L’IA ferait gagner sept heures aux scientifiques, puis déplacerait le goulot
Le 15 septembre 2026, Google a publié une étude menée avec Google DeepMind et MIT FutureTech sur l’usage de l’intelligence artificielle dans la recherche. Selon l’annonce consacrée à AI & Economy ATLAS, les scientifiques interrogés estiment gagner presque sept heures par semaine, mais les contraintes se déplacent vers l’expérimentation physique et la validation clinique.
Ce chiffre ne provient ni d’un suivi des horaires ni de l’analyse des conversations avec Gemini. Il s’agit d’une estimation rétrospective fournie par des chercheurs américains et britanniques. Elle mesure donc un gain de temps perçu, pas une hausse observée du nombre de découvertes, de publications ou de résultats reproductibles.
Les sept heures reposent sur une déclaration
Le rapport primaire AI in Science combine trois ensembles distincts : environ 15 millions d’interactions désidentifiées issues de Gemini App, AI Mode et de l’API Gemini, un inventaire de plus de 2 600 modèles scientifiques spécialisés et une enquête auprès de 637 scientifiques actifs aux États-Unis et au Royaume-Uni. Dans cette dernière, le gain net moyen déclaré atteint 6,9 heures par semaine.
Les trois volets ne mesurent pas la même chose. Les interactions servent à repérer les usages scientifiques probables des services de Google, tandis que l’inventaire décrit la diffusion de modèles spécialisés. Seule l’enquête interroge directement les chercheurs sur le temps gagné ou perdu.
Cette distinction empêche d’attribuer les sept heures aux seuls outils Gemini. La définition proposée aux répondants englobait aussi les assistants de programmation et les modèles propres à certaines disciplines. Elle pouvait même être interprétée plus largement par certains participants, ce qui rend la moyenne utile comme indication d’ensemble, mais moins précise pour comparer les outils ou les domaines.
Un échantillon filtré, sans représentativité statistique
L’enquête en ligne s’est déroulée du 27 juillet au 11 août 2026 auprès de panels spécialisés. Quatre filtres de sélection devaient vérifier que les participants exerçaient effectivement une activité de recherche, dans les sciences physiques et l’ingénierie, les sciences de la vie, la santé et la recherche clinique ou les sciences sociales.
L’échantillon reste néanmoins non probabiliste. Les réponses n’ont pas été pondérées et aucune marge d’erreur n’est fournie, faute de cadre de référence fiable représentant l’ensemble des scientifiques des deux pays. Les résultats ne peuvent donc pas être généralisés mécaniquement à tous les chercheurs, à chaque discipline ou à d’autres régions.
Les données de Gemini ne corrigent pas cette limite. Elles décrivent l’utilisation de produits Google et isolent des activités scientifiques probables à l’aide de classificateurs, sans établir avec certitude la profession de chaque utilisateur. Elles excluent en outre les outils concurrents et ne constituent pas un suivi longitudinal des chercheurs interrogés.
La vérification absorbe une partie du temps libéré
Une analyse de Scientific American publiée le 18 septembre rapporte que 89 % des répondants déclarant un gain consacrent plus d’un dixième de ce temps à contrôler les sorties de l’IA, tandis que 46 % y consacrent plus d’un quart. Elle relève aussi que 44 % situent désormais leur contrainte principale plus en aval et que 41 % signalent une augmentation de leurs hypothèses non testées.
Le coût de la vérification varie fortement selon la nature du résultat. Une preuve formelle peut être confrontée à des règles mathématiques et un programme peut être exécuté. Tester une fonction biologique prédite exige en revanche de produire le matériel correspondant et de l’évaluer dans un système vivant.
La même asymétrie vaut pour les essais cliniques. Le recrutement de participants, les contrôles de sécurité et l’examen réglementaire ne s’accélèrent pas automatiquement parce qu’un modèle a formulé plus vite une hypothèse ou proposé une analyse. Le gain obtenu en amont peut ainsi augmenter le nombre de résultats candidats sans accroître la capacité disponible pour les valider.
Le temps gagné n’équivaut pas encore à plus de découvertes
Le temps libéré est principalement réinvesti dans un volume accru de recherche, puis dans le travail de laboratoire et la collecte de données, l’étude de problèmes plus ambitieux ou d’autres activités professionnelles et personnelles. Ces destinations sont hétérogènes : elles ne produisent pas toutes immédiatement une publication, un brevet ou une conclusion reproductible.
Le déplacement du goulot reste lui aussi autodéclaré. Une association entre un usage plus intense de l’IA, davantage d’hypothèses en attente et des contraintes expérimentales ne suffit pas à établir que l’IA a causé ces changements. Le dispositif ne comporte ni groupe témoin ni mesure directe des délais complets allant de la formulation d’une idée à sa validation.
La conclusion solide est donc plus étroite que la promesse de productivité : des scientifiques interrogés estiment récupérer presque une journée de travail hebdomadaire sur certaines tâches, mais une partie du gain repart dans le contrôle et rencontre des étapes physiques, cliniques ou réglementaires plus lentes. Il faudra des suivis dans le temps et des indicateurs de résultats validés pour déterminer si ces heures déclarées accélèrent réellement le progrès scientifique.
À lire aussi:
Abonnez-vous à notre newsletter
Recevez directement les dernières actualités sur le Web3, l’IA et les cryptomonnaies.