METR : Anthropic a doublé le rythme de développement de ses modèles, principalement grâce à l’IA

Pendant des années, l’idée d’une « IA qui construit l’IA » est restée un scénario spéculatif. Nous disposons désormais du rapport d’une organisation indépendante ayant eu accès aux données internes de l’un des principaux laboratoires. Sa conclusion est prudente, mais préoccupante : une forme modérée d’auto-amélioration récursive semble avoir déjà commencé.

Ce que METR a précisément découvert

Du 12 août au 29 octobre 2026, des chercheurs de METR ont travaillé au sein d’Anthropic avec un accès étendu. Ils ont pu consulter les métriques de préentraînement et d’apprentissage par renforcement, les volumes de calcul par domaine, les résultats de modèles internes dans les benchmarks, une analyse de l’accélération attribuable à l’IA et les prévisions relatives au futur modèle. Ils ont également interrogé des employés.

Le chiffre principal : depuis octobre 2025, les performances des modèles d’Anthropic dans son indice interne AECI — sa version de l’Epoch Capabilities Index — progressent 1,9 fois plus vite qu’auparavant. L’intervalle de confiance à 95 % va de 1,5x à 2,8x. Autrement dit, au cours de la dernière année, l’entreprise a parcouru environ deux années de progrès au rythme précédent.

Cette évolution viendrait-elle simplement d’un investissement accru dans le matériel ? Non. Selon METR, l’accélération n’est pas liée à l’augmentation de la puissance de calcul consacrée à l’entraînement. Lors des entretiens et des enquêtes, les employés signalent que les outils d’IA multiplient leur productivité, ce qui concorde avec un doublement du rythme. Les déclarations individuelles restent toutefois difficiles à interpréter, car les personnes ont tendance à surestimer leur propre productivité.

Pourquoi il ne s’agit pas simplement d’« une estimation de plus »

Pour l’instant, l’IA aide principalement les humains au lieu de travailler de manière entièrement autonome. Mais, selon les auteurs, certains signes indiquent déjà que sa contribution autonome augmentera bientôt. Si c’est le cas, l’accélération pourrait s’autoalimenter : un meilleur modèle permet des recherches plus rapides, lesquelles produisent un modèle suivant encore meilleur.

Le point le plus préoccupant est que METR n’a trouvé aucun frein manifeste pour les 12 prochains mois : ni dans les idées algorithmiques, ni dans les ressources de calcul destinées à l’entraînement et aux expériences, ni dans les données. Les auteurs reconnaissent néanmoins que leur perception des contraintes a changé plusieurs fois à mesure qu’ils obtenaient de nouvelles informations. Leur niveau de confiance sur ce point reste donc faible.

Les réactions au sein de la communauté sont révélatrices. Ryan Greenblatt, qui travaille lui-même chez METR, a reconnu qu’il ne prévoyait pour 2026 qu’une accélération de 1,15 à 1,3 fois. Ajeya Cotra estime qu’en tenant compte de toute l’entreprise, la R&D pourrait progresser 4 à 5 fois plus vite. Daniel Kokotajlo, de l’AI Futures Project, affirme que le rapport confirme ses inquiétudes quant à la brièveté du délai avant l’apparition d’une superintelligence.

Les principales faiblesses du rapport

Premier problème : Anthropic a expurgé une partie des données sur lesquelles reposent les principales conclusions concernant les risques. Greenblatt écrit explicitement que les conclusions sur l’origine exacte de l’accélération reposent désormais en grande partie sur la confiance accordée aux auteurs. Il faut lire la version publique en gardant cette réserve à l’esprit.

Deuxième problème : l’indice lui-même. L’AECI mesure des tâches vérifiables, qui ne correspondent pas nécessairement aux progrès réels de la recherche. De plus, le rythme observé entre 2023 et 2025 a pu être anormalement faible, ce qui ferait paraître l’accélération actuelle plus spectaculaire qu’elle ne l’est. À l’inverse, l’indice a parfois sous-estimé les effets pratiques réels : l’erreur peut donc aller dans les deux sens.

Ce que les professionnels doivent en retenir

Pour les développeurs et les responsables produit, la conclusion est concrète. Concevez vos produits en partant du principe que les modèles seront mis à jour sensiblement plus souvent que ces dernières années. La dépendance à une seule version d’API et à son comportement devient donc un risque. Conservez une couche d’évaluation de la qualité et la possibilité de basculer rapidement d’un modèle à l’autre.

Pour les fondateurs : si cette accélération est réelle, le coût et les capacités des outils d’IA évolueront plus vite que ne le prévoient les budgets. Les processus internes doivent être mesurés comme Anthropic le fait : non pas selon les impressions de l’équipe, mais à l’aide de métriques claires relevées avant et après le déploiement de l’IA.

Enfin, il faut surveiller non seulement les chiffres, mais aussi la transparence. La controverse autour de l’expurgation du rapport montrera si les laboratoires sont capables de fournir au monde extérieur suffisamment de données pour que de telles évaluations puissent être vérifiées.