Auto-apprentissage récursif et Fable 5.1 : pourquoi la course à l'IA a quitté le débat sur l'AGI pour l'orchestration appliquée

• Progrès sur les tâches scientifiques (Terminal-Bench-Science 0.1) : de 24,7 % avec Fable 5 à 52,6 % avec Fable 5.1
• Codage agentique et automatisation : 55,8 % sur Terminal-Bench 4.0 et 31,4 % sur AutomationBench
• Baisse du coût de lecture du cache : -75 % (les cycles agentiques coûtent presque deux fois moins cher)
• Cycle de renouvellement des générations : moins de 3 mois (du 9 juin au 1er septembre 2026)

À la fin de l'été, l'industrie débattait encore de la déclaration de Sam Altman selon laquelle OpenAI aurait parcouru 80 % du chemin vers l'AGI et prévoirait de boucler les vingt pourcents restants avant la fin de 2026. L'argument phare était un système de niveau Astra : on formule une hypothèse, l'agent écrit lui-même le code dans le dépôt interne du laboratoire, lance l'expérience, analyse les logs et livre un rapport complet, remplaçant ainsi une semaine de travail d'un chercheur.

Mais le 1er septembre, Anthropic a lancé Claude Fable 5.1 sans grand manifeste philosophique — et les chiffres de cette sortie expliquent la situation mieux qu'aucun débat sur la nature de l'intelligence.

Pourquoi le score sur le benchmark scientifique a-t-il doublé en moins

de trois mois ?

En comparant les résultats de Fable 5 du 9 juin et de Fable 5.1 de septembre, un bond anormal saute aux yeux, précisément dans les disciplines de recherche et d'agentivité. Sur le lot scientifique Terminal-Bench-Science 0.1, le nouveau modèle atteint 52,6 %, contre 24,7 % pour son prédécesseur et 29,0 % pour le lourd Opus 5. Sur le codage agentique Terminal-Bench 4.0, le score est passé de 42,0 % à 55,8 %, et sur les flux de travail AutomationBench, de 17,1 % à 31,4 %.

Parallèlement à cette montée en précision, Anthropic a fait chuter de 75 % le coût de lecture du cache. Pour un chat classique, c'est un bonus agréable, mais pour un essaim d'agents autonomes qui relit à chaque étape des dizaines de milliers de tokens de contexte système et d'historique d'appels d'outils, la facture d'infrastructure chute de près de moitié. Les deux grands laboratoires mondiaux visent désormais le même objectif : ils ne cherchent plus à construire un interlocuteur conversationnel, mais un collaborateur scientifique autonome.

Comment les modèles participent-ils déjà à la création de la

génération suivante d'IA ?

Auparavant, le changement de génération des grands modèles de langage dépendait de la construction de nouveaux data centers et de cycles de pré-entraînement annuels. Aujourd'hui, l'intervalle s'est réduit à quatre-vingts jours, car l'outil lui-même s'est officiellement inséré dans la boucle de son propre développement.

Ce ne sont plus des théories de futurologues, mais des lignes tirées directement de la documentation technique des fournisseurs :

• Dans les notes de version de GPT-5.3-Codex, les ingénieurs d'OpenAI ont explicitement consigné que les premiers checkpoints du modèle débogaient les entraînements, gérant les déploiements et analysaient les échecs lors des évaluations (« instrumental in creating itself »).
• Au sein de l'infrastructure de Google fonctionne la boucle AlphaEvolve, qui optimise les noyaux de calcul et accélère l'entraînement des futures versions de Gemini.
• Chez Anthropic, des agents de recherche automatisent la sélection de trajectoires synthétiques et la vérification des environnements pour l'apprentissage par renforcement.

La boucle d'amélioration récursive s'est bouclée au niveau technique. Pendant que les commentateurs débattent de savoir s'il s'agit de la véritable AGI, la vitesse d'obsolescence des modèles a quadruplé.

Comment construire un environnement de travail où changer de modèle

phare prend une minute ?

La principale leçon pratique pour tout CTO ou responsable produit : il est absolument exclu de lier la logique métier de l'entreprise aux caprices d'un seul réseau de neurones précis. Il y a encore un mois et demi, Opus semblait le seul choix viable pour une architecture complexe ; aujourd'hui, Fable 5.1 le surpasse sur la majorité des trajectoires longues, et dans un mois, la donne aura de nouveau changé.

Dans mon architecture, toutes les règles, la mémoire à cinq couches, le routage et les plus de 370 compétences applicatives sont totalement détachés du noyau de calcul. Basculer l'orchestrateur d'Opus vers Fable, ou transférer les tâches par lots vers un modèle rapide, se résume à modifier une seule ligne du fichier de configuration, sans perdre l'expérience accumulée. Et en cas de migration entre outils CLI, les mécanismes d'import intégrés transfèrent les sous-agents, les hooks et les serveurs MCP sans perte de contexte.

Les analyses des derniers benchmarks et des mesures réelles de modèles sur des tâches concrètes sont publiées sur ma chaîne Telegram [@jemal_hamidun](https://t.me/jemal_hamidun). Un environnement multimodèle avec bascule instantanée de fournisseur est déjà intégré au cœur de [Nomad AI](https://nomadnet.ai). Pour apprendre à concevoir des systèmes agentiques indépendants des fournisseurs, rendez-vous sur [Hamidun Academy](https://academy.hamidun.com) avec un essai gratuit de 72 heures, et pour récupérer les adaptateurs à jour pour les nouvelles sorties de modèles et en discuter lors de masterminds, rejoignez la communauté privée [Vibe Club](https://hamidun.com/club).