méthode disponible.

La découverte scientifique par IA d’Anthropic est plus défendable lorsqu’elle est décrite comme collaborative. Le modèle a apporté une recherche à grande échelle et une analyse flexible. Les scientifiques ont apporté les objectifs, l’infrastructure, les expériences physiques et la responsabilité épistémique.

Ce que la découverte de l’enzyme Claude n’a toujours pas prouvé

La plus grande incertitude est biologique, car personne ne connaît encore la fonction naturelle d’ART ni si sa structure inhabituelle possède une valeur pratique.

Le premier test est mécanistique. Les chercheurs doivent déterminer ce que copie la transcriptase inverse, comment les ARN dérivés des répétitions interagissent avec elle et quel rôle joue la protéine accessoire.

Ils doivent également identifier la finalité du système à l’intérieur des bactériophages. Il pourrait soutenir la réplication virale, modifier les défenses de l’hôte, enregistrer des informations, concurrencer d’autres virus ou exercer une fonction sans rapport.

Ces possibilités restent des hypothèses. Un réseau de répétitions voisin d’une enzyme est un indice fort, mais la biologie contient de nombreuses structures dont les fonctions diffèrent de leurs analogues superficiels.

Le deuxième test est la programmabilité. CRISPR est devenu utile parce que les chercheurs pouvaient rediriger son activité à l’aide de séquences d’ARN conçues. ART n’a pas démontré de ciblage comparable.

Les scientifiques devraient modifier une séquence répétée d’ART et montrer que ce changement redirige le système de manière prévisible. Ils devraient également mesurer l’exactitude, l’efficacité et les effets non intentionnels.

Le troisième test est la reproductibilité. Des laboratoires indépendants devraient confirmer que les produits ARN existent et que les composants fonctionnent ensemble comme un seul système.

Le quatrième test concerne l’étendue. Anthropic indique que les ART semblent se trouver principalement dans les bactériophages. Les chercheurs doivent établir à quel point cette famille est largement présente et comment ses variantes diffèrent.

Une découverte effectuée dans des données génomiques publiques peut être nouvelle même si les séquences sous-jacentes étaient déjà disponibles. La nouveauté scientifique provient souvent de la reconnaissance d’une relation que personne n’avait auparavant décrite.

Néanmoins, l’existence de données accessibles crée un test de réplication utile. Des équipes externes peuvent examiner les mêmes archives et déterminer si le motif résiste à des méthodes différentes.

Le cinquième test concerne le rôle de Claude lui-même. Anthropic devrait fournir suffisamment de détails pour permettre aux chercheurs de distinguer le raisonnement du modèle de la conception du pipeline et du parallélisme à force brute.

Environ 950 agents et 210 millions de tokens représentent un effort de calcul considérable. Le total peut encore se comparer favorablement au travail d’experts, mais Anthropic n’a pas fourni de mesure standardisée de productivité.

Le taux de réussite compte également. Un résultat intéressant ne peut révéler à quelle fréquence le même processus produit des candidats trompeurs. Un système qui génère de nombreuses histoires plausibles peut accroître le travail en laboratoire au lieu de le réduire.

Anthropic reconnaît que la plupart des candidats sont éliminés. Ses chercheurs étudient ce qui distingue les propositions valables des plus faibles, ce qui suggère que le problème de filtrage reste important.

Les modèles de langage peuvent produire des explications assurées pour des motifs accidentels. Les bases de données biologiques sont particulièrement vulnérables, car leur immense échelle rend les associations fortuites inévitables.

L’examen humain protège contre certains échecs, mais il peut introduire un biais de confirmation. Des chercheurs qui s’attendent à ce que des agents d’IA découvrent des systèmes inhabituels peuvent interpréter plus généreusement les motifs à la limite.

Des résultats négatifs transparents aideraient. Anthropic pourrait indiquer combien de campagnes n’ont produit aucun candidat viable, combien de tests en laboratoire ont échoué et à quelle fréquence les classements d’experts ont changé.

L’entreprise pourrait également publier des études d’ablation. Ces tests retireraient certaines parties du workflow afin de montrer si la planification des agents, l’accès à la littérature ou l’exécution parallèle ont créé l’avantage observé.

