Trois annonces en quarante-huit heures, dans trois univers qui ne se croisent jamais : un chimiste des matériaux avancés, un fabricant d’arômes, un fonds public britannique. Derrière, le même assemblage logiciel. Et le même point de rupture, situé très loin des serveurs.
Trois secteurs qui s’ignorent, un montage identique
Syensqo fait tourner des agents d’IA qui produisent numériquement des millions de combinaisons moléculaires et en prédisent les performances ainsi que la durabilité. L’ensemble est ensuite ramené à une centaine de candidats, les seuls à partir en essais. Les cibles sont très concrètes : matériaux haute tension pour les infrastructures de centres de données, solutions d’étanchéité pour la fabrication de semi-conducteurs, fluides conçus pour le refroidissement par immersion directe.
DSM-Firmenich, de son côté, branche les modèles de Boltz, spécialiste de la modélisation biomoléculaire, sur sa base de données de récepteurs du goût et de l’odorat, avec l’ambition de dessiner une nouvelle génération de molécules olfactives et gustatives. À Londres, le fonds souverain britannique pour l’IA, doté de 500 millions de livres, place une partie de ses crédits dans une startup de recherche de médicaments.
Matériaux, arômes, principes actifs : un modèle propose, un filtre trie, un humain éprouve. Le schéma est rigoureusement identique d’un secteur à l’autre. Ce qui change, c’est le prix de la dernière étape.
Le calcul propose en heures, la paillasse tranche en mois
La moitié amont de cette machine obéit à l’économie du logiciel : une combinaison de plus coûte quelques cycles de GPU (les processeurs graphiques qui portent ces calculs), un million de combinaisons en coûtent un peu plus. Elle se parallélise, elle s’achète au serveur, elle s’améliore à chaque version de modèle. La moitié aval obéit à la chimie : il faut synthétiser, purifier, mesurer, recommencer.
Deux régimes de coût cohabitent dans la même phrase de communiqué. L’un s’effondre, l’autre ne bouge pas. Multiplier par mille le nombre d’hypothèses ne multiplie pas d’autant la capacité de la salle d’essais : la file d’attente se déplace d’un cran vers l’aval.
Le précédent est documenté ailleurs, à très grande échelle. Le modèle GNoME de Google DeepMind a proposé 2,2 millions de cristaux, dont 380 000 jugés stables ; le laboratoire automatisé branché derrière en a synthétisé 41 en dix-sept jours. Entre ces deux chiffres tient tout le problème que Syensqo et DSM-Firmenich vont rencontrer.
Mike Finelli, chez Syensqo, met en avant un autre bénéfice : explorer plus large et plus profond, plus vite, et rendre du temps aux scientifiques pour les problèmes d’ingénierie complexes. Le gain annoncé porte sur l’attention humaine, pas sur le débit des paillasses. Les chercheurs passeront moins de temps à choisir quoi tester ; ils n’en passeront pas moins à tester.
La base de récepteurs pèse plus lourd que le modèle
Boltz apporte des modèles ; DSM-Firmenich apporte sa base de récepteurs du goût et de l’odorat, et c’est elle qui sépare une molécule plausible d’une molécule qui sentira quelque chose. Syensqo, lui, ne demande pas à ses agents une structure élégante, mais une pièce qui tienne la haute température, la pureté, la tenue au plasma, l’attaque chimique, la stabilité dans la durée.
D’un côté un générateur de candidats, disponible pour tout le monde, de plus en plus performant et de moins en moins différenciant. De l’autre un jeu de contraintes mesurées, propriétaire, accumulé sur des décennies, impossible à télécharger. Le premier se remplace en changeant de fournisseur ; le second, non.
Finelli parle de « sommet de la pyramide » pour cette accumulation de critères et estime que ce sont désormais les matériaux avancés qui fixent les limites du possible. Il imagine une boucle : l’IA conçoit des matériaux qui améliorent l’infrastructure de l’IA, laquelle accélère à son tour la découverte de matériaux. La boucle est séduisante. Elle ne se referme que si la validation physique suit, et rien dans le dispositif actuel ne l’accélère.
Londres finance les hypothèses, pas les essais cliniques
Le dossier britannique rend l’asymétrie plus visible encore. L’argument avancé s’appuie sur des précédents réels : Insilico Medicine et Atomwise ont montré que l’IA pouvait identifier des composés prometteurs en quelques semaines là où il fallait auparavant des années. Identifier. Le reste du chemin, celui qui absorbe l’essentiel du calendrier et du budget d’un médicament, ne change pas de nature parce que la liste de départ est arrivée plus tôt.
La zone sensible est là. Supervision humaine, validation rigoureuse des résultats, prudence face à une dépendance excessive aux algorithmes : les réserves adressées à l’opération portent toutes sur l’aval, là où une erreur se paie en santé publique. Traduit en termes d’ingénierie, le filtre de validation devient l’organe critique du dispositif, et personne ne l’a encore industrialisé.
Un industriel qui signe ce genre de contrat gagnerait à demander autre chose que la taille de l’espace exploré : le taux de survie. Sur cent molécules sorties du générateur et jugées dignes d’un essai, combien ont tenu leurs promesses en conditions réelles ? Le chiffre existe forcément chez Syensqo comme chez DSM-Firmenich, puisqu’il conditionne le retour sur investissement de toute l’opération.
Aucun des trois acteurs ne l’a publié. Tant qu’il reste dans les tiroirs, ces partenariats documentent une capacité à proposer, et rien au-delà. Rendu public, il permettrait enfin de comparer trois secteurs qui ne paient pas un faux positif au même prix : un arôme raté finit à la poubelle, un principe actif raté se paie en essais cliniques.
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 →
