100 fois plus de molécules explorées : l’IA commence à transformer la chimie en moteur de découverte industrielle

La chimie change d’échelle avant même d’entrer au laboratoire

Découvrir une nouvelle molécule utile reste un problème immense : l’espace chimique possible dépasse de très loin ce qu’un laboratoire peut synthétiser et tester un par un. Historiquement, les chercheurs réduisent cet espace grâce à leur expertise, à des calculs et à des campagnes expérimentales ciblées.

L’intelligence artificielle ajoute désormais une couche supplémentaire. Des modèles peuvent générer des candidats, prédire certaines propriétés, les classer selon plusieurs objectifs et éliminer une grande partie des options peu prometteuses avant qu’un chimiste ne consomme du temps, des réactifs et des équipements.

Le changement n’est donc pas qu’une accélération informatique. Il modifie la question posée au laboratoire : au lieu de demander « quelles dizaines de molécules allons-nous tester ? », l’entreprise peut commencer par explorer un espace beaucoup plus large, puis concentrer l’expérimentation sur une fraction sélectionnée.

Un cas industriel : 100 fois plus de candidats pour capturer le CO₂

En avril 2026, BCG a décrit le cas d’un producteur européen de spécialités chimiques qui cherchait un solvant répondant à plusieurs contraintes pour un procédé de capture du CO₂. L’entreprise a utilisé l’IA pour évaluer environ 100 fois plus de molécules candidates que ce que des chercheurs pouvaient raisonnablement cribler manuellement.

Selon BCG, le candidat retenu a permis un procédé plus efficace et moins corrosif que prévu, ouvrant la voie à des matériaux de construction moins coûteux. Dans ce cas précis, le cabinet estime les économies d’exploitation entre 5 % et 10 % et la réduction des dépenses d’investissement à environ 10 %.

Ces chiffres ne doivent pas être généralisés à toute la chimie. Ils montrent en revanche comment la valeur peut apparaître : l’IA ne crée pas seulement une molécule « intéressante » sur un écran ; elle peut aider à trouver un candidat dont les propriétés modifient réellement l’économie d’un procédé industriel.

Le laboratoire reste indispensable — mais il devient une boucle

Une prédiction n’est pas une découverte industrielle. Une molécule générée par un modèle doit encore être synthétisable, stable, sûre, reproductible et performante dans les conditions réelles d’utilisation. C’est pourquoi les travaux scientifiques récents insistent sur les boucles dites design–make–test–analyze : concevoir, fabriquer, tester, analyser, puis recommencer.

Les laboratoires autonomes ou « self-driving laboratories » poussent cette logique plus loin. Ils combinent modèles, logiciels d’orchestration, robotique de laboratoire et instruments de mesure afin que les résultats expérimentaux reviennent automatiquement alimenter la prochaine série de candidats.

En 2026, plusieurs revues scientifiques décrivent déjà des systèmes capables de proposer, exécuter et interpréter des expériences avec une intervention humaine limitée. Les limites restent importantes : qualité des données, reproductibilité, sécurité, généralisation et traçabilité des décisions.

Les matériaux montrent déjà l’échelle que l’IA peut atteindre

Le projet GNoME de Google DeepMind donne une autre mesure de cette rupture d’échelle. En 2023, le modèle a prédit 2,2 millions de nouvelles structures cristallines et identifié environ 380 000 candidats considérés comme particulièrement stables et donc intéressants pour une validation expérimentale.

Cela ne signifie pas que 380 000 nouveaux matériaux industriels existent déjà. DeepMind indiquait que 736 structures avaient été créées expérimentalement de manière indépendante dans des travaux concomitants. Le fossé entre une prédiction informatique et un matériau produit à grande échelle reste considérable.

Mais l’intérêt de l’IA apparaît précisément dans ce filtre : augmenter brutalement le nombre de candidats plausibles, puis consacrer le laboratoire aux structures les plus prometteuses.

Solvants, catalyseurs, batteries, matériaux : quatre terrains de valeur

Dans la capture du CO₂, l’enjeu est de trouver des solvants capables d’absorber efficacement le gaz tout en limitant corrosion, consommation d’énergie et coût du procédé. Pour les catalyseurs, les modèles peuvent aider à explorer des compositions susceptibles d’accélérer des réactions ou d’améliorer leur sélectivité.

Dans les batteries, la recherche porte notamment sur les électrolytes et les matériaux capables d’améliorer stabilité, sécurité, vitesse de charge ou densité énergétique. Dans les matériaux avancés, le même principe peut servir à rechercher de nouvelles structures pour l’électronique, la construction, l’aéronautique ou d’autres usages industriels.

L’IA ne garantit pas qu’un candidat atteindra une usine. Elle augmente surtout la capacité à explorer plusieurs objectifs simultanément : performance, coût, toxicité, stabilité, disponibilité des matières premières ou facilité de synthèse.

Le vrai avantage peut être dans la vitesse d’apprentissage

Dans une industrie où un nouveau produit peut demander des années de recherche, la valeur ne vient pas seulement d’un candidat final. Elle peut venir du nombre de cycles que l’entreprise est capable d’enchaîner : proposer, tester, apprendre et réorienter plus rapidement que ses concurrents.

C’est pourquoi les données expérimentales deviennent stratégiques. Un modèle entraîné sur des données propres, normalisées et riches en résultats négatifs peut apprendre de chaque campagne. À l’inverse, des données fragmentées ou mal documentées peuvent limiter fortement les gains promis par l’IA.

La revue Artificial Intelligence Chemistry publiée en juin 2026 insiste justement sur ce verrou : les modèles génératifs progressent, mais la qualité et la disponibilité du « ground truth » expérimental restent déterminantes pour transformer des propositions numériques en découvertes fiables.

L’industrie chimique devient progressivement un problème logiciel… relié au réel

L’IA ne remplace donc ni la chimie, ni les chercheurs, ni l’usine. Elle insère une nouvelle couche de calcul entre l’hypothèse scientifique et l’expérience. Plus cette couche peut explorer de candidats et apprendre des résultats réels, plus elle peut déplacer le goulot d’étranglement vers la synthèse, la validation et le passage à l’échelle.

Ce déplacement explique pourquoi la bataille dépasse déjà les modèles de langage. Les mêmes techniques de génération, prédiction et optimisation peuvent désormais s’attaquer à des objets physiques dont la valeur se mesure en rendement, en énergie économisée, en nouveaux brevets et, parfois, en milliards de chiffre d’affaires industriel.

La révolution n’est pas qu’une IA qui « invente une molécule ». C’est la construction d’une machine de découverte où le logiciel élargit l’espace des possibles et où le laboratoire décide, toujours, ce qui fonctionne réellement.