Le nouvel espace de travail Claude Science d’Anthropic est lancé avec un partenaire d’infrastructure de premier plan : NVIDIA. Selon NVIDIA, Claude Science intègre désormais le NVIDIA BioNeMo Agent Toolkit, offrant aux chercheurs en sciences de la vie un moyen d’appeler des outils accélérés de biologie et de chimie depuis une interface en langage naturel, plutôt que d’assembler manuellement des points de terminaison de modèles et des environnements logiciels.
Cette annonce est importante parce qu’elle vise l’un des problèmes les plus difficiles de l’IA appliquée : transformer des assistants généralistes en agents capables d’exécuter de véritables workflows scientifiques. Dans la vision de NVIDIA, Claude Science peut interpréter la demande d’un chercheur, l’acheminer vers des agents spécialisés et appeler des outils empaquetés dans BioNeMo pour des tâches comme l’analyse génomique, la prédiction de structures, la génération moléculaire, le docking et la chimioinformatique. Anthropic met Claude Science en bêta publique, tandis que NVIDIA indique que le toolkit et ses capacités sont disponibles dès maintenant via les ressources développeurs et GitHub.
Pour les créateurs d’IA et les équipes R&D d’entreprise, l’enjeu n’est pas tant une nouvelle intégration de chatbot que le contrôle du workflow. NVIDIA positionne BioNeMo comme la couche qui rend les modèles biologiques utilisables par des agents en production, qu’ils soient exposés via des points de terminaison hébergés ou exécutés localement sur l’infrastructure de l’entreprise.
Ce que NVIDIA et Anthropic lancent réellement
Le changement produit central est la connexion entre Claude Science et le NVIDIA BioNeMo Agent Toolkit. NVIDIA décrit Claude Science comme un espace de travail IA pour la recherche scientifique où les utilisateurs peuvent converser avec des agents en langage naturel et leur faire exécuter le travail de bout en bout. Dans cet environnement, le BioNeMo Agent Toolkit sert de catalogue de compétences scientifiques appelables.
Ces compétences regroupent des capacités accélérées par NVIDIA afin qu’un agent puisse identifier le bon outil, préparer des entrées valides, exécuter la tâche et renvoyer les sorties pour examen. NVIDIA affirme que cela permet aux chercheurs de rester dans une seule interface pendant que les charges de travail sous-jacentes s’exécutent sur des ressources de calcul NVIDIA « déployées n’importe où ».
En pratique, NVIDIA indique que l’intégration donne à Claude Science accès à des modèles et services BioNeMo, notamment Evo 2, Boltz-2 et OpenFold3, ainsi qu’aux microservices NVIDIA NIM de l’entreprise. Les exemples de l’entreprise couvrent la génomique, la protéomique, l’analyse de cellules uniques, la chimioinformatique et les workflows de recherche clinique.
Les supports développeurs de NVIDIA montrent clairement que l’entreprise considère cela comme une couche d’outillage pour agents, et non simplement comme une histoire d’hébergement de modèles. Le toolkit comprend BioNeMo Skills et des wrappers Model Context Protocol qui documentent l’objectif d’un modèle, les entrées requises, les artefacts retournés et la manière de gérer les échecs. Ces métadonnées sont importantes car les agents scientifiques échouent souvent non pas sur le raisonnement brut, mais en choisissant le mauvais outil, en formatant des requêtes invalides ou en interprétant mal les résultats.
Pourquoi NVIDIA met l’accent sur les compétences, pas seulement sur les modèles
Les deux sources NVIDIA soutiennent que les agents pour les sciences de la vie ont besoin de plus qu’un accès à de grands modèles. Un agent généraliste peut savoir que le repliement des protéines ou le docking est pertinent, mais manquer encore des connaissances procédurales nécessaires pour sélectionner un modèle précis, préparer correctement les entrées et interpréter les fichiers retournés. NVIDIA cherche à combler cet écart en standardisant l’interface entre les cadres d’agents et les logiciels scientifiques spécifiques à un domaine.
Cette approche reflète un changement plus large dans l’IA d’entreprise : passer de « l’accès aux modèles » à la « fiabilité des workflows ». En découverte de médicaments et en biologie computationnelle, un appel raté n’est pas qu’une gêne ; il peut casser une boucle en plusieurs étapes impliquant génération de candidats, analyse structurelle, classement et expérimentation de suivi. Le message de NVIDIA est que BioNeMo Skills transforme des capacités biomoléculaires spécialisées en outils prêts pour les agents, plutôt qu’en points de terminaison isolés.
