78 000 $ pour passer à côté de la réponse : pourquoi nous construisons des laboratoires autonomes plutôt que de plus grandes campagnes de criblage

Le tout premier laboratoire autonome que j'ai contribué à concevoir n'a pas échoué à cause de l'IA. Il a échoué à cause d'un manipulateur de liquides.

Nous avions passé des semaines à construire la partie qui enthousiasme tout le monde — une boucle d'optimisation bayésienne enveloppant un réseau de neurones sur graphe capable de prédire la bande interdite d'une pérovskite halogénée en millisecondes au lieu d'attendre des jours qu'un four fasse son œuvre. En simulation, c'était magnifique. La fonction d'acquisition choisissait les compositions comme un moteur d'échecs voit les coups. Puis nous sommes entrés dans le laboratoire réel pour la connecter aux instruments réels, et tout s'est arrêté net devant un manipulateur de liquides Hamilton vieux de douze ans, dont les fichiers de méthode refusaient de dialoguer avec autre chose que le logiciel maison de Hamilton.

C'est ce jour-là que j'ai compris ce qu'est réellement un laboratoire autonome. Ce n'est pas un modèle astucieux. C'est une boucle fermée — concevoir une expérience, l'exécuter sur du matériel réel, lire le résultat, décider de la suivante, recommencer — et cette boucle ne vaut que par son maillon le plus faible, le plus rébarbatif. En général, ce maillon est un équipement de 2014 qui n'a jamais été censé être automatisé par quiconque d'autre que son fournisseur.

Tout le monde veut parler de l'optimiseur. Ce qui décide si votre laboratoire devient autonome, c'est de savoir si votre spectromètre vieux de quinze ans renverra un nombre à un processus Python à 3 heures du matin.

Je veux expliquer pourquoi le criblage à haut débit — le cheval de bataille de la R&D industrielle depuis trente ans — est désormais mathématiquement obsolète, ce qu'un laboratoire piloté par l'IA fait à la place, et l'ingénierie sans gloire qui décide si l'un de ces systèmes finit un jour par vraiment fonctionner dans votre bâtiment. C'est le problème autour duquel nous construisons désormais des laboratoires autonomes, et l'essentiel de ce qui les rend difficiles n'a rien à voir avec ce que suggèrent les conférences.

Pourquoi le criblage à haut débit est-il soudainement obsolète ?

Commençons par un chiffre qui devrait troubler tout responsable de la R&D. Le nombre de petites molécules « médicamenteuses » qui obéissent aux règles de Lipinski — la chimie de base du « ceci pourrait devenir un comprimé » — est estimé à 10⁶⁰. Une grande campagne de criblage à haut débit, du genre qui coûte des millions en robotique et en réactifs, teste environ 10⁶ composés.

Faites la division. Vous échantillonnez à peu près 0,000000000000000000000000000000000000000000000000000001 % de l'espace. Passez aux produits biologiques et aux alliages multi-éléments, et l'espace s'étire vers 10¹⁰⁰, soit plus que le nombre d'atomes dans l'univers observable.

Le problème le plus profond n'est même pas la couverture. C'est l'hypothèse qui la sous-tend. Le criblage présume que la réponse se trouve déjà dans une bibliothèque pré-synthétisée sur une étagère. Pour un matériau véritablement inédit — une pérovskite sans plomb, un électrolyte à l'état solide, un nouveau MOF — la composition optimale n'a presque certainement jamais été fabriquée par personne. Vous ne cherchez pas une aiguille dans une botte de foin. Vous cherchez, dans une botte de foin de la taille du Pacifique, une aiguille qu'il vous faut encore forger vous-même.

C'est le moteur qui alimente la loi d'Eroom — la loi de Moore écrite à l'envers — ce fait bien documenté selon lequel la productivité de la R&D pharmaceutique a chuté pendant des décennies alors même que les dépenses grimpaient. Le développement d'un médicament dépasse désormais 2 milliards de dollars par actif (Deloitte, 2024), environ 90 % des candidats échouent lors des essais cliniques, et le taux de rendement interne de l'industrie pharmaceutique s'est effondré à un plancher de 1,2 % sur douze ans en 2022, avant de remonter à 5,9 % en 2024, en grande partie grâce à quelques valeurs aberrantes du type GLP-1. La recherche par force brute est une taxe sur chacun de ces chiffres.

Ce que la force brute coûte réellement dans un budget réel

Voici comment l'obsolescence se manifeste dans un budget réel, car les abstractions autour de 10⁶⁰ ne font bouger personne.

