En bref
Ajouter un outil d’intelligence artificielle ne suffit pas à améliorer le travail dans un laboratoire. Pour être utile, cet outil doit comprendre où en est le travail et comment les informations s’y rattachent. Relier les logiciels et les étapes du travail peut réduire les retards et les erreurs, et aider l’IA à proposer une aide mieux adaptée.
L’intelligence artificielle fait beaucoup parler d’elle dans les laboratoires, mais l’installation d’un nouvel outil ne garantit pas, à elle seule, une amélioration du travail. Pour être vraiment utile, un système intelligent doit comprendre ce qui se passe autour de lui : quelle étape a été réalisée, quelles informations s’y rapportent et ce qui doit suivre. Si ces éléments sont dispersés entre des logiciels et des procédures qui fonctionnent chacun de leur côté, l’IA peut être présente sur le plan technique sans avoir accès au contexte qui rend ses réponses pertinentes.
C’est le sujet abordé dans une discussion du podcast GEN, troisième épisode d’une série consacrée à cette question. Denise Bell, vice-présidente chargée de la gestion des produits et du marketing chez LabVantage, y examine les moyens de réduire la fragmentation des opérations et de créer des processus de laboratoire connectés et faciles à déployer à plus grande échelle. L’enjeu ne se limite pas à ajouter de nouveaux outils numériques : il faut d’abord s’intéresser aux liens entre les systèmes et les étapes qui structurent le travail scientifique au quotidien.
Quand les informations sur le travail sont dispersées
Dans un laboratoire, une information est rarement un simple chiffre isolé. Elle peut concerner le résultat d’une mesure, un échantillon ou une étape déjà réalisée, ou encore une étape qui doit suivre. Pour la comprendre, il faut savoir d’où elle vient et où elle se situe dans le déroulement du travail. Lorsque différents systèmes ne conservent chacun qu’une partie de ces éléments, il devient plus difficile de les rassembler et de comprendre leurs liens.
La discussion décrit ce problème comme une série d’« îlots d’information » : les données existent, mais restent en pratique enfermées dans des systèmes qui partagent mal leur contexte. Cela ne signifie pas nécessairement qu’elles ont disparu. Elles peuvent être enregistrées quelque part, sans pour autant être accessibles ou reliées automatiquement aux opérations menées à une autre étape. Les personnes qui font avancer le travail risquent alors de devoir chercher à nouveau les informations ou les recopier à la main, au lieu de les retrouver directement dans le processus.
Cette séparation complique à la fois le sens des données et leur utilisation. Un résultat affiché dans un logiciel ne dit pas forcément ce qui l’a précédé ni comment il se rattache à une procédure suivie ailleurs. Plus il faut réunir des éléments provenant de sources distinctes, plus la compréhension de la situation dans son ensemble dépend de la coordination entre les systèmes et les personnes. Relier les outils n’est donc pas qu’une question d’organisation technique : c’est aussi une manière de préserver le contexte scientifique et opérationnel au fil du travail.
Les transmissions manuelles, un petit geste qui peut dérégler le processus
La fragmentation se manifeste notamment lorsque des tâches ou des informations sont transmises manuellement d’une étape à l’autre. Le geste peut sembler anodin, mais il crée un point de vigilance supplémentaire : la bonne information doit parvenir au bon endroit et être comprise dans le contexte de l’étape suivante. Plus un processus repose sur ce type de transmission, plus il peut être exposé à des retards ou à des erreurs dans le transfert des détails, comme le souligne la discussion.
Cela ne veut pas dire que toute intervention humaine est indésirable, ni que chaque activité peut ou doit être automatisée. Il s’agit plutôt de repérer les tâches répétitives qui séparent les systèmes sans apporter, en elles-mêmes, de valeur scientifique. S’il faut ressaisir des informations déjà disponibles ou rechercher manuellement l’état d’une étape précédente, mieux relier les processus peut alléger cette charge et rendre le passage d’une tâche à l’autre plus clair.
En réduisant les manipulations manuelles, le déroulement du travail peut gagner en cohérence et devenir plus facile à suivre. Mais l’ajout d’une fonction d’intelligence artificielle ne suffit pas à produire ce résultat. Il faut d’abord repérer les points de transmission, déterminer quelles informations doivent circuler et identifier les systèmes qui doivent les échanger. Sans cette compréhension, le nouvel outil risque d’être intégré à un processus toujours fragmenté : l’interface change, mais le problème de fond demeure.
