Le nouveau poste de travail Claude Science d’Anthropic est lancé avec un partenaire d’infrastructure notable : NVIDIA. Selon NVIDIA et les documents de lancement d’Anthropic, Claude Science intègre désormais NVIDIA BioNeMo Agent Toolkit, offrant aux chercheurs en sciences du vivant un moyen d’invoquer, depuis un workflow de recherche en langage naturel, des modèles biologiques, des bibliothèques et des services d’inférence soutenus par NVIDIA.

L’information est importante car elle reconfigure l’IA pour la découverte de médicaments et la biologie computationnelle comme un problème d’orchestration, et pas seulement comme un problème de modèle. Claude Science se positionne comme l’interface où les scientifiques décrivent leurs tâches en langage simple, tandis que NVIDIA BioNeMo Agent Toolkit fournit les outils spécialisés du domaine, les schémas d’accès aux modèles et les points d’ancrage de calcul nécessaires pour exécuter ces tâches dans les workflows de génomique, de protéomique, de conception moléculaire et autres workflows connexes. Pour les créateurs d’IA et les équipes R&D d’entreprise, c’est une histoire produit plus concrète qu’un autre lancement de modèle autonome : il s’agit de savoir comment un agent choisit des outils, met en forme les requêtes, exécute l’analyse et renvoie des artefacts dans une boucle de recherche répétable.

Ce qui a été lancé et comment les pièces s’emboîtent

NVIDIA indique que l’intégration rend les capacités de BioNeMo disponibles dans Claude Science, qu’Anthropic a présenté cette semaine comme un poste de travail IA pour la recherche scientifique. Dans la description de NVIDIA, Claude Science permet aux chercheurs de dialoguer avec des agents en langage naturel, et ces agents peuvent ensuite sélectionner le bon workflow spécialisé, préparer des entrées valides et exécuter la tâche sur des ressources de calcul soutenues par NVIDIA.

La couche d’activation est NVIDIA BioNeMo Agent Toolkit. NVIDIA la décrit comme une boîte à outils ouverte, agnostique du cadre d’orchestration, qui transforme des capacités scientifiques en « skills » que les agents peuvent appeler. Ces skills incluent des métadonnées sur l’objectif, les entrées requises, les paramètres facultatifs et les sorties attendues, de sorte qu’un agent n’est pas simplement dirigé vers un endpoint brut, mais reçoit des instructions sur la manière et le moment de l’utiliser.

Cette distinction est centrale pour le lancement. Dans les sciences du vivant, de nombreuses tâches utiles ne se résolvent pas avec un seul prompt de modèle généraliste. Un chercheur peut avoir besoin qu’un agent exécute une analyse de séquence avec Evo 2, réalise un travail sur la structure avec OpenFold3, génère ou optimise des molécules avec Boltz-2, ou invoque une accélération de la génomique via NVIDIA Parabricks. L’argument de NVIDIA est que les agents deviennent plus pratiques lorsque ces outils sont enveloppés dans des interfaces cohérentes et exposés via des services déployables tels que NVIDIA NIM.

Pour Anthropic, l’intégration donne à Claude Science un chemin allant du raisonnement conversationnel à l’exécution. Pour NVIDIA, elle place BioNeMo à l’intérieur d’un produit d’agent de niveau supérieur, au lieu de demander aux chercheurs de relier eux-mêmes modèles biologiques et infrastructure.

Pourquoi NVIDIA met l’accent sur des outils biologiques prêts pour les agents

Le NVIDIA Developer Blog rend la thèse de l’entreprise explicite : les agents à usage général ne suffisent pas pour la recherche biomoléculaire, car ils ont encore besoin d’aide pour sélectionner le bon modèle scientifique, formater les entrées, interpréter les sorties et gérer les modes d’échec. Autrement dit, le goulot d’étranglement n’est pas seulement la qualité du raisonnement ; c’est la fiabilité opérationnelle à chaque appel d’outil.

C’est là que NVIDIA positionne BioNeMo Skills et les wrappers Model Context Protocol. La société indique que ces wrappers documentent le comportement du modèle et les artefacts afin qu’un agent puisse découvrir et utiliser de façon autonome un outil biomoléculaire avec moins d’erreurs. NVIDIA présente cela comme la différence entre des appels de modèle isolés et une boucle itérative d’« AI scientist » capable de générer des candidats, d’inspecter les résultats, d’ajuster les paramètres et de relancer les analyses.

Le lancement met aussi en avant la flexibilité de déploiement. Selon NVIDIA, les équipes peuvent commencer avec des endpoints hébergés NVIDIA NIM pour un accès rapide et une évaluation large, puis déplacer certaines charges de travail vers un déploiement local lorsque la latence, le débit, la proximité des données ou un contrôle d’exécution plus strict comptent davantage. C’est important pour les acheteurs d’IA d’entreprise dans la pharma et la biotech, où la même organisation peut vouloir des expérimentations hébergées dans le cloud pour une équipe et des déploiements sur site ou contrôlés pour des workflows réglementés ou à fort volume.