L’entreprise insiste aussi sur la flexibilité de déploiement. NVIDIA indique que les équipes peuvent commencer avec des points de terminaison NIM hébergés pour un accès rapide et une charge d’infrastructure minimale, puis déplacer certains modèles en local lorsqu’elles ont besoin d’une latence plus faible, d’un contrôle plus strict ou d’une meilleure localisation des données. Cette distinction compte pour les équipes pharmaceutiques et biotechnologiques qui peuvent vouloir expérimenter largement d’abord, puis rapatrier les charges de travail répétitives ou les pipelines de données sensibles sur leurs propres systèmes.
Autrement dit, NVIDIA ne vend pas seulement de l’accélération. Elle vend aussi un plan de contrôle sur la manière dont les agents IA découvrent et utilisent les outils de domaine.
Le workflow que NVIDIA dit rendre possible
Le cas d’usage le plus clair mis en avant par NVIDIA est une boucle itérative entre raisonnement scientifique et exécution gourmande en calcul. Un chercheur pourrait demander à Claude Science d’analyser une séquence génomique, de prédire la structure d’une protéine ou de concevoir un candidat liant. Claude Science, selon NVIDIA, orchestre ensuite des agents spécialisés qui comprennent des workflows établis. BioNeMo ajoute les définitions d’outils et l’accès accéléré aux modèles nécessaires pour exécuter réellement les étapes.
L’entreprise donne un exemple en oncologie : partir d’une mutation connue liée au cancer et demander à Claude de concevoir des inhibiteurs potentiels. Dans la description de NVIDIA, Claude Science, associé au BioNeMo Agent Toolkit et aux microservices NVIDIA NIM, peut accélérer les étapes de prédiction, d’optimisation et de validation dans ce workflow.
NVIDIA met aussi en avant des technologies de composants qui alimenteraient une telle boucle d’agents. NVIDIA Parabricks est présenté comme un moyen de réduire l’analyse génomique de plusieurs heures à quelques minutes. RAPIDS-singlecell, que NVIDIA indique avoir été développé par scverse, est cité comme réduisant un workflow de prétraitement et de clustering portant sur 1,3 million de cellules de 52 minutes à 25 secondes. nvMolKit est décrit comme accélérant jusqu’à 3 000 fois certaines opérations de chimioinformatique comme la recherche de similarité et la génération de conformères.
Si ces gains de vitesse se confirment dans des environnements proches de la production, l’enjeu opérationnel est simple : davantage d’étapes peuvent rester dans la boucle de raisonnement active au lieu d’être reléguées à des jobs batch que les chercheurs consultent plus tard. Cela rendrait les agents IA plus utiles pour l’exploration, où chaque résultat modifie la question suivante.
Preuves, benchmarks et ce qui est rapporté par le fournisseur
Les éléments de preuve de cette histoire proviennent entièrement de sources contrôlées par NVIDIA, donc les affirmations les plus fortes sur le produit et les performances doivent être considérées comme rapportées par le fournisseur, sauf vérification indépendante.
Cela inclut le signal d’adoption de NVIDIA selon lequel 18 des 20 plus grandes sociétés pharmaceutiques utilisent NVIDIA BioNeMo. L’entreprise ne nomme pas ces organisations dans les éléments fournis, ne définit pas la profondeur d’utilisation et ne distingue pas les pilotes des déploiements à grande échelle. C’est un indicateur significatif de portée commerciale s’il est exact, mais cela reste le cadrage de NVIDIA.
Les chiffres de performance sont eux aussi fournis par le fournisseur. NVIDIA affirme que RAPIDS-singlecell peut réduire un workflow spécifique portant sur 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. Ce sont des gains importants, mais le texte source ne fournit pas de méthodologie de benchmark complète, ni la configuration matérielle pour chaque cas, ni de reproduction externe.
Le blog développeurs rapporte également un benchmark empirique utilisant Codex CLI avec GPT-5.5 fast, affirmant que l’ajout de BioNeMo Skills a doublé l’efficacité en tokens et porté la réussite des tâches de 57,1 % à 100 %. Ce résultat est intéressant car il suggère que la valeur vient autant d’interfaces d’outils structurées que de la qualité du modèle. Cela dit, il s’agit d’un test interne de NVIDIA, et l’entreprise ne donne pas suffisamment de détails dans les éléments extraits pour juger de l’ampleur réelle de cette amélioration selon les tâches, les configurations d’agents ou les environnements de laboratoire réels.
Le fait plus concret et moins spéculatif est le signal de disponibilité du produit : Claude Science d’Anthropic passe en bêta publique, et NVIDIA indique que le NVIDIA BioNeMo Agent Toolkit et les compétences associées sont disponibles via GitHub et les canaux développeurs de NVIDIA.
