Pourquoi les Agents IA Butent sur la Biologie de Base (Et Ce N’est Pas Leur Faute)

Une conception centrée sur l’humain, des performances désastreuses pour l’agent

NCBI Virus et beaucoup d’autres bases de données biologiques publiques ont été bâties pour un usage interactif en navigateur web. Dans ces interfaces, les scientifiques cliquent sur des filtres, inspectent visuellement les résultats et se fient à des indices graphiques. Cette logique de fonctionnement est radicalement incompatible avec celle d’un agent autonome, qui attend des commandes structurées et programmatiques .

Un comportement profondément aléatoire

Le constat le plus accablant est celui de l’inconstance des résultats. Lorsque les chercheurs ont demandé à trois reprises à Claude Sonnet 4 de retrouver les séquences du virus Ebola — dont la liste de référence vérifiée en comptait 266 — l’IA a renvoyé 106 séquences au premier essai, 15 au deuxième, et seulement 5 au troisième. Aucun paramètre n’avait été modifié dans la requête, seul le résultat changeait du tout au tout .

Ce n’est pas qu’une simple question de données manquantes. Dans une simulation, une extraction défectueuse a tellement faussé une analyse phylogénétique que celle-ci a estimé l’origine d’une épidémie d’Ebola en 1922 au lieu de la date réelle de 2014. L’IA n’avait pas « halluciné » la science — on lui avait simplement fourni un jeu de données cassé, et elle s’était appliquée à construire une fausse conclusion par-dessus .

Une infrastructure fragmentée et précaire

Les données biologiques sont éparpillées dans des douzaines de bases aux identifiants incompatibles, aux standards de métadonnées divergents et sans API versionnées. Là où un ingénieur logiciel s’appuie sur des gestionnaires de paquets et des points de terminaison stables, un chercheur en biologie computationnelle passe son temps à bricoler des scripts contre des interfaces web volatiles qui changent sans préavis .

La parade déterministe : gget virus

Plutôt que d’essayer d’entraîner un meilleur modèle, l’équipe a bâti une meilleure couche d’extraction. gget virus est un cadre logiciel léger et déterministe qui transpose la logique des filtres de NCBI Virus en un système programmatique stable et reproductible .

Son fonctionnement est le suivant : il applique d’abord des contraintes sur les métadonnées avant de télécharger les séquences, ne récupérant sélectivement que les enregistrements GenBank structurés qui correspondent à la requête, tout en réduisant le volume de données transférées de plus de 98 % pour les requêtes volumineuses. Le résultat est un jeu de données strictement identique à chaque exécution — précisément ce dont les agents IA ont besoin et que l’ancienne infrastructure ne pouvait leur fournir .

L’impact a été aussi immédiat que spectaculaire. Dès lors que les agents IA ont utilisé gget virus comme moteur de recherche :

• La précision est montée à au moins 90,0 % pour tous les modèles, atteignant 99,7 % pour GPT-5.5.
• Les mesures de stabilité ont grimpé entre 0,92 et 1,00 sur toute la ligne.
• L’ampleur des erreurs, en particulier les catastrophiques qui changent les conclusions scientifiques, s’est effondrée .

Le constat est sans appel : ce n’est pas le raisonnement des modèles qui bride l’IA en biologie, mais l’absence d’accès déterministe aux données. Ajoutez la bonne interface, et les agents actuels sont déjà capables d’un travail fiable .

Repenser l’infrastructure des données à l’ère des agents autonomes

Le succès de gget virus est une preuve de concept qui annonce un basculement bien plus large. Les chercheurs affirment que ce problème ne se limite pas à la virologie : rien qu’au NCBI, plus de 30 bases de données gagneraient à être dotées de « surcouches » déterministes similaires .

Des interfaces pensées pour l’humain à une conception native pour l’agent

Les bases de données doivent évoluer pour exposer des API bien documentées et versionnées, avec un filtrage standardisé et une sémantique de requête reproductible. C’est l’équivalent de ce que les développeurs logiciels obtiennent via leurs gestionnaires de versions et de paquets — une infrastructure absolument critique dont la science biologique est encore dépourvue .

La piste des données fédérées à l’échelle de l’IA

Dans un effort parallèle, la Chan Zuckerberg Initiative a publié une feuille de route appelant à la création de jeux de données biologiques interopérables et mutualisés, interrogeables via des interfaces en ligne de commande et des standards lisibles par machine. Leur vision : un monde où les scientifiques peuvent rechercher, analyser et télécharger des données multimodales en une seule requête fédérée, sans le chaos d’extraction actuel .

La CZI est déjà passée à l’action en développant une interface en ligne de commande (CLI) pour un accès fédéré aux données et en lançant le « Billion Cells Project », un jeu de données historique sur cellule unique destiné à entraîner la prochaine génération de modèles d’IA. L’objectif est de poser les fondations d’une infrastructure qui rendra les données biologiques aussi accessibles aux machines que le sont les dépôts de code pour les développeurs .

Une leçon qui dépasse la seule biologie

L’enseignement clé — les vieilles interfaces conçues pour l’humain cassent les agents IA — se généralise à toute l’informatique scientifique. Les couches d’accès programmatiques et déterministes ne sont pas un luxe ; elles sont un prérequis pour que les systèmes autonomes puissent participer de manière fiable à la recherche. La solution n’est pas d’attendre un modèle plus brillant. C’est de remettre à neuf les routes.