Quand l’IA entre dans le laboratoire : le Dual-Use technologique change d’échelle

L’intelligence artificielle franchit progressivement une frontière importante. Après avoir appris à générer des textes, des images, du code informatique, des structures moléculaires et des protéines, elle commence maintenant à participer à la conception de systèmes biologiques beaucoup plus complexes. En août 2026, des chercheurs de Stanford et de l’Arc Institute ont publié dans Science des travaux démontrant que des modèles d’intelligence artificielle pouvaient générer des génomes complets de bactériophages fonctionnels, c’est-à-dire de virus qui infectent des bactéries. Les chercheurs ont obtenu 16 phages viables présentant différents profils biologiques, et certains ont démontré une capacité intéressante à combattre des bactéries devenues résistantes au phage naturel utilisé comme référence.

Cette avancée ouvre des possibilités considérables. Les bactériophages font depuis longtemps l’objet de recherches comme solution potentielle ou complément aux antibiotiques contre certaines infections bactériennes, particulièrement dans un contexte où la résistance antimicrobienne représente un défi majeur. La possibilité d’utiliser l’IA pour explorer plus rapidement l’espace biologique et concevoir de nouvelles variantes pourrait éventuellement accélérer cette recherche.

Elle met également en lumière une propriété fondamentale de nombreuses technologies avancées : la même capacité qui permet de résoudre un problème peut parfois augmenter la capacité d’en créer un autre. L’intelligence artificielle accélère la recherche, élargit l’espace des possibilités et réduit certaines barrières à l’expérimentation. Ces caractéristiques peuvent produire des avancées remarquables en médecine, en pharmaceutique et en biotechnologie. Elles obligent simultanément les organisations à réfléchir beaucoup plus tôt aux conséquences possibles des capacités qu’elles développent.

Le véritable enjeu dépasse donc largement les bactériophages. À mesure que l’intelligence artificielle entre dans les laboratoires et participe directement à la conception biologique, le Dual-Use technologique change d’échelle. La gouvernance devra évoluer avec lui.

Les travaux publiés dans Science constituent un excellent exemple de cette nouvelle réalité. Les chercheurs ont utilisé des modèles génomiques capables d’apprendre les structures et les contraintes présentes dans de grandes quantités de séquences d’ADN. Evo 2, présenté plus tôt en 2026 dans Nature, avait été entraîné sur environ neuf mille milliards de paires de bases provenant de l’ensemble des domaines du vivant. L’objectif consiste à permettre à l’intelligence artificielle de travailler directement avec le langage fondamental de la biologie.

Pour l’expérience sur les bactériophages, le virus ΦX174, qui infecte E. coli, a servi de modèle de départ. Des centaines de génomes générés par l’IA ont été sélectionnés, synthétisés et testés en laboratoire. Seize ont produit des phages viables. Certains présentaient des caractéristiques différentes du virus naturel et le mélange de plusieurs phages générés a réussi à infecter des bactéries ayant développé une résistance au phage naturel de référence.

Il faut mesurer ce que cette expérience représente sans lui faire dire davantage que ce qu’elle démontre. Il ne s’agit pas de la création par intelligence artificielle d’un virus humain. Il s’agit de la démonstration qu’un modèle génératif peut contribuer à concevoir des génomes viraux complets et fonctionnels. Cette capacité est suffisamment importante pour que des chercheurs en biosécurité aient immédiatement souligné ses implications potentielles. Une perspective publiée parallèlement dans Science estime ainsi que la génération de génomes viraux fonctionnels soulève des questions urgentes de biosûreté et de biosécurité.

C’est précisément ici que la notion de Dual-Use devient essentielle. Une technologie Dual-Use possède des applications bénéfiques tout en pouvant produire d’autres usages ou conséquences présentant des risques. Ce principe existe depuis longtemps en recherche scientifique, en cybersécurité, dans le domaine nucléaire, en aéronautique, dans les technologies spatiales et dans de nombreuses disciplines d’ingénierie. L’intelligence artificielle ajoute cependant une dimension nouvelle : elle peut accélérer considérablement la vitesse d’exploration et rendre certaines capacités accessibles à davantage de personnes et d’organisations.

Dans le domaine biologique, cette accélération peut être extraordinairement bénéfique. Les bactériophages constituent une piste thérapeutique étudiée depuis plus d’un siècle et font aujourd’hui l’objet d’un regain d’intérêt face aux infections difficiles à traiter et à la résistance aux antibiotiques. La possibilité d’utiliser des modèles pour identifier, concevoir ou optimiser plus rapidement des phages pourrait contribuer à explorer un nombre beaucoup plus important de candidats et éventuellement à développer des approches thérapeutiques plus précises.

L’intelligence artificielle peut également accélérer la conception de protéines, l’analyse génomique, la découverte de molécules, la compréhension des interactions biologiques et de nombreuses autres activités qui exigeaient auparavant des cycles d’expérimentation beaucoup plus longs. Une partie de l’espace des possibilités biologiques peut être explorée numériquement avant de sélectionner les candidats qui méritent une expérimentation physique.

