AlphaFold, science ouverte à l'échelle mondiale : lecture d'un actif stratégique

Il existe une manière naïve de raconter AlphaFold, et une manière plus intéressante. La première y voit un présent fait à la science : un laboratoire d'intelligence artificielle résout un problème vieux d'un demi-siècle, puis distribue le résultat au monde entier sans rien demander en retour. La seconde ne nie pas cette libéralité, mais l'examine autrement — comme un geste qui produit, au-delà de son utilité scientifique, une valeur d'une autre nature. Car les chiffres donnent le vertige : d'après le bilan publié fin 2025 par Google DeepMind, plus de trois millions de chercheuses et chercheurs répartis dans plus de cent quatre-vingt-dix pays ont consulté la base de données AlphaFold, qui met à disposition plus de deux cents millions de structures de protéines prédites. Un tel niveau d'adoption, pour un outil scientifique, n'a pas d'équivalent récent. Cet article ne cherche pas à décrire une nouvelle fois comment AlphaFold plie les protéines — d'autres analyses s'en chargent — mais à lire l'ouverture elle-même comme un objet stratégique. Que gagne un acteur qui donne à cette échelle ? Réputation, talent, écosystème, position de standard : autant de dividendes qui ne figurent sur aucun compte de résultat, et qui pèsent pourtant lourd. C'est cette lecture, présentée comme une grille parmi d'autres, que le texte se propose de tenir.

Une précaution de méthode s'impose avant d'entrer dans le vif. Ce texte sépare avec soin ce qui relève du fait vérifiable — un chiffre communiqué, une date d'annonce, une licence publiée, un partenariat officialisé — de ce qui relève de l'interprétation. Les faits sont sourcés en fin d'article. La lecture stratégique, elle, est formulée au conditionnel : « on peut lire », « cela suggère », « une interprétation possible ». Le domaine de l'IA est saturé de récits trop bien huilés et de chiffres qui enflent en circulant ; distinguer le constat de la thèse est la seule façon d'écrire quelque chose d'utile plutôt qu'un écho supplémentaire.

Le constat : une ouverture d'une ampleur inédite

Avant d'interpréter quoi que ce soit, il faut poser les faits établis. Ils sont documentés, datés, et pour l'essentiel communiqués par les acteurs eux-mêmes ou par des institutions scientifiques de premier plan.

Une base de données ouverte, libre d'accès et sous licence permissive

La base de données des structures de protéines d'AlphaFold — l'AlphaFold Protein Structure Database — est le fruit d'un partenariat entre DeepMind et l'Institut européen de bioinformatique de l'EMBL (EMBL-EBI). Elle a été lancée le 22 juillet 2021 avec un peu plus de trois cent soixante-cinq mille structures. Un an plus tard, en juillet 2022, l'équipe y verse environ deux cents millions de structures couvrant la quasi-totalité des protéines cataloguées connues de la science. Les données sont mises à disposition sous licence CC-BY-4.0, l'une des licences ouvertes les plus permissives : elle autorise la réutilisation, y compris commerciale, à la seule condition de citer la source.

Ce dernier point n'est pas un détail technique. Le choix d'une licence aussi peu contraignante conditionne tout le reste : il rend l'appropriation de la ressource par des tiers non seulement possible mais encouragée. On peut lire ici une décision qui dépasse la simple mise à disposition. Ouvrir sous CC-BY-4.0, c'est renoncer volontairement à un droit de péage sur des centaines de millions d'objets scientifiques. Nous verrons que ce renoncement apparent ouvre, en contrepartie, d'autres formes de rendement.

Les chiffres d'usage, repères d'une adoption massive

Le bilan « Cinq ans d'impact » publié par Google DeepMind le 25 novembre 2025 fournit les données les plus récentes et les plus complètes. Elles méritent d'être listées avec précision, car elles constituent la matière première de toute lecture stratégique.

Plus de trois millions de chercheuses et chercheurs ont utilisé la base, répartis dans plus de cent quatre-vingt-dix pays.
Plus d'un million d'utilisateurs se trouvent dans des pays à revenu faible ou intermédiaire, soit une part très significative du total.
Plus de deux cents millions de structures prédites sont disponibles depuis 2022, couvrant la quasi-totalité des protéines séquencées connues.
Plus de trente-cinq mille articles scientifiques citent AlphaFold, et plus de deux cent mille publications ont intégré des éléments méthodologiques issus d'AlphaFold 2.
Plus de huit millions de prédictions ont été générées via le service en ligne AlphaFold Server pour des milliers de chercheurs.