Imaginez un laboratoire de matériaux de taille moyenne à la poursuite d'une pérovskite halogénée sans plomb dotée d'une bande interdite et d'un profil de stabilité précis pour les cellules solaires de nouvelle génération. Cinq cations candidats, huit combinaisons d'anions, des rapports de stœchiométrie continus — disons 10⁸ compositions viables. La méthode traditionnelle, c'est un postdoctorant qui synthétise de trois à cinq compositions par semaine, guidé par la littérature et l'intuition d'un directeur de recherche. À environ 150 $ par synthèse une fois comptés les précurseurs, la préparation du substrat et la caractérisation — un poste de dépense que j'ai vu s'accumuler sur plus d'un bon de commande — cela représente 78 000 $ sur une année pour tester 520 compositions.

Cinq cent vingt sur cent millions. Cela fait 0,00052 % de l'espace, et le meilleur candidat qu'il fait émerger peut se situer très loin de l'optimum réel.

Du côté pharmaceutique, la même arithmétique se joue contre la montre plutôt que contre la paillasse. J'ai vu la logique de boucle identique — prédire d'abord, ne synthétiser que les candidats qui valent la peine d'être synthétisés — comprimer un travail préclinique qui dure traditionnellement de quatre à cinq ans en quelque chose plus proche du cycle qu'Exscientia a mené pour amener une molécule conçue par l'IA jusqu'à la phase I en environ douze mois, avec des coûts de R&D préclinique réduits de 25 à 50 %. Même principe, dénominateur bien plus grand.

Reprenons maintenant le même problème sous la forme d'un laboratoire autonome. Vous pré-entraînez un modèle de substitution en réseau de neurones sur graphe à partir de 50 000 structures de pérovskites calculées par DFT issues du Materials Project — une base de données publique de propriétés de matériaux calculées — afin que le modèle puisse prédire la bande interdite et l'énergie de formation en millisecondes. Ensuite, un optimiseur bayésien utilisant une fonction d'acquisition d'amélioration espérée (Expected Improvement) choisit chaque expérience suivante selon l'un de deux critères : soit la performance prédite est élevée, soit l'incertitude du modèle à cet endroit est suffisamment grande pour valoir la peine d'être levée. Il évite délibérément les centaines d'exécutions qui auraient produit des données incrémentales de faible valeur ou inutiles.

Ce système atteint le premier 0,1 % de l'espace des compositions en 80 à 120 expériences ciblées, pour 12 000 à 18 000 $ de réactifs. Même laboratoire, mêmes instruments, même postdoctorant — un ordre de grandeur d'expériences en moins et une fraction du coût.

Le gain n'est pas de mener les expériences plus vite. C'est de ne jamais mener les quatre cents expériences qui, de toute façon, n'allaient rien vous apprendre.

Cette réduction de 10 à 50 fois du nombre d'expériences nécessaires pour atteindre la cible n'est pas un chiffre marketing que j'ai inventé ; c'est l'écart constant entre l'optimisation bayésienne et le criblage aléatoire dans toute la littérature sur les matériaux. Et le versant coût a son propre chiffre — l'optimisation bayésienne informée par les coûts (Cost-Informed Bayesian Optimization), publiée sur ChemRxiv en 2024, réduit le coût d'optimisation jusqu'à 90 % en traitant le prix de chaque expérience comme un élément de ce que la fonction d'acquisition optimise, et non comme une réflexion après coup.

Pourquoi j'ai cessé de faire confiance au modèle et commencé à m'inquiéter de la tuyauterie

Revenons à ce manipulateur Hamilton.

Quand notre boucle parfaite en simulation est morte au contact du matériel réel, mon premier réflexe fut le mauvais. J'ai supposé que c'était un cas isolé — la malchance avec un vieil instrument. Nous avons donc écrit un adaptateur rapide, l'avons fait fonctionner tant bien que mal, et sommes passés à autre chose. Puis le laboratoire suivant avait un Tecan sous FluentControl, celui d'après avait des instruments Agilent parlant un troisième dialecte, ainsi qu'un LIMS et un ELN qui stockaient la même expérience dans deux formats incompatibles. Sur chaque site, le modèle était impeccable le premier jour et l'intégration dévorait les semaines qui suivaient.

C'est là que ça m'est apparu : dans un laboratoire autonome, l'IA représente peut-être 20 % du travail. Les 80 % restants consistent à faire en sorte que des instruments hétérogènes, souvent vétustes, se comportent comme un unique système programmable. Aujourd'hui, les laboratoires survivent discrètement à cela en transformant les gens en intergiciel humain — un scientifique qui ressaisit les nombres d'un spectromètre dans un tableur puis dans le LIMS — ce qui est précisément l'étape manuelle et sujette aux erreurs que l'automatisation était censée supprimer.

La solution honnête, c'est SiLA 2, la norme d'automatisation de laboratoire censée donner aux instruments un langage commun. Mais le mot « norme » vend un peu trop. Chaque combinaison d'instruments est son propre projet d'intégration. Nous avons donc commencé à écrire à la main des piles de pilotes SiLA 2 pour envelopper des instruments hérités spécifiques — le manipulateur vieux de douze ans compris — et à traiter cette couche de pilotes comme un livrable de premier ordre, et non comme du code de raccord dont il faudrait s'excuser. C'est la partie qui décide si le laboratoire est autonome ou n'est qu'une démo.