NVIDIA regroupe en pratique trois couches : les modèles biologiques, l’infrastructure de service accélérée et des interfaces orientées agent. Claude Science devient ensuite l’environnement de l’utilisateur qui relie ces éléments dans un poste de travail unique.

Le workflow que NVIDIA veut voir adopter par les chercheurs

Les exemples du fournisseur pointent vers un modèle opératoire très précis pour les agents scientifiques. Un scientifique commence par un objectif de recherche exprimé en langage naturel, comme analyser une séquence génomique, prédire une structure protéique ou concevoir un binder. Claude Science interprète la demande et orchestre le travail via des agents spécialisés, tandis que BioNeMo Agent Toolkit fournit les skills appelables qui relient ces tâches aux capacités concrètes de NVIDIA.

NVIDIA indique que la boîte à outils peut connecter Claude Science à des workflows couvrant la génomique, la protéomique, l’analyse de cellule unique, la chimioinformatique et la recherche clinique. Elle cite des outils et modèles comme Evo 2, Boltz-2 et OpenFold3, ainsi que des couches d’accélération telles que RAPIDS-singlecell, nvMolKit et NVIDIA Parabricks.

La valeur pratique ici tient moins à la génération de réponses en un coup qu’à la réduction des frictions de configuration. NVIDIA affirme que les chercheurs utilisant Claude Science n’ont pas à configurer manuellement des modèles, des endpoints ou des environnements logiciels à chaque étape. À la place, l’agent est censé gérer la sélection et l’exécution du modèle pendant que le scientifique examine les résultats et affine la question suivante.

Un exemple dans les documents de lancement de NVIDIA concerne la conception d’inhibiteurs pour des cibles cancéreuses. Dans ce scénario, un chercheur part d’une mutation connue et demande à Claude Science de proposer de nombreux inhibiteurs potentiels. NVIDIA affirme que la combinaison de Claude Science, BioNeMo Agent Toolkit et NVIDIA NIM peut alors accélérer les étapes de prédiction, d’optimisation et de validation. L’entreprise ne fournit pas de résultats comparatifs au niveau de cette tâche précise, de sorte que l’exemple doit être lu comme une illustration du cas d’usage visé, et non comme une preuve chiffrée.

Preuves, benchmarks et ce qui relève du discours fournisseur

Comme les deux sources de cette histoire sont contrôlées par NVIDIA, les affirmations les plus fortes en matière de performance et d’adoption relèvent du discours fournisseur et doivent être traitées avec cette réserve.

NVIDIA affirme que 18 des 20 plus grandes sociétés pharmaceutiques utilisent NVIDIA BioNeMo. C’est une revendication importante en termes de pénétration de marché, mais la société ne nomme pas ces clients, ne définit pas la profondeur d’usage et ne précise pas si « utiliser » signifie des pilotes, des déploiements en production ou une standardisation plus large de la plateforme.

L’entreprise met aussi en avant plusieurs chiffres d’accélération. Elle affirme que NVIDIA Parabricks peut réduire l’analyse génomique de plusieurs heures à quelques minutes, que RAPIDS-singlecell peut ramener un flux de travail de prétraitement et de clustering de 1,3 million de cellules de 52 minutes à 25 secondes, et que nvMolKit peut accélérer certaines opérations de chimioinformatique jusqu’à 3 000 fois. Ces affirmations peuvent être utiles pour comprendre où l’accélération GPU peut compter, mais elles restent des chiffres de benchmark présentés par le fournisseur avec peu de détails méthodologiques dans le matériel cité.

Le benchmark le plus direct lié aux agents apparaît dans le NVIDIA Developer Blog. NVIDIA indique que, dans un benchmark empirique utilisant Codex CLI avec GPT-5.5 fast, l’ajout de BioNeMo Skills a doublé l’efficacité en tokens et amélioré les taux d’achèvement des tâches de 57,1 % à 100 %. C’est un résultat frappant, mais il provient de la propre configuration de test de NVIDIA. Le texte source ne fournit pas la conception complète du benchmark, la taille de l’échantillon, l’ensemble des tâches ni une réplication indépendante. Pour les développeurs, cette affirmation s’interprète au mieux comme la preuve qu’une documentation d’outils et des interfaces structurées peuvent améliorer de façon tangible le comportement des agents, et non comme une norme établie entre plateformes.

Cela dit, la logique produit sous-jacente est crédible, même si les chiffres exacts exigent de la prudence. Les systèmes d’agents fonctionnent généralement mieux lorsque les outils sont clairement spécifiés, que les modes d’échec sont documentés et que les sorties sont standardisées sous forme d’artefacts comme des fichiers FASTA, SDF, SMILES ou CIF.