À ces mesures d'usage s'ajoutent des indicateurs d'influence plus qualitatifs, rapportés par le même bilan : les travaux s'appuyant sur AlphaFold 2 auraient deux fois plus de chances d'être cités dans des articles cliniques, et plus de trente pour cent de la recherche liée à l'outil viserait à mieux comprendre les maladies. Il faut prendre ces indicateurs pour ce qu'ils sont — des mesures produites par l'acteur qui les met en avant — mais leur ordre de grandeur, corroboré par des sources tierces comme la presse scientifique, dessine une réalité difficilement contestable : une diffusion planétaire et transversale.

Une reconnaissance institutionnelle au sommet

Le troisième fait établi est d'ordre symbolique, et il est de taille. En octobre 2024, le prix Nobel de chimie a distingué Demis Hassabis et John Jumper, de Google DeepMind, pour la prédiction de la structure des protéines, ainsi que David Baker, de l'université de Washington, pour la conception computationnelle de protéines. La moitié du prix revient à Baker, l'autre moitié est partagée par Hassabis et Jumper. Pour la première fois, une avancée scientifique rendue possible par l'intelligence artificielle était consacrée par un Nobel. La formulation officielle soulignait un problème resté ouvert pendant une cinquantaine d'années, désormais largement résolu.

Rendre publiques plus de deux cents millions de structures de protéines n'était pas seulement un acte scientifique. C'était aussi la construction, à l'échelle mondiale, d'une infrastructure commune — et celui qui bâtit l'infrastructure en tire une position particulière.

Ces trois faits — l'ampleur de l'ouverture, l'ampleur de l'usage, l'ampleur de la reconnaissance — forment le socle du reste. Ils ne se discutent pas. Ce qui se discute, c'est leur signification au-delà de la science : la manière dont une contribution ouverte se transforme, presque mécaniquement, en position stratégique.

À retenir. Trois faits établis et indiscutables : une base ouverte sous licence CC-BY-4.0, une adoption massive (3 M d'utilisateurs, 190+ pays), une consécration par le Nobel de chimie 2024. Tout ce qui suit dans cet article est une lecture construite sur ce socle — formulée au conditionnel, distincte du constat.

La lecture : l'ouverture comme actif

Voici le cœur de l'analyse. L'hypothèse est simple à énoncer : donner à cette échelle produit des retours qui ne sont pas financiers au sens immédiat, mais qui n'en constituent pas moins une forme de capital. Quatre dividendes se dégagent, qu'il faut examiner un à un.

Le dividende de réputation, ou le soft power scientifique

Le premier retour est réputationnel. En résolvant publiquement un problème que des générations de biologistes structuraux avaient affronté sans le trancher, puis en offrant le résultat à la communauté mondiale, DeepMind s'est constitué un capital de crédibilité scientifique considérable. Le Nobel de 2024 en est la validation la plus éclatante, mais il n'est que la partie visible d'un phénomène plus diffus : la transformation d'un laboratoire d'IA appliquée en institution scientifique respectée, dont la parole compte dans des disciplines qui lui étaient étrangères.

On peut lire là une forme de soft power scientifique. Le terme, emprunté aux relations internationales, désigne la capacité à obtenir de l'influence par l'attraction plutôt que par la contrainte. Un acteur qui met à disposition une ressource dont des millions de chercheurs dépendent quotidiennement acquiert une place dans la carte mentale de toute une communauté. Cette place ne s'achète pas ; elle se gagne par la contribution, et elle se révèle remarquablement durable. Un logiciel propriétaire peut être remplacé du jour au lendemain ; la réputation d'avoir résolu et partagé, elle, s'inscrit dans l'histoire d'une discipline.

Il faut toutefois se garder d'idéaliser. Cette réputation n'est pas un pur produit du calcul : elle repose sur une avancée scientifique réelle, saluée par des pairs exigeants. La lecture stratégique n'annule pas la valeur intrinsèque du travail ; elle observe seulement qu'un travail de cette qualité, rendu librement accessible, génère un capital d'estime qui déborde largement le cadre du projet lui-même.