Une seconde leçon d'humilité technique attendait aussi du côté du modèle. La première fois qu'une recherche de stœchiométrie a dépassé quelques dizaines de paramètres réglables, notre optimiseur à processus gaussien tout droit sorti des manuels a ralenti jusqu'à ramper. L'optimisation bayésienne standard fondée sur des GP évolue en O(n³) ; quelque part au-delà d'environ 50 dimensions, elle cesse tout simplement d'être utilisable, et il faut passer à des approximations parcimonieuses — SVGP, apprentissage à noyau profond — que la plupart des outils prêts à l'emploi n'exposent pas. Et le modèle de substitution GNN qui paraissait si intelligent dans l'exemple de la pérovskite ? À froid, il ne vaut rien. Il lui faut de 500 à 1 000 structures calculées par DFT avant que ses prédictions ne battent un tirage à pile ou face. Le problème du démarrage à froid ne se résout pas en choisissant un meilleur modèle ; c'est un problème d'apprentissage par transfert qu'on résout avec une expertise du domaine sur la chimie pré-entraînée à partir de laquelle affiner.

Rien de tout cela ne figure dans la brochure. C'est pourtant tout ce que le projet est réellement.

Qui d'autre construit des laboratoires autonomes — et qu'est-ce que cela vous coûte discrètement ?

Le domaine du laboratoire autonome s'est consolidé rapidement, et les acteurs sont bien réels et bien financés. Il vaut la peine de savoir ce que chacun vous apporte réellement avant de signer quoi que ce soit.

Radical AI a levé 55 M$ lors d'un tour de table seed-plus et une série A de 60 M$, soutenu par RTX Ventures et NVentures de NVIDIA, et a ouvert une installation au Brooklyn Navy Yard en janvier 2026 en présence de la gouverneure Hochul — ils criblent des milliards de compositions et mènent plus de 100 expériences par jour, plus de 25 alliages quotidiennement. Impressionnant, et calibré pour la métallurgie. Le hic est structurel : vos données vivent sur leur pile, et la logique d'optimisation est leur boîte noire, que vous n'avez pas le droit de modifier. Emerald Cloud Lab exploite plus de 200 instruments automatisés à Carnegie Mellon — vous envoyez des échantillons et récupérez des résultats — ce qui est réellement utile, mais signifie aussi que votre chimie propriétaire quitte vos locaux et que vous êtes limité à leur catalogue de dosages. Atinary, Kebotix, l'« usine à science par l'IA » récemment agrandie de Lila Sciences — le même type de compromis. Vous adaptez votre flux de travail à leur plateforme.

Chaque fournisseur de plateforme de ce secteur vous vend la même chose sous des noms différents : leur optimiseur, leurs instruments, leur cloud — et votre propriété intellectuelle comme locataire de tout cela.

Il y a ensuite les cabinets de conseil du Big Four qui vous vendront une mission de stratégie de laboratoire pour 500 K$ à 5 M$ et vous remettront un dossier de sélection de fournisseurs après près d'un an — ils déploient des plateformes, ils ne construisent pas de moteurs d'optimisation. Et la voie interne, qui vous donne un contrôle total et vous oblige à recruter une équipe d'optimisation bayésienne et de GNN qui met un an à devenir productive.

Ce que presque personne ne propose, c'est le juste milieu : conserver vos instruments et vos données existants, et ajouter une couche d'optimisation par l'IA qui vous appartient. Cet écart — entre le tout-faire-soi-même et le verrouillage propriétaire d'une plateforme — est la raison même pour laquelle une clause de contrat fournisseur stipulant « vos données chimiques résident sur notre infrastructure » fait hésiter un responsable de R&D prudent. C'est aussi là que nous avons choisi de construire.

Ce qui se passe quand on oublie les échecs

Il y a un chiffre issu de l'A-Lab de Berkeley que j'évoque dans presque chaque présentation, parce qu'il tranche dans le bon sens. L'A-Lab a synthétisé 41 nouveaux matériaux en 17 jours — un résultat autonome marquant. Son taux de réussite de synthèse était de 71 %.

Depuis un siège d'entreprise, ces 71 % se lisent par leur complément. Vingt-neuf pour cent des tentatives ont échoué — pipettes bouchées, dérive de capteurs, réactifs dégradés, un four qui n'a pas atteint la température. Pour une preuve de concept académique, brillant. Pour une ligne pharmaceutique réglementée, ces 29 % ne sont pas des déchets à dissimuler. Ce sont des données que vous êtes légalement tenu de conserver.

