Le système ERA de Google DeepMind réécrit automatiquement le code scientifique, améliorant l'analyse des données
ERA utilise une recherche arborescente basée sur un LLM pour optimiser les logiciels. Le système a créé 14 modèles de prévision des hospitalisations liées au COVID-19 qui ont surpassé l'ensemble CDC CovidHub, réduisant le temps de développement de semaines à heures.
Le système ERA (Evolving Research Agent), publié le 19 mai 2026 dans Nature aux côtés de Co-Scientist, aborde un problème rarement évoqué dans le milieu académique : la science moderne est freinée non par un manque d'idées, mais par une incompétence computationnelle. La plupart des codes scientifiques sont écrits par des personnes dont l'expertise principale est la biologie ou la médecine, et non le génie logiciel. Il en résulte des retards critiques dans le traitement des données, des erreurs de reproductibilité et des années passées à déboguer des scripts. ERA est un développeur IA autonome qui prend en charge la dernière tâche de routine des scientifiques : écrire et optimiser le pipeline computationnel. Et cela change l'économie de la recherche plus fondamentalement que n'importe quel générateur d'hypothèses.
Le cœur : automatiser le dernier kilomètre de la méthode scientifique
ERA est un agent LLM qui prend une tâche scientifique formulée en langage naturel et parcourt le cycle complet, de la conception de l'architecture du code à l'exécution, au débogage et à l'optimisation. Le système utilise une recherche arborescente, explorant des centaines de variantes d'implémentation et sélectionnant la meilleure en fonction de métriques données. Ce n'est pas un autocomplétion d'IDE ou une génération statique de scripts. C'est un agent qui améliore itérativement le code, lit les messages d'erreur, corrige les bugs et réécrit des modules entiers sans intervention humaine.
Démonstration clé : ERA a créé 14 modèles de prévision des hospitalisations liées au COVID-19 pour le Défi de prévision des décès et des hospitalisations. Résultat : il a surpassé l'ensemble CDC CovidHub, auparavant la référence en matière de prévision basée sur des dizaines d'équipes d'experts. Le temps de développement est passé de semaines à heures.
Chronologie et contexte : trois vagues d'automatisation de la science
L'automatisation de la science a traversé trois étapes. La première vague a été celle des laboratoires robotiques comme Emerald Cloud Lab, qui ont remplacé les mains des techniciens de laboratoire. La deuxième vague a été celle des générateurs d'hypothèses IA comme Co-Scientist et Robin, qui ont remplacé certaines fonctions des directeurs de recherche. ERA représente la troisième vague : remplacer les biologistes computationnels et les data scientists. L'écart entre l'hypothèse et le résultat, auparavant comblé par des mois de codage manuel, se réduit désormais à quelques heures.
Ce n'est pas un lancement aléatoire. DeepMind a synchronisé la sortie d'ERA avec celle de Co-Scientist, créant une plateforme intégrée : un agent génère une hypothèse, l'autre conçoit immédiatement une expérience pour la tester et écrit le code pour l'analyse des données. Ensemble, ils bouclent le cycle complet de la découverte scientifique sans intervention humaine aux étapes intermédiaires.
Qui gagne et qui perd
Les gagnants sont tous les laboratoires dont le goulot d'étranglement est le traitement computationnel des données. La recherche en génomique, la modélisation épidémiologique, la biologie structurale, les essais cliniques avec de grands ensembles de données de patients – partout où un postdoc était embauché pour 2 ans à 60 000–80 000 $ par an, ERA peut désormais être déployé. Économies sur un seul poste : jusqu'à 200 000 $ sur deux ans, y compris les avantages sociaux et les frais généraux universitaires.
Les gagnants sont les pays avec de petits budgets scientifiques et une pénurie de programmeurs qualifiés. Si ERA démocratise les méthodes computationnelles, un groupe d'une petite université en Afrique ou en Asie du Sud-Est pourrait rivaliser avec le MIT en matière de qualité d'analyse des données – à condition d'avoir accès aux ressources de calcul.
