Data / IA
Dossier été 2026 : IA et R&D, des chercheurs augmentés et accélérés
Par Charlotte Mauger, publié le 04 septembre 2026
De l’analyse de données à l’aide à la rédaction, les cas d’usage se multiplient dans les laboratoires et montent en gamme progressivement. Même le rôle du chercheur évolue vers le pilotage des outils d’IA et la validation de leurs résultats.
SOMMAIRE DU DOSSIER :
L’ENTREPRISE AU(X) TEMPS DE L’IA
Dans les laboratoires, l’IA infuse désormais tout le processus de recherche, comme le souligne Audrey Kauffmann, directrice data science et biométrie chez Pierre Fabre Pharma R&D : « Notre ambition est de passer en revue chaque étape de la R&D et d’y déployer des approches et des solutions adaptées, afin d’optimiser systématiquement chacune d’entre elles. »
L’IA était déjà présente depuis plusieurs années, notamment en bioinformatique pour répondre à l’explosion des volumes de données scientifiques, explique Élodie Pronier, vice-présidente recherche biomédicale de la start-up Owkin : « Aujourd’hui, les chercheurs essaient de comprendre les maladies en accumulant beaucoup de data, qui procurent une vision à 360°. Assez naturellement, nous voyons dans l’IA une belle opportunité pour extraire de l’information de cette mine de données. »
Cette capacité à exploiter des volumes massifs d’informations a ouvert le champ des possibles : l’IA permet désormais d’interpréter des résultats (notamment d’essais cliniques) au-delà des approches statistiques classiques, de relier des informations longtemps cloisonnées, de faire de l’analyse d’images pour du contrôle qualité… « Ces approches deviennent un paradigme central de l’IA biomédicale, capable de révéler des signaux complexes à travers la fusion de modalités multiples et la création d’une vision unifiée du patient ou du mécanisme biologique », résume Audrey Kauffmann.
Optimiser le temps à la paillasse
L’arrivée récente de l’IA générative marque un nouveau tournant en accélérant les tâches de documentation et de rédaction : génération de rapports ou préparation de dossiers d’investissement, veille technologique et concurrentielle, recherche approfondie dans des bases de données… « L’IA réduit le temps passé sur l’ordinateur pour simplifier la vie des scientifiques et optimiser le temps à la paillasse », décrit Meritxell Orpinell, chez Benchling, qui fournit des plateformes adaptées aux entreprises de biotechnologie.
François Bougard, consultant R&D, nuance néanmoins : « Ces outils apportent une vision plus fine et plus complète des données. Toutefois, cela risque de brider un peu la créativité car si tout le monde utilise le même système, alors tout le monde aura un peu les mêmes idées. »
Le défi consiste donc à exploiter ces capacités sans uniformiser la pensée scientifique.
Ces premiers cas d’usage sont déjà en train de recomposer certains rôles existants. Les cabinets de conseil qui font de la veille technologique « risquent de voir leur valeur diminuer », anticipe François Bougard.
Idem pour les data scientists qui intervenaient en laboratoire, surtout les juniors.
En posant des questions en langage naturel, les chercheurs peuvent directement échanger avec des chatbots spécialisés dans leurs domaines, sans compétences techniques, ni intermédiaires. D’autant que l’émergence de systèmes agentiques capables d’orchestrer plusieurs outils d’IA de manière autonome, permet aux scientifiques de naviguer dans un écosystème technologique de plus en plus dense sans en maîtriser tous les détails techniques. Les chatbots deviennent ainsi les « copilotes » des chercheurs.
