Le calcul scientifique à l’ère de l’IA agentique

Le calcul scientifique est un pilier essentiel de la recherche moderne, tant universitaire qu’industrielle. Pourtant, les logiciels nécessaires à l’analyse des données scientifiques peinent à suivre le rythme de leur production rapide. De nombreux outils de recherche courants étaient au départ du code accompagnant un article scientifique, créé par de petites équipes universitaires disposant d’une expérience limitée en ingénierie et de peu de temps pour le conditionnement, les tests, l’optimisation ou le soutien à long terme. Il en résulte une infrastructure scientifique qui repose souvent sur des processus lents et fragiles, exigeant un entretien constant. Ces contraintes ralentissent les découvertes.

Les agents d’IA commencent à changer la donne. En réduisant le coût du travail d’ingénierie et en prenant en charge les tâches de mise en œuvre fastidieuses, ils peuvent aider les chercheurs à prototyper leurs idées plus rapidement, à entreprendre des projets autrefois irréalisables et à assurer plus facilement la maintenance à long terme des logiciels. Les logiciels scientifiques gagnent ainsi en efficacité et sont mieux entretenus, ce qui permet aux chercheurs de consacrer plus de temps aux découvertes.

Nous publions un rapport exploratoire de terrain sur huit projets de calcul scientifique assistés par des agents, principalement en sciences de la vie : cinq ont utilisé uniquement Codex et trois, une combinaison de Codex et de Claude Code. Le rapport rassemble des études de cas rédigées par les équipes responsables de chaque projet et en dégage les thèmes récurrents. Les projets vont de la maintenance courante et de l’optimisation ciblée aux migrations de langages à grande échelle et aux refontes conçues nativement pour les GPU. Selon les contributeurs, les agents ont considérablement accéléré le développement et la maintenance des logiciels, aidant parfois de petites équipes à accomplir des travaux qui auraient autrement exigé beaucoup plus de temps ou un soutien technique spécialisé. Ils soulignent toutefois la difficulté persistante d’établir clairement la responsabilité et la gouvernance à long terme des outils ainsi créés.

Les contributeurs décrivent systématiquement une évolution du rôle des chercheurs, qui délaissent la mise en œuvre au profit de la vérification et de l’orchestration : préciser ce qu’il faut créer, définir comment en mesurer l’exactitude et décider quand un projet est prêt à être lancé. Dans ce modèle émergent, les chercheurs conservent la maîtrise de l’orientation scientifique et des critères de qualité, tout en profitant de la rapidité accrue qu’offre l’assistance agentique.

Malgré leur portée très variable, les projets ont montré que les agents de programmation réduisent l’importance de la main-d’œuvre et de l’expertise en ingénierie comme facteurs limitants de l’informatique scientifique. Le goulot d’étranglement réside maintenant dans la validation des résultats d’un agent d’IA, qui dépend toujours du jugement humain.

Dans l’ensemble des études de cas, les agents ont traité efficacement les demandes précises et bien délimitées, mais n’ont pas pu déterminer de façon fiable si leur travail était scientifiquement valide ou conforme aux attentes. En effet, les agents se montraient souvent sûrs d’eux même lorsque leur travail comportait des erreurs manifestes. Les réviseurs humains devaient donc trouver des moyens fiables de valider les résultats. Les approches les plus solides reposaient sur une référence externe ou un critère d’acceptation mesurable, comme la concordance exacte des résultats, la parité avec un outil existant, un comportement statistique approprié ou des réponses établies à l’avance à l’aide de données simulées.

Autre thème récurrent : les projets progressaient généralement par étapes et par itérations guidées par la rétroaction, plutôt qu’au moyen d’approches en une seule étape. Les contributeurs ont décomposé les grands objectifs en changements plus modestes, puis utilisé des bancs d’essai intermédiaires et des systèmes de test pour évaluer et améliorer le travail des agents. Les agents produisaient souvent rapidement une première mise en œuvre, mais la résolution des cas limites et des écarts numériques subtils prenait beaucoup plus de temps. La « dernière ligne droite » d’une mise en œuvre exigeait souvent le plus de travail.

Dans l’ensemble, ces études de cas indiquent que les agents permettent aux chercheurs de consacrer moins de temps à la mise en œuvre et davantage à l’orientation des travaux scientifiques. Les humains définissent l’objectif, divisent les projets complexes en tâches gérables et déterminent si les résultats sont scientifiquement valides. En atténuant des contraintes d’ingénierie persistantes, les agents élargissent ce que les chercheurs peuvent créer tout en leur permettant de se concentrer sur les questions et les décisions scientifiques les plus importantes.

Le déficit de maintenance des logiciels de recherche ralentit depuis longtemps les itérations et nuit à la reproductibilité et à la fiabilité. Des études publiées sur le « code de recherche⁠(s'ouvre dans une nouvelle fenêtre) » et les outils omiques⁠(s'ouvre dans une nouvelle fenêtre) ont révélé que les logiciels publiés échouent souvent à s’installer correctement dans un nouvel environnement informatique ou à fonctionner comme indiqué, obligeant les chercheurs à consacrer beaucoup de temps à la configuration et au débogage. Même les améliorations courantes peuvent faire gagner du temps aux chercheurs et réduire les besoins informatiques, tandis que les remaniements et les réécritures axés sur la performance peuvent produire des gains plus importants.

Cependant, la baisse des coûts de mise en œuvre facilite aussi la production de nombreuses réécritures semblables, ce qui fragmente la communauté d’utilisateurs et disperse l’attention des spécialistes nécessaire à la fiabilité de chaque outil. La gouvernance et l’attribution à long terme sont donc essentielles. Les logiciels scientifiques matures reposent sur des conventions non documentées, des exigences de compatibilité et la confiance des utilisateurs, éléments que la simple traduction du code source ne peut reproduire.

Les études de cas illustrent plusieurs pistes possibles. Les modifications apportées à MHCflurry et à cyvcf2 ont été intégrées à leurs projets sources, tandis que rustar-aligner a été confié à une nouvelle communauté responsable puisque le projet d’origine avait été abandonné. Lorsqu’une coordination avec les responsables existants est possible, elle devrait commencer le plus tôt possible. Lorsqu’une mise en œuvre distincte est nécessaire, elle doit avoir un responsable clairement désigné et un plan de maintenance crédible. Sans cela, la réécriture moderne d’aujourd’hui risque de devenir le code abandonné de demain plutôt qu’une infrastructure scientifique fiable.

Ce rapport de terrain est rétrospectif et exploratoire, mais les études de cas témoignent d’une évolution concrète du développement des logiciels scientifiques. Les agents de programmation comme Codex peuvent réduire considérablement le coût de la maintenance, de la migration, de l’optimisation et des nouvelles mises en œuvre. Leur valeur scientifique à long terme dépend toujours des décisions humaines : quoi créer, comment le vérifier et qui en assurera la maintenance. Le changement le plus profond ne réside pas simplement dans la capacité des chercheurs à produire davantage de logiciels, mais dans la possibilité de consacrer plus d’efforts à définir, à valider et à administrer les outils.

Ces études de cas montrent que les agents peuvent déjà accélérer les cycles d’itération en calcul scientifique. À mesure que les agents de programmation s’amélioreront, les chercheurs pourront consacrer moins de temps au bon fonctionnement des pipelines d’analyse et davantage à l’avancement de leur domaine.