Ce que cela signifie pour les créateurs et les acheteurs d’entreprise
Pour les équipes produit IA, ce lancement rappelle que les agents verticaux vivent ou meurent par l’orchestration des outils. Le modèle qui rédige une réponse plausible n’est pas forcément celui qui peut gérer des entrées OpenFold3, acheminer un appel vers Evo 2, analyser les sorties et se remettre d’un échec d’exécution. NVIDIA essaie de rendre cette orchestration réutilisable d’un framework à l’autre en rendant le toolkit « agnostique au harness ». Si cela fonctionne en pratique, cela réduit le coût de création d’agents de domaine au-dessus des piles logicielles de recherche existantes.
Pour les acheteurs d’entreprise dans la pharma et la biotech, l’intérêt est différent. La promesse n’est pas simplement un meilleur chat, mais un délai plus court pour obtenir un workflow utilisable avec des options de déploiement d’entreprise. NVIDIA NIM est central ici parce qu’il encapsule les modèles sous forme de points de terminaison d’inférence conteneurisés avec la pile logicielle préintégrée. Cela devrait réduire une partie du travail opérationnel nécessaire pour déployer des modèles biologiques à partir des sources, en particulier pour les équipes qui veulent une API stable et un runtime maintenable.
Il existe aussi des réserves claires. Les workflows scientifiques sont sensibles à la provenance, à la reproductibilité et à la gestion des échecs. L’accent mis par NVIDIA sur des entrées documentées, des artefacts attendus et des modes d’échec est encourageant, mais les équipes d’entreprise devront malgré tout valider le comportement de Claude Science, BioNeMo et NVIDIA NIM dans leurs propres environnements. Dans les sciences de la vie, une boucle plus rapide n’a de valeur que si les sorties sont interprétables, traçables et adaptées à une revue en aval.
Une autre implication est la concurrence. Cette intégration place Claude Science d’Anthropic dans la conversation non seulement comme interface de modèle fondation, mais aussi comme front end pour des workflows de domaine. Pour les fournisseurs de modèles et les plateformes cloud, le message est que l’IA scientifique pourrait de plus en plus se gagner par des partenariats d’infrastructure et des outils pour agents, plutôt que par la seule performance brute des modèles.
Ce qu’il faut surveiller ensuite
Le premier signal à surveiller est de savoir si Anthropic et NVIDIA vont au-delà des exemples de lancement pour proposer des workflows de recherche nommés avec des données de validation plus claires. Si des utilisateurs publient des résultats reproductibles sur des tâches impliquant Evo 2, Boltz-2, OpenFold3 ou NVIDIA Parabricks, l’histoire devient plus solide qu’une simple annonce de plateforme.
Ensuite, il faut observer les modèles de déploiement. La propre guidance de NVIDIA suggère aux équipes de commencer avec des points de terminaison hébergés et de déplacer localement les charges de travail à appels répétés. La manière dont les entreprises appliqueront réellement cela avec Claude Science dira quelle est la demande pour une infrastructure d’agents hybride dans des environnements de recherche réglementés.
Troisièmement, il faut surveiller un support plus large des frameworks et des outils tiers. NVIDIA affirme que le toolkit est ouvert et agnostique au harness. Si BioNeMo Skills apparaît dans davantage de runtimes d’agents et pas seulement dans Claude Science, le toolkit pourrait devenir une couche d’interopérabilité plus importante.
Enfin, il faudra vérifier si les affirmations du fournisseur sur l’adoption et les gains de benchmark sont confirmées de l’extérieur. Des références publiques d’utilisateurs pharmaceutiques, des études de performance reproductibles ou des benchmarks indépendants renforceraient nettement le dossier de NVIDIA.
Perspective Creati.ai
Cette annonce est surtout importante comme mouvement d’infrastructure, pas comme lancement de modèle. NVIDIA utilise BioNeMo pour résoudre un problème pratique auquel se heurtent de nombreuses équipes IA après la phase de démonstration : les agents généralistes paraissent capables, mais le travail spécialisé s’effondre sans définitions d’outils fiables, options de déploiement et gestion des erreurs. En reliant BioNeMo à Claude Science, NVIDIA tente de faire passer les agents des sciences de la vie d’un comportement d’« assistant » à une exécution opérationnelle de workflow.
L’opportunité est réelle, mais l’écart entre les démonstrations du fournisseur et la science en production l’est aussi. Les affirmations les plus fortes en matière de vitesse et de réussite proviennent ici des propres documents de NVIDIA, et le secteur a encore besoin de preuves indépendantes que ces systèmes peuvent soutenir des boucles de recherche robustes à l’échelle de l’entreprise. Malgré cela, la direction est notable. Dans l’IA d’entreprise, la pile gagnante sera peut-être celle qui rend les outils de domaine appelables, observables et gouvernables — et NVIDIA BioNeMo, Anthropic et Claude Science adressent désormais directement cet argument aux équipes des sciences de la vie.