Les perdants sont les bioinformaticiens de niveau intermédiaire. L'industrie se divise : les spécialistes de haut niveau créant de nouveaux algorithmes resteront demandés ; ceux dont le travail consistait à 80 % à écrire des scripts pour le traitement RNA-seq et à tracer des graphiques deviennent redondants. Les perdants sont les plateformes comme Galaxy Project et Nextflow – si un agent écrit du code à la volée, le besoin d'environnements de pipeline visuels chute fortement.
Ce que les médias omettent
Le premier point non évident est le problème de l'honnêteté statistique. ERA utilise une recherche arborescente avec optimisation basée sur des métriques données. Si l'objectif est « minimiser l'erreur de prévision », l'agent cherchera honnêtement le modèle qui donne le meilleur score. Mais dans la science réelle, les chercheurs choisissent inconsciemment ou consciemment des métriques qui confirment leur hypothèse. ERA manque de ce biais, mais manque aussi d'intuition scientifique – il pourrait trouver un motif qui prédit parfaitement les données passées mais est complètement inutile pour l'avenir. Le surapprentissage à l'échelle industrielle, intégré dans la fonction de récompense, est un risque dont on ne parle pas.
Le deuxième point concerne le code en tant qu'artefact. Le code scientifique n'est pas seulement un outil pour obtenir des résultats ; il fait partie de la méthodologie reproductible. Si ERA génère des milliers de lignes de code en quelques secondes, comment l'évaluation par les pairs peut-elle vérifier son exactitude ? Le système d'évaluation actuel n'est pas conçu pour auditer des pipelines générés automatiquement. Il y a un risque que dans 2 à 3 ans, la plupart des articles computationnels contiennent du code que personne – y compris les auteurs – n'a lu ou compris.
La troisième idée concerne la stratégie de Google. ERA et Co-Scientist ne sont pas seulement des projets de recherche ; ce sont des démonstrations de capacités pour les clients corporatifs de Google Cloud. Chaque exécution d'ERA est une facture pour les TPU et Vertex AI. L'accès gratuit via Google Labs est un appât. Une fois qu'un laboratoire devient dépendant des agents DeepMind, le coût de migration vers une autre plateforme devient prohibitif. Google construit non pas un outil pour la science, mais un entonnoir de vente pour les services cloud avec des contrats annuels commençant à 100 000 $ par laboratoire.
Prévisions : 30 jours et 90 jours à venir
Dans les 30 prochains jours, je m'attends à des dizaines de prépublications où les auteurs tentent de reproduire ou de contester les résultats d'ERA sur des ensembles de données indépendants. La question clé à tester : ERA a-t-il surpassé l'ensemble CDC CovidHub en raison d'une supériorité architecturale, ou l'agent a-t-il trouvé un artefact statistique dans les données, exploitant des faiblesses spécifiques du benchmark ?
Dans une perspective de 90 jours, une scission dans les politiques des revues scientifiques se produira. Nature, ayant déjà investi du capital de réputation dans les scientifiques IA, acceptera des articles où la partie computationnelle a été réalisée par ERA, à condition que l'utilisation de l'agent soit divulguée. Les revues plus conservatrices imposeront un moratoire sur le code généré par l'IA jusqu'à ce que des normes d'audit soient développées.
La prévision principale est l'émergence de la première startup entièrement construite autour de l'API DeepMind. Une équipe de trois personnes – un biologiste, un clinicien et un chef de produit – pourra effectuer un travail qui nécessitait auparavant un laboratoire de 15 à 20 personnes. Le cycle « hypothèse Co-Scientist → code ERA → publication » passera de 12 à 18 mois à 2 à 4 semaines. Ce n'est pas une utopie, mais une conséquence directe de l'architecture que Google a déployée le 19 mai 2026. La science ne sera plus jamais la même – et la seule question est de savoir si les institutions s'adapteront à la vitesse fixée par ces systèmes ou seront emportées par la vague des découvertes assistées par l'IA.
— Editorial Team
