Pendant que tout le monde commentait le nouveau chatbot de Google, DeepMind annonçait quelque chose de bien plus lourd de conséquences : une IA conçue pour faire de la science, pas pour discuter. Le 19 mai 2026, à Google I/O, Google a lancé Gemini for Science, une suite d'outils agentiques qui s'attaque aux tâches les plus laborieuses de la recherche. Et les premiers résultats ne sont pas des démos marketing : certains sont déjà passés par la relecture par les pairs.
Ce que Google a réellement lancé
Gemini for Science n'est pas un produit unique, mais un ensemble d'outils expérimentaux. La brique la plus concrète s'appelle Science Skills : un bundle de compétences qui connecte un agent IA à plus de 30 bases de données et outils majeurs des sciences du vivant.
On y trouve des références que tout bio-informaticien connaît : UniProt pour les protéines, InterPro pour les familles de protéines, la base de données AlphaFold et l'API AlphaGenome de DeepMind. Science Skills est disponible depuis le 19 mai sur GitHub et pour tous les utilisateurs de Google Antigravity, la plateforme agentique maison.
L'intérêt n'est pas anecdotique. Au lieu d'interroger manuellement une douzaine de bases, de nettoyer les formats et de recoller les résultats, le chercheur décrit son objectif et l'agent orchestre lui-même les requêtes. Des analyses de bio-informatique structurale ou de génomique qui prenaient des heures se font, selon Google, en quelques minutes.
À côté de Science Skills, Google a aussi présenté ERA, un outil qui génère des logiciels de preuve de concept de niveau expert, ainsi que des agents de revue de littérature et des « tournois d'hypothèses » pour trier les pistes de recherche les plus prometteuses.
Des résultats concrets, pas seulement des promesses
C'est là que l'annonce sort du registre habituel. Lors de premiers tests, l'équipe de Google a utilisé Science Skills pour mener en quelques minutes une analyse qui en demande normalement plusieurs heures, débouchant sur de nouvelles pistes sur les mécanismes d'une maladie génétique rare liée à des mutations du gène AK2.
De son côté, ERA a été évalué sur des benchmarks revus par les pairs et a notamment surpassé un modèle de prévision épidémiologique de référence du CDC américain. On ne parle donc plus d'une jolie démo sur scène, mais de performance mesurée sur le terrain.
La version de Gemini 3 Deep Think taillée pour la science avait déjà donné le ton plus tôt cette année. Elle a repéré une faille logique dans un article de physique des hautes énergies qui avait pourtant passé la relecture par les pairs — un cas remonté par la mathématicienne Lisa Carbone, de Rutgers. Elle a aussi aidé le laboratoire Wang, à Duke, à optimiser un procédé de croissance cristalline pour produire des films de plus de 100 micromètres.
Côté chiffres bruts, ce moteur de raisonnement affiche 84,6 % sur ARC-AGI-2, 48,4 % sur Humanity's Last Exam et un niveau médaille d'or aux Olympiades internationales de mathématiques, de physique et de chimie 2025. Pour des tâches de raisonnement scientifique pur, c'est l'état de l'art.
Pourquoi ça compte, même si vous n'êtes pas chercheur
On pourrait classer tout cela dans la case « recherche académique » et passer à autre chose. Ce serait une erreur. Souvenez-vous d'AlphaFold : parti d'un laboratoire de DeepMind, il a valu un prix Nobel de chimie et il est aujourd'hui utilisé par des centaines de milliers de chercheurs et d'entreprises. La science a tendance à être le banc d'essai de ce qui finit par arriver partout.
Et le plus intéressant, pour un décideur ou un développeur, c'est le pattern architectural. Gemini for Science, c'est trois ingrédients : des skills (des compétences spécialisées et réutilisables), des connecteurs vers des bases de données métier, et une plateforme agentique qui orchestre le tout. C'est exactement l'architecture qui débarque dans l'entreprise.
Remplacez UniProt et AlphaFold par votre ERP, votre CRM et votre base documentaire, et vous obtenez le modèle d'agent métier que tous les éditeurs sont en train de construire. Google répète ici, dans un domaine exigeant et vérifiable, le schéma qu'il appliquera demain à la bureautique et aux processus d'entreprise.
Le vrai atout de Google : la donnée
Cette annonce révèle aussi où se situe l'avantage durable de Google face à OpenAI et Anthropic. Au-delà des modèles, Google possède un capital de données et d'outils scientifiques accumulé depuis 2018 : la base AlphaFold, AlphaGenome, et une intégration profonde avec les grandes bases publiques du vivant.
Brancher un agent sur ces ressources propriétaires, c'est un fossé que les concurrents ne franchiront pas en quelques mois. La bataille des modèles est serrée ; celle de la donnée verticale de qualité l'est beaucoup moins, et Google a clairement une longueur d'avance sur le terrain scientifique.
Mon analyse : la bonne question n'est plus celle qu'on croit
Je trouve cette direction beaucoup plus convaincante que la course aux chatbots. Faire gagner des heures à un chercheur, recoller automatiquement trente bases de données, repérer une erreur qu'un comité de relecture humain a laissé passer : voilà de la valeur tangible, mesurable, et difficile à contester.
Mais il y a un revers que les démos ne montrent jamais. Si une IA peut désormais produire des hypothèses, du code scientifique et même des « résultats », qui les valide ? La reproductibilité, déjà fragile dans beaucoup de disciplines, devient un enjeu central. Et un modèle qui « comble les trous » d'un jeu de données incomplet peut tout aussi bien inventer une corrélation séduisante mais fausse.
S'ajoute la question de la dépendance : construire ses workflows de recherche sur Antigravity et les bases de DeepMind, c'est confier à un seul acteur ses outils, ses données et une partie de sa méthode. Pratique aujourd'hui, structurant demain.
La vraie rupture n'est donc pas « l'IA peut-elle faire de la science ». La réponse est en train de devenir oui. La question qui va compter, en laboratoire comme en entreprise, c'est : qui vérifie ce que l'IA produit, et avec quelles garanties ? Ceux qui sauront répondre à ça prendront une longueur d'avance ; les autres confondront vitesse et précipitation.
J'ai détaillé les outils, les benchmarks et ce que ce pattern implique concrètement pour vos projets dans mon analyse complète sur TECH ACTU — le lien est en commentaire.