C'est là que j'ai vu se produire les erreurs les plus coûteuses, et cela n'a rien à voir avec la chimie. La norme d'intégrité des données de la FDA, ALCOA+, exige que les enregistrements soient attribuables, lisibles, contemporains, originaux, exacts — et complets. « Complet » signifie que les expériences ratées sont également consignées, pas seulement les exécutions réussies. La plupart des logiciels de laboratoire autonome laissent silencieusement filer les exécutions ratées. Dans un laboratoire de recherche, personne ne le remarque. Dans un environnement GxP, cette omission est précisément le constat qui produit une lettre d'avertissement du CDER pour intégrité des données citant des enregistrements manquants.

Ce n'est pas une pression hypothétique. Les lettres d'avertissement du CDER ont bondi de 50 % au cours de l'exercice 2025, les problèmes d'intégrité des données figurant parmi les motifs dominants ; la FDA a envoyé des lettres relatives à l'intégrité à des entreprises comme Tyche Industries et Jagsonpal Pharmaceuticals début 2025. Et en janvier 2026, la FDA et l'EMA ont conjointement publié dix Principes directeurs pour de bonnes pratiques d'IA dans le développement de médicaments, axés sur la gouvernance des données, la gestion du cycle de vie et la supervision humaine. Ainsi, lorsque nous construisons une boucle pour un laboratoire réglementé, la piste d'audit qui capture chaque échec de pipette bouchée avec un horodatage et une provenance n'est pas une fonctionnalité que nous ajoutons à la fin. C'est une contrainte autour de laquelle nous concevons la boucle dès la première ligne.

« Les plateformes ne vont-elles pas tout simplement faire ça ? » — et autres choses qu'on me demande

La question que j'entends le plus est de savoir si les plateformes bien financées vont tout simplement absorber ce besoin. Elles absorberont les laboratoires heureux d'être locataires. Elles ne serviront pas le laboratoire de taille moyenne qui possède vingt ans de données propriétaires, un bâtiment rempli d'instruments qu'il a déjà payés, et un conseil d'administration qui n'acceptera pas que sa propriété intellectuelle vive sur le cloud de quelqu'un d'autre. Ces deux besoins sont structurellement opposés, et le financement ne les réconcilie pas.

La deuxième question est de savoir si l'IA est assez mature pour qu'on lui fasse confiance. Les propres bancs d'essai du domaine affirment que la modélisation est au rendez-vous : dans les résultats Matbench Discovery 2026, 45 modèles ont été classés et le meilleur, PET-OAM-XL, a atteint un F1 de 0,924 et un facteur d'accélération de la découverte supérieur à 6 fois. La technique de laboratoire autonome à flux continu de NC State, publiée dans Nature Chemical Engineering à la mi-2025, a recueilli 10 fois plus de données que les approches antérieures. La science est prête. Ce qui n'est pas banalisé, c'est de la câbler à vos instruments dans le cadre de votre régime de conformité.

La troisième question est la discrète : est-ce réservé aux grandes entreprises pharmaceutiques ? Non. L'économie mord le plus durement les laboratoires de matériaux et de sciences de la vie de taille moyenne, dont le budget de R&D ne peut absorber une année à 78 000 $ pour explorer 0,0005 % d'un espace, et qui ne peuvent signer un chèque de conseil de 5 M$ pour se faire dire quelle plateforme acheter.

La partie que personne ne met sur une diapositive

J'en suis venu à penser que la romance du laboratoire autonome — des robots pipetant toute la nuit, une IA imaginant des molécules — dessert le domaine. Elle vend le romantisme et masque le travail. La raison pour laquelle la plupart de ces projets s'enlisent n'est pas que l'optimiseur n'était pas assez intelligent. C'est que personne ne voulait passer des semaines à écrire un pilote SiLA 2 pour un manipulateur de liquides, ni construire une piste d'audit qui consigne les expériences ayant échoué, ni affiner un modèle de substitution au-delà de son démarrage à froid avec la bonne chimie de domaine.

Ce travail sans gloire est le vrai travail. C'est pourquoi nous construisons les moteurs d'optimisation, les intégrations d'instruments et l'architecture en boucle fermée comme un seul système, pour le laboratoire précis qui est devant nous — vos instruments, vos matériaux, vos données qui restent les vôtres.

Edison a testé des milliers de filaments à la main parce qu'à son époque la théorie était à la traîne de l'expérience. En 2026, cette excuse a disparu. Nous pouvons prédire avant de synthétiser, choisir l'unique expérience qui vaut la peine d'être menée parmi quatre cents, et laisser le laboratoire se diriger tout seul vers une réponse. Les laboratoires qui continuent de forcer la recherche par la force brute ne sont pas rigoureux. Ils paient une année entière de postdoctorant pour regarder 0,0005 % du tableau et appellent cela de la diligence.