Jeff Dean quitte Google après 27 ans pour fonder Discovery Loop : l’IA au service de la science automatisée

Le 5 août 2026, Sundar Pichai, PDG de Google, a envoyé un mémo interne annonçant un mouvement de direction majeur : le scientifique en chef Jeff Dean, après 27 ans au sein du groupe, quitte l’entreprise pour cofondar une nouvelle société, Discovery Loop, aux côtés de son partenaire historique Sanjay Ghemawat. La mission de la jeune pousse résume son ambition en une phrase : automatiser les expériences scientifiques grâce à l’IA pour permettre à une poignée de personnes de réaliser le travail qui nécessitait autrefois un laboratoire entier.

La nouvelle a fait l’effet d’une onde de choc dans l’écosystème technologique. Sur le forum Hacker News, la discussion a rassemblé en quelques heures plus de 500 points et plus de 300 commentaires, se hissant en tête des sujets du jour. Dans le monde de la tech, un départ n’avait pas suscité un tel engouement depuis l’éviction temporaire de Sam Altman chez OpenAI. Par ailleurs, ce mémo s’accompagne d’une restructuration globale de la gouvernance de l’IA chez Google : Demis Hassabis, patron de DeepMind, passe de PDG à président du conseil d’administration, remplacé par un autre vétéran de la maison. Le départ de Dean constitue la pièce maîtresse de ce jeu de chaises musicales.

Qui est Jeff Dean ? Si le grand public ne connaît pas forcément son nom, le quotidien numérique mondial repose en grande partie sur les systèmes qu’il a contribué à bâtir. L’infrastructure du moteur de recherche Google, de Google Traduction et de Google Maps fonctionne sur des architectures fondatrices conçues sous sa gouverne. En 2004, lui et Sanjay Ghemawat ont inventé MapReduce, un paradigme de calcul distribué permettant de répartir des traitements gigantesques sur des milliers de serveurs. Cette avancée a propulsé l’essor de Google et posé les jalons de l’ère du Big Data. En 2011, il a cofondé Google Brain, puis a orchestré en 2015 le passage en open source de TensorFlow, le framework de deep learning qui sous-tend aujourd’hui une majeure partie des applications d’IA dans le monde. Après la fusion des pôles d’IA de Google en 2023, il a occupé le poste de scientifique en chef, le sommet de la hiérarchie technique. Né à Hawaï en 1968, sa carrière avait commencé bien plus tôt : dès son master, il concevait pour l’Organisation mondiale de la santé (OMS) des logiciels de modélisation de la propagation du VIH.

Illustration : Jeff Dean en 2025. Source : upload.wikimedia.org

Pourquoi un ingénieur au sommet de sa carrière choisit-il de partir à 58 ans ? Le communiqué officiel de Google s’est voulu chaleureux : après 27 ans, Dean souhaitait explorer de nouveaux horizons, et Google lui apporte son soutien total en entrant au capital en tant qu’investisseur fondateur tout en maintenant un partenariat cloud. En apparence, il s’agit d’une séparation idéale et empreinte de bienveillance. Cependant, les observateurs soulignent que la taille actuelle de Google n’offre plus la réactivité d’antan : avec près de 200 000 collaborateurs et une gamme de produits d’IA desservant 950 millions d’utilisateurs actifs mensuels sur l’application Gemini, faire passer une idée du laboratoire au produit exige de traverser d’innombrables niveaux de validation. Pour un profil comme celui de Dean, l’actif le plus précieux — la liberté d’expérimenter et d’échouer rapidement — est devenu excessivement coûteux au sein d’un géant du Web. Le commentaire d’un ingénieur chevronné sur Hacker News résumait bien le sentiment général : « Avec le départ de Jeff et Sanjay, c’est une époque dorée qui s’achève. Pour beaucoup d’ingénieurs séniors, la dernière raison de rester chez Google était de se dire : “Au moins, Jeff and Sanjay sont toujours là”. »

Ce qui nous amène à la question centrale : en quoi consiste exactement la « boucle d’expérimentation automatisée » qu’ils entendent concevoir ?

Rappelons comment la science progresse traditionnellement : un chercheur formule une hypothèse, conçoit une expérience, la réalise, en analyse les résultats, affine son hypothèse puis conçoit l’expérience suivante. Cette boucle « hypothèse — expérience — observation — ajustement » constitue le cœur battant de la méthode scientifique. Simple sur le papier, le processus est extrêmement lent : une seule expérience peut prendre des semaines ou des mois ; un laboratoire composé de dizaines de personnes ne mène à terme que quelques grandes études par an. Discovery Loop ambitionne de confier l’intégralité de ce cycle à l’IA : l’IA émet des hypothèses, conçoit et exécute les expériences, interprète les données et décide des étapes suivantes — le tout en menant des milliers de tests en parallèle. Selon les termes du site officiel : imaginez un avenir où un petit groupe d’individus réalise des travaux de recherche scientifique avec une vitesse et une qualité bien supérieures à celles des grandes structures traditionnelles.

