Benchling, plateforme de données R&D, construit des agents IA capables de dépasser les limitations des modèles uniques. En combinant plusieurs modèles et en révisant les traces de production, l'équipe contourne le problème classique : aucun modèle n'est assez intelligent pour toutes les tâches scientifiques à la fois.
La vie de labo n'est pas linéaire. Un agent doit naviguer entre des expériences interdépendantes, vérifier ses propres résultats, revenir en arrière quand il se trompe. Benchling empile donc les modèles : l'un pour la compréhension, un autre pour la précision, un troisième pour valider. C'est l'architecture multi-modèles en production.
Le vrai défi : la vérifiabilité. En pharma ou biotech, « l'IA l'a fait » n'existe pas. Chaque décision doit être traçable, reproductible, auditable. D'où les revues systématiques des traces d'exécution — chaque étape enregistrée, chaque choix justifié.
Ce pattern ne concerne pas que Benchling. Il redessine comment on déploie l'IA critique : moins une réponse unique et brillante, plus un système de contrôle-qualité continu.
