OpenAI a présenté BioBasicsBench, un nouveau référentiel d'évaluation composé d'une centaine de tâches conçues pour tester la capacité des agents d'intelligence artificielle à traiter des problèmes concrets de biologie expérimentale. L'objectif affiché est de mesurer dans quelle mesure ces systèmes savent lire, interpréter et tirer des conclusions à partir de données brutes issues de manipulations de laboratoire, un exercice qui diffère sensiblement des tâches de raisonnement abstrait sur lesquelles les modèles sont habituellement évalués.
Le choix du terme « everyday » dans la description du benchmark suggère que l'accent est mis sur des opérations courantes plutôt que sur des expériences de pointe ou des découvertes inédites. Il s'agirait donc moins de tester la créativité scientifique d'un agent que sa fiabilité sur des tâches routinières : lecture de résultats de dosages, interprétation de courbes, détection d'anomalies dans des jeux de données expérimentaux, ou encore suivi de protocoles standards. Ce type d'évaluation répond à une préoccupation pratique grandissante dans les laboratoires de recherche en sciences de la vie, où l'automatisation partielle par des agents IA est de plus en plus envisagée pour accélérer certaines étapes du travail expérimental.
OpenAI reste pour l'instant peu disaparate sur la méthodologie précise de construction du jeu de tâches, sur les métriques retenues ou sur les résultats obtenus par ses propres modèles. L'annonce, très concise, ne précise pas non plus si BioBasicsBench sera rendu public pour permettre à d'autres laboratoires de comparer leurs systèmes, ni quels types d'organismes de recherche ou partenaires académiques ont contribué à sa conception.
Cette initiative s'inscrit dans une tendance plus large où les grands laboratoires d'IA cherchent à démontrer l'utilité de leurs modèles pour les sciences expérimentales, au-delà des cas d'usage purement textuels ou logiciels. Si les détails techniques restent encore flous, la création d'un benchmark dédié aux tâches de laboratoire humide témoigne d'un intérêt croissant pour évaluer, de manière rigoureuse, la fiabilité des agents IA dans des contextes scientifiques à fort enjeu de précision.