Ce que cela signifie pour les créateurs d’IA et les équipes R&D d’entreprise

Pour les créateurs, ce lancement rappelle que les agents spécialisés par domaine ont besoin de plus qu’un modèle de pointe et d’un system prompt. Dans les sciences du vivant en particulier, l’automatisation réussie dépend d’entrées typées, de descriptions de workflow, d’appels d’outils reproductibles et d’une infrastructure capable de soutenir des itérations répétées. BioNeMo Agent Toolkit est la tentative de NVIDIA de standardiser ces ingrédients pour la biologie.

Pour les équipes IA d’entreprise, l’association de Claude Science avec BioNeMo suggère un modèle d’achat plus stratifié. Anthropic fournit le poste de travail conversationnel et l’expérience agent ; NVIDIA fournit la pile de back-end accélérée via NVIDIA BioNeMo, NVIDIA NIM et des bibliothèques de support. Cela pourrait séduire les organisations qui ne veulent pas construire de zéro une plateforme interne d’« AI scientist », tout en ayant besoin d’un accès à des outils biomoléculaires spécialisés.

Cela intensifie aussi la concurrence dans l’IA d’entreprise pour la science. Un nombre croissant de fournisseurs proposent des modèles biologiques, des agents de codage ou des outils d’informatique de laboratoire, mais peu offrent un chemin cohérent allant d’une requête en langage naturel à un workflow scientifique déployable. Si Claude Science peut devenir une couche d’orchestration de référence et si NVIDIA peut rester la couche d’outils accélérée par défaut, les deux entreprises pourraient influencer la façon dont les agents IA entrent dans les équipes de découverte de médicaments et de biologie computationnelle appliquée.

Les risques sont également clairs. Les workflows scientifiques sont plus difficiles à valider que les tâches de codage, et les sorties des modèles nécessitent souvent une revue experte, pas seulement un chaînage automatisé. La fiabilité, la traçabilité et le contrôle du déploiement compteront davantage que l’aisance démonstrative. Les propres documents de NVIDIA l’admettent indirectement en mettant l’accent sur les modes d’échec, les artefacts et les wrappers agnostiques du back-end, plutôt qu’en revendiquant une autonomie totale dans la recherche.

Ce qu’il faut surveiller ensuite

Le premier signal immédiat à surveiller est l’adoption de Claude Science pendant sa bêta publique. Anthropic indique que les chercheurs sont invités à fournir des retours sur des spécialistes de domaine et des intégrations supplémentaires, ce qui devrait montrer si les utilisateurs souhaitent une couverture biologique plus large, des connexions plus étroites aux systèmes de laboratoire ou davantage de contrôles de déploiement.

Un deuxième signal est de savoir si NVIDIA étend BioNeMo Agent Toolkit au-delà des exemples actuels comme Evo 2, OpenFold3, Boltz-2, DiffDock, GenMol, ProteinMPNN et les workflows de recherche de type MMseqs2. La plateforme devient plus défendable si les équipes peuvent s’appuyer sur une seule boîte à outils pour la prédiction de structure, la génération moléculaire, la conception de séquences et la génomique, plutôt que de constituer des outils d’agent séparés pour chaque sous-domaine.

Troisièmement, les acheteurs d’entreprise devraient surveiller l’apparition de preuves indépendantes. Des études de cas clients, des benchmarks reproductibles et des évaluations externes auraient plus de poids que les affirmations de performance des blogs de lancement. En particulier, les acheteurs voudront savoir si la répartition hébergé-versus-local de NVIDIA NIM fonctionne dans de véritables environnements réglementés et si la fiabilité promise des agents résiste à l’usage en production.

Perspective Creati.ai

Ce lancement est moins important comme intégration produit isolée que comme signe de la direction que prend l’IA d’entreprise appliquée. La pile gagnante dans les secteurs verticaux à forte valeur n’est peut-être ni un seul modèle ni une seule application, mais un système en couches dans lequel une interface d’agent généraliste repose sur des outils spécialisés, des métadonnées de workflow fortement typées et une infrastructure réglée pour une exécution répétée.

Pour les sciences du vivant, cela a du sens. Les équipes de recherche n’ont pas seulement besoin de réponses ; elles ont besoin de systèmes capables d’exécuter des analyses, de renvoyer des artefacts vérifiables et de s’intégrer dans des contraintes de calcul et de gouvernance existantes. Claude Science et NVIDIA BioNeMo tentent d’en faire un produit utilisable. L’opportunité est réelle, mais l’exigence de preuve l’est tout autant. Tant qu’il n’y aura pas davantage de validations indépendantes, l’histoire doit être lue comme un mouvement d’infrastructure stratégiquement important plutôt que comme une preuve définitive que des scientifiques IA autonomes sont prêts pour un travail de découverte de routine en production.