Un résultat scientifique ne vaut pas seulement par sa réponse. Il doit aussi permettre de retrouver les données utilisées, le code exécuté, l’environnement informatique et les décisions qui ont conduit à cette réponse. C’est précisément sur cette chaîne de preuves qu’Anthropic veut différencier Claude Science, son nouvel atelier de recherche assistée par intelligence artificielle.
Lancé en bêta le 30 juin 2026, le service ne se présente pas comme un nouveau modèle spécialisé. Il s’agit d’une application qui coordonne Claude, des bases scientifiques, des bibliothèques de calcul, des agents spécialisés et les ressources informatiques d’un laboratoire. Son objectif : accompagner une analyse depuis la recherche bibliographique jusqu’aux figures et au manuscrit, sans perdre l’historique qui permet de vérifier le travail.
Cette distinction est essentielle. Les assistants généralistes savent déjà résumer un article ou écrire du code. Claude Science tente de transformer ces capacités dispersées en un environnement de travail continu, adapté aux contraintes de la recherche. La promesse est ambitieuse : accélérer les tâches répétitives tout en rendant chaque production auditable. Mais une trace complète ne garantit pas, à elle seule, qu’une hypothèse, une donnée ou un calcul est scientifiquement juste.
Un atelier de recherche, pas un simple chatbot
Le quotidien d’une équipe scientifique est fragmenté. Une revue de littérature peut commencer dans PubMed, se poursuivre dans un gestionnaire bibliographique, puis déboucher sur un notebook Jupyter, un script R et un calcul envoyé sur un cluster. Les résultats passent ensuite dans un logiciel de visualisation avant d’être intégrés à un manuscrit.
Claude Science cherche à réunir ces étapes dans une même session. Le chercheur dialogue avec un agent coordinateur capable de décomposer une demande, d’appeler des outils et de déléguer certaines opérations à des agents spécialisés. Anthropic annonce plus de 60 compétences et connecteurs préconfigurés, principalement tournés vers la biologie : génomique, analyse unicellulaire, protéomique, biologie structurale et chimio-informatique.
L’application peut interroger des ressources comme UniProt, Protein Data Bank, Ensembl, ClinVar, ChEMBL ou Gene Expression Omnibus. Elle peut également exploiter les outils déjà validés par un laboratoire et transformer un pipeline interne en compétence réutilisable. L’enjeu n’est donc pas seulement d’obtenir une réponse en langage naturel, mais de faire circuler correctement les données entre des outils qui emploient des formats et des conventions différents.
Claude Science reste, au lancement, un produit orienté vers les sciences du vivant. Les exemples mis en avant par Anthropic concernent notamment l’analyse d’ARN unicellulaire, la conception de criblages CRISPR, la prédiction de structures protéiques et la sélection de cibles thérapeutiques. Le nom du produit suggère un périmètre très large, mais ses intégrations initiales révèlent une priorité claire pour la recherche biomédicale computationnelle.
La traçabilité devient une fonction du produit
La partie la plus intéressante de l’annonce n’est pas la génération de figures ou de textes. C’est la façon dont le système doit conserver leur provenance.
Lorsqu’il produit une visualisation, Claude Science associe au résultat le code exact, l’environnement logiciel, une description en langage courant et l’historique des échanges qui ont conduit à sa création. Un chercheur peut demander de modifier une échelle ou de retirer une grille ; l’agent doit alors changer le code sous-jacent, plutôt que retoucher uniquement l’image finale.
Cette logique transforme la figure en artefact scientifique, c’est-à-dire en résultat accompagné des éléments nécessaires à son inspection. Un graphique isolé peut masquer un filtrage discutable, une transformation oubliée ou une erreur d’unité. Le même graphique relié à ses données, à son code et à ses dépendances devient plus facile à contrôler et à reproduire plusieurs mois plus tard.
Anthropic ajoute un agent relecteur chargé d’examiner les citations, les nombres et la cohérence entre les figures et leur code. Il peut signaler une référence incorrecte, une valeur impossible à retracer ou une visualisation qui ne correspond pas au calcul annoncé. Cette seconde lecture automatisée est utile, mais elle ne constitue pas une validation indépendante : le producteur et le contrôleur appartiennent au même système technique et peuvent partager les mêmes angles morts.
Le produit permet aussi de dupliquer une session pour comparer deux approches. Cette fonction de bifurcation est bien adaptée à la démarche scientifique : une équipe peut tester deux méthodes de normalisation ou deux modèles sans détruire l’analyse d’origine, puis examiner précisément où leurs résultats divergent.
Du portable au supercalculateur sans changer de conversation
Les analyses scientifiques importantes ne tiennent pas toujours sur un ordinateur personnel. Replier une protéine, traiter un grand jeu de données génomiques ou explorer des millions de molécules peut nécessiter un cluster de calcul et plusieurs accélérateurs.
Claude Science peut travailler localement sous macOS ou Linux, se connecter à une machine distante par SSH ou utiliser le nœud de connexion d’un environnement de calcul haute performance. Anthropic indique que l’agent prépare le plan d’exécution et demande une autorisation avant d’accéder à de nouvelles ressources. L’utilisateur peut examiner ou révoquer les décisions avant l’envoi d’une tâche.
Le service s’intègre également à Modal pour obtenir du calcul à la demande. Selon Anthropic, il peut faire évoluer un travail d’un GPU à plusieurs centaines. Cette capacité ne rend pas le calcul invisible : elle déplace une partie de la préparation de l’environnement, de la soumission des tâches et de la récupération des résultats vers l’agent.
Pour les laboratoires, la localisation des données est un point déterminant. Anthropic affirme que les grands jeux de données sensibles peuvent rester sur l’infrastructure du laboratoire et que seul le contexte nécessaire à chaque étape est envoyé à Claude. Cette architecture peut limiter les transferts, mais chaque établissement devra vérifier concrètement ce qui quitte son réseau, la durée de conservation des informations, les journaux générés et les garanties applicables aux données de santé ou aux résultats non publiés.
BioNeMo fournit les instruments spécialisés
Claude Science s’appuie notamment sur le BioNeMo Agent Toolkit de Nvidia, annoncé une semaine plus tôt. Cette boîte à outils expose des modèles et des bibliothèques scientifiques sous forme de fonctions qu’un agent peut appeler.
Parmi les ressources citées figurent Evo 2 pour les séquences biologiques, Boltz-2 et OpenFold3 pour la modélisation de structures. Le rôle de Claude consiste alors à choisir l’outil, préparer des entrées valides, lancer le calcul et interpréter sa sortie dans un workflow plus large.
Cette organisation illustre l’évolution actuelle de l’IA scientifique. Le grand modèle n’est plus supposé contenir toute la connaissance ni effectuer seul tous les calculs. Il devient l’orchestrateur d’instruments spécialisés, de bases de données et de capacités de calcul. L’intérêt potentiel réside moins dans une réponse spectaculaire que dans la réduction des raccords manuels entre les étapes.
Ce modèle crée toutefois une nouvelle dépendance. Si une base change son schéma, si une bibliothèque est mise à jour ou si un modèle scientifique produit un résultat hors de son domaine de validité, l’agent doit le détecter. Une chaîne automatisée peut propager une erreur plus vite qu’un workflow manuel, surtout lorsque ses sorties intermédiaires paraissent plausibles.
Reproductible ne signifie pas nécessairement vrai
La reproductibilité répond à une question précise : peut-on refaire le calcul dans les mêmes conditions et obtenir le même résultat ? Elle ne prouve ni que les données sont représentatives, ni que la méthode répond à la bonne question, ni que l’interprétation est causale.
Un pipeline parfaitement traçable peut reproduire une erreur de sélection, une contamination entre jeux d’entraînement et de test ou une hypothèse biologique fragile. À l’inverse, une analyse pertinente peut être difficile à reproduire si son environnement a été mal documenté. Claude Science s’attaque surtout au second problème ; il ne supprime pas le premier.
Cette prudence est renforcée par les limites connues des grands modèles. Une étude publiée dans Nature en avril 2026 rappelle que les modèles peuvent produire des affirmations fausses mais plausibles et que les méthodes d’évaluation récompensant uniquement l’exactitude encouragent parfois la réponse hasardeuse plutôt que l’aveu d’incertitude. Les outils, la récupération documentaire et l’auto-vérification réduisent ce risque sans l’éliminer.
La communauté scientifique insiste d’ailleurs de plus en plus sur la transparence des systèmes multi-agents. Un éditorial de Nature Machine Intelligence souligne que leurs interactions, leurs rôles et leurs décisions doivent être documentés pour permettre une évaluation sérieuse. En science, l’agent relecteur ne doit donc pas devenir une boîte noire supplémentaire.
Les laboratoires devront évaluer le système comme un instrument
Claude Science est disponible en bêta pour les offres Claude Pro, Max, Team et Enterprise. Les administrateurs doivent l’activer pour les deux dernières. Anthropic ne publie pas encore, dans son annonce, de benchmark général démontrant la fiabilité du produit sur l’ensemble des disciplines ou comparant son travail à celui d’équipes humaines.
Les témoignages de partenaires montrent des usages possibles, mais ils ne remplacent pas une évaluation indépendante. Avant de confier à l’outil une analyse critique, un laboratoire devra construire ses propres tests : exactitude des citations, stabilité des résultats, respect des versions logicielles, capacité à signaler une donnée manquante, coût de calcul et fréquence des interventions humaines.
Les responsabilités doivent aussi rester explicites. Qui valide le choix d’un test statistique ? Qui contrôle qu’une base possède la bonne population de référence ? Qui signe une figure lorsque l’agent a écrit le code, choisi les paramètres et corrigé sa propre erreur ? La présence d’un journal d’activité facilite l’attribution, mais elle ne décide pas à la place de l’institution.
L’IA scientifique sera jugée sur ses preuves
Claude Science marque un changement de priorité. La compétition ne porte plus uniquement sur la capacité d’un modèle à répondre à une question scientifique. Elle se déplace vers l’intégration aux outils, la gestion du calcul et la qualité des preuves associées à chaque résultat.
Si Anthropic tient sa promesse, les chercheurs pourraient consacrer moins de temps à convertir des fichiers, reconstruire des environnements ou surveiller des tâches de calcul. Ce gain serait réel, notamment pour de petites équipes dépourvues d’ingénieurs spécialisés. Mais l’accélération augmente aussi le volume de résultats à contrôler.
Le meilleur usage ne consiste donc pas à traiter Claude Science comme un scientifique autonome. Il faut l’évaluer comme un nouvel instrument de laboratoire : calibré sur des tâches connues, surveillé sur les cas limites et intégré à un protocole où la décision scientifique reste humaine. Dans ce cadre, sa contribution la plus durable pourrait être moins la vitesse de réponse que l’obligation de montrer comment chaque réponse a été obtenue.
Références
- Anthropic, « Claude Science, an AI workbench for scientists », 30 juin 2026
- Nvidia, « BioNeMo Agent Toolkit Brings Accelerated AI to Life Sciences Researchers in Claude Science », 30 juin 2026
- Reuters, « Anthropic unveils Claude Science for scientific research », 30 juin 2026
- Nature, « Evaluating large language models for accuracy incentivizes hallucinations », 22 avril 2026
- Nature Machine Intelligence, « Multi-agent AI systems need transparency », 27 janvier 2026