Cette capacité change cependant la question de gouvernance. Lorsqu’une technologie permet d’explorer dix possibilités, une équipe humaine peut examiner relativement facilement chacune d’elles. Lorsqu’elle permet d’en explorer dix mille ou un million, le problème devient différent. La capacité de génération augmente beaucoup plus rapidement que la capacité humaine à examiner individuellement toutes les conséquences possibles.

Nous retrouvons ici un phénomène déjà visible dans d’autres domaines de l’intelligence artificielle : l’échelle modifie la nature du risque.

Dans un laboratoire traditionnel, la gouvernance repose notamment sur les personnes, les équipements, les substances, les protocoles, les autorisations et les expériences réalisées. Avec l’intelligence artificielle, une partie importante de l’exploration peut commencer bien avant l’expérience physique. Des modèles peuvent générer des hypothèses, proposer des structures et explorer des combinaisons dans un environnement purement informatique.

La frontière de la gouvernance doit donc elle aussi se déplacer en amont.

C’est là qu’un principe de Dual-Use by Design devient intéressant. Il consiste à considérer les possibilités bénéfiques et les usages potentiellement problématiques dès la conception d’une capacité, plutôt que d’attendre son déploiement pour commencer à réfléchir aux mécanismes de contrôle nécessaires.

Cette approche ne signifie pas qu’une technologie présentant un potentiel Dual-Use devrait être évitée. Une grande partie des technologies les plus utiles de notre histoire possède précisément cette caractéristique. Elle signifie plutôt que la gestion du risque devient une propriété de l’architecture et du processus de développement.

Pour une organisation pharmaceutique, biotechnologique ou de recherche, cela pourrait commencer par une question simple : quelles capacités sommes-nous réellement en train de créer?

Cette question va plus loin que l’inventaire des modèles utilisés. Un modèle relativement général peut acquérir des capacités très différentes lorsqu’il est connecté à des bases de données spécialisées, à des outils scientifiques, à des infrastructures de calcul, à des systèmes automatisés ou à des équipements de laboratoire. Le risque doit donc être évalué au niveau du système complet et de ses interactions, et non uniquement à partir du modèle pris isolément.

L’identité et les permissions prennent également une nouvelle dimension. Qui peut utiliser un modèle? À quelles données peut-il accéder? Quels outils peut-il appeler? Quelles catégories d’expériences peut-il proposer? Peut-il déclencher une action automatiquement? Quels résultats nécessitent une validation supplémentaire? Quelles activités doivent demeurer sous autorisation humaine explicite?

Ces questions ressemblent beaucoup à celles que les organisations commencent déjà à rencontrer avec les agents IA dans leurs environnements informatiques. La différence réside dans la nature des conséquences possibles. Lorsqu’un système agit sur du code, des données ou une infrastructure numérique, son rayon d’action doit être contrôlé. Lorsqu’il participe à une chaîne pouvant éventuellement conduire à une réalisation biologique ou physique, la gouvernance doit également considérer ce passage du numérique vers le réel.

Le concept de moindre privilège devient alors particulièrement pertinent. Un système devrait disposer uniquement des données, outils et capacités nécessaires à la tâche qui lui est confiée. Les environnements sensibles peuvent être segmentés. Certaines actions peuvent exiger plusieurs niveaux d’autorisation. Les activités peuvent être journalisées et les résultats suffisamment traçables pour permettre de comprendre quelles données, quels modèles et quelles interventions humaines ont contribué au processus.

Cette traçabilité devient fondamentale lorsque plusieurs intelligences artificielles participent à la recherche. Une IA peut proposer une hypothèse, une deuxième l’analyser, une troisième effectuer une simulation et une quatrième contribuer à la préparation d’une expérimentation. Lorsque le résultat final possède des conséquences importantes, l’organisation doit être capable de reconstituer cette chaîne de raisonnement et d’action.

Le Dual-Use by Design rejoint ainsi plusieurs principes que nous connaissons déjà en cybersécurité : séparation des responsabilités, moindre privilège, segmentation, journalisation, contrôle des accès, validation indépendante, supervision et capacité d’interrompre une opération. Ces principes peuvent être adaptés aux environnements où convergent intelligence artificielle, recherche scientifique et systèmes physiques.

L’objectif est de permettre l’innovation avec un niveau de contrôle proportionnel aux capacités développées.

Cette approche devient d’autant plus importante que l’IA contribue à réduire le coût de l’exploration. Dans plusieurs domaines scientifiques, une part importante de la difficulté résidait traditionnellement dans le nombre limité d’hypothèses qu’une équipe pouvait raisonnablement examiner. Les systèmes génératifs peuvent multiplier ces possibilités. Ce qui était autrefois improbable simplement parce que personne n’avait le temps de l’explorer peut devenir accessible à une machine capable de parcourir un espace considérable de solutions.

