L’IA « agentique » appliquée au calcul scientifique a franchi une étape très concrète mardi, lorsque OpenAI a publié un rapport de terrain montrant comment des chercheurs ont utilisé des agents de codage IA pour condenser en quelques jours des travaux logiciels scientifiques qui prenaient auparavant des mois.
Le rapport documente des déploiements réels en génomique et, plus largement, en biologie computationnelle, où des tâches qui s’étalaient sur 18 mois ont été bouclées en environ une semaine.
OpenAI y voit la preuve que l’IA agentique est déjà en train de remodeler les processus de découverte scientifique : non pas une promesse lointaine, mais une capacité opérationnelle, utilisée sur le terrain.
IA agentique et calcul scientifique : ce que montre réellement le rapport d’OpenAI
Le cœur du rapport porte sur l’usage d’IA agentique en calcul scientifique, avec des résultats chiffrés. Des scientifiques travaillant sur des pipelines de génomique ont mobilisé des agents de codage IA pour moderniser des logiciels scientifiques hérités, à une vitesse qui aurait paru inconcevable il y a deux ans.
Un cas emblématique décrit dans le rapport concernait un chantier de modernisation logicielle estimé à 18 mois d’ingénierie. Avec des agents de codage IA, le même travail a été achevé en une semaine.
Ce facteur dix, soit une réduction d’environ 90 %, ne tient pas simplement à une écriture de code plus rapide.
Il traduit un changement complet de modèle organisationnel. Les agents ne se sont pas contentés d’autocompléter des lignes de code.
Ils ont lu l’ensemble du code existant, repéré les parties obsolètes, proposé des réécritures, testé les résultats puis itéré, avec un minimum d’interventions humaines entre les étapes. Les scientifiques fixaient les objectifs, sans devoir spécifier chaque action intermédiaire.
C’est ce qui distingue un agent IA d’un simple assistant de codage.
Un copilote suggère la prochaine ligne. Un agent planifie une tâche en plusieurs étapes, l’exécute sur toute une session, contrôle sa propre production et la révise lorsque les résultats sortent des plages attendues.
Le rapport d’OpenAI constitue l’un des témoignages publics les plus détaillés de ce que cela donne, concrètement, dans une institution de recherche.
Pourquoi la génomique a servi de terrain d’essai aux agents de codage IA
La génomique est un terrain naturel pour l’IA agentique pour des raisons structurelles. La discipline repose sur des logiciels anciens, parfois vieux de plusieurs décennies, écrits en Fortran ou en C par des scientifiques qui privilégiaient la justesse des résultats à la maintenabilité du code.
Cette dette technique s’accumule. Moderniser un pipeline de génomique exige en principe des ingénieurs maîtrisant à la fois la biologie et l’architecture logicielle.
Cette double compétence est rare, donc coûteuse.
Les agents de codage IA contournent ce goulot d’étranglement. Ils peuvent lire la documentation dans plusieurs langages de programmation, interpréter des commentaires scientifiques enfouis dans du vieux code, et générer des équivalents modernes sans exiger des années de formation métier.
Le goulot d’étranglement se déplace : il ne s’agit plus de trouver « le bon profil », mais de formuler « le bon cahier des charges ». Et ce problème-là est beaucoup plus simple à résoudre.
À lire aussi : Attaques « crypto wrench » : 52 cas en six mois, la plupart en France
Le rapport d’OpenAI aborde aussi l’accélération de la découverte scientifique au-delà de la seule modernisation logicielle.
Des agents capables de faire tourner un code plus rapide, dans des pipelines plus propres, sur des jeux de données plus volumineux, produisent des résultats plus vite. En génomique, cette rapidité se traduit par une identification plus précoce de variants génétiques, une validation accélérée de cibles thérapeutiques et des délais raccourcis entre hypothèse et confirmation expérimentale.
L’avantage de vitesse se cumule dans le temps.
Comment la prudence de Sam Altman s’articule avec cette accélération
La publication du rapport intervient le même jour où Sam Altman, directeur général d’OpenAI, confiait à TechCrunch que l’entreprise pourrait devoir « ralentir le rythme du développement de l’IA pour laisser au monde le temps de s’y préparer ». Cette tension mérite d’être explicitée.
Une entreprise qui publie à la fois des preuves que ses agents de codage compressent des projets scientifiques de 18 mois en une semaine, et qui suggère que le monde n’est peut-être pas prêt pour la suite, ne se contredit pas.
Elle décrit la même réalité sous deux angles.
Le rapport de terrain documente la capacité. Le commentaire d’Altman reconnaît les conséquences.
Les deux sont exacts. La question non tranchée reste de savoir qui fixera réellement le tempo : les laboratoires, les régulateurs ou les chercheurs qui font déjà tourner ces agents au cœur de pipelines de génomique en production.
D’une curiosité de labo à une infrastructure scientifique
La tendance de fond, c’est que les agents de codage IA en calcul scientifique ne sont plus de simples objets d’évaluation : ils sont en phase de déploiement.
Le document d’OpenAI est un rapport de terrain, pas un article académique. Cette nuance est cruciale.
Un article de recherche décrit ce qui est possible en conditions contrôlées. Un rapport de terrain relate ce qui s’est réellement produit lorsque des scientifiques ont utilisé de vrais outils sur de vrais problèmes, en mesurant les résultats.
Historiquement, le calcul scientifique accusait un retard par rapport au logiciel grand public dans l’adoption de nouveaux outils.
La compression de 18 mois à une semaine mise en avant par OpenAI suggère que cet écart se referme bien plus vite que ne l’anticipaient la plupart des institutions. Les laboratoires et universités qui n’ont pas encore audité leurs bases de code historiques pour y introduire une modernisation assistée par agent se retrouvent désormais en retrait par rapport à leurs pairs.
Le cas de la génomique n’est d’ailleurs pas propre à la biologie.
Chimie computationnelle, modélisation climatique, astrophysique, science des matériaux : toutes ces disciplines reposent sur des bases de code vieillissantes, avec des pools de mainteneurs tout aussi réduits. Les dynamiques qui ont fait de la génomique un premier terrain d’adoption s’appliquent à l’ensemble des sciences fortement consommatrices de calcul.
Ce qu’OpenAI a documenté dans un domaine est vraisemblablement réplicable dans une multitude d’autres.
À lire ensuite : Le portefeuille Sparrow sur l’App Store d’Apple était un faux : 1,8 M$ envolés