31,5 % seulement pour GPT-5.6 Sol sur GeneBench-Pro, loin d'un vrai chercheur

Le chiffre est brutal, presque contre-intuitif. Sur un benchmark pensé pour tester une IA au niveau d’un chercheur en biologie computationnelle, le meilleur système d’OpenAI ne dépasse encore que 31,5 % de réussite sur les cas les plus exigeants.

L’annonce, faite le 30 juin 2026, dit moins la toute-puissance de l’IA que ses limites actuelles. Avec GeneBench-Pro, OpenAI met en scène un paradoxe devenu central dans la course aux modèles avancés : les machines progressent vite, mais restent très loin d’une expertise humaine robuste dès que les problèmes deviennent ambigus, ouverts et réellement scientifiques.

Un benchmark conçu pour sortir l’IA de sa zone de confort

Avec GeneBench-Pro, OpenAI ne vise pas la démonstration spectaculaire sur des questions scolaires ou des tâches standardisées. Le benchmark se concentre sur des problèmes de niveau recherche en génomique, biologie quantitative et médecine translationnelle, avec un parti pris clair : tester des situations où la bonne réponse n’est ni évidente, ni unique, ni facilement récupérable dans la littérature.

C’est un point essentiel. Une large partie des évaluations utilisées jusqu’ici en IA mesure surtout la capacité d’un modèle à retrouver une réponse attendue dans un cadre bien balisé. Or la recherche biomédicale fonctionne rarement ainsi. Les données sont incomplètes, les hypothèses concurrentes, les signaux faibles et les interprétations souvent discutables.

OpenAI insiste d’ailleurs sur ce niveau de difficulté en soulignant qu’un problème typique du benchmark peut demander 20 à 40 heures à un expert humain. Autrement dit, il ne s’agit pas d’un QCM amélioré, mais d’un ensemble de tâches qui ressemblent davantage à de vraies missions d’analyse scientifique.

Le meilleur modèle plafonne à 31,5 %

Le résultat mis en avant par OpenAI mérite d’être lu avec précision. Son meilleur modèle, GPT-5.6 Sol, atteint 28,7 % de pass rate à son plus haut niveau de raisonnement. En activant le mode Pro, ce score monte à 31,5 %.

La performance progresse donc, mais elle reste faible en valeur absolue. C’est précisément ce qui rend l’annonce intéressante. Dans un secteur où les chiffres sont souvent présentés sous l’angle de la percée, OpenAI expose ici un niveau de réussite qui casse l’idée d’une IA déjà “quasi experte” en sciences du vivant.

Même en prenant l’indicateur avec prudence — un benchmark n’épuise jamais la réalité d’un métier — le message est clair : sur des tâches complexes, ambiguës et longues, un modèle de pointe reste encore très en deçà d’un spécialiste capable d’articuler connaissances de domaine, intuition expérimentale, hiérarchisation des incertitudes et jugement biologique.

Le score de 31,5 % n’indique pas une compétence homogène. Il suggère plutôt une capacité partielle, intermittente, efficace dans certains cas mais insuffisamment fiable pour soutenir, seul, un travail de recherche de haut niveau.

Ce que GeneBench-Pro mesure réellement

Le positionnement de GeneBench-Pro est révélateur d’une évolution plus large dans l’évaluation de l’IA. Les benchmarks les plus commentés ces dernières années ont souvent été saturés rapidement : une fois les modèles entraînés ou adaptés à ces tests, les scores montent, mais l’information utile diminue.

OpenAI cherche ici à déplacer le terrain de jeu vers des tâches plus réalistes. En biologie computationnelle, cela signifie travailler dans des zones grises : interpréter des variations génétiques, relier des signaux moléculaires à des mécanismes plausibles, proposer des hypothèses de biomarqueurs, ou encore raisonner dans des contextes translationnels où la pertinence clinique n’est jamais purement théorique.

La difficulté ne tient pas seulement à la quantité de connaissances à mobiliser. Elle vient aussi de la nécessité de construire une chaîne de raisonnement crédible, de gérer des ambiguïtés expérimentales et d’éviter les inférences abusives. C’est précisément là que les modèles génératifs, malgré leurs progrès, montrent encore leurs limites les plus importantes.

Un système peut produire une réponse fluide, techniquement plausible et bien formulée tout en se trompant sur l’essentiel. En biologie, cette distinction entre plausibilité textuelle et validité scientifique est décisive.

