Cette semaine, la Maison-Blanche a signé les premiers chèques de sa « Genesis Mission » : cinq milliards de dollars répartis entre des centaines de projets scientifiques confiés à l’intelligence artificielle. La grille d’attribution qui accompagne ces versements est calquée sur celle d’un fonds de capital-risque, et c’est par là que le programme engage la décennie qui vient.
Une agence de financement qui raisonne comme un fonds d’amorçage
Le principe d’un portefeuille de startups tient en une phrase : on accepte que la quasi-totalité des paris échoue, à condition qu’un seul rembourse tous les autres. Multiplier les lignes devient alors une stratégie en soi, et la vitesse d’exécution compte autant que la qualité de chaque dossier. Cinq milliards saupoudrés sur « des centaines » de projets, c’est exactement cette arithmétique.
Le financement public de la recherche répond à un autre critère. Un comité de pairs ne classe pas les demandes par espérance de rendement : il juge la solidité de la méthode, la reproductibilité annoncée, la compétence de l’équipe. Lent, conservateur, parfois injuste. Mais l’arbitrage reste tenu par des gens capables d’expliquer pourquoi une piste tient debout.
Michael Kratsios, qui dirige le bureau des sciences et des technologies de la Maison-Blanche, a posé la hiérarchie sans détour : intelligence artificielle, robotique et nucléaire en tête, sciences du vivant reléguées derrière. On est passé de l’évaluation scientifique à l’allocation d’actifs.
Trier des hypothèses avec un modèle qui n’aime que le déjà-vu
Derrière l’étiquette « piloté par l’IA », l’opération est assez précise : produire des hypothèses en masse (molécules candidates, matériaux, protocoles), puis les classer avant d’engager des moyens expérimentaux. La génération ne coûte presque rien. Tout se joue sur le classement.
Or un modèle statistique attribue ses meilleurs scores à ce qui ressemble le plus à ce qui a déjà fonctionné dans ses données d’entraînement. C’est une machine à interpoler, redoutable en optimisation, structurellement myope face à la rupture. Les découvertes qui comptent commencent souvent par une hypothèse que tout le monde aurait classée en bas de pile, y compris un modèle bien calibré.
Des chercheurs consultés par la presse américaine formulent la crainte autrement : quelques percées majeures « enfouies sous des montagnes de slop », ce déluge de production générée sans valeur qui sature déjà le web, faute d’experts en nombre suffisant pour faire le tri. La contrainte se déplace donc de la production vers la validation. Vous pouvez centupler le nombre d’hypothèses ; vous ne centuplez pas le nombre de laboratoires capables de les réfuter.
Les éditeurs de modèles ont pris ce virage avant l’État : OpenAI a sorti GPT-Rosalind, un modèle taillé pour la biologie et la recherche de médicaments, et Anthropic a lancé Claude Science, un environnement de travail pour laboratoires. Les deux outillent la production d’hypothèses et l’analyse des données ; aucun ne finance les paillasses qui devront trancher.
L’horloge politique contre le temps long de la découverte
L’exécutif revendique une mobilisation « comparable au Projet Manhattan ». La référence dit tout du calendrier visé : un livrable unique, daté, sous contrainte militaire et cloisonnement. Manhattan n’a pas découvert la fission, il a industrialisé une physique déjà établie. Le programme savait ce qu’il cherchait.
La recherche fondamentale telle que Vannevar Bush l’a organisée après-guerre reposait sur l’hypothèse inverse : financer une base large sans savoir quelle piste paiera, ni quand. Cette patience était le mécanisme même du rendement. La remplacer par des jalons trimestriels revient à demander à un portefeuille de recherche de se comporter comme un produit.
S’ajoute une contrainte que le capital-risque ne connaît pas : un fonds a dix ans devant lui, une administration a un mandat. Les élections de mi-mandat de novembre 2026, puis la présidentielle de 2028, encadrent la fenêtre pendant laquelle Genesis devra montrer des résultats affichables. Ce calendrier pousse mécaniquement vers les projets dont le succès se photographie vite.
Deux sciences vont diverger selon le prix d’une réfutation
La première trajectoire est crédible et probablement déjà engagée. Partout où la vérification est automatisable et bon marché (chimie computationnelle, criblage de matériaux, repliement de protéines, conception de circuits), la boucle génération-simulation-test tourne en quelques heures pour un coût dérisoire. Là, un financement de type portefeuille fonctionne : les erreurs se détectent avant de coûter cher, et l’accélération pourrait être visible dès 2027.
La seconde concerne les domaines où réfuter coûte cher et prend des années : la biologie, les essais cliniques, les sciences de l’environnement. La génération d’hypothèses y sera multipliée sans que la capacité de test bouge d’un pouce. On y verra moins une accélération qu’un embouteillage, avec une littérature de plus en plus dense et de moins en moins vérifiée. C’est précisément la catégorie que Kratsios place en bas de sa liste, ce qui aggravera l’asymétrie plutôt que de la corriger.
Trois conditions diront laquelle des deux l’emportera. Que les crédits de validation (laboratoires automatisés, campagnes de réplication, temps d’expert) progressent au moins aussi vite que les crédits de génération. Que les critères de classement des modèles utilisés pour prioriser les projets soient documentés et auditables, faute de quoi personne ne pourra dire pourquoi telle piste a été écartée. Et que le dispositif survive à un changement de majorité, sous peine de laisser des centaines de projets à mi-parcours.
Le tri des hypothèses est devenu une fonction de l’État, exercée par des systèmes dont on ne connaît ni les biais ni les critères. Cinq milliards achètent beaucoup de calcul et beaucoup de conjectures. Regardez la deuxième tranche de crédits quand elle sera annoncée : la part qu’elle consacrera à réfuter, et non à produire, dira si Genesis finance une science accélérée ou une industrie de la supposition.