Le dividende d'écosystème, ou le standard de fait

Le deuxième retour est structurel. Quand plus de trois millions de personnes intègrent un outil dans leurs pratiques, cet outil cesse d'être un produit parmi d'autres pour devenir un standard de fait. Les cursus de formation l'enseignent, les pipelines de recherche l'incorporent, les publications le supposent connu. Plus de deux cent mille articles ayant intégré des éléments méthodologiques d'AlphaFold 2 : le chiffre dit une chose précise, qui est l'enracinement de l'outil dans les manières de travailler d'un champ entier.

Un standard de fait possède une propriété économique bien connue : il se renforce de lui-même. Plus les chercheurs l'utilisent, plus il devient rationnel pour les nouveaux venus de l'adopter à leur tour, parce que c'est là que se trouvent les compétences, les tutoriels, les jeux de données compatibles et les collaborateurs. Cette dynamique — souvent appelée effet de réseau — verrouille progressivement une position sans qu'aucune barrière ne soit jamais dressée. On peut lire dans l'ouverture d'AlphaFold une manière particulièrement efficace de bâtir un tel effet : l'accès sans coût et la licence permissive suppriment les frictions qui, autrement, freineraient l'adoption.

Un outil que trois millions de personnes ont appris à utiliser ne se déloge pas par une simple amélioration technique concurrente. Il faudrait déplacer, avec lui, les habitudes, les compétences et les écosystèmes qui se sont agrégés autour de lui.

La conséquence est notable. En occupant tôt et largement ce terrain, l'acteur à l'origine de l'outil se dote d'une position difficile à contester, non par exclusivité mais par ubiquité. C'est un paradoxe apparent : c'est en renonçant à contrôler l'accès qu'on s'assure une centralité durable. Une interprétation possible : l'ouverture n'est pas l'opposé d'une stratégie de position, elle en est une modalité — peut-être la plus robuste dans un domaine où la connaissance circule vite.

Le dividende de talent, ou l'aimant à chercheurs

Le troisième retour concerne les personnes. Dans un secteur où la ressource la plus rare n'est ni le capital ni la puissance de calcul mais le petit nombre de chercheuses et chercheurs capables de mener des travaux de rupture, la réputation scientifique fonctionne comme un aimant. Travailler sur un projet devenu emblématique, dans une institution auréolée d'un Nobel, exerce une attraction que peu d'offres financières égalent. Le prestige attire les meilleurs profils, et les meilleurs profils produisent les prochaines avancées, qui renforcent le prestige : la boucle est vertueuse pour l'acteur qui l'amorce.

Ce dividende de talent est peut-être le plus concret des quatre, parce qu'il se traduit directement en capacité à produire les percées suivantes. Une contribution ouverte majeure agit comme une vitrine permanente : elle signale au monde entier le niveau de ce qui se fait dans un laboratoire donné, et fait de ce laboratoire une destination désirable. On peut lire dans la trajectoire d'AlphaFold une illustration de ce mécanisme — mais aussi, nous y viendrons, une illustration de sa fragilité.

Le dividende de conversion, ou l'actif ouvert au service d'un actif fermé

Le quatrième retour est le plus discret et le plus déterminant sur le plan économique. L'ouverture d'AlphaFold n'a pas empêché sa conversion en valeur commerciale par un canal séparé. Dès novembre 2021, Alphabet a annoncé la création d'Isomorphic Labs, entreprise issue de DeepMind et dirigée par Demis Hassabis, dont l'objet est d'appliquer les approches nées d'AlphaFold à la conception de médicaments. Isomorphic Labs a noué des partenariats avec de grands laboratoires pharmaceutiques — Novartis et Eli Lilly annoncés début 2024, rejoints ensuite par Johnson & Johnson en janvier 2026 — et a levé des fonds substantiels : environ 2,7 milliards de dollars de capital externe au total (600 millions de dollars en mars 2025, puis 2,1 milliards de dollars en série B en mai 2026), un montant arrêté à la mi-2026, indicatif et susceptible d'évoluer avec de nouveaux tours de financement.

La structure est éloquente. D'un côté, une base de données ouverte, distribuée sans coût d'accès, qui construit réputation, écosystème et talent. De l'autre, une entité commerciale distincte qui capte, sur un marché à très forte valeur — la découverte de médicaments —, une part du rendement économique de la même compétence sous-jacente. On peut lire dans cette architecture à deux étages une réponse élégante à une tension classique : comment tirer une valeur marchande d'une technologie tout en récoltant les bénéfices réputationnels de l'ouverture ? La réponse consiste à ouvrir la ressource générale et à monétiser une application spécifique, plutôt que de facturer l'accès à la première.

