Une IA qui rivalise avec les modèles des Centres américains de contrôle des maladies (CDC) pour prévoir les hospitalisations. Voilà la promesse de Google. Mais derrière la prouesse technique se cache un déplacement plus discret, et bien plus profond, du métier de chercheur.
Google Research a présenté en septembre un système baptisé ERA, pour Empirical Research Assistance (assistance à la recherche empirique). Son rôle ? Générer du code scientifique de niveau expert pour résoudre des problèmes concrets. Depuis, l’outil est sorti du laboratoire pour affronter le terrain. Et ce terrain raconte une autre histoire que celle de la simple automatisation.
Ce qu’ERA fait vraiment, au-delà de la démonstration
Sur le papier, le constat impressionne. D’après les travaux publiés par Google Research, ERA a trouvé des solutions inédites à six problèmes de référence, de la biologie cellulaire aux neurosciences. Mais l’essentiel n’est pas là. L’essentiel, c’est le passage de la preuve de concept à des cas réels : épidémiologie, analyse géospatiale, modélisation.
En santé publique, l’équipe a généré des prévisions d’hospitalisations pour la grippe, la COVID-19 et le virus respiratoire syncytial (VRS, ou RSV). Lorsque le défi de prévision de la grippe des CDC a ouvert en novembre pour la saison 2025-2026, Google a soumis chaque semaine des prévisions pour chaque État américain, jusqu’à quatre semaines à l’avance.
Le résultat ? Sur les classements publics tenus par Nicholas Reich, professeur de biostatistique à l’université du Massachusetts à Amherst, Google figure au sommet ou tout près. Une IA qui égale, voire dépasse, les outils des agences sanitaires de référence : la barre est haute.
Ne pas remplacer le scientifique, déplacer son travail
C’est ici que la lecture facile dérape. On voudrait y voir le chercheur mis sur la touche, l’algorithme aux commandes. La réalité est plus subtile, et plus exigeante.
ERA n’invente pas la question. Il ne décide pas du problème à attaquer, ni de l’hypothèse à tester. Il écrit le code qui, jusqu’ici, monopolisait des semaines de travail technique. Ce que l’outil libère, ce n’est pas le raisonnement scientifique : c’est l’exécution.
Le vrai changement de métier tient dans ce glissement. Le scientifique passe moins de temps à programmer un modèle, et davantage à formuler l’hypothèse en amont et à interpréter le résultat en aval. La compétence rare n’est plus la maîtrise d’un langage de programmation, mais la capacité à poser la bonne question et à juger une réponse.
L’interprétation, nouveau cœur du réacteur
Prenez la cosmologie. Les cordes cosmiques sont des défauts théoriques du tissu de l’espace-temps, supposés émettre un rayonnement gravitationnel. Calculer le spectre de cette énergie reste un problème non résolu : les équations qui le gouvernent contiennent des singularités, ces points où les valeurs filent vers l’infini et où les modèles classiques s’effondrent.
L’automne dernier, des travaux ont mobilisé GPT-5 d’OpenAI pour en obtenir une solution partielle. Partielle. Le mot compte. Une IA peut produire du code, explorer un espace de solutions, proposer une piste. Elle ne tranche pas seule sur la validité physique du résultat ni sur ce qu’il signifie pour la théorie.
Et c’est précisément ce que Google met en avant : aller au-delà de la modélisation en « boîte noire » pour viser des solutions interprétables, mécaniquement exactes. Autrement dit, des résultats qu’un humain peut comprendre, justifier, contester. L’interprétabilité n’est pas un confort. C’est ce qui distingue une découverte scientifique d’une corrélation chanceuse.
Pour qui orchestre l’IA, quelles leçons concrètes ?
Au-delà des laboratoires, le schéma parle à quiconque pilote l’IA au quotidien. Les compétences qui prennent de la valeur ne sont pas celles qu’on imaginait.
- Cadrer le problème : un outil puissant mal orienté produit vite du code élégant qui répond à la mauvaise question.
- Évaluer la sortie : savoir reconnaître une réponse plausible mais fausse devient une compétence centrale, pas un réflexe optionnel.
- Exiger l’interprétabilité : une prévision qu’on ne peut pas expliquer reste difficile à défendre, surtout en santé publique.
La démocratisation que vante Google a un revers honnête. Donner à un plus grand nombre l’accès à la modélisation numérique, c’est aussi multiplier les utilisateurs capables de lancer un calcul sans toujours pouvoir en juger la solidité. L’outil abaisse la barrière technique. Il ne remplace pas le discernement.
Reste une inconnue de taille. ERA brille sur des problèmes où une vérité existe — une courbe d’hospitalisations à comparer, un classement public à départager. Que vaudra-t-il sur les terrains flous, là où il n’y a ni classement ni réponse à confronter ? C’est sur ce sol mouvant, et non sur les tests de référence, que se jouera la vraie place de l’IA dans la science.