Le statut d’évaluation du préprint mérite une attention égale. L’évaluation par les pairs est imparfaite, mais les relecteurs peuvent identifier des travaux antérieurs négligés, des contrôles insuffisants et des interprétations alternatives.

La publication dans une revue scientifique ne validerait pas automatiquement l’affirmation d’autonomie d’Anthropic. Elle renforcerait toutefois l’argument biologique en faveur d’ART comme système véritablement nouveau.

Des recherches plus larges invitent également à la prudence concernant la créativité générale de l’IA. Une étude de 2026 menée auprès de milliers de scientifiques a constaté que les systèmes actuels peinaient à générer, dans toutes les disciplines, des idées que les experts jugeaient à la fois originales et utiles.

Cette évaluation par des scientifiques n’invalide pas le résultat ART. Elle montre pourquoi un cas réussi ne devrait pas devenir une affirmation universelle sur une science dirigée par les machines.

La biologie peut également mieux se prêter à la recherche agentique que les domaines nécessitant de nouvelles théories sociales ou une interprétation contextuelle. Les bases de données génomiques contiennent des archives structurées que les logiciels peuvent examiner de façon répétée et à grande échelle.

Le résultat pourrait donc représenter une réussite significative propre à un domaine, sans prouver une autonomie scientifique générale. Cette interprétation correspond aux preuves et préserve la réalisation.

Il existe également une tension en matière de sécurité. Les mêmes systèmes qui explorent les données biologiques à la recherche de mécanismes utiles peuvent réduire l’effort nécessaire pour étudier des mécanismes nocifs.

Anthropic a récemment renforcé et ajusté ses garde-fous autour du travail avancé en biologie. Des chercheurs légitimes ont parfois signalé que les filtres de sécurité interrompaient des questions scientifiques ordinaires.

L’entreprise fait désormais face à deux exigences concurrentes. Elle souhaite que Claude mène des recherches biologiques ambitieuses, tout en empêchant des utilisateurs externes d’appliquer des capacités similaires à des pathogènes dangereux.

ART provient lui-même de bactériophages, et non de virus qui infectent les humains. Anthropic affirme que son laboratoire ne manipule pas de pathogènes humains. Ces faits limitent le risque immédiat lié à ce projet.

La question plus large de la gouvernance demeure. Si les systèmes agentiques deviennent meilleurs pour proposer des expériences, les organisations auront besoin de contrôles fondés sur l’identité du chercheur, l’objectif du projet, les matériaux et l’accès au laboratoire.

Ce débat ne devrait pas éclipser le résultat scientifique, mais il doit figurer dans toute évaluation de l’échelle. Une génération d’hypothèses plus rapide crée davantage d’opportunités et davantage de candidats exigeant un examen responsable.

Trois signaux détermineront si l’affirmation résiste à l’examen

La prochaine phase doit remplacer le langage promotionnel par des preuves biologiques indépendantes, des workflows reproductibles et une productivité de recherche mesurable.

Le premier signal est un mécanisme ART vérifié. Les chercheurs doivent montrer ce que fait le système et expliquer comment sa transcriptase inverse, les ARN dérivés des répétitions et la protéine accessoire interagissent.

Un résultat convaincant renforcerait l’affirmation scientifique d’Anthropic même si ART ne devient jamais un outil médical. La découverte n’exige pas une commercialisation immédiate.

Une activité programmable augmenterait encore les enjeux. Si les scientifiques peuvent rediriger ART vers des cibles choisies, les comparaisons avec CRISPR gagneraient en substance.

L’incapacité à identifier un mécanisme cohérent affaiblirait le récit. ART pourrait rester une observation génomique valide tout en perdant son statut de découverte moléculaire majeure.

Le deuxième signal est la réplication indépendante. Un laboratoire non affilié devrait reproduire la découverte computationnelle et les expériences clés à l’aide de méthodes partagées ou d’outils équivalents.

La réplication mettrait à l’épreuve à la fois la biologie et le workflow. Elle pourrait révéler si Claude a trouvé un motif stable ou si la configuration interne d’Anthropic a façonné le résultat.

