Microsoft Discovery a atteint la disponibilité générale sur Azure cette semaine, une plateforme pour déployer des équipes d'agents IA spécialisés dans la R&D scientifique et d'ingénierie : des agents qui raisonnent sur des bases de connaissances, génèrent des hypothèses, optimisent des expériences, valident des résultats, et bouclent. La raison pour laquelle ça mérite l'attention au-delà du launch d'agent-enterprise habituel, c'est la vitrine qui y est attachée. Microsoft crédite les agents de Discovery d'un rôle central dans le développement de la puce quantique Majorana 2, où, dit la compagnie, les agents ont géré les workflows de fabrication, automatisé les mesures, optimisé le materials stack, et corrélé des patterns à travers deux décennies de données expérimentales en formats multiples, faisant surface des défauts de fabrication que des équipes humaines avaient pas remarqués.
Les résultats revendiqués sont grands, et la bonne façon de les lire, c'est comme le récit du vendor. Microsoft dit que Majorana 2 a atteint une amélioration de fiabilité de 1000 fois sur son prédécesseur, une durée de vie moyenne de qubit de 20 secondes et jusqu'à une minute dans certains runs, contre les durées de vie en microsecondes des approches compétitrices, et que le travail a tiré sa timeline de livraison d'ordinateur quantique de 2034 à 2029. La puce est passée d'un blindage supraconducteur en aluminium à un en plomb pour protéger les qubits des perturbations cosmiques. Ce sont les chiffres de Microsoft sur la puce de Microsoft, donc le cadre honnête, c'est que les agents ont été un instrument crédité à l'intérieur d'un résultat que la compagnie rapporte, pas un claim causal audité indépendamment. Ça le rend pas vide, ça en fait une étude de cas vendor avec un artefact inhabituellement physique au bout.
Sur ce qui a réellement shippé : Discovery jumelle un Discovery Engine qui orchestre les workflows multi-agents avec Azure HPC pour la simulation compute-lourde, enveloppé dans de la sécurité et gouvernance enterprise, et, le détail à garder, du confidence scoring et des citations pour que les outputs viennent comme une trace de preuve traçable et révisable plutôt que des décisions d'agent opaques. Une app desktop gratuite avec intégration GitHub Copilot est en preview, et les clients GA précoces nommés sont le Pacific Northwest National Laboratory et Syensqo. Le Technical Fellow Chetan Nayak a résumé la posture interne : « L'AI agentique a imprégné presque tout ce qu'on fait. C'est juste devenu une partie très naturelle de notre workflow. »
C'est l'histoire des agents-pour-la-science qui obtient son artefact le plus concret à date, et ça s'assoit à côté de la poussée parallèle Gemini for Science de Google comme le même pari d'un vendor différent : traiter les systèmes agentiques comme des instruments scientifiques, pas des partenaires de chat. La partie qui voyage au-delà des spécificités quantiques, c'est le design citation-et-confiance, qui est le même principe d'externalisation d'état sur lequel la recherche en retrieval atterrit sans arrêt, l'agent répond pas juste, il montre sa preuve, appliqué ici à la découverte. C'est la seule version de « l'IA a fait la science » que d'autres scientifiques peuvent vraiment vérifier, et c'est aussi là où vit le test honnête : le chiffre le plus important ici, le gain de mille fois, est celui de Microsoft, et la première vraie preuve de la R&D agentique comme catégorie sera de savoir si ces traces de citation tiennent quand quelqu'un hors de la compagnie les suit.