Figure 1 — L'architecture à deux étages : ouvrir largement la ressource générale pour bâtir réputation et écosystème, tout en monétisant une application spécialisée par un canal séparé.

Dividende	Nature du retour	Fait qui l'illustre
Réputation	Soft power scientifique, crédibilité	Nobel de chimie 2024 ; consécration d'une avancée par IA
Écosystème	Standard de fait, effet de réseau	3 M d'utilisateurs, 200 000+ publications intégrant AlphaFold 2
Talent	Attraction des meilleurs profils	Projet emblématique, laboratoire auréolé du Nobel
Conversion	Monétisation par un canal séparé	Isomorphic Labs, partenariats Novartis, Eli Lilly, J&J

Sources : bilan « AlphaFold: Five Years of Impact » (Google DeepMind, 2025), communiqués Nobel 2024, informations publiques sur Isomorphic Labs (liens en fin d'article). Lecture proposée par l'auteur.

Ces quatre dividendes ne s'excluent pas ; ils se combinent. La réputation attire le talent, le talent nourrit l'écosystème, l'écosystème consolide la réputation, et la conversion transforme une partie de cet ensemble en valeur monétaire. C'est cette combinaison, plus qu'aucun élément isolé, qui justifie de parler d'actif stratégique. Encore faut-il préciser à qui profite réellement cet actif — car le mot ne doit pas masquer l'essentiel.

Figure 2 — Les trois premiers dividendes s'alimentent mutuellement ; la conversion prélève une part de l'ensemble pour la transformer en valeur marchande.

À retenir. L'actif stratégique d'AlphaFold n'est pas un seul élément, c'est la combinaison des quatre dividendes. Chacun alimente les autres : retirer un seul maillon — le talent, par exemple — affaiblit toute la chaîne.

La mise en perspective : à qui profite l'ouverture

Parler d'actif stratégique pour un acteur ne doit pas laisser croire que les bénéfices se concentrent d'un seul côté. La force de ce cas tient précisément à ce que l'ouverture profite à beaucoup en même temps. Il faut donc replacer la lecture dans un cadre plus large et l'éprouver par la comparaison.

Le bénéfice pour la communauté scientifique mondiale

Le premier bénéficiaire est la science elle-même, et il serait malhonnête de l'oublier au profit de la seule lecture stratégique. Le fait que plus d'un million d'utilisateurs se trouvent dans des pays à revenu faible ou intermédiaire mérite d'être souligné. Historiquement, la biologie structurale expérimentale — cristallographie aux rayons X, résonance magnétique nucléaire, cryo-microscopie électronique — exige des équipements coûteux, concentrés dans un petit nombre d'institutions bien dotées. En rendant les prédictions de structures accessibles à quiconque dispose d'une connexion, AlphaFold abaisse une barrière matérielle qui limitait l'entrée de nombreux laboratoires dans certaines recherches.

Les applications rapportées couvrent un large spectre : recherche sur des vaccins, notamment contre le paludisme, travaux sur la résistance aux antibiotiques, conception d'enzymes, études sur des maladies négligées. Des organisations tournées vers les maladies des pays à faibles revenus s'appuient sur ces données pour permettre à des équipes locales de jouer un rôle plus actif dans la recherche de traitements. On peut lire dans cette diffusion un effet d'égalisation partiel : partiel, car l'accès aux prédictions ne remplace ni les compétences ni les moyens de validation expérimentale, mais réel, car il déplace le point de départ de nombreux projets.

Le même geste sert deux fins qui ne se contredisent pas : il élargit l'accès de la communauté mondiale à un savoir précieux, et il consolide la position de celui qui l'a produit. Lire l'un ne revient pas à nier l'autre.

Comparaison : ouvrir ou fermer, deux philosophies

Pour saisir la spécificité du choix, il aide de le comparer à d'autres postures dans le paysage de l'IA. Certains acteurs privilégient la fermeture : ils gardent leurs modèles et leurs données derrière un accès contrôlé, monnayent l'utilisation et protègent leur avantage par la rareté. D'autres pratiquent l'ouverture des poids de leurs modèles, avec des degrés variables de permissivité. AlphaFold relève d'une troisième voie, souvent moins commentée : l'ouverture non pas tant du modèle que de son produit — les structures prédites — mises à disposition comme un bien commun, tandis que la valeur économique la plus directe est captée ailleurs, dans une application spécialisée.

