Une IA peut proposer dix mille molécules en une nuit. Aucune ne soigne personne tant qu’un bras robotisé ne l’a pas pipetée, incubée, mesurée. Anthropic a décidé d’aller chercher ce verdict elle-même : l’entreprise monte son propre laboratoire de biologie dans la région de San Francisco, où Claude pilotera des robots de paillasse à travers de vraies expériences.
Pourquoi une entreprise de modèles de langage aurait-elle besoin de centrifugeuses ? Parce que la découverte de médicaments ne bloque plus là où elle bloquait il y a dix ans.
Générer des hypothèses ne coûte presque plus rien
Pendant des décennies, le goulot d’étranglement de la recherche de médicaments se situait en amont : trouver des pistes crédibles demandait des années d’expertise. Les modèles d’IA ont fait sauter ce verrou. Proposer une cible, un anticorps candidat ou un protocole est devenu rapide et bon marché.
Le problème a simplement changé de place. Une hypothèse générée par un modèle reste une phrase plausible tant qu’elle n’a pas été confrontée à la matière, et la matière ne se laisse pas convaincre par un texte bien tourné. Un réactif mal dosé, une température mal réglée, et l’expérience échoue, quelle que soit l’élégance du raisonnement qui l’a précédée.
Un cuisinier le dirait autrement : écrire des recettes inédites est une chose, les réaliser avec des fours qui chauffent inégalement et des ingrédients qui varient en est une autre. Jusqu’ici, l’IA appliquée à la biologie écrivait surtout des recettes. Anthropic veut la faire passer derrière les fourneaux.
Comment un modèle de langage commande-t-il une pipette ?
Le dispositif repose sur deux briques déjà publiées par l’entreprise. La première, Claude Science, est un espace de travail IA conçu pour les chercheurs : l’endroit où l’on formule la question, où l’on conçoit l’expérience et où l’on interprète les résultats. La seconde, le Model Hardware Standard, sert à piloter les équipements de laboratoire.
Cette seconde brique en dit long sur la façon dont on construit un agent. Un modèle ne manipule rien directement : il émet des instructions. Pour qu’elles deviennent des gestes, il faut une couche de traduction standardisée entre le langage du modèle et les commandes des machines. Ce standard revendique ce rôle, sur le principe d’un protocole comme MCP (Model Context Protocol), qui relie un agent à des logiciels, mais appliqué ici à du matériel physique.
La boucle devient alors complète : Claude conçoit un protocole, les robots l’exécutent, les mesures reviennent au modèle, qui ajuste l’étape suivante. L’objectif affiché est de faire tourner ces cycles avec une intervention humaine minimale. Minimale, pas nulle : Anthropic précise qu’une supervision humaine reste obligatoire pour des raisons de sécurité. Google DeepMind mise sur la même boucle au Royaume-Uni, où son laboratoire automatisé doit associer Gemini à des robots capables de synthétiser et de tester des centaines de matériaux par jour.
Le laboratoire comme détecteur d’hallucinations
L’enjeu dépasse la biologie. Un modèle de langage peut halluciner une référence bibliographique sans conséquence immédiate : il faut qu’un humain vérifie pour s’en apercevoir. Un protocole halluciné, lui, se dénonce tout seul. Une étape impossible, une concentration absurde, un enchaînement incohérent, et le robot ne produit rien d’exploitable.
Le laboratoire fait donc office de juge, bien plus sévère que n’importe quel benchmark (banc d’essai standardisé). Il ne note pas la vraisemblance d’une réponse ; il dit si elle fonctionne. Pour un agent, l’épreuve est redoutable : elle mesure la capacité à enchaîner des décisions justes sur la durée, avec des erreurs qui s’accumulent au lieu de s’effacer.
Les équipes qui confient du code ou des processus métier à des agents IA connaissent déjà ce mécanisme. Un agent gagne en fiabilité quand on le branche sur un environnement qui lui renvoie un signal d’échec clair : des tests qui passent ou cassent, une API qui répond ou refuse. Anthropic transpose ce principe à la paillasse, où le signal d’échec prend la forme d’une plaque de culture restée vide.
Des anticorps pour les maladies sans traitement
Côté cibles, Eric Kauderer-Abrams, qui dirige la division sciences de la vie d’Anthropic, vise les maladies longtemps jugées « undruggable », c’est-à-dire pour lesquelles aucun traitement n’existe faute de cible exploitable. Il voit dans l’IA un moyen d’accélérer la conception d’anticorps complexes, capables d’atteindre plusieurs cibles à la fois.
Le choix colle à l’argument du laboratoire. Un anticorps multicible multiplie les paramètres à optimiser, donc les combinaisons à tester. Sur ce genre de problème, générer des candidats ne suffit plus : la vitesse des cycles expérimentaux fait la différence.
Anthropic prépare le terrain depuis le printemps. En avril, l’entreprise a racheté la startup Coefficient Bio pour environ 400 millions de dollars et fait entrer Vas Narasimhan, directeur général de Novartis, à son conseil d’administration. Le laboratoire prolonge cette montée en compétence.
Pas d’essais cliniques, pour l’instant
La limite est posée d’emblée : Anthropic ne mènera pas ses propres essais cliniques, du moins pour l’instant, afin de ne pas empiéter sur le terrain des laboratoires pharmaceutiques. L’entreprise se pose en fournisseur d’outils et de méthodes, pas en futur concurrent de ses clients.
Beaucoup reste à prouver. Eric Kauderer-Abrams le reconnaît lui-même : l’automatisation du travail de paillasse n’en est qu’à ses débuts. Rien n’indique encore quel degré d’autonomie les robots atteindront, ni quelle part des protocoles proposés par Claude franchira l’épreuve de la paillasse sans correction humaine. Ce taux de réussite sera l’indicateur à lire quand les premiers résultats sortiront, bien avant tout effet d’annonce sur une molécule.
Un agent qui réussit ses expériences dans un laboratoire réel apporterait une preuve de fiabilité qu’aucune démonstration logicielle ne peut offrir. Un agent qui échoue montrerait, tout aussi clairement, la distance qui sépare encore un modèle brillant d’un scientifique qui sait tenir une pipette.
Sources
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 16 évaluations
Faire appel à mes services →