Les chercheurs externes devraient également rechercher des descriptions antérieures négligées. Les affirmations de nouveauté se resserrent souvent lorsque des spécialistes relient un nouveau résultat à des travaux antérieurs obscurs.

Une confirmation renforcerait l’argument selon lequel la découverte de l’enzyme Claude a apporté de nouvelles connaissances réelles. Une correction majeure montrerait pourquoi les préprints et les annonces d’entreprise nécessitent un traitement prudent.

Le troisième signal est la performance répétée à travers les projets. Anthropic a besoin de plus d’un candidat réussi pour démontrer une nouvelle méthode de recherche fiable.

Les rapports futurs devraient inclure le nombre total de campagnes, les hypothèses échouées, les taux de conversion en laboratoire, les heures humaines, l’utilisation de calcul et une comparaison avec les pipelines établis.

Ces mesures répondraient à la question pratique à laquelle sont confrontées les organisations de recherche. Les agents d’IA peuvent-ils produire davantage de découvertes validées par unité de temps d’expert, ou produisent-ils surtout davantage de matériel à examiner ?

Anthropic a déjà construit l’infrastructure environnante. Son groupe des sciences de la vie comprend des équipes travaillant sur la découverte de médicaments, les outils scientifiques et l’entraînement de modèles pour la biologie et la chimie.

L’entreprise s’est également associée à des institutions de recherche, dont l’Allen Institute et le Howard Hughes Medical Institute. Ces collaborations offrent des occasions de tester Claude en dehors du propre laboratoire d’Anthropic.

L’utilisation externe sera plus instructive qu’une nouvelle démonstration interne. Les scientifiques indépendants apportent des questions, des normes et des incitations différentes.

Les réactions des concurrents compteront comme éléments de preuve complémentaires. Google DeepMind, OpenAI, des entreprises spécialisées en biotechnologie et des laboratoires universitaires développent tous des systèmes de recherche assistés par l’IA.

Si plusieurs groupes commencent à faire état de découvertes reproductibles issues d’agents généralistes, ART apparaîtra comme un exemple précoce d’une transition plus vaste. Si des résultats comparables restent rares, il paraîtra plus exceptionnel.

Les lecteurs devraient éviter de considérer ce débat comme un choix entre fraude et autonomie totale. Les éléments disponibles étayent une position intermédiaire plus lourde de conséquences.

Claude semble avoir effectué un véritable travail d’analyse qui exigerait normalement des chercheurs formés. Des scientifiques humains contrôlaient toujours l’environnement de recherche et assumaient la responsabilité de chaque affirmation physique.

Cette organisation peut transformer la science sans produire un scientifique-machine travaillant entièrement seul. Les technologies les plus importantes modifient d’abord la division du travail avant d’en retirer les humains.

La découverte scientifique d’Anthropic par l’IA mérite donc l’attention pour ce qu’elle démontre aujourd’hui : des agents d’IA généralistes peuvent explorer des données biologiques, poursuivre des anomalies et générer des hypothèses prêtes à être testées en laboratoire.

Elle ne démontre pas encore une science indépendante, de la question à la conclusion validée. Le discours d’Anthropic va au-delà de ces preuves, en particulier lorsqu’il laisse entendre que Claude a agi seul.

La réponse pratique consiste à observer les expériences, pas les adjectifs. Recherchez un mécanisme ART défini, une réplication indépendante et des performances transparentes dans plusieurs programmes de recherche.

Les chercheurs et travailleurs du savoir devraient appliquer la même norme à leurs propres flux de travail avec l’IA. Conservez les sources, consignez les prompts et les décisions, rendez visibles les étapes incertaines et maintenez des personnes qualifiées responsables de la vérification.

ART deviendra-t-il un outil biologique programmable, ou restera-t-il un schéma intrigant découvert dans d’anciennes données ? Cette réponse importe, mais le flux de travail est soumis à une épreuve tout aussi importante. Anthropic doit montrer que Claude peut reproduire cette performance sous contrôle extérieur. D’ici là, la conclusion la plus solide reste prudente mais substantielle : Claude a contribué à produire une piste scientifique légitime, tandis que des humains ont encore transformé cette piste en science.