Cette comparaison éclaire un point important. L'ouverture et la fermeture ne sont pas des vertus opposées mais des stratégies adaptées à des situations différentes. Fermer a du sens quand la valeur réside dans l'accès direct au modèle et que la concurrence est frontale. Ouvrir a du sens quand la valeur réside dans l'adoption large, la construction d'un écosystème et l'accumulation de réputation — et quand un canal séparé permet de récolter le rendement financier sans facturer la ressource commune. On peut lire le cas AlphaFold comme une démonstration que l'ouverture, loin d'être une simple posture désintéressée, peut relever d'un raisonnement stratégique parfaitement cohérent.

Ce que révèle le cas sur l'économie de l'IA scientifique

Au-delà d'un acteur, cette trajectoire éclaire une évolution plus large de l'IA appliquée à la science. À mesure que ces outils pénètrent les disciplines, la valeur se déplace. Elle ne réside plus seulement dans la capacité technique brute — savoir prédire une structure — mais dans la capacité à faire adopter cette technique, à en devenir la référence, et à en tirer des positions durables. Trois enseignements se dégagent, présentés comme des hypothèses de lecture plutôt que comme des lois.

Le bien commun peut être une position : offrir une ressource largement utilisée construit une centralité que la vente d'accès ne procure pas nécessairement.
La valeur se sépare en couches : on peut ouvrir une ressource générale et monétiser une application spécialisée, plutôt que de facturer l'accès à la première.
La réputation devient un facteur de production : dans un domaine où le talent est rare, le prestige scientifique attire les personnes qui produiront les avancées suivantes.

Ces enseignements ne valent pas seulement pour la biologie. Ils dessinent un modèle transposable à d'autres champs où l'IA rencontre une science : ouvrir largement pour installer un standard et récolter de la réputation, puis convertir la compétence sous-jacente dans une application à forte valeur. On peut lire dans AlphaFold le prototype le plus abouti de cette logique — précisément parce que l'ampleur de son adoption la rend lisible.

Simulateur : votre outil est-il devenu un standard de fait ?

Le cadre d'AlphaFold se transpose à d'autres domaines. Renseignez l'adoption de votre propre ressource ouverte pour la situer sur l'échelle du verrouillage par effet de réseau.

Nombre d'utilisateurs : —

Pays concernés : —

Publications intégrant l'outil : —

La contrepartie : un actif réel, mais fragile

Rester honnête impose de ne pas présenter cet actif comme un acquis intangible. Un capital de réputation, d'écosystème et de talent est puissant, mais il est aussi exposé. Deux limites, au moins, méritent d'être posées sans détour, car elles nuancent la thèse sans l'invalider.

Le talent, un actif qui peut partir

La première limite tient à la nature même du dividende de talent : les personnes ne sont pas des immobilisations. En juin 2026, John Jumper, colauréat du Nobel de chimie pour AlphaFold, a annoncé quitter Google DeepMind pour rejoindre Anthropic, après près de neuf ans passés dans le laboratoire. L'épisode est instructif à plusieurs titres. Il montre d'abord que même l'institution la plus prestigieuse du domaine reste exposée à une concurrence intense pour les profils rares. Il rappelle ensuite à quel point le savoir-faire de pointe se concentre dans un petit nombre de personnes, dont les décisions individuelles peuvent infléchir la trajectoire d'un laboratoire.

La réaction des marchés, à supposer qu'on lui accorde une valeur d'indicateur, a été notable : selon la presse financière, les départs simultanés de Jumper et d'une autre figure de la recherche chez Alphabet (Noam Shazeer, parti chez OpenAI) ont coïncidé avec un recul marqué du cours de l'action fin juin 2026, et une perte de capitalisation de l'ordre de 225 à 270 milliards de dollars selon les estimations, 250 milliards étant le chiffre le plus souvent cité. Je signale ici une réserve : le lien de cause à effet entre un départ précis et un mouvement boursier est toujours difficile à établir avec certitude, tant d'autres facteurs pèsent simultanément. Je rapporte donc ce chiffre comme un ordre de grandeur relayé par la presse, non comme une mesure du coût exact d'un départ. Ce qui est solide, en revanche, c'est le principe : le dividende de talent est réversible, et un actif fondé sur des personnes se défait plus vite qu'il ne se construit.