Le mythe de l’IA déjà au niveau d’un chercheur prend un coup

Le principal intérêt éditorial de cette annonce est là. Depuis deux ans, une partie du discours public sur l’IA a glissé vers l’idée que les meilleurs modèles seraient déjà proches d’une expertise humaine généralisée, y compris dans des domaines scientifiques pointus. GeneBench-Pro apporte un correctif utile.

Quand un modèle de pointe reste bloqué autour de un tiers de réussite, même avec un mode avancé, il devient difficile de soutenir qu’une IA peut déjà remplacer un biologiste computationnel confirmé sur des tâches de recherche exigeantes.

Cela ne signifie pas que ces systèmes sont marginaux. Au contraire, ils peuvent déjà accélérer certaines étapes : exploration bibliographique, génération d’hypothèses, aide à la structuration d’analyses, reformulation de protocoles, repérage de pistes de validation. Mais l’écart reste massif entre être un bon assistant cognitif et être un expert autonome.

Le chiffre de 20 à 40 heures par problème humain permet de mieux comprendre la comparaison. Un expert ne passe pas ce temps à “calculer” une réponse. Il arbitre entre des hypothèses, recontextualise les données, doute utilement, et sait quand une explication élégante cache une erreur de fond. C’est cette couche de discernement, plus que la simple maîtrise encyclopédique, qui manque encore le plus aux modèles.

Une progression rapide, mais un avertissement implicite

OpenAI ajoute que, au rythme actuel, GeneBench-Pro pourrait être saturé d’ici la fin de l’année. Cette phrase a deux lectures.

La première est optimiste pour l’entreprise : les modèles progressent assez vite pour menacer déjà la durée de vie d’un benchmark lancé fin juin. Dans l’industrie de l’IA, c’est devenu un phénomène classique. Une évaluation ambitieuse finit souvent par devenir trop facile en quelques mois, sous l’effet des gains en raisonnement, en outils et en spécialisation.

La seconde lecture est plus intéressante. Si un benchmark aussi dur peut être saturé rapidement, cela rappelle que l’évaluation est désormais un champ de bataille à part entière. Les laboratoires n’ont plus seulement besoin de modèles plus puissants ; ils ont besoin de tests capables de distinguer une vraie compréhension scientifique d’une performance optimisée pour un cadre donné.

Autrement dit, même si GeneBench-Pro est “battu” avant la fin de 2026, cela ne prouvera pas automatiquement que l’IA est devenue experte en biologie. Cela montrera surtout que la mesure doit être déplacée, enrichie, durcie.

Ce que cela implique pour la biopharma et la recherche

Pour les laboratoires académiques, les équipes de biotech et la pharmacie, le signal est concret. Les modèles de pointe méritent d’être intégrés dans les flux de travail, mais comme outils de productivité supervisés, pas comme substituts à l’expertise scientifique.

Dans les domaines les plus sensibles — sélection de cibles thérapeutiques, interprétation de variants, priorisation de mécanismes pathologiques, lien entre signal moléculaire et action clinique — une erreur bien présentée peut coûter du temps, de l’argent et orienter une équipe dans une mauvaise direction pendant des semaines.

Le score de 31,5 % rappelle donc une règle simple : plus la tâche ressemble à une vraie recherche, moins la performance brute d’un modèle suffit à garantir sa valeur opérationnelle.

Cela n’empêche pas un potentiel économique réel. Si une IA aide un expert à gagner quelques heures sur un problème qui en demande 20 à 40, l’effet cumulé peut être significatif. Mais cette promesse relève davantage de l’augmentation du travail scientifique que de son automatisation complète.

Le prochain test sera moins le score que la fiabilité

La publication de GeneBench-Pro marque moins une démonstration de supériorité qu’un moment de lucidité utile. Oui, les meilleurs modèles savent déjà attaquer des problèmes de biologie computationnelle de très haut niveau. Non, ils ne s’en approchent pas encore avec la constance d’un vrai spécialiste humain.

Le prochain jalon à surveiller sera double : d’un côté, l’évolution du score de GPT-5.6 Sol et de ses concurrents sur ce benchmark ; de l’autre, la capacité des acteurs du secteur à mesurer non seulement la réussite, mais la fiabilité, la reproductibilité et le coût d’erreur dans des contextes biomédicaux réels.

Si GeneBench-Pro est effectivement saturé avant la fin de 2026, la question ne sera pas seulement de savoir quel modèle aura gagné. Elle sera de déterminer si ces systèmes ont réellement réduit l’écart avec l’expertise humaine — ou s’ils sont simplement devenus meilleurs pour passer un test de plus.