CuspAI : quand l'Europe forme ses propres cerveaux pour découvrir les matériaux de demain

# CuspAI : quand l'Europe forme ses propres cerveaux pour découvrir les matériaux de demain

Il y a des secteurs où l'on ne pense pas spontanément à l'intelligence artificielle. La science des matériaux en fait partie. Et pourtant, c'est précisément là que se joue une bataille technologique silencieuse — avec des implications qui dépassent largement les laboratoires.

CuspAI, une startup fondée à Cambridge, a décidé de s'attaquer à l'un des problèmes les plus chronophages de la recherche industrielle : trouver de nouveaux matériaux. Pas en remplaçant les chercheurs, mais en compressant drastiquement le temps entre une hypothèse et une validation expérimentale. Pour les décideurs IT qui gèrent des entreprises industrielles, pharmaceutiques ou en transition énergétique, ce signal mérite attention.

Ce que fait concrètement CuspAI

La découverte de matériaux est historiquement un processus empirique, lent et coûteux. Un chercheur peut passer des années à tester des combinaisons d'éléments chimiques pour trouver un alliage plus résistant, un électrolyte plus stable, ou un polymère plus biodégradable. Le taux d'échec est structurellement élevé, non par manque de compétences, mais par la nature combinatoire du problème : l'espace des matériaux possibles est astronomiquement vaste.

CuspAI utilise des modèles de fondation entraînés sur des données atomistiques et cristallographiques pour prédire les propriétés de matériaux avant même qu'ils soient synthétisés. L'approche n'est pas radicalement nouvelle dans son principe — DeepMind avait déjà créé l'effet d'annonce avec GNoME en 2023, en prédisant des millions de structures cristallines stables. Mais ce que CuspAI propose va plus loin dans la chaîne de valeur : il s'agit de connecter ces prédictions à des workflows de R&D réels, dans des environnements industriels, pas seulement académiques.

Concrètement, la startup développe des modèles capables d'accélérer la simulation moléculaire — notamment via des potentiels d'apprentissage automatique, ou MLIPs, qui remplacent les calculs de mécanique quantique traditionnels par des approximations beaucoup plus rapides, tout en conservant une précision suffisante pour orienter la recherche.

Pourquoi ce sujet émerge maintenant

Le timing n'est pas anodin. Plusieurs forces convergent en 2026.

Premièrement, la pression sur les chaînes d'approvisionnement en matières premières critiques a considérablement accéléré l'intérêt des industriels européens pour les matériaux de substitution. Les politiques de souveraineté sur les minéraux critiques — lithium, cobalt, terres rares — ont rendu brûlante la question : peut-on concevoir des batteries, des semi-conducteurs ou des catalyseurs qui dépendent moins de ressources géopolitiquement sensibles ?

Deuxièmement, la puissance de calcul disponible a franchi un seuil. Les simulations moléculaires qui nécessitaient des supercalculateurs nationaux il y a dix ans sont aujourd'hui accessibles via des infrastructures cloud spécialisées. Ce n'est plus réservé aux grands groupes chimiques ou aux laboratoires nationaux.

Troisièmement — et c'est le point qui intéresse directement les décideurs IT — les modèles de fondation spécialisés commencent à atteindre une maturité opérationnelle. On ne parle plus de prototypes de recherche, mais de systèmes que des équipes R&D peuvent intégrer dans leurs processus.

L'angle européen : une vraie question, pas un argument marketing

Il faut être honnête : CuspAI est une entreprise britannique, post-Brexit. Ce détail compte, même si le Royaume-Uni reste un partenaire scientifique et économique étroit de l'Union européenne. Le qualifier d'acteur « européen » mérite nuance.

Mais la dynamique qu'il représente, elle, est bien européenne. Cambridge est l'un des centres mondiaux de la recherche en science des matériaux computationnelle. Des acteurs comme le groupe suédois Peltarion, ou des initiatives portées par le programme Horizon Europe autour des jumeaux numériques moléculaires, construisent un écosystème qui ne se réduit pas aux géants américains ou aux ambitions chinoises.

La vraie question de souveraineté ici n'est pas de savoir si le siège social est à Londres, Dublin ou Munich. Elle est ailleurs : sur quelles données ces modèles sont-ils entraînés ? Où tournent-ils ? Et surtout, qui contrôle les résultats produits — c'est-à-dire les structures de matériaux nouvellement découvertes, qui peuvent constituer de véritables actifs de propriété intellectuelle ?

Un DSI d'un groupe industriel qui intègre une plateforme de découverte de matériaux dans ses workflows R&D n'achète pas seulement un outil. Il externalise potentiellement une partie de son pipeline d'innovation. Les questions de confidentialité des données d'entrée (formulations, conditions d'expérience, résultats internes) et de propriété des outputs doivent être posées dès le départ, pas après signature.

