IA et médicaments : entasser des données ne guérit rien

• Empiler des données historiques ne corrige pas un modèle, ça le fige dans le passé de la pharmacie.
• Les archives d'essais gardent surtout les habitudes et jettent les échecs, un carburant faussé dès le départ.
• La découverte de médicaments crève le mythe du toujours plus que l'industrie de l'IA vénère.

Un ami chercheur me montrait l'autre soir son écran: des millions de lignes de données, et toujours pas l'ombre d'une molécule.

Le podcast Tech and Drugs a publié le 9 août 2026 un épisode sur l'IA en découverte de médicaments, au titre sans détour: plus de données historiques ne réparera pas votre modèle. La thèse dérange une industrie persuadée que la quantité sauve tout. Elle a raison de déranger. Car en pharmacie, un fichier plus gros ne fabrique aucune molécule, il recycle surtout nos vieilles erreurs.

Le rêve du pharmacien qui n'existe plus

L'idée est vieille comme le premier tableur. On verse toutes les données d'essais cliniques dans une machine, et elle recrache le médicament de demain. Propre, rapide, sans blouse blanche. Le podcast Tech and Drugs a publié le 9 août 2026 un épisode qui refroidit la salle. Son titre tient de la gifle: plus de données historiques ne réparera pas votre modèle d'IA en découverte de médicaments. Traduction: arrêtez d'empiler. Le message dérange, parce qu'il attaque la religion du moment. Plus de paramètres, plus de données, plus de puissance, et le miracle finirait bien par sortir. C'est le même discours qui gonfle la bulle depuis trois ans. En pharmacie, la promesse a un parfum particulier. On ne parle pas d'un chatbot qui rate une blague. On parle de molécules, de patients, de milliards engloutis. Quand un podcasteur dit que le carburant magique ne marche pas, on tend l'oreille. Surtout que l'argument n'est pas un caprice. Il touche à la nature même des données que l'industrie garde précieusement. Ces archives ne racontent pas ce qu'on croit. Elles racontent surtout nos échecs, mal rangés.

Les archives mentent, poliment

Voici le vrai problème. Les données historiques de la pharmacie ne sont pas neutres. Elles gardent la trace de ce que l'industrie a essayé, presque jamais de ce qu'elle a écarté. Les molécules abandonnées au fond d'un tiroir n'ont pas de fiche propre. Les ratés partent à la poubelle, discrètement. Un modèle nourri à ce régime apprend une chose: reproduire les habitudes du passé. Il devient très fort pour redécouvrir ce qu'on savait déjà. C'est le contraire d'une invention. On lui demande de sauter dans l'inconnu, on lui sert un album de famille. Ajoutez le désordre. Chaque laboratoire mesure à sa façon, avec ses appareils, son contexte, ses conventions maison. Deux essais identiques donnent deux chiffres différents. La machine n'y voit que du bruit, et le bruit ne se guérit pas par la quantité. Empiler dix fois plus de mesures bancales donne dix fois plus de bruit. C'est là que le doute honnête devrait s'inviter. Le podcast rappelle une évidence oubliée: la biologie se moque de la taille de votre fichier. Une cellule ne répond pas mieux parce que votre serveur a avalé un téraoctet de plus. On l'a vu ailleurs, quand une IA aide vraiment la science: chez Terence Tao, le gain vient de la méthode, pas du volume. La donnée sale reste sale, même récoltée en masse comme ces données piratées que l'industrie s'arrache. Et le plus dur commence après le modèle, quand l'ingénierie réelle prend le relais.

La foi du toujours plus, et l'addition

Le secteur de l'IA a une théologie simple. Plus, c'est mieux. Plus de données, plus de calcul, plus de revenus concentrés dans deux mains. On construit des cathédrales de serveurs, on cache l'addition, on parle de dette plus tard. La découverte de médicaments sert de révélateur cruel. Ici, on ne triche pas avec une démo. Le patient guérit ou ne guérit pas. Le placebo ne lit pas les slides. La question de fond revient, celle que tout le monde évite: à quoi sert d'entasser si la matière première est faussée? On vend de la souveraineté, on vend des poids ouverts, on vend du rapport qualité prix. On vend surtout de la peur comme argument pour justifier la course. Pendant ce temps, le taux d'échec des molécules ne bouge presque pas. Les promesses, elles, gonflent. Quand un modèle déçoit, la réponse par défaut reste la même. Encore des données. Comme si le régime qui a rendu malade allait, à double dose, soigner. Le podcast ose dire non. C'est rare, donc précieux.

Ce qui marche, sans promesse

Alors quoi? On ne jette pas l'IA avec l'eau du bain. On change de carburant. Moins de données, mais des données propres, mesurées pareil, avec les échecs archivés au lieu d'être cachés. On demande au modèle de comprendre la cause, pas de deviner la corrélation. On le corrige au laboratoire, à la paillasse, là où la cellule tranche. Ce travail n'a rien de sexy. Il ne se vend pas en keynote. Il ne tient pas sur un vieux PC recyclé le week-end. Il demande de la patience, une denrée absente du lobbying ambiant. La bonne nouvelle: la lucidité n'a pas de coût. Le podcast Tech and Drugs offre un vaccin contre l'amnésie collective. On l'oublie chaque matin, pourtant la règle tient en une ligne. Une machine qui digère nos erreurs ne fabrique pas nos réussites. Le reste, c'est de l'IA privée vendue avec un beau ruban.