Quatre types de systèmes réunis dans un même environnement de travail
La discussion évoque la réunion de quatre types de systèmes dans un environnement commun, destiné à organiser le travail de laboratoire. Le premier est le système de gestion des informations de laboratoire, ou LIMS, qui contribue à gérer les informations et les opérations du laboratoire. Vient ensuite le cahier de laboratoire électronique, ou ELN, qui permet de consigner numériquement le travail scientifique. Le système d’exécution des procédures de laboratoire, ou LES, se concentre sur les étapes à réaliser, tandis que le système de gestion des données scientifiques, ou SDMS, sert à gérer ces données.
Chacun de ces systèmes a une fonction particulière. Les réunir dans un même environnement ne signifie donc ni que leurs rôles deviennent identiques ni qu’un outil unique rend les autres inutiles. L’objectif est qu’ils fonctionnent ensemble, plutôt que d’obliger les utilisateurs à les traiter comme des îlots indépendants. Lorsque la documentation du travail est reliée aux informations, aux étapes d’exécution et aux données correspondantes, les liens entre les différentes parties d’un processus deviennent plus faciles à voir.
L’intérêt d’une telle intégration est de ne pas laisser le contexte s’arrêter aux limites d’un logiciel. Les informations nécessaires à une étape peuvent être associées au bon moment du processus, tandis que la connaissance de l’état d’avancement peut aider à orienter la suite du travail. C’est l’approche présentée dans la discussion, et non la promesse que toute connexion éliminera automatiquement les erreurs. Dans un environnement numérique, la qualité de l’organisation, de la conception et de la mise en œuvre reste déterminante.
Coordonner les différentes fonctions du laboratoire devient alors essentiel. Au lieu de considérer chaque système comme un outil isolé, on peut se demander comment les tâches s’enchaînent, de quelles informations chaque partie a besoin et à quel moment les données doivent passer d’un système à l’autre pour conserver leur sens. Ces questions aident à imaginer un environnement de travail connecté et à repérer les endroits où il serait possible de réduire les transferts manuels ou les recherches répétées.
Pourquoi l’intelligence artificielle a-t-elle besoin de contexte ?
Un outil d’intelligence artificielle peut traiter les informations auxquelles il a accès, mais l’utilité de son aide dépend aussi de la possibilité de comprendre ce que ces informations représentent. Si les données lui parviennent sans lien compréhensible avec le déroulement du travail, sa capacité à apporter un soutien adapté peut être limitée. En revanche, lorsque les données sont reliées aux étapes et aux fonctions qui les ont produites, l’outil est mieux placé pour comprendre les conditions de travail qu’il doit aider.
C’est pourquoi la discussion établit un lien entre l’organisation des opérations et la possibilité de tirer parti de l’intelligence artificielle. Le contexte scientifique montre comment une information se rattache au travail qui l’a produite ; le contexte opérationnel indique où elle se situe dans l’enchaînement des tâches. En réunissant ces deux dimensions, on donne aux outils d’IA de meilleures bases pour aider, au lieu de les faire fonctionner sur des informations dispersées dont les liens restent obscurs.
La confiance est particulièrement importante dans ce contexte. Un laboratoire n’a pas seulement besoin d’une réponse qui paraît intelligente : il lui faut une aide dont on puisse comprendre les fondements au regard du processus concerné. La source ne fournit ni mesure chiffrée de la précision ni mesure du degré de confiance, et ne présente pas non plus de résultat issu d’une expérience précise. Elle expose plutôt un principe général : relier les systèmes et les étapes de travail donne à l’IA le contexte nécessaire pour rendre son aide plus exploitable et plus facile à déployer à plus grande échelle.
Étendre les usages ne consiste pas simplement à faire fonctionner un outil dans un seul lieu ou pour une seule tâche. Lorsque le travail repose sur des bases connectées, il devient plus facile d’envisager son utilisation dans d’autres fonctions ou processus, car le travail dépend moins de solutions provisoires entre les systèmes. Cela dit, les connexions ne garantissent pas à elles seules la réussite d’une application. Elles créent un environnement plus favorable, mais le choix des usages appropriés et la manière de les mettre en œuvre restent à définir.
Par où commencer au laboratoire ?
La discussion présente des pistes pratiques pour commencer à adopter l’intelligence artificielle, mais les éléments disponibles ne donnent pas de liste précise d’étapes. On peut donc dégager une orientation générale à partir du problème décrit, sans attribuer à l’intervenante des recommandations détaillées qui ne sont pas mentionnées : commencez par comprendre les processus en place, plutôt que de supposer qu’un nouvel outil réglera automatiquement tout ce qui entrave le travail.