Ce que ça change pour les décideurs IT industriels

Si votre entreprise fait de la R&D sur des matériaux — et c'est le cas de beaucoup plus d'ETI qu'on ne le pense, dans la chimie de spécialité, l'emballage, l'énergie, la mécanique de précision — plusieurs implications méritent d'être prises au sérieux.

La R&D computationnelle sort du laboratoire académique. Pendant longtemps, ce type d'outil était réservé aux grands groupes disposant d'équipes de chimistes computationnels internes. Ce n'est plus le cas. Des plateformes comme celle de CuspAI — ou d'autres acteurs spécialisés comme Enthought, qui propose des environnements Python orientés science des données pour l'industrie — visent explicitement à rendre ces capacités accessibles à des équipes plus modestes.

Mais accessible ne veut pas dire simple à intégrer. Le vrai coût n'est pas l'abonnement à une plateforme : c'est la qualification des utilisateurs, la mise en place de pipelines de données cohérents entre le labo physique et l'environnement numérique, et la définition de critères de validation qui permettent de faire confiance aux prédictions du modèle. C'est un projet IT et scientifique, pas un achat de logiciel.

Les données internes de R&D deviennent un actif stratégique à protéger. Les modèles de fondation sont d'autant plus performants qu'ils sont fine-tunés sur des données propriétaires. Cela signifie que vos données d'expériences passées — même imparfaites, même anciennes — ont une valeur pour entraîner ou adapter ces systèmes. Encore faut-il les avoir correctement archivées, structurées, et savoir où elles sont stockées. Beaucoup d'industriels européens ont de véritables mines d'or dans leurs archives expérimentales, inutilisées faute d'organisation des données.

La question du vendor lock-in se pose différemment ici. Dans le monde du CRM ou de l'ERP, le lock-in est une notion connue. Dans l'IA de découverte scientifique, elle prend une forme plus insidieuse : si vos équipes R&D travaillent pendant deux ans avec un outil propriétaire et construisent leurs workflows autour, la dépendance devient structurelle. L'interopérabilité avec des formats ouverts — SMILES pour les structures chimiques, CIF pour les cristaux — et la portabilité des données doivent être des exigences contractuelles, pas des options.

Comment aborder le sujet sans se précipiter

Pour un DSI ou un CTO d'ETI industrielle qui découvre ce domaine, quelques réflexes de bon sens.

Ne pas confondre vitesse et précipitation. La promesse de « découvrir des matériaux 100 fois plus vite » est séduisante mais doit être contextualisée. Ces systèmes accélèrent la phase de screening computationnel. Ils ne remplacent pas la validation expérimentale, qui reste incontournable. Le gain de temps se mesure sur l'ensemble du cycle, pas sur une seule étape. Exigez des démonstrateurs sur vos cas d'usage réels avant tout engagement.

Parler à vos équipes R&D avant de parler aux vendeurs. Ce type de projet échoue souvent non par défaut technologique, mais par défaut d'adoption. Les chercheurs ont des habitudes de travail, des outils établis, et souvent une méfiance légitime envers les systèmes qui prétendent « automatiser » leur expertise. L'IA de découverte de matériaux fonctionne quand elle est vécue comme un assistant, pas comme un substitut.

Surveiller les initiatives publiques européennes. Le programme Horizon Europe finance plusieurs projets autour des jumeaux numériques en science des matériaux, et la plateforme EMMC (European Materials Modelling Council) pousse des standards d'interopérabilité depuis plusieurs années. Ces ressources — souvent gratuites et sous licence ouverte — peuvent constituer un point de départ moins risqué qu'une plateforme commerciale pour évaluer la maturité de vos équipes.

Ce qui reste ouvert

CuspAI n'est pas une révolution isolée. C'est un signal parmi d'autres d'une transformation profonde de la R&D industrielle, où l'IA cesse d'être un outil de productivité généraliste pour devenir un outil de découverte scientifique spécialisée. Cette distinction est importante.

La vraie question pour les décideurs européens n'est pas « faut-il adopter ces outils ? » — la réponse est probablement oui, à terme, pour beaucoup d'industriels. Elle est : « comment construire une capacité interne suffisante pour ne pas être entièrement dépendant de la roadmap d'un éditeur externe pour son propre pipeline d'innovation ? »

C'est une question de souveraineté technologique, certes. Mais c'est surtout une question de stratégie industrielle. Et là, c'est bien le DSI, aux côtés du directeur R&D, qui doit être à la table.

La bonne nouvelle, c'est que l'Europe a les cerveaux, les laboratoires et une partie des infrastructures pour ne pas rater ce virage. La mauvaise, c'est que les fenêtres d'opportunité pour structurer un avantage compétitif durable ne restent pas ouvertes indéfiniment.