À retenir. Le talent n'est pas une immobilisation comptable. Un actif bâti sur des personnes se défait plus vite qu'il ne se construit — le départ d'un seul profil rare peut infléchir toute une trajectoire de laboratoire.

L'écosystème, un actif que d'autres peuvent rejoindre

La seconde limite tient à la logique même de l'ouverture. En rendant sa ressource librement réutilisable, y compris commercialement, un acteur accepte que d'autres s'en emparent et bâtissent dessus, parfois pour le concurrencer. La licence permissive qui alimente l'effet de réseau alimente aussi la possibilité, pour des tiers, de capter une part de la valeur créée. L'ouverture qui installe une centralité peut donc, à terme, en diffuser les bénéfices au point d'en atténuer l'exclusivité.

Ce caractère à double tranchant doit être assumé pour rester juste. Un standard de fait bâti sur l'ouverture n'est pas une rente garantie : il vaut tant que l'acteur d'origine conserve une avance sur les usages, la qualité et les développements suivants. Le jour où d'autres proposent des ressources équivalentes ou supérieures selon les mêmes modalités ouvertes, l'avantage se dilue. On peut lire dans cette fragilité la rançon logique de l'ouverture : elle est puissante parce qu'elle diffuse, et elle est vulnérable pour exactement la même raison.

Un actif stratégique fondé sur l'ouverture n'est jamais définitivement acquis. Il se maintient par la contribution continue, pas par la protection. Le jour où l'acteur cesse de mener, la centralité qu'il a bâtie se met à profiter à d'autres.

Ce qu'on peut en retenir

Reste à faire la part des choses, sans forcer le trait dans un sens ni dans l'autre. Le cas AlphaFold se prête bien à cet exercice, précisément parce qu'il résiste aux conclusions simples et qu'il tient ensemble des dimensions qu'on oppose d'ordinaire.

Premier constat, factuel : l'ouverture d'AlphaFold est un phénomène d'une ampleur exceptionnelle et bien documentée. Trois millions d'utilisateurs, plus de cent quatre-vingt-dix pays, plus de deux cents millions de structures accessibles sous licence permissive, une reconnaissance au plus haut niveau avec le Nobel de chimie 2024 : ces éléments ne se discutent pas. Ils décrivent la mise à disposition, à l'échelle planétaire, d'une ressource scientifique de premier ordre, et un bénéfice réel pour une communauté mondiale qui inclut largement des équipes aux moyens limités.

Deuxième constat, interprétatif : cette ouverture fonctionne aussi comme un actif stratégique. Elle construit de la réputation, installe un standard, attire le talent et se prolonge, par un canal séparé, dans une activité commerciale à forte valeur. Ces retours ne figurent dans aucun bilan comptable, mais ils pèsent lourd dans la position d'un acteur. Lire l'ouverture ainsi ne revient pas à lui prêter un cynisme caché : c'est observer qu'un geste peut être à la fois généreux dans ses effets et cohérent dans sa logique. Générosité et stratégie ne sont pas ici deux versions concurrentes de la vérité ; elles cohabitent.

Troisième constat, critique : cet actif est réel mais révocable. Le talent peut partir, comme l'a montré un départ retentissant en 2026 ; l'écosystème peut accueillir des concurrents, puisque l'ouverture même qui le nourrit permet à d'autres de s'y installer. Un capital de réputation et de position se maintient par la contribution continue, pas par la protection. Ce qui a été bâti par l'ouverture peut, par l'ouverture, se redistribuer.

La formule qui sert de titre à cet article — « lecture d'un actif stratégique » — décrit donc une réalité, à condition de l'entendre correctement. Elle ne dit pas que le partage de la science serait un simple habillage. Elle dit qu'une contribution ouverte peut être authentiquement utile et profitable à celui qui la porte, et que ces deux dimensions se nourrissent parfois l'une l'autre. Le plus intéressant, dans le cas AlphaFold, n'est pas de démasquer un calcul dissimulé derrière un don, mais d'observer comment un bien commun se transforme en position, et à quelles conditions cette position tient quand le talent circule et que d'autres acteurs s'invitent. C'est cette dynamique, plus que tout jugement moral, qui mérite d'être suivie dans les années à venir — car elle esquisse peut-être un modèle appelé à se répéter partout où l'intelligence artificielle rencontre une science.