Un laboratoire peut représenter le cheminement d’une tâche, de son début à sa fin, puis se demander où les informations sont enregistrées, où elles sont saisies une deuxième fois et à quels moments le contexte se perd lors du passage d’un système à l’autre. Cet examen aide à cerner la nature du problème : manque-t-il des informations ? Est-il difficile d’y accéder ? Ou bien les données existent-elles sans être reliées à l’étape qui en a besoin ? Repérer précisément le point de blocage permet d’aborder plus concrètement la question des connexions entre systèmes.
Il est ensuite utile d’examiner les systèmes en fonction de leur rôle, et pas seulement de leur nom. Quelles informations le système de gestion du laboratoire conserve-t-il ? Comment le cahier de laboratoire électronique se rattache-t-il aux étapes d’exécution ? Où se trouvent les données scientifiques qui doivent rester compréhensibles dans le contexte du processus ? Il n’existe pas de réponse universelle, mais poser ces questions permet de déterminer ce que les systèmes doivent échanger pour réduire les lacunes.
Il est également important de distinguer deux objectifs liés, mais différents : améliorer le déroulement du travail et ajouter de l’intelligence artificielle. L’examen des processus peut révéler qu’il faut d’abord mieux organiser ou relier certaines opérations. Une fois les liens entre les données et les étapes clarifiés, il devient plus facile de déterminer où les outils intelligents peuvent réellement aider, plutôt que de les utiliser simplement parce qu’ils sont disponibles. L’IA s’intègre alors à un processus compréhensible, au lieu de former une couche distincte.
Des systèmes connectés : une base, pas une solution miracle
L’expression « environnement unifié » peut donner l’impression que le problème se règle facilement. Pourtant, l’unité ne consiste pas simplement à tout placer au même endroit. L’essentiel est que les informations restent traçables et compréhensibles lorsqu’elles passent d’une tâche ou d’un système à l’autre. Si l’on rassemble les outils sans revoir la manière dont les données et leur contexte circulent, la fragmentation peut subsister sous une nouvelle apparence.
La discussion ne promet pas que l’intelligence artificielle fera disparaître toutes les erreurs ou raccourcira toutes les procédures. Elle s’intéresse plutôt aux conditions à réunir avant d’en tirer parti : réduire la fragmentation, coordonner le travail, limiter les transmissions manuelles et relier les principaux outils du laboratoire. Ces éléments préparent le terrain pour que l’aide numérique soit mieux adaptée à la réalité du laboratoire, mais ils ne dispensent pas de comprendre ses besoins ni d’évaluer les solutions qui lui conviennent.
Préserver le contexte ne profite pas seulement aux outils. Les personnes qui travaillent au laboratoire ont elles aussi besoin de mieux voir les liens entre les informations et les étapes, et de pouvoir suivre un parcours qui les oblige moins à passer d’une source isolée à une autre. Quand les opérations sont mieux connectées, le suivi du travail et la compréhension de la place de chaque information peuvent devenir plus simples. L’intelligence artificielle s’inscrit ainsi dans une transformation plus large de l’organisation du travail : elle ne remplace pas cette organisation.
Conclusion
Le message central de la discussion avec Denise Bell, dans le troisième épisode du podcast GEN, est qu’il faut préparer le terrain sur lequel l’intelligence artificielle sera utilisée au laboratoire. Des systèmes séparés peuvent disperser les informations et leur faire perdre une partie de leur contexte, tandis que les transmissions manuelles prennent du temps et créent des occasions d’erreur. Selon l’approche présentée, coordonner les processus et relier les systèmes LIMS, ELN, LES et SDMS dans un environnement de travail connecté peut fournir un contexte scientifique et opérationnel plus clair.
La source ne donne ni chiffres ni résultats quantitatifs, et ne détaille pas de plan de mise en œuvre. Elle défend toutefois une idée simple : réfléchir à l’intelligence artificielle ne devrait pas commencer par le choix de l’outil. Comprendre les processus, réduire les îlots d’information et faciliter la circulation des données sont des étapes préalables qui peuvent rendre l’aide intelligente plus utile et plus facile à déployer à plus grande échelle. Si ces bases sont soigneusement établies, la question n’est plus seulement de savoir si l’IA sera présente au laboratoire, mais comment l’intégrer là où elle pourra comprendre le travail et le soutenir.