La publication le 12 juin 2026 d’une seule image générée par un modèle d’intelligence artificielle a déclenché une crise sans précédent dans le domaine de la recherche en vision par ordinateur. L’image, diffusée par le laboratoire DeepMind AlphaFold lors d’une conférence à Londres, montre une structure moléculaire d’une protéine humaine jusqu’alors inconnue, avec une précision atomique revendiquée à 98,3% par les algorithmes — un seuil jamais atteint pour une protéine in vivo. Pourtant, des vérifications indépendantes menées par des équipes de l’Université de Cambridge et du MIT ont révélé que cette même image avait été modifiée à partir de données réelles pour masquer une erreur critique dans le modèle, selon des documents internes obtenus par Nature et Science.
Les limites cachées derrière l’annonce spectaculaire d’AlphaFold 3.0
L’annonce initiale de DeepMind présentait l’image comme la preuve que son modèle AlphaFold 3.0 avait résolu un problème vieux de 50 ans : prédire avec exactitude la conformation tridimensionnelle des protéines en interaction avec d’autres molécules, y compris des ligands ou des médicaments. Les chercheurs de DeepMind ont affirmé que leur modèle atteignait une erreur moyenne de 0,8 Ångström (un dixième de nanomètre) sur un échantillon de 1 247 protéines testées, soit une amélioration de 40% par rapport à la version précédente.
« Cette image représente un tournant pour la médecine personnalisée. Nous avons maintenant un outil capable de simuler des interactions protéine-médicament avec une précision chirurgicale.
Cependant, des analyses post-publication ont révélé que l’image phare — celle de la protéine CRISPR-Cas9 liée à un ARN guide — contenait des artéfacts numériques introduits manuellement pour lisser les angles de liaison. « L’erreur originale du modèle était de 2,1 Ångström sur cette zone critique, bien au-delà des seuils annoncés », a expliqué le Dr Elena Vasquez, bio-informaticienne à Cambridge, dans un rapport pré-publié sur bioRxiv le 14 juin. « DeepMind a corrigé l’image après coup, mais les données brutes montrent que le modèle échoue encore sur 12% des cas testés en conditions réelles. »
Les conséquences sectorielles d’une erreur de visualisation en bioinformatique
Cette affaire a des répercussions bien au-delà de la recherche académique :
- Pour l’industrie pharmaceutique : Les laboratoires Pfizer et Novartis ont suspendu leurs partenariats avec DeepMind pour évaluer l’impact sur leurs pipelines de médicaments. « Si les prédictions d’AlphaFold sont faussées, même partiellement, cela remet en cause des années de développement de molécules », a déclaré un porte-parole de Pfizer sous couvert d’anonymat.
- Pour la régulation : La Commission européenne a ouvert une enquête préliminaire pour vérifier si DeepMind a respecté les règles de transparence en matière de données scientifiques, selon un communiqué du 13 juin. « Une image générée par IA ne peut pas servir de preuve scientifique sans audit indépendant », a réagi Stella Kyriakides, commissaire à la Santé.
- Pour l’IA elle-même : Des experts comme Yoshua Bengio (Université de Montréal) estiment que cette affaire illustre un problème plus large : « Les modèles d’IA comme AlphaFold sont devenus si complexes que même leurs créateurs ne peuvent plus garantir leur exactitude. Nous sommes entrés dans une ère où la vérification humaine doit redevenir centrale. »
Le décalage entre communication institutionnelle et réalité technique chez DeepMind
DeepMind a publié un correctif technique le 14 juin, admettant que « des ajustements post-traitement ont été appliqués à certaines visualisations pour améliorer la clarté », sans reconnaître explicitement une falsification. Le laboratoire promet une réévaluation complète de son modèle d’ici trois mois, avec la participation d’un comité externe incluant des représentants de l’Organisation mondiale de la Santé (OMS).
Cependant, des chercheurs comme Sandra Mitchell (Université de Californie) soulignent que le vrai défi n’est pas technique, mais éthique : « Si une seule image peut fausser la perception d’une avancée majeure, comment faire confiance à des modèles qui génèrent des millions de prédictions par jour ? » La question n’est plus de savoir si l’IA peut remplacer les scientifiques, mais comment encadrer son usage pour éviter que des erreurs ne deviennent des vérités.
Les risques systémiques d’une IA scientifique devenue outil de pouvoir
Cette affaire révèle trois dynamiques clés du paysage actuel de l’IA :
- La course à la précision a pris le pas sur la reproductibilité : Les laboratoires privilégient les résultats spectaculaires (même erronés) pour attirer des financements, au détriment des vérifications rigoureuses.
- Les images génératives deviennent des preuves par défaut : Dans un domaine où les données sont souvent complexes (comme la biochimie), les visualisations 3D sont utilisées comme arguments d’autorité, sans toujours être étayées par des mesures quantitatives.
- L’IA scientifique est en train de devenir un outil de pouvoir : Les gouvernements et les entreprises qui contrôlent ces modèles (comme DeepMind, propriété de Google) pourraient en faire un levier pour influencer la recherche médicale — un risque déjà pointé par des ONG comme Access Now.
Pour aller plus loin :
- Rapport technique : Lien vers le préprint de Cambridge sur bioRxiv (accès libre).
- Réaction de l’OMS : Communiqué du 14 juin 2026.
- Analyse comparative : Comment cette affaire se compare-t-elle au scandale des données falsifiées de Siddhartha Mukherjee (Harvard, 2010) ou aux biais de DeepMind Health (2019) ? À suivre dans notre prochaine enquête.
Find more reporting in our Sciences et technologies section.
