L’informatique des matériaux (Materials Informatics) entre dans une phase où l’utilisation de l’intelligence artificielle ne se limite plus à l’analyse des données ou à la proposition de nouvelles compositions, mais s’étend à la définition des questions à poser et à la conception même du cycle de recherche. L’article, publié le 9 septembre 2026, examine cette transformation à travers le rôle des grands modèles de langage (LLM) et des agents intelligents dans le cycle de développement des matériaux.
L’idée centrale n’est pas que l’intelligence artificielle remplacera le chercheur, mais que la répartition des rôles entre l’humain et le système évoluera. Au lieu de réaliser une seule expérience puis d’en analyser le résultat, il est possible de construire une boucle itérative dans laquelle l’algorithme choisit l’expérience suivante en fonction des données précédentes, tout en intégrant les décisions de vérification et d’intervention à la conception du processus.
De l’optimisation des résultats au choix de l’expérience suivante
L’article explique que l’utilisation de l’optimisation bayésienne en ingénierie des matériaux permet désormais de choisir les expériences suivantes de manière séquentielle. La méthode s’appuie sur les résultats précédents et sur l’incertitude du modèle, puis sélectionne le point qui devrait être le plus utile à la recherche. Toutefois, cette approche ne garantit pas à elle seule une interprétation complète des résultats ni la détection de tous les facteurs influents ; elle vise principalement à atteindre la meilleure valeur possible dans un nombre limité d’expériences.
La discussion souligne que le succès de l’optimisation bayésienne dépend de la manière dont les variables et les contraintes sont définies. Si certaines conditions ne sont pas intégrées ou sont considérées comme extérieures au champ de recherche, le domaine des recommandations de l’intelligence artificielle peut changer sans que cela soit évident pour l’utilisateur. La définition de l’objectif elle-même peut également constituer un problème de recherche, notamment lorsque la relation entre la composition du matériau et ses performances n’est pas suffisamment connue.
Qu’ajoutent les grands modèles de langage ?
Les grands modèles de langage peuvent intervenir dans la conception des questions, par exemple en lisant les archives précédentes, en organisant les informations, en extrayant des tendances ou en formulant des hypothèses initiales. Toutefois, l’article met en garde contre l’assimilation de cette capacité à la production automatique de connaissances fiables. La déduction construite par les modèles à partir des informations disponibles peut différer du résultat que le chercheur souhaite obtenir, et leurs sorties peuvent refléter les limites des données ainsi que la manière dont la question est formulée.
C’est pourquoi il ne suffit pas d’intégrer un modèle de langage au flux de travail. Il faut construire un mécanisme reliant la question aux données, à l’expérience et au critère de vérification, puis réintroduisant le résultat dans la boucle de recherche afin de mettre à jour la question ou de choisir l’expérience suivante. Sous cette forme, le modèle devient un élément d’un processus d’exploration révisable, et non une source unique de jugement scientifique.
L’humain dans la boucle ou au-dessus de celle-ci
L’article examine le concept de human-on-the-loop comme un modèle dans lequel l’humain surveille le système et dispose du pouvoir d’intervenir si nécessaire, au lieu de participer manuellement à chaque étape comme dans le modèle human-in-the-loop. Cette idée est liée à ce que l’article appelle, dans le contexte du développement logiciel, « l’ingénierie des boucles » (loop engineering) : déterminer où l’intelligence artificielle intervient dans le cycle, ce que l’humain surveille et à quel moment le processus est relancé ou interrompu.
Cette conception élargit le périmètre de la conception, des capacités du modèle à la conception de l’ensemble du système. La question ne porte pas seulement sur la capacité de l’intelligence artificielle à proposer une réponse, mais aussi sur l’identité de la personne qui l’examine, la manière dont la qualité du résultat est mesurée, la procédure qui en découle et le moment où la décision revient à l’humain. L’article indique que le débat sur le rôle de l’humain dans l’automatisation s’est renforcé en 2025, tandis qu’en 2026 ont émergé des appels à réfléchir à l’ingénierie des boucles lors du développement des agents d’intelligence artificielle.
Pourquoi cette information est-elle importante ?
L’impact pratique de cette approche est que les projets d’ingénierie des matériaux ne seront pas évalués uniquement selon la précision du modèle ou le nombre d’expériences qu’il peut réaliser. Ils devront également définir clairement les objectifs, le domaine des variables, les conditions d’exclusion et les points de contrôle humain. Plus le système sera capable de passer d’un résultat à une nouvelle expérience, plus la traçabilité et la vérifiabilité des décisions deviendront importantes.
Toutefois, l’article n’apporte pas la preuve que les agents ou les modèles de langage ont résolu ces contraintes. Il les présente plutôt comme des questions de conception ouvertes : comment définir un résultat réussi ? Comment relier le résultat au comportement suivant ? Et à quel moment l’intervention humaine est-elle nécessaire ? Ainsi, la valeur fondamentale de la transformation proposée ne réside pas dans l’automatisation complète de la recherche, mais dans la reconception du cycle de recherche afin que l’utilisation de l’intelligence artificielle puisse être examinée et corrigée.