Cette puissance constitue précisément l’une des raisons pour lesquelles l’intelligence artificielle peut accélérer la découverte scientifique. Elle constitue également la raison pour laquelle les mécanismes de gouvernance doivent évoluer au même rythme que les capacités.

La solution ne consiste pas à ralentir systématiquement l’innovation. Dans des domaines comme la résistance antimicrobienne, le développement de médicaments ou la compréhension des maladies, accélérer la recherche peut produire des bénéfices humains considérables. Les progrès récents en thérapie par phages illustrent d’ailleurs un domaine où de nouvelles approches pourraient répondre à des infections difficiles à traiter.

La véritable maturité consiste à développer simultanément la capacité d’innover et la capacité de gouverner cette innovation.

Cela exige également une collaboration entre disciplines. Les spécialistes de l’intelligence artificielle ne peuvent pas, à eux seuls, déterminer toutes les conséquences biologiques d’un système. Les biologistes ne devraient pas avoir à devenir spécialistes de l’architecture de sécurité, de l’IAM ou de la gouvernance des agents. Les équipes de cybersécurité doivent comprendre que certaines infrastructures scientifiques combinent maintenant données, modèles, automatisation et systèmes physiques d’une manière qui dépasse les frontières traditionnelles de l’informatique.

La gouvernance Dual-Use by Design devient donc nécessairement multidisciplinaire. Elle réunit les scientifiques qui comprennent le domaine, les spécialistes de l’IA qui comprennent les modèles, les équipes de sécurité qui comprennent les mécanismes de contrôle, les responsables de conformité qui comprennent les obligations et les dirigeants qui doivent déterminer le niveau de risque acceptable pour l’organisation.

Cette convergence est particulièrement importante pour les secteurs pharmaceutique, biotechnologique, médical, gouvernemental et de la défense. Ces organisations peuvent bénéficier énormément des capacités de l’intelligence artificielle tout en travaillant avec des connaissances, des infrastructures et des recherches dont les conséquences dépassent parfois largement leur propre environnement informatique.

L’Hypersécurité prend ici tout son sens. La sécurité ne concerne plus seulement la protection d’un serveur, d’une base de données ou d’un compte utilisateur. Elle doit considérer les identités humaines et machines, les modèles, les données scientifiques, les outils accessibles aux agents, les infrastructures de calcul, les fournisseurs, les équipements physiques, les chaînes de validation et les conséquences possibles d’une action.

Lorsque le numérique peut influencer directement le biologique, la frontière de la cybersécurité s’élargit.

Les bactériophages générés avec l’aide de modèles d’intelligence artificielle représentent une avancée scientifique remarquable. Ils montrent que l’IA peut commencer à intervenir dans la conception de systèmes biologiques complets et qu’elle pourrait éventuellement contribuer à accélérer des domaines comme la thérapie par phages et la lutte contre certaines infections résistantes aux antibiotiques.

Cette avancée nous enseigne simultanément quelque chose de beaucoup plus large sur l’évolution de l’intelligence artificielle. À mesure que ses capacités quittent l’écran pour rejoindre les laboratoires, les équipements, les infrastructures et le monde physique, les conséquences de ses décisions et de ses créations changent elles aussi d’échelle.

Le Dual-Use technologique devient alors une réalité architecturale. Une même capacité peut ouvrir une nouvelle voie thérapeutique, accélérer une découverte et permettre d’explorer des possibilités auparavant inaccessibles, tout en exigeant des mécanismes de gouvernance proportionnels à la puissance qu’elle rend disponible.

Pour Quantum Beyond, cette évolution renforce l’importance d’une approche où l’innovation, l’architecture, l’AI Governance et l’Hypersécurité progressent ensemble. Les organisations qui travaillent à la frontière de l’IA, de la pharmaceutique, de la biotechnologie, de la santé, de la recherche ou de la défense auront besoin de spécialistes de leurs domaines respectifs. Elles auront également besoin d’une vision transversale capable de comprendre comment les modèles, les données, les identités, les permissions, les infrastructures et les processus de validation interagissent.

Le Dual-Use by Design peut devenir l’un des principes de cette nouvelle génération de gouvernance : identifier les capacités à mesure qu’elles apparaissent, comprendre leurs usages possibles, limiter les privilèges lorsque nécessaire, préserver la traçabilité, maintenir des validations humaines proportionnelles aux conséquences et concevoir les mécanismes de sécurité en même temps que l’innovation.

L’IA nous permettra probablement d’explorer des possibilités scientifiques que nous n’aurions jamais eu le temps d’examiner par nous-mêmes. C’est précisément ce qui rend cette période aussi prometteuse. Plus notre capacité à transformer une idée numérique en réalité biologique, physique ou opérationnelle augmentera, plus notre capacité à gouverner cette transition deviendra une composante essentielle de l’innovation elle-même.