Illustration : Schéma conceptuel de la « boucle d’expérimentation automatisée » sur le site de Discovery Loop. Source : discoveryloop.com

En quoi cette approche est-elle radicale ? Depuis des décennies, l’accélération de la recherche reposait sur l’augmentation des moyens humains et financiers — plus de laboratoires, plus de chercheurs, plus de budgets. Le pari de Dean repose sur l’idée que le véritable goulot d’étranglement de la recherche est l’humain : les chercheurs sont lents, coûteux et sujets à la fatigue lors de l’exécution des tests. En automatisant la boucle, la vitesse d’exécution ne dépend plus des effectifs mais de la puissance de calcul et du degré de parallélisation. L’équipe a choisi de s’attaquer d’abord au domaine qu’elle maîtrise le mieux : la recherche en intelligence artificielle elle-même. En laissant l’IA automatiser les expériences sur l’IA pour optimiser leur propre infrastructure technique, ils poseront les bases avant d’étendre leur méthode à d’autres disciplines scientifiques. L’équipe fondatrice réunit quatre figures : Jeff Dean, Sanjay Ghemawat, Quoc Le et Oriol Vinyals. Selon l’entreprise, trois d’entre eux figurent parmi les chercheurs en IA les plus cités au monde, et deux parmi les plus cités dans le domaine des systèmes distribués. Des innovations majeures comme le moteur Google, TensorFlow, AlphaFold ou Gemini sont nées de leurs travaux.

Illustration : L’équipe fondatrice de Discovery Loop, de gauche à droite : Vinyals, Ghemawat, Dean, Le. Source : discoveryloop.com

Les ambitions ne s’arrêtent pas là. Le site présente une feuille de route alignée sur les 14 Grands Défis de l’Ingénierie définis par l’Académie nationale d’ingénierie des États-Unis : rendre l’énergie solaire économique, maîtriser la fusion nucléaire contrôlée, garantir l’accès à l’eau potable pour l’humanité, concevoir de meilleurs médicaments, sécuriser le cyberespace et créer des outils scientifiques de pointe. Dean a affirmé sur les réseaux sociaux que sa méthodologie pouvait couvrir des sous-problèmes majeurs dans la quasi-totalité de ces 14 défis. Chacun de ces axes représente des décennies de travail et des dizaines de milliards de dollars investis sans solution définitive à ce jour. De telles annonces relèvent soit d’une réelle avancée technologique, soit d’un discours séduisant destiné aux investisseurs — et dans l’univers des startups, les deux vont souvent de pair.

Sans surprise, la controverse s’est immédiatement invitée dans les débats. Sur Hacker News, les discussions se sont enflammées autour de la question récurrente du remplacement des travailleurs par l’IA. L’intervention de l’utilisateur beloch, l’une des plus plébiscitées, résume bien le scepticisme ambiant : la promesse centrale de cette entreprise revient à automatiser les chercheurs humains pour qu’un petit comité s’approprie la totalité du mérite et des retombées financières — un scénario classique dans le monde de l’IA, mais étendu cette fois aux scientifiques eux-mêmes. En poussant cette logique, si l’IA automatise l’expérimentation, les premiers touchés ne seront pas les directeurs de recherche, mais les assistants et techniciens de laboratoire.

À l’inverse, les partisans avancent des arguments tout aussi solides : le temps précieux des scientifiques ne doit pas être gaspillé dans des tâches d’exécution répétitives. La mise au point d’un nouveau médicament nécessite en moyenne plus de dix ans et plus d’un milliard de dollars ; si la boucle d’expérimentation peut être compressée d’un ordre de grandeur, les molécules thérapeutiques, nouveaux matériaux et batteries de nouvelle génération apparaîtront à un rythme inédit, au bénéfice de la société tout entière. D me d’autres intervenants ont répliqué avec pragmatisme : pourquoi s’en priver ? Si le système tient ses promesses, la portée de ses découvertes balayera toutes les réticences.

Le désaccord fondamental porte sur la répartition des fruits du progrès. La faisabilité technique est un enjeu d’ingénierie ; savoir à qui profitent les avancées et si le grand public pourra en bénéficier relève d’un choix de société. Présenter ces deux visions est essentiel car la question reste aujourd’hui ouverte. Par ailleurs, la recherche automatisée soulève un problème inévitable de fiabilité : lorsque l’IA conçoit les tests et en interprète les résultats, comment détecte-t-elle ses propres erreurs ? L’histoire des sciences regorge d’expériences non reproductibles menées par des humains ; si la recherche humaine peine déjà sur ce point, qui contrôlera les résultats générés par l’IA ? L’équipe de Dean est probablement l’une des mieux armées au monde pour répondre à ce défi, mais la compétence théorique ne vaut pas encore preuve de réussite.

Pour le grand public, l’enjeu est très concret : si Discovery Loop réussit, les délais de mise sur le marché des médicaments, le coût des batteries de véhicules électriques ou le rendement des panneaux solaires individuels s’en trouveront profondément changés. En cas d’échec, le projet restera comme un pari coûteux de plus dans la vague actuelle de l’IA. Quel que soit le dénouement, une tendance s’impose : la recherche scientifique bascule progressivement d’un modèle fondé sur la masse salariale vers un modèle articulé autour des algorithmes et de la puissance de calcul — et le volant de cette transition est actuellement entre les mains de quelques ingénieurs quinquagénaires.

Liens de référence :

• Site officiel de Discovery Loop
• Communiqué officiel de Google : Next Chapter of AI Momentum
• Discussion HN (item?id=49184960)
• Discussion HN (item?id=49184755)