METR : l’IA a quasiment doublé la vitesse de développement des modèles chez Anthropic

Tout le monde a désormais l’habitude d’entendre que l’IA écrit du code plus vite qu’un humain. Mais une question plus fondamentale se pose : que se passera-t-il lorsque l’IA commencera à accélérer le développement de l’IA elle-même ? L’organisation indépendante METR a tenté de le mesurer dans une entreprise réelle. Le résultat est intéressant : moins spectaculaire qu’on pourrait l’imaginer, mais loin d’être insignifiant.

Ce qui a précisément été évalué

D’août à octobre, plusieurs collaborateurs de METR ont travaillé au sein d’Anthropic avec un accès étendu aux données internes. Leur mission était double : déterminer dans quelle mesure la progression des capacités des modèles s’était accélérée et quelle part de cette accélération était spécifiquement liée à l’utilisation de l’IA dans le travail.

Le principal indicateur utilisé pour mesurer les progrès s’appelle AECI. Il s’agit d’une version interne de l’indice de capacités d’Epoch AI. Depuis octobre 2025, cet indice progresse 1,9 fois plus vite qu’auparavant. Autrement dit, au cours de la dernière année, Anthropic a avancé à peu près autant que pendant les deux années précédentes.

Les résultats

Estimation finale : en octobre 2026, le rythme d’amélioration des modèles avait quasiment doublé par rapport à la période allant de mars 2024 à octobre 2025. Les auteurs précisent honnêtement que ce chiffre est approximatif et proposent une large fourchette allant de 1,3x à 3x.

L’élément le plus intéressant est ici la contribution de l’IA elle-même. Selon METR, environ 80% de l’accélération actuelle provient précisément de l’utilisation de l’IA dans la recherche et le développement. L’essentiel du gain de vitesse ne vient donc ni de nouveaux GPU ni des recrutements, mais du fait que les modèles contribuent à construire les modèles suivants.

Les évaluations subjectives des employés ne contredisent pas ce constat. En moyenne, ils estiment que l’IA accélère leur travail par un facteur d’environ deux. Dans les enquêtes menées sur Slack, certaines estimations sont passées de 1,2x pour Claude 3.7 Sonnet à 12x pour le modèle interne le plus récent. Dans le questionnaire, un facteur de douze correspondait à l’affirmation : « je réalise en une journée ce qui me demandait auparavant presque deux semaines ».

Qu’en est-il des limites ?

On pourrait s’attendre à ce que cette progression finisse par buter sur un plafond lié aux algorithmes, à la puissance de calcul ou aux données. METR indique n’avoir trouvé aucune limite évidente, du moins pour l’année à venir. Pour l’instant, aucun de ces trois goulets d’étranglement ne semble se profiler.

Cette analyse présente toutefois des faiblesses. Premièrement, l’évaluation ne porte que sur une entreprise et repose sur des indicateurs internes impossibles à vérifier de l’extérieur. Deuxièmement, la fourchette de 1,3x–3x est très large : sa borne basse correspond à une amélioration notable, tandis que sa borne haute évoque un changement d’époque. Troisièmement, les estimations subjectives des employés sont toujours bruitées, et l’écart entre la moyenne de 2x et le pic de 12x montre que l’effet dépend fortement de la tâche et de la personne.

Ce que cela signifie en pratique

Pour les développeurs et les équipes produit, la conclusion est pragmatique. Si, même au sein du laboratoire où les modèles sont les mieux connus, l’accélération avoisine 2x, il est risqué pour une équipe ordinaire de bâtir ses plans sur une promesse de vitesse multipliée par dix. Il est plus réaliste d’anticiper des gains importants, mais inégaux.

Pour les fondateurs, un autre point compte davantage : le rythme de renouvellement des générations de modèles va probablement continuer à augmenter. Cela signifie qu’un produit construit autour des limites du modèle actuel peut devenir obsolète en quelques mois. Une stratégie raisonnable consiste à concevoir une architecture dans laquelle le modèle peut être facilement remplacé et à réévaluer régulièrement si les solutions de contournement restent nécessaires.

Enfin, il convient de suivre la méthodologie elle-même. Les audits indépendants des données internes des laboratoires deviennent la norme, et ce sont ces rapports, plutôt que les déclarations marketing, qui façonneront les attentes du marché pour l’année suivante.