Publié le 16 octobre 2026 · Publication originale
Des microbiologistes connaissaient déjà la réponse. Elle n'était pas encore publiée.
Ils demandent à Co-Scientist, le système multi-agents de Google construit sur Gemini, pourquoi certains éléments génétiques mobiles appelés cf-PICIs circulent entre différentes espèces bactériennes.
Deux jours plus tard, l'hypothèse classée première par l'IA correspond au mécanisme établi indépendamment par l'équipe humaine: les cf-PICIs interagissent avec différentes queues de phages pour élargir leur gamme d'hôtes.
Nature publie l'étude sur Co-Scientist le 19 mai 2026.
Le système ne se contente pas de résumer la littérature. Un Supervisor distribue les tâches à des agents spécialisés de génération, réflexion, classement, évolution, proximité et méta-revue. Les hypothèses sont débattues puis classées dans un tournoi.
Google teste aussi le système sur la leucémie aiguë myéloïde.
À partir d'un espace de 2.300 médicaments approuvés et 34 cancers, des oncologues examinent les propositions. Cinq candidats sont testés in vitro; trois réduisent la viabilité de cellules AML.
Dans une expérience distincte sur des candidats sans preuve préclinique antérieure, KIRA6 présente un IC50 de 10 nM sur la lignée KG-1a contre 180 nM sur la lignée non AML TK6: un écart de 18 fois.
Ce n'est pas un traitement découvert.
Une lignée cellulaire n'est ni une validation préclinique complète ni une preuve d'efficacité chez l'humain. Les auteurs parlent d'un "biological reality check".
ULTRA® | UNE IA PEUT SE CRITIQUER SANS ÊTRE INDÉPENDANTE D'ELLE-MÊME
Dans cette étude, tous les agents reposent sur des modèles Gemini 2.0.
Génération, critique et classement peuvent donc partager des biais de modèle, des sources manquantes ou une erreur présente dans la littérature.
Le débat multi-agents améliore le filtrage. Il ne remplace pas une validation indépendante.
La gouvernance scientifique doit séparer génération de l'hypothèse, expérience capable de la réfuter, réplication indépendante puis validation clinique lorsque celle-ci devient pertinente.
LI!GHT WORKFORCE ©
Le laboratoire change aussi de structure.
Revue de littérature, génération d'hypothèses et classement des pistes peuvent être distribués entre agents. Le chercheur humain se déplace vers la formulation du problème, le choix du test qui pourrait faire échouer l'idée et la décision de poursuivre.
Dans une light workforce scientifique, automatiser la production d'hypothèses sans renforcer la contradiction accélérerait aussi les erreurs.
DULCAMARA
La vitesse avec laquelle une idée apparaît ne mesure pas la force de la preuve qui lui permettra de survivre.
Sources 2026
Gottweis et al., Nature, 19 mai
Google DeepMind, Co-Scientist, 19 mai
#AgenticAI #ResearchIntegrity #ScientificGovernance #AIGovernance #VOCEAssociation