Élodie Pronier décrit ainsi l’outil agentique K-Pro développé par Owkin : « Comme un stagiaire ou un collègue avec des connaissances complexes, il soutient les chercheurs dans leurs décisions de recherches biomédicales, sans nécessiter des connaissances en codage. »
Élodie Pronier
Vice-présidente recherche biomédicale chez Owkin
« Comme un stagiaire ou un collègue avec des connaissances complexes, l’IA soutient les chercheurs dans leurs décisions de recherches biomédicales. »
Imaginer des molécules inédites
L’IA accompagne le processus de R&D dans toutes ses strates, même à forte valeur ajoutée. Dans la découverte de nouvelles molécules, cette transformation est particulièrement visible. Audrey Kauffmann explique : « Les technologies de conception générative permettent effectivement d’explorer l’espace chimique, c’est-à-dire d’imaginer des molécules inédites à partir de grandes quantités de données. »
Les plateformes actuelles sont capables de générer des architectures moléculaires, d’en évaluer la pertinence pour la cible visée et d’en anticiper la faisabilité. Le rôle du chercheur évolue : celui-ci ne conçoit plus seulement mais supervise, sélectionne, affine et valide les résultats de la machine. « L’IA joue donc un rôle d’accélérateur et d’orienteur, tandis que les chercheurs gardent le pilotage scientifique et la validation expérimentale », précise la directrice.
« On va de plus en plus passer d’une chimie conventionnelle à une chimie simulée », prédit François Bougard. Les progrès des systèmes d’IA dans la simulation de molécules vont réduire les expériences sur paillasse, permettant des économies de temps, des réductions de coûts et d’éviter des expériences sur les animaux. « Cela va limiter les effectifs. Nous devons avoir une réflexion de société sur la place du travail et celle de l’automatisation », continue-t-il.
Même si pour l’heure, en R&D comme ailleurs, les avis divergent quant à l’impact sur l’emploi : « Je ne pense pas que l’IA réduira le nombre de chercheurs. Elle automatise certaines tâches techniques ou répétitives, mais elle n’élimine pas les rôles scientifiques. Au contraire, l’IA renforce l’importance du jugement humain, de la créativité, de la conception expérimentale, de l’interprétation scientifique et des responsabilités réglementaires », estime par exemple Audrey Kauffmann.
Les profils plus complets seront peut-être ceux qui tireront leur épingle du jeu, « ceux avec une vision plus transversale de la technologie et de la science, ceux qui sauront utiliser les bons outils pour faire de l’IA au service de la science », précise François Bougard.
Tandis que d’autres rôles émergeront, pour pallier les limites de l’IA, comme la fiabilité de ses résultats : « Plus la tâche est complexe, plus il est difficile d’accorder sa confiance aux résultats de l’IA. C’est pourquoi beaucoup d’efforts sont fournis aujourd’hui autour des enjeux de confiance et de fiabilité », analyse Élodie Pronier. En particulier dans cette R&D pharmaceutique, où la qualité, la traçabilité et la conformité réglementaire sont critiques.
Audrey Kauffmann
Directrice data science et biométrie, Pierre Fabre Pharma R&D
« Notre stratégie IA est née au sein d’une équipe entièrement dédiée à la data science et à la biométrie de la R&D pharmaceutique Pierre Fabre. Nous travaillons au plus près des problématiques métiers, en interface directe avec les scientifiques, les cliniciens et les experts du développement. Nos connaissances approfondies de la découverte et du développement de médicaments, ainsi que des données qui y sont associées, combinées à une expertise éprouvée en sciences quantitatives, constituent un moteur naturel pour développer et déployer une stratégie IA pragmatique, alignée sur nos enjeux R&D et sur nos besoins opérationnels. La R&D pharmaceutique est un domaine très spécifique : les enjeux scientifiques, réglementaires, techniques et opérationnels sont bien distincts de ceux des fonctions corporate plus transverses. C’est précisément pour cela que nous avons développé notre propre stratégie IA interne, directement ancrée dans la réalité de la découverte et du développement de médicaments, et construite par des équipes qui en maîtrisent intimement les contraintes et les besoins. »
SOMMAIRE DU DOSSIER :
L’ENTREPRISE AU(X) TEMPS DE L’IA
{article ids = 101504]
{article ids = 99440]
