Un gain de temps mesuré à plusieurs étapes de la recherche
MIT FutureTech a publié le 16 septembre une étude réalisée avec Google et Google DeepMind sur l’usage de l’intelligence artificielle en science. Les auteurs ont combiné trois sources : un échantillon de 15 millions d’interactions avec Gemini, un inventaire de plus de 2 600 modèles d’IA spécialisés et un sondage mené auprès de plus de 600 scientifiques aux États-Unis et au Royaume-Uni. Selon les réponses au sondage, les scientifiques utilisant l’IA déclarent économiser près de sept heures par semaine. Ce temps serait principalement réinvesti dans la recherche plutôt que transformé en réduction de la semaine de travail. Près de la moitié des scientifiques interrogés disent employer une forme d’IA chaque jour. Ces résultats constituent toutefois une observation préliminaire, et non la preuve qu’un outil d’IA donné ajoute automatiquement sept heures de productivité. Le chiffre repose sur des gains déclarés par les répondants. L’étude ne présente pas non plus de résultat propre au Canada, au Québec ou au travail scientifique en français.
Les modèles généralistes et spécialisés ne font pas le même travail
L’étude distingue deux familles d’outils complémentaires. Les grands modèles de langage sont notamment utilisés pour l’analyse générale, la programmation et la préparation de manuscrits. Les modèles scientifiques spécialisés servent davantage aux prédictions propres à un domaine, à la classification, à la production de données ou aux simulations. Un laboratoire pourrait, par exemple, employer un assistant généraliste pour expliquer un script, structurer une revue de littérature ou reformuler une méthode. Un modèle spécialisé pourrait ensuite prédire une propriété moléculaire ou classer des images médicales. Les auteurs ne concluent donc pas qu’un seul assistant peut remplacer l’ensemble des logiciels, des instruments et des compétences d’une équipe scientifique. Pour les organisations québécoises, cette distinction est pratique. L’achat d’un abonnement généraliste ne répond pas nécessairement aux besoins d’un laboratoire de génomique, d’un centre hospitalier ou d’une équipe en sciences du climat. Il faut déterminer quelle étape doit être accélérée, avec quelles données et sous quelle supervision.
Le goulot d’étranglement se déplace vers la validation
Le résultat le plus instructif n’est peut-être pas le temps gagné, mais l’endroit où le travail s’accumule ensuite. D’après les auteurs, l’IA facilite la formulation et l’exploration d’idées, ce qui augmente le nombre d’hypothèses en attente d’être testées. La vérification des résultats, les expériences physiques et la validation clinique demeurent plus lentes. Une équipe peut ainsi produire rapidement dix pistes de recherche sans disposer de davantage de microscopes, de participants, de techniciens ou de plages d’utilisation d’un équipement. L’IA accélère alors l’entrée du pipeline, mais pas nécessairement sa sortie. Les scientifiques interrogés signalent également une demande importante de validation des productions générées. Les auteurs parlent donc d’un déplacement des contraintes, et non de leur disparition. Pour une direction de recherche, mesurer seulement le nombre de textes, de scripts ou d’hypothèses produits donnerait une image incomplète. Il faut aussi suivre les délais de reproduction, le taux d’erreur détecté, la disponibilité des instruments et le nombre de résultats effectivement confirmés.
Des conséquences concrètes pour la recherche québécoise
Au Québec, cette publication peut servir de guide pour concevoir des projets pilotes plus réalistes dans les universités, les hôpitaux, les entreprises biotechnologiques et les centres de recherche appliquée. Une équipe devrait observer tout le parcours d’une tâche, depuis la demande soumise au modèle jusqu’à l’approbation humaine et à la validation expérimentale. Si un assistant réduit de trois heures la préparation d’une analyse, mais ajoute deux heures de vérification à un chercheur principal, le gain net n’est pas celui affiché par l’outil. À l’inverse, un modèle spécialisé qui automatise une classification répétitive et dont les erreurs sont faciles à repérer pourrait libérer une capacité réellement utile. Le contexte linguistique mérite aussi un test distinct. Le sondage scientifique porte sur les États-Unis et le Royaume-Uni; il ne permet pas de conclure que la qualité, le vocabulaire spécialisé et les gains de temps seront identiques en français québécois. Les établissements devraient donc inclure des documents, des consignes et des évaluateurs francophones dans leurs essais plutôt que d’extrapoler directement les résultats anglophones.
Une étude utile, mais pas un verdict sur la productivité
Google a présenté ces travaux dans le cadre de son projet AI and Economy ATLAS, qui vise à observer les usages de l’IA dans les professions et la vie quotidienne. L’entreprise a également lancé une expérience interactive donnant accès à des données agrégées sur l’adoption selon les métiers et les régions. Comme une partie de l’analyse repose sur les interactions avec Gemini, les résultats décrivent d’abord l’écosystème du fournisseur qui produit l’étude. Cette limite n’annule pas les constats, mais elle impose de les interpréter avec prudence. Les comportements observés avec Gemini ne représentent pas nécessairement tous les outils, tous les laboratoires ni toutes les disciplines. De même, un gain de temps déclaré ne constitue pas encore une mesure directe du nombre de découvertes, de publications reproductibles ou de traitements validés. L’étude fournit surtout une hypothèse de gestion solide : lorsque l’IA accélère une étape, les ressources nécessaires aux étapes suivantes doivent être ajustées. Pour les organisations québécoises, le bon indicateur ne sera donc pas seulement la vitesse de génération, mais la capacité de transformer cette vitesse en